A Panchromatic and Multispectral Image Fusion Method Combining Energy and Structural Information
-
摘要: 分量替换是遥感图像融合中的一种经典方法，其具有良好的空间保真度，但容易产生光谱失真，为此本文提出一种结合结构与能量信息的全色与多光谱图像融合方法。方法首先通过超球面颜色空间变换分解多光谱图像的空间和光谱信息。其次，通过联合双边滤波引入了两层分解方案。然后，将全色图像和强度分量分解为结构层和能量层。最后，提出结构层通过邻域空间频率策略融合，强度分量的纯能量层用作预融合图像的能量层。强度分量定义颜色的强度，通过将预融合结构层与强度分量的能量层结合，可以有效地结合源图像的空间和光谱信息，从而减少全色锐化图像的光谱失真。本文在Pléiades和QuickBird数据集上进行大量实验，并对实验结果进行定性和定量分析，结果表明所提方法与现有先进方法相比具备一定优越性。Abstract: Component substitution is a classical method for remote-sensing image fusion that has good spatial fidelity but is prone to spectral distortion. Therefore, a panchromatic and multispectral image fusion method that combines structural and energy information is proposed. First, the method decomposes the spatial and spectral information of multispectral images by hyperspherical color-space transformation. Second, a two-layer decomposition scheme is introduced through joint bilateral filtering. The panchromatic image and intensity components are then decomposed into structural and energy layers. Finally, the structural layer is fused by the neighborhood spatial frequency strategy, and the pure energy layer of the intensity component is used as the energy layer of the pre-fusion image. The intensity component defines the color intensity. By combining the pre-fused structural layer with the energy layer of the intensity component, the spatial and spectral information of the source image can be effectively combined, thereby reducing the spectral distortion of the pansharpened image. In this study, several experiments were conducted on the Pléiades and QuickBird datasets, and the experimental results were qualitatively and quantitatively analyzed. The results show that the proposed method has certain advantages over existing methods.
-
0. 引言
偏振成像[1]是一种新型的光学成像手段，能够获取多个偏振方向图像，通过偏振信息解析，能够实现同场景多个不同偏振方向图像来表征目标的偏振信息，从而实现对目标的检测。偏振信息解析是偏振成像中的重要环节，目前有很多学者针对不同的应用场景提出了多种偏振信息解析的方法[2-5]，其中，沈洁[6]等人根据螳螂虾的复眼能充分利用偏振信息实现水下复杂环境的猎物捕获，提出了基于拮抗机制的偏振仿生信息解析方法，将0°、45°、90°、135°四个偏振方向图像分成2组拮抗图像，通过使2组图像的拮抗信息熵最大来获得偏振方向图像的加权系数，得到偏振拮抗图像，从而实现水下目标探测。但这种方法本质是偏振方向图像间的线性操作，存在计算效率低、解析结果不确定、目标不够突出等问题。
深度学习具有强大的表征能力，可以从高维、复杂以及非线性数据中提取有用的特征，目前在很多领域都有着广泛的应用，如自然语言处理[7]、语音识别[8]、图像处理[9]等。Li[10]等人提出一种基于卷积神经网络（Convolutional Neural Networks，CNN）和残差神经网络（Residual Networks，ResNets）的深度学习架构，用于红外和可见光图像的融合，较好地突显了目标信息，并解决了传统的基于CNN中随着网络深度增加特征信息退化的问题。
偏振图像拮抗过程属于偏振方向图像融合的范畴，本文充分利用深度学习在图像处理上的优势，提出了一种偏振方向图像的双支路拮抗融合网络，主要包括特征提取、特征融合和特征转化3个模块，输入4个不同方向的偏振图像，分成两个支路，低频支路通过合成图像来减少能量的损失，高频支路通过差分图像来突显图像的细节信息。将两个支路处理的结果分别通过深度融合网络进行处理，获取效果更好的融合图像，提高后续目标检测与识别效果。
1. 基本原理
1.1 分焦平面型偏振成像
偏振成像需要获取多个偏振方向图像，常用的获取方式可以分为：分时型、分振幅型、分孔径型和分焦平面型。相对于其他的成像方式，分焦平面型偏振成像具有体积小、重量轻、成本低、能同时获取多个偏振方向图像等优点，成为目前偏振成像获取方法的主流。其基本原理是：在探测器的芯片上集成微型偏振分析器（如图 1所示），在探测器的每4个像元上，耦合0°、45°、90°、135°等4个线偏振方向的偏振分析器，利用4个像元实现1个像素的偏振信息采集。按照微型偏振分析器排列顺序，对探测器输出图像进行重新整合，即可得到0°、45°、90°、135°四个偏振方向图像，如图 2(a)~(d)所示。
![]()
图 2 0°、45°、90°和135°的偏振方向图和合成强度图Figure 2. Polarization and intensity pictures of 0°, 45°, 90°and 135°利用偏振成像理论，可以得到合成强度图像I[6]，如图 2(e)所示：
$$ I=I\left(0^{\circ}\right)+I\left(90^{\circ}\right) $$ (1) 1.2 仿生偏振拮抗图像
根据螳螂虾复眼的偏振拮抗机制[6]，一对正交偏振图像的输入可以形成一个拮抗，如0°和90°偏振方向图像、45°和135°偏振方向图像，将采集到的4组正交偏振图像形成4个偏振拮抗通道，每个通道由相互正交的一对偏振信号组成，各组拮抗信号通过拮抗运算方式可以得到偏振拮抗图像，如下所示：
$$ S_{\mathrm{d}}=k_1 \times I\left(45^{\circ}\right)-k_2 \times I\left(135^{\circ}\right) $$ (2) $$ S_{\mathrm{dd}}=k_3 \times I\left(135^{\circ}\right)-k_4 \times I\left(45^{\circ}\right) $$ (3) $$ S_{\mathrm{h}}=k_5 \times I\left(0^{\circ}\right)-k_6 \times I\left(90^{\circ}\right) $$ (4) $$ S_{\mathrm{v}}=k_7 \times I\left(90^{\circ}\right)-k_8 \times I\left(0^{\circ}\right) $$ (5) 式中：I(0°)、I(90°)、I(45°)和I(135°)分别表示0°、90°、45°和135°的偏振方向图像，ki(i＝1, …, 8)为拮抗系数，起到对图像的增强和抑制作用，k的取值范围由人为设定，km≥1(m＝1, 3, 5, 7)，0＜kn≤1(n＝2, 4, 6, 8)，文献[6]中k是通过遍历所有范围内可能的值，求取偏振拮抗图像信息熵最大来确定，存在计算效率低、结果不确定的问题，使得求取的偏振拮抗图像目标可能不够突出。
1.3 基于深度学习的图像融合
图像融合就是通过处理不同传感器所拍摄的源图像，提取有用的信息或特征，将其整合来改善图像的品质和清晰度[11]。传统图像融合需要人工提取特征，指定融合规则，而基于深度学习的图像融合，利用深度网络对输入图像进行卷积，提取出目标高层特征，再利用卷积将融合后特征转换为融合图像，如图 3所示。相对于可监督图像融合的方法，无监督的方法通过约束融合图像和原图像之间的相似性，克服了大多数图像融合中无参考度量的普遍问题。
2. DANet网络设计
2.1 网络结构
由偏振成像机理可知，每个偏振方向图像能量损失一半。为了提高融合后的图像的亮度，如图 4所示，我们设计了一个低频支路，将4个偏振方向图像通过Concat操作进行连接输入，用于提取每个偏振方向图像的低频特征；根据Tyo[12]的研究结论，偏振差分成像可以突显目标细节信息，因此本文设计了另一个高频支路，将2组拮抗图像进行差分输入，用于提取差分图像的目标高频特征。Huang[13]等人提出了一种密集块结构，其中使用了从任何层到所有后续层的直接连接。这种体系结构可以保存尽可能多的信息，该模型可以改善网络中的信息流和梯度，使网络易于训练，同时，密集连接具有正则化效果，减少了任务的过拟合。受此启发，本文将密集连接加入到差分图像细节特征提取中，用于降低细节信息的损失。设计的网络结构主要包括特征提取、特征融合和特征转化3个模块。
图 4中，特征融合模块将两个支路提取的特征图进行对应像素融合，得到融合特征，特征转化模块利用1×1卷积将融合的特征整合得到输出图像。低频和高频支路均有3个3×3的卷积层，网络参数如表 1所示。
表 1 网络参数Table 1. Network parametersLayer Input channel Output channel Feature extraction Low frequency Conv1 4 128 Conv2 128 64 Conv3 64 50 High frequency Conv4 2 16 Conv5 18 16 Conv6 34 50 Feature fusion Fusion 50 50 Feature transformation Conv7 50 1 2.2 损失函数
在偏振拮抗图像获取中，利用信息熵最大作为评价标准[6]，因此本文将信息熵损失Lentropy加入到损失函数中，用于增大融合图像的信息量；结构相似性度量方法作为图像领域使用最广泛的指标之一，该方法基于图像的亮度、对比度和结构3部分来衡量图像之间的相似性，本文将结构相似性损失Lssim加入到损失函数中，用于保持融合图像结构特征；感知损失通常用于图像重建中，恢复出来的图像视觉效果较好，本文将感知损失Lperceptural加入到损失函数中，用于提高融合图像的人眼视觉效果。因此，本文的损失函数L计算公式如下：
$$ L=L_{\text {entropy }} \times \sigma+L_{\text {ssim}} \times \beta+L_{\text {perceptural }} \times \gamma $$ (6) 式中：σ、β、γ为各损失的权重，本文分别取0.1、10、0.1。
1）信息熵损失Lentropy
信息熵（Information Entropy，IE）越大，图像包含的信息越多，为使融合图像信息熵最大，信息熵损失Lentropy定义为：
$$ {L_{{\text{entropy}}}} = \frac{1}{{{\text{IE}} + \varepsilon }} $$ (7) $$ {\text{IE}} = - \sum\limits_{i = 1}^n {p\left( {{x_i}} \right)\log p\left( {{x_i}} \right)} $$ (8) 式中：ε为极小量；xi为随机变量；p(xi)为输出概率函数；n为灰度等级。
2）结构相似性损失Lssim
结构相似性（structural similarity index，SSIM）用于度量两幅图像的相似度，结构相似性损失Lssim定义为：
$$ L_{\text {ssim }}=1-\operatorname{SSIM}(\text { output, } I \text { ) } $$ (9) 式中：SSIM(⋅)表示结构相似性运算；output为输出图像；I为强度图像。
3）感知损失Lperceptural
$$ {L_{{\text{perceptural}}}} = \left\| {{\varPhi _i}\left( {{\text{output}}} \right), {\varPhi _i}\left( I \right)} \right\|_2^2 $$ (10) 式中：Φi(⋅)为VGG16网络第i层特征图。
3. 实验与分析
3.1 实验环境与数据
实验环境如下：训练与测试图像集采用处理器为11th Gen Intel(R) Core(TM) i7-11800H @ 2.30 GHz，系统运行内存为32 GB，GPU显卡为8 GB显存容量的NVIDIA GeForce RTX3080的图形工作站。训练软件运行环境为Python3.9，编程框架为Torch 1.11.0，搭建Cuda10.0用于实验加速。
本文采用LUCID公司的分焦平面型偏振相机（型号：PHX050S-P），如图 5所示。该相机能够同时获取0°、45°、90°、135°四个偏振方向图像，图像分辨率为2448×2048。我们拍摄采集了多种场景目标的9320组偏振方向图像，构建出本文的数据集。
3.2 评价指标及训练参数
本文采用主观定性和客观定量相结合的方法对融合图像进行综合评价，主观评价主要通过人眼观察图像亮度和细节信息，客观评价采用平均梯度[14]、信息熵[15]、空间频率[16]、均值[17]等4个评价指标，定量评估融合效果。
1）平均梯度（Average Gradient，AG）
平均梯度能有效反映出图像层次信息，其值越大，图像层次越丰富，其计算公式为：
$$ \begin{array}{l} {\text{AG}} = \frac{1}{{\left( {M - 1} \right)\left( {N - 1} \right)}} \times \hfill \\ \quad \quad \sum\limits_{i = 1}^{M - 1} {\sum\limits_{j = 1}^{N - 1} {\sqrt {\frac{{{{\left[ {F\left( {i, j} \right) - F\left( {i + 1, j} \right)} \right]}^2} + {{\left[ {F\left( {i, j} \right) - F\left( {i, j + 1} \right)} \right]}^2}}}{2}} } } \hfill \\ \end{array} $$ (11) 式中：F(i, j)为图像的第i行、第j列的灰度值；M、N分别为图像的总行数和总列数。
2）空间频率（Spatial Frequency，SF）
空间频率是图像质量经典的标准之一，其值越大，代表图像质量越高，越清晰，其计算公式为：
$$ {\text{SF}} = \sqrt {{\text{R}}{{\text{F}}^2} + {\text{C}}{{\text{F}}^2}} $$ (12) $$ {\text{RF}} = \sqrt {\frac{1}{{MN}}\sum\limits_{i = 1}^M {\sum\limits_{j = 2}^N {\left[ {{I_{\text{p}}}\left( {i, j} \right) - {I_{\text{p}}}\left( {i, j - 1} \right)} \right]} } } $$ (13) $$ {\text{CF}} = \sqrt {\frac{1}{{MN}}\sum\limits_{i = 2}^M {\sum\limits_{j = 1}^N {\left[ {{I_{\text{p}}}\left( {i, j} \right) - {I_{\text{p}}}\left( {i - 1, j} \right)} \right]} } } $$ (14) 式中：RF是行频率；CF是列频率；M、N为图片的宽高；Ip(i, j)为图像在(i, j)处的像素值。
3）图像均值（Image Mean，IM）
均值即图像像素的平均值，反应图像的平均亮度，平均亮度越大，能量越高，其计算公式为：
$$ {\text{IM}} = \sum\limits_{k = 0}^{L - 1} {{z_k}p\left( {\frac{{{n_k}}}{{MN}}} \right)} $$ (15) 式中：zk为图像的第k个灰度级；L表示图像的灰度等级数目；nk是zk在图像中出现的次数。
本文数据集共计9320组，其中训练集和测试集按照9:1划分，算法的模型由Adam optimizer训练，训练轮次为20，初始学习率为1e－4，每训练4轮学习率衰减一半，详细参数如表 2所示。
表 2 训练参数Table 2. Training parametersParameters Values Training set 8388 Testing set 932 Training round 20 Epoch 4 Optimizer Adam Activation function ReLU Initial learning rate 1e－4 Learning rate decay rate 0.5*lr/4 round 3.3 实验结果分析
为了验证本文算法的有效性，从测试集中随机选取了4组数据，每组数据包含0°、45°、90°和135°偏振方向图像，第1组为室内沙地伪装板目标，第2组为室内标定装置目标，第3组为室外草地伪装板，第4组为水下珊瑚目标，如图 6所示。
![]()
图 6 输入的0°、45°、90°和135°偏振方向图像Figure 6. 0°, 45°, 90° and 135° polarization direction images of input将上述数据输入到本文训练好的模型中，得到对应的融合图像，根据公式(1)~(5)分别得到合成强度图像I、偏振拮抗图像Sd、Sdd、Sh、Sv，如图 7所示。
从图 7可以看出，本文的融合图像亮度最高，能量最大，说明网络中的低频支路对图像能量的提升效果明显，有效解决了偏振成像中能量降低的问题。从图像细节来说，融合图像的细节效果有较为明显的提升，如第1组本文融合图像中的沙粒更加有颗粒感，伪装板的边缘更加突出，第2组本文融合图像中标定装置的线缆显现出来，背景板的线条更加清晰，而其他图像不太明显，第3组本文融合图像的3块伪装板全部从背景中区分出来，而其他图像只有部分能够区分开，第4组本文融合图像中，珊瑚整体目更亮，珊瑚边缘也更明晰。由于图像能量提升较为明显，可能会造成目标的对比度有所下降，如第一组本文融合图像的伪装板的对比度相较于Sd图和Sh图有所下降，但不影响目标整体的检测效果。
本文将测试集中932组图像输入到模型中，得到对应的932幅融合图像，并根据公式(1)~(5)分别得到932幅合成强度图像I和相应的偏振拮抗图像Sd、Sdd、Sh、Sv。利用平均梯度（AG）、信息熵（IE）、空间频率（SF）和图像灰度均值（IM）指标对其计算均值并进行评价，如表 3所示。
表 3 输出结果的各项评价指标Table 3. Evaluation indexes of the output resultsI Sd Sdd Sh Sv DANet AG 0.0099 0.0128 0.0119 0.0144 0.0126 0.0185 IE 6.06 6.18 6.08 6.15 6.39 7.04 SF 0.35 0.49 0.40 0.46 0.45 0.64 IM 41 49 47 46 57 93 从表 3中可以看出，在4个评价指标上，本文的方法都是最高的，在平均梯度上最少提高了22.16%，最多提高了46.49%；在信息熵上最少提高了9.23%，最多提高了13.92%；在空间频率上最少提高了23.44%，最多提高了45.31%；在图像灰度均值上最少提高了38.71%，最多提高了55.91%。实验结果表明，本文方法得到的融合图像亮度更高，包含的信息量更丰富，可以显现出更多的细节信息。
4. 结论
针对偏振方向图像融合效果不明显的问题，本文提出了一种基于双支路拮抗融合网络的偏振信息解析方法，可以解决现有基于拮抗机制的仿生偏振信息解析方法中存在计算效率低、解析结果不确定、目标不够突出等问题，为偏振信息解析提供了一个新的技术途径。本文设计的DANet主要包括特征提取、特征融合和特征转化3个模块。首先，特征提取模块由低频支路和高频支路组成，将0°、45°、90°和135°偏振方向图像连接输入到低频支路，提取能量特征，将2组拮抗图像差分输入到高频支路，提取图像细节特征；其次，将得到的能量特征和细节特征进行特征融合；最后，将融合后的特征转化整合为融合图像。实验表明，通过DANet得到的融合图像在视觉效果和评价指标上均有较为显著提升，在平均梯度、信息熵、空间频率和图像灰度均值上分别至少提升了22.16%、9.23%、23.44%、38.71%。下一步，我们将进一步优化网络结构，以平衡能量支路和细节支路，改善融合图像的对比度；加大水下偏振方向图像在数据集中的比重，优化数据集。
-
![]()
图 4 参数σs对图像质量影响分析。(a) QuickBird数据集(b)Pléiades数据集
Figure 4. Analysis of the influence of parameter σs on image quality. (a) QuickBird dataset (b) Pléiades dataset
表 1 实验数据集细节
Table 1 Details about the experimental dataset
Satellite sensors Spatial resolution /m Image size Radiation resolution /bits Number of image pairs QuickBird PAN 0.61 1024×1024 11 16 MS 2.44 256×256×4 Pléiades PAN 0.5 1024×1024 12 21 MS 2.0 256×256×4 
下载: 导出CSV
表 2 QuickBrid数据集融合结果定量评价
Table 2 Quantitative evaluation of QuickBird dataset fusion results
Methods QuickBird dataset Q4 QAVE SAM ERGAS SCC Time/s BDSD 0.7034 0.7222 6.4856 9.8482 0.8380 0.03 BDSD-PC 0.6980 0.7167 6.2529 9.7260 0.8318 0.10 BT-H 0.7140 0.7332 6.2158 9.7281 0.8262 0.16 C-GSA 0.7095 0.7314 7.1007 10.2968 0.8334 0.37 GS 0.6756 0.7007 6.1163 9.2789 0.8356 0.01 GSA 0.6911 0.7158 7.2136 10.6403 0.8307 0.03 Indusion 0.6833 0.7076 6.2064 9.2864 0.8337 0.03 MTF-GLP-FS 0.7263 0.7490 5.7840 51.8783 0.7578 0.09 MTF-GLP-HPM-R 0.7304 0.7465 6.0564 8.9605 0.8382 0.09 PWMBF 0.7059 0.7213 6.1322 9.3920 0.8328 0.31 Proposed 0.7330 0.7502 5.3899 7.9889 0.8398 0.04 Ideal value 1 1 0 0 1 -
下载: 导出CSV
表 3 Pléiades数据集融合结果定量评价
Table 3 Quantitative evaluation of Pléiades dataset fusion results
Methods Pléiades dataset Q4 QAVE SAM ERGAS SCC Time(s) BDSD 0.8486 0.8611 3.9816 5.1275 0.8959 0.04 BDSD-PC 0.8440 0.8556 3.7755 5.1322 0.8910 0.05 BT-H 0.8556 0.8740 3.1817 4.5330 0.8975 0.03 C-GSA 0.8532 0.8714 4.0837 4.8622 0.8906 0.31 GS 0.8666 0.8934 3.2357 3.9969 0.9059 0.02 GSA 0.8565 0.8765 3.7189 4.8350 0.8962 0.04 Indusion 0.8578 0.8775 3.2639 4.3429 0.8962 0.03 MTF-GLP-FS 0.8836 0.8910 3.2564 4.3697 0.9038 0.07 MTF-GLP-HPM-R 0.8805 0.8886 3.3768 4.3710 0.9006 0.07 PWMBF 0.8622 0.8699 3.7492 4.6760 0.8905 0.23 Proposed 0.9000 0.9083 2.8416 3.4911 0.9105 0.04 Ideal value 1 1 0 0 1 -
下载: 导出CSV
-
[1] 朱卫东, 王虎, 邱振戈, 等. 自适应多尺度几何分析的全色和多光谱图像融合方法研究[J]. 红外技术, 2019, 41(9): 852-856. http://hwjs.nvir.cn/article/id/hwjs201909009 ZHU Weidong, WANG Hu, QIU Zhenge, et al. Fusion of panchromatic and multispectral images based on adaptive multiscale geometric analysis method[J]. Infrared Technology, 2019, 41(9): 852-856. http://hwjs.nvir.cn/article/id/hwjs201909009
[2] Vivone G, Dalla Mura M, Garzelli A, et al. A new benchmark based on recent advances in multispectral pansharpening: revisiting pansharpening with classical and emerging pansharpening methods[J]. IEEE Geoscience and Remote Sensing Magazine, 2021, 9(1): 53-81. DOI: 10.1109/MGRS.2020.3019315
[3] LIU P, XIAO L, LI T. A variational pan-sharpening method based on spatial fractional-order geometry and spectral–spatial low-rank priors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(3): 1788-1802. DOI: 10.1109/TGRS.2017.2768386
[4] 王欧, 罗小波. 基于细节信息提取的全色与多光谱图像融合方法[J]. 红外技术, 2022, 44(9): 920-928. http://hwjs.nvir.cn/article/id/77831bd5-eda2-46ea-bcdf-82ce141ac5ec WANG Ou, LUO Xiaobo. Panchromatic and multispectral images fusion method based on detail information extraction[J]. Infrared Technology, 2022, 44(9): 920-928. http://hwjs.nvir.cn/article/id/77831bd5-eda2-46ea-bcdf-82ce141ac5ec
[5] XIAO J, HUANG T, DENG L, et al. A new context-aware details injection fidelity with adaptive coefficients estimation for variational pansharpening[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-15.
[6] WU Z, HUANG T, DENG L, et al. VO+Net: an adaptive approach using variational optimization and deep learning for panchromatic sharpening[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-16.
[7] YANG Z, FU X, LIU A, et al. Progressive pan-sharpening via cross-scale collaboration networks[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.
[8] WU Z, HUANG T, DENG L, et al. A new variational approach based on proximal deep injection and gradient intensity similarity for spatio-spectral image fusion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 6277-6290. DOI: 10.1109/JSTARS.2020.3030129
[9] Deng L, Vivone G, Paoletti M, et al. Machine learning in pansharpening: a benchmark, from shallow to deep networks[J]. IEEE Geoscience and Remote Sensing Magazine, 2022, 10(3): 279-315. DOI: 10.1109/MGRS.2022.3187652
[10] ZHANG Z Y, HUANG T Z, DENG L J, et al. Pan-sharpening via rog-based filtering[C]//IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, 2019: 2790-2793. DOI: 10.1109/IGARSS.2019.8899330.
[11] 侯昭阳, 吕开云, 龚循强, 等. 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, 2023, 48(6): 960-969. DOI: 10.13203/j.whugis20220168. HOU Zhaoyang, LÜ Kaiyun, GONG Xunqiang, et al. Remote sensing image fusion based on low-level visual features and PAPCNN in NSST domain[J]. Geomatics and Information Science of Wuhan University, 2023, 48(6): 960-969. DOI: 10.13203/j.whugis20220168
[12] 吕开云, 侯昭阳, 龚循强, 等. 一种基于ASR和PAPCNN的NSCT域遥感影像融合方法[J]. 遥感技术与应用, 2022, 37(4): 829-838. https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS202204006.htm LUY Kaiyun, HOU Zhaoyang, GONG Xunqiang, et al. A remote sensing image fusion method based on ASR and PAPCNN in NSCT domain [J]. Remote Sensing Technology and Application, 2022(4): 829-838. https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS202204006.htm
[13] 白鑫, 卫琳. 基于IHS变换与自适应区域特征的遥感图像融合算法[J]. 电子测量与仪器学报, 2019, 33(2): 161-167. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201902023.htm BAI Xin, WEI Lin. Remote sensing image fusion algorithm based on ihs transform and adaptive region features[J]. Journal of Electronic Measurement and Instrumentation, 2019, 33(2): 161-167. https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201902023.htm
[14] 干林杰, 谭荣建. 一种双尺度分解的高分辨率遥感影像融合方法[J]. 通信技术, 2022, 55(2): 174-180. https://www.cnki.com.cn/Article/CJFDTOTAL-TXJS202202006.htm GAN Linjie, TAN Rongjian. A method for fusion of high-resolution remote sensing images based on Dual-Scale decomposition[J]. Communications Technology, 2022, 55(2): 174-180. https://www.cnki.com.cn/Article/CJFDTOTAL-TXJS202202006.htm
[15] Padwick C, Deskevich M, Pacifici F, et al. Worldview-2 pan-sharpening[C]//ASPRS 2010 Annual Conference, 2010: 1-14.
[16] ZHANG Qi, SHEN Xiaoyong, XU Li, et al. Rolling guidance filter[C]//European Conference on Computer Vision (ECCV), 2014: 815-830.
[17] LI X, ZHOU F, TAN H, et al. Multimodal medical image fusion based on joint bilateral filter and local gradient energy[J]. Information Sciences, 2021, 569: 302-325. DOI: 10.1016/j.ins.2021.04.052
[18] Garzelli A, Nencini F, Capobianco L. Optimal MMSE pan sharpening of very high resolution multispectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(1): 228-236. DOI: 10.1109/TGRS.2007.907604
[19] Vivone G. Robust band-dependent spatial-detail approaches for panchromatic sharpening[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6421-6433. DOI: 10.1109/TGRS.2019.2906073
[20] Lolli S, Alparone L, Garzelli A, et al. Haze correction for contrast-based multispectral pansharpening[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2255-2259. DOI: 10.1109/LGRS.2017.2761021
[21] Restaino R, Dalla Mura M, Vivone G, et al. Context-adaptive pansharpening based on image segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(2): 753-766.
[22] MENG X, XIONG Y, SHAO F, et al. A large-scale benchmark data set for evaluating pansharpening performance: overview and implementation[J]. IEEE Geoscience and Remote Sensing Magazine, 2021, 9(1): 18-52.
[23] Aiazzi B, Baronti S, Selva M. Improving component substitution pansharpening through multivariate regression of MS+Pan Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(10): 3230-3239.
[24] Khan M M, Chanussot J, Condat L, et al. Indusion: fusion of multispectral and panchromatic images using the induction scaling technique[J]. IEEE geoscience and remote sensing letters, 2008, 5(1): 98-102.
[25] Vivone G, Restaino R, Chanussot J. Full scale regression-based injection coefficients for panchromatic sharpening[J]. IEEE Transactions on Image Processing, 2018, 27(7): 3418-3431.
[26] Vivone G, Restaino R, Chanussot J. A regression-based high-pass modulation pansharpening approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2): 984-996.
[27] Palsson F, Sveinsson J R, Ulfarsson M O, et al. Model-based fusion of multi- and hyperspectral images using PCA and wavelets[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2652-2663.
[28] Roberta H. Yuhas A F H G. Discrimination among semi-arid landscape endmembers using the spectral angle mapper (SAM) algorithm[J]. Proc. Summaries 3rd Annu. JPL Airborne Geosci. Workshop, 1992(1): 147-149.
[29] Alparone L, Wald L, Chanussot J, et al. Comparison of pansharpening algorithms: outcome of the 2006 GRS-S data-fusion contest[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(10): 3012-3021.
[30] Otazu X, Gonzalez-Audicana M, Fors O, et al. Introduction of sensor spectral response into image fusion methods. Application to wavelet-based methods[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(10): 2376-2385.
[31] ZHOU Wang, A C Bovik. A universal image quality index[J]. IEEE Signal Processing Letters, 2002, 9(3): 81-84.
[32] Alparone L, Baronti S, Garzelli A, et al. A global quality measurement of pan-sharpened multispectral imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2004, 1(4): 313.
计量
- 文章访问数: 191
- HTML全文浏览量: 51
- PDF下载量: 43
