CN111681194B - 基于小波变换和施密特光谱锐化的多源图像融合方法 - Google Patents
基于小波变换和施密特光谱锐化的多源图像融合方法 Download PDFInfo
- Publication number
- CN111681194B CN111681194B CN202010498943.7A CN202010498943A CN111681194B CN 111681194 B CN111681194 B CN 111681194B CN 202010498943 A CN202010498943 A CN 202010498943A CN 111681194 B CN111681194 B CN 111681194B
- Authority
- CN
- China
- Prior art keywords
- image
- low
- multispectral image
- component
- multispectral
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 title claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 12
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小波变换和施密特光谱锐化的多源图像融合方法。其实现方案是:获取多光谱图像与高分辨率全色图像,对多光谱图像做施密特光谱锐化GS变换;取GS变换后多光谱图像的第一分量并进行小波变换,得到该分量的低频子图像和三个高频子图像;对高分辨率全色图像做小波变换,得到该图像的低频子图像和三个高频子图像;用全色图像的低频子图像替代多光谱图像的低频子图像,得到新的多光谱图像第一分量并对该分量进行小波逆变换,得到多光谱图像重构的第一分量;将该重构分量与多光谱图像的其余分量做GS逆变换,得到融合后的图像。本发明减少了融合过程中多光谱图像光谱信息的丢失,可用于生态监测与生态保护。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种多源图像融合方法,可用于生态监测与生态保护。
背景技术
随着成像传感器的发展,各式各样的成像设备已经渗透到人们的生活中。但是由于不同类型成像传感器的成像机理存在很大差异,使得它们所采集的图像难以满足一些特定的应用需求。因此需要对多源图像进行融合,获得目标和场景信息更加全面的图像。
多光谱图像是目前应用最广泛的图像之一,其具有丰富的光谱信息,但是空间分辨率相对较低。为了更好地应用多光谱图像,需要将其与高分辨率图像相融合,得到具有高分辨率和丰富光谱信息的新图像。
现有的多光谱图像融合方法主要有强度色调饱和度变换IHS法,主成分分析PCA法和传统的施密特光谱锐化融合GS法。其中,IHS法将多光谱图像由RGB空间转换至IHS空间,然后用高分辨率全色图像替换I分量,这种方法扭曲了原始图像的光谱特性,而且高分辨率全色图像的利用率低。PCA法是将多光谱图像进行主成分变换,然后将高分辨率全色图像进行线性拉伸并用拉伸后的图像替换第一主成分,最后经过主成分反变换得到融合图像。这种方法虽然提高了多光谱图像的空间分辨率,但是直接线性拉伸全色图像会改变其光谱特性。传统的GS融合方法是将多光谱图像通过GS转换至正交空间,再将高分辨率全色图像替换第一分量,最后通过GS反变换得到融合图像。这种方法所说对需要融合的遥感图像无波段数限制,但是仍会减少多光谱图像的光谱信息。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于小波变换和施密特光谱锐化的多源图像融合方法,以减少融合过程中多光谱图像光谱信息的丢失,获得谱段多、分辨率高的多光谱数据。
为达到上述目的,本发明的技术方案包括如下:
(1)从遥感卫星影像中获取多光谱图像与高分辨率全色图像P(x,y),从多光谱图像中复制出一个全色波段,将这个全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换;
(2)取GS变换后多光谱图像的第一分量I(x,y),对其进行小波变换,得到一个低频子图像ILL(x,y)与三个高频子图像ILH(x,y),IHL(x,y)和IHH(x,y);
(3)对高分辨率全色图像P(x,y)进行小波变换,得到一个低频子图像PLL(x,y)与三个高频子图像PLH(x,y),PHL(x,y)和PHH(x,y);
本发明具有如下优点:
1)本发明由于使用小波变换对图像进行分解,可以保证图像在分解过程中没有信息损失,并有效地提取原始图像的结构信息和细节信息,减少多光谱图像光谱信息的丢失。
2)本发明以施密特光谱锐化算法为基础,使融合后的图像具有更高色彩的对比度,并且适用于不同维度图像的融合。
附图说明
图1是本发明的实现流程图;
图2是使用本发明和现有方法对多光谱图像和高分辨率全色图像进行融合的仿真结果图。
具体实施方案
以下结合附图对本发明的实施例和效果进行详细描述。
参照图1,本发明的实现步骤如下:
步骤1:获取多光谱图像与高分辨率全色图像。
从遥感卫星影像中获取同一地理位置的多光谱图像与高分辨率全色图像P(x,y),剪裁多光谱图像与高分辨率全色图像,保证两幅图像的大小相同。由于不同卫星传感器的成像方式不同,需要对多光谱图像与高分辨率全色图像进行几何校正,保证图像中的各元素具有相同的位置和大小。
步骤2:对原始多光谱图像进行施密特光谱锐化GS变换。
对原始多光谱图像进行施密特光谱锐化GS变换,首先需要从原始多光谱图像中复制出一个全色波段,本实施例选择但不仅限于选择红色波段进行复制。然后将这个复制的全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换,其具体实现如下:
2.1)计算原始多光谱图像的每个波段像元灰度值的均值μT:
其中,T为原始多光谱图像的波段数,x和y分别是原始多光谱图像的行数和列数,M和N分别是原始多光谱图像的总行数和总列数,BT是原始多光谱图像的第T个波段,本实施例中T的取值为3,M和N的取值分别为404和396;
其中,GSl是经过GS变换后的第l个分量,σ(BT,GSl)是BT与GSl之间的方差;
2.3)对原始多光谱图像进行GS变换,得到经GS变换后的T个分量GST(x,y):
步骤3:对GS变换后多光谱图像的第一分量I(x,y)进行小波变换。
3.1)设GS变换后多光谱图像的第一分量为I(x,y),对I(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样,分别得到多光谱图像的低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y):
其中,低通滤波器其脉冲响应为l(i),i=0,1,...,Nl-1,Nl为低通滤波器L的支撑长度,高通滤波器其脉冲响应为h(j),j=0,1,...,Nh-1,Nh为高通滤波器H的支撑长度,mod为取余函数,x=0,1,...,M/2-1,y=0,1,...,N-1;
3.2)对多光谱图像低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样,得到多光谱图像低通系数矩阵的低频子图像ILL(x,y),水平高频子图像ILH(x,y)和多光谱图像高通系数矩阵的垂直高频子图像IHL(x,y),对角高频子图像IHH(x,y):
其中x=0,1,...,M/2-1,y=0,1,...,N/2-1。
步骤4:对高分辨率全色图像P(x,y)进行小波变换。
4.1)对高分辨率全色图像P(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样,分别得到全色图像的低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y):
其中x=0,1,...,M/2-1,y=0,1,...,N-1;
4.2)对全色图像低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样,得到全色图像低通系数矩阵的低频子图像PLL(x,y),水平高频子图像PLH(x,y)和全色图像高通系数矩阵的垂直高频子图像PHL(x,y),对角高频子图像PHH(x,y):
其中,x=0,1,...,M/2-1,y=0,1,...,N/2-1。
步骤5:低频替代。
由于小波变换后的子图像中低频图像具有原始图像的近似信息,因而用全色图像的低频子图像PLL(x,y)替代多光谱图像第一分量的低频子图像ILL(x,y),可得到新的多光谱图像第一分量,该第一分量包含多光谱图像的水平高频子图像ILH(x,y)、垂直高频子图像IHL(x,y)、对角高频子图像IHH(x,y)和全色图像的低频子图像PLL(x,y),每个子图像的大小均为
步骤6:对新的多光谱图像第一分量进行小波逆变换。
本发明的效果可以通过以下测试进一步说明:
测试内容:使用现有GS变换方法和本发明方法图2(a)所示的多光谱和图2(b)所示的高分辨率全色图像进行融合,结果如图2(c)和图2(d)所示,其中,图2(c)是现有GS变换方法的融合图像,图2(d)是本发明方法的融合图像。
从图2(d)可见,本发明的融合图像具有丰富的光谱信息,图像中边缘清晰,充分保留高分辨率全色图像的结构信息和细节信息,图像具有更高的对比度,而图2(c)中的图像边缘模糊,图像对比度低,证明本发明具有很好的应用效果。
Claims (7)
1.一种基于小波变换和施密特光谱锐化的多源图像融合方法,其特征在于,包括如下:
(1)从遥感卫星影像中获取多光谱图像与高分辨率全色图像P(x,y),从多光谱图像中复制出一个全色波段,将这个全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换;
(2)取GS变换后多光谱图像的第一分量I(x,y),对其进行小波变换,得到一个低频子图像ILL(x,y)与三个高频子图像ILH(x,y),IHL(x,y)和IHH(x,y);
(3)对高分辨率全色图像P(x,y)进行小波变换,得到一个低频子图像PLL(x,y)与三个高频子图像PLH(x,y),PHL(x,y)和PHH(x,y);
3.根据权利要求1所述的方法,其特征在于,(2)中对GS变换后多光谱图像的第一分量I(x,y)进行小波变换,实现如下:
(2a)设多光谱图像的第一分量I(x,y)的大小为M×N,对I(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样,分别得到多光谱图像的低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y):
其中,低通滤波器其脉冲响应为l(i),i=0,1,...,Nl-1,Nl为低通滤波器L的支撑长度,高通滤波器其脉冲响应为h(j),j=0,1,...,Nh-1,Nh为高通滤波器H的支撑长度,mod为取余函数,x=0,1,...,M/2-1,y=0,1,...,N-1;
(2b)对多光谱图像低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样,得到如下多光谱图像低通系数矩阵的低频子图像ILL(x,y),水平高频子图像ILH(x,y)和多光谱图像高通系数矩阵的垂直高频子图像IHL(x,y),对角高频子图像IHH(x,y):
其中x=0,1,...,M/2-1,y=0,1,...,N/2-1。
4.根据权利要求1所述的方法,其特征在于,(3)中对高分辨率全色图像P(x,y)进行小波变换,实现如下:
(3a)对高分辨率全色图像P(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样,分别得到全色图像的低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y):
其中x=0,1,...,M/2-1,y=0,1,...,N-1;
(3b)对全色图像低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样,得到如下全色图像低通系数矩阵的低频子图像PLL(x,y),水平高频子图像PLH(x,y)和全色图像高通系数矩阵的垂直高频子图像PHL(x,y),对角高频子图像PHH(x,y):
其中,x=0,1,...,M/2-1,y=0,1,...,N/2-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498943.7A CN111681194B (zh) | 2020-06-04 | 2020-06-04 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498943.7A CN111681194B (zh) | 2020-06-04 | 2020-06-04 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681194A CN111681194A (zh) | 2020-09-18 |
CN111681194B true CN111681194B (zh) | 2023-03-14 |
Family
ID=72453066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498943.7A Active CN111681194B (zh) | 2020-06-04 | 2020-06-04 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681194B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869114A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学 | 基于多层带间结构模型的多光谱图像和全色图像融合方法 |
CN106157269A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于方向多尺度群低秩分解的全色图像锐化方法 |
CN109447934A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198463B (zh) * | 2013-04-07 | 2014-08-27 | 北京航空航天大学 | 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 |
-
2020
- 2020-06-04 CN CN202010498943.7A patent/CN111681194B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869114A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学 | 基于多层带间结构模型的多光谱图像和全色图像融合方法 |
CN106157269A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于方向多尺度群低秩分解的全色图像锐化方法 |
CN109447934A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 |
Non-Patent Citations (2)
Title |
---|
一种快速的全色和多光谱图像融合算法;毛克;《测绘科学》(第01期);全文 * |
资源三号卫星正视全色与多光谱影像融合及评价;吴晓萍等;《物探化探计算技术》(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111681194A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8577184B2 (en) | System and method for super-resolution imaging from a sequence of color filter array (CFA) low-resolution images | |
CN101556690B (zh) | 基于词典学习和稀疏表示的超分辨率算法 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
US8693771B2 (en) | Method for pan-sharpening panchromatic and multispectral images using dictionaries | |
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 | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
US20140301659A1 (en) | Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information | |
Lemeshewsky | Multispectral multisensor image fusion using wavelet transforms | |
CN106157269B (zh) | 基于方向多尺度群低秩分解的全色图像锐化方法 | |
CN113191325B (zh) | 一种图像融合方法、系统及其应用 | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
CN106875370B (zh) | 一种全色图像和多光谱图像的融合方法及装置 | |
CN109859153B (zh) | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 | |
Khaire et al. | Resolution Enhancement of images with interpolation and DWT–SWT Wavelet domain components | |
CN111681194B (zh) | 基于小波变换和施密特光谱锐化的多源图像融合方法 | |
CN113284067A (zh) | 基于深度细节注入网络的高光谱全色锐化方法 | |
CN112734636A (zh) | 一种多源异构遥感影像的融合方法 | |
CN109544495B (zh) | 一种基于高斯滤波和比值变换的SoC芯片图像处理融合方法 | |
Matsuo et al. | Super-resolution for 2K/8K television using wavelet-based image registration | |
CN111524079B (zh) | 基于分量替换和低通滤波的多光谱遥感图像全色锐化方法 | |
CN110163830A (zh) | 基于Riesz-Lap变换及PCNN的图像融合方法 | |
CN109658358B (zh) | 一种基于多导向滤波的快速bayer彩色重建方法 | |
CN114708178B (zh) | 基于引导滤波与稀疏表示的遥感影像融合方法 | |
Shoeiby et al. | Super-resolved Chromatic Mapping of Snapshot Mosaic Image Sensors via a Texture Sensitive Residual Network | |
CN112508829B (zh) | 一种基于剪切波变换的pan-sharpening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 |