CN104616261A - 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 - Google Patents
一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 Download PDFInfo
- Publication number
- CN104616261A CN104616261A CN201510066167.2A CN201510066167A CN104616261A CN 104616261 A CN104616261 A CN 104616261A CN 201510066167 A CN201510066167 A CN 201510066167A CN 104616261 A CN104616261 A CN 104616261A
- Authority
- CN
- China
- Prior art keywords
- fusion
- pan
- image
- csf
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000003595 spectral effect Effects 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000007500 overflow downdraw method Methods 0.000 claims description 12
- 238000010494 dissociation reaction Methods 0.000 claims description 4
- 230000005593 dissociations Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010187 selection method Methods 0.000 abstract 1
- 235000013350 formula milk Nutrition 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于光谱特性的Shearlet域多光谱与全色图像融合方法,其包括以下步骤:(1)对多光谱影像进行IHS变换;(2)将BIMFs和全色图像分别进行Shearlet变换分解,并获得其各自的一个低频子带和若干高频子带;(3)建立融合规则选择融合系数:低频系数利用拉普拉斯金字塔分解,通过比较取大法选择低频融合系数;通过基于双通道脉冲耦合神经网络(PCNN)的融合规则融合对应的高频系数;(4)通过IHS逆变换,得到最终融合后图像。本发明融合算法在增强空间细节表现能力的同时尽可能保护了图像的光谱信息,改善了融合效果。
Description
技术领域
本发明涉及一种图像处理技术领域的方法,具体涉及一种基于光谱特性的Shearlet域多光谱与全色图像融合方法。
背景技术
遥感影像无法同时具备高空间分辨率和高光谱分辨率,需要利用光谱分辨率提高空间分辨率。遥感图像融合把空间或时间上冗余的多源数据按一定规则运算处理,获得比任何单一数据更精确、更丰富的信息,生成一幅具有新的空间、波谱、时间特征的合成图像。
全色图像具有高空间分辨率,善于表达地物的细节特征,但光谱分辨率不足;多光谱图像光谱信息丰富,利于对识别地物目标轮廓,但空间分辨率低。多光谱与全色图像融合既可以利用全色图像的高分辨率改善多光谱图像的分辨率,又可以充分利用多光谱图像中特有的对目标的精细表达,获得更丰富的目标信息。
改进分量替换方法和多分辨分析是解决光谱失真问题的两种方法,通过对常用IHS变换公式进行了改进,用矩阵加法运算替换了矩阵乘法运算,将融合范围扩展到多于三个波段的融合,以缩小光谱扭曲程度;部分研究通过加入调节参数,用以控制空间细节的注入程度,使得融合结果介于标准IHS变换与BROVERY变换之间。
为了取得更好的融合效果,越来越多的研究将分量替代法和基于多分辨分析方法结合起来运用;IHS变换结合小波变换的融合方法是其中的代表,首先对Pan图像、MS图像的亮度分量预处理,然后进行小波分解,用全色图像的高频系数替换亮度分量的高频系数,保留MS图像的低频分量,融合处理得到新的亮度分量,由于其携带的光谱信息受到保护,一定程度上减少了光谱扭曲;类似的利用IHS变换结合Contourlet变换的融合方法,先将MS图像的亮度分量与PAN图做直方图匹配,运用多分辨分析将PAN图像的细节信息注入到亮度分量,得到高分辨率的主分量;由于融合只在亮度分量和PAN图像之间进行,部分减少了融合图像的光谱失真问题;上述方法虽然减少了融合图像的光谱失真,但由于其都包括下采样和上采样操作,产生伪吉布斯现象,损失了Pan图像的部分空间信息,融合影像的空间分辨率往往不及传统的IHS融合方法,同时融合结果对小波基函数和分解层次的选择比较敏感,参数选择较为复杂。
为了克服上述缺点,可以利用BEMD代替上述多分辨分析方法,原因在于BEMD具有比小波分析更直观的特征表示方式和更灵活的频率特性,对图像进行分解不需要在变换中选择基函数却能得到类似小波变换的多分辨率表示,且在目标分解中不引进冗余信息。分解得到的BIMFs各子带间具有相关性,类似于小波域不同尺度间的相关性,同时由于分解过程无下采样,避免了小波变换中会引起的伪吉布斯现象。BEMD具有很好的图像边缘检测与纹理识别的能力,利于图像细节保护和图像纹理的提取。BIMFs各子带包含了原始图像的主要边缘轮廓,即空间结构信息,而余量则包含了图像的趋势信息,对应于遥感图像的低频分量,携带了其光谱信息。所以利用BEMD实现图像多分辨分析,可以更好地保护光谱信息。
发明内容
本发明所要解决的技术问题是:提供一种基于光谱特性的Shearlet域多光谱与全色图像融合方法,提高空间分辨率的同时兼顾了人眼在彩色背景下的视觉特性,尽可能保留多光谱图像原亮度分量中的光谱信息,减少了光谱失真。
本发明的技术方案是:一种基于光谱特性的Shearlet域多光谱与全色图像融合方法,包括以下步骤:
(1)对多光谱影像进行IHS变换,得到亮度分量PI、色度分量PS、饱和度分量PH,将多光谱影像的亮度分量PI通过二维经验模态分解BEMD得到频率从高到低排列的n-1个二维内蕴模函数BIMFt,t=1,2,...n-1,n>3和余量res;
(2)计算n-1个二维内蕴模函数BIMFt的能量并排序,统计能量排序前三的分量之和BMS,将BMS和全色图像IPAN分别通过Shearlet变换分解,分解层数为三层,获得各自的一个低频子带:和三层高频子带:m=1,2,3,二维内蕴模函数BIMFt能量的计算公式如式(1)所示:
其中,D(x,y)t为BIMFt的系数,i,j分别表示BIMFt的行数和列数;
(3)建立融合规则选择融合系数:利用拉普拉斯金字塔分解低频系数,得到对应分解系数LMS,ij和LPAN,ij,通过式(2)所示的比较取大法选择低频融合系数LF,ij:
通过基于双通道脉冲耦合神经网络制定的融合规则融合对应的高频系数,具体如下:
①将分别输入双通道脉冲耦合神经网络的两个输入端,利用式(3)计算系数的对比敏感度因子CSF作为双通道脉冲耦合神经网络的外部激励;
CSF(f)=2.6×(0.0192+0.114f)exp[-(0.114f)1.1] (3)
其中,是空间频率;fx、fy分别是水平和竖直方向的空间频率,
其中,M为源图像行数,N为源图像列数;
②根据公式(6)比较得到各方向子带的融合系数:
其中,m和k分别指第m层分解,第k个方向子带,是高频子带在(i,j)点的系数;
③利用Shearlet反变换重构LF,ij和得到融合系数FI,利用公式(7)得到新亮度分量PI':
PI'=FI+res (7)
其中,res是步骤(1)得到的余量;
(4)将新亮度分量PI'、色度分量PS、饱和度分量PH进行IHS逆变换,得到最终融合图像。
本发明与现有技术相比的优点在于:
本发明将BEMD和人眼对比灵敏度特性运用到遥感图像融合中,源图像首先经过IHS变换实现颜色空间转换,将I分量通过二维经验模态分解得到包含高频分量的固有模态函数和包含低频分量的余量,然后将Pan图像和IMFs通过Shearlet变换分解获得不同尺度多个方向下的分解系数,融合规则考虑了人眼特性,利用基于的彩色对比灵敏度激励的双通道PCNN和拉普拉斯金字塔选择融合系数,再通过IHS反变换重构得到融合图像,新算法利用了Shearlet变换能够实现图像最优表示的优势。
为改善传统融合方法引起的光谱扭曲,本发明利用彩色对比敏感度特性,首先通过IHS变换得到I分量,再结合BEMD实现多光谱图像光谱信息(I分量中的Res分量)和空间信息(I分量中的BIMFs分量)分离,Pan图像中的空间信息通过与IMFs融合的方式注入到融合图像,为了符合人眼特性,利用Shearlet变换分别将Pan图像和IMFs分解为不同尺度多个方向下的系数,通过基于彩色对比敏感度激励的双通道PCNN选择融合高频系数,实现彩色背景下图像特征的提取,融合算法在增强空间细节表现能力的同时尽可能保护了图像的光谱信息,改善了融合效果。
附图说明
图1为本发明融合流程示意图。
图2为各种融合算法效果比较示意图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
如图1所示,一种基于光谱特性的Shearlet域多光谱与全色图像融合方法包括以下步骤:
(1)对多光谱影像进行IHS变换,得到亮度分量PI、色度分量PS、饱和度分量PH,将多光谱影像的亮度分量PI通过二维经验模态分解BEMD得到频率从高到低的n-1个二维内蕴模函数BIMFt,t=1,2,...n-1,n>3和余量res;
(2)计算n-1个二维内蕴模函数BIMFt的能量并进行排序,统计能量排序前三的分量之和BMS,将BMS和全色图像IPAN分别进行Shearlet变换三层分解,获得各自的一个低频子带:和三层高频子带:m=1,2,3,其中1-3层分别包含10,10,18个方向子带;二维内蕴模函数BIMFt能量的计算公式如式(1)所示:
其中,D(x,y)t为BIMFt的系数,i,j分别表示BIMFt的行数和列数;
(3)建立融合规则选择融合系数:利用拉普拉斯金字塔分解低频系数,得到对应分解系数LMS,ij和LPAN,ij,通过式(2)所示的比较取大法选择低频融合系数LF,ij:
通过基于双通道脉冲耦合神经网络PCNN制定的融合规则融合对应的高频系数,具体如下:
①将分别输入到双通道脉冲耦合神经网络PCNN的两个输入端,利用式(3)计算系数的对比敏感度因子CSF作为双通道脉冲耦合神经网络PCNN的外部激励;
CSF(f)=2.6×(0.0192+0.114f)exp[-(0.114f)1.1] (3)
其中,是空间频率;fx、fy分别是水平和竖直方向的空间频率,
其中,M为源图像行数,N为源图像列数;
②根据公式(6)比较得到各方向子带的融合系数:
其中,m和k分别指第m层分解,第k个方向子带;是高频子带在(i,j)点的系数,是高频子带,由步骤(2)得到。
③利用Shearlet反变换重构LF,ij和得到融合系数FI,利用公式(7)得到新亮度分量PI':
PI'=FI+res (7)
其中,res是步骤(1)中得到的余量;
(4)将新亮度分量PI'、色度分量PS、饱和度分量PH进行IHS逆变换,得到最终融合后的图像。
如图2所示,本发明方法与其它几种融合方法比较的效果。图(a)为Pan图像,图(b)为MS图像,图(c)-(g)分别为利用基于GIHS、离散小波变换(DWT)、主成分分析(PCA)、Brovey和本发明方法进行图像融合的效果,通过比较可以看到,利用本发明方法进行图像融合不仅有效地丰富了图像的背景信息,而且最大限度地保护了图像中的细节,符合人眼视觉特性。
在表1所示的客观评价指标比较表中,通过标准差(Std),信息熵(En),空间频率(SF),平均梯度(Gradient),相关系数(CC),光谱扭曲度(WD)衡量不同融合方法获得的融合图像质量,标准差(Std),信息熵(En),空间频率(SF),平均梯度(Gradient),相关系数(CC)越大,说明融合图像中特征信息越丰富,与源图像越接近,融合效果越好,光谱扭曲度(WD)衡量光谱失真程度,值越大说明光谱失真越严重。由表1中数据可以看到,本方法前五个指标和其他方法相比都有明显改善,显示本方法所生成的融合图像具有较大的局部梯度,灰度级分布更加分散,图像纹理较丰富,细节突出,光谱扭曲度(WD)是所有方法最小的,说明本发明方法光谱信息损失较少,融合效果更好。
表1
Claims (1)
1.一种基于光谱特性的Shearlet域多光谱与全色图像融合方法,其特征在于,包括以下步骤:
(1)对多光谱影像进行IHS变换,得到亮度分量PI、色度分量PS、饱和度分量PH,将多光谱影像的亮度分量PI通过二维经验模态分解BEMD得到频率从高到低排列的n-1个二维内蕴模函数BIMFt,t=1,2,...n-1,n>3和余量res;
(2)计算n-1个二维内蕴模函数BIMFt的能量并排序,统计能量排序前三的分量之和BMS,将BMS和全色图像IPAN分别通过Shearlet变换分解,分解层数为三层,获得各自的一个低频子带:和三层高频子带:m=1,2,3,二维内蕴模函数BIMFt能量的计算公式如式(1)所示:
其中,D(x,y)t为BIMFt的系数,i,j分别表示BIMFt的行数和列数;
(3)建立融合规则选择融合系数:利用拉普拉斯金字塔分解低频系数,得到对应分解系数LMS,ij和LPAN,ij,通过式(2)所示的比较取大法选择低频融合系数LF,ij:
通过基于双通道脉冲耦合神经网络制定的融合规则融合对应的高频系数,具体如下:
①将分别输入双通道脉冲耦合神经网络的两个输入端,利用式(3)计算系数的对比敏感度因子CSF作为双通道脉冲耦合神经网络的外部激励;
CSF(f)=2.6×(0.0192+0.114f)exp[-(0.114f)1.1] (3)
其中,是空间频率;fx、fy分别是水平和竖直方向的空间频率,
其中,M为源图像行数,N为源图像列数;
②根据公式(6)比较得到各方向子带的融合系数:
其中,m和k分别指第m层分解,第k个方向子带,是高频子带在(i,j)点的系数;
③利用Shearlet反变换重构LF,ij和得到融合系数FI,利用公式(7)得到新亮度分量PI':
PI'=FI+res (7)
其中,res是步骤(1)得到的余量;
(4)将新亮度分量PI'、色度分量PS、饱和度分量PH进行IHS逆变换,得到最终融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510066167.2A CN104616261B (zh) | 2015-02-09 | 2015-02-09 | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510066167.2A CN104616261B (zh) | 2015-02-09 | 2015-02-09 | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616261A true CN104616261A (zh) | 2015-05-13 |
CN104616261B CN104616261B (zh) | 2017-10-27 |
Family
ID=53150694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510066167.2A Expired - Fee Related CN104616261B (zh) | 2015-02-09 | 2015-02-09 | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616261B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
CN105404855A (zh) * | 2015-10-29 | 2016-03-16 | 深圳怡化电脑股份有限公司 | 一种处理图像的方法及装置 |
CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
CN106981059A (zh) * | 2017-03-30 | 2017-07-25 | 中国矿业大学 | 结合pcnn和压缩感知的二维经验模态分解图像融合方法 |
CN107169944A (zh) * | 2017-04-21 | 2017-09-15 | 北京理工大学 | 一种基于多尺度对比度的红外与可见光图像融合方法 |
CN107545554A (zh) * | 2017-04-25 | 2018-01-05 | 西北工业大学 | 一种基于导向滤波的两级遥感图像融合方法 |
CN107622479A (zh) * | 2017-09-04 | 2018-01-23 | 南京理工大学 | 一种多谱段图像全色锐化的轮廓波子带自适应细节注入方法 |
CN108765359A (zh) * | 2018-05-31 | 2018-11-06 | 安徽大学 | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 |
CN109215008A (zh) * | 2018-08-02 | 2019-01-15 | 上海海洋大学 | 一种整体二代Bandelet变换的多光谱和全色图像融合方法 |
CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109410164A (zh) * | 2018-11-14 | 2019-03-01 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
CN109598701A (zh) * | 2018-10-29 | 2019-04-09 | 同济大学 | 一种基于信息扩展的多光谱遥感影像非监督变化检测方法 |
CN109658367A (zh) * | 2018-11-14 | 2019-04-19 | 国网新疆电力有限公司信息通信公司 | 基于彩色传递的图像融合方法 |
CN109767412A (zh) * | 2018-12-28 | 2019-05-17 | 珠海大横琴科技发展有限公司 | 一种基于深度残差神经网络的遥感影像融合方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
CN103037168A (zh) * | 2012-12-10 | 2013-04-10 | 内蒙古科技大学 | 基于复合型PCNN的平稳Surfacelet域多聚焦图像融合方法 |
CN103116881A (zh) * | 2013-01-27 | 2013-05-22 | 西安电子科技大学 | 基于PCA与Shearlet变换的遥感图像融合方法 |
FR2994007A1 (fr) * | 2012-07-30 | 2014-01-31 | Centre Nat Etd Spatiales | Procede de fusion d'images multi-resolutions |
-
2015
- 2015-02-09 CN CN201510066167.2A patent/CN104616261B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
FR2994007A1 (fr) * | 2012-07-30 | 2014-01-31 | Centre Nat Etd Spatiales | Procede de fusion d'images multi-resolutions |
CN103037168A (zh) * | 2012-12-10 | 2013-04-10 | 内蒙古科技大学 | 基于复合型PCNN的平稳Surfacelet域多聚焦图像融合方法 |
CN103116881A (zh) * | 2013-01-27 | 2013-05-22 | 西安电子科技大学 | 基于PCA与Shearlet变换的遥感图像融合方法 |
Non-Patent Citations (1)
Title |
---|
张宝华 等: "一种复合型PCNN 的NSCT 域多聚焦图像融合方法", 《小型微型计算机***》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
CN105404855A (zh) * | 2015-10-29 | 2016-03-16 | 深圳怡化电脑股份有限公司 | 一种处理图像的方法及装置 |
CN106327459B (zh) * | 2016-09-06 | 2019-03-12 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合方法 |
CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
CN106981059A (zh) * | 2017-03-30 | 2017-07-25 | 中国矿业大学 | 结合pcnn和压缩感知的二维经验模态分解图像融合方法 |
CN107169944A (zh) * | 2017-04-21 | 2017-09-15 | 北京理工大学 | 一种基于多尺度对比度的红外与可见光图像融合方法 |
CN107545554A (zh) * | 2017-04-25 | 2018-01-05 | 西北工业大学 | 一种基于导向滤波的两级遥感图像融合方法 |
CN107622479A (zh) * | 2017-09-04 | 2018-01-23 | 南京理工大学 | 一种多谱段图像全色锐化的轮廓波子带自适应细节注入方法 |
CN107622479B (zh) * | 2017-09-04 | 2020-11-27 | 南京理工大学 | 一种多谱段图像全色锐化的轮廓波子带自适应细节注入方法 |
CN108765359A (zh) * | 2018-05-31 | 2018-11-06 | 安徽大学 | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 |
CN108765359B (zh) * | 2018-05-31 | 2021-08-24 | 安徽大学 | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 |
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109272010B (zh) * | 2018-07-27 | 2021-06-29 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109215008A (zh) * | 2018-08-02 | 2019-01-15 | 上海海洋大学 | 一种整体二代Bandelet变换的多光谱和全色图像融合方法 |
CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
CN109598701A (zh) * | 2018-10-29 | 2019-04-09 | 同济大学 | 一种基于信息扩展的多光谱遥感影像非监督变化检测方法 |
CN109598701B (zh) * | 2018-10-29 | 2021-03-26 | 同济大学 | 一种基于信息扩展的多光谱遥感影像非监督变化检测方法 |
CN109410164A (zh) * | 2018-11-14 | 2019-03-01 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
CN109658367A (zh) * | 2018-11-14 | 2019-04-19 | 国网新疆电力有限公司信息通信公司 | 基于彩色传递的图像融合方法 |
CN109658367B (zh) * | 2018-11-14 | 2022-11-25 | 国网新疆电力有限公司信息通信公司 | 基于彩色传递的图像融合方法 |
CN109767412A (zh) * | 2018-12-28 | 2019-05-17 | 珠海大横琴科技发展有限公司 | 一种基于深度残差神经网络的遥感影像融合方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104616261B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616261A (zh) | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 | |
CN101504766B (zh) | 基于混合多分辨率分解的图像融合方法 | |
CN107194904B (zh) | 基于增补机制和pcnn的nsct域图像融合方法 | |
CN109272010B (zh) | 基于卷积神经网络的多尺度遥感图像融合方法 | |
Gharbia et al. | Multi-spectral and panchromatic image fusion approach using stationary wavelet transform and swarm flower pollination optimization for remote sensing applications | |
Saeedi et al. | A new pan-sharpening method using multiobjective particle swarm optimization and the shiftable contourlet transform | |
CN105096280A (zh) | 处理图像噪声的方法及装置 | |
CN109767412A (zh) | 一种基于深度残差神经网络的遥感影像融合方法及*** | |
WO2013172471A1 (ja) | 画像処理装置、画像処理方法、プログラム、印刷媒体、および、記録媒体 | |
CN106327459A (zh) | 基于udct和pcnn的可见光与红外图像融合算法 | |
CN105139371A (zh) | 一种基于pcnn与lp变换的多聚焦图像融合方法 | |
Kanmani et al. | An optimal weighted averaging fusion strategy for remotely sensed images | |
CN102800070A (zh) | 基于区域和人眼对比敏感特性的异源图像融合方法 | |
Ablin et al. | An investigation in satellite images based on image enhancement techniques | |
Yang et al. | Pansharpening based on low-rank fuzzy fusion and detail supplement | |
CN106101490A (zh) | 基于时空显著性的视频跨尺度自适应增强方法及装置 | |
Das et al. | NSST domain CT–MR neurological image fusion using optimised biologically inspired neural network | |
Wu et al. | Pansharpening using unsupervised generative adversarial networks with recursive mixed-scale feature fusion | |
Zhou et al. | PAN-guided band-aware multi-spectral feature enhancement for pan-sharpening | |
Yang et al. | An overview on pixel-level image fusion in remote sensing | |
CN109166088B (zh) | 基于非降采样小波变换的双波段灰度熔池图像融合方法 | |
Pande-Chhetri et al. | Filtering high-resolution hyperspectral imagery in a maximum noise fraction transform domain using wavelet-based de-striping | |
CN116310452B (zh) | 一种多视图聚类方法及*** | |
Tanaka et al. | Adaptive directional wavelet transform based on directional prefiltering | |
Huang | Wavelet for image fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171027 |
|
CF01 | Termination of patent right due to non-payment of annual fee |