CN114331936B - 基于小波分解和改进ihs算法的遥感影像融合方法 - Google Patents
基于小波分解和改进ihs算法的遥感影像融合方法 Download PDFInfo
- Publication number
- CN114331936B CN114331936B CN202111598647.5A CN202111598647A CN114331936B CN 114331936 B CN114331936 B CN 114331936B CN 202111598647 A CN202111598647 A CN 202111598647A CN 114331936 B CN114331936 B CN 114331936B
- Authority
- CN
- China
- Prior art keywords
- component
- image
- multispectral
- fusion
- fused
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 230000006872 improvement Effects 0.000 title description 2
- 230000004927 fusion Effects 0.000 claims abstract description 73
- 230000009466 transformation Effects 0.000 claims abstract description 37
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 21
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 14
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于小波分解和改进IHS算法的遥感影像融合方法,所述方法包括以下步骤:提取多光谱影像和高分辨率遥感影像的I分量,融合后通过高通滤波以及加权平算法处理得到融合Inew1分量,将融合Inew1分量和全色影像进行直方图匹配得到匹配后的融合Inew2分量,基于融合Inew2分量等进行HIS逆变换得到多光谱影像MI_2,然后利用小波分解的方法,得到一个全新的融合影像。本发明解决了因IHS变换导致融合后的影像光谱失真的问题,不但有效抑制了光谱退化现象,而且增加了融合图像的清晰度;同时,有效解决因高通滤波处理引起的影像亮度降低问题,能够增强图像的低频信息即图像整体亮度。
Description
技术领域
本发明涉及遥感信息处理领域,具体的说,涉及了一种基于小波分解和改进IHS算法的遥感影像融合方法。
背景技术
近些年来遥感影像数据的***式增长以及高性能计算机的生产等,都为多元数据的融合提供基础,遥感数据融合为单一卫星影像难以同时达到多光谱和高分辨提供可能,为小区域地物识别、作物监测、精细农业监测等提供很好的依据。
目前遥感影像融合主要采用IHS变换、Brovery变换、主成分变换等方法来融合多光谱影像和全色影像。然而,现有融合多光谱方法存在:融合后的影像光谱失真、融合图像的清晰度不高等问题。
另外,各个年代的历史遥感影像作为地理国情监测的基础,对于研究海岸线变化、城乡比例变化、土地利用变化、植被变化和水系变化等发挥着关键作用;对于历史遥感影像,除上述问题外现有融合多光谱方法还存在:融合图像亮度低等问题。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供一种基于小波分解和改进IHS算法的遥感影像融合方法。
为了实现上述目的,本发明所采用的技术方案是:
本发明第一方面提供一种基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,包括以下步骤:
获取同一区域的原多光谱影像MI_0、原高分辨影像HRI_0以及原全色影像PI_0;
对所述原多光谱影像MI_0进行重采样,得到目标多光谱影像MI_1;所述目标多光谱影像MI_1与所述原高分辨影像HRI_0的分辨率相同;
对所述目标多光谱影像MI_1进行IHS变换,获得多光谱Ih分量、多光谱Hh分量和多光谱Sh分量;
对所述原高分辨影像HRI_0进行IHS变换,得到高分辨Im分量;
对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,得到融合IF分量;
对所述融合IF分量和所述高分辨Im分量进行加权平均处理,得到融合Inew1分量;
根据所述原全色影像PI_0模拟生成新全色影像PI_1,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量;
对所述融合Inew2分量、所述多光谱Hh分量和所述多光谱Sh分量进行IHS逆变换,得到IHS逆变换后的多光谱影像MI_2;
对所述多光谱影像MI_2进行小波变换,获得所述多光谱影像MI_2的高频分量和低频分量;对所述新全色影像PI_1进行小波变换,获得所述新全色影像PI_1的高频分量和低频分量;
对所述多光谱影像MI_2的高频分量和所述新全色影像PI_1的高频分量进行融合,得到融合高频分量;对所述多光谱影像MI_2的低频分量和所述新全色影像PI_1的低频分量进行融合,得到融合低频分量;
对所述融合高频分量和所述融合低频分量进行小波逆变换,得到融合后的遥感影像。
本发明第二方面提供一种基于小波分解和改进IHS算法的遥感影像融合设备,所述遥感影像融合设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于小波分解和改进IHS算法的遥感影像融合程序,所述基于小波分解和改进IHS算法的遥感影像融合程序被所述处理器执行时,实现如上述的基于小波分解和改进IHS算法的遥感影像融合方法的步骤。
本发明第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的基于小波分解和改进IHS算法的遥感影像融合方法的步骤。
本发明的有益效果为:
1)本发明能够快速有效地对遥感影像进行融合,通过对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,解决了因IHS变换导致融合后的影像光谱失真的问题,改进后的方法不但有效抑制了光谱退化现象,而且增加了融合图像的清晰度;
接着,本发明利用直方图匹配和小波变换的方法,解决了因高通滤波处理引起的影像亮度降低的问题,能够有效地增强图像整体亮度,同时抑制高频信息中的噪声干扰;
2)本发明具有方法简单、融合效果好,适用于地物提取的遥感影像融合等优点。
附图说明
图1是本发明的基于小波分解和改进IHS算法的遥感影像融合方法的流程一;
图2是本发明的基于小波分解和改进IHS算法的遥感影像融合方法的流程二。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
实施例1
如附图1和附图2所示,一种基于小波分解和改进IHS算法的遥感影像融合方法,它包括以下步骤:
获取同一区域的原多光谱影像MI_0、原高分辨影像HRI_0以及原全色影像PI_0;
对所述原多光谱影像MI_0进行重采样,得到目标多光谱影像MI_1;所述目标多光谱影像MI_1与所述原高分辨影像HRI_0的分辨率相同;
对所述目标多光谱影像MI_1进行IHS变换,获得多光谱Ih分量、多光谱Hh分量和多光谱Sh分量;
对所述原高分辨影像HRI_0进行IHS变换,得到高分辨Im分量;
对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,得到融合IF分量;
对所述融合IF分量和所述高分辨Im分量进行加权平均处理,得到融合Inew1分量;
根据所述原全色影像PI_0模拟生成新全色影像PI_1,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量;
对所述融合Inew2分量、所述多光谱Hh分量和所述多光谱Sh分量进行IHS逆变换,得到IHS逆变换后的多光谱影像MI_2;
对所述多光谱影像MI_2进行小波变换,获得所述多光谱影像MI_2的高频分量和低频分量;对所述新全色影像PI_1进行小波变换,获得所述新全色影像PI_1的高频分量和低频分量;
对所述多光谱影像MI_2的高频分量和所述新全色影像PI_1的高频分量进行融合,得到融合高频分量;对所述多光谱影像MI_2的低频分量和所述新全色影像PI_1的低频分量进行融合,得到融合低频分量;
对所述融合高频分量和所述融合低频分量进行小波逆变换,得到融合后的遥感影像。
需要说明的是,针对多光谱影像的光谱较多但分辨率较低的特点、高分辨率遥感影像空间分辨率较高但波段范围单一的特点,本发明分别对其进行IHS变换,提取两种影像的I分量,融合后通过高通滤波以及加权平算法处理得到新的I分量(融合Inew1分量),基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量;再用所述融合Inew2分量替换多光谱遥感影像中的近似分量,然后进行IHS逆变换,从而对HIS进行改进。
具体的,原多光谱影像MI_0、原高分辨影像HRI_0以及原全色影像PI_0为同一区域的遥感影像,以MODIS影像为例,下载某一区域的多光谱遥感影像,通过谷歌地图等获取其全色影像以及高分辨率影像。
在一种具体实施方式中,利用双线性内插方法对所述原多光谱影像MI_0进行重采样,双线性插值是对线性插值在二维直角网格上的扩展,用于对双变量函数进行插值。其核心思想是在两个方向分别进行一次线性插值,本实施例在此不再赘述。
进一步的,对所述目标多光谱影像MI_1进行IHS变换,获得多光谱Ih分量、多光谱Hh分量和多光谱Sh分量时,采用以下公式:
其中,Rh、Gh、Bh分别为所述目标多光谱影像MI_1的红、绿、蓝三个谱段的图像灰度矩阵;多光谱Ih分量反应了所述目标多光谱影像MI_1的空间细节,多光谱Hh分量和多光谱Sh分量反应了所述目标多光谱影像MI_1的光谱信息,Vh1和Vh2为中间变量。
可以理解,对所述原高分辨影像HRI_0进行IHS变换,得到高分辨Im分量时,采用的方法类似,本实施例在此不再赘述。
进一步的,对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,得到融合IF分量时,执行:
读取所述多光谱Ih分量,获得所述多光谱Ih分量中每一个像素(i,j)的灰度值G(Ih(i,j));
读取所述高分辨Im分量,获得所述高分辨Im分量中每一个像素(i,j)的灰度值G(Im(i,j)),以及以像素(i,j)为中心的m×n区域的灰度值平均值M(Im(i,j,m,n));
对于所述高分辨Im分量中每一个像素(i,j),以所述灰度值G(Im(i,j))减去所述灰度值平均值M(Im(i,j,m,n)),得到高频信息Pn(Im(i,j));其中,所述Pn(Im(i,j))表示提取出的高分辨Im分量中每一个像素(i,j)中的高频信息;
对于所述多光谱Ih分量中每一个像素(i,j),对所述灰度值G(Ih(i,j))和所述高频信息Pn(Im(i,j))进行叠加处理,得到空间域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j));
基于空间域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j)),得到融合IF分量。
可以理解,当遍历每一个像元后,得到域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j)),即可得到了一整张融合影像分量(融合IF分量)。
需要说明的是,对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理时,提取出高分辨Im分量的高频信息(细节信息);然后,采用像元相加的方法,将提取出的高频信息(细节信息)叠加到多光谱Ih分量(低分辨率图像)上,从而在尽量保留低分辨率的多光谱图像的基础上加上高分辨率全色图像的细节信息,实现多光谱的低分辨率图像和高分辨率全色图像之间的数据融合,解决了因IHS变换导致融合后的影像光谱失真的问题,不但有效抑制了光谱退化现象,而且增加了融合图像的清晰度。
具体的,对于所述多光谱Ih分量中每一个像素(i,j),对所述灰度值G(Ih(i,j))和所述高频信息Pn(Im(i,j))进行叠加处理,得到空间域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j))时,采用以下公式:
G(IF(i,j))=G(In(i,j))+Pn(Im(i,j))
Pn(Im(i,j))=G(Im(i,j))-M(Im(i,j,m,n))
其中,G(IF(i,j))表示所述融合IF分量中每一个像素(i,j)的灰度值,G(Ih(i,j))表示所述多光谱Ih分量中每一个像素(i,j)的灰度值,Pn(Im(i,j))表示所述高分辨Im分量中每一个像素(i,j)的高频信息;
G(Im(i,j))表示所述高分辨Im分量中每一个像素(i,j)的灰度值,M(Im(i,j,m,n))表示在所述高分辨Im分量中以像素(i,j)为中心的m×n区域的灰度平均值。
进一步的,对所述融合IF分量和所述高分辨Im分量进行加权平均处理,得到融合Inew1分量时,执行:
采用以下公式,得到融合Inew1分量:
Inew1=w1×Im+w2×IF
w2=1-w1
其中,Inew1表示对所述多光谱IF分量和所述高分辨Im分量进行加权平均处理后得到的I分量;Im表示对所述原高分辨影像HRI_0进行IHS变换得到的I分量;IF表示对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理后得到的I分量;w1表示第一权重,w2表示第二权重。
需要说明的是,对所述融合IF分量和所述高分辨Im分量进行加权平均处理,是为了不对所述融合IF分量(源图像)进行任何变换,直接在融合IF分量(源图像)基础上,对像素进行选择、平均、加权平均等处理后,融合得到一幅新图像(融合Inew1分量)。
具体的,所述第一权重w1为所述高分辨Im分量的权重,所述第二权重w2为所述融合IF分量的权重;通常的加权融合所针对的两幅图像地位较为平等,因此加权系数的和为1。本发明考虑到高分辨率图像所携带的空间信息比重极大,通过实验,本发明的w1=1,w2=0.2。
具体的,根据所述原全色影像PI_0模拟生成新全色影像PI_1时,采用以下公式:
其中,PANnew表示新全色影像PI_1的全色谱段的图像灰度矩阵,Rp、Gp、Bp分别表示所述原全色影像PI_0的红、绿、蓝三个谱段的图像灰度矩阵,IR表示所述原全色影像PI_0的近红外谱段的图像灰度矩阵,PAN表示所述原全色影像PI_0的全色谱段的图像灰度矩阵。
进一步的,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量时,执行:
基于所述融合Inew1分量,获得融合Inew1分量的影像直方图,生成所述融合Inew1分量的影像直方图对应的连续概率密度函数pr(r);其中,r表示所述融合Inew1分量的影像直方图的灰度;
读取所述新全色影像PI_1的影像直方图,生成所述新全色影像PI_1的连续概率密度函数pz(z),z表示所述新全色影像PI_1的直方图的灰度;
基于所述连续概率密度函数pr(r),生成中间图像灰度级s;根据所述概率密度函数pz(z),生成变换函数G(z);根据所述变换函数G(z)=s的设定关系,得到所述新全色影像PI_1的直方图的灰度级z与所述融合Inew1分量的影像直方图的灰度级r之间的映射关系;
基于该映射关系对融合Inew1分量的影像直方图中的灰度值进行替换,获得匹配后的融合Inew2分量。
需要说明的是,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量;匹配后的融合Inew2分量消除了所述融合Inew1分量和所述新全色影像PI_1之间的光照强度差异,有效解决因高通滤波处理引起的影像亮度降低问题。
其中,中间图像灰度级s的计算公式为:
其中,s表示中间图像灰度级,w为假变量;
变换函数G(z)的计算公式为:
其中,t为假变量;
所述新全色影像PI_1的直方图的灰度级z与所述融合Inew1分量的影像直方图的灰度级r之间的映射关系,表示为:
z=G-1[T(r)]=G-1(s)
基于上式得到从r到z的变换关系,根据输入融合Inew1分量的影像直方图经过直方图匹配,最终可以得到融合Inew2分量(新的I分量)。
可以理解,所述融合Inew2分量为具有特定概率密度函数要求所对应的灰度值的图像。
进一步的,对所述融合Inew2分量、所述多光谱Hh分量和所述多光谱Sh分量进行IHS逆变换时,采用以下公式:
其中,RMI_2、GMI_2、BMI_2分别为所述多光谱影像MI_2的红、绿、蓝三个谱段的图像灰度矩阵,基于RMI_2、GMI_2、BMI_2得到IHS逆变换后的多光谱影像MI_2。
进一步的,对所述多光谱影像MI_2的高频分量和所述新全色影像PI_1的高频分量进行融合,得到融合高频分量时,执行:
获得所述多光谱影像MI_2的N层小波分解后的高频分量CN,HMI_2,以及所述新全色影像PI_1的N层小波分解后的高频分量CN,HPI_1;
对所述高频分量CN,HMI_2和所述高频分量CN,HPI_1进行加权平均后,得到融合高频分量CN,HF。
进一步的,对所述多光谱影像MI_2的低频分量和所述新全色影像PI_1的低频分量进行融合,得到融合低频分量时,执行:
获得所述多光谱影像MI_2的N层小波分解后的低频分量CN,LMI_2,以及所述新全色影像PI_1的N层小波分解后的低频分量CN,LPI_1;
对所述低频分量CN,LMI_2和所述低频分量CN,LPI_1进行加权平均后,得到融合低频分量CN,LF。
在一种具体实施方式中,分别对所述多光谱影像MI_2和所述新全色影像PI_1进行小波分解,得到高、低频分量,进而进行影像重构得到融合后的遥感影像,主要包括:
(1)选取合适的小波基以及分解层数,对所述多光谱影像MI_2和所述新全色影像PI_1(原始图像)进行多层小波分。采用MATLAB小波工具箱中的wavedec2函数来对图像进行小波分解,调用格式为[c,s]=wavedec2(X,N,‘haar’),其中X表示原图像信号,N表示对信号进行N层分解,Haar是用来做小波变换的一个母函数,c为各层分解系数,s为各层分解系数长度;
(2)选择小波系数的融合规则
(a)小波高频系数融合规则:
融合高频分量为所述多光谱影像MI_2和所述新全色影像PI_1小波分解后的高频分量加权平均,即:
其中,CN,HF表示所述多光谱影像MI_2和所述新全色影像PI_1分别经过N层小波分解及加权平均后的高频部分,即融合高频分量;CN,HMI_2表示所述多光谱影像MI_2的N层小波分解后的高频分量,CN,HPI_1表示新全色影像PI_1的N层小波分解后的高频分量;
(b)小波低频系数融合规则
融合低频分量为所述多光谱影像MI_2和所述新全色影像PI_1小波分解后的低频分量加权平均,即:
其中,CN,LF表示所述多光谱影像MI_2和所述新全色影像PI_1分别经过N层小波分解及加权平均后的低频部分,即融合低频分量;CN,LMI_2表示所述多光谱影像MI_2的N层小波分解后的低频分量,CN,LPI_1表示新全色影像PI_1的N层小波分解后的低频分量。
需要说明的是,在最高分解层上,比较所述多光谱影像MI_2和所述新全色影像PI_1的3个方向高频分量的小波系数,取绝对值大的小波系数作为融合高频分量的小波系数;在中间分解层上,以像素中心局部区域(这里取3×3)的均值方差最大的(所述多光谱影像MI_2或者所述新全色影像PI_1的)小波系数作为融合高频分量对应的小波系数;从而将所述多光谱影像MI_2和所述新全色影像PI_1的全部信息集中到一部分具有大幅值的小波系数中。
可以理解,本发明中的所述多光谱影像MI_2和所述新全色影像PI_1的高频成分比较丰富,亮度、对比度比较高,上述小波高频系数融合规则,适合于获得精确的融合高频分量。
确定融合高频分量和融合低频分量后,进行逆小波变换,基于融合后的遥感影像的高、低频部分进行影像重构,得到最终输出的遥感影像。
实施例2
本实施例给出了一种基于小波分解和改进IHS算法的遥感影像融合设备,所述基于小波分解和改进IHS算法的遥感影像融合设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于小波分解和改进IHS算法的遥感影像融合程序,所述基于小波分解和改进IHS算法的遥感影像融合程序被所述处理器执行时实现如实施例1中的基于小波分解和改进IHS算法的遥感影像融合方法的步骤。
本实施例还给出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例1中的基于小波分解和改进IHS算法的遥感影像融合的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (8)
1.一种基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,包括以下步骤:
获取同一区域的原多光谱影像MI_0、原高分辨影像HRI_0以及原全色影像PI_0;
对所述原多光谱影像MI_0进行重采样,得到目标多光谱影像MI_1;所述目标多光谱影像MI_1与所述原高分辨影像HRI_0的分辨率相同;
对所述目标多光谱影像MI_1进行IHS变换,获得多光谱Ih分量、多光谱Hh分量和多光谱Sh分量;
对所述原高分辨影像HRI_0进行IHS变换,得到高分辨Im分量;
对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,得到融合IF分量;
对所述融合IF分量和所述高分辨Im分量进行加权平均处理,得到融合Inew1分量;
根据所述原全色影像PI_0模拟生成新全色影像PI_1,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量;
对所述融合Inew2分量、所述多光谱Hh分量和所述多光谱Sh分量进行IHS逆变换,得到IHS逆变换后的多光谱影像MI_2;
对所述多光谱影像MI_2进行小波变换,获得所述多光谱影像MI_2的高频分量和低频分量;对所述新全色影像PI_1进行小波变换,获得所述新全色影像PI_1的高频分量和低频分量;
对所述多光谱影像MI_2的高频分量和所述新全色影像PI_1的高频分量进行融合,得到融合高频分量;对所述多光谱影像MI_2的低频分量和所述新全色影像PI_1的低频分量进行融合,得到融合低频分量;
对所述融合高频分量和所述融合低频分量进行小波逆变换,得到融合后的遥感影像。
2.根据权利要求1所述的基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理,得到融合IF分量时,执行:
读取所述多光谱Ih分量,获得所述多光谱Ih分量中每一个像素(i,j)的灰度值G(Ih(i,j));
读取所述高分辨Im分量,获得所述高分辨Im分量中每一个像素(i,j)的灰度值G(Im(i,j)),以及以像素(i,j)为中心的m×n区域的灰度值平均值M(Im(i,j,m,n));
对于所述高分辨Im分量中每一个像素(i,j),以所述灰度值G(Im(i,j))减去所述灰度值平均值M(Im(i,j,m,n)),得到高频信息Pn(Im(i,j));其中,所述Pn(Im(i,j))表示提取出的高分辨Im分量中每一个像素(i,j)中的高频信息;
对于所述多光谱Ih分量中每一个像素(i,j),对所述灰度值G(Ih(i,j))和所述高频信息Pn(Im(i,j))进行叠加处理,得到空间域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j));
基于空间域中滤波图像每一个像素(i,j)的灰度值G(IF(i,j)),得到融合IF分量。
3.根据权利要求1所述的基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,对所述融合IF分量和所述高分辨Im分量进行加权平均处理,得到融合Inew1分量时,执行:
采用以下公式,得到融合Inew1分量:
其中,Inew1表示对所述多光谱IF分量和所述高分辨Im分量进行加权平均处理后得到的I分量;Im表示对所述原高分辨影像HRI_0进行IHS变换得到的I分量;IF表示对所述多光谱Ih分量和所述高分辨Im分量进行高通滤波处理后得到的I分量;w 1 表示第一权重,w 2 表示第二权重。
4.根据权利要求1所述的基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,基于所述新全色影像PI_1对所述融合Inew1分量的影像直方图进行直方图匹配,得到匹配后的融合Inew2分量时,执行:
基于所述融合Inew1分量,获得融合Inew1分量的影像直方图,生成所述融合Inew1分量的影像直方图对应的连续概率密度函数pr(r);
读取所述新全色影像PI_1,生成所述新全色影像PI_1的连续概率密度函数pz(z);
基于所述连续概率密度函数pr(r),生成中间图像灰度级s;根据所述概率密度函数pz(z),生成变换函数G(z);根据所述变换函数G(z)=s的设定关系,得到所述新全色影像PI_1的直方图的灰度级z与所述融合Inew1分量的影像直方图的灰度级r之间的映射关系;
基于该映射关系对融合Inew1分量的影像直方图中的灰度值进行替换,获得匹配后的融合Inew2分量。
5.根据权利要求1所述的基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,对所述多光谱影像MI_2的高频分量和所述新全色影像PI_1的高频分量进行融合,得到融合高频分量时,执行:
获得所述多光谱影像MI_2的N层小波分解后的高频分量CN, HMI_2,以及所述新全色影像PI_1的N层小波分解后的高频分量CN, HPI_1;
对所述高频分量CN, HMI_2和所述高频分量CN, HPI_1进行加权平均后,得到融合高频分量CN, HF。
6.根据权利要求1所述的基于小波分解和改进IHS算法的遥感影像融合方法,其特征在于,对所述多光谱影像MI_2的低频分量和所述新全色影像PI_1的低频分量进行融合,得到融合低频分量时,执行:
获得所述多光谱影像MI_2的N层小波分解后的低频分量CN, LMI_2,以及所述新全色影像PI_1的N层小波分解后的低频分量CN, LPI_1;
对所述低频分量CN, LMI_2和所述低频分量CN, LPI_1进行加权平均后,得到融合低频分量CN, LF。
7.一种基于小波分解和改进IHS算法的遥感影像融合设备,其特征在于:包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于小波分解和改进IHS算法的遥感影像融合程序,所述基于小波分解和改进IHS算法的遥感影像融合程序被所述处理器执行时,实现如权利要求1-6任一项所述的基于小波分解和改进IHS算法的遥感影像融合方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于小波分解和改进IHS算法的遥感影像融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111598647.5A CN114331936B (zh) | 2021-12-24 | 2021-12-24 | 基于小波分解和改进ihs算法的遥感影像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111598647.5A CN114331936B (zh) | 2021-12-24 | 2021-12-24 | 基于小波分解和改进ihs算法的遥感影像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331936A CN114331936A (zh) | 2022-04-12 |
CN114331936B true CN114331936B (zh) | 2024-04-16 |
Family
ID=81012135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111598647.5A Active CN114331936B (zh) | 2021-12-24 | 2021-12-24 | 基于小波分解和改进ihs算法的遥感影像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331936B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472544A (zh) * | 2003-06-05 | 2004-02-04 | 上海交通大学 | 遥感影像像素与特征联合最优融合方法 |
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
CN102915523A (zh) * | 2012-09-13 | 2013-02-06 | 中国科学院东北地理与农业生态研究所 | 一种改进的小波变换遥感影像融合方法及其融合*** |
KR101291219B1 (ko) * | 2012-03-16 | 2013-07-31 | 한국항공우주연구원 | 전정색영상과 다분광영상의 융합 방법 및 그 장치 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 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*** |
-
2021
- 2021-12-24 CN CN202111598647.5A patent/CN114331936B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472544A (zh) * | 2003-06-05 | 2004-02-04 | 上海交通大学 | 遥感影像像素与特征联合最优融合方法 |
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
KR101291219B1 (ko) * | 2012-03-16 | 2013-07-31 | 한국항공우주연구원 | 전정색영상과 다분광영상의 융합 방법 및 그 장치 |
CN102915523A (zh) * | 2012-09-13 | 2013-02-06 | 中国科学院东北地理与农业生态研究所 | 一种改进的小波变换遥感影像融合方法及其融合*** |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 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*** |
Non-Patent Citations (3)
Title |
---|
一种基于IHS变换和小波变换的多源遥感影像融合新方法;梁苏苏;张鹤鸣;段彩梅;;现代测绘;20130325(第02期);全文 * |
一种自适应的基于局部小波系数特征的遥感图像融合方法;宋杨;万幼川;;遥感信息;20070228(第01期);全文 * |
基于试验分析确立融合模型的IHS―小波变换融合方法;宋鹏飞;张霞;王晋年;田庆久;;遥感技术与应用;20091215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114331936A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830796B (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
Shao et al. | Remote sensing image fusion with deep convolutional neural network | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN110189286B (zh) | 一种基于ResNet的红外与可见光图像融合方法 | |
CN112184591A (zh) | 一种基于深度学习图像摩尔纹消除的图像复原方法 | |
CN113793289B (zh) | 基于cnn和nsct的多光谱图像和全色图像模糊融合方法 | |
Masi et al. | CNN-based pansharpening of multi-resolution remote-sensing images | |
CN108491869B (zh) | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 | |
Mahmood et al. | Human visual enhancement using multi scale Retinex | |
CN113870110A (zh) | 遥感影像的图像融合方法、装置、电子设备和存储介质 | |
Xiao et al. | Physics-based GAN with iterative refinement unit for hyperspectral and multispectral image fusion | |
CN111681171A (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
CN104036461A (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强*** | |
Chen et al. | Neural classification of SPOT imagery through integration of intensity and fractal information | |
Wang et al. | Coarse-to-fine disentangling demoiréing framework for recaptured screen images | |
CN114331936B (zh) | 基于小波分解和改进ihs算法的遥感影像融合方法 | |
CN111563866B (zh) | 一种多源遥感图像融合方法 | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
Huang | Wavelet for image fusion | |
CN109886904B (zh) | 一种sar图像与低分辨率多光谱图像融合方法及*** | |
CN111524079B (zh) | 基于分量替换和低通滤波的多光谱遥感图像全色锐化方法 | |
CN113888421A (zh) | 一种多光谱卫星遥感图像融合方法 | |
CN113284067A (zh) | 基于深度细节注入网络的高光谱全色锐化方法 | |
CN116993636B (zh) | 一种地下低照度深部地层空区图像增强方法和装置 |
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 |