形态学滤波和改进PCNN的NSST域多光谱与全色图像融合
目的 全色图像的空间细节信息增强和多光谱图像的光谱信息保持通常是相互矛盾的,如何能够在这对矛盾中实现最佳融合效果一直以来都是遥感图像融合领域的研究热点与难点.为了有效结合光谱信息与空间细节信息,进一步改善多光谱与全色图像的融合质量,提出一种形态学滤波和改进脉冲耦合神经网络(PCNN)的非下采样剪切波变换(NSST)域多光谱与全色图像融合方法 .方法 该方法 首先分别对多光谱和全色图像进行非下采样剪切波变换;对二者的低频分量采用形态学滤波和高通调制框架(HPM)进行融合,将全色图像低频子带的细节信息注入到多光谱图像低频子带中得到融合后的低频子带;对二者的高频分量则采用改进脉冲耦合神经网络的方法进行融合,进一步增强融合图像中的空间细节信息;最后通过NSST逆变换得到融合图像.结果 仿真实验表明,本文方法 得到的融合图像细节信息清晰且光谱保真度高,视觉效果上优势明显,且各项评价指标与其他方法 相比整体上较优.相比于5种方法 中3组融合结果 各指标平均值中的最优值,清晰度和空间频率分别比NSCT-PCNN方法 提高0.5％和1.0％,光谱扭曲度比NSST-PCNN方法 降低4.2％,相关系数比NSST-PCNN方法 提高1.4％,信息熵仅比NSST-PCNN方法 低0.08％.相关系数和光谱扭曲度两项指标的评价结果 表明本文方法 相比于其他5种方法 能够更好地保持光谱信息,清晰度和空间频率两项指标的评价结果 则展示了本文方法 具有优于其他对比方法 的空间细节注入能力,信息熵指标虽不是最优值,但与最优值非常接近.结论 分析视觉效果及各项客观评价指标可以看出,本文方法 在提高融合图像空间分辨率的同时,很好地保持了光谱信息.综合来看,本文方法 在主观与客观方面均具有优于亮度色调饱和度(IHS)法、主成分分析(PCA)法、基于非负矩阵分解(CNMF)、基于非下采样轮廓波变换和脉冲耦合神经网络(NSCT-PCNN)以及基于非下采样剪切波变换和脉冲耦合神经网络(NSST-PCNN)5种经典及现有流行方法的融合效果.
多光谱与全色图像融合、非下采样剪切波变换、形态学滤波、高通调制、脉冲耦合神经网络
24
TP751(遥感技术)
2019-04-30（万方平台首次上网日期，不代表论文的发表时间）
共12页
435-446
