CN109949270A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109949270A CN109949270A CN201910078927.XA CN201910078927A CN109949270A CN 109949270 A CN109949270 A CN 109949270A CN 201910078927 A CN201910078927 A CN 201910078927A CN 109949270 A CN109949270 A CN 109949270A
- Authority
- CN
- China
- Prior art keywords
- image
- full
- region
- blending
- space quality
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种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,改进了传统的基于区域的多光谱图像和全色图像融合空间质量评价方法中对融合图像和全色图像的处理过程。直接使用GoogLeNet网络提取原始的融合图像和全色图像中区域图像的空间特征,而不是先对融合图像进行灰度图像转换和离散余弦变换。有效避免了图像的空间信息丢失的同时,提取了表征能力和泛化能力更强的深度特征,对融合结果进行特征级的空间质量评价。最终得到直观的空间质量分布图表示融合结果局部区域的空间质量。
Description
技术领域
本发明属于信息处理技术领域,涉及一种对遥感图像融合结果的质量评价方法,具体来说是一种基于区域卷积网络的多光谱图像和全色图像融合空间质量评价方法。
背景技术
通过图像融合技术得到的遥感图像信息量大,在空间域和光谱域中同时具有高分辨率,被越来越广泛的应用于遥感领域。遥感图像融合质量评价在这些应用中起着重要作用,既是衡量遥感图像融合方法的标杆,也是改进遥感图像融合方法的重要工具。
传统的方法是在像素级对多光谱和全色图像的融合结果进行空间质量评价,最终只通过一个质量评价分数表示融合结果的空间质量好坏,缺乏对融合结果局部区域空间质量的关注。于是人们提出了基于区域的多光谱图像和全色图像融合结果的空间质量评价方法,通过对融合图像的区域提取,能够对融合结果进行以区域为单位的空间质量评估,最终得到的是融合结果各个区域的空间质量评价分数。传统的基于区域的空间质量评价方法在将原始的全色图像和融合图像进行空间质量评估之前,将融合图像转换成了灰度图像,再对全色图像和融合图像的灰度图像进行离散余弦变换,最后将离散余弦变换得到的结果进行相关性计算,得到空间质量评价结果。不同传感器来源的融合图像在进行灰度图转化时所需的参数不同,使得方法本身的泛化能力变差,且灰度图像转化的过程给融合图像造成了信息上的损失,给空间质量评价结果带来了更多不确定性。
发明内容
要解决的技术问题
本发明的目的是克服传统的基于区域的多光谱图像和全色图像融合结果的空间质量评价方法的泛化能力差、评价过程存在信息损失的问题,对融合结果进行以区域为单位的特征级的空间质量评价。本发明替代了传统方法中融合图像的灰度转化过程和全色图像及灰度图像的离散余弦变换过程,进而提出了一种基于区域卷积网络的多光谱图像和全色图像融合空间质量评价方法。
技术方案
一种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,其特征在于步骤如下:
步骤1:融合图像有4个波段或者8个波段,对于4个波段的融合图像,其第3、2、1波段依次为R、G、B波段,对于8个波段的融合图像,其第5、3、2波段依次为R、G、B波段;提取融合图像的R、G、B波段作为输入,进行SLIC超像素分割,得到分割图的分割信息,所述的分割信息包括每个区域的外接矩形坐标(xi,yi)、尺寸hi×wi以及区域图像标记stati,是区域图像标记为1,反之标记为0;
步骤2:根据步骤1得到的分割信息中外接矩形坐标(xi,yi)和尺寸hi×wi对融合图像进行矩形裁剪,得到包含第i个区域图像objecti的融合图像的图像块FUScropi,对全色图像进行相同的操作,得到与FUScropi尺寸一致的PAN图像块PANcropi;
步骤3:对步骤2得到的FUScropi和步骤1中分割信息包含的区域图像标记stati进行点乘操作,得到一个除objecti外的像素被替换为0且仅包含区域图像的外接矩形FUSobji,对PANcropi重复同样的操作得到PANobji;
步骤4:通过步骤3得到尺寸相同且包含区域图像形状相同的一组融合图像和全色图像的矩形图像,即FUSobji和PANobji,将这组矩形图像输入预训练的GoogLeNet网络模型进行特征提取,提取网络模型中最后一个全连接层的输入数据作为特征向量,得到两个特征向量ffi和pfi,ffi表示FUSobji的特征向量,pfi表示PANobji的特征向量;
步骤5:计算步骤4得到的ffi和pfi之间的皮尔森线性相关系数PCC,作为当前区域的空间质量分数Qi,该分数反映FUS局部空间质量;
步骤6:如果得到所有区域的空间质量分数,就得到了以区域为单位的全局质量图Qglobal,结束;否则返回步骤2,从融合图像和全色图像中提取下一对图像块FUScropi+1和PANcropi+1。
有益效果
本发明提出的一种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,改进了传统的基于区域的多光谱图像和全色图像融合空间质量评价方法中对融合图像和全色图像的处理过程。直接使用GoogLeNet网络提取原始的融合图像和全色图像中区域图像的空间特征,而不是先对融合图像进行灰度图像转换和离散余弦变换。有效避免了图像的空间信息丢失的同时,提取了表征能力和泛化能力更强的深度特征,对融合结果进行特征级的空间质量评价。最终得到直观的空间质量分布图表示融合结果局部区域的空间质量。
附图说明
图1: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的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
一种基于区域卷积网络的多光谱图像和全色图像融合空间质量评价方法,步骤如下:
步骤1提取融合图像的R、G、B波段作为输入,对其进行SLIC超像素分割,得到分割图的分割信息,即每个区域的信息。包括每个区域的外接矩形坐标、尺寸以及区域图像标记。
步骤2通过步骤1得到分割信息中区域图像外接矩形的坐标和尺寸对融合图像进行矩形裁剪,对全色图像重复相同的操作。
步骤3对步骤2得到的融合图像的图像块和步骤1中分割信息包含的区域图像标记进行点乘操作,区域外的像素被替换为0,得到一个仅包含区域像素点的外接矩形,融合图像的区域图像。对全色图像重复同样的操作,得到融合图像和全色图像的成对区域。
步骤4将步骤3中得到的融合图像和全色图像的一对矩形区域图像作为输入,使用预训练的GoogLeNet模型分别进行空间特征提取,得到二者的特征向量。
步骤5计算步骤4中两个特征向量的皮尔森线性相关系数,作为这一区域的空间质量分数。
步骤6如果得到所有区域的空间质量分数,就得到了最终融合图像的空间质量分布图,结束。否则返回步骤3,处理下一对图像块。
具体步骤如下:
步骤1融合图像有4个波段或者8个波段,对于4个波段的融合图像,其第3、2、1波段依次为R、G、B波段,对于8个波段的融合图像,其第5、3、2波段依次为R、G、B波段。提取融合图像的R、G、B波段作为输入,进行SLIC超像素分割。对于1600×1600的融合图像,通常取nobject=100~120作为分割后的区域图像个数,objecti(1≤i≤n)表示第i个区域图像。步骤1输出的分割信息包括每个区域的外接矩形坐标(xi,yi)、尺寸hi×wi以及区域图像标记stati,区域图像标记中属于区域的标记为1,反之标记为0。
步骤2根据步骤1得到的分割信息中外接矩形坐标(xi,yi)和尺寸hi×wi对融合图像进行矩形裁剪,得到包含objecti的融合图像的图像块FUScropi,对全色图像进行相同的操作,得到与FUScropi尺寸一致的全色图像的图像块PANcropi。
步骤3对步骤2得到的FUScropi和步骤1中分割信息包含的区域图像标记stati进行点乘操作,得到一个除objecti外的像素被替换为0且仅包含区域图像的外接矩形FUSobji,对PANcropi重复同样的操作得到PANobji。
步骤4通过步骤3得到尺寸为hi×wi且包含相同形状区域的一组融合图像和全色图像的矩形图像块,即FUSobji和PANobji。将这组矩形图像输入预训练的GoogLeNet网络模型进行特征提取,提取网络模型中最后一个全连接层的输入数据作为特征向量,即得到两个长度为1024的特征向量,ffi表示FUSobji的特征向量,pfi表示PANobji的特征向量。
步骤5计算步骤4得到的ffi和pfi之间的皮尔森线性相关系数(PearsonCorrelation Coefficient,PCC),作为当前区域的空间质量分数Qi,该分数反映融合图像局部区域的空间质量。
步骤6如果得到所有区域的空间质量分数,就得到了以区域为单位的全局空间质量分布图Qglobal,结束。否则返回步骤2,从融合图像和全色图像中提取下一对图像块FUScropi+1和PANcropi+1。
Claims (1)
1.一种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,其特征在于步骤如下:
步骤1:融合图像有4个波段或者8个波段,对于4个波段的融合图像,其第3、2、1波段依次为R、G、B波段,对于8个波段的融合图像,其第5、3、2波段依次为R、G、B波段;提取融合图像的R、G、B波段作为输入,进行SLIC超像素分割,得到分割图的分割信息,所述的分割信息包括每个区域的外接矩形坐标(xi,yi)、尺寸hi×wi以及区域图像标记stati,是区域图像标记为1,反之标记为0;
步骤2:根据步骤1得到的分割信息中外接矩形坐标(xi,yi)和尺寸hi×wi对融合图像进行矩形裁剪,得到包含第i个区域图像objecti的融合图像的图像块FUScropi,对全色图像进行相同的操作,得到与FUScropi尺寸一致的PAN图像块PANcropi;
步骤3:对步骤2得到的FUScropi和步骤1中分割信息包含的区域图像标记stati进行点乘操作,得到一个除objecti外的像素被替换为0且仅包含区域图像的外接矩形FUSobji,对PANcropi重复同样的操作得到PANobji;
步骤4:通过步骤3得到尺寸相同且包含区域图像形状相同的一组融合图像和全色图像的矩形图像,即FUSobji和PANobji,将这组矩形图像输入预训练的GoogLeNet网络模型进行特征提取,提取网络模型中最后一个全连接层的输入数据作为特征向量,得到两个特征向量ffi和pfi,ffi表示FUSobji的特征向量,pfi表示PANobji的特征向量;
步骤5:计算步骤4得到的ffi和pfi之间的皮尔森线性相关系数PCC,作为当前区域的空间质量分数Qi,该分数反映FUS局部空间质量;
步骤6:如果得到所有区域的空间质量分数,就得到了以区域为单位的全局质量图Qglobal,结束;否则返回步骤2,从融合图像和全色图像中提取下一对图像块FUScropi+1和PANcropi+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078927.XA CN109949270A (zh) | 2019-01-28 | 2019-01-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078927.XA CN109949270A (zh) | 2019-01-28 | 2019-01-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949270A true CN109949270A (zh) | 2019-06-28 |
Family
ID=67007381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078927.XA Pending CN109949270A (zh) | 2019-01-28 | 2019-01-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008974A (zh) * | 2019-11-22 | 2020-04-14 | 浙江飞图影像科技有限公司 | 多模型融合的股骨颈骨折区域定位和分割方法及系统 |
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 (15)
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 |
KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
CN102609929A (zh) * | 2012-01-12 | 2012-07-25 | 河南大学 | 一种自适应独立信息遥感影像融合方法 |
CN103049893A (zh) * | 2011-10-14 | 2013-04-17 | 深圳信息职业技术学院 | 一种图像融合质量评价的方法及装置 |
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 |
CN104008543A (zh) * | 2014-05-12 | 2014-08-27 | 河海大学 | 一种图像融合质量评价方法 |
CN105023261A (zh) * | 2015-07-22 | 2015-11-04 | 太原理工大学 | 基于agihs及低通滤波器的遥感图像融合方法 |
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 |
CN106023208A (zh) * | 2016-05-23 | 2016-10-12 | 北京大学 | 图像质量的客观评价方法 |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
CN106157317A (zh) * | 2016-07-21 | 2016-11-23 | 武汉大学 | 基于弥散张量引导的高分辨率遥感影像融合评价方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
-
2019
- 2019-01-28 CN CN201910078927.XA patent/CN109949270A/zh active Pending
Patent Citations (15)
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 |
KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN103049893A (zh) * | 2011-10-14 | 2013-04-17 | 深圳信息职业技术学院 | 一种图像融合质量评价的方法及装置 |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
CN102609929A (zh) * | 2012-01-12 | 2012-07-25 | 河南大学 | 一种自适应独立信息遥感影像融合方法 |
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 |
CN104008543A (zh) * | 2014-05-12 | 2014-08-27 | 河海大学 | 一种图像融合质量评价方法 |
CN105023261A (zh) * | 2015-07-22 | 2015-11-04 | 太原理工大学 | 基于agihs及低通滤波器的遥感图像融合方法 |
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 |
CN106023208A (zh) * | 2016-05-23 | 2016-10-12 | 北京大学 | 图像质量的客观评价方法 |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
CN106157317A (zh) * | 2016-07-21 | 2016-11-23 | 武汉大学 | 基于弥散张量引导的高分辨率遥感影像融合评价方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
CN108682005A (zh) * | 2018-04-25 | 2018-10-19 | 西北工业大学 | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
ASHISH D. DHORE ET AL: "Evaluation of various pansharpening methods using image quality metrics", 《2015 2ND INTERNATIONAL CONFERENCE ON ELECTRONICS AND COMMUNICATION SYSTEMS (ICECS)》 * |
张泽勋: "基于小波系数局部统计特征的SAR图像与TM图像融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008974A (zh) * | 2019-11-22 | 2020-04-14 | 浙江飞图影像科技有限公司 | 多模型融合的股骨颈骨折区域定位和分割方法及系统 |
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 |
---|---|---|
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN102982513B (zh) | 一种基于纹理的自适应图像去雾方法 | |
CN103198463A (zh) | 基于整体结构和空间细节信息融合的光谱图像全色锐化方法 | |
RU2008143205A (ru) | Эффективное кодирование множества видов | |
CN106709958A (zh) | 一种基于灰度梯度和颜色直方图的图像质量评价方法 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN110569784B (zh) | 一种人体尺寸测量方法、系统、存储介质及电子设备 | |
CN111369550A (zh) | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 | |
CN105426825B (zh) | 一种基于航拍图像识别的电网地理接线图绘制方法 | |
CN109523506A (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
CN109949270A (zh) | 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 | |
CN107767379A (zh) | Pcb板标注印刷质量检测方法 | |
CN111126391A (zh) | 一种印刷字符缺陷定位方法 | |
CN109255358A (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN105160661B (zh) | 基于中心像素相似权的彩色图像边缘提取方法 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN107169999A (zh) | 基于融合特征的sift配准算法 | |
Grundland et al. | The decolorize algorithm for contrast enhancing, color to grayscale conversion | |
CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
CN105469358B (zh) | 一种图像处理方法 | |
CN109583341A (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
CN105513071B (zh) | 一种地形图图式质量评价方法 | |
CN107330957A (zh) | 一种具有图层之间映射联动关系的图像处理方法 | |
CN114120201A (zh) | 一种车站计算机联锁道岔状态信息检测系统及其方法 |
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 |