CN105303542B - 基于梯度加权的自适应sfim图像融合算法 - Google Patents
基于梯度加权的自适应sfim图像融合算法 Download PDFInfo
- Publication number
- CN105303542B CN105303542B CN201510604419.2A CN201510604419A CN105303542B CN 105303542 B CN105303542 B CN 105303542B CN 201510604419 A CN201510604419 A CN 201510604419A CN 105303542 B CN105303542 B CN 105303542B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sfim
- gradient
- full
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于梯度加权的自适应SFIM图像融合算法,首先求解全色图像的梯度,然后使用梯度的统计信息确定自适应的滤波窗口大小;同时利用图像像素点的梯度值构建加权滤波器,进而使用该滤波器获得滤波图像;最后使用SFIM算法的融合方法融合图像。本发明比原始的SFIM算法中均值滤波器的设计更合理,整体质量较高,在空间分辨率提高和光谱信息保持两个方面达到更好的平衡,主观评价和客观分析结果能够达到一致,而且在光谱信息保持和空间信息提高方面都优于his_dwt算法,得到的融合图像可视性更好,图片更清晰。
Description
技术领域
本发明涉及图像处理领域的图像融合,特别是涉及一种图像融合中SFIM算法的滤波器设计。
背景技术
遥感图像融合是近年来遥感图像处理领域热门研究内容之一。其中,利用高空间分辨率全色图像PAN(Panchromatic image)和低空间分辨率多光谱图像MS(Multi-spectral images)进行融合产生高分辨率多光谱图像是其中一个重要研究方向。国内外学者提出了很多经典融合方法,例如主成分分析(PCA)变换融合、HIS变换融合、高通滤波融合、小波变换融合和Brovey变换融合等。在遥感图像后期应用中,空间信息和光谱信息都有很重要的作用。基于PCA变换的融合光谱信息保持较好,但空间细节信息增加较少。基于HIS变换、Brovey变换和高通滤波变换的融合空间信息增加丰富,但光谱失真比较严重,其中,高通滤波融合如果滤波器选择不好,效果会比较差。小波变换融合具有良好的空间和光谱保持能力,但是小波基的选择比较困难,而且计算比较复杂。基于亮度平滑滤波调节SFIM(Smoothing Filter-based Intensity Modulation,基于平滑滤波的亮度调制)(文献1“LIU J G.Smoothing filter-based intensity modulation:A spectral preserveimage fusion technique for improving spatial details[J].International Journalof Remote Sensing,2000,21(18):3461—3472.”)的方法是2000年由J.G.Liu提出的一种空谱结合的融合方法。SFIM融合过程简单,计算复杂度比较小,和一些经典算法相比,具有较好的效果;但SFIM融合后图像空间分辨率改善不多,光谱存在一定失真。
发明内容
为了克服现有技术的不足,本发明提供一种基于梯度加权平滑滤波的自适应SFIM变换算法,对SFIM变换融合算法进行改进,通过实验结果验证,融合效果有改进,在尽量保持多光谱信息的同时,提高了融合后图像的空间细节信息。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(1)对输入的全色图像PAN进行边缘像素的扩展,对扩展后的图像计算其梯度图,像素点(i,j)处对应的梯度值其中,像素点(i,j)在x方向的偏导数像素点(i,j)在y方向的偏导数f(i,j)为全色图像任意像素点(i,j)处的灰度值;
(2)根据计算的梯度图确定滤波器窗口大小,具体步骤如下:
①对G(i,j)中对应全色图像的像素部分进行处理,得到
②根据coef确定基本参数进而根据基本参数d确定滤波器窗
口的大小N=2d+1;
(3)以像素点(i,j)为中心,在大小为N*N的窗口内,定义滤波器权重矩阵其中任意位置的权重值s,t为整数且在[-d,d]取值;
(4)利用滤波器权重矩阵对全色图像进行梯度加权平滑滤波,计算像素点(i,j)的
滤波输出值其中,Phigh(i,j)表示全色图像中
像素点(i,j)的像素值;将Pmean代入SFIM融合算法计算融合图像Plow表示
任意波段的多光谱图像,Pmean表示对全色图像Phigh滤波后的图像。
本发明的有益效果是:比原始的SFIM算法中均值滤波器的设计更合理,整体质量较高,在空间分辨率提高和光谱信息保持两个方面达到更好的平衡,主观评价和客观分析结果能够达到一致。而且在光谱信息保持和空间信息提高方面都优于his_dwt算法(文献2“张丽侠,张力,艾海滨.改进IHS变换的图像融合方法研究[J].测绘科学,2011.11,36(6):149—151.”)。另外,本发明方法比其他两种算法得到的融合图像可视性更好,图片更清晰。
附图说明
图1是本发明的融合算法技术路线示意图;
图2是全色多光谱图像及几种方法的融合结果示意图,图中,(a)是多光谱图像,(b)是全色图像,(c)是本发明方法的图像,(d)是均值滤波方法的图像,(e)是his_dwt算法的图像。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
针对SFIM融合算法中滤波器的设计问题,本发明提出了一种基于梯度加权的自适应窗口滤波方法。本发明的主要思路是首先求解全色图像的梯度,然后使用梯度的统计信息确定自适应的滤波窗口大小;同时利用图像像素点的梯度值构建加权滤波器,进而使用该滤波器获得滤波图像;最后使用SFIM算法的融合方法融合图像。
本发明的技术方案主要包括四个步骤:
(1)梯度的计算
为了便于计算全色图像PAN边缘像素的梯度,首先对输入的全色图像PAN进行边缘像素的扩展,然后再计算梯度图。假设全色图像任意像素点(i,j)处的灰度值为f(i,j),则点(i,j)处对应的梯度幅值为
其中,gx和gy分别表示该像素点x和y方向的偏导数
(2)自适应窗口的确定
根据第(1)步骤中计算的梯度图确定滤波器窗口大小,具体步骤如下:
①根据高分辨率全色图像中每个像素的梯度值G(i,j),按以下公式对G(i,j)进行处理,用coef表示:
②针对全色图像任意像素点(i,j),利用公式(5)确定该像素对应的滤波器窗口大小N。根据coef确定基本参数d:
进而根据基本参数d,确定自适应窗口的大小N=2d+1,即:
(3)滤波权重的计算
由上一步骤计算出全色图像点(i,j)处的滤波器窗口大小为N,以像素点(i,j)为中心,在大小为N*N的窗口内,定义滤波器权重矩阵W为:
其中任意位置的权重值计算如下
式中s,t为整数且在[-d,d]取值。
(4)SFIM融合
记全色图像Phigh,首先利用公式(6)对Phigh进行梯度加权平滑滤波,即,利用公式(6)对应模板中心点逐一对准全色图像Phigh中每一个像素(i,j),每一个像素处将模板元素和它所对应的图像像素值对应相乘求和,从而计算出该像素点的滤波输出值Pmean(i,j),即:
Pmean表示对全色图像Phigh滤波后的图像。
然后,再将Pmean代入SFIM融合算法计算融合图像PSFIM,若使用Plow表示任意波段的多光谱图像,融合过程为
为了说明新算法的优越性,在分析和试验大量卫星遥感图像的基础上,发明中采用了256灰度级,大小为300×300pixels的某地区卫星遥感图像块进行仿真和说明。试验所用的多光谱图像(20m×20m)与全色图像(10m×10m)经过了空间配准。
按照图1所示,本发明具体实施方式如下:
(1)梯度的计算
①首先对输入的多光谱图像Plow进行RGB三波段分解,得到IR,IG,IB图像。
②然后对输入的全色图像Phigh进行边缘扩展,四周分别向外扩展7个像素。则由原来的300×300pixels变为314×314pixels大小的图像P′high。
③对图像P′high根据公式(1)计算其梯度图像,得到G′(i,j)。
(2)自适应窗口的确定
①根据公式(3)对G′(i,j)中对应Phigh的像素部分进行计算,得到coef。
②由得到的coef,根据公式(4)、(5)计算得到相应像素的自适应窗口大小N。
(3)滤波权重的确定
①对于全色图像任一点像素Phigh(i,j),根据公式(7)计算得到该点对应的图像滤波器权重值w(i,j)。
②由该点像素的权重值w(i,j)根据公式(6)构成权重矩阵W(i,j)。
(4)SFIM融合
①将全色图像Phigh的每一个像素点用对应该像素点的滤波器权重矩阵W进行逐一滤波,得到Pmean(i,j)。
②根据SFIM变换公式(9),将Pmean代入分别与IR、IG、IB图像进行细节融合,IR、IG、IB依次代替公式(9)中的Plow,得到三个融合图像FRSFIM、FGSFIM、FBSFIM。
③最后将FRSFIM、FGSFIM、FBSFIM三个波段的图像进行RGB彩色合成,得到融合图像PSFIM。
表1 几种融合图像的统计参数对比
表1分别为本发明、均值滤波(文献1)和his_dwt(文献2)的融合图像评价结果。可以看出本发明方法的空间相关系数最大,在尽量保持光谱信息的前提下,提高了空间细节信息的融入。
Claims (1)
1.一种基于梯度加权的自适应SFIM图像融合算法,其特征在于包括下述步骤:
(1)对输入的全色图像Phigh进行边缘像素的扩展,对扩展后的图像计算其梯度图,像素点(i,j)处对应的梯度值其中,像素点(i,j)在x方向的偏导数像素点(i,j)在y方向的偏导数f(i,j)为全色图像任意像素点(i,j)处的灰度值;
(2)根据计算的梯度图确定滤波器窗口大小,具体步骤如下:
①对G(i,j)中对应全色图像的像素部分进行处理,得到
②根据coef确定基本参数进而根据基本参数d确定滤波器窗口的大小N=2d+1;
(3)以像素点(i,j)为中心,在大小为N*N的窗口内,定义滤波器权重矩阵其中任意位置的权重值s,t为整数且在[-d,d]取值;
(4)利用滤波器权重矩阵对全色图像进行梯度加权平滑滤波,计算像素点(i,j)的滤波输出值其中,Phigh(i,j)表示全色图像中像素点(i,j)的像素值;将Pmean代入SFIM融合算法计算融合图像Plow表示任意波段的多光谱图像,Pmean表示对全色图像Phigh滤波后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604419.2A CN105303542B (zh) | 2015-09-22 | 2015-09-22 | 基于梯度加权的自适应sfim图像融合算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604419.2A CN105303542B (zh) | 2015-09-22 | 2015-09-22 | 基于梯度加权的自适应sfim图像融合算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303542A CN105303542A (zh) | 2016-02-03 |
CN105303542B true CN105303542B (zh) | 2018-10-30 |
Family
ID=55200766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510604419.2A Active CN105303542B (zh) | 2015-09-22 | 2015-09-22 | 基于梯度加权的自适应sfim图像融合算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303542B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220957B (zh) * | 2017-04-25 | 2019-07-05 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
CN107958450B (zh) * | 2017-12-15 | 2021-05-04 | 武汉大学 | 基于自适应高斯滤波的全色多光谱影像融合方法及系统 |
CN109615599B (zh) * | 2018-12-13 | 2022-05-06 | 钦州学院 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
CN110930343A (zh) * | 2019-11-22 | 2020-03-27 | 南京信息工程大学 | 基于sr-mdcnn的遥感图像融合方法 |
CN113992838A (zh) * | 2021-08-09 | 2022-01-28 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号的成像聚焦方法和控制方法 |
CN114897882B (zh) * | 2022-06-10 | 2024-04-19 | 大连民族大学 | 一种基于加权平均曲率滤波分解的遥感图像融合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7394856B2 (en) * | 2003-09-19 | 2008-07-01 | Seiko Epson Corporation | Adaptive video prefilter |
CN101266686A (zh) * | 2008-05-05 | 2008-09-17 | 西北工业大学 | 一种基于sfim和ihs变换的图像融合方法 |
CN101968883A (zh) * | 2010-10-28 | 2011-02-09 | 西北工业大学 | 一种基于小波变换和邻域特征的多聚焦图像融合方法 |
CN102436666A (zh) * | 2011-08-31 | 2012-05-02 | 上海大学 | 基于ihs变换的对象与场景融合方法 |
CN104202513A (zh) * | 2014-06-30 | 2014-12-10 | 北京控制工程研究所 | 一种基于fpga的星敏感器多模式图像预处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030005009A1 (en) * | 2001-04-17 | 2003-01-02 | Mohammad Usman | Least-mean square system with adaptive step size |
US20060233454A1 (en) * | 2005-04-15 | 2006-10-19 | Hu Cheng | Method for image intensity correction using extrapolation and adaptive smoothing |
-
2015
- 2015-09-22 CN CN201510604419.2A patent/CN105303542B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7394856B2 (en) * | 2003-09-19 | 2008-07-01 | Seiko Epson Corporation | Adaptive video prefilter |
CN101266686A (zh) * | 2008-05-05 | 2008-09-17 | 西北工业大学 | 一种基于sfim和ihs变换的图像融合方法 |
CN101968883A (zh) * | 2010-10-28 | 2011-02-09 | 西北工业大学 | 一种基于小波变换和邻域特征的多聚焦图像融合方法 |
CN102436666A (zh) * | 2011-08-31 | 2012-05-02 | 上海大学 | 基于ihs变换的对象与场景融合方法 |
CN104202513A (zh) * | 2014-06-30 | 2014-12-10 | 北京控制工程研究所 | 一种基于fpga的星敏感器多模式图像预处理方法 |
Non-Patent Citations (6)
Title |
---|
An Adaptive Window Mechanism for Image Smoothing;Ardeshir Goshtasby 等;《Computer Vision and Image Understanding》;20080831;摘要 * |
Some Modifications of Gradient Weighted Filters;Rey-Sern Lin 等;《Journal of Visual Communication and Image Representation》;19991231;第10卷(第4期);全文 * |
一种基于SFIM和IHS变换的图像融合算法;何贵青 等;《西北工业大学学报》;20080229;第26卷(第1期);41-46 * |
一种基于互信息量的并行磁共振图像重建新算法;黄鑫 等;《中国生物医学工程学报》;20071231;第26卷(第6期);850-855 * |
一种改进亮度平滑滤波调节图像融合算法;亓辰 等;《微计算机信息》;20091231;第25卷(第2-3期);正文第1节第2段,第2节 * |
改进IHS变换的图像融合方法研究;张丽侠 等;《测绘科学》;20111130;第36卷(第6期);143、149-151 * |
Also Published As
Publication number | Publication date |
---|---|
CN105303542A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303542B (zh) | 基于梯度加权的自适应sfim图像融合算法 | |
CN104683767B (zh) | 透雾图像生成方法及装置 | |
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 | |
CN104851077B (zh) | 一种自适应的遥感图像全色锐化方法 | |
CN109410164B (zh) | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 | |
Alleysson et al. | Linear demosaicing inspired by the human visual system | |
KR101291219B1 (ko) | 전정색영상과 다분광영상의 융합 방법 및 그 장치 | |
CN106960428A (zh) | 可见光和红外双波段图像融合增强方法 | |
CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
CN105850114A (zh) | 用于图像的逆色调映射的方法 | |
WO2016045242A1 (zh) | 一种图像放大方法、图像放大装置及显示设备 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN104867124B (zh) | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 | |
CN105447840B (zh) | 基于主动采样与高斯过程回归的图像超分辨方法 | |
CN105915909A (zh) | 一种高动态范围图像分层压缩方法 | |
CN105160647B (zh) | 一种全色多光谱影像融合方法 | |
CN107103596A (zh) | 一种基于yuv空间的彩色夜视图像融合方法 | |
CN104537678B (zh) | 一种从单幅遥感图像中去除云雾的方法 | |
CN109074637B (zh) | 用于从多个相应的输入图像通道生成输出图像的方法和系统 | |
CN107610093B (zh) | 基于相似性特征融合的全参考型图像质量评价方法 | |
CN110599418B (zh) | 一种变换域融合的全局色调映射方法 | |
CN105913400A (zh) | 一种获得高质量且实时的美颜的装置 | |
Hnatushenko et al. | PANSHARPENING TECHNOLOGY OF HIGH RESOLUTION MULTISPECTRAL AND PANCHROMATIC SATELLITE IMAGES. | |
CN107169946A (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN114897706A (zh) | 一种全色多光谱影像融合的绿色植被增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |