CN108898569A - 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 - Google Patents
一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 Download PDFInfo
- Publication number
- CN108898569A CN108898569A CN201810548576.XA CN201810548576A CN108898569A CN 108898569 A CN108898569 A CN 108898569A CN 201810548576 A CN201810548576 A CN 201810548576A CN 108898569 A CN108898569 A CN 108898569A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- fusion
- sensing image
- image
- component
- 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 84
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000013316 zoning Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000002156 mixing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005267 amalgamation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法，与现有技术相比解决了融合图像质量低的缺陷。本发明包括以下步骤：源遥感影像的获取与匹配；对两种源遥感影像进行彩色空间转换；针对I分量的小波分解；确定融合影像亮度分量的低频子带融合规则；计算区域方差匹配度，确定融合影像亮度分量的高频子带融合规则；计算融合影像的亮度分量；融合影像的获得。本发明有效克服了基于单个像素的融合规则所带来的不合理性和片面性，更好地体现了遥感图像的整体特征，提升了可见光和红外遥感影像融合的效果和精确度。
Description
技术领域
本发明涉及图像融合处理技术领域，具体来说是一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法。
背景技术
遥感图像融合是采用一定的算法把具有不同成像机理的遥感图像传感器对同一个场景的多个成像信息合成一幅满足特定需要的新遥感图像，从而使融合的遥感图像可信度更高、模糊较少、可理解性更好，更适合人的视觉及计算机检测、分类、识别和理解等处理。
基于单个像素的遥感图像融合是仅仅根据遥感图像特定分解层次上的像素值来确定融合结果遥感图像上对应分解层上对应像素点的值，相应的遥感图像融合规则主要有对应像素值取大(取小)和对应像素值的加权平均法。但通常来说，单个像素的像素值并不能完全表达遥感图像的区域特征，而且遥感图像在某一区域内的像素之间一般都具有较大的相关性，所以基于单个像素值的遥感图像融合带有一定的片面性，融合质量往往不是很高。
因此，如何开发出一种高质量的遥感图像融合方法已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中融合图像质量低的缺陷，提供一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种针对于可见光和红外遥感影像的融合方法，包括以下步骤：
源遥感影像的获取与匹配，获取可见光遥感影像A和红外遥感影像B，并进行几何精校正，确保同名像元之间的精确匹配；
对两种源遥感影像进行彩色空间转换，利用分段定义法将可见光遥感影像和红外遥感影像从原RGB彩色空间转换到HIS彩色空间，分别得到可见光遥感影像的H分量、I分量、S分量和红外遥感影像的H分量、I分量、S分量；其公式如下所示：
H＝H+2π,if H＜0
针对I分量的小波分解，将得到的可见光遥感影像I分量IA和红外遥感影像的I分量IB分别进行4层小波分解，小波基选用sym4；
确定融合影像亮度分量的低频子带融合规则，将可见光遥感影像A和红外遥感影像B的亮度分量IA和IB的低频子带进行加权平均得到融合影像的亮度分量IF，其表达式如下：
IF＝(IA+IA)/2，
其中，IA为可见光遥感影像A的亮度分量，IB为红外遥感影像B的亮度分量；
计算区域方差匹配度，确定融合影像亮度分量的高频子带融合规则；
计算融合影像的亮度分量，将经过融合的高频子带和低频子带经过小波逆变换得到新的亮度分量I；
融合影像的获得，将源可见光遥感影像的H分量、经过小波逆变换得到的I分量和源红外影像的S分量进行HIS逆变换，得到融合后的RGB影像。
所述计算区域方差匹配度包括以下步骤：
选取3×3的窗口和加权模板在IA和IB分量进行上下左右滑动，在每个相应的3×3窗口区域内分别计算可见光遥感影像和红外遥感影像I分量的高频小波系数区域方差匹配度MA,B(p)；
定义可见光遥感影像A的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(A,p),其公式如下：
设C(A)为遥感图像A的小波系数矩阵，p(m,n)为小波系数的空间坐标，C(A,p)为小波系数矩阵中坐标为(m,n)的系数值；
为可见光遥感图像A的小波系数矩阵中以p为中心的Q范围内的系数均值；变量q表示Q区域内的系数，w(p)表示加权方差的权值，取σ＝1，(p1,p2)是p点在区域Q内的坐标；
计算出红外遥感影像B的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(B,p)；
计算可见光遥感影像和红外遥感影像I分量的小波高频系数的区域方差匹配度MA,B(p)，其公式如下：
所述的融合影像高频子带融合规则的确定包括以下步骤：
当MA,B(p)<T2时，采用如下融合策略：
当MA,B(p)≥T2时，采用如下融合策略：
其中，阈值T2越小，窗口区域越大，则融合遥感影像的平滑度越高，融合痕迹越不明显，融合整体效果最好。
采用信息熵进行融合效果的量化评价，
对融合后的RGB影像的信息熵定义如下：
其中，L是灰阶，pi是灰度值为i的像元出现的概率；
若融合后的RGB影像的信息熵较大，则融合图像中包含的信息量增加，说明融合后的RGB影像融合的质量是较好的标准差。
采用标准差进行融合效果的量化评价，
对融合后的RGB影像标准差定义如下：
其中，M×N表示图像的大小，P(i,j)表示第i行第j列的像元值，μ表示均值；
标准差较大时，图像灰度分散，图像中包含更多的信息；标准差较小时，图像对比度小，色调均匀，看不到图像中包含太多的信息。
采用平均梯度进行融合效果的量化评价，用于评估融合图像在微小细节上的差异，
对融合后的RGB影像平均梯度定义如下：
其中，M×N表示图像的大小，表示水平方向的梯度，表示垂直方向的梯度。
有益效果
本发明的一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法，与现有技术相比有效克服了基于单个像素的融合规则所带来的不合理性和片面性，更好地体现了遥感图像的整体特征，提升了可见光和红外遥感影像融合的效果和精确度。
本发明应用区域方差匹配的方法进行可见光和红外遥感影像的整体融合，可以更好地体现出源遥感影像的原有细节，减小待融合遥感影像的预处理要求，通过参考遥感影像的边缘信息建立合适的融合策略，实现遥感影像的细节及其整体视觉的有机结合。融合后的遥感图像在清晰度、空间细节信息的表现能力和突出热目标的能力上均要优于传统的融合方法。
本发明结合红外遥感图像和可见光遥感图像各自的特点，提出以区域方差匹配度作为量测算子的高频子带系数融合规则和加权平均的低频子带融合规则。本发明充分考虑小波系数在局部区域内的相关程度，并根据区域方差匹配度的量测算子作出了定义，来作为对遥感图像区域特征的衡量标准，直接影响待融合遥感图像亮度分量在小波变换域的高频子带融合系数的选取。本发明不仅有效克服了传统的基于HIS空间的融合方法容易发生颜色失真、传统的基于遥感图像区域特征的方法融合发生分块现象的缺点，得到的融合遥感图像信息量丰富、清晰度高、融合遥感图像景物特征平滑自然。
附图说明
图1为本发明的方法顺序图；
图2a为现有技术中可见光遥感影像；
图2b为现有技术中红外遥感影像；
图2c为对图2a和图2b利用区域方差匹配度融合后的融合影像；
图2d为对图2a和图2b利用HIS融合变换后的融合影像；
图2e为对图2a和图2b利用本发明所述方法融合后的融合影像。
具体实施方式
如图1所示，本发明所述的一种针对于可见光和红外遥感影像的融合方法，基于HIS空间和区域方差匹配度进行红外与可见光遥感图像融合。其包括以下步骤：
第一步，源遥感影像的获取与匹配。获取可见光遥感影像A和红外遥感影像B，并进行几何精校正，确保同名像元之间的精确匹配。
第二步，对两种源遥感影像进行彩色空间转换。
传统的HIS变换方法及其融合的影像都是能够提高影像的一些空间上的信息的表现能力，但光谱上的失真现象是特别严重并且是存在的。为了能够多增加一些多光谱形成的遥感图像上的空间细节的表现能力，同时尽可能地来保持这些获取的多光谱的遥感图像上所带有的的光谱特征，因此选择在分离出来的I分量，H分量和S等三分量后，用经典的小波分解去融合I参数以及在高分辨情况下获得的数据，从而使获得的最终的融合遥感图像能够在多光谱的信息的保持上了与得到的空间的细节的信息的表现的能力上的综合性都能够得到大的提高。
在此，先将遥感图像由RGB空间转化到HIS空间，再在分别对红外和可见光遥感图像的亮度分量进行小波变换，对亮度的小波系数采用基于区域方差匹配度的融合规则才进行小波系数的选取。
利用分段定义法将可见光和红外遥感影像从原RGB彩色空间转换到HIS彩色空间，分别得到可见光遥感影像的H分量、I分量、S分量和红外遥感影像的H分量、I分量、S分量；其公式如下所示：
H＝H+2π,if H＜0
第三步，针对I分量的小波分解。将得到的可见光遥感影像I分量IA和红外遥感影像的I分量IB分别进行4层小波分解，小波基选用sym4。
由于说小波变换是具有一些非常独特的时频的局部化的特性，所以说每个小波小数都是仅包含有了一些遥感图像的特别的局部上的特性，可以说具有了时间和空阃的局部化的能力之后，小波变换出来后的总共4个子带，都成为了那些具有频率的局部化的特性变量，且它们都是拥有了几乎近似于独立的一些频率上的内容，即这样每个的小波系数都能够成为代表了具有确定的频率范围以及那些局部空间上的一些信息，因此，可以得出这样的结论：
(1)分析的遥感图像能量上的大部分一般性来说都是聚集在经过小波变换后得到的遥感图像的低频子带当中，那些个低频子带都是为遥感图像中滤除某些细节的信息所获得，可以作为遥感图像当中的背景的信息，在遥感图像融合当中，对于对待参加了融合的那些源遥感图像以及它们在经小波变换后所得到那些个的各个低频子带，都可以通过采用数学上加权平均的方法去进行操作处理，这样的话可以获得一些信息更加齐全的背景信息。
(2)遥感图像的细节信息中的大部分都是包含在小波变换后的高频子带中，遥感图像的边缘信息大都包含在高频子带中，对高频子带的处理，可以更好的保留遥感图像的细节信息，遥感图像的边缘也更清楚。
第四步，确定融合影像亮度分量的低频子带融合规则。
将可见光遥感影像A和红外遥感影像B的亮度分量IA和IB的低频子带进行加权平均得到融合影像的亮度分量IF，其表达式如下：
IF＝(IA+IA)/2，
其中，IA为可见光遥感影像A的亮度分量，IB为红外遥感影像B的亮度分量。
第五步，计算区域方差匹配度，确定融合影像亮度分量的高频子带融合规则。
在此，对亮度分量的高频子带采取区域方差匹配度的融合规则，区域方差匹配的遥感图像区域特征度充分考虑了遥感图像的区域特征，即邻域内像素与像素间的相关性，而这些特征是遥感图像的单个像素所无法体现的。因此该方法有效克服了基于单个像素的融合规则所带来的不合理性和片面性，更好地体现了遥感图像的区域特征。其具体步骤如下：
(1)选取3×3的窗口和加权模板在IA和IB分量进行上下左右滑动，在每个相应的3×3窗口区域内分别计算可见光遥感影像和红外遥感影像I分量的高频小波系数区域方差匹配度MA,B(p)。
(2)定义可见光遥感影像A的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(A,p),其公式如下：
设C(A)为遥感图像A的小波系数矩阵，p(m,n)为小波系数的空间坐标，C(A,p)为小波系数矩阵中坐标为(m,n)的系数值。
为可见光遥感图像A的小波系数矩阵中以p为中心的Q范围内的系数均值；变量q表示Q区域内的系数，w(p)表示加权方差的权值，取σ＝1，(p1,p2)是p点在区域Q内的坐标。
(3)使用上述同样方法，计算出红外遥感影像B的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(B,p)。
(4)计算可见光遥感影像和红外遥感影像I分量的小波高频系数的区域方差匹配度MA,B(p)，其公式如下：
区域方差匹配度反映可见光遥感影像和红外遥感影像的小波系数在p点的相似程度。显然，当可见光遥感影像A和红外遥感影像B的小波系数在p点比较接近时，MA,B(p)的值趋近于1，反之当它们差别较大时，MA,B(p)的值则趋近于0。
融合影像高频子带融合规则的确定包括以下步骤：
(1)当MA,B(p)<T2时，采用如下融合策略：
(2)当MA,B(p)≥T2时，采用如下融合策略：
其中，阈值T2越小，窗口区域越大，则融合遥感影像的平滑度越高，融合痕迹越不明显，融合整体效果最好。在实际应用中，阈值T2可以取值为0.6。
第六步，计算融合影像的亮度分量。将经过融合的高频子带和低频子带经过小波逆变换得到新的亮度分量I。
第七步，融合影像的获得。将源可见光遥感影像的H分量、经过小波逆变换得到的I分量和源红外影像的S分量进行HIS逆变换，得到融合后的RGB影像。
在此，还提供针对于可见光和红外遥感影像的融合方法的融合结果评价方法。
作为评价方法的第一种实施方式，采用信息熵进行融合效果的量化评价，图像的熵是衡量图像信息丰富度的重要指标，熵的大小代表了图像中包含的平均信息量。对于单个图像，可以认为每个像素的灰度值彼此独立，图像的灰度是像素数与像素总数的比值。融合前后的信息量会发生变化，信息熵可以用来评价融合过程中信息量的变化。对融合后的RGB影像的信息熵定义如下：
其中，L是灰阶，pi是灰度值为i的像元出现的概率；
若融合后的RGB影像的信息熵较大，则融合图像中包含的信息量增加，说明融合后的RGB影像融合的质量是较好的标准差。
作为评价方法的第二种实施方式，采用标准差进行融合效果的量化评价。标准差反映了图像灰度的离散度，在一定程度上也可以用来评价图像对比度的大小。当标准差较大时，图像灰度会分散，图像中包含更多的信息。否则，标准差小，图像对比度小，对比度不大，色调均匀，在这种情况下看不到太多的信息。
对融合后的RGB影像标准差定义如下：
其中，M×N表示图像的大小，P(i,j)表示第i行第j列的像元值，μ表示均值；
标准差较大时，图像灰度分散，图像中包含更多的信息；标准差较小时，图像对比度小，色调均匀，看不到图像中包含太多的信息。
作为评价方法的第三种实施方式，采用平均梯度进行融合效果的量化评价，用于评估融合图像在微小细节上的差异。
对融合后的RGB影像平均梯度定义如下：
其中，M×N表示图像的大小，表示水平方向的梯度，表示垂直方向的梯度。
如图2a和图2b所示，针对图2a的可见光遥感影像和图2b的红外遥感影像进行融合，从主观判断可以看出，图2c颜色较为鲜明但不如图2d清晰；图2d影像清晰，但颜色发生失真；图2e遥感影像清晰、色彩较为鲜明，且相比图2d颜色失真度较小，且突出了红外遥感图像中的热目标。
如表1所示，利用信息熵、标准差和平均梯度对图2a、图2b、图2c、图2d和图2e进行比较。
表1融合效果比较表
从定量的分析可以看出，本发明采用的方法得出的融合结果要优于传统的基于HIS变换方法(图2d)和基于区域方差匹配度的融合方法(图2c)。首先，从空间细节信息来看，本发明的信息熵比传统的基于HIS变换和基于区域方差匹配度的方法都大，因此融合遥感图像包含的信息更丰富；平均梯度是清晰度的标志，本发明获得的清晰度较高；标准差最大说明本发明获得的融合遥感图像的视觉效果最好。这表明客观指标评价结果和主观评价的结果是一致的。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种针对于可见光和红外遥感影像的融合方法，其特征在于，包括以下步骤：
11)源遥感影像的获取与匹配，获取可见光遥感影像A和红外遥感影像B，并进行几何精校正，确保同名像元之间的精确匹配；
12)对两种源遥感影像进行彩色空间转换，利用分段定义法将可见光遥感影像和红外遥感影像从原RGB彩色空间转换到HIS彩色空间，分别得到可见光遥感影像的H分量、I分量、S分量和红外遥感影像的H分量、I分量、S分量；其公式如下所示：
H＝H+2π,if H＜0
13)针对I分量的小波分解，将得到的可见光遥感影像I分量IA和红外遥感影像的I分量IB分别进行4层小波分解，小波基选用sym4；
14)确定融合影像亮度分量的低频子带融合规则，将可见光遥感影像A和红外遥感影像B的亮度分量IA和IB的低频子带进行加权平均得到融合影像的亮度分量IF，其表达式如下：
IF＝(IA+IA)/2，
其中，IA为可见光遥感影像A的亮度分量，IB为红外遥感影像B的亮度分量；
15)计算区域方差匹配度，确定融合影像亮度分量的高频子带融合规则；
16)计算融合影像的亮度分量，将经过融合的高频子带和低频子带经过小波逆变换得到新的亮度分量I；
17)融合影像的获得，将源可见光遥感影像的H分量、经过小波逆变换得到的I分量和源红外影像的S分量进行HIS逆变换，得到融合后的RGB影像。
2.根据权利要求1所述的一种针对于可见光和红外遥感影像的融合方法，其特征在于，所述计算区域方差匹配度包括以下步骤：
21)选取3×3的窗口和加权模板在IA和IB分量进行上下左右滑动，在每个相应的3×3窗口区域内分别计算可见光遥感影像和红外遥感影像I分量的高频小波系数区域方差匹配度MA,B(p)；
22)定义可见光遥感影像A的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(A,p),其公式如下：
设C(A)为遥感图像A的小波系数矩阵，p(m,n)为小波系数的空间坐标，C(A,p)为小波系数矩阵中坐标为(m,n)的系数值；
为可见光遥感图像A的小波系数矩阵中以p为中心的Q范围内的系数均值；变量q表示Q区域内的系数，w(p)表示加权方差的权值，取σ＝1，(p1,p2)是p点在区域Q内的坐标；
23)计算出红外遥感影像B的小波系数矩阵中以p为中心的Q范围内的系数的区域方差显著性G(B,p)；
24)计算可见光遥感影像和红外遥感影像I分量的小波高频系数的区域方差匹配度MA,B(p)，其公式如下：
3.根据权利要求1所述的一种针对于可见光和红外遥感影像的融合方法，其特征在于，所述的融合影像高频子带融合规则的确定包括以下步骤：
31)当MA,B(p)<T2时，采用如下融合策略：
32)当MA,B(p)≥T2时，采用如下融合策略：
其中，阈值T2越小，窗口区域越大，则融合遥感影像的平滑度越高，融合痕迹越不明显，融合整体效果最好。
4.根据权利要求1所述的一种针对于可见光和红外遥感影像的融合方法的融合结果评价方法，其特征在于，采用信息熵进行融合效果的量化评价，
对融合后的RGB影像的信息熵定义如下：
其中，L是灰阶，pi是灰度值为i的像元出现的概率；
若融合后的RGB影像的信息熵较大，则融合图像中包含的信息量增加，说明融合后的RGB影像融合的质量是较好的标准差。
5.根据权利要求1所述的一种针对于可见光和红外遥感影像的融合方法的融合结果评价方法，其特征在于，采用标准差进行融合效果的量化评价，
对融合后的RGB影像标准差定义如下：
其中，M×N表示图像的大小，P(i,j)表示第i行第j列的像元值，μ表示均值；
标准差较大时，图像灰度分散，图像中包含更多的信息；标准差较小时，图像对比度小，色调均匀，看不到图像中包含太多的信息。
6.根据权利要求1所述的一种针对于可见光和红外遥感影像的融合方法的融合结果评价方法，其特征在于，采用平均梯度进行融合效果的量化评价，用于评估融合图像在微小细节上的差异，
对融合后的RGB影像平均梯度定义如下：
其中，M×N表示图像的大小，表示水平方向的梯度，表示垂直方向的梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548576.XA CN108898569A (zh) | 2018-05-31 | 2018-05-31 | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548576.XA CN108898569A (zh) | 2018-05-31 | 2018-05-31 | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898569A true CN108898569A (zh) | 2018-11-27 |
Family
ID=64344023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810548576.XA Pending CN108898569A (zh) | 2018-05-31 | 2018-05-31 | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898569A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310223A (zh) * | 2019-07-03 | 2019-10-08 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
| CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
| WO2020118538A1 (zh) * | 2018-12-12 | 2020-06-18 | 合刃科技（深圳）有限公司 | 图像采集方法及装置 |
| CN116540238A (zh) * | 2022-09-07 | 2023-08-04 | 长江水利委员会水文局 | 基于测深数据及声学影像融合的水下岸坡工情监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1472544A (zh) * | 2003-06-05 | 2004-02-04 | 上海交通大学 | 遥感影像像素与特征联合最优融合方法 |
| 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 |
| CN102446351A (zh) * | 2010-10-15 | 2012-05-09 | 江南大学 | 一种多光谱与高分辨率全色图像融合方法研究 |
| 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 |
| CN104346790A (zh) * | 2014-10-30 | 2015-02-11 | 中山大学 | 一种hcs结合小波变换的遥感图像融合方法 |
| CN106033599A (zh) * | 2015-03-20 | 2016-10-19 | 南京理工大学 | 基于偏振成像的可见光增强方法 |
-
2018
- 2018-05-31 CN CN201810548576.XA patent/CN108898569A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1472544A (zh) * | 2003-06-05 | 2004-02-04 | 上海交通大学 | 遥感影像像素与特征联合最优融合方法 |
| CN102446351A (zh) * | 2010-10-15 | 2012-05-09 | 江南大学 | 一种多光谱与高分辨率全色图像融合方法研究 |
| 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 |
| 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 |
| CN104346790A (zh) * | 2014-10-30 | 2015-02-11 | 中山大学 | 一种hcs结合小波变换的遥感图像融合方法 |
| CN106033599A (zh) * | 2015-03-20 | 2016-10-19 | 南京理工大学 | 基于偏振成像的可见光增强方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘华波: "RGB与HIS颜色模型的转换方法对比研究", 《HTTPS://WWW.DOCIN.COM/P-112241318.HTML》 * |
| 许抗 等: "一种基于HIS和小波变换的可见光和红外图像融合新方法", 《光学仪器》 * |
| 邢永康 等: "一种基于区域分割的红外可见光图像融合方法", 《重庆理工大学学报（自然科学）》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020118538A1 (zh) * | 2018-12-12 | 2020-06-18 | 合刃科技（深圳）有限公司 | 图像采集方法及装置 |
| CN110310223A (zh) * | 2019-07-03 | 2019-10-08 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
| CN110310223B (zh) * | 2019-07-03 | 2023-04-07 | 云南电网有限责任公司电力科学研究院 | 一种紫外光与可见光图像的融合方法 |
| CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
| CN111080568B (zh) * | 2019-12-13 | 2023-05-26 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
| CN116540238A (zh) * | 2022-09-07 | 2023-08-04 | 长江水利委员会水文局 | 基于测深数据及声学影像融合的水下岸坡工情监测方法 |
| CN116540238B (zh) * | 2022-09-07 | 2023-10-13 | 长江水利委员会水文局 | 基于测深数据及声学影像融合的水下岸坡工情监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898569A (zh) | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 | |
| CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
| CN105719263B (zh) | 基于nsct域底层视觉特征的可见光和红外图像融合方法 | |
| CN102308306B (zh) | 用于图像分离的约束生成器 | |
| CN106971153B (zh) | 一种人脸图像光照补偿方法 | |
| EP2161555A1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
| CN107169998A (zh) | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 | |
| Myshkin et al. | The use of color in wear debris analysis | |
| CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
| CN102169576A (zh) | 一种图像拼接算法定量评价方法 | |
| CN108921809B (zh) | 整体原则下基于空间频率的多光谱和全色图像融合方法 | |
| CN105678734B (zh) | 一种图像匹配系统的异源测试图像标定方法 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
| Lecca et al. | GRASS: a gradient-based random sampling scheme for Milano Retinex | |
| CN103985110A (zh) | 数字图像中伪影或非均匀亮度的定位及显示方法 | |
| CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
| CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
| CN109859157A (zh) | 基于视觉注意特征的全参考图像质量评价方法 | |
| Ji et al. | No-reference image quality assessment for dehazed images | |
| Guo et al. | Objective image fusion evaluation method for target recognition based on target quality factor | |
| Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
| CN108776958A (zh) | 混合降质图像的图像质量评价方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |