Науковий вісник НГУ

Алгоритм паралельного злиття мультиспектрального та панхроматичного зображень на основі вейвлет-перетворення

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 04 серпня 2016

Опубліковано: 04 серпня 2016

Перегляди: 3584

Authors:

Сяожун Сюе, Факультет комп’ютерної та інформаційної інженерії, Ан’янський педагогічний університет, Ан’ян, Хенань, Китай

Фан Сян, Факультет комп’ютерної та інформаційної інженерії, Ан’янський педагогічний університет, Ан’ян, Хенань, Китай

Хунфу Ван, Факультет комп’ютерної та інформаційної інженерії, Ан’янський педагогічний університет, Ан’ян, Хенань, Китай

Цзиньсі Пен, Південно-китайський інститут програмної інженерії, університет Гуанчжоу, Гуанчжоу, Китай

Abstract:

Мета. Для використання переваг різноманітних даних дистанційного зондування Землі (ДЗЗ), важливим вибором є застосування злиття зображень ДЗЗ. Злиття зображень ДЗЗ вимагає великої потужності комп’ютерів і значних витрат часу. З розвитком сучасних технологій ДЗЗ об’єм зібраних даних ДЗЗ стає все більше, тому зростає необхідність здійснювати злиття зображень ДЗЗ швидко й точно та отримувати корисну інформацію, особливо в таких додатках ДЗЗ, як моніторинг лих, їх запобігання, рятувальні операції і тому подібне. У цій роботі для швидкого й точного синтезування зображень пропонується паралельний алгоритм злиття мультиспектральных і панхроматичних зображень на основі вейвлет-перетворення.

Методика. У методі, на основі паралельних обчислень, низькочастотні компоненты вейвлет-розкладання об’єднуються за правилом злиття на основі зіставлення ознак, а високочастотні компоненти вейвлет-розкладання об’єднуються на основі субрегіональної дисперсії. Після злиття низькочастотні й високочастотні компоненти піддаються зворотному вейвлет-перетворенню, тим самим отримуємо зображення, що синтезується.

Результати. Експериментальні результати показують, що запропонований метод дозволяє покращити результати та збільшити швидкість обчислень при злитті мультиспектрального й панхроматичного зображень.

Наукова новизна. У запропонованому алгоритмі злиття мультиспектрального й панхроматичного зображень використані вейвлет-перетворення та різні відповідні правила злиття для низькочастотних і високочастотних компонент вейвлет-розкладання. Для отримання високої швидкості обробки в деяких частинах запропонованого алгоритму використовуються паралельні обчислення. Для таких отримані кращі результати злиття та вища швидкість обробки.

Практична значимість. Експерименти довели, що запропонований алгоритм дозволяє швидко отримати гарні результати злиття зображень ДЗЗ і є корисним у деяких аспектах ДЗЗ, таких як моніторинг і запобігання стихійним лихам, рятувальні операції.

Список літературы / References

1. Arash Golibagh Mahyari and Mehran Yazdi, 2011. Panchromatic and Multispectral Image Fusion Based on Maximization of Both Spectral and Spatial Similarities. IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, No. 6, pp. 1976–1985.

2. Bo Huang, Huihui Song, Hengbin Cui, Jigen Peng and Zongben Xu, 2014. Spatial and Spectral Image Fusion Using Sparse Matrix Factorization. IEEE Transactions on Geoscience and Remote Sensing, Vol. 52, No. 3, pp. 1693–1704.

3. Fatemeh Tabib Mahmoudi, Farhad Samadzadegan, and Peter Reinartz, Jr., 2014. Object Recognition Based on the Context Aware Decision-Level Fusion in Multiviews Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 8, No. 1, pp. 12–22.

4. Hamid Reza Shahdoosti and Hassan Ghassemian, 2015. Fusion of MS and PAN Images Preserving Spectral Quality. IEEE Geoscience and Remote Sensing Letters, Vol. 12, No. 3 , pp. 611–615.

5. Jaewan Choi, Kiyun Yu, and Yongil Kim, 2011. A New Adaptive Component-Substitution-Based Satellite Image Fusion by Using Partial Replacement. IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, No. 1 , pp. 295–309.

6. Hu Xiaodong, Luo Jiancheng, Shen Zhanfeng, Wu Wei and Chen Qiuxiao, 2010. Data sewing algorithm for parallel segmentation of high-resolution remotely sensed image. Journal of Remote Sensing, Vol. 14, No. 5, pp. 917–927.

7. Yang Zhi, Mao Shiyi and Chen Wei, 2005. New image fusion algorithm based on wavelet contrast. Systems Engineering and Electronics, Vol. 27, No. 2, pp. 209–212.

8. Jingjing Ma, Maoguo Gong and Zhiqiang Zhou, 2012. Wavelet Fusion on Ratio Images for Change Detection in SAR Images. IEEE Geoscience And Remote Sensing Letters, Vol. 9, No. 6, pp. 1122–1126.

9. Yong Jiang and Minghui Wang, 2014. Image fusion using multiscale edge-preserving decomposition based on weighted least squares filter. IET Image Process, Vol. 8, No. 3, pp. 183–190.

10. Tong Qingxi and Wei Zheng, 2007. Beijing-1 micro-satellite and its data applications. Spacecraft Engineering, Vol. 16 , No. 2, pp. 1–5.

03_2016_Xiaorong
2016-07-29  897.09 KB  906

• < Попередня