CN113436069A - 一种基于最大信噪比投影的遥感图像融合方法 - Google Patents
一种基于最大信噪比投影的遥感图像融合方法 Download PDFInfo
- Publication number
- CN113436069A CN113436069A CN202110667783.9A CN202110667783A CN113436069A CN 113436069 A CN113436069 A CN 113436069A CN 202110667783 A CN202110667783 A CN 202110667783A CN 113436069 A CN113436069 A CN 113436069A
- Authority
- CN
- China
- Prior art keywords
- image
- noise ratio
- projection
- bands
- maximum signal
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 11
- 238000007499 fusion processing Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012733 comparative method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于最大信噪比投影的遥感图像融合方法,属于遥感图像处理领域。该方法将多光谱数据和全色数据按照最大信噪比方向进行投影,将最低信噪比的图像分量去除之后,通过其逆变换计算得到融合数据,能够保留图像融合过程中最大信息量,降低融合造成的信息损失。本发明方法不需要参数设置,易于实现,计算复杂度较低。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种基于最大信噪比投影的遥感图像融合方法。
背景技术
光学遥感器是目前空间对地观测最常用的传感器类型,其中多光谱遥感图像和全色遥感图像是最典型的两种图像。通常,多光谱图像的光谱分辨率较高,但空间分辨率比较低;全色图像则刚好相反。图像融合采用一定的算法,综合来自相同或不同类型传感器的两个或多个具有互补性的图像信息,以获得具有更高可信度和清晰度、更好的可理解性及更为全面的新融合图像。它可以从多幅图像中抽取出比任何单一图像更为准确和可靠的信息,降低了单一图像描述的不确定性和模糊度,提供了仅依靠单一传感器而无法获得的全面信息。融合后的图像更适合人的视觉感知或计算机的处理。因此,将多光谱图像和全色图像进行融合,使融合后的多光谱图像既具有较高的空间细节表现能力又能保留多光谱图像的光谱特性。
图像融合方法有了较多的研究,其关键问题是如何尽可能多的保留全色和多光谱图像的信息,降低融合过程中的信息损失。
发明内容
本发明的目的在于提供一种基于最大信噪比投影的遥感图像融合方法,该方法将多光谱数据和全色数据按照最大信噪比方向进行投影,将最低信噪比的图像分量去除之后,通过其逆变换计算得到融合数据,能够保留图像融合过程中最大信息量,降低融合造成的信息损失。
为了实现上述目的,本发明采用的技术方案为:
一种基于最大信噪比投影的遥感图像融合方法,该方法用于将全色图像和多光谱图像进行融合,包括以下步骤:
步骤1,针对待融合的多光谱图像的4个波段,使用双线性插值方法将各个波段的多光谱图像的行、列各扩大为原始尺寸的4倍;
步骤2,将待融合的全色图像与步骤1中扩大后的4个波段的多光谱图像进行波段拼接,形成一个具有5个波段的合并图像I,其第一个波段为全色图像,其余4个波段为步骤1得到的扩大后的4个波段的多光谱图像;
步骤3,估计合并图像I的噪声图像S;
步骤4,计算合并图像I以及噪声图像S的协方差矩阵K和F;
步骤5,根据K和F的最大信噪比方向对合并图像I进行投影,获取投影图像L;
步骤6,将投影图像L的第五个波段去除,得到包含4个波段的图像M,计算其协方差矩阵Q;
步骤7,计算协方差矩阵Q的逆矩阵的特征向量,作为新的投影向量U;
步骤8,将步骤6中的图像M按照U进行投影,得到的图像即为融合后图像。
进一步的,步骤3的具体方式为:
步骤3c,重复步骤3b,直至获得5个波段的噪声图像S1,S2,…,S5。
进一步的,步骤5的具体方式为:
步骤5b,投影图像L包含5个波段L1,L2,…,L5,第i个波段的图像Li的计算方式如下:
本发明具有如下优点:
(1)本发明提出基于最大信噪比方向进行投影的图像融合方法,在投影过程中能够保持信噪比的最大化,因此造成的信息损失较低。
(2)本发明方法不需要参数设置,易于实现,计算复杂度较低。
附图说明
图1为本发明方法的流程图。
图2为本发明方法的试验结果对比。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
如图1所示,一种基于最大信噪比投影的遥感图像融合方法,该方法将全色图像和多光谱图像进行最大信噪比投影,然后去除信噪比最低的分量,再逆向投影,获取融合图像。该方法具体包括以下步骤:
步骤1,对待融合多光谱图像的4个波段,使用双线性插值方法将各个波段图像的行、列各扩大为原始尺寸的4倍;
步骤2,将待融合全色图像与步骤1得到的4个光谱图像进行波段拼接,形成一个具有5个波段的合并图像I,其第一个波段为全色图像,其余4个波段为步骤1得到的多光谱图像;
步骤3,估计合并图像的噪声图像S;
步骤4,计算合并图像I以及噪声图像S的协方差矩阵K和F;
步骤5,根据K和F的最大信噪比方向对合并图像进行投影,获取投影图像L;
步骤6,将投影图像L的第五个波段去除,得到包含4个波段的图像M,计算其协方差矩阵Q;
步骤7,计算协方差矩阵Q的逆矩阵的特征向量,作为新的投影向量U;
步骤8,将步骤6中的图像M按照U进行投影,得到的图像即为融合后图像。
其中,步骤3所述的噪声图像的估计方法如下:
步骤3c,重复步骤3b,直至获得5个波段的噪声图像S1,S2,…,S5;
步骤4的计算方法如下:
步骤4a,按照下式计算合并图像I的协方差矩阵K:
步骤4b,按照下式计算噪声图像S的协方差矩阵F:
其中,fij为噪声图像S中第i波段图像Si和第j波段图像Sj的内积。
步骤5所述投影图像L计算方法如下:
步骤5b,投影图像L包含5个波段,L1,L2,…,L5,第i个波段Li图像的计算方式如下:
步骤8中,融合图像的计算方法如下:
记融合图像为H,H包含4个波段,H1,…,H4,第i个波段Hi图像的计算方式如下
图像融合的关键在于减少图像融合过程中的信息损失。传统方法如主成分分析法,使用方差最大化的思路进行图像融合,其未考虑噪声的影响。本方法通过将全色图像、多光谱图像投影到最大信噪比方向,将信噪比而不是方差作为图像融合过程中的代价函数,去除信噪比最低的分量,实现最大信息的保留。
同时,本方法是无监督的方法,不需要先验参数,能够自适应的对融合各类传感器数据。
本方法的效果可通过以下试验进一步说明:
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz,64GB内存;操作***为Windows764位专业版,软件环境为MATLAB 2017。
2.试验方法。
采用本方法和对照方法进行图像融合对比试验。数据采用2019年高分二号北京地区数据,对照方法包括Brovey、Gram-Schmit以及PCA三种方法。图像融合评价指标采用图像标准差、信息熵、平均梯度、相关系数四个客观指标。
3.试验结果。
试验结果如图2所示。
试验结果表明,本方法在标准差以及信息熵两个指标上都获得了最优结果,在平均梯度和相关系数上分别比Brovey和PCA方法低一些。综合来看,与对比方法相比,本方法获得了最好的结果。
Claims (3)
1.一种基于最大信噪比投影的遥感图像融合方法,其特征在于,用于将全色图像和多光谱图像进行融合,包括以下步骤:
步骤1,针对待融合的多光谱图像的4个波段,使用双线性插值方法将各个波段的多光谱图像的行、列各扩大为原始尺寸的4倍;
步骤2,将待融合的全色图像与步骤1中扩大后的4个波段的多光谱图像进行波段拼接,形成一个具有5个波段的合并图像I,其第一个波段为全色图像,其余4个波段为步骤1得到的扩大后的4个波段的多光谱图像;
步骤3,估计合并图像I的噪声图像S;
步骤4,计算合并图像I以及噪声图像S的协方差矩阵K和F;
步骤5,根据K和F的最大信噪比方向对合并图像I进行投影,获取投影图像L;
步骤6,将投影图像L的第五个波段去除,得到包含4个波段的图像M,计算其协方差矩阵Q;
步骤7,计算协方差矩阵Q的逆矩阵的特征向量,作为新的投影向量U;
步骤8,将步骤6中的图像M按照U进行投影,得到的图像即为融合后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667783.9A CN113436069B (zh) | 2021-06-16 | 2021-06-16 | 一种基于最大信噪比投影的遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667783.9A CN113436069B (zh) | 2021-06-16 | 2021-06-16 | 一种基于最大信噪比投影的遥感图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436069A true CN113436069A (zh) | 2021-09-24 |
CN113436069B CN113436069B (zh) | 2022-03-01 |
Family
ID=77756347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667783.9A Active CN113436069B (zh) | 2021-06-16 | 2021-06-16 | 一种基于最大信噪比投影的遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436069B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
CN107169946A (zh) * | 2017-04-26 | 2017-09-15 | 西北工业大学 | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 |
CN110428387A (zh) * | 2018-11-16 | 2019-11-08 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
CN110517212A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 基于非重叠波段模拟的高光谱和多光谱图像融合方法 |
CN110942451A (zh) * | 2019-11-20 | 2020-03-31 | 东南大学 | 一种无参考图像的遥感图像融合性能评价方法 |
CN111544023A (zh) * | 2020-04-09 | 2020-08-18 | 赛诺联合医疗科技(北京)有限公司 | 一种基于pet数据的感兴趣区域实时定位的方法和*** |
CN112330620A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种高光谱图像虚拟维数估计方法 |
-
2021
- 2021-06-16 CN CN202110667783.9A patent/CN113436069B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
CN107169946A (zh) * | 2017-04-26 | 2017-09-15 | 西北工业大学 | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 |
CN110428387A (zh) * | 2018-11-16 | 2019-11-08 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
CN110517212A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 基于非重叠波段模拟的高光谱和多光谱图像融合方法 |
CN110942451A (zh) * | 2019-11-20 | 2020-03-31 | 东南大学 | 一种无参考图像的遥感图像融合性能评价方法 |
CN111544023A (zh) * | 2020-04-09 | 2020-08-18 | 赛诺联合医疗科技(北京)有限公司 | 一种基于pet数据的感兴趣区域实时定位的方法和*** |
CN112330620A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种高光谱图像虚拟维数估计方法 |
Non-Patent Citations (2)
Title |
---|
孟祥超等: ""基于梯度一致性约束的多光谱/全色影像最大后验融合方法"", 《光谱学与光谱分析》 * |
赵辽英等: "" 基于HIS小波变换和MOPSO的全色与多光谱图像融合"", 《物理学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436069B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145131A (zh) | 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法 | |
CN105913413B (zh) | 一种基于在线流形学习的彩色图像质量客观评价方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
US8666700B2 (en) | Compact representation of a reflectance spectrum | |
CN110111276A (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
Chen et al. | Semisupervised spectral degradation constrained network for spectral super-resolution | |
Amiri et al. | A step by step recovery of spectral data from colorimetric information | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及*** | |
CN111563866B (zh) | 一种多源遥感图像融合方法 | |
CN115511767A (zh) | 一种自监督学习的多模态图像融合方法及其应用 | |
CN116563606A (zh) | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 | |
CN116309139A (zh) | 一种适用于一对多红外多光谱图像去马赛克方法 | |
KR102160687B1 (ko) | 항공 이미지 융합 방법 | |
Ye et al. | An unsupervised SAR and optical image fusion network based on structure-texture decomposition | |
Qu et al. | Lfacon: Introducing anglewise attention to no-reference quality assessment in light field space | |
CN113902646A (zh) | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 | |
CN113436069B (zh) | 一种基于最大信噪比投影的遥感图像融合方法 | |
Meng et al. | Improving the spatial resolution of hyperspectral image using panchromatic and multispectral images: An integrated method | |
Cakir et al. | Pixel level fusion of panchromatic and multispectral images based on correspondence analysis | |
WO2023142753A1 (zh) | 图像相似性度量方法及其装置 | |
CN105023261A (zh) | 基于agihs及低通滤波器的遥感图像融合方法 | |
CN113628111B (zh) | 基于梯度信息约束的高光谱图像超分辨方法 | |
CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
Rellier et al. | A Gauss-Markov model for hyperspectral texture analysis of urban areas | |
CN111076817A (zh) | 基于光学多维信息一体化感知***的异常目标检测方法 |
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 |