CN102208103A - 一种用于影像快速融合与评价的方法 - Google Patents
一种用于影像快速融合与评价的方法 Download PDFInfo
- Publication number
- CN102208103A CN102208103A CN 201110088712 CN201110088712A CN102208103A CN 102208103 A CN102208103 A CN 102208103A CN 201110088712 CN201110088712 CN 201110088712 CN 201110088712 A CN201110088712 A CN 201110088712A CN 102208103 A CN102208103 A CN 102208103A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- evaluation
- formula
- information entropy
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于影像快速融合与评价的方法,其特征在于包括如下步骤:(1)影像导入;(2)用轮廓波变换法融合所述步骤(1)导入的影像,包括如下步骤:(A)拉普拉斯金字塔分解和(B)方向滤波器组滤波;(3)融合结果保存与导入;(4)融合效果评价方法选取;(5)输出评价结果。本发明充分考虑了各种影像的特性,既充分保障了影像融合的速度和质量,又保障了影像评价的速度和质量,有效解决了融合算法的速度和质量问题。
Description
技术领域
本发明涉及一种用于影像快速融合与评价的方法,属于图像处理领域。
背景技术
多源图像融合的主要思想是通过采用一定的算法,将两个或多个具有互补和冗余特性的源图像融合成为新图像,使得融合后的图像能最大限度地利用互补信息,减少冗余,从而获得更高的清晰度和可理解性。而且为进一步的图像处理如图像分割、目标检测与识别、战损评估与理解等提供更有效的信息。多源图像融合不是简单地叠加,它产生的是新的蕴涵有更多价值信息的图像。
随着人们获取遥感图像数据的能力不断提高和遥感技术的迅猛发展以及新型传感器的不断涌现,具有不同物理特性的传感器所产生的遥感图像不断增多,在同一地区往往可以获得大量的不同尺度、不同光谱、不同时相的多源图像数据信息。这些遥感图像数据在时间、空间和光谱方面差异很大,而各种传感器提供的遥感图像数据又各有特点。
目前数据源的不足已经不是遥感技术应用的主要障碍,最主要的障碍是从这些数据源中提取更丰富、更有用、更可靠信息的能力大小。为了满足不同观测和研究对象的要求,各种传感器获取的图像数据在几何、光谱、时间和空间分辨率等方面存在明显的局限性和差异性,而在现实应用中这种局限性和差异性还将长期存在,从而限制了其应用能力。所以仅仅利用一种遥感图像数据是很难以满足实际需求的,同时为了对观测目标有一个更加全面、清晰、准确的理解与认识,人们也迫切希望寻求一种综合利用各类图像数据的技术方法。因此把不同的图像数据的各自优势和互补性综合起来加以利用就显得非常重要和实用。
多源遥感图像数据的冗余性表示它们对环境或目标的表示、描述或解译结果相同。冗余信息是一组由系统中相同或不同类型的传感器所提供的对环境中同一目标的感知数据,虽然这些数据的表达形式可能存在着差异,但总可以通过变换,将它们映射到一个共同的数据空间,这些变换的结果反映了目标某一个方面的特征,合理地利用这些冗余信息,可以降低误差和减少整体决策的不确定性,提高识别率和精确度;互补性是指信息来自不同的自由度且相互独立,它们也是一组由多个传感器提供的对同一个目标的感知数据。对这些互补信息的利用,可以提高系统的准确性和提高最终结果的可信度;合作信息的应用,可提高协调性能,因此把多源图像数据各自的优势结合起来加以利用,获得对环境或对象正确的解译是很重要的。多源遥感图像数据融合则是富集这些多种传感器信息的最有效途径之一,它为多源遥感图像数据的处理、分析与应用提供了全新的途径,可以减少或抑制单一信息对被感知对象或环境解释中可能存在的多义性、不完整性、不确定性和误差,最大限度地利用各种信息源提供的信息,从而大大提高在特征提取、分类、目标识别等方面的有效性。
同时,融合效果的评价还没有统一的标准。融合图像评价需要客观的定量评价标准,因为主观评价具有主观性和不全面性,需要与客观的定量评价标准相结合进行综合评价。现有的客观评价方法主要从三个方面考虑,即融合图像的统计特性,融合图像与标准参考图像关系和融合图像与源图像关系。这些评价标准都从信息量、图像边缘变化等方面来衡量融合图像质量的优劣,但是这些考察的量本身并不能很好地反映图像的真实质量,如信息量在融合过程中得到了提高并不一定对应融合图像视觉效果的改善。因此需要进一步研究能够有效评价融合图像质量的客观标准。
发明内容
发明目的:针对上述现有存在的问题和不足,本发明的目的是提供一种能够有效评价融合图像质量的用于影像快速融合与评价的方法。
技术方案:为实现上述发明目的,本发明采用的技术方案为一种用于影像快速融合与评价的方法,包括如下步骤:
(1)影像导入;
(2)用轮廓波变换法融合所述步骤(1)导入的影像,包括如下步骤:
(A)拉普拉斯金字塔分解和(B)方向滤波器组滤波;
(3)融合结果保存与导入;
(4)融合效果评价方法选取,包括如下计算过程:
(a)得到图像的灰度分布:
一幅独立的影像,可以认为其各个元素的灰度值是相互独立的,则图像的灰度分布为:
p={p1,p2,Λ,pi,Λ,pn},式中,pi为灰度值等于i的像素与图像总像素数之比,n为灰度级总数;
(b)算出图像信息熵:
信息熵:融合图像的信息熵越大,说明图像中包含的信息越多,融合效果越好。
(c)算出平均梯度:
平均梯度反映了图像的清晰程度,以及微小细节反差和纹理变换特征,其计算方法如下:
(d)算出标准方差:
标准方差反映了图像分布的离散程度,强反差的图像对应大的标准方差,其计算方法如下:
(e)算出边缘保持度B:
边缘保持度是衡量融合图像对输入图像中的边缘信息的保持程度。该方法是在提取输入图像和融合图像边缘信息的基础上,计算边缘信息的保存量,将加权的边缘信息保存量作为评价融合结果的衡量指标,边缘保持度越大,说明融合图像保存的边缘信息越多,其计算方法如下:
式中,B1为融合后影像边缘信息熵,B2为加权融合后的边缘信息熵;B1、B2可通过如下方法计算:1)边缘提取:利用拉普拉斯算子作用到融合后的图像上提取图像的边缘,形成一幅新的只包含边缘的图像。拉普拉斯算子如下:2)利用信息熵的公式计算提取边缘的融合后的图像的信息熵,即求得B1和B2。
(f)进行联合评价:
式中,E,E1,E2分别为融合后影像信息熵、源图像1的信息熵、源图像2的信息熵,分别为融合后影像的平均梯度、源图像1的平均梯度、源图像2的平均梯度,D,D1,D2分别为融合后影像的标准方差、源图像1的标准方差、源图像2的标准方差,B为边缘保持度;多源影像融合的目的就是要尽可能多的获得信息,不但要提高影像的光谱信息同时也要提高影像的分辨率以及融合后的影像尽可能多的保存源影像的边缘特征,于是提出信息熵、平均梯度、标准方差、边缘保持度以及基于以上四特征的联合评价;
(5)输出评价结果。
所述步骤(A)中的拉普拉斯金字塔分解为采用拉普拉斯滤波器对原图像进行多分辨率分解,从而捕获图像中存在的奇异点;所述步骤(B)方向滤波器组滤波为采用方向滤波器组对各尺度上的高频分量进行方向分解。
有益效果:本发明充分考虑了各种影像的特性,既充分保障了影像融合的速度和质量,又保障了影像评价的速度和质量,有效解决了融合算法的速度和质量问题。
附图说明
图1为本发明的流程图;
图2为本发明的总体框架示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,用于影像快速融合与评价的方法,包括以下步骤:
影像导入(101);
融合方法选取(102);
融合结果保存与导入(103);
融合效果评价方法选取(104);
评价结果(105)。
进一步的融合方法选取(102),可根据传感器的不同选择不同的融合方法。
例如:针对多光谱影像和高分辨率影像的融合,由于需要尽可能多的保持影像的光谱信息和提高分辨率,可以采用主成份分析融合、贝耶斯融合、小波变换融合、轮廓变换融合。
进一步的融合效果评价方法选取(104),可根据感兴趣的不同选择不同的效果评价方法。
例如:如果对影像所包含的信息量感兴趣,可以选取信息熵和标准方差。如果对影像的所包含的事物感兴趣,可以选取边缘保持度和平均梯度。如果即对信息量感兴趣又对其光谱信息和分辨率信息感兴趣,就要选取联合特征的评价方法。
如图2所示,源图像1和源图像2在分别经过预处理后,执行影像导入步骤,然后进行影像融合,可以采取的融合方法为Brovey融合、高通滤波融合、主成分分析融合、HIS融合、贝耶斯融合、小波变换融合、轮廓波变换融合等;再进行评价选取步骤,可供选择的评价方法包括信息熵、平均梯度、标准方差、边缘保持度和联合特征评价。
Claims (2)
1.一种用于影像快速融合与评价的方法,其特征在于包括如下步骤:
(1)影像导入;
(2)用轮廓波变换法融合所述步骤(1)导入的影像,包括如下步骤:
(A)拉普拉斯金字塔分解和(B)方向滤波器组滤波;
(3)融合结果保存与导入;
(4)融合效果评价方法选取,包括如下计算过程:
(a)得到图像的灰度分布:
p={p1,p2,Λ,Pi,Λ,pn},式中,pi为灰度值等于i的像素与图像总像素数之比,n为灰度级总数;
(b)算出图像信息熵:
(c)算出平均梯度:
(d)算出标准方差:
(e)算出边缘保持度B:
(f)进行联合评价:
式中,E,E1,E2分别为融合后影像信息熵、源图像1的信息熵、源图像2的信息熵,分别为融合后影像的平均梯度、源图像1的平均梯度、源图像2的平均梯度,D,D1,D2分别为融合后影像的标准方差、源图像1的标准方差、源图像2的标准方差,B为边缘保持度;
(5)输出评价结果。
2.根据权利要求1所述一种用于影像快速融合与评价的方法,其特征在于:所述步骤(A)中的拉普拉斯金字塔分解为采用拉普拉斯滤波器对原图像进行多分辨率分解,从而捕获图像中存在的奇异点;所述步骤(B)方向滤波器组滤波为采用方向滤波器组对各尺度上的高频分量进行方向分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110088712 CN102208103A (zh) | 2011-04-08 | 2011-04-08 | 一种用于影像快速融合与评价的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110088712 CN102208103A (zh) | 2011-04-08 | 2011-04-08 | 一种用于影像快速融合与评价的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102208103A true CN102208103A (zh) | 2011-10-05 |
Family
ID=44696918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110088712 Pending CN102208103A (zh) | 2011-04-08 | 2011-04-08 | 一种用于影像快速融合与评价的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102208103A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN111507969A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507968A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507970A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
WO2021227877A1 (zh) * | 2020-05-13 | 2021-11-18 | 中兴通讯股份有限公司 | 图像超分辨率处理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价系统的构建方法 |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101504766A (zh) * | 2009-03-25 | 2009-08-12 | 湖南大学 | 基于混合多分辨率分解的图像融合方法 |
-
2011
- 2011-04-08 CN CN 201110088712 patent/CN102208103A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价系统的构建方法 |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101504766A (zh) * | 2009-03-25 | 2009-08-12 | 湖南大学 | 基于混合多分辨率分解的图像融合方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN111507969A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507968A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507970A (zh) * | 2020-04-20 | 2020-08-07 | 北京英迈琪科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507968B (zh) * | 2020-04-20 | 2021-12-24 | 深圳市科尧科技有限公司 | 一种图像融合质量检测方法及装置 |
CN111507970B (zh) * | 2020-04-20 | 2022-01-11 | 重庆七腾科技有限公司 | 一种图像融合质量检测方法及装置 |
WO2021227877A1 (zh) * | 2020-05-13 | 2021-11-18 | 中兴通讯股份有限公司 | 图像超分辨率处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yue et al. | A deep learning framework for hyperspectral image classification using spatial pyramid pooling | |
Liao et al. | Deep learning for fusion of APEX hyperspectral and full-waveform LiDAR remote sensing data for tree species mapping | |
Coburn et al. | A multiscale texture analysis procedure for improved forest stand classification | |
Shihavuddin et al. | Image-based coral reef classification and thematic mapping | |
Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
Man et al. | Pixel-and feature-level fusion of hyperspectral and lidar data for urban land-use classification | |
MacLachlan et al. | Subpixel land-cover classification for improved urban area estimates using Landsat | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
Bonnet et al. | Comparison of UAS photogrammetric products for tree detection and characterization of coniferous stands | |
Wan et al. | Tree species classification of forest stands using multisource remote sensing data | |
CN102521581B (zh) | 结合生物特征与局部图像特征的并行人脸识别方法 | |
CN104240264B (zh) | 一种运动物体的高度检测方法和装置 | |
CN102208103A (zh) | 一种用于影像快速融合与评价的方法 | |
Kumar et al. | Built-up and vegetation extraction and density mapping using WorldView-II | |
DeWitt et al. | Creating high-resolution bare-earth digital elevation models (DEMs) from stereo imagery in an area of densely vegetated deciduous forest using combinations of procedures designed for lidar point cloud filtering | |
CN105651263A (zh) | 浅海水深多源遥感融合反演方法 | |
Qin et al. | Spatiotemporal inferences for use in building detection using series of very-high-resolution space-borne stereo images | |
CN106097252B (zh) | 基于图Graph模型的高光谱图像超像素分割方法 | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
La Rosa et al. | Land cover and impervious surface extraction using parametric and non-parametric algorithms from the open-source software R: An application to sustainable urban planning in Sicily | |
CN106651834A (zh) | 无参考图像的变电设备红外热像图质量评价方法及装置 | |
Wang et al. | Detection and analysis of degree of maize lodging using UAV-RGB image multi-feature factors and various classification methods | |
Yang et al. | Extracting buildings from airborne laser scanning point clouds using a marked point process | |
Sun et al. | Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111005 |