应用邻域方差加权平均的curvelet变换融合

doi:10.3778/j.issn.1002-8331.2010.09.047

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (9): 166-168.DOI: 10.3778/j.issn.1002-8331.2010.09.047

• 图形、图像、模式识别 • 上一篇下一篇

应用邻域方差加权平均的curvelet变换融合

邱宣¹，周则明²，胡友彬²

1.中国卫星海上测控部，江苏江阴 214431
2.解放军理工大学气象学院，南京 211101

收稿日期:2009-02-16 修回日期:2009-04-17 出版日期:2010-03-21 发布日期:2010-03-21
通讯作者: 邱宣

Appling region variance and weighted mean to image fusion of curvelet transform

QIU Xuan¹，ZHOU Ze-ming²，HU You-bin²

1.China Satellite Marinetime Tracking & Control Department，Jiangyin，Jiangsu 214431，China
2.Meteorology College of PLA University of Science and Technology，Nanjing 211101，China

Received:2009-02-16 Revised:2009-04-17 Online:2010-03-21 Published:2010-03-21
Contact: QIU Xuan

摘要/Abstract

摘要： 提出一种基于邻域方差加权平均的多源遥感图像曲波变换融合方法。将低分辨率的多光谱图像和高分辨率的全色图像作曲波变换，融合图像的曲波系数中的低频分量取多光谱图像的低频分量，中高频系数与高频系数采用邻域方差加权平均的方法由两幅图像曲波变换系数共同决定。逆曲波变换得到融合图像。实验表明算法有效提高了图像的清晰度和保持了光谱特性。

关键词: 图像融合, 曲波变换, 邻域方差

Abstract: An efficient method of image fusion based on weighted mean and neighboring region variance of curvelet transform is proposed.Firstly，the multi-spectral and high resolution image is decomposed by curvelet transform.Then the curvelet coefficients of the fused image can be obtained by using different rules.The approximate coefficients come from the multispectral image，and the detail coefficient is based on the neighboring region variance.Finally，the fused image is obtained by inverse curvelet transform.The experiment results show that the method can improve the average gradient and preserve spectrum index commendably.

Key words: image fusion, curvelet transform, neighboring region variance

中图分类号:

TP391

邱宣¹，周则明²，胡友彬². 应用邻域方差加权平均的curvelet变换融合[J]. 计算机工程与应用, 2010, 46(9): 166-168.

QIU Xuan¹，ZHOU Ze-ming²，HU You-bin². Appling region variance and weighted mean to image fusion of curvelet transform[J]. Computer Engineering and Applications, 2010, 46(9): 166-168.

[1]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[2]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[3]	王长城，周冬明，刘琰煜，谢诗冬. 无监督深度学习模型的多聚焦图像融合算法[J]. 计算机工程与应用, 2021, 57(21): 209-215.
[4]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[5]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[6]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[7]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[8]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[9]	李一菲，杨燕，张国强. 基于补偿暗通道和透射率融合的图像去雾算法[J]. 计算机工程与应用, 2019, 55(3): 196-201.
[10]	余霆嵩，文元美，凌永权. 基于张量分解融合RGB-D图像的物体识别[J]. 计算机工程与应用, 2019, 55(2): 174-178.
[11]	李敏，苑贤杰，骆志丹，邱晓华. 基于改进引导滤波与DCPCNN的图像融合方法[J]. 计算机工程与应用, 2019, 55(19): 207-213.
[12]	王烈，罗文，陈俊鸿，秦伟萌. 自适应PCNN与信息提取的红外与可见光图像融合[J]. 计算机工程与应用, 2018, 54(4): 192-198.
[13]	付争方1，朱虹2. 多尺度细节融合的多曝光高动态图像重建[J]. 计算机工程与应用, 2018, 54(24): 182-187.
[14]	刘栋，聂仁灿，周冬明，侯瑞超，熊磊. 结合NSST与GA参数优化PCNN图像融合[J]. 计算机工程与应用, 2018, 54(19): 158-163.
[15]	崔丽群，张月，田鑫. 融合双阈值和改进形态学的边缘检测[J]. 计算机工程与应用, 2017, 53(9): 190-194.

应用邻域方差加权平均的curvelet变换融合

Appling region variance and weighted mean to image fusion of curvelet transform

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics