CN109191450B - 一种遥感图像融合质量评价方法 - Google Patents

一种遥感图像融合质量评价方法 Download PDF

Info

Publication number
CN109191450B
CN109191450B CN201811054826.0A CN201811054826A CN109191450B CN 109191450 B CN109191450 B CN 109191450B CN 201811054826 A CN201811054826 A CN 201811054826A CN 109191450 B CN109191450 B CN 109191450B
Authority
CN
China
Prior art keywords
test
image
sub
values
subblock
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
Application number
CN201811054826.0A
Other languages
English (en)
Other versions
CN109191450A (zh
Inventor
邵枫
周炳忠
李福翠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Dark Blue Space Remote Sensing Technology Co ltd
Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201811054826.0A priority Critical patent/CN109191450B/zh
Publication of CN109191450A publication Critical patent/CN109191450A/zh
Application granted granted Critical
Publication of CN109191450B publication Critical patent/CN109191450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/10041—Panchromatic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感图像融合质量评价方法，其考虑到光谱域失真和空间域失真对遥感融合影像质量的影响，提取了红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像，并通过提取所有子块的统计特征矢量，构造出训练样本集合的原始多元高斯模型；在测试阶段，通过获取测试遥感融合影像构成的测试样本集合的原始多元高斯模型，并根据训练阶段构造的原始多元高斯模型，预测得到测试遥感融合影像的客观质量评价预测值，由于获得的统计特征矢量信息能够较好地反映遥感融合影像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。

Description

一种遥感图像融合质量评价方法
技术领域
本发明涉及一种图像质量评价方法，尤其是涉及一种遥感图像融合质量评价方法。
背景技术
全色多光谱融合是目前遥感图像融合领域的一个研究热点。多光谱图像通常空间分辨率较低，而全色图像通常具有较高的空间分辨率，但缺乏光谱信息。全色多光谱融合的目的就是将全色图像的空间信息融合到多光谱图像中，得到具有高空间分辨率的多光谱图像。但是，不同融合方法对不同的全色图像和多光谱图像有着不同的融合效果，如何评价融合后图像质量问题是目前需要解决的一个问题。
目前遥感全色多光谱融合图像质量评价领域中，主要存在两方面问题：(1)缺少全色多光谱融合图像的主观评价库，现有的客观质量评价方法无法通过人类主观评价的对比来衡量效果。(2)光谱域失真问题难以用无参考评价方法来衡量，而光谱域失真过于严重可能导致地物识别困难，因此度量光谱域失真是评价融合图像质量必须要解决的问题。
发明内容
本发明所要解决的技术问题是提供一种遥感图像融合质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性。
本发明解决上述技术问题所采用的技术方案为：一种遥感图像融合质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；
所述的训练阶段过程的具体步骤如下：
①_1、选取N幅宽度为W且高度为H的原始的无失真多光谱影像，每幅原始的无失真多光谱影像包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，将第u幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像对应记为Ru、Gu、Bu、NIRu；其中，N＞1，u为正整数，1≤u≤N；
①_2、计算每幅原始的无失真多光谱影像的归一化植被指数图像，将第u幅原始的无失真多光谱影像的归一化植被指数图像记为NDVIu，将NDVIu中坐标位置为(x,y)的像素点的像素值记为NDVIu(x,y)，
Figure BDA0001795505690000021
其中，1≤x≤W,1≤y≤H，NIRu(x,y)表示NIRu中坐标位置为(x,y)的像素点的像素值，Ru(x,y)表示Ru中坐标位置为(x,y)的像素点的像素值；
计算每幅原始的无失真多光谱影像的归一化差分水体指数图像，将第u幅原始的无失真多光谱影像的归一化差分水体指数图像记为NDWIu，将NDWIu中坐标位置为(x,y)的像素点的像素值记为NDWIu(x,y)，
Figure BDA0001795505690000022
其中，Gu(x,y)表示Gu中坐标位置为(x,y)的像素点的像素值；
计算每幅原始的无失真多光谱影像的道路和建筑物指数图像，将第u幅原始的无失真多光谱影像的道路和建筑物指数图像记为RatioGu，将RatioGu中坐标位置为(x,y)的像素点的像素值记为RatioGu(x,y)，
Figure BDA0001795505690000031
其中，Bu(x,y)表示Bu中坐标位置为(x,y)的像素点的像素值；
①_3、从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中同坐标位置截取一个尺寸大小为96×96的子块，并对截取的每个子块进行标记以指示其来源，以随机截取方式，重复截取的过程，共截取M次后从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中截取了M个子块；然后将截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M'个子块对应的列向量构成一个训练样本集合，将标记为γ的M'个子块对应的列向量构成的训练样本集合记为
Figure BDA0001795505690000032
其中，M≥7，M'表示标记相同的子块的总个数，M'＝N×M，γ∈{R,G,B,NIR,NDVI,NDWI,RatioG}，γ＝R表示该子块截取自红波段图像，γ＝G表示该子块截取自绿波段图像，γ＝B表示该子块截取自蓝波段图像，γ＝NIR表示该子块截取自近红外波段图像，γ＝NDVI表示该子块截取自归一化植被指数图像，γ＝NDWI表示该子块截取自归一化差分水体指数图像，γ＝RatioG表示该子块截取自道路和建筑物指数图像，m为正整数，1≤m≤M'，
Figure BDA0001795505690000033
表示标记为γ的第m个子块对应的列向量，
Figure BDA0001795505690000034
的维数为(96×96)×1；
①_4、计算7个训练样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M'个统计特征矢量，将7个训练样本集合中索引号同为m的列向量对应的子块的统计特征矢量记为Fm；其中，Fm的维数为42×1；
①_5、根据7个训练样本集合对应的M'个统计特征矢量，提取出7个训练样本集合的原始多元高斯模型，记为(μ,C)；其中，μ表示(μ,C)的均值向量，C表示(μ,C)的协方差矩阵；
所述的测试阶段过程的具体步骤如下：
②_1、对于任意一幅宽度为W'且高度为H'的测试遥感融合影像，其包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，对应记为Rtest,Gtest,Btest,NIRtest；
②_2、按照步骤①_2的过程，以相同的操作方式，得到测试遥感融合影像的归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像，对应记为NDVItest,NDWItest,RatioGtest；
②_3、采用窗口尺寸大小为96×96且窗口移动步长为1像素的移动窗口，在Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中移动以截取同坐标位置的尺寸大小为96×96的子块，并对从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块进行标记以指示其来源，共移动M”次后从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中截取了M”个子块；然后将从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M”个子块对应的列向量构成一个测试样本集合，将标记为γ的M”个子块对应的列向量构成的测试样本集合记为
Figure BDA0001795505690000041
其中，M”表示Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中标记相同的子块的总个数，1＜M”≤(W'-96)×(H'-96)，m”为正整数，1≤m”≤M”，
Figure BDA0001795505690000042
表示标记为γ的第m”个子块对应的列向量，
Figure BDA0001795505690000043
的维数为(96×96)×1；
②_4、按照步骤①_4的过程，以相同的方式计算7个测试样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M”个统计特征矢量，将7个测试样本集合中索引号同为m”的列向量对应的子块的统计特征矢量记为Ftest,m”；其中，Ftest,m”的维数为42×1；
②_5、根据7个测试样本集合对应的M”个统计特征矢量，按照步骤①_5的过程，以相同的方式提取出7个测试样本集合的原始多元高斯模型，记为(μtest,Ctest)；其中，μtest表示(μtest,Ctest)的均值向量，Ctest表示(μtest,Ctest)的协方差矩阵；
②_6、根据(μ,C)和(μtest,Ctest)，计算测试遥感融合影像的客观质量评价预测值，记为Qtest，
Figure BDA0001795505690000051
其中，(μ-μtest)T为(μ-μtest)的转置，
Figure BDA0001795505690000052
为
Figure BDA0001795505690000053
的逆。
所述的步骤①_4中的Fm的获取过程为：
①_4a、对于γ＝R的子块，对
Figure BDA0001795505690000054
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA0001795505690000055
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000056
Figure BDA0001795505690000057
其中，
Figure BDA0001795505690000058
表示输入变量，
Figure BDA0001795505690000059
表示通过拟合得到的
Figure BDA00017955056900000510
中的6个高斯和分布参数，exp()表示以自然基数e为底的指数函数；
对于γ＝G的子块，对
Figure BDA00017955056900000511
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA00017955056900000512
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900000513
Figure BDA00017955056900000514
其中，
Figure BDA00017955056900000515
表示通过拟合得到的
Figure BDA00017955056900000516
中的6个高斯和分布参数；
对于γ＝B的子块，对
Figure BDA00017955056900000517
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA00017955056900000518
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000061
Figure BDA0001795505690000062
其中，
Figure BDA0001795505690000063
表示通过拟合得到的
Figure BDA0001795505690000064
中的6个高斯和分布参数；
对于γ＝NIR的子块，对
Figure BDA0001795505690000065
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA0001795505690000066
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000067
Figure BDA0001795505690000068
其中，
Figure BDA0001795505690000069
表示通过拟合得到的
Figure BDA00017955056900000610
中的6个高斯和分布参数；
对于γ＝NDVI的子块，对
Figure BDA00017955056900000611
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA00017955056900000612
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900000613
Figure BDA00017955056900000614
其中，
Figure BDA00017955056900000615
表示通过拟合得到的
Figure BDA00017955056900000616
中的6个高斯和分布参数；
对于γ＝NDWI的子块，对
Figure BDA00017955056900000617
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA00017955056900000618
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900000619
Figure BDA00017955056900000620
其中，
Figure BDA00017955056900000621
表示通过拟合得到的
Figure BDA00017955056900000622
中的6个高斯和分布参数；
对于γ＝RatioG的子块，对
Figure BDA00017955056900000623
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure BDA0001795505690000071
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000072
Figure BDA0001795505690000073
其中，
Figure BDA0001795505690000074
表示通过拟合得到的
Figure BDA0001795505690000075
中的6个高斯和分布参数；
①_4b、将
Figure BDA0001795505690000076
Figure BDA0001795505690000077
Figure BDA0001795505690000078
和
Figure BDA0001795505690000079
按序排列构成Fm。
所述的步骤①_5中的(μ,C)的获取过程为：
①_5a、根据7个训练样本集合对应的M'个统计特征矢量，获取截取的7M'个子块的特征矩阵，记为X，
Figure BDA00017955056900000710
其中，X的维数为M'×42，(F1)T为F1的转置，F1表示7个训练样本集合中索引号同为1的列向量对应的子块的统计特征矢量，(F2)T为F2的转置，F2表示7个训练样本集合中索引号同为2的列向量对应的子块的统计特征矢量，(Fm)T为Fm的转置，(FM')T为FM'的转置，FM'表示7个训练样本集合中索引号同为M'的列向量对应的子块的统计特征矢量；
①_5b、计算X中的列向量的均值向量，记为μ，μ＝[μ1 μ2 … μ42]，
Figure BDA00017955056900000711
其中，μ的维数为1×42，X(m,1)表示X中第m行第1列的元素的值，X(m,2)表示X中第m行第2列的元素的值，X(m,42)表示X中第m行第42列的元素的值；
计算X中的列向量的协方差矩阵，记为C，
Figure BDA0001795505690000081
σ1,1＝cov(X(m,1),X(m,1))，σ1,2＝cov(X(m,1),X(m,2))，σ1,42＝cov(X(m,1),X(m,42))，σ2,1＝cov(X(m,2),X(m,1))，σ2,2＝cov(X(m,2),X(m,2))，σ2,42＝cov(X(m,2),X(m,42))，σ42,1＝cov(X(m,42),X(m,1))，σ42,2＝cov(X(m,42),X(m,2))，σ42,42＝cov(X(m,42),X(m,42))；其中，C的维数为42×42，cov(a,b)表示计算向量a和b的协方差操作；
①_5c、根据μ和C，构造得到(μ,C)。
与现有技术相比，本发明的优点在于：
本发明方法考虑到光谱域失真和空间域失真对遥感融合影像质量的影响，提取了红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像，并通过提取所有子块的统计特征矢量，构造出训练样本集合的原始多元高斯模型；在测试阶段，通过获取测试遥感融合影像构成的测试样本集合的原始多元高斯模型，并根据训练阶段构造的原始多元高斯模型，预测得到测试遥感融合影像的客观质量评价预测值，由于获得的统计特征矢量信息能够较好地反映遥感融合影像的质量变化情况，因此有效地提高了客观评价结果与主观感知之间的相关性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种遥感图像融合质量评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段两个过程；
所述的训练阶段过程的具体步骤如下：
①_1、选取N幅宽度为W且高度为H的原始的无失真多光谱影像，每幅原始的无失真多光谱影像包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，将第u幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像对应记为Ru、Gu、Bu、NIRu；其中，N＞1，在本实施里中取N＝100，u为正整数，1≤u≤N。
①_2、计算每幅原始的无失真多光谱影像的归一化植被指数图像，将第u幅原始的无失真多光谱影像的归一化植被指数图像记为NDVIu，将NDVIu中坐标位置为(x,y)的像素点的像素值记为NDVIu(x,y)，
Figure BDA0001795505690000091
其中，1≤x≤W,1≤y≤H，NIRu(x,y)表示NIRu中坐标位置为(x,y)的像素点的像素值，Ru(x,y)表示Ru中坐标位置为(x,y)的像素点的像素值。
计算每幅原始的无失真多光谱影像的归一化差分水体指数图像，将第u幅原始的无失真多光谱影像的归一化差分水体指数图像记为NDWIu，将NDWIu中坐标位置为(x,y)的像素点的像素值记为NDWIu(x,y)，
Figure BDA0001795505690000092
其中，Gu(x,y)表示Gu中坐标位置为(x,y)的像素点的像素值。
计算每幅原始的无失真多光谱影像的道路和建筑物指数图像，将第u幅原始的无失真多光谱影像的道路和建筑物指数图像记为RatioGu，将RatioGu中坐标位置为(x,y)的像素点的像素值记为RatioGu(x,y)，
Figure BDA0001795505690000101
其中，Bu(x,y)表示Bu中坐标位置为(x,y)的像素点的像素值。
①_3、从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中同坐标位置截取一个尺寸大小为96×96的子块，并对截取的每个子块进行标记以指示其来源，以随机截取方式，重复截取的过程，共截取M次后从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中截取了M个子块，即针对N幅红波段图像共有N×M个子块、针对N幅绿波段图像共有N×M个子块、针对N幅蓝波段图像共有N×M个子块、针对N幅近红外波段图像共有N×M个子块、针对N幅归一化植被指数图像共有N×M个子块、针对N幅归一化差分水体指数图像共有N×M个子块、针对N幅道路和建筑物指数图像共有N×M个子块；然后将截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M'个子块对应的列向量构成一个训练样本集合，将标记为γ的M'个子块对应的列向量构成的训练样本集合记为
Figure BDA0001795505690000102
其中，M≥7，在本实施例中取M＝100，M'表示标记相同的子块的总个数，M'＝N×M，γ∈{R,G,B,NIR,NDVI,NDWI,RatioG}，γ＝R表示该子块截取自红波段图像，γ＝G表示该子块截取自绿波段图像，γ＝B表示该子块截取自蓝波段图像，γ＝NIR表示该子块截取自近红外波段图像，γ＝NDVI表示该子块截取自归一化植被指数图像，γ＝NDWI表示该子块截取自归一化差分水体指数图像，γ＝RatioG表示该子块截取自道路和建筑物指数图像，m为正整数，1≤m≤M'，
Figure BDA0001795505690000111
表示标记为γ的第m个子块对应的列向量，
Figure BDA0001795505690000112
的维数为(96×96)×1。
①_4、计算7个训练样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M'个统计特征矢量，将7个训练样本集合中索引号同为m的列向量对应的子块的统计特征矢量记为Fm，将Fm作为原始的无失真多光谱影像中与7个训练样本集合中索引号同为m的列向量对应的子块同坐标位置的尺寸大小为96×96的区域的统计特征矢量；其中，Fm的维数为42×1。
在本实施例中，步骤①_4中的Fm的获取过程为：
①_4a、对于γ＝R的子块，对
Figure BDA0001795505690000113
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA0001795505690000114
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000115
Figure BDA0001795505690000116
其中，
Figure BDA0001795505690000117
表示输入变量，
Figure BDA0001795505690000118
表示通过拟合得到的
Figure BDA0001795505690000119
中的6个高斯和分布参数，exp()表示以自然基数e为底的指数函数。
对于γ＝G的子块，对
Figure BDA00017955056900001110
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA00017955056900001111
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900001112
Figure BDA00017955056900001113
其中，
Figure BDA00017955056900001114
表示通过拟合得到的
Figure BDA00017955056900001115
中的6个高斯和分布参数。
对于γ＝B的子块，对
Figure BDA0001795505690000121
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA0001795505690000122
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000123
Figure BDA0001795505690000124
其中，
Figure BDA0001795505690000125
表示通过拟合得到的
Figure BDA0001795505690000126
中的6个高斯和分布参数。
对于γ＝NIR的子块，对
Figure BDA0001795505690000127
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA0001795505690000128
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000129
Figure BDA00017955056900001210
其中，
Figure BDA00017955056900001211
表示通过拟合得到的
Figure BDA00017955056900001212
中的6个高斯和分布参数。
对于γ＝NDVI的子块，对
Figure BDA00017955056900001213
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA00017955056900001214
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900001215
Figure BDA00017955056900001216
其中，
Figure BDA00017955056900001217
表示通过拟合得到的
Figure BDA00017955056900001218
中的6个高斯和分布参数。
对于γ＝NDWI的子块，对
Figure BDA00017955056900001219
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA00017955056900001220
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA00017955056900001221
Figure BDA00017955056900001222
其中，
Figure BDA00017955056900001223
表示通过拟合得到的
Figure BDA00017955056900001224
中的6个高斯和分布参数。
对于γ＝RatioG的子块，对
Figure BDA0001795505690000131
中的所有元素的值进行高斯和(Sum-of-Gaussians)分布拟合，拟合得到
Figure BDA0001795505690000132
中的所有元素的值的高斯和分布拟合曲线，记为
Figure BDA0001795505690000133
Figure BDA0001795505690000134
其中，
Figure BDA0001795505690000135
表示通过拟合得到的
Figure BDA0001795505690000136
中的6个高斯和分布参数。
①_4b、将
Figure BDA0001795505690000137
Figure BDA0001795505690000138
Figure BDA0001795505690000139
和
Figure BDA00017955056900001310
按序排列构成Fm。
①_5、根据7个训练样本集合对应的M'个统计特征矢量，提取出7个训练样本集合的原始多元高斯(Pristine Multivariate Gaussian，MVG)模型，记为(μ,C)；其中，μ表示(μ,C)的均值向量，C表示(μ,C)的协方差矩阵。
在本实施例中，步骤①_5中的(μ,C)的获取过程为：
①_5a、根据7个训练样本集合对应的M'个统计特征矢量，获取截取的7M'个子块的特征矩阵，记为X，
Figure BDA00017955056900001311
其中，X的维数为M'×42，(F1)T为F1的转置，F1表示7个训练样本集合中索引号同为1的列向量对应的子块的统计特征矢量，(F2)T为F2的转置，F2表示7个训练样本集合中索引号同为2的列向量对应的子块的统计特征矢量，(Fm)T为Fm的转置，(FM')T为FM'的转置，FM'表示7个训练样本集合中索引号同为M'的列向量对应的子块的统计特征矢量。
①_5b、计算X中的列向量的均值向量，记为μ，μ＝[μ1 μ2 … μ42]，
Figure BDA0001795505690000141
其中，μ的维数为1×42，X(m,1)表示X中第m行第1列的元素的值，X(m,2)表示X中第m行第2列的元素的值，X(m,42)表示X中第m行第42列的元素的值。
计算X中的列向量的协方差矩阵，记为C，
Figure BDA0001795505690000142
σ1,1＝cov(X(m,1),X(m,1))，σ1,2＝cov(X(m,1),X(m,2))，σ1,42＝cov(X(m,1),X(m,42))，σ2,1＝cov(X(m,2),X(m,1))，σ2,2＝cov(X(m,2),X(m,2))，σ2,42＝cov(X(m,2),X(m,42))，σ42,1＝cov(X(m,42),X(m,1))，σ42,2＝cov(X(m,42),X(m,2))，σ42,42＝cov(X(m,42),X(m,42))；其中，C的维数为42×42，cov(a,b)表示计算向量a和b的协方差操作。
①_5c、根据μ和C，构造得到(μ,C)。
所述的测试阶段过程的具体步骤如下：
②_1、对于任意一幅宽度为W'且高度为H'的测试遥感融合影像，其包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，对应记为Rtest,Gtest,Btest,NIRtest。
②_2、按照步骤①_2的过程，以相同的操作方式，得到测试遥感融合影像的归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像，对应记为NDVItest,NDWItest,RatioGtest。
②_3、采用窗口尺寸大小为96×96且窗口移动步长为1像素的移动窗口，在Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中移动以截取同坐标位置的尺寸大小为96×96的子块，并对从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块进行标记以指示其来源，共移动M”次后从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中截取了M”个子块；然后将从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M”个子块对应的列向量构成一个测试样本集合，将标记为γ的M”个子块对应的列向量构成的测试样本集合记为
Figure BDA0001795505690000151
其中，M”表示Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中标记相同的子块的总个数，1＜M”≤(W'-96)×(H'-96)，m”为正整数，1≤m”≤M”，
Figure BDA0001795505690000152
表示标记为γ的第m”个子块对应的列向量，
Figure BDA0001795505690000153
的维数为(96×96)×1。
②_4、按照步骤①_4的过程，以相同的方式计算7个测试样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M”个统计特征矢量，将7个测试样本集合中索引号同为m”的列向量对应的子块的统计特征矢量记为Ftest,m”，再将Ftest,m”作为测试遥感融合影像中与7个测试样本集合中索引号同为m”的列向量对应的子块同坐标位置的尺寸大小为96×96的区域的统计特征矢量；其中，Ftest,m”的维数为42×1。
②_5、根据7个测试样本集合对应的M”个统计特征矢量，按照步骤①_5的过程，以相同的方式提取出7个测试样本集合的原始多元高斯(Pristine Multivariate Gaussian，MVG)模型，记为(μtest,Ctest)；其中，μtest表示(μtest,Ctest)的均值向量，Ctest表示(μtest,Ctest)的协方差矩阵。
②_6、根据(μ,C)和(μtest,Ctest)，计算测试遥感融合影像的客观质量评价预测值，记为Qtest，
Figure BDA0001795505690000154
其中，(μ-μtest)T为(μ-μtest)的转置，
Figure BDA0001795505690000161
为
Figure BDA0001795505690000162
的逆。
为了进一步说明本发明方法的可行性和有效性，对本发明方法进行试验。
在本实施例中，采用本发明方法对宁波大学建立的遥感融合影像数据库中的遥感融合影像进行测试。该遥感融合影像数据库收集了20个由Quickbird卫星拍摄的全色空间分辨率为0.6米的Quickbird影像，然后对多光谱影像和全色影像采用18种融合方法进行融合，得到对应的遥感融合影像，这样该遥感融合影像数据库共有360幅遥感融合影像，并给出了每幅遥感融合影像的平均主观评分均值。在本实施例中，利用评估图像质量评价方法的3个常用客观参量作为评价指标，即非线性回归条件下的Pearson相关系数(Pearsonlinear correlation coefficient，PLCC)、Spearman相关系数(Spearman rank ordercorrelation coefficient，SROCC)、均方误差(root mean squared error，RMSE)，PLCC和RMSE反映客观质量评价预测值的准确性，SROCC反映其单调性。表1给出了采用本发明方法得到的客观质量评价预测值与平均主观评分均值之间的相关性，从表1中可以看出，采用本发明方法得到的客观质量评价预测值与平均主观评分均值之间的相关性是很高的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的有效性。
表1采用本发明方法得到的客观质量评价预测值与平均主观评分均值之间的相关性
方法 PLCC SROCC RMSE
本发明方法 0.7410 0.6913 8.8399

Claims (3)

1.一种遥感图像融合质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；
所述的训练阶段的具体步骤如下：
①_1、选取N幅宽度为W且高度为H的原始的无失真多光谱影像，每幅原始的无失真多光谱影像包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，将第u幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像对应记为Ru、Gu、Bu、NIRu；其中，N＞1，u为正整数，1≤u≤N；
①_2、计算每幅原始的无失真多光谱影像的归一化植被指数图像，将第u幅原始的无失真多光谱影像的归一化植被指数图像记为NDVIu，将NDVIu中坐标位置为(x,y)的像素点的像素值记为NDVIu(x,y)，
Figure FDA0002950105350000011
其中，1≤x≤W,1≤y≤H，NIRu(x,y)表示NIRu中坐标位置为(x,y)的像素点的像素值，Ru(x,y)表示Ru中坐标位置为(x,y)的像素点的像素值；
计算每幅原始的无失真多光谱影像的归一化差分水体指数图像，将第u幅原始的无失真多光谱影像的归一化差分水体指数图像记为NDWIu，将NDWIu中坐标位置为(x,y)的像素点的像素值记为NDWIu(x,y)，
Figure FDA0002950105350000012
其中，Gu(x,y)表示Gu中坐标位置为(x,y)的像素点的像素值；
计算每幅原始的无失真多光谱影像的道路和建筑物指数图像，将第u幅原始的无失真多光谱影像的道路和建筑物指数图像记为RatioGu，将RatioGu中坐标位置为(x,y)的像素点的像素值记为RatioGu(x,y)，
Figure FDA0002950105350000021
其中，Bu(x,y)表示Bu中坐标位置为(x,y)的像素点的像素值；
①_3、从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中同坐标位置截取一个尺寸大小为96×96的子块，并对截取的每个子块进行标记以指示其来源，以随机截取方式，重复截取的过程，共截取M次后从每幅原始的无失真多光谱影像的红波段图像、绿波段图像、蓝波段图像、近红外波段图像、归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像各自中截取了M个子块；然后将截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M'个子块对应的列向量构成一个训练样本集合，将标记为γ的M'个子块对应的列向量构成的训练样本集合记为
Figure FDA0002950105350000022
其中，M≥7，M'表示标记相同的子块的总个数，M'＝N×M，γ∈{R,G,B,NIR,NDVI,NDWI,RatioG}，γ＝R表示该子块截取自红波段图像，γ＝G表示该子块截取自绿波段图像，γ＝B表示该子块截取自蓝波段图像，γ＝NIR表示该子块截取自近红外波段图像，γ＝NDVI表示该子块截取自归一化植被指数图像，γ＝NDWI表示该子块截取自归一化差分水体指数图像，γ＝RatioG表示该子块截取自道路和建筑物指数图像，m为正整数，1≤m≤M'，
Figure FDA0002950105350000023
表示标记为γ的第m个子块对应的列向量，
Figure FDA0002950105350000024
的维数为(96×96)×1；
①_4、计算7个训练样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M'个统计特征矢量，将7个训练样本集合中索引号同为m的列向量对应的子块的统计特征矢量记为Fm；其中，Fm的维数为42×1；
①_5、根据7个训练样本集合对应的M'个统计特征矢量，提取出7个训练样本集合的原始多元高斯模型，记为(μ,C)；其中，μ表示(μ,C)的均值向量，C表示(μ,C)的协方差矩阵；
所述的测试阶段的具体步骤如下：
②_1、对于任意一幅宽度为W'且高度为H'的测试遥感融合影像，其包括红波段图像、绿波段图像、蓝波段图像、近红外波段图像，对应记为Rtest,Gtest,Btest,NIRtest；
②_2、按照步骤①_2的过程，以相同的操作方式，得到测试遥感融合影像的归一化植被指数图像、归一化差分水体指数图像、道路和建筑物指数图像，对应记为NDVItest,NDWItest,RatioGtest；
②_3、采用窗口尺寸大小为96×96且窗口移动步长为1像素的移动窗口，在Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中移动以截取同坐标位置的尺寸大小为96×96的子块，并对从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块进行标记以指示其来源，共移动M”次后从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest各自中截取了M”个子块；然后将从Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量；再将每种标记的M”个子块对应的列向量构成一个测试样本集合，将标记为γ的M”个子块对应的列向量构成的测试样本集合记为
Figure FDA0002950105350000031
其中，M”表示Rtest,Gtest,Btest,NIRtest和NDVItest,NDWItest,RatioGtest中标记相同的子块的总个数，1＜M”≤(W'-96)×(H'-96)，m”为正整数，1≤m”≤M”，
Figure FDA0002950105350000032
表示标记为γ的第m”个子块对应的列向量，
Figure FDA0002950105350000033
的维数为(96×96)×1；
②_4、按照步骤①_4的过程，以相同的方式计算7个测试样本集合中同索引号的列向量对应的子块的统计特征矢量，共有M”个统计特征矢量，将7个测试样本集合中索引号同为m”的列向量对应的子块的统计特征矢量记为Ftest,m”；其中，Ftest,m”的维数为42×1；
②_5、根据7个测试样本集合对应的M”个统计特征矢量，按照步骤①_5的过程，以相同的方式提取出7个测试样本集合的原始多元高斯模型，记为(μtest,Ctest)；其中，μtest表示(μtest,Ctest)的均值向量，Ctest表示(μtest,Ctest)的协方差矩阵；
②_6、根据(μ,C)和(μtest,Ctest)，计算测试遥感融合影像的客观质量评价预测值，记为Qtest，
Figure FDA0002950105350000041
其中，(μ-μtest)T为(μ-μtest)的转置，
Figure FDA0002950105350000042
为
Figure FDA0002950105350000043
的逆。
2.根据权利要求1所述的一种遥感图像融合质量评价方法，其特征在于所述的步骤①_4中的Fm的获取过程为：
①_4a、对于γ＝R的子块，对
Figure FDA0002950105350000044
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA0002950105350000045
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA0002950105350000046
Figure FDA0002950105350000047
其中，
Figure FDA0002950105350000048
表示输入变量，
Figure FDA0002950105350000049
表示通过拟合得到的
Figure FDA00029501053500000410
中的6个高斯和分布参数，exp()表示以自然基数e为底的指数函数；
对于γ＝G的子块，对
Figure FDA00029501053500000411
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA00029501053500000412
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA00029501053500000413
Figure FDA00029501053500000414
其中，
Figure FDA00029501053500000415
表示通过拟合得到的
Figure FDA00029501053500000416
中的6个高斯和分布参数；
对于γ＝B的子块，对
Figure FDA0002950105350000051
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA0002950105350000052
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA0002950105350000053
Figure FDA0002950105350000054
其中，
Figure FDA0002950105350000055
表示通过拟合得到的
Figure FDA0002950105350000056
中的6个高斯和分布参数；
对于γ＝NIR的子块，对
Figure FDA0002950105350000057
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA0002950105350000058
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA0002950105350000059
Figure FDA00029501053500000510
其中，
Figure FDA00029501053500000511
表示通过拟合得到的
Figure FDA00029501053500000512
中的6个高斯和分布参数；
对于γ＝NDVI的子块，对
Figure FDA00029501053500000513
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA00029501053500000514
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA00029501053500000515
Figure FDA00029501053500000516
其中，
Figure FDA00029501053500000517
表示通过拟合得到的
Figure FDA00029501053500000518
中的6个高斯和分布参数；
对于γ＝NDWI的子块，对
Figure FDA00029501053500000519
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA00029501053500000520
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA00029501053500000521
Figure FDA00029501053500000522
其中，
Figure FDA00029501053500000523
表示通过拟合得到的
Figure FDA00029501053500000524
中的6个高斯和分布参数；
对于γ＝RatioG的子块，对
Figure FDA0002950105350000061
中的所有元素的值进行高斯和分布拟合，拟合得到
Figure FDA0002950105350000062
中的所有元素的值的高斯和分布拟合曲线，记为
Figure FDA0002950105350000063
Figure FDA0002950105350000064
其中，
Figure FDA0002950105350000065
表示通过拟合得到的
Figure FDA0002950105350000066
中的6个高斯和分布参数；
①_4b、将
Figure FDA0002950105350000067
Figure FDA0002950105350000068
Figure FDA0002950105350000069
和
Figure FDA00029501053500000610
按序排列构成Fm。
3.根据权利要求1或2所述的一种遥感图像融合质量评价方法，其特征在于所述的步骤①_5中的(μ,C)的获取过程为：
①_5a、根据7个训练样本集合对应的M'个统计特征矢量，获取截取的7M'个子块的特征矩阵，记为X，
Figure FDA00029501053500000611
其中，X的维数为M'×42，(F1)T为F1的转置，F1表示7个训练样本集合中索引号同为1的列向量对应的子块的统计特征矢量，(F2)T为F2的转置，F2表示7个训练样本集合中索引号同为2的列向量对应的子块的统计特征矢量，(Fm)T为Fm的转置，(FM')T为FM'的转置，FM'表示7个训练样本集合中索引号同为M'的列向量对应的子块的统计特征矢量；
①_5b、计算X中的列向量的均值向量，记为μ，μ＝[μ1 μ2 … μ42]，
Figure FDA0002950105350000071
其中，μ的维数为1×42，X(m,1)表示X中第m行第1列的元素的值，X(m,2)表示X中第m行第2列的元素的值，X(m,42)表示X中第m行第42列的元素的值；
计算X中的列向量的协方差矩阵，记为C，
Figure FDA0002950105350000072
σ1,1＝cov(X(m,1),X(m,1))，σ1,2＝cov(X(m,1),X(m,2))，σ1,42＝cov(X(m,1),X(m,42))，σ2,1＝cov(X(m,2),X(m,1))，σ2,2＝cov(X(m,2),X(m,2))，σ2,42＝cov(X(m,2),X(m,42))，σ42,1＝cov(X(m,42),X(m,1))，σ42,2＝cov(X(m,42),X(m,2))，σ42,42＝cov(X(m,42),X(m,42))；其中，C的维数为42×42，cov(a,b)表示计算向量a和b的协方差操作；
①_5c、根据μ和C，构造得到(μ,C)。
CN201811054826.0A 2018-09-11 2018-09-11 一种遥感图像融合质量评价方法 Active CN109191450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811054826.0A CN109191450B (zh) 2018-09-11 2018-09-11 一种遥感图像融合质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811054826.0A CN109191450B (zh) 2018-09-11 2018-09-11 一种遥感图像融合质量评价方法

Publications (2)

Publication Number Publication Date
CN109191450A CN109191450A (zh) 2019-01-11
CN109191450B true CN109191450B (zh) 2021-06-15

Family

ID=64915779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811054826.0A Active CN109191450B (zh) 2018-09-11 2018-09-11 一种遥感图像融合质量评价方法

Country Status (1)

Country Link
CN (1) CN109191450B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097501B (zh) * 2019-04-12 2020-08-07 武汉大学 一种基于非局部均值梯度稀疏正则化的ndvi图像融合方法
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
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
CN111931709B (zh) * 2020-09-17 2021-01-05 航天宏图信息技术股份有限公司 遥感影像的水体提取方法、装置、电子设备及存储介质
CN113240758B (zh) * 2021-05-28 2022-03-08 珠江水利委员会珠江水利科学研究院 基于融合衍生指数的遥感影像融合方法、系统、设备及介质
CN113222054B (zh) * 2021-05-28 2022-03-08 珠江水利委员会珠江水利科学研究院 基于特征比值指数的遥感影像融合方法、系统、设备及介质
CN118115748B (zh) * 2024-03-27 2024-10-11 中国人民解放军91977部队 一种热红外遥感图像处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040776A (zh) * 2017-03-29 2017-08-11 华南理工大学 一种基于高动态范围的视频质量评估方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040776A (zh) * 2017-03-29 2017-08-11 华南理工大学 一种基于高动态范围的视频质量评估方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Object-Based Classification of Urban Areas Using VHR Imagery and Height Points Ancillary Data;Bahram Salehi et al.;《Remote Sensing》;20120803;第4卷(第8期);第2256-2276页 *
资源三号卫星湿地多光谱与全色影像融合质量评价;吴瑞娟 等;《高技术通讯》;20150228;第25卷(第2期);第157-162页 *

Also Published As

Publication number Publication date
CN109191450A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109191450B (zh) 一种遥感图像融合质量评价方法
Jiang et al. Hyperspectral image classification in the presence of noisy labels
CN103581661B (zh) 一种立体图像视觉舒适度评价方法
Garzelli et al. Hypercomplex quality assessment of multi/hyperspectral images
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN111681207B (zh) 一种遥感图像融合质量评价方法
CN111080629A (zh) 一种图像拼接篡改的检测方法
Kotwal et al. A novel approach to quantitative evaluation of hyperspectral image fusion techniques
CN109767412A (zh) 一种基于深度残差神经网络的遥感影像融合方法及系统
CN103761742B (zh) 一种基于同质指数的高光谱遥感图像稀疏解混方法
CN106920224A (zh) 一种评估拼接图像清晰度的方法
CN106443379A (zh) 变压器局部放电故障类型的识别方法和装置
CN107146220B (zh) 一种通用型无参考图像质量评价方法
Xu et al. Hyperspectral image denoising using a spatial–spectral monte carlo sampling approach
CN112258464B (zh) 一种全参考遥感图像融合质量评价方法
CN104361593A (zh) 一种基于hvs和四元数的彩色图像质量评价方法
CN105407349A (zh) 基于双目视觉感知的无参考立体图像质量客观评价方法
CN103065293A (zh) 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
CN106127234B (zh) 基于特征字典的无参考图像质量评价方法
CN104376565A (zh) 基于离散余弦变换和稀疏表示的无参考图像质量评价方法
CN108805825A (zh) 一种重定位图像质量评价方法
CN105894522A (zh) 一种多失真立体图像质量客观评价方法
CN101901482B (zh) 判断去雾增强图像质量效果的方法
CN105243385A (zh) 一种基于非监督学习的图像质量评价方法
CN107040775A (zh) 一种基于局部特征的色调映射图像质量客观评价方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220624

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818

Patentee before: Ningbo University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220727

Address after: 215500 3rd floor, R & D building, No.95, Liuzhou Road, Changfu street, Changshu City, Suzhou City, Jiangsu Province

Patentee after: Suzhou dark blue space remote sensing technology Co.,Ltd.

Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230526

Address after: 3rd Floor, Ruite R&D Building, No. 95 Liuzhou Road, Changfu Street, Changshu City, Suzhou City, Jiangsu Province, 215505

Patentee after: Suzhou dark blue space remote sensing technology Co.,Ltd.

Patentee after: STATE GRID JIANGSU ELECTRIC POWER CO., LTD. WUXI POWER SUPPLY Co.

Address before: 215500 3rd floor, R & D building, No.95, Liuzhou Road, Changfu street, Changshu City, Suzhou City, Jiangsu Province

Patentee before: Suzhou dark blue space remote sensing technology Co.,Ltd.

TR01 Transfer of patent right