• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 18
    • 下载费用:30 金币  

    重庆时时彩做大底工具: 一种基于区域划分和插值的多光谱和全色图像融合方法.pdf

    关 键 词:
    一种 基于 区域 划分 光谱 全色 图像 融合 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201410077181.8

    申请日:

    2014.03.04

    公开号:

    CN103914817A

    公开日:

    2014.07.09

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06T 5/50申请日:20140304|||公开
    IPC分类号: G06T5/50 主分类号: G06T5/50
    申请人: 西安电子科技大学
    发明人: 刘芳; 石程; 李玲玲; 焦李成; 郝红侠; 戚玉涛; 武杰; 段一平; 马晶晶; 尚荣华; 于昕
    地址: 710071 陕西省西安市太白南路2号西安电子科技大学
    优先权:
    专利代理机构: 西安智萃知识产权代理有限公司 61221 代理人: 张超
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410077181.8

    授权公告号:

    ||||||

    法律状态公告日:

    2017.01.04|||2014.08.27|||2014.07.09

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明提供了一种基于区域划分和插值的多光谱和全色图像融合方法,实现过程是1)提取高分辨率全色图像的Primal?Sketch图;2)构造几何模版;3)得到划分高分辨率全色图像为结构区域和非结构区域的区域映射图;4)得到划分结构区域、纹理区域和光滑区域的区域映射图;5)得到图像大小和高分辨率全色图像相同大小的初始的多光谱图像;6)将初始的多光谱图像划分为结构区域、纹理区域和光滑区域;7)得到预测的多光谱图像;8)完成对预测的多光谱图像上的每一个像素点的灰度值的计算,得到融合图像。本发明解决了融合图像中光谱信息失真或者空间分辨率不足的缺点,提高了融合图像的质量。

    权利要求书

    权利要求书
    1.  一种基于区域划分和插值的多光谱和全色图像融合方法,其特征在于:包含如下步骤:
    步骤1:提取高分辨率全色图像的Primal Sketch图;
    步骤2:根据步骤1得到的Primal Sketch图中线段的方向,以线段上的点为中心,沿着该条线段的方向设计大小为7×7的方向窗口,构造几何模版;
    步骤3:对步骤1中得到的Primal Sketch图,根据构造的几何模板,得到划分高分辨率全色图像为结构区域和非结构区域的区域映射图;
    步骤4:将步骤3中得到的非结构区域,根据图像的方差统计特性,将非结构区域划分为纹理区域和光滑区域,从而得到划分结构区域、纹理区域和光滑区域的区域映射图;
    步骤5:对低分辨率多光谱图像采用最近邻插值方法,得到图像大小和高分辨率全色图像相同大小的初始的多光谱图像,其计算公式为:
    fHR(2i+m,2j+l)=fLR(i,j)(i=1,...,W,j=1,...,H,m=0,1,l=0,1)(1)
    其中W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,fLR表示低分辨率多光谱图像,fHR表示初始的多光谱图像;
    步骤6:根据步骤4中得到的区域映射图,将初始的多光谱图像划分为结构区域、纹理区域和光滑区域;
    步骤7:对步骤5得到的初始的多光谱图像,分别对其每一个子带图像,调整位置处于(2i+1,2j+1)的灰度值,针对结构、纹理区域和光滑区域,采用不同的插值和调整过程对(2i+1,2j+1)的灰度值进行计算,得到修正的多光谱图像,其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    步骤8:在步骤7得到的修正的多光谱图像的基础之上,分别对其每一个子带图像,调整位置处于(2i,2j+1)和(2i+1,2j)的灰度值,针对结构、纹理区域和光滑区域,采用不同的插值和调整过程对(2i,2j+1)和(2i+1,2j)灰度值重新进行计算,完成对初始的多光谱图像上的每一个像素点的灰度值的计算,得到新的修正的多光谱图像,其中 i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    步骤9:如果真实的高分辨率全色图像的大小是低分辨率多光谱图像大小的2倍,则步骤8中得到新的预测的多光谱图像即为融合图像;如果真实的高分辨率全色图像的大小是真实的低分辨率多光谱图像大小的4倍,则需将步骤1-8执行两次,在第一次运行过程中,步骤1中的高分辨率全色图像为真实的高分辨率全色图像的下采样缩小一倍的图像,在执行完第一次过程后,将步骤8中得到的多光谱图像作为第二次执行过程中的低分辨率多光谱图像,高分辨率全色图像则为真实的高分辨率全色图像,再次执行步骤1-8,得到最终的融合图像。

    2.  根据权利要求1所述的一种基于区域划分和插值的多光谱和全色图像融合方法,其特征在于:步骤7中所述的得到修正的多光谱图像,按照如下步骤进行:
    1)分别对初始的多光谱图像的每一个子带图像,调整初始的多光谱图像中位置处于(2i+1,2j+1)的像素,计算公式为:
    fHR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))+δ(2i+1,2j+1)---(2)]]>
    其中fHR(2(i+k),2(j+l))表示初始的多光谱图像中位置处于(2(i+k),2(j+l))处的灰度值,α2k+l是学习插值的权值参数,δ(2i+1,2j+1)是高分辨率全色图像指导下的调整参数,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    2)计算步骤1)中的权值参数α2k+l,对初始的多光谱图像中的每一个需要重新计算的处于(2i+1,2j+1)的像素,判断该像素是否位于区域映射图的光滑区域,如果是,则权值参数完成权值参数的计算,否则,使用NEDI插值方法计算权值参数α→=[α0,α1,α2,α3];]]>
    3)根据步骤2),计算得到预测的多光谱图像,计算公式为:
    f^HR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))---(3)]]>
    其中表示预测的多光谱图像中位置处于(2i+1,2j+1)处的灰度值,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    4)计算步骤1)中的调整参数δ(2i+1,2j+1),对步骤3)得到的预测的多光谱图像(2i+1,2j+1)点,分别计算x方向和y方向的梯度函数fx(δ),fy(δ),当点(2i+1,2j+1)处于结构区域时,x方向为该点所在的结构区域中线段的方向,y方向为与线段方向垂直的方向;当该点位于纹理和结构区域时,x方向为水平方向,y方向为垂直方向,fx(δ),fy(δ)计算公式如下:
    fx(δ)=gx1+gx2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(4)]]>
    fy(δ)=gy1+gy2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(5)]]>
    其中表示预测的多光谱图像中位置处于(2i+1,2j+1)处的灰度值,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,gx1和gx2分别为以(2i+1,2j+1)点为中心,沿着x方向,与(2i+1,2j+1)点最近的确定像素的灰度值,gy1和gy2是分别为以(2i+1,2j+1)点为中心,沿着y方向,与(2i+1,2j+1)点最近的确定像素的灰度值;
    5)分别计算高分辨率全色图像上(2i+1,2j+1)点的x方向和y方向的梯度值计算公式如下:
    f^x=g^x1+g^x2-2g^---(6)]]>
    f^y=g^y1+g^y2-2g^---(7)]]>
    其中为高分辨率全色图像上点(2i+1,2j+1)的灰度值,和分别为高分辨率全色图像上,位置与gx1,gx2,gy1和gy2相同的灰度值;
    6)根据步骤4)和5),通过公式(8)求解调整参数δ(2i+1,2j+1):
    minδ{(fx(δ)-λ1f^x)2+(fy(δ)-λ2f^y)2}---(8)]]>
    对公式(G)一阶求导计算极值点得到调整参数δ(2i+1,2j+1);公式(8)中的强度参数λ1和λ2控制调整的强度,计算公式如公式(9)所示:
    λ1=(gx1-gx2)/(g^x1-g^x2),λ2=(gy1-gy2)/(g^y1-g^y2)---(9)]]>
    公式(9)中,当时,λ1=1;时,λ2=1;
    7)根据步骤2)和步骤6)得到的权值参数和调整参数δ(2i+1,2j+1),根据公式(1),计算得到初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值的修正值,将该修正值代替初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值,得到修正的多光谱图像。

    3.  根据权利要求1所述的一种基于区域划分和插值的多光谱和全色图像融合方法,其特征在于:步骤8中的得到新的修正的多光谱图像,按照如下步骤进行:
    (1)分别对修正的多光谱图像的每一个子带图像,调整修正的多光谱图像中位置处于(2i,2j+1)和(2i+1,2j)的不确定像素,计算公式为:
    fHR(2i,2j+1)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+k,2j+1+l))+δ(2i,2j+1)---(10)]]>
    fHR(2i+1,2j)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+1+k,2j+l))+δ(2i+1,2j)---(11)]]>
    其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,αk,l是插值的权值参数,δ是高分辨率全色图像指导下的调整参数。调整参数、权值参数以及强度参数λ1和λ2的计算步骤与权利要求2相同,从而得到修正的多光谱图像中位于(2i,2j+1)或者(2i+1,2j)点的灰度值的修正值,将该修正值代替修正的多光谱图像中位于(2i,2j+1)或者(2i+1,2j)处的点的灰度值,完成对初始的多光谱图像上每 一个灰度值的计算,得到新的修正的多光谱图像。

    说明书

    说明书一种基于区域划分和插值的多光谱和全色图像融合方法
    技术领域
    本发明属于图像处理领域,具体涉及一种基于区域划分和插值的多光谱和全色图像融合方法,可用于到气象监测、军事目标识别、环境监测、城市规划以及防灾减灾等多个领域的技术。
    背景技术
    随着遥感技术的发展,由各种卫星传感器对地观测获取同一地区的多源遥感图像数据越来越多,为军事目标的识别、环境监测等提供了丰富而又宝贵的资料。目前遥感技术应用的主要障碍,是从广阔的数据源中提取更丰富、更有用和更可靠信息的能力大小。这就要求我们对多源图像数据之间的冗余性进行充分利用,以降低多源图像融合的误差和不确定性,提高识别率和精确度。多源遥感图像融合,尤其是多光谱和全色图像的融合,被认为是现代多源图像处理和分析中非常重要的一步。
    目前,市场上使用的多光谱和全色图像融合方法主要有三类,一类是传统的空间变换的融合方法,一类是基于多尺度变换的融合方法,还有一类是目前很多学者在研究的基于字典学习的融合方法。
    基于空间变换的传统融合方法主要有HIS变换、PCA变换,Gram-Schmidt变换,以及Brovery变换等。这几种方法因其较低的计算复杂度,所以常被用于多个商业软件中。这几种方法能够有效的提高融合图像的空间分辨率,但是它们在融合过程中产生的光谱失真情况,虽然通过自适应的HIS、P+XS方法对于融合图像的光谱扭曲情况有一定的改善,但是仍不能达到好的效果。
    基于变换域的方法主要有基于拉普拉斯变换的融合方法、基于Wavelet变换的融合方法,以及基于多尺度几何分析的融合方法,如Contourlet、Bandlet和Shearlet等。这类方法对于空域变换所产生的光谱失真情况具有较好的改善作用,但是其空间分辨率收到所采用的方法额制约,如Wavelet变换只能将图像分解为三个方向,Contourlet变换等虽然能够对图像分解的方向数较Wavelet多,但还数目仍然是有限的。面对变化多样的图像的线条,有限的方向很难达到最优的逼近,从而影响了融合图像的细节信息。
    第三类是基于字典学习的融合方法。该类方法的产生就是为了克服固定的基,如Wavelet基、Contourlet基,难以达到图像的最优逼近而提出的。字典学习能够根据图像的内容学习字典,以达到对图像的最优的、最稀疏的表示,该类方法能够达到融合图像细节信息的提高,同时保持融合图像的光谱质量。但是该类方法在字典训练方面,需要较高的时间复杂度,很难满足市场的要求。
    发明内容
    本发明的目的是克服现有技术中对低分辨率多光谱图像和高分辨率全色图像融合过程中光谱信息和空间分辨率难以平衡的缺点,提出了一种基于区域划分和插值的多光谱和全色图像融合方法,以解决融合图像中光谱信息失真或者空间分辨率不足的缺点,提高融合图像的质量。
    为此,本发明提供了一种基于区域划分和插值的多光谱和全色图像融合方法,包含如下步骤:
    步骤1:提取高分辨率全色图像的Primal Sketch图;
    步骤2:根据步骤1得到的Primal Sketch图中线段的方向,以线段上的点为中心,沿着该条线段的方向设计大小为7×7的方向窗口,构造几何模版;
    步骤3:对步骤1中得到的Primal Sketch图,根据构造的几何模板,得到划分高分辨率全色图像为结构区域和非结构区域的区域映射图;
    步骤4:将步骤3中得到的非结构区域,根据图像的方差统计特性,将非结构区域划分为纹理区域和光滑区域,从而得到划分结构区域、纹理区域和光滑区域的区域映射图;
    步骤5:对低分辨率多光谱图像采用最近邻插值方法,得到图像大小和高分辨率全色图像相同大小的初始的多光谱图像,其计算公式为:
    fHR(2i+m,2j+l)=fLR(i,j)(i=1,...,W,j=1,...,H,m=0,1,l=0,1)  (1)
    其中W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,fLR表示低分辨率多光谱图像,fHR表示初始的多光谱图像;
    步骤6:根据步骤4中得到的区域映射图,将初始的多光谱图像划分为结构区域、纹理区域和光滑区域;
    步骤7:对步骤5得到的初始的多光谱图像,分别对其每一个子带图像,调整位置处于(2i+1,2j+1)的灰度值,针对结构、纹理区域和光滑区域,采用不同的插值和调整过程对(2i+1,2j+1)的灰度值进行计算,得到修正的多光谱图像,其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    步骤8:在步骤7得到的修正的多光谱图像的基础之上,分别对其每一个子带图像, 调整位置处于(2i,2j+1)和(2i+1,2j)的灰度值,针对结构、纹理区域和光滑区域,采用不同的插值和调整过程对(2i,2j+1)和(2i+1,2j)灰度值重新进行计算,完成对初始的多光谱图像上的每一个像素点的灰度值的计算,得到新的修正的多光谱图像,其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    步骤9:如果真实的高分辨率全色图像的大小是低分辨率多光谱图像大小的2倍,则步骤8中得到新的预测的多光谱图像即为融合图像;如果真实的高分辨率全色图像的大小是真实的低分辨率多光谱图像大小的4倍,则需将步骤1-8执行两次,在第一次运行过程中,步骤1中的高分辨率全色图像为真实的高分辨率全色图像的下采样缩小一倍的图像,在执行完第一次过程后,将步骤8中得到的多光谱图像作为第二次执行过程中的低分辨率多光谱图像,高分辨率全色图像则为真实的高分辨率全色图像,再次执行步骤1-8,得到最终的融合图像。
    上述步骤7中所述的得到修正的多光谱图像,按照如下步骤进行:
    1)分别对初始的多光谱图像的每一个子带图像,调整初始的多光谱图像中位置处于(2i+1,2j+1)的像素,计算公式为:
    fHR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))+δ(2i+1,2j+1)---(2)]]>
    其中fHR(2(i+k),2(j+l))表示初始的多光谱图像中位置处于(2(i+k),2(j+l))处的灰度值,α2k+l是学习插值的权值参数,δ(2i+1,2j+1)是高分辨率全色图像指导下的调整参数,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    2)计算步骤1)中的权值参数α2k+l,对初始的多光谱图像中的每一个需要重新计算的处于(2i+1,2j+1)的像素,判断该像素是否位于区域映射图的光滑区域,如果是,则权值参数完成权值参数的计算,否则,使用NEDI插值方法计算权值参数α→=[α0,α1,α2,α3];]]>
    3)根据步骤2),计算得到预测的多光谱图像,计算公式为:
    f^HR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))---(3)]]>
    其中表示预测的多光谱图像中位置处于(2i+1,2j+1)处的灰度值,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高;
    4)计算步骤1)中的调整参数δ(2i+1,2j+1),对步骤3)得到的预测的多光谱图像(2i+1,2j+1)点,分别计算x方向和y方向的梯度函数fx(δ),fy(δ),当点(2i+1,2j+1)处于结构区域时,x方向为该点所在的结构区域中线段的方向,y方向为与线段方向垂直的方向;当该点位于纹理和结构区域时,x方向为水平方向,y方向为垂直方向,fx(δ),fy(δ)计算公式如下:
    fx(δ)=gx1+gx2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(4)]]>
    fy(δ)=gy1+gy2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(5)]]>
    其中表示预测的多光谱图像中位置处于(2i+1,2j+1)处的灰度值,i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,gx1和gx2分别为以(2i+1,2j+1)点为中心,沿着x方向,与(2i+1,2j+1)点最近的确定像素的灰度值,gy1和gy2是分别为以(2i+1,2j+1)点为中心,沿着y方向,与(2i+1,2j+1)点最近的确定像素的灰度值;
    5)分别计算高分辨率全色图像上(2i+1,2j+1)点的x方向和y方向的梯度值计算公式如下:
    f^x=g^x1+g^x2-2g^---(6)]]>
    f^y=g^y1+g^y2-2g^---(7)]]>
    其中为高分辨率全色图像上点(2i+1,2j+1)的灰度值,和分别为高分辨率全色图像上,位置与gx1,gx2,gy1和gy2相同的灰度值;
    6)根据步骤4)和5),通过公式(8)求解调整参数δ(2i+1,2j+1):
    minδ{(fx(δ)-λ1f^x)2+(fy(δ)-λ2f^y)2}---(8)]]>
    对公式(G)一阶求导计算极值点得到调整参数δ(2i+1,2j+1);公式(8)中的强度参数λ1和λ2控制调整的强度,计算公式如公式(9)所示:
    λ1=(gx1-gx2)/(g^x1-g^x2),λ2=(gy1-gy2)/(g^y1-g^y2)---(9)]]>
    公式(9)中,当时,λ1=1;时,λ2=1;
    7)根据步骤2)和步骤6)得到的权值参数和调整参数δ(2i+1,2j+1),根据公式(1),计算得到初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值的修正值,将该修正值代替初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值,得到修正的多光谱图像。
    上述步骤8中的得到新的修正的多光谱图像,按照如下步骤进行:
    (1)分别对修正的多光谱图像的每一个子带图像,调整修正的多光谱图像中位置处于(2i,2j+1)和(2i+1,2j)的不确定像素,计算公式为:
    fHR(2i,2j+1)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+k,2j+1+l))+δ(2i,2j+1)---(10)]]>
    fHR(2i+1,2j)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+1+k,2j+l))+δ(2i+1,2j)---(11)]]>
    其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,αk,l是插值的权值参数,δ是高分辨率全色图像指导下的调整参数。调整参数、权值参数以及强度参数λ1和λ2的计算步骤与权利要求2相同,从而得到修正的多光谱图像中位于(2i,2j+1)或者(2i+1,2j)点的灰度值的修正值,将该修正值代替修正的多光谱图像中位于(2i,2j+1)或者(2i+1,2j)处的点的灰度值,完成对初始的多光谱图像上每一个灰度值的计算,得到新的修正的多光谱图像。
    本发明的优点是:
    1、本发明使用插值方法对多光谱和全色图像进行融合,插值过程较好的保持图像的光谱信息,而全色图像指导下的对插值像素的调整过程能提高融合图像的空间分辨率,克服了传统算法难以平衡光谱信息和空间分辨率的问题,从而提高了融合图像的质量。
    2、通过区域划分,充分考虑不同区域的特征,以及Primal Sketch图提供的线段的方向信息,针对不同区域,提出不同的插值计算方法,克服了传统算法在融合的过程中没有考虑到图像不同区域的差异性,从而在融合图像中平衡光谱信息和空间分辨率。
    以下将结合附图对本发明做进一步详细说明。
    附图说明
    图1是本发明的多光谱和全色图像融合流程图;
    图2(a)是高分辨率全色图像;
    图2(b)是图2(a)的Primal sketch图;
    图2(c)是用几何模板大小为7×7所得区域映射图;
    图2(d)是图2(a)中提取的结构区域图;
    图3(a)是几何模板在Primal sketch上的标记图;
    图3(b)是对线段l所设计的几何模板示意图;
    图4是本发明对结构区域计算调整参数的过程(是Primal Sketch图上的一条线段),其中左图为预测的高分辨率多光谱图像示意图,右图为高分辨率全色图像示意图;
    图5(a)是低分辨率多光谱图像;
    图5(b)是图5(a)对应的高分辨率全色图像;
    图5(c)是低分辨率多光谱图像;
    图5(d)是图5(c)对应的高分辨率全色图像;
    图6(a)是第一组传统HIS融合结果图;
    图6(b)是第一组自适应HIS融合结果图;
    图6(c)是第一组PCA融合结果图;
    图6(d)是第一组SparseFI融合结果图;
    图6(e)是第一组P+XS融合结果图;
    图6(f)是本发明第一组融合结果图;
    图7(a)是第二组传统HIS融合结果图;
    图7(b)是第二组自适应HIS融合结果图;
    图7(c)是第二组PCA融合结果图;
    图7(d)是第二组SparseFI融合结果图;
    图7(e)是第二组P+XS融合结果图;
    图7(f)是第二组本发明第二组融合结果图。
    具体实施方式
    如图1所示,本发明提供的一种基于区域划分和插值的多光谱和全色图像融合方法步骤如下:
    步骤1,提取高分辨率全色图像的Primal Sketch图,其中提及的Primal Sketch图的提取,参见Cheng-en Guo等人于2007年发表在“Computer Vision and Image Understanding”杂志上的文章《Primal Sketch:Integrating Texture and Structure》;。
    如图所示,图2(a)是高分辨率全色图像的原图,图2(b)是提取的Primal Sketch素描图,该图不同于传统的边缘检测方法检测的图像,在Primal Sketch图中,图中的每一条线段都是有方向信息的,都包含了图像中的边、线结构。
    步骤2,根据步骤1中Primal Sketch图中线段的方向,以线段上的点为中心,沿着该条线段的方向,如图3(b)所示,构造一个7×7的几何模版。
    由于Primal Sketch图中对于边、线结构的描述都是由一个像素表示的,而图像的边缘具有一定的连续性,一般是由3到5个像素描述的,所以通过设计的几何模版,能够描述图像的结构特征,图3(a)表示在Primal Sketch素描图上显示设计的几何模版,图3(b)是几何模版的示意图,其中l表示Primal Sketch素描图上线段的方向。
    步骤3,根据步骤2中设计的几何模版,对Primal Sketch图中线段上的每一点都应用该模版,从而得到高分辨率全色图像的结构区域映射图,如图2(c)所示,图2(d)是将区域映射图中的结构区域映射为原图,其他区域表示为黑色。。
    步骤4,将步骤3中除结构区域以外的区域,根据图像的方差统计特性,划分为纹理区域和光滑区域,从而得到划分高分辨率全色图像为结构区域、纹理区域和光滑区域的去域映射图。
    图像中光滑区域的方差值都比较小,而纹理和结构区域的方差值都较大,所以通过对图像进行方差统计,并采用阈值T分割,就能把步骤3中结构区域以外的区域划分为纹理和光滑区域。本发明采用的阈值T等于15。
    步骤5,对低分辨率多光谱图像采用最近邻插值方法进行插值,得到初始的多光谱图像,初始的多光谱图像与高分辨率全色图像的大小相同。
    最近邻插值过程为:
    fHR(2i+x,2j+y)=fLR(i,j)(i=1,...,W,j=1,...,H,x=0,1,y=0,1)(1)
    其中fHR是初始的多光谱图像,fLR是低分辨率多光谱图像,W和H分别表示低分辨率多光谱图像的宽和高。
    其中fHR(2i,2j)称为确定像素,这些灰度值在后续的步骤中不再改变,其余像素称为不确定像素,在后面的步骤中需要进行重新的学习和调整。
    步骤6,对步骤5中的初始的多光谱图像,使用步骤4得到的区域映射图,将初始的多光谱图像划分为结构区域、纹理区域和光滑区域。
    步骤7,分别对初始的多光谱图像的每一个子带图像,调整初始的多光谱图像中位置处于(2i+1,2j+1)的不确定像素,计算公式为:
    fHR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))+δ(2i+1,2j+1)---(2)]]>
    其中是插值的权值参数,δ(2i+1,2j+1)是高分辨率全色图像指导下的调整参数;权值参数和调整参数的计算步骤如下:
    1)确定权值参数具体计算步骤如下:
    a)对初始的多光谱图像中的每一个需要重新调整的不确定像素,判断该像素是否位于步骤6中区域映射图的光滑区域,如果是,则权值参数进行步骤c),否则,进行步骤b)。
    b)当步骤a)中的像素位于结构、或者纹理区域时,本发明使用NEDI插值方法计算权值参数该方法的具体操作为:以该像素为中心,取w×h大小的矩形窗口,对该窗口内的每一个确定像素yi,以其为中心,取其周围的四个邻域确定像素排成行向量ci,将所有的yi组成一个列向量Y=[y1,...,yi,...ym],将每一个ci作为矩阵的一行,组成矩阵C=[c1,...,ci,...cm],其中m是矩形窗口内的所有确定像素的个数,根据得到的矩阵Y和C,计算得到权值参数α2k+l,计算公式为:
    α→=(CTC)-1(CTY)]]>
    其中是由α2k+l组成的列向量;本发明中取w=15,h=15。
    其中提及的NEDI方法,参见XLi等人于2001年发表在“IEEE Transactions on Image Processing”杂志上的文章《New wdge-directed interpolation》;
    c)根据计算得到的权值参数得到预测的多光谱图像,计算公式为:
    f^HR(2i+1,2j+1)=Σk=01Σl=01α2k+lfHR(2(i+k),2(j+l))---(3)]]>
    2)确定调整参数δ(2i+1,2j+1),根据高分辨率全色图像与融合图像具有高度相似的结构信息的特点,对步骤1)得到的预测的多光谱图像上(2i+1,2j+1)点的预测值加上调整参数δ(2i+1,2j+1),使得该点在x方向和y方向的梯度值分别与高分辨率全色图像对应点的x方向和y方向梯度值的差值最小,通过求解最小化问题,从而计算得到调整参数δ(2i+1,2j+1),调整过程如图4所示,具体计算步骤如下:
    (1)分别计算预测的多光谱图像上(2i+1,2j+1)点的x方向和y方向的梯度函数fx(δ),fy(δ),当点(2i+1,2j+1)处于步骤6中的结构区域时,x方向为该点所在的结构区域中线段的方向,y方向为与线段方向垂直的方向;当该点位于纹理和结构区域时,x方向为水平方向,y方向为垂直方向,fx(δ),fy(δ)计算公式如下:
    fx(δ)=gx1+gx2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(4)]]>
    fy(δ)=gy1+gy2-2(f^HR(2i+1,2j+1)+δ(2i+1,2j+1))---(5)]]>
    其中gx1和gx2分别为以(2i+1,2j+1)点为中心,沿着x方向,与(2i+1,2j+1)点最近的确定像素的灰度值,gy1和gy2是分别为以(2i+1,2j+1)点为中心,沿着y方向,与(2i+1,2j+1)点最近的确定像素的灰度值。
    (2)分别计算高分辨率全色图像上(2i+1,2j+1)点的x方向和y方向的梯度值计算公式如下:
    f^x=g^x1+g^x2-2g^---(6)]]>
    f^y=g^y1+g^y2-2g^---(7)]]>
    其中为高分辨率全色图像上点(2i+1,2j+1)的灰度值,和分别为高分辨率全色图像上,位置与gx1,gx2,gy1和gy2相同的灰度值。
    (3)根据步骤(2)和(3),通过公式(8)计算调整参数δ(2i+1,2j+1)。
    minδ{(fx(δ)-λ1f^x)2+(fy(δ)-λ2f^y)2}---(8)]]>
    公式(8)的计算可通过一阶求导计算极值点得到。公式(8)中的强度参数λ1和λ2控制调整的强度,计算公式如公式(9)所示:
    λ1=(gx1-gx2)/(g^x1-g^x2),λ2=(gy1-gy2)/(g^y1-g^y2)---(9)]]>
    公式(9)中,当时,λ1=1;时,λ2=1;
    3)根据步骤1)和步骤2)得到的权值参数α2k+l和δ(2i+1,2j+1),根据公式(2),计算得到初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值的修正值,将该修正值代替初始的多光谱图像中位于(2i+1,2j+1)处的点的灰度值,得到修正的多光谱图像。
    步骤8,将步骤7中位于(2i+1,2j+1)处的像素置为确定像素,在步骤7得到的修正的多光谱图像基础之上,分别对修正的多光谱图像的每一个子带图像,调整修正的多光谱图像中位置处于(2i,2j+1)和(2i+1,2j)的不确定像素,计算公式为:
    fHR(2i,2j+1)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+k,2j+1+l))+δ(2i,2j+1)---(10)]]>
    fHR(2i+1,2j)=Σk=[-2,0,0,2]l=[0,-2,2,0]αk,lfHR(2i+1+k,2j+l))+δ(2i+1,2j)---(11)]]>
    其中i=1,...,W;j=1,...,H,W表示低分辨率多光谱图像的宽,H表示低分辨率多光谱图像的高,αk,l是插值的权值参数,δ是高分辨率全色图像指导下的调整参数,权值参数和调整参数的计算步骤与步骤7相同,从而得到修正的多光谱图像中位于(2i,2j+1)或者(2i+1,2j)点的灰度值的修正值,将该修正值代替修正的多光谱图像中位于(2i,2j+1)或 者(2i+1,2j)处的点的灰度值,完成对初始的多光谱图像上每一个灰度值的计算,得到新的修正的多光谱图像。
    步骤9,如果高分辨率全色图像的大小是低分辨率多光谱图像大小的2倍,则步骤8中得到的图像即为融合图像;如果是4倍,则需将步骤1-8执行两次,在第一次运行过程中,步骤1中的高分辨率全色图像为真实的高分辨率全色图像的下采样缩小一倍的图像,在执行完第一次过程后,将步骤8中得到的图像作为第二次执行过程中的低分辨率多光谱图像,高分辨率全色图像则为真实的高分辨率全色图像,再次执行步骤1-8,得到最终的融合图像。
    本发明的优点由以下仿真的条件、内容及结果进一步说明:
    1.仿真条件
    本发明在仿真试验中采用两组QuickBird卫星图像,其中高分辨率全色图像的分辨率为0.6m,低分辨率多光谱图像的分辨率为2.4m,仿真的两组图像如图5(a)-5(b)和5(c)-5(d)所示。在仿真过程中,几何模版的大小为7×7。
    2.仿真内容与结果
    仿真实验结果如图6(a)-6(f)和图7(a)-7(f)所示,图6和图7中图像的右下角为实验结果的局部放大图。试验中采用了传统的HIS、自适应HIS、PCA、SparseFI、P+XS与本发明的仿真实验结果进行了比较,其中的自适应HIS方法,参见S.Rahmani等人于2010年发表在“IEEE Transactions on Geoscience and Remote Sensing Letters”杂志上的文章《An Adaptive HIS Pan-sharpening Method》;SparseFI方法,参见X.X.Zhu等人于2013年发表在“IEEE Transactions on Geoscience and Remote Sensing”杂志上的文章《A Sparse Image Fusion Algorithm with Application to Pan-Sharpening》;P+XS方法,参见C.Ballester等人于2006年发表在“International Journal of Computer Vision”杂志上的文章《Avariational model for P+XS image fusion》;
    本发明相对于其它的融合方法,融合图像不仅具有较好的光谱信息,同时具有较高的空间分辨率。
    以上例举仅仅是对本发明的举例说明,并不构成对本发明的?;し段У南拗?,凡是与本发明相同或相似的设计均属于本发明的?;し段е?。

    关于本文
    本文标题:一种基于区域划分和插值的多光谱和全色图像融合方法.pdf
    链接地址://www.4mum.com.cn/p-6130429.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 赌场限红目的 最新娱乐棋牌排行榜 新三板上市就能赚钱吗 甘肃彩票快3玩法 玩时时彩教你三招 三星组选怎么算中奖 同城乐棋牌官网 国外赚钱交税了回国要交税 双色球复式票什么意思 福建11选5中奖规则 十一选五 稳赚 三分pk10app 百家樂龙虎app 白小姐论坛3码中特 235棋牌游戏平台 德国gmp赚钱