针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。

为了提高基于多尺度变换的多聚焦图像融合中聚焦区域的准确性,提出了一种基于非下采样Shearlet变换(NSST)与聚焦区域检测的多聚焦图像融合算法。首先,通过基于非下采样Shearlet变换的融合方法得到初始融合图像;其次,将初始融合图像与源多聚焦图像作比较,得到初始聚焦区域;接着,利用形态学开闭运算对初始聚焦区域进行修正;最后,在修正的聚焦区域上通过改进的脉冲耦合神经网络(IPCNN)获得融合图像。与经典的基于小波变换、Shearlet变换的融合方法以及当前流行的基于NSST和脉冲耦合神经网络(PCNN)的融合方法相比,所提算法在客观评价指标互信息(MI)、空间频率和转移的边缘信息上均有明显的提高。实验结果表明,所提出的算法能更准确地识别出源图像中的聚焦区域,能从源图像中提取出更多的清晰信息到融合图像。

为提高单帧降质图像的分辨率,提出了一种基于字典学习和非局部相似性的超分辨率重建算法。该算法主要将高分辨率图像减去利用迭代反投影重建结果得到差值图像,再利用K-奇异值分解(K-SVD)算法和联合字典生成的思想形成的字典训练方法,训练差值图像块和低分辨率图像块得到对应的高、低分辨率字典用于超分辨重建。此外,引入非局部相似性的正则项约束以提高重建图像的质量。实验结果表明,所提算法重建得到的图像在主观视觉效果和客观评价上优于基于例子学习的超分辨率算法。