近期，中国测绘科学研究院《影像与数据融合国际期刊》出版了第15卷第一期。摘要如下：
A brief overview and perspective of using airborne Lidar data for forest biomass estimation
Dengsheng Lu & Xiandie Jiang
Pages: 1-24
To cite this article:
Lu, D., & Jiang, X. (2024). A brief overview and perspective of using airborne Lidar data for forest biomass estimation. International Journal of Image and Data Fusion, 15(1), 1–24.
机载Lidar数据估算森林生物量的综述与展望
激光雷达数据一直被认为是准确估算森林生物量的最重要的数据来源。不同平台，如地基激光扫描、无人机激光扫描、机载激光扫描和星载激光雷达（如ICESat-1/2、GEDI、GF-7激光雷达）为估算不同尺度的森林生物量分布提供了新的技术手段。地面激光雷达数据主要用于提取单颗树木参数如胸径（DBH）和树高，该技术可取代或减少现场工作，而星载激光雷达数据通常用于提取在国家和全球尺度范围的森林冠层高度数据，但无法提供大比例尺的映射。机载激光雷达则是局部尺度上森林生物量估算最常用的技术。许多学者开展绘制不同气候区的森林生物量分布图的研究，但目前利用机载激光雷达数据的研究情况和所面临的挑战尚未得到充分论述。本文试图提供一个基于机载激光雷达数据进行森林生物量估计和讨论当前的研究问题和未来的方向的概述，这将有助于专业人员和从业人员更好地理解使用机载激光雷达在局部尺度森林生物量估计中的重要作用。
Satellite image fusion using cyclic spatio-spectral GAN model
Mahmoud M. Hammad, Tarek A. Mahmoud, A. S. Amein & Tarek M. Ghoniemy
Pages: 25-43
To cite this article:
Hammad, M. M., Mahmoud, T. A., Amein, A. S., & Ghoniemy, T. M. (2023). Satellite image fusion using cyclic spatio-spectral GAN model. International Journal of Image and Data Fusion, 15(1), 25–43.
基于循环时空光谱GAN模型的卫星影像融合
在卫星影像融合问题中，保留光谱和空间信息是面临的挑战之一。本文提出了一种基于GAN的全色卫星影像和多光谱卫星影像融合方法。所提出的方法利用了具有两个发生器的Cycle-GAN的思想，通过基于残差密集块超分辨率架构中的残差进行光谱和空间信息保存。首先，生成器 1 将全色和多光谱卫星影像转换为高分辨率融合影像，然后利用生成器 2 保留细节。目标是分别获得全色和多光谱卫星影像的空间和光谱细节。使用了两个鉴别器，一个用于光谱，另一个用于空间变换，并且将加权 L1 损失用作周期损失。通过利用两种生成器的独特功能，所提出的方法实现了高质量的影像融合结果，并提高了光谱和空间分辨率，并在两个不同的数据集上进行了评估。实验结果证明了所提方法的有效性，WorldView2 和 GeoEye-1 影像在包括 PSNR 在内的 5 个指标中分别提高了约 2% 至 30% 和 0.5% 至 35%。此外，在SAM和ERGAS等指标的相同数据集中，该方法显示出大约7%至50%和22%至29%的显着增强。
Efficient image fusion method using improved Bi-dimensional Empirical Mode Decomposition
Abdelkader Moustafa Radwane Ghellab
Pages: 44-72
To cite this article:
Radwane Ghellab, A. M. (2024). Efficient image fusion method using improved Bi-dimensional Empirical Mode Decomposition. International Journal of Image and Data Fusion, 15(1), 44–72.
基于改进二维经验模态分解的高效图像融合方法
在图像融合中，通常使用多种变换来提取不同的图像空间细节。本文提出了一种改进BEMD算法（Bi-dimensional Empirical Mode Decomposition），并提出了一种图像融合方法，旨在在同一融合图像中实现全色图像PAN的高空间分辨率和多光谱图像MS的光谱分辨率。所提出的改进BEMD算法允许避免使用图像融合中使用的注入模型来保留融合图像中的光谱特征。我们提出了一种新的BEMD二维极值提取方法。所提出的BEMD组件最重要的特征之一是它们对于EMD组件的一致性，且它们的局部行为是纯振荡的二维单分量，其均值为零。通过对其他方法的定性评价和各种光谱和空间定量测量的比较，证明了本文所提图像融合方法的有效性和效率。此外，这种融合方法的计算速度快，可用于快速合并大量图像数据。
A variational driven optimization framework for pansharpening of multispectral images
Y Ramakrishna & Richa Agrawal
Pages: 73-87
To cite this article:
Ramakrishna, Y., & Agrawal, R. (2023). A variational driven optimization framework for pansharpening of multispectral images. International Journal of Image and Data Fusion, 15(1), 73–87.
多光谱图像Pansharpening的变分驱动优化框架
Pansharpening是一种成熟的遥感图像融合技术，可产生高分辨率多光谱 （HRMS） 图像。尽管稀疏编码和深度学习等先进技术在解决Pansharpening问题方面取得了显著的进步，但仍需要统一的模型来进一步提高融合质量。近年来，变分优化（VO）机制引起了大多数学者的兴趣。在本文中，Pansharpening被指定为一个约束优化问题，具有一个数据生成项和两个正则化器，用于改善空间细节和频谱信息。利用梯度信息将全色图像的空间细节传递给融合图像。多光谱图像波段之间的相关性激发了提高HRMS图像的光谱质量并减少失真。因此，使用算子拆分方法有效地解决了所需HRMS图像的优化问题。实验表明，所提出的模型在客观指标和视觉结果方面优于大多数先进的融合方法。
Spatial enhancement of Landsat-9 land surface temperature imagery by Fourier transformation-based panchromatic fusion
Kul Vaibhav Sharma, Vijendra Kumar, Sumit Khandelwal & Nivedita Kaul
Pages: 88-109
To cite this article:
Sharma, K. V., Kumar, V., Khandelwal, S., & Kaul, N. (2023). Spatial enhancement of Landsat-9 land surface temperature imagery by Fourier transformation-based panchromatic fusion. International Journal of Image and Data Fusion, 15(1), 88–109.
傅里叶变换的全色融合技术对Landsat-9陆地表面温度影像的空间增强
Landsat-9 全色 （PAN） 波段图像比热红外 （TIR） 波段的地表温度 （LST） 影像的精细度高 7 倍。由于 PAN 波段的像素尺寸较小，因此比 TIR 波段具有出色的图像分辨率、一致性和更少的模糊度。图像融合通过组合多个数据源来增强图像，但目前图像融合方法很难将 PAN 和 TIR 波段组合在一起。本文提出基于傅里叶变换的融合技术（FTBF）将PAN和TIR波段数据合并，以在空间上将Landsat-9 LST图像的分辨率从100 m提高到15 m。傅里叶变换集成了FTBF中的频域滤波和空间匹配。实验场设置的红外测温仪据记录仪验证了FTBF算法融合图像热点的温度和图像质量参数。将降尺度的LST与地面控制点进行比较，得出的RMSE为0.18，相关性为0.93。从定性和定量的8个特征表明，FTBF融合方法提高了TIR图像的空间分辨率，并保留了原始的LST数据热属性。LST-Pan 融合可以在更精细的尺度上检测土地利用变化、野火监测、农业分析、作物管理和应急测绘的地表温度变化。
Building classification extraction from remote sensing images combining hyperpixel and maximum interclass variance
Hongning Qin & Zili Li
Pages: 110-127
To cite this article:
Qin, H., & Li, Z. (2024). Building classification extraction from remote sensing images combining hyperpixel and maximum interclass variance. International Journal of Image and Data Fusion, 15(1), 110–127.
结合超像素和最大类间方差的遥感影像建筑分类提取
近年来，基于深度学习的语义分割算法在建筑目标提取中得到了广泛的应用，但该方法需要大样本数据且不考虑建筑物的几何特征，提取效果受数据场景影响较大，而传统方法在提取时只考虑其灰度特征，难以准确提取基于遥感影像的建筑目标。针对该问题，本文提出一种结合超像素和最大类间方差的遥感影像分类提取方法。首先，基于分水岭变换生成多个不同形状和大小的超像素子区域;然后，利用建筑物的光谱特征对建筑物的超像素进行合并，从而实现对建筑物的首次提取。然后，通过中值滤波抑制噪声。最后，根据OTSU算法对建筑物进行后提取。本文选取了7张位于不同景观的建筑物图像。实验结果表明，该算法优于经典算法和深度学习算法。
期刊网址：www.tandfonline.com/tidf
投稿链接：Submission Portal
（文/谢文寒、孙晓霞）
