CN107958450B - 基于自适应高斯滤波的全色多光谱影像融合方法及*** - Google Patents

基于自适应高斯滤波的全色多光谱影像融合方法及*** Download PDF

Info

Publication number
CN107958450B
CN107958450B CN201711354954.2A CN201711354954A CN107958450B CN 107958450 B CN107958450 B CN 107958450B CN 201711354954 A CN201711354954 A CN 201711354954A CN 107958450 B CN107958450 B CN 107958450B
Authority
CN
China
Prior art keywords
image
panchromatic
multispectral
average gradient
sampling
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.)
Active
Application number
CN201711354954.2A
Other languages
English (en)
Other versions
CN107958450A (zh
Inventor
王密
何鲁晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201711354954.2A priority Critical patent/CN107958450B/zh
Publication of CN107958450A publication Critical patent/CN107958450A/zh
Application granted granted Critical
Publication of CN107958450B publication Critical patent/CN107958450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于自适应高斯滤波的全色多光谱影像融合方法及***，包括将全色影像下采样至与原始多光谱影像一样大小；统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；拟合计算最优参数对下采样全色影像进行高斯滤波；将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像，进行全色多光谱融合。本发明具有清晰度高，光谱保真能力强、自适应程度好的特点。

Description

基于自适应高斯滤波的全色多光谱影像融合方法及***
技术领域
本发明属于遥感图像处理数据融合技术领域，涉及一种基于自适应高斯滤波的全色多光谱影像融合方法及***。
背景技术
相对于全色波段，多光谱各波段的波谱范围较窄，传感器所能接收的能量较少，为了维持一定的信噪比，会损失一定的空间分辨率。因此光学遥感卫星一般提供高分辨率的全色影像和低分辨率的多光谱影像。全色多光谱融合技术可以保留全色影像的高分辨率特征，也可以保留多光谱影像的多波段特征，提升地物判别能力与数据应用范围。
全色多光谱融合问题的关键是如何在光谱特征改变最小的情况下，最大限度地提升空间分辨率与信息量。对于高分辨率遥感影像，大多数融合方法会造成比较严重的光谱畸变。传统的基于平滑滤波的亮度调解(SFIM)算法通过领域滤波来模拟低分辨率的全色影像；并以此生成系数调制多光谱影像，提升图像的空间分辨率与信息量。该算法具有较好的光谱保持能力，但也存在空间信息融入度不足的问题。
发明内容
针对现有技术的不足，本发明的目的是提供一种既能提高空间分辨率，又能良好保持遥感图像光谱信息的全色多光谱影像融合技术方案。
为实现上述目的，本发明的技术方案提供一种基于自适应高斯滤波的全色多光谱影像融合方法，包括以下步骤：
步骤1，全色影像下采样，包括将全色影像下采样至与原始多光谱影像一样大小；
步骤2，统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；
步骤3，设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波；计算在经过不同高斯滤波后，下采样全色影像的平均梯度，拟合得到σ与平均梯度的关系，并以步骤2调整后的多光谱平均梯度数值作为目标值，计算最优σ；
步骤4，依据步骤3所得最优σ对下采样全色影像进行高斯滤波；
步骤5，将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像；
步骤6，依据步骤5所得SFIM模型进行全色多光谱融合。
而且，步骤2中，图像平均梯度定义为AG，均值调整系数μ定义为，
Figure BDA0001510924530000021
其中，
Figure BDA0001510924530000022
是下采样全色影像的均值，
Figure BDA0001510924530000023
是多光谱影像第i波段的均值，以
Figure BDA0001510924530000024
为标准，将多光谱影像的平均梯度调整为AGm＝μAG。
而且，设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波，统计相应的平均梯度后，以这组数据为标准，以最小二乘法拟合出一个二次多项式函数AG＝aσ2+bσ+c；将均值调整后的多光谱平均梯度AGm代入拟合所得函数，计算得到最优σ。
而且，SFIM模型表示如下，
Figure BDA0001510924530000025
其中，Fusion是融合影像，MS是上采样多光谱影像，Pan是原始全色影像，Pan'是处理后的模拟全色影像。
本发明还相应提供一种基于自适应高斯滤波的全色多光谱影像融合***，包括以下模块：
第一模块，用于全色影像下采样，包括将全色影像下采样至与原始多光谱影像一样大小；
第二模块，用于统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；
第三模块，用于设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波；计算在经过不同高斯滤波后，下采样全色影像的平均梯度，拟合得到σ与平均梯度的关系，并以第二模块调整后的多光谱平均梯度数值作为目标值，计算最优σ；
第四模块，用于依据第三模块所得最优σ对下采样全色影像进行高斯滤波；
第五模块，用于将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像；
第六模块，用于依据第五模块所得SFIM模型进行全色多光谱融合。
而且，第二模块中，图像平均梯度定义为AG，均值调整系数μ定义为，
Figure BDA0001510924530000031
其中，
Figure BDA0001510924530000032
是下采样全色影像的均值，
Figure BDA0001510924530000033
是多光谱影像第i波段的均值，以
Figure BDA0001510924530000034
为标准，将多光谱影像的平均梯度调整为AGm＝μAG。
而且，设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波，统计相应的平均梯度后，以这组数据为标准，以最小二乘法拟合出一个二次多项式函数AG＝aσ2+bσ+c；将均值调整后的多光谱平均梯度AGm代入拟合所得函数，计算得到最优σ。
而且，SFIM模型表示如下，
Figure BDA0001510924530000035
其中，Fusion是融合影像，MS是上采样多光谱影像，Pan是原始全色影像，Pan'是处理后的模拟全色影像。
本发明技术方案通过计算下采样全色影像与原始多光谱影像之间的图像参数，以均值调整后的多光谱平均梯度作为标准，拟合得到最优高斯算子参数；通过高斯滤波调整下采样全色影像清晰度，使其与原始多光谱影像之间保持相同的清晰度；最终将清晰度调整后的下采样全色影像与原始多光谱影像进行信息融合，以此保证最终融合结果获得最为平衡的清晰度与光谱保持度。本方法可以在提高多光谱影像空间分辨率的同时，有效保持原有的光谱信息，并能够自适应地针对遥感数据自动选择合适的高斯算子参数，因此具有清晰度高，光谱保真能力强、自适应程度好的特点。
附图说明
图1为本发明实施例的流程图。
具体实施方法
为了更好地理解本发明的技术方案，下面结合附图对本发明做进一步的详细说明。
本发明的实施例是对精密配准后的全色影像Pan和多光谱影像MS进行融合，参照图1，本发明实施例步骤如下：
步骤1：全色影像下采样，以最近邻域或对应均值为标准，将全色影像下采样至与原始多光谱影像一样大小。
实施例对原始全色影像Pan进行下采样得到Pands，使其大小与原始多光谱影像MS大小一致，即size(Pands)＝size(MS)。
步骤2：统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值。
因为多光谱与全色影像是由不同的传感器成像的，其模数转换方式并不相同，同时全色波段与多光谱各波段之间的光谱响应范围不一致。均值是反映图像整体辐射特征的一个指标，对于全色多光谱影像的各个波段而言，其均值都是不同的。平均梯度依靠图像DN值进行计算，但是如果图像均值不同，那么平均梯度就只是一个相对数值，无法横向比较各波段之间的清晰度情况。所以为了比较各波段图像的清晰度，需要在图像均值相同的情况下计算方差与平均梯度。
图像平均梯度定义为：
Figure BDA0001510924530000041
其中，M和N是图像的长宽，f是图像，(i,j)是图像坐标。以全色影像的均值作为标准，则多光谱各波段只要乘上一个均值调整系数μ就可以使其均值与全色影像相同，均值调整系数μ定义为：
Figure BDA0001510924530000042
其中
Figure BDA0001510924530000043
是全色影像的均值，
Figure BDA0001510924530000044
是多光谱第i波段的均值。调整后的平均梯度AGm可以表示为：
AGm＝μAG
实施例中，统计下采样全色影像Pands和原始多光谱影像各波段MSi的均值
Figure BDA0001510924530000051
与平均梯度AG，以Pands的均值为标准，调整多光谱波段的平均梯度数值。设多光谱影波段数为k，每个波段的均值为
Figure BDA0001510924530000052
平均梯度为AGi(i为波段号)；设全色影像的平均值为
Figure BDA0001510924530000053
平均梯度为AGpan。则调整后的多光谱各波段平均梯度为
Figure BDA0001510924530000054
目标平均梯度为：
Figure BDA0001510924530000055
即需要通过低通滤波将Pands的平均梯度调整为AGm，本实施例的目标平均梯度为21.03。
步骤3：设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波。计算在经过不同高斯滤波后，下采样全色影像的平均梯度，并以此为数据拟合得到σ与平均梯度的关系，并以均值调整后的多光谱平均梯度作为目标值，计算最优σ。
本步骤计算最优σ，并以此系数对下采样全色影像进行高斯滤波，使得滤波后的全色影像与多光谱影像清晰度最为相似。
高斯算子为：
Figure BDA0001510924530000056
其中，(x,y)是相对算子中心的坐标，e是自然底数，σ是标准差。σ可以调整高斯算子的锐利程度，σ越大，高斯算子越平滑，滤波后的图像越模糊。
进一步地，可将σ设置为1～0.5，对下采样全色影像进行高斯滤波，并统计相应的平均梯度，得到一组σ与对应平均梯度的数据。以这组数据为标准，以最小二乘法拟合出一个二次多项式函数：AG＝aσ2+bσ+c；将均值调整后的多光谱平均梯度AGm代入拟合函数，计算得到最优σ。
实施例中，设置不同的高斯算子参数σ，对下采样全色影像Pands进行高斯滤波。从1开始，直到0.5，每隔0.1设置一次σ值，以不同的σ值进行高斯滤波并计算其平均梯度。高斯算子为：
Figure BDA0001510924530000061
高斯滤波为：
P'＝P*G
其中P'是滤波后的图像，P是原始图像，G是高斯算子，*表示卷积操作。表1是一组实验数据。
表1.σ与滤波后图像平均梯度的关系
σ 1 0.9 0.8 0.7 0.6 0.5
AG 11.16 12.23 13.67 15.66 18.7 23.82
拟合得到一个形如AG＝aσ2+bσ+c的二次多项式函数用以描述σ与平均梯度的定量关系，a、b、c为拟合所得系数。
本实施例中AG＝47.5σ2-95.44σ+59.35。将目标平均梯度AGm＝21.03代入拟合函数计算得到最优σ，本实施例中最优σ为0.5564。
步骤4：以最优σ为参数对下采样全色影像进行高斯滤波
实施例中，以最优σ为参数生成一个高斯算子，并用这个高斯算子对下采样全色影像Pands进行高斯滤波，得到一个清晰度与原始多光谱影像相似的Pan'ds。
步骤5：将滤波后的下采样全色影像及原始多光谱影像，应用双线性内插法或三次卷积插值进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像。
实施例中，将滤波后的下采样全色影像Pan'ds及原始多光谱影像MS，应用双线性内插法或三次卷积插值进行上采样，采样至与原始全色影像一样大小。
步骤6：依据基于平滑滤波的亮度调解(SFIM)模型进行全色多光谱融合，得到融合影像。
本发明将最优σ带入高斯算子，并对下采样全色影像进行高斯滤波，使其图像清晰度与原始多光谱影像最为相似。再将两者上采样至与原始全色影像一样大小，依据SFIM模型实现系数调制，进行融合。
SFIM模型可以表示为：
Figure BDA0001510924530000071
其中，Fusion是融合影像，MS是上采样多光谱影像，Pan是原始全色影像，Pan'是经过上述处理后的模拟全色影像，此处*表示逐点相乘。
以下通过实验来验证本发明的有效性：
实验：北京二号全色(1m)与多光谱(4m)影像融合实验，原始影像大小为6000*6000，选择标准SFIM融合法作为对比。
融合影像评价指标为平均梯度(Average Gradient,AG)、信息熵(InformationEntropy,IE)、相关系数(Correlation Coefficient,CC)和偏差指数(Deviation Index,DI)。平均梯度与信息熵用来评价图像清晰度与信息量，其值越大越好；相关系数与偏差指数用来评价色彩保真度，相关系数的值越大越好，偏差指数的值越小越好。其中平均梯度定义为：
Figure BDA0001510924530000072
信息熵定义为：
Figure BDA0001510924530000073
其中Pi代表灰度值为i的像素数量占整幅图像的比例。相关系数定义为：
Figure BDA0001510924530000074
其中f是融合图像，g是多光谱影像，
Figure BDA0001510924530000075
和
Figure BDA0001510924530000076
是图像相应的均值。偏差指数定义为：
Figure BDA0001510924530000077
实验结果：
用本发明的方法和标准SFIM融合法对仿真内容结果影像进行对比，包括原始全色影像，上采样多光谱影像，标准SFIM融合结果，本发明方法得到的结果。
按照所述仿真内容的仿真结果客观评价指标如表2所示：
表2.实验结果比较
Figure BDA0001510924530000081
相较于经典SFIM算法，本发明方法较大程度地提高了空间信息融入度，融合结果的清晰度与信息量都有所增加。平均梯度从4.9769提高到了7.0728，信息熵从6.6936提高到了6.8104。同时，本发明方法依然保持了较好的光谱信息保真度，其相关系数为0.9072,，偏差指数为0.1126。
具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应***。
本发明实施例提供一种基于自适应高斯滤波的全色多光谱影像融合***，包括以下模块：
第一模块，用于全色影像下采样，包括将全色影像下采样至与原始多光谱影像一样大小；
第二模块，用于统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；
第三模块，用于设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波；计算在经过不同高斯滤波后，下采样全色影像的平均梯度，拟合得到σ与平均梯度的关系，并以第二模块调整后的多光谱平均梯度数值作为目标值，计算最优σ；
第四模块，用于依据第三模块所得最优σ对下采样全色影像进行高斯滤波；
第五模块，用于将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像；
第六模块，用于依据第五模块所得SFIM模型进行全色多光谱融合。
各模块具体实现可参见相应步骤，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所述技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于自适应高斯滤波的全色多光谱影像融合方法，其特征在于包括以下步骤：
步骤1，全色影像下采样，包括将全色影像下采样至与原始多光谱影像一样大小；
步骤2，统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；
步骤3，设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波；计算在经过不同高斯滤波后，下采样全色影像的平均梯度，拟合得到σ与平均梯度的关系，并以步骤2调整后的多光谱平均梯度数值作为目标值，计算最优σ；
步骤4，依据步骤3所得最优σ对下采样全色影像进行高斯滤波；
步骤5，将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像；
步骤6，依据步骤5所得结果和SFIM模型进行全色多光谱融合，所述SFIM模型为基于平滑滤波的亮度调解模型。
2.根据权利要求1所述基于自适应高斯滤波的全色多光谱影像融合方法，其特征在于：步骤2中，图像平均梯度定义为AG，均值调整系数μ定义为，
Figure FDA0002975598050000011
其中，
Figure FDA0002975598050000012
是下采样全色影像的均值，
Figure FDA0002975598050000013
是多光谱影像第i波段的均值，以
Figure FDA0002975598050000014
为标准，将多光谱影像的平均梯度调整为AGm＝μAG。
3.根据权利要求2所述基于自适应高斯滤波的全色多光谱影像融合方法，其特征在于：设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波，统计相应的平均梯度后，以这组数据为标准，以最小二乘法拟合出一个二次多项式函数AG＝aσ2+bσ+c；将均值调整后的多光谱平均梯度AGm代入拟合所得函数，计算得到最优σ。
4.根据权利要求3所述基于自适应高斯滤波的全色多光谱影像融合方法，其特征在于：SFIM模型表示如下，
Figure FDA0002975598050000021
其中，Fusion是融合影像，MS是上采样多光谱影像，Pan是原始全色影像，Pan'是处理后的模拟全色影像。
5.一种基于自适应高斯滤波的全色多光谱影像融合***，其特征在于包括以下模块：
第一模块，用于全色影像下采样，包括将全色影像下采样至与原始多光谱影像一样大小；
第二模块，用于统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；
第三模块，用于设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波；计算在经过不同高斯滤波后，下采样全色影像的平均梯度，拟合得到σ与平均梯度的关系，并以第二模块调整后的多光谱平均梯度数值作为目标值，计算最优σ；
第四模块，用于依据第三模块所得最优σ对下采样全色影像进行高斯滤波；
第五模块，用于将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像；
第六模块，用于依据第五模块所得结果和SFIM模型进行全色多光谱融合，所述SFIM模型为基于平滑滤波的亮度调解模型。
6.根据权利要求5所述基于自适应高斯滤波的全色多光谱影像融合***，其特征在于：第二模块中，图像平均梯度定义为AG，均值调整系数μ定义为，
Figure FDA0002975598050000022
其中，
Figure FDA0002975598050000023
是下采样全色影像的均值，
Figure FDA0002975598050000024
是多光谱影像第i波段的均值，以
Figure FDA0002975598050000025
为标准，将多光谱影像的平均梯度调整为AGm＝μAG。
7.根据权利要求6所述基于自适应高斯滤波的全色多光谱影像融合***，其特征在于：设置不同的高斯算子参数σ，对下采样全色影像进行高斯滤波，统计相应的平均梯度后，以这组数据为标准，以最小二乘法拟合出一个二次多项式函数AG＝aσ2+bσ+c；将均值调整后的多光谱平均梯度AGm代入拟合所得函数，计算得到最优σ。
8.根据权利要求7所述基于自适应高斯滤波的全色多光谱影像融合***，其特征在于：SFIM模型表示如下，
Figure FDA0002975598050000031
其中，Fusion是融合影像，MS是上采样多光谱影像，Pan是原始全色影像，Pan'是处理后的模拟全色影像。
CN201711354954.2A 2017-12-15 2017-12-15 基于自适应高斯滤波的全色多光谱影像融合方法及*** Active CN107958450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711354954.2A CN107958450B (zh) 2017-12-15 2017-12-15 基于自适应高斯滤波的全色多光谱影像融合方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711354954.2A CN107958450B (zh) 2017-12-15 2017-12-15 基于自适应高斯滤波的全色多光谱影像融合方法及***

Publications (2)

Publication Number Publication Date
CN107958450A CN107958450A (zh) 2018-04-24
CN107958450B true CN107958450B (zh) 2021-05-04

Family

ID=61957817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711354954.2A Active CN107958450B (zh) 2017-12-15 2017-12-15 基于自适应高斯滤波的全色多光谱影像融合方法及***

Country Status (1)

Country Link
CN (1) CN107958450B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447922B (zh) * 2018-07-10 2021-02-12 中国资源卫星应用中心 一种改进的ihs变换遥感影像融合方法及***
CN109300120B (zh) * 2018-09-12 2020-06-05 首都师范大学 遥感成像仿真方法及装置
CN110188806A (zh) * 2019-05-21 2019-08-30 华侨大学 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN113393499B (zh) * 2021-07-12 2022-02-01 自然资源部国土卫星遥感应用中心 一种高分七号卫星全色影像和多光谱影像自动配准方法
CN114972288A (zh) * 2022-06-10 2022-08-30 北京市遥感信息研究所 一种全色多光谱影像融合方法及装置
CN117253125B (zh) * 2023-10-07 2024-03-22 珠江水利委员会珠江水利科学研究院 一种空-谱互注图像融合方法、***及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049898A (zh) * 2013-01-27 2013-04-17 西安电子科技大学 带有薄云的多光谱和全色图像融合方法
WO2014183259A1 (zh) * 2013-05-14 2014-11-20 中国科学院自动化研究所 一种全色−多光谱遥感图像融合方法
CN105160647A (zh) * 2015-10-28 2015-12-16 中国地质大学（武汉） 一种全色多光谱影像融合方法
CN105303542A (zh) * 2015-09-22 2016-02-03 西北工业大学 基于梯度加权的自适应sfim图像融合算法
CN106204508A (zh) * 2016-06-30 2016-12-07 西北工业大学 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法
CN106327455A (zh) * 2016-08-18 2017-01-11 中国科学院遥感与数字地球研究所 一种改进的遥感多光谱与全色图像融合方法
CN106611410A (zh) * 2016-11-29 2017-05-03 北京空间机电研究所 基于金字塔模型的pansharpen融合优化方法
CN107146212A (zh) * 2017-04-14 2017-09-08 西北工业大学 一种基于导向滤波的遥感图像融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266686A (zh) * 2008-05-05 2008-09-17 西北工业大学 一种基于sfim和ihs变换的图像融合方法
CN103236047B (zh) * 2013-03-28 2016-07-06 北京航空航天大学 一种基于替换分量拟合的全色与多光谱图像融合方法
CN107220957B (zh) * 2017-04-25 2019-07-05 西北工业大学 一种利用滚动导向滤波的遥感图像融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049898A (zh) * 2013-01-27 2013-04-17 西安电子科技大学 带有薄云的多光谱和全色图像融合方法
WO2014183259A1 (zh) * 2013-05-14 2014-11-20 中国科学院自动化研究所 一种全色−多光谱遥感图像融合方法
CN105303542A (zh) * 2015-09-22 2016-02-03 西北工业大学 基于梯度加权的自适应sfim图像融合算法
CN105160647A (zh) * 2015-10-28 2015-12-16 中国地质大学（武汉） 一种全色多光谱影像融合方法
CN106204508A (zh) * 2016-06-30 2016-12-07 西北工业大学 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法
CN106327455A (zh) * 2016-08-18 2017-01-11 中国科学院遥感与数字地球研究所 一种改进的遥感多光谱与全色图像融合方法
CN106611410A (zh) * 2016-11-29 2017-05-03 北京空间机电研究所 基于金字塔模型的pansharpen融合优化方法
CN107146212A (zh) * 2017-04-14 2017-09-08 西北工业大学 一种基于导向滤波的遥感图像融合方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Advance SFIM Technique for Image Fusion in Remote Sensing Domain;Dhruval L Joshi等;《INTERNATIONAL JOURNAL OF INNOVATIVE RESEARCH IN TECHNOLOGY》;20150630;第2卷(第1期);148-161 *
一种基于梯度信息的空间自适应高斯滤波;白建超等;《科技展望》;20161220;133 *
一种改进的SFIM高光谱图像融合算法;韩冰等;《遥感信息》;20121015;第27卷(第5期);44-47、54 *
几种遥感图像融合算法的比较;程宇峰等;《科技与企业》;20120930(第17期);96、98 *
基于亮度平滑滤波调节(SFIM)的SPOT5影像融合;李艳雯等;《遥感信息》;20070228;63-66 *
资源三号卫星全色与多光谱影像融合方法;黄先德等;《测绘通报》;20150125(第1期);109-114 *
高空间分辨率遥感影像自适应分割方法研究;***;《中国博士学位论文全文数据库_信息科技辑》;20140515;I140-80 *

Also Published As

Publication number Publication date
CN107958450A (zh) 2018-04-24

Similar Documents

Publication Publication Date Title
CN107958450B (zh) 基于自适应高斯滤波的全色多光谱影像融合方法及***
CN107123089B (zh) 基于深度卷积网络的遥感图像超分辨重建方法及***
Song et al. Spatiotemporal satellite image fusion through one-pair image learning
CN109272010B (zh) 基于卷积神经网络的多尺度遥感图像融合方法
CN109102469B (zh) 一种基于卷积神经网络的遥感图像全色锐化方法
JP4460839B2 (ja) デジタル画像鮮鋭化装置
CN110930439B (zh) 一种适用于高分辨率遥感影像高级产品自动生产***
CN108090872B (zh) 基于梯度提取的单帧多光谱影像超分辨率重建方法及***
CN111260580B (zh) 图像去噪方法、计算机装置及计算机可读存储介质
CN109447922B (zh) 一种改进的ihs变换遥感影像融合方法及***
CN109859110A (zh) 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法
CN110544212B (zh) 基于层级特征融合的卷积神经网络高光谱图像锐化方法
CN103873740B (zh) 图像处理装置及信息处理方法
CN113129391B (zh) 基于多曝光图像特征分布权重的多曝光融合方法
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
CN103886559B (zh) 一种光谱图像处理方法
CN112508812A (zh) 图像色偏校正方法、模型训练方法、装置及设备
CN111008936A (zh) 一种多光谱图像全色锐化方法
CN114647079A (zh) 一种单片式宽波段衍射计算成像方法
CN111563866B (zh) 一种多源遥感图像融合方法
CN116883799A (zh) 成分替换模型引导的高光谱图像深度空间光谱融合方法
CN117392036A (zh) 基于照明幅度的低光图像增强方法
CN115937302A (zh) 结合边缘保持的高光谱图像亚像元定位方法
CN115147311A (zh) 基于HSV与AM-RetinexNet图像增强方法
CN115294001A (zh) 一种改进ihs与小波变换的夜光遥感影像融合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant