留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法

侯昭阳 吕开云 龚循强 支君豪 王楠

侯昭阳, 吕开云, 龚循强, 支君豪, 王楠. 一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220168
引用本文: 侯昭阳, 吕开云, 龚循强, 支君豪, 王楠. 一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220168
HOU Zhaoyang, LYU Kaiyun, GONG Xunqiang, ZHI Junhao, WANG Nan. Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220168
Citation: HOU Zhaoyang, LYU Kaiyun, GONG Xunqiang, ZHI Junhao, WANG Nan. Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220168

一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法

doi: 10.13203/j.whugis20220168
基金项目: 

国家自然科学基金项目(42101457)

自然资源部海洋环境探测技术与应用重点实验室开放基金(MESTA-2021-B001)

详细信息
    作者简介:

    侯昭阳,硕士研究生,主要从事遥感影像智能处理研究。E-mail:1376030534@qq.com

  • 中图分类号: TP751

Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain

Funds: 

The National Natural Science Foundation of China (No. 42101457)

the Open Fund of the Key Laboratory of Marine Environmental Survey Technology and Application, Ministry of Natural Resources (MESTA- 2021-B001).

  • 摘要: 针对融合规则中活动度量构建的单一性和脉冲耦合神经网络(PCNN)参数设置的主观性问题,提出一种非下采样剪切波变换(NSST)域内结合低级视觉特征和参数自适应脉冲耦合神经网络(PAPCNN)的遥感影像融合方法。该方法首先将全色影像和多光谱影像YUV颜色空间的亮度分量Y通过NSST分解得到高频和低频分量,接着利用基于低级视觉特征的融合规则对低频分量进行融合,结合局部相位一致性、局部突变度量和局部能量信息三个低级特征构建新的活动度量。然后采用PAPCNN模型对高频分量进行融合,将多尺度形态梯度作为模型的外部输入信号,最后依次进行NSST逆变换和YUV逆变换得到融合影像。实验结果表明,该方法对不同平台和不同地面特征的遥感影像都能表现出较好的效果,较于其他11种方法,该方法在所有评价指标上均表现优秀,整体融合效果最佳。
  • [1] Polinati S, Dhuli R.Multimodal medical image fusion using empirical wavelet decomposition and local energy maxima[J].Optik, 2020, 205:163947
    [2] Liu H, Xiao G F, Tan Y L, et al.Multi-source Remote Sensing Image Registration Based on Contourlet Transform and Multiple Feature Fusion[J].International Journal of Automation and Computing, 2019, 16(5):575-588
    [3] Sulaiman A G, Elashmawi W H, El-Tawel G S.A Robust PanSharpening Scheme for Improving Resolution of Satellite Images in the Domain of the Nonsubsampled Shearlet Transform[J].Sensing and Imaging, 2020, 21(1):41-67
    [4] Yin M, Liu X N, Liu Y, et al.Medical Image Fusion With Parameter-Adaptive Pulse Coupled Neural Network in Nonsubsampled Shearlet Transform Domain[J].IEEE Transactions on Instrumentation and Measurement, 2018, 68(1):49-64
    [5] Ding S F, Zhao X Y, Xu H, et al.NSCT-PCNN image fusion based on image gradient motivation[J].IET Computer Vision, 2018, 12(4):377-383
    [6] Zhang Y, Bai X, Wang T.Boundary finding based multi-focus image fusion through multi-scale morphological focus-measure[J].Information fusion, 2017, 35:81-101.
    [7] Li H F, Qiu H M, Yu Z T, et al.Infrared and visible image fusion scheme based on NSCT and low-level visual features[J].Infrared Physics and Technology, 2016, 76:174-184
    [8] Chen Yuli, Park S K, Ma Yide, et al.A New Automatic Parameter Setting Method of a Simplified PCNN for Image Segmentation[J].IEEE transactions on neural networks, 2011, 22(6):880-892
    [9] Liu Y, Liu S P, Wang Z F.A general framework for image fusion based on multi-scale transform and sparse representation[J].Information Fusion, 2015, 24:147-164
    [10] Liu Y, Chen X, Peng H, et al.Multi-focus image fusion with a deep convolutional neural network[J].Information Fusion, 2017, 36:191-207
    [11] Sufyan A, Imran M, Shah S A,et al.A novel multimodality anatomical image fusion method based on contrast and structure extraction[J].International Journal of Imaging Systems and Technology, 2021:1-19
    [12] Liu Y, Wang Z F.Simultaneous image fusion and denoising with adaptive sparse representation[J].IET Image Processing, 2014, 9(5):347-357
    [13] Liu Y, Chen X, Ward R K, et al.Image Fusion With Convolutional Sparse Representation[J].IEEE Signal Processing Letter, 2016, 23(12):1882-1886
    [14] Liu Y, Chen X, Ward R K, et al.Medical Image Fusion via Convolutional Sparsity Based Morphological Component Analysis[J].IEEE Signal Processing Letter, 2019, 26(3):485-489
    [15] Jian L H, Yang X M, Zhou Z L, et al, Multi-scale image fusion through rolling guidance filter[J].Future Generation Computer Systems, 2018, 83:310-325
    [16] Tan W, Zhou H X, Song J L, et al.Infrared and visible image perceptive fusion through multi-level Gaussian curvature filtering image decomposition[J].Applied optics, 2019, 58(12):3064-3073
    [17] Han Y, Cai Y Z, Cao Y, et al.A new image fusion performance metric based on visual information fidelity[J].Information Fusion, 2013, 14(2):127-135
  • [1] 叶沅鑫, 慎利, 陈敏, 王继成.  局部相位特征描述的多源遥感影像自动匹配 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150576
    [2] 向天烛, 高熔溶, 闫利, 徐振亮.  一种顾及区域特征差异的热红外与可见光图像多尺度融合方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20141007
    [3] 邰建豪, 潘斌, 赵珊珊, 赵园.  基于Shearlet变换的SAR与多光谱遥感影像融合 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150768
    [4] 唐韵玮, 张景雄.  基于面-点协同克里格和多点地统计模拟的遥感影像融合方法 . 武汉大学学报 ● 信息科学版,
    [5] 黄登山, 杨敏华, 胥海威, 姚学恒.  利用最优估计理论进行多光谱与全色影像融合 . 武汉大学学报 ● 信息科学版,
    [6] 邵振峰, 刘军, 李德仁.  一种基于高斯影像立方体的空间投影融合方法 . 武汉大学学报 ● 信息科学版,
    [7] 陶建斌, 舒宁, 沈照庆.  利用互信息改进遥感影像朴素贝叶斯网络分类器 . 武汉大学学报 ● 信息科学版,
    [8] 邵振峰, 朱先强, 张斯斯.  利用Contourlet变换和谱直方图进行多源遥感影像纹理特征检索 . 武汉大学学报 ● 信息科学版,
    [9] 胡晓东, 沈占锋, 王卫红, 骆剑承.  基于局部差异加权的遥感影像融合方法研究 . 武汉大学学报 ● 信息科学版,
    [10] 潘励, 王华, 张剑清.  遥感影像居民地目标Bayesian网络识别算法研究 . 武汉大学学报 ● 信息科学版,
    [11] 巫兆聪, 万茜婷, 梁静, 周正.  粒度Hough变换及其在遥感影像直线检测中的应用 . 武汉大学学报 ● 信息科学版,
    [12] 邹勤, 贾永红.  一种基于形态金字塔的遥感影像融合方法及其性能评价 . 武汉大学学报 ● 信息科学版,
    [13] 胡安文, 张祖勋.  对高分辨率遥感影像基于仿射变换的严格几何模型的讨论 . 武汉大学学报 ● 信息科学版,
    [14] 李均力, 贾永红.  基于分辨率退化模型的全色和多光谱遥感影像融合方法 . 武汉大学学报 ● 信息科学版,
    [15] 李平湘, 王智均.  高空间分辨率影像和多光谱影像融合的研究 . 武汉大学学报 ● 信息科学版,
    [16] 张剑清, 张祖勋.  高分辨率遥感影像基于仿射变换的严格几何模型 . 武汉大学学报 ● 信息科学版,
    [17] 贾永红, 李德仁.  多源遥感影像像素级融合分类与决策级分类融合法的研究 . 武汉大学学报 ● 信息科学版,
    [18] 王智均, 李德仁, 李清泉.  Wallis变换在小波影像融合中的应用 . 武汉大学学报 ● 信息科学版,
    [19] 王智均, 李德仁, 李清泉.  利用小波变换对影像进行融合的研究 . 武汉大学学报 ● 信息科学版,
    [20] 李德仁, 邵巨良.  影像融合与复原的小波模型 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  143
  • HTML全文浏览量:  17
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-07-28
  • 网络出版日期:  2022-09-08

一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法

doi: 10.13203/j.whugis20220168
    基金项目:

    国家自然科学基金项目(42101457)

    自然资源部海洋环境探测技术与应用重点实验室开放基金(MESTA-2021-B001)

    作者简介:

    侯昭阳,硕士研究生,主要从事遥感影像智能处理研究。E-mail:1376030534@qq.com

  • 中图分类号: TP751

摘要: 针对融合规则中活动度量构建的单一性和脉冲耦合神经网络(PCNN)参数设置的主观性问题,提出一种非下采样剪切波变换(NSST)域内结合低级视觉特征和参数自适应脉冲耦合神经网络(PAPCNN)的遥感影像融合方法。该方法首先将全色影像和多光谱影像YUV颜色空间的亮度分量Y通过NSST分解得到高频和低频分量,接着利用基于低级视觉特征的融合规则对低频分量进行融合,结合局部相位一致性、局部突变度量和局部能量信息三个低级特征构建新的活动度量。然后采用PAPCNN模型对高频分量进行融合,将多尺度形态梯度作为模型的外部输入信号,最后依次进行NSST逆变换和YUV逆变换得到融合影像。实验结果表明,该方法对不同平台和不同地面特征的遥感影像都能表现出较好的效果,较于其他11种方法,该方法在所有评价指标上均表现优秀,整体融合效果最佳。

English Abstract

侯昭阳, 吕开云, 龚循强, 支君豪, 王楠. 一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220168
引用本文: 侯昭阳, 吕开云, 龚循强, 支君豪, 王楠. 一种结合低级视觉特征和PAPCNN的NSST域遥感影像融合方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220168
HOU Zhaoyang, LYU Kaiyun, GONG Xunqiang, ZHI Junhao, WANG Nan. Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220168
Citation: HOU Zhaoyang, LYU Kaiyun, GONG Xunqiang, ZHI Junhao, WANG Nan. Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220168
参考文献 (17)

目录

    /

    返回文章
    返回