1 重庆邮电大学 计算机科学与技术学院, 重庆 400065
2 重庆邮电大学 重庆市图像认知重点实验室, 重庆 400065
结合遥感图像融合的特点, 提出一种联合辐射指数的多流融合生成对抗网络的遥感图像融合方法。该方法从初始的多光谱图像和全色图像中按照特定的规则提取特征图, 利用生成器子网络分别提炼输入的多源图像, 在特征域上叠加特征后通过生成器的主网络进行融合。根据遥感领域中多光谱图像和全色图像在波段上的特性, 在判别器中引入调制传递函数(MTF)来判别融合图像的光谱信息和空间结构信息。为评估所提方法的有效性, 进行视觉分析, 并与其他算法进行客观评价的比较。实验结果表明, 该方法在视觉效果和客观评价上优于其他算法。
遥感图像融合 生成对抗网络 辐射指数 多流融合 remote sensing image fusion generative adversarial network radiation index multi-stream fusion 太赫兹科学与电子信息学报
2023, 21(1): 88
重庆邮电大学空间大数据智能技术重庆市工程研究中心，重庆 400065
全色(Panchromatic, Pan)图像与多光谱(Multi-spectral, MS)图像融合的目的是生成具有高空间分辨率的多光谱图像。为了进一步提升融合图像的质量，提出一种基于细节信息提取的融合方法。首先，使用滚动引导滤波器与差值运算分别获取 Pan与 MS的高频分量。其次，采用自适应强度 -色度 -饱和度(Adaptive Intensity-Hue-Saturation，AIHS)变换处理 MS的高频分量与经像素显著性检测后 Pan的高频分量，生成对应的强度分量(Intensity，I)，再将 Pan与 I作差值运算获取细节图像。接着，采用引导滤波器计算 Pan与 MS的高频分量的差值，得到残差图像。最后，利用最速下降法将细节图像与残差图像注入到原始的 MS图像中获得最终融合结果。实验结果表明，本文所提算法得到的融合图像能够取得较好的主观视觉效果，且客观定量评价指标较优。
AIHS变换 引导滤波 滚动引导滤波 遥感图像融合 AIHS transform, guided filter, rolling guidance fi
1 河南工业职业技术学院, 电子信息工程学院, 河南 南阳 473009
2 西安邮电大学, 计算机学院, 陕西 西安 250104
为了克服遥感图像融合算法主要是利用单一的能量特征对图像信息实施融合, 忽略了光谱特征, 导致其存在光谱扭曲等缺陷, 提出了基于二代曲波变换与清晰度加权的遥感图像融合算法。利用IHS(Intensity, Hue, Saturation)变换对多光谱(MS)图像计算, 分割出MS图像的强度(I)成分。利用二代曲波变换(Curvelet)计算出全色(PAN)图像以及I成分的高、低频系数;采用图像的均值特征, 对图像的光谱特征进行度量, 并联合其区域能量特征, 设计了新的融合规则, 完成低频系数的融合。利用图像的Laplace特征对图像的清晰度进行计算, 以此来构造清晰度加权模型, 进行高频系数的融合;将融合系数经二代Curvelet和IHS逆变换处理后, 输出融合结果。实验数据表明, 较当前遥感图像融合算法而言, 所提算法具备更好的融合效果, 其融合图像的通用图像质量指数值更大, 光谱差异更小。
遥感图像融合 二代曲波变换 IHS变换 均值特征 区域能量特征 清晰度加权 remote sensing image fusion second generation cruvelet transform IHS transform mean walue feature regional energy feature definition weighted
1 郑州信息科技职业学院 信息工程学院, 河南 郑州, 450046
2 华北水利水电大学 信息工程学院, 河南 郑州, 450046
为了提高遥感图像的融合质量, 使其兼顾较好的纹理特征与对比度, 提出了非下采样变换耦合双重制约模型的遥感图像融合算法(NSST)。通过IHS模型来解析多光谱图像(MS), 提取其对应的强度(I)、色调(H)、饱和度(S)成分; 借助NSST, 从I成分和全色图像(PAN)中解析出低频和高频系数; 通过信息熵和均值模型, 计算出图像富含的信息及亮度丰富度, 以完成低频系数的融合。利用高频系数与方向矩阵的卷积运算, 得出图像的纹理特征, 计算图像的标准差, 获取对比度信息。在联合纹理特征和对比度, 构造双重制约模型, 完成高频系数的融合。再对融合系数完成逆NSST和逆IHS运算, 得出融合图像。实验数据表明, 较现有的融合技术而言, 所提算法的融合图像含有更为丰富的纹理与更高的对比度。
遥感图像融合 非下采样Shearlet变换 IHS模型 双重制约模型 纹理特征 对比度信息 remote sensing image fusion nonsubsampled shearlet transform IHS model double restriction model texture features contrast information
1 武汉铁路职业技术学院 经济管理学院，湖北 武汉430000
2 武汉纺织大学 管理学院，湖北 武汉 430073
为克服当前较多遥感图像融合方法存在间断以及吉布斯现象，本文利用像素点间灰度以及梯度信息，设计了一种采用非下采样Shearlet变换(NSST)耦合细节强化因子的图像融合方法。将多光谱(MS)图像经过强度-色调-饱和度(IHS)变换，分离出强度成分。随后，借助变换处理强度成分与全色(PAN)图像，获取对应的高频和低频系数。以强度成分对应的低频系数为依据，通过图像的空间频率特性计算加权系数，将PAN图像的低频系数植入到强度(I)成分对应的低频系数中，融合低频系数。采用像素点间灰度以及梯度信息，构造细节强化因子，融合高频系数。最后，采用IHS和NSST反变换重构这些融合系数，获取融合结果。实验结果显示：较当前融合技术，所提算法拥有更为理想的融合效果，具有更高的互信息值和更低的光谱偏差度值。
遥感图像融合 空间频率 NSST变换 梯度信息 细节强化因子 IHS变换 remote sensing image fusion spatial frequency Non Subsampled Shearlet Transform gradient information detail enhancement factor IHS transform 太赫兹科学与电子信息学报
2020, 18(6): 1073
1 西京学院 机电技术系, 陕西 西安 710123
2 西安电子科技大学 通信工程学院, 陕西 西安 730070
为了解决遥感图像融合方法在信息融合过程中因忽视了图像中的显著内容而导致融合图像的空间特征不理想的问题, 提出了二代Curvelet变换耦合显著内容判定机制的遥感图像融合算法。借助HSV变换, 计算多光谱(MS)图像的明度(V)分量; 再采用二代Curelet变换对全色图像以及V分量进行计算, 输出二者对应的频域子带。采用图像的幅度谱特征, 计算出图像的显著信息, 通过对图像进行分块, 以分块图像的显著信息为依据, 建立显著内容判定机制, 根据分块图像的显著值, 采用不同的方法来融合低频子带。最后, 利用图像的梯度值, 构造细节测度因子, 以计算出图像的细节信息, 实现高频系数的融合。实验结果显示, 相对于已有的遥感融合方案而言, 所提算法的融合图像拥有更好的光谱等特征, 呈现出更高的标准差和相关系数值。
遥感图像融合 二代Curvelet变换 显著判定机制 细节测度因子 HSV变换 remote sensing image fusion second generation curvelet transform significant judgment mechanism detail measure factor HSV transform
光子学报
2020, 49(10): 1010001
1 安阳师范学院 计算机与信息工程学院, 河南 安阳 455000
2 武汉大学 测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
为了解决图像系数融合问题, 设计了基于非下采样 Contourlet变换与特征投票机制的遥感图像融合算法。采用色相饱和度 (HSV)变换从多光谱图像中提取其亮度成分。随后, 对该亮度成分与全色图像进行非下采样 Contourlet变换, 以计算相应的高频、低频系数。再建立特征投票机制, 完成低频系数的融合。通过构造高频系数融合规则, 获取融合高频系数。最后, 对融合系数进行处理, 生成融合图像。实验结果显示, 所设计算法具有更好的光谱特性以及清晰度。
遥感图像融合 非下采样 Contourlet变换 特征投票机制 HSV变换 区域方差 remote sensing image fusion non -subsampled Contourlet transform feature voting mechanism HSV transform regional variance 太赫兹科学与电子信息学报
2020, 18(4): 692
