【摘要】：為了使融合圖像在顯著提高空間分辨率的同時(shí),最大限度地融入多光譜圖像的光譜信息,提出了一種結(jié)合Canny算子與非下采樣Contourlet變換的粒子群優(yōu)化的遙感圖像融合方法。首先在IHS變換的基礎(chǔ)上,利用Canny算子對(duì)全色圖像進(jìn)行邊緣提取,根據(jù)邊緣分布特征對(duì)全色圖像和多光譜圖像I分量進(jìn)行邊緣特征融合得到邊緣加強(qiáng)的全色圖像,然后對(duì)新的全色圖像和多光譜圖像I分量分別進(jìn)行非下采樣Contourlet變換,并在低頻子帶采用有選擇性的加權(quán)求和融合規(guī)則,對(duì)于高頻方向子帶先利用粒子群優(yōu)化算法尋找結(jié)構(gòu)相似度的最優(yōu)閾值p,再采用基于區(qū)域結(jié)構(gòu)相似度的融合規(guī)則,最后經(jīng)NSCT和IHS逆變換獲得融合圖像。仿真實(shí)驗(yàn)結(jié)果表明:提出的算法能很好地兼顧全色圖像細(xì)節(jié)信息的保留和多光譜圖像光譜信息的保持。
【圖文】：

2017，53（11）ComputerEngineeringandApplications計(jì)算機(jī)工程與應(yīng)用不同傳感器的全色圖像和多光譜進(jìn)行仿真實(shí)驗(yàn)。第一組實(shí)驗(yàn)數(shù)據(jù)是分辨率為10m的SPOT全色圖像（圖2（a））和分辨率為28m的TM多光譜圖像（圖2（b）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為13個(gè)，RMSError為1.382743；第二組實(shí)驗(yàn)數(shù)據(jù)是分辨率為0.5m的WorldView-2全色圖像（圖2（c））和分辨率為2m的WorldView-2多光譜圖像（圖2（d）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為15個(gè)，RMSError為0.309862。仿真實(shí)驗(yàn)采用4種遙感圖像融合方法對(duì)兩組多源遙感圖像進(jìn)行融合實(shí)驗(yàn)。這4種方法分別是：（1）傳統(tǒng)的基于彩色空間變換的IHS融合方法，該方法直接使用全色圖像替換多光譜圖像亮度I分量，簡(jiǎn)稱TD-IHS，融合結(jié)果如圖3（a）和（e）所示。（2）傳統(tǒng)的NSCT融合方法，低頻子帶融合規(guī)則采用加權(quán)平均法，高頻方向子帶融合規(guī)則采用絕對(duì)值取大法，簡(jiǎn)稱T-NSCT，融合結(jié)果如圖3（b）和（f）所示。（3）一種改進(jìn)的NSCT融合方法，與T-NSCT不同的是該方法采用與本文提出方法相同的高低頻子帶融合規(guī)則，在低頻子帶采用有選擇的加權(quán)求和融合規(guī)則，在高頻子帶采用基于區(qū)域結(jié)構(gòu)相似度的融合規(guī)則，簡(jiǎn)稱N-NSCT，融合結(jié)果如圖3（c）和（g）所示。（4）本文提出的融合方法。簡(jiǎn)稱C-NSCT，融合結(jié)果如圖3（d）和（h）所示。所有實(shí)驗(yàn)中基于NSCT的融合方法均分解為3個(gè)尺度，尺度從粗到精的方向分解個(gè)數(shù)分別為2，4，8個(gè)，尺度濾波器均為“maxflat”，方向?yàn)V波器組均為“dmaxflat7”。本文提出的融合方法與對(duì)比方法N-NSCT使用的是相同的低頻和高頻子帶融合規(guī)則，為保證融合方法對(duì)比的有效性，這兩種方法均采用相同的結(jié)構(gòu)相似度最優(yōu)閾值p。第一組實(shí)驗(yàn)數(shù)據(jù)高頻子帶?

淄枷瘢ㄍ?（b）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為13個(gè)，RMSError為1.382743；第二組實(shí)驗(yàn)數(shù)據(jù)是分辨率為0.5m的WorldView-2全色圖像（圖2（c））和分辨率為2m的WorldView-2多光譜圖像（圖2（d）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為15個(gè)，RMSError為0.309862。仿真實(shí)驗(yàn)采用4種遙感圖像融合方法對(duì)兩組多源遙感圖像進(jìn)行融合實(shí)驗(yàn)。這4種方法分別是：（1）傳統(tǒng)的基于彩色空間變換的IHS融合方法，該方法直接使用全色圖像替換多光譜圖像亮度I分量，簡(jiǎn)稱TD-IHS，融合結(jié)果如圖3（a）和（e）所示。（2）傳統(tǒng)的NSCT融合方法，低頻子帶融合規(guī)則采用加權(quán)平均法，高頻方向子帶融合規(guī)則采用絕對(duì)值取大法，簡(jiǎn)稱T-NSCT，融合結(jié)果如圖3（b）和（f）所示。（3）一種改進(jìn)的NSCT融合方法，與T-NSCT不同的是該方法采用與本文提出方法相同的高低頻子帶融合規(guī)則，在低頻子帶采用有選擇的加權(quán)求和融合規(guī)則，在高頻子帶采用基于區(qū)域結(jié)構(gòu)相似度的融合規(guī)則，簡(jiǎn)稱N-NSCT，融合結(jié)果如圖3（c）和（g）所示。（4）本文提出的融合方法。簡(jiǎn)稱C-NSCT，融合結(jié)果如圖3（d）和（h）所示。所有實(shí)驗(yàn)中基于NSCT的融合方法均分解為3個(gè)尺度，尺度從粗到精的方向分解個(gè)數(shù)分別為2，4，8個(gè)，尺度濾波器均為“maxflat”，方向?yàn)V波器組均為“dmaxflat7”。本文提出的融合方法與對(duì)比方法N-NSCT使用的是相同的低頻和高頻子帶融合規(guī)則，為保證融合方法對(duì)比的有效性，這兩種方法均采用相同的結(jié)構(gòu)相似度最優(yōu)閾值p。第一組實(shí)驗(yàn)數(shù)據(jù)高頻子帶的全局最優(yōu)閾值p1=0.2889，第二組實(shí)驗(yàn)數(shù)據(jù)高頻子帶的全局最優(yōu)閾值p2=0.2958，小常數(shù)C1、C2均為0.0001。為了客觀地評(píng)價(jià)融合圖像，本文分別采用相對(duì)偏差（RelativeDeviation，RD?

2017，53（11）ComputerEngineeringandApplications計(jì)算機(jī)工程與應(yīng)用不同傳感器的全色圖像和多光譜進(jìn)行仿真實(shí)驗(yàn)。第一組實(shí)驗(yàn)數(shù)據(jù)是分辨率為10m的SPOT全色圖像（圖2（a））和分辨率為28m的TM多光譜圖像（圖2（b）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為13個(gè)，RMSError為1.382743；第二組實(shí)驗(yàn)數(shù)據(jù)是分辨率為0.5m的WorldView-2全色圖像（圖2（c））和分辨率為2m的WorldView-2多光譜圖像（圖2（d）），配準(zhǔn)方法采用的是ENVI4.8中的幾何校正，控制點(diǎn)選取個(gè)數(shù)為15個(gè)，RMSError為0.309862。仿真實(shí)驗(yàn)采用4種遙感圖像融合方法對(duì)兩組多源遙感圖像進(jìn)行融合實(shí)驗(yàn)。這4種方法分別是：（1）傳統(tǒng)的基于彩色空間變換的IHS融合方法，該方法直接使用全色圖像替換多光譜圖像亮度I分量，簡(jiǎn)稱TD-IHS，融合結(jié)果如圖3（a）和（e）所示。（2）傳統(tǒng)的NSCT融合方法，低頻子帶融合規(guī)則采用加權(quán)平均法，高頻方向子帶融合規(guī)則采用絕對(duì)值取大法，簡(jiǎn)稱T-NSCT，融合結(jié)果如圖3（b）和（f）所示。（3）一種改進(jìn)的NSCT融合方法，與T-NSCT不同的是該方法采用與本文提出方法相同的高低頻子帶融合規(guī)則，在低頻子帶采用有選擇的加權(quán)求和融合規(guī)則，在高頻子帶采用基于區(qū)域結(jié)構(gòu)相似度的融合規(guī)則，簡(jiǎn)稱N-NSCT，融合結(jié)果如圖3（c）和（g）所示。（4）本文提出的融合方法。簡(jiǎn)稱C-NSCT，融合結(jié)果如圖3（d）和（h）所示。所有實(shí)驗(yàn)中基于NSCT的融合方法均分解為3個(gè)尺度，尺度從粗到精的方向分解個(gè)數(shù)分別為2，4，8個(gè)，尺度濾波器均為“maxflat”，方向?yàn)V波器組均為“dmaxflat7”。本文提出的融合方法與對(duì)比方法N-NSCT使用的是相同的低頻和高頻子帶融合規(guī)則，為保證融合方法對(duì)比的有效性，這兩種方法均采用相同的結(jié)構(gòu)相似度最優(yōu)閾值p。第一組實(shí)驗(yàn)數(shù)據(jù)高頻子帶?

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周宏軍;李江;蔡志剛;;一種小波包遙感圖像融合方法[J];現(xiàn)代測(cè)繪;2008年01期

2 陳超;江濤;劉祥磊;;基于纓帽變換的遙感圖像融合方法研究[J];測(cè)繪科學(xué);2009年03期

3 柴勇;何友;曲長(zhǎng)文;;遙感圖像融合最新進(jìn)展及展望[J];艦船電子工程;2009年08期

4 朱衛(wèi)綱;周蔭清;徐華平;李春升;;遙感圖像融合效果客觀評(píng)價(jià)[J];火力與指揮控制;2010年02期

5 孫洪泉;竇聞;易文斌;;遙感圖像融合的研究現(xiàn)狀、困境及發(fā)展趨勢(shì)探討[J];遙感信息;2011年01期

6 付和;;遙感圖像融合的應(yīng)用研究[J];科技創(chuàng)新導(dǎo)報(bào);2011年09期

7 阮濤;那彥;王澍;;基于壓縮感知的遙感圖像融合方法[J];電子科技;2012年04期

8 吳連喜,梁波,劉曉梅;保持光譜信息的遙感圖像融合方法研究(英文)[J];測(cè)繪學(xué)報(bào);2005年02期

9 王艷;陳波;;遙感圖像融合技術(shù)及其在土地資源動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用[J];影像技術(shù);2005年Z2期

10 林卉,肖劍平,杜培軍;基于正交小波包遙感圖像融合算法研究[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

相關(guān)會(huì)議論文 前7條

1 馬艷軍;石愛業(yè);徐立中;;基于區(qū)域特性選擇的遙感圖像融合方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

2 梁波;吳連喜;陳竹安;段彩蓮;蘇小霞;;光譜銳化的遙感圖像融合方法[A];第三屆全國(guó)數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會(huì)論文摘要集[C];2004年

3 葛雯;高立群;;基于非分離小波變換及形態(tài)學(xué)的遙感圖像融合算法[A];2007'儀表，自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)論文集（一）[C];2007年

4 成功;鄧小青;;基于MATLAB的小波變換遙感圖像融合研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

5 雷宏宇;鐘廣軍;;基于Curvelet變換的快速遙感圖像融合[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

6 趙鵬濤;劉剛;胡岑;王明昊;彭接力;;基于Laplace-PCA的遙感圖像融合算法[A];國(guó)家安全地球物理叢書（八）——遙感地球物理與國(guó)家安全[C];2012年

7 石愛業(yè);徐立中;黃風(fēng)辰;;一種改進(jìn)的基于小波變換的遙感圖像融合方法[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前5條

1 陳志剛;基于Contourlet遙感圖像融合與壓縮技術(shù)研究[D];長(zhǎng)春理工大學(xué);2009年

2 郭立萍;基于支持向量機(jī)遙感圖像融合分類方法研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2010年

3 田養(yǎng)軍;基于提升小波分解曲波變換的多源遙感圖像融合方法研究[D];長(zhǎng)安大學(xué);2009年

4 劉帆;基于小波核濾波器和稀疏表示的遙感圖像融合[D];西安電子科技大學(xué);2014年

5 徐彤陽(yáng);基于抗混疊Contourlet變換的遙感圖像融合研究[D];上海大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 肖洋;基于貝葉斯網(wǎng)絡(luò)及進(jìn)化算法的遙感圖像融合方法研究[D];華東師范大學(xué);2016年

2 張曉;基于結(jié)構(gòu)組稀疏表示的遙感圖像融合方法研究[D];華南農(nóng)業(yè)大學(xué);2016年

3 王婷;遙感圖像融合算法研究[D];浙江大學(xué);2016年

4 胡曉婷;基于Shearlet變換的多源遙感圖像融合算法研究[D];天津理工大學(xué);2016年

5 萬偉國(guó);應(yīng)急物流道路識(shí)別中的遙感圖像融合方法研究[D];江西財(cái)經(jīng)大學(xué);2016年

6 瞿戰(zhàn)偉;基于改進(jìn)經(jīng)驗(yàn)?zāi)Ｊ椒纸獾倪b感圖像融合[D];浙江工商大學(xué);2017年

7 李園園;基于多分辨分析的遙感圖像融合技術(shù)研究[D];青島大學(xué);2009年

8 黃海東;基于多分辨率分析的遙感圖像融合算法研究[D];復(fù)旦大學(xué);2008年

9 羅俊;遙感圖像融合方法及其在目標(biāo)波譜反演中的應(yīng)用研究[D];華中科技大學(xué);2007年

10 姚媛;基于小波支持向量機(jī)的遙感圖像融合[D];安徽大學(xué);2010年

本文編號(hào)：2744123