CN106023111A - 一种影像融合质量评价方法及系统 - Google Patents
一种影像融合质量评价方法及系统 Download PDFInfo
- Publication number
- CN106023111A CN106023111A CN201610343618.7A CN201610343618A CN106023111A CN 106023111 A CN106023111 A CN 106023111A CN 201610343618 A CN201610343618 A CN 201610343618A CN 106023111 A CN106023111 A CN 106023111A
- Authority
- CN
- China
- Prior art keywords
- wave band
- fusion
- evaluation
- image
- spectral signature
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 145
- 230000003595 spectral effect Effects 0.000 claims abstract description 113
- 230000000007 visual effect Effects 0.000 claims abstract description 75
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 18
- 238000013441 quality evaluation Methods 0.000 claims description 18
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Abstract
本发明涉及一种影像融合质量评价方法及系统,在对影像融合质量评价时,将融合影像空间特征与光谱特征进行了分离,计算空间相关系数和光谱相关系数,同时引入代表人眼视觉特性的均值偏差,三者的乘积来对影像融合质量进行评价,因此对于空间细节信息和光谱信息的扭曲如影像模糊、添加噪声、亮度变化等都能够被反映出来,能够表现出较好的自适应性和鲁棒性,能够综合评价融合影像保持空间特征和光谱特征的能力,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
Description
技术领域
本发明涉及评价方法及系统,尤其涉及一种影像融合质量评价方法及系统。
背景技术
遥感影像融合技术在影像分析、特征提取、建模、目标检测等方面都具有广泛的应用,遥感影像融合将全色影像和多光谱影像进行融合,得到融合影像。当前用于遥感影像融合的方法有很多,但是遥感影像融合质量评价的问题却一直没有很好地解决,主要原因是同一方法对不同类型的影像融合效果不一样,不同观察者对融合影像的认知也不一样,不同的应用场合对影像融合的需求又不一样。
目前的影像融合质量评价指标大致可以分为三类:第一类是光谱质量指标,如光谱相关系数、UIQI、ERGAS、RASE等,主要侧重于融合影像对光谱信息的保持度;第二类是空间质量指标,如空间相关系数、拉普拉斯空间相关系数等,主要侧重于融合影像保持空间细节信息的能力;第三类是影像本身质量指标,如熵、梯度、清晰度、信噪比等,主要侧重于融合影像本身的质量。但是这些质量评价指标都有各自的侧重点,并且存在各评价指标评价结果不一致的状况。同时,现有的质量评价中都没有考虑人的主观视觉感受,得到的评价结果不一定能够与人的主观评价一致,还存在人眼主观评价不一致的情况,因此都不能全面评价整个影像融合的质量。
发明内容
有鉴于此,有必要针对上述现有影像融合质量评价指标评价结果不一致、没有结合人的主观视觉感受导致人眼主观评价不一致、不能全面评价整个影像融合的质量的问题,提供一种影像融合质量评价方法。同时,本发明还提供一 种影像融合质量评价系统。
本发明提供的一种影像融合质量评价方法,包括如下步骤:
S10:提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征;
S20:根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
在其中的一个实施方式中,所述步骤S10具体为:
对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
在其中的一个实施方式中,所述对全色影像、多光谱影像和融合影像各波段进行滤波的步骤具体为:
所述滤波采用高通、低通滤波器或者边缘检测算子进行。
在其中的一个实施方式中,采用滤波器进行滤波,采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
在其中的一个实施方式中,所述步骤S10还包括:
对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。
本发明提供的一种影像融合质量评价系统,包括:
特征提取模块,提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征;
评价指标计算模块,根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
在其中的一个实施方式中,所述特征提取模块对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
在其中的一个实施方式中,所述特征提取模块滤波采用高通、低通滤波器或者边缘检测算子进行。
在其中的一个实施方式中,所述特征提取模块采用滤波器进行滤波,采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
在其中的一个实施方式中,所述特征提取模块对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。
本发明影像融合质量评价方法及系统,在对影像融合质量评价时,将融合影像空间特征与光谱特征进行了分离,计算空间相关系数和光谱相关系数,同时引入代表人眼视觉特性的均值偏差,三者的乘积来对影像融合质量进行评价,因此对于空间细节信息和光谱信息的扭曲如影像模糊、添加噪声、亮度变化等都能够被反映出来,能够表现出较好的自适应性和鲁棒性,能够综合评价融合 影像保持空间特征和光谱特征的能力,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
附图说明
图1是一个实施例中的影像融合质量评价方法的流程图;
图2(a)、图2(b)、图2(c)、图2(d)是一个实施例中对多种方法扭曲后的质量评价结果示意图;
图3是一个实施例中的影像融合质量评价系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
遥感影像融合将全色影像和多光谱影像进行融合,是一个信息传递的过程。在融合过程中,融合影像由全色影像上获取的主要是空间细节信息,例如边缘等,而不是全色影像的所有内容,这些空间细节信息构成空间特征。同样的,由多光谱影像上获取的主要是光谱信息,而不是多光谱影像的所有内容,光谱信息则构成光谱特征。影像融合的目标是使融合后得到的融合影像尽可能多的保持全色影像空间细节信息的同时,要尽可能多的保持多光谱影像的光谱信息。故,本发明方法对影像融合质量的评价从空间质量和光谱质量两方面入手,综合考虑这两方面的影响,结合人眼视觉特性,将空间特征和光谱特征分别从融合影像上分离出来,并以相关系数评价为基础,综合评价融合影像保持空间特征和光谱特征的能力,以此作为融合质量的客观评价,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
具体的,如图1所示是一个实施例中的影像融合质量评价方法的流程图,由图1知,该方法包括如下步骤:
S10:提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征 以及分别提取融合影像各波段的空间特征和光谱特征。
该步骤进行特征提取,将空间特征和光谱特征分别从融合影像上分离出来。具体的:对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
滤波可以采用高通、低通滤波器或者边缘检测算子,如Sobel算子等。优选的,该步骤中采用滤波器进行滤波,采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
在该实施例中,设定原始全色影像为P,原始多光谱影像和融合影像各波段分别为Mi和Fi,其中i=1,2,...,N,N为波段数,*表示卷积运算,则滤波后全色影像与融合影像各波段的空间特征可以表示为:
滤波后原始多光谱影像和融合影像各波段的光谱特征可以表示为:
由于融合影像的空间分辨率比原始多光谱影像要高,因此不能直接将融合影像各波段的光谱特征作为各波段的光谱特征,需要按照空间分辨率比进行重采样。故该步骤还包括:对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。即不能将Fi_t作为融合影像第i波段的光谱特征,而需要将Fi_t按照空间分辨率比进行重采样,重采样的方法与将原始多光谱影像重采样至全色影像空间分辨率的方法一样,使Fi_t与Mi的空间分辨率保持一致,最终的光谱特征表示为:
S20:根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
在分别提取了全色影像各波段的空间特征,多光谱影像各波段的光谱特征、融合影像各波段的空间特征和融合影像各波段的光谱特征后,根据提取到的空间特征和光谱特征,分别计算得到空间相关系数和光谱相关系数,同时计算得到均值偏差来结合人眼主观评价,将三者相乘得到乘积作为影像融合质量评价指标(FCC,Feature-based Correlation Coefficient)。这样就从空间质量和光谱质量两方面入手,综合考虑这两方面的影响,同时结合人眼视觉特性,三方面的来对影像融合质量进行评价,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
具体的,在该实施例中,用x、y、z、k、M、F分别表示P_h、Fi_h、Mi_l、Fi_l、Mi、Fi,影像大小为N=m×n,则第i波段的FCC(Feature-based Correlation Coefficient)的表达式为:
其中表示M和F的均值,
和分别表示x、y、z和k的均值。
FCC从三个方面评价了融合影像对于原始全色影像和多光谱影像信息的保持度,第一部分是滤波后融合影像各波段和全色影像的空间相关系数,因 为加了绝对值,因此值域是[0,1],描述的是融合影像对空间特征的保持度,当y=ax+b且a>0时取得最大值1。第二部分是经过滤波和重采样处理后的融合影像各波段与原始多光谱影像的光谱相关系数,值域同样是[0,1],描述的是融合影像对光谱特征的保持度,取最大值1的条件与第一部分的类似。第三部分是均值偏差,值域是[0,1],当且仅当μM=μF时取值为1,描述的是融合影像各波段与原始多光谱影像各波段的均值差异,均值偏差越小,融合影像越符合人眼的视觉感受。这是因为根据人眼视觉系统HVS中广泛使用的韦伯定律,对两幅影像质量的辨别能力不是取决于两者差异的绝对值,而是取决于差异的相对值。设Δ为相对亮度改变,即μF=(1+Δ)μM,代入第三部分可得: 因此均值偏差只是Δ的函数,表明均值偏差与韦伯定律是一致的,能反映人眼的视觉感受。
检验本发明方法对遥感影像融合质量评价指标的正确性和有效性,对本发明方法进行了实验。实验对原始全色影像和多光谱影像进行遥感影像融合,其中,全色影像的空间分辨率为0.61米,多光谱影像的空间分辨率为2.44米,多光谱影像采用RGB三波段影像合成的真彩色影像,融合前已将全色影像和多光谱影像进行了严格的几何配准,并将多光谱影像重采样至全色影像同样的像素大小,重采样的方法为双线性内插法。本实验用于对比的融合方法分别为BT变换、IHS变换、PCA变换和Wavelet Substitution(WS)方法。同时,邀请了10个观测者进行目视评价,然后进行投票得出四种融合方法获得的结果影像的质量排序,作为视觉评价的结果。
进行比对的四种融合方法融合影像均具有高的空间分辨率,道路、房屋等地物的细节清晰可见。从融合影像的亮度上来看,BT变换的融合影像亮度最低,其次是PCA变换,IHS变换和WS方法的亮度相差不大,且与原始多光谱影像的亮度基本一致。比较局部放大图可以看出,WS方法在树木的颜色上与原始多光谱影像保持了较高的一致性,IHS变换的颜色偏亮,而BT变换的颜色偏暗,PCA变换颜色居中,但仍有较大的偏差。因此从视觉效果上看,四种方法的融合质量从高到低依次为:WS方法、HIS变换、PCA变换、BT变换。
为客观评价各融合方法融合影像的质量,该实施例中,选取空间相关系数、光谱相关系数、MI(互信息)和FCC作为评价指标,定量评价结果如表1所示:
表1
从表1可以看出,WS方法的空间相关系数最低,光谱相关系数却最高,而BT变换刚好与之相反,IHS变换的空间相关系数略低于PCA变换,但光谱相关系数略高于PCA变换。由此可知,单纯依靠空间相关系数或者光谱相关系数只能得出片面的结论。从MI指标上可知,BT变换的融合影像质量最高,WS方法最差,显然与视觉评价结果相违背,而本发明方法FCC的评价结果则与视觉评价完全一致,WS方法的融合影像质量最高,BT变换最差,这是与FCC指标的人眼视觉特性紧密相关的。
为了进一步检验本发明评价方法对于融合影像模糊、噪声、亮度变化等空间特征和光谱特征扭曲的评价能力,对上述WS方法的融合影像进行多种扭曲操作。其中包括:高斯模糊,高斯核窗口大小为3,方差为1;均值降低,均值降低1.2倍;高斯噪声(高斯白噪声),添加均值为0,方差为625的高斯白噪声;JPEG压缩,压缩后质量为原始影像的10%。操作后获取扭曲结果,根据扭曲结果得出扭曲后影像的视觉效果均要明显低于扭曲前,此外,对上述另外 三种方法的融合影像使用同样的扭曲方法进行扭曲,并计算空间相关系数、光谱相关系数、MI和FCC指标,得到图2所示的质量评价结果图,分别为图2(a)、图2(b)、图2(c)和图2(d)。
由于均值降低对融合影像来说是一个线性变换,因此空间相关系数和光谱相关系数在均值降低处的值与原始影像基本一致,说明这两个指标无法区分这种影像扭曲。高斯模糊后空间相关系数降低,而光谱相关系数升高,这是由于高斯模糊操作去除了影像中的细节信息导致的。从MI指标的结果看,高斯模糊后PCA变换和WS方法的值会升高,均值降低后PCA变换和BT变换的值会大幅升高,JPEG压缩后WS方法的MI值甚至比原始影像都要高,这些情况都说明,基于统计量的MI指标可能会存在严重的错误评价。而图2(d)中FCC指标的值与人眼视觉评价的结果一致,四种方法的变化趋势是一样的,且高斯模糊与均值降低的值比较接近,都要高于JPEG压缩和高斯噪声。
同时,为证明本发明评价方法的普适性,选用其他几种传感器所获取的全色和多光谱影像,包括SPOT、TM、IKONOS和WorldView-2进行融合和质量评价实验,影像大小均为512*512像素,多光谱影像为3个波段组成的真彩色影像,采用BT变换、IHS变换、PCA变换、WS方法对这些全色和多光谱影像进行融合,融合之前均进行严格的几何配准,然后计算空间相关系数、光谱相关系数、MI和FCC客观评价指标,得到计算结果分别为表2、表3和表4。其中,表2为STOP全色和TM多光谱影像融合质量评价结果,表3为IKONOS全色和多光谱影像融合质量评价结果,表4为WorldView-2全色和多光谱影像融合质量评价结果。表2、表3和表4中仅列出了3个波段的平均值,并采用与表1一样的方法进行视觉评价如下:
表2
表3
表4
从上述普适性验证可以得出,本发明评价方法和指标总是能够获得与视觉评价一致的结果,而其它评价方法和指标却经常与视觉评价的结果不一致。因此验证得到本发明的方法对不同影像不同融合方法均具有良好的适用性,同时对图像质量扭曲也有很好的评价结果。
在该评价方法中,在对影像融合质量的评价指标中,由于将融合影像空间特征与光谱特征进行了分离,计算空间相关系数和光谱相关系数,同时引入代表人眼视觉特性的均值偏差,三者的乘积来对影像融合质量进行评价,因此对于空间细节信息和光谱信息的扭曲如影像模糊、添加噪声、亮度变化等都能够被反映出来,能够表现出较好的自适应性和鲁棒性,综合评价融合影像保持空间特征和光谱特征的能力,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
同时,本发明还提供一种影像融合质量评价系统,由图3所示,该系统包括:
特征提取模块100,提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
特征提取模块100进行特征提取,将空间特征和光谱特征分别从融合影像上分离出来。具体的:特征提取模块100对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
滤波可以采用各种高通、低通滤波器或者边缘检测算子,如Sobel算子等。 优选的,特征提取模块100采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
由于融合影像的空间分辨率比原始多光谱影像要高,因此不能直接将融合影像各波段的光谱特征作为各波段的光谱特征,需要按照空间分辨率比进行重采样。故特征提取模块100对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。
评价指标计算模块200,根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
在分别提取了全色影像各波段的空间特征,多光谱影像各波段的光谱特征、融合影像各波段的空间特征和融合影像各波段的光谱特征后,评价指标计算模块200根据提取到的空间特征和光谱特征,分别计算得到空间相关系数和光谱相关系数,同时计算得到均值偏差来结合人眼主观评价,将三者相乘得到乘积作为影像融合质量评价指标(FCC,Feature-based Correlation Coefficient)。这样就从空间质量和光谱质量两方面入手,综合考虑这两方面的影响,同时结合人眼视觉特性,三方面的来对影像融合质量进行评价,综合评价融合影像保持空间特征和光谱特征的能力,以此作为融合质量的客观评价,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
在该评价系统中,在对影像融合质量的评价指标中,由于将融合影像空间特征与光谱特征进行了分离,计算空间相关系数和光谱相关系数,同时引入代表人眼视觉特性的均值偏差,三者的乘积来对影像融合质量进行评价,因此对 于空间细节信息和光谱信息的扭曲如影像模糊、添加噪声、亮度变化等都能够被反映出来,能够表现出较好的自适应性和鲁棒性,综合评价融合影像保持空间特征和光谱特征的能力,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
本发明影像融合质量评价方法及系统,在对影像融合质量评价时,将融合影像空间特征与光谱特征进行了分离,计算空间相关系数和光谱相关系数,同时引入代表人眼视觉特性的均值偏差,三者的乘积来对影像融合质量进行评价,因此对于空间细节信息和光谱信息的扭曲如影像模糊、添加噪声、亮度变化等都能够被反映出来,能够表现出较好的自适应性和鲁棒性,能够综合评价融合影像保持空间特征和光谱特征的能力,避免人眼主观评价不一致的问题,全面评价整个影像融合的质量。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种影像融合质量评价方法,其特征在于,包括如下步骤:
S10:提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征;
S20:根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
2.根据权利要求1所述的影像融合质量评价方法,其特征在于,所述步骤S10具体为:
对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
3.根据权利要求2所述的影像融合质量评价方法,其特征在于,所述对全色影像、多光谱影像和融合影像各波段进行滤波的步骤具体为:
所述滤波采用高通、低通滤波器或者边缘检测算子进行。
4.根据权利要求3所述的影像融合质量评价方法,其特征在于,采用滤波器进行滤波,采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
5.根据权利要求1所述的影像融合质量评价方法,其特征在于,所述步骤S10还包括:
对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。
6.一种影像融合质量评价系统,其特征在于,包括:
特征提取模块,提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征;
评价指标计算模块,根据融合影像各波段的空间特征和全色影像各波段的空间特征计算融合影像各波段与全色影像的空间相关系数;根据融合影像各波段的光谱特征和多光谱影像各波段的光谱特征计算融合影像各波段与多光谱影像各波段的光谱相关系数;计算融合影像各波段与多光谱影像各波段的均值偏差;将空间相关系数、光谱相关系数以及均值偏差三者相乘得到乘积作为影像融合质量评价指标。
7.根据权利要求1所述的影像融合质量评价系统,其特征在于,所述特征提取模块对全色影像、多光谱影像和融合影像各波段进行滤波,滤波后提取全色影像各波段的空间特征,提取多光谱影像各波段的光谱特征以及分别提取融合影像各波段的空间特征和光谱特征。
8.根据权利要求7所述的影像融合质量评价系统,其特征在于,所述特征提取模块滤波采用高通、低通滤波器或者边缘检测算子进行。
9.根据权利要求7所述的影像融合质量评价系统,其特征在于,所述特征提取模块采用滤波器进行滤波,采用的滤波器是B3样条函数,其5*5的滤波器卷积核为:
10.根据权利要求6所述的影像融合质量评价系统,其特征在于,所述特征提取模块对融合影像各波段进行重采样,使融合影像各波段光谱特征与多光谱影像光谱特征的空间分辨率保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343618.7A CN106023111A (zh) | 2016-05-23 | 2016-05-23 | 一种影像融合质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610343618.7A CN106023111A (zh) | 2016-05-23 | 2016-05-23 | 一种影像融合质量评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023111A true CN106023111A (zh) | 2016-10-12 |
Family
ID=57095677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610343618.7A Pending CN106023111A (zh) | 2016-05-23 | 2016-05-23 | 一种影像融合质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023111A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
WO2019114677A1 (en) * | 2017-12-13 | 2019-06-20 | The Hong Kong Research Institute Of Textiles And Apparel Limited | Color quality assessment based on multispectral imaging |
CN109949270A (zh) * | 2019-01-28 | 2019-06-28 | 西北工业大学 | 基于区域卷积网络的多光谱和全色图像融合空间质量评价方法 |
CN110555843A (zh) * | 2019-09-11 | 2019-12-10 | 浙江师范大学 | 一种高精度的无参考融合遥感影像质量分析方法及系统 |
CN110751626A (zh) * | 2019-09-19 | 2020-02-04 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN110942451A (zh) * | 2019-11-20 | 2020-03-31 | 东南大学 | 一种无参考图像的遥感图像融合性能评价方法 |
CN111581764A (zh) * | 2019-02-18 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种模型精度评价方法 |
CN111681207A (zh) * | 2020-05-09 | 2020-09-18 | 宁波大学 | 一种遥感图像融合质量评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208103A (zh) * | 2011-04-08 | 2011-10-05 | 东南大学 | 一种用于影像快速融合与评价的方法 |
CN102521815A (zh) * | 2011-11-02 | 2012-06-27 | 薛笑荣 | 影像快速融合系统及快速融合方法 |
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系统 |
CN103065293A (zh) * | 2012-12-31 | 2013-04-24 | 中国科学院东北地理与农业生态研究所 | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
-
2016
- 2016-05-23 CN CN201610343618.7A patent/CN106023111A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208103A (zh) * | 2011-04-08 | 2011-10-05 | 东南大学 | 一种用于影像快速融合与评价的方法 |
CN102521815A (zh) * | 2011-11-02 | 2012-06-27 | 薛笑荣 | 影像快速融合系统及快速融合方法 |
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系统 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103065293A (zh) * | 2012-12-31 | 2013-04-24 | 中国科学院东北地理与农业生态研究所 | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
Non-Patent Citations (2)
Title |
---|
刘军 等: "基于特征结构相似度的遥感影像融合质量评价指标", 《光子学报》 * |
夏清 等: "不同遥感影像融合方法的质量评价", 《地理空间信息》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
WO2019114677A1 (en) * | 2017-12-13 | 2019-06-20 | The Hong Kong Research Institute Of Textiles And Apparel Limited | Color quality assessment based on multispectral imaging |
CN109949270A (zh) * | 2019-01-28 | 2019-06-28 | 西北工业大学 | 基于区域卷积网络的多光谱和全色图像融合空间质量评价方法 |
CN111581764A (zh) * | 2019-02-18 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种模型精度评价方法 |
CN110555843A (zh) * | 2019-09-11 | 2019-12-10 | 浙江师范大学 | 一种高精度的无参考融合遥感影像质量分析方法及系统 |
CN110555843B (zh) * | 2019-09-11 | 2023-05-09 | 浙江师范大学 | 一种高精度的无参考融合遥感影像质量分析方法及系统 |
CN110751626A (zh) * | 2019-09-19 | 2020-02-04 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN110751626B (zh) * | 2019-09-19 | 2022-07-19 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN110942451A (zh) * | 2019-11-20 | 2020-03-31 | 东南大学 | 一种无参考图像的遥感图像融合性能评价方法 |
CN110942451B (zh) * | 2019-11-20 | 2022-11-18 | 东南大学 | 一种无参考图像的遥感图像融合性能评价方法 |
CN111681207A (zh) * | 2020-05-09 | 2020-09-18 | 宁波大学 | 一种遥感图像融合质量评价方法 |
CN111681207B (zh) * | 2020-05-09 | 2023-10-27 | 四维高景卫星遥感有限公司 | 一种遥感图像融合质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023111A (zh) | 一种影像融合质量评价方法及系统 | |
Lin et al. | Recent advances in passive digital image security forensics: A brief review | |
Farid | Image forgery detection | |
Tursun et al. | An objective deghosting quality metric for HDR images | |
Ciancio et al. | No-reference blur assessment of digital pictures based on multifeature classifiers | |
Gallagher et al. | Image authentication by detecting traces of demosaicing | |
Shen et al. | Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images | |
Yerushalmy et al. | Digital image forgery detection based on lens and sensor aberration | |
CN107077602A (zh) | 用于活性分析的系统及方法 | |
Finlayson | Colour and illumination in computer vision | |
Wang | A simple and effective image-statistics-based approach to detecting recaptured images from LCD screens | |
Liu et al. | Detect image splicing with artificial blurred boundary | |
Asmare et al. | Image enhancement by fusion in contourlet transform | |
Shrestha et al. | Quality evaluation in spectral imaging–quality factors and metrics | |
CN111179202A (zh) | 一种基于生成对抗网络的单幅图像去雾增强方法和系统 | |
Tiwari et al. | Image features dependant correlation-weighting function for efficient PRNU based source camera identification | |
Gabarda et al. | Anisotropic blind image quality assessment: Survey and analysis with current methods | |
Lecca et al. | An image contrast measure based on Retinex principles | |
Wang et al. | A new method estimating linear gaussian filter kernel by image PRNU noise | |
Singh et al. | Visibility enhancement and dehazing: Research contribution challenges and direction | |
Ciocca et al. | How to assess image quality within a workflow chain: an overview | |
Beigpour et al. | A comprehensive multi-illuminant dataset for benchmarking of the intrinsic image algorithms | |
US9536162B2 (en) | Method for detecting an invisible mark on a card | |
Mahmood et al. | Enhanced visualization of hyperspectral images | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |