CN117408902A - 基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 - Google Patents
基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 Download PDFInfo
- Publication number
- CN117408902A CN117408902A CN202311371660.6A CN202311371660A CN117408902A CN 117408902 A CN117408902 A CN 117408902A CN 202311371660 A CN202311371660 A CN 202311371660A CN 117408902 A CN117408902 A CN 117408902A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- sar
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 title description 5
- 230000003287 optical effect Effects 0.000 claims abstract description 52
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims description 39
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000011160 research Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 abstract description 2
- 238000007499 fusion processing Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 241001085205 Prenanthella exigua Species 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10044—Radar 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
- G06T2207/20212—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)
- Image Analysis (AREA)
Abstract
本发明涉及基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,属于遥感图像融合处理技术领域。首先对光学遥感影像进行IHS变换得到亮度、色度、饱和度三个分量图像,再对Ka‑SAR遥感影像进行BEMD分解得到高频、低频图像,将亮度分量与低频图像分别进行BEMD分解并融合,然后与高频图像重构,最后进行IHS逆变换获得彩色化的Ka‑SAR影像。本发明在保留了清晰的纹理细节的同时,也赋予Ka‑SAR遥感影像真实色彩,大大提高了辨识性,便于用于灾后分析以及目视解译。
Description
技术领域
本发明涉及一种基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,属于遥感图像融合处理技术领域。
背景技术
近年来卫星遥感影像因其能够大范围、高时效性地接收来自目标事物本身反射、辐射、散射的电磁波信息,并且根据返回的电磁波信息各自的特点进行多角度分析处理,进而被广泛应用于水利、农业及各类灾情监测中。其中基于合成孔径雷达(SyntheticAperture Radar,SAR)的卫星遥感技术具备高分辨率的微波成像能力,能够全天候、全天时、大范围、高时效地采集数据,而我国于2023年5月发射了国际首颗Ka频段SAR遥感卫星,该频段卫星信号相较于其他SAR卫星其波长更短,这使得其影像在包含着丰富地表地物信息的同时成像效果更加清晰。但Ka频段的SAR影像同样受其成像机理所限,根据每个像素点的反射强度或回波信号强度呈现深浅不一的黑白色,难以在灾害发生后的第一时间通过SAR影像初步掌握受灾地区的地貌地物情况。
双向经验模态分解法(Bidimensional Empirical Mode Decomposition,BEMD)和IHS色彩空间变换均为当前常用的影像融合算法。双向经验模态分解法的基本思想是将二维信号分解为一系列的本征模态函数(Intrinsic Mode Functions,IMFs),再对不同层数的IMFs进行重构,该方法能够自适应对二维图像信号进行处理,不需要依赖先验知识或假设;IHS变换将彩色图像转换为亮度、色调和饱和度三个分量,能够对亮度和色彩进行独立处理,同时IHS变换是可逆的,通过逆变换可还原原始图像。现有技术中有用IHS 变换融合的,也有用BEMD变换的,如专利CN 102063710 B,将多光谱遥感影像的波段进行 LBV 数据变换,得到处理后的 L、B、V 图像;将处理后的 L、B、V 图像作为三个分量,将代表普通辐射水平的 L 当作 I 分量和 V 分量,选择进行IHS 变换融合、IHS 变换同小波变换相结合的融合以及 HSV 变换同小波变换相结合的融合,但该方法中所采用的小波变换会导致最终的融合结果丢失大量纹理细节。专利CN 106251368 B,利用IHS变换与BEMD变换融合,融合后又逆变换,但该方法在影像融合后无法得到易于辨识的彩色影像。
发明内容
本发明的目的是克服上述不足,而提供一种基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,将光学遥感影像与Ka频段SAR影像进行融合,获得彩色化Ka-SAR遥感影像以便于对其进行目视解译。
本发明采取的技术方案为:
基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,包括步骤如下:
S1. 选取Ka-SAR遥感影像(即Ka频段SAR影像)中研究区域进行裁剪,并按照相同范围下载并裁切对应区域的光学遥感影像,对影像进行预处理;
S2. 将预处理后的光学遥感影像进行IHS变换,使其由RGB模型转换至IHS色彩模型,变换后得到亮度I、色度H、饱和度S三个分量图像;
S3.对预处理后的Ka-SAR遥感影像进行BEMD分解获得Ka-SAR遥感影像的高频纹理细节分量图像以及低频背景分量图像;
S4. 将光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像分别进行BEMD分解,获得各自的IMF分量和余项,将其中的高频分量、低频分量与余项分别融合,再将融合后的高频分量、低频分量与余项三者融合重构,得到新的背景分量图像C new ;
S5. 将背景分量图像C new 与步骤S3中得到的高频纹理细节分量W进行重构,得到融合后的亮度分量I new ;
S6.将融合后的亮度分量I new 与步骤S2中经IHS变换后的H、S分量进行IHS逆变换,最终获得彩色化的Ka-SAR影像。
上述方法还包括对Ka-SAR影像彩色化结果进行评价优化的步骤,优选通过信息熵、清晰度来评价。
上述方法中步骤S1所述的预处理包括利用ENVI软件对分辨率较低的光学遥感影像进行重采样与配准,保证两幅影像的像元行列数一致,及对Ka-SAR遥感影像进行去噪处理。
步骤S2中 IHS变换公式如下式所示:
式(一),
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量。通过该值计算H、S分量的公式如下:
式(二),
式(三)。
步骤S3中对于BEMD分解过程方法可用现有技术(如文献〔1〕谭昕瑜. 基于BEMD分解的前视声呐图像分割算法研究〔D〕.大连海事大学)。
步骤S4中高频分量采用加权平均法融合,权重根据图像的对比度、亮度等特征来确定,以保持两个图像之间的高频细节;低频分量融合规则使用简单的取平均值的方案;为了保留原始影像中的大部分信息,余项融合规则采用将两个余项相加的融合规则。融合公式如下:
高频融合:
式(八),
式中C high1、C high2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的高频分量;p 1、p 2分别为对应高频分量的权重;
低频融合:
式(九),
式中C low1、C low2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的低频分量;
余项融合:
式(十),
式中C R1、C R2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的余项分量;
再将上述各分量融合重构后,得到新的背景分量图像C new ,重构公式如式(十一):
式(十一)。
步骤S5中的重构公式为:
式(十二)。
步骤S6中IHS逆变换公式如下:
式(十三),
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量。
本发明的有益效果是:
本发明以Ka频段SAR遥感影像为基础,结合光学遥感影像进行融合,首先对光学遥感影像进行IHS变换,后利用BEMD对光学遥感影像与SAR遥感影像进行分解与重构最终获得能够清晰辨识地物地类的高分辨率彩色SAR影像。由于Ka-SAR遥感影像具有较高高分辨率的细节刻画能力,能够对清晰展现地面工程建筑等物,而光学影像受分辨率及色彩显示的影响导致地面工程建筑时常被模糊或虚化,但经融合后该现象得到有效解决。对于光学遥感影像,通过结合Ka-SAR遥感影像能够对光学遥感影像中受镜面反射等因素导致影像水面呈亮白色的现象进行修正,经融合后有效弥补光学影像中亮白色区域。所以本发明在保留了清晰的纹理细节的同时,也赋予Ka-SAR遥感影像真实色彩,大大提高了辨识性,可用于灾后分析以及目视解译,便于应对洪涝等灾害发生时为决策者提供有效资料信息。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例选取的研究区域的光学遥感影像;
图3为本发明实施例选取的研究区域的Ka-SAR遥感影像;
图4为本发明实施例选取的研究区域用本发明方法处理后的影像结果;
图5为本发明方法处理前后水体影像的对比图,a.光学遥感影像,b. Ka-SAR遥感影像,c.本发明彩色化后的遥感影像;
图6为本发明方法处理前后建筑工程影像的对比图,a.光学遥感影像,b. Ka-SAR遥感影像,c. 本发明彩色化后的遥感影像。
具体实施方式
下面结合具体实施例对本发明进一步说明。
实施例:选取河北省某区域作为研究区域,截取Ka-SAR遥感影像与光学遥感影像,光学遥感影像、Ka-SAR遥感影像如图2、图3所示。
基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,包括步骤如下:
S1. 选取Ka-SAR遥感影像(即Ka频段SAR影像)中研究区域进行裁剪,并按照相同范围下载并裁切对应区域的光学遥感影像,对影像进行预处理:
首先选取Ka-SAR遥感影像中研究区域进行裁剪,并按照相同范围下载并裁切对应区域的光学影像。利用ENVI软件对分辨率较低的光学影像进行重采样与配准,保证两幅影像的像元行列数一致,再对Ka-SAR影像进行去噪处理,完成融合前的数据预处理工作。
S2. 将预处理后的光学遥感影像进行IHS变换,使其由RGB模型转换至IHS色彩模型,变换后得到亮度I、色度H、饱和度S三个分量图像:
IHS变换公式如下式所示:
式(一),
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量。通过该值计算H、S分量的公式如下:
式(二),
式(三)。
S3.对预处理后的Ka-SAR遥感影像进行BEMD分解获得Ka-SAR遥感影像的高频纹理细节分量图像以及低频背景分量图像:
对于像元行列数位M×N的图像信号f (x,y),BEMD分解过程如下:
(1)初始化影像,设初始余项R0(x,y)为原始影像f (x,y);
(2)分解获得各层IMF分量,其中IMF为本征模态函数,原始信号经BEMD分解后会产生多个单体分量IMF以及一个余项分量:
a.对于第j个IMF分量,令 k=1,其中k表示计算第j个IMF分量过程中的迭代计数;
b.计算h k-1中的所有局部极大值点与局部极小值点,其中h k-1表示为计算第j个IMF分量过程中的第k次迭代计算的中间图像信号函数;
c.采用插值算法对极大值点与极小值点进行拟合,得到影像h k-1的上、下包络面u(x,y)、v(x,y);
d.根据上、下包络面求得均值包络面:
式(四),
e.将原始分解影像减去均值包络面得到筛选分量:
式(五),
f.判断停止准则,若分量满足停止条件,则,若
不满足则令k=k+1,并重复步骤b;
(3)更新余项:式(六),
(4)重复上述步骤(2)、(3)并令j=j+1,直至满足停止条件;
(5)最终分解过程结束,原始影像可表示为多个IMF分量与一个余项的和:
式(七)。
S4. 将光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像分别进行BEMD分解,获得各自的IMF分量和余项,将其中的高频分量、低频分量与余项分别融合,再将融合后的高频分量、低频分量与余项三者融合重构,得到新的背景分量图像C new :
经过IHS变换得到的光学遥感影像亮度分量I以及Ka-SAR遥感影像分解得到的低频背景分量图像分别进行BEMD分解,获得各自的IMF分量、/>和余项R A 、R B 。随后分别融合其中的高频分量、低频分量与余项,其中高频分量采用加权平均法,权重根据图像的对比度、亮度等特征来确定,以保持两个图像之间的高频细节;低频分量融合规则使用简单的取平均值的方案对两个低频分量进行融合;为了保留原始影像中的大部分信息,余项融合规则采用将两个余项相加的融合规则。融合公式如下:
融合公式如下:
高频融合:
式(八),
式中C high1、C high2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的高频分量;p 1、p 2分别为对应高频分量的权重;
低频融合:
式(九),
式中C low1、C low2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的低频分量;
余项融合:
式(十),
式中C R1、C R2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的余项分量;
再将上述各分量融合重构后,得到新的背景分量图像C new ,重构公式如式(十一):
式(十一)。
S5. 将背景分量图像C new 与步骤S3中得到的高频纹理细节分量W进行重构,得到融合后的亮度分量I new :
式(十二)。
S6. 将融合后的亮度分量I new 与步骤S2中经IHS变换后的H、S分量进行IHS逆变换,最终获得彩色化的Ka-SAR影像:
IHS逆变换公式如下:
式(十三),
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量。
S7.对Ka-SAR遥感影像彩色化结果进行评价:
遥感影像的融合结果分为主观评价与客观评价,除受人为因素影像的主观评价外,本发明通过信息熵(IE)、清晰度(D)两方面分别对Ka-SAR遥感影像彩色化结果的纹理变化程度以及视觉效果进行客观评价。
(1)信息熵(Information Entropy,IE):图像融合后的信息熵衡量了融合图像的复杂度和信息丰富程度,较高的信息熵表示融合图像具有更多的细节和纹理变化,公式如下:
式(十四),
式中L为图像灰度级数,p(i)为第i个灰度级的归一化概率。
清晰度(Definition,D):清晰度指标用于衡量融合图像的边缘锐度和细节清晰程度。较高的清晰度表示图像边缘更加清晰,细节更加鲜明。清晰度可以用于评估图像融合结果的边缘保留能力和视觉效果。公式如下:
式(十五),
式中I xy表示图像梯度幅值。
研究区域用本发明上述方法彩色化处理后的影像结果如图4所示,经对比可以发现融合后的影像既保留了SAR影像对于地物地类的纹理细节,同时为SAR影像赋予光学影像的色彩,能够便于使用者在得到Ka-SAR遥感影像数据的第一时间以目视解译的方法初步了解影像信息。
此外对于光学遥感影像,通过结合Ka-SAR遥感影像能够对光学遥感影像中受镜面反射等因素导致影像水面呈亮白色的现象进行修正,如水体的结果对比如图5中所示,由于Ka-SAR卫星的成像机理使得水体在影像中为深色显示,经融合后有效弥补光学影像中亮白色区域。
同时由于Ka-SAR遥感影像具有较高高分辨率的细节刻画能力,能够对清晰展现地面工程建筑,而光学影像受分辨率及色彩显示的影响导致地面工程建筑时常被模糊或虚化,但经融合后该现象得到有效解决。如图6中所示,SAR遥感影像中该处为一桥梁建筑,而光学遥感影像中该工程建筑无法清晰辨识,通过影像融合得到的彩色SAR遥感影像图则可以发现该处地点地物边缘细节更为明显,色彩区分清晰,能够更好的分辨地表工程建筑。
以上是结合具体实施例对本发明的详细介绍,本发明的保护范围不限于此。
Claims (8)
1.基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,包括步骤如下:
S1. 选取Ka-SAR遥感影像中研究区域进行裁剪,并按照相同范围下载并裁切对应区域的光学遥感影像,对影像进行预处理;
S2. 将预处理后的光学遥感影像进行IHS变换,使其由RGB模型转换至IHS色彩模型,变换后得到亮度I、色度H、饱和度S三个分量图像;
S3. 对预处理后的Ka-SAR遥感影像进行BEMD分解获得Ka-SAR遥感影像的高频纹理细节分量图像以及低频背景分量图像;
S4. 将光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像分别进行BEMD分解,获得各自的IMF分量和余项,将其中的高频分量、低频分量与余项分别融合,再将融合后的高频分量、低频分量与余项三者融合重构,得到新的背景分量图像C new ;
S5. 将背景分量图像C new 与步骤S3中得到的高频纹理细节分量W进行重构,得到融合后的亮度分量I new ;
S6. 将融合后的亮度分量I new 与步骤S2中经IHS变换后的H、S分量进行IHS逆变换,最终获得彩色化的Ka-SAR影像。
2.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,步骤S1所述的预处理包括利用ENVI软件对分辨率较低的光学遥感影像进行重采样与配准,保证两幅影像的像元行列数一致,及对Ka-SAR遥感影像进行去噪处理。
3.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,步骤S2中IHS变换公式如下式所示:
,
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量,通过该值计算H、S分量的公式如下:
,
。
4.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,步骤S4中高频分量采用加权平均法融合,低频分量融合规则使用简单的取平均值的方案,余项融合规则采用将两个余项相加的融合规则,融合公式如下:
高频融合:
,
式中C high1、C high2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的高频分量;p 1、p 2分别为对应高频分量的权重;
低频融合:
,
式中C low1、C low2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的低频分量;
余项融合:
,
式中C R1、C R2分别表示光学遥感影像变换得到的亮度分量I与Ka-SAR遥感影像分解得到的低频背景分量图像经BEMD分解得到的余项分量;
再将上述各分量融合重构后,得到新的背景分量图像C new ,重构公式:
。
5.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,步骤S5中的重构公式为:
。
6.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,步骤S6中IHS逆变换公式如下:
,
式中v 1、v 2为H、S分量在笛卡尔坐标系中x和y轴上的值,R 0、G 0、B 0表示光学影像的红、绿、蓝分量。
7.根据权利要求1所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,还包括对Ka-SAR影像彩色化结果进行评价优化的步骤。
8.根据权利要求7所述的基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法,其特征是,通过信息熵、清晰度来评价Ka-SAR影像彩色化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371660.6A CN117408902A (zh) | 2023-10-23 | 2023-10-23 | 基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371660.6A CN117408902A (zh) | 2023-10-23 | 2023-10-23 | 基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408902A true CN117408902A (zh) | 2024-01-16 |
Family
ID=89490248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371660.6A Pending CN117408902A (zh) | 2023-10-23 | 2023-10-23 | 基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408902A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
CN102622730A (zh) * | 2012-03-09 | 2012-08-01 | 武汉理工大学 | 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法 |
CN104021536A (zh) * | 2014-06-16 | 2014-09-03 | 西北工业大学 | 一种自适应的sar图像和多光谱图像融合方法 |
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
-
2023
- 2023-10-23 CN CN202311371660.6A patent/CN117408902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
CN102622730A (zh) * | 2012-03-09 | 2012-08-01 | 武汉理工大学 | 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法 |
CN104021536A (zh) * | 2014-06-16 | 2014-09-03 | 西北工业大学 | 一种自适应的sar图像和多光谱图像融合方法 |
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
Non-Patent Citations (3)
Title |
---|
BAOHUA ZHANG ET AL.: "A medical image fusion method based on energy classification of BEMD components", 《OPTIK》, 31 December 2014 (2014-12-31), pages 4 * |
孔韦韦等: "《图像融合-基于多分辨率非下采样理论与方法》", 31 July 2015, 西安电子科技大学出版社, pages: 227 * |
宫睿;王小春;: "BEMD分解和W变换相结合的红外与可见光图像融合", 中国图象图形学报, no. 06, 16 June 2019 (2019-06-16) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN109961408B (zh) | 基于nsct和块匹配滤波的光子计数图像去噪方法 | |
CN114821261B (zh) | 一种图像融合的方法 | |
CN112307901A (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
CN103914678A (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN102663697A (zh) | 一种水下彩色视频图像的增强方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN116682027B (zh) | 基于MobileNet的SAR海冰图像分类方法及装置 | |
CN106611410B (zh) | 基于金字塔模型的pansharpen融合优化方法 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN107680070B (zh) | 一种基于原始图像内容的分层权重图像融合方法 | |
CN117408902A (zh) | 基于BEMD与IHS变换结合的Ka频段SAR影像彩色化方法 | |
CN109359264A (zh) | 一种基于modis的叶绿素产品降尺度方法及装置 | |
CN117036391A (zh) | 一种从x波段导航雷达图像反演有效波高的方法 | |
CN116109520A (zh) | 一种基于光线追踪算法的深度图像优化方法 | |
CN113487493B (zh) | 基于GANilla的SAR图像自动彩色化方法 | |
Narsaiah et al. | A survey on image fusion Requirements, techniques, evaluation metrics, and its applications | |
CN113436123A (zh) | 去云-分辨率提升协同的高分sar与低分多光谱图像融合方法 | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Li et al. | SAR and Infrared Image Fusion based on Latent Low-rank Representation |
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 |