摘要：为有效融合多光谱图像的光谱信息和全色图像的空间细节信息，提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络（PCNN）的非下采样Shearlet变换（NSST）域图像融合方法。首先对多光谱图像进行Intensity-Hue-Saturation（IHS）变换，全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配；然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换，对低频分量使用改进加权融合算法进行融合，以互信息作为适应度函数，利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络（PCNN）方法进行融合，再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换（NSCT）和非负矩阵分解（NMF）、基于NSCT和PCNN等5种融合方法。本文方法在提升图像空间分辨率的同时，有效地保留了光谱信息。摘要：为有效融合多光谱图像的光谱信息和全色图像的空间细节信息，提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络（PCNN）的非下采样Shearlet变换（NSST）域图像融合方法。首先对多光谱图像进行Intensity．Hue—Saturation（IHS）变换，全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配；然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换，对低频分量使用改进加权融合算法进行融合，以互信息作为适应度函数，利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络（PCNN）方法进行融合，再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换（NSCT）和非负矩阵分解（NMF）、基于NSCT和PCNN�

简介：《遥感学报》（CN：11-3841/TP）是一本有较高学术价值的大型月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社