一种纹理分割与Top-Hat变换增强的SAR-可见光图像融合方法
117 浏览量
更新于2024-08-27
1
收藏 4.87MB PDF 举报
"基于纹理分割和Top-Hat变换的合成孔径雷达与可见光图像增强融合"
本文介绍了一种创新的图像处理技术,用于改善合成孔径雷达(SAR)图像与可见光图像融合的效果。SAR图像由于其特有的性质,如不受天气条件影响,但可能存在目标信息缺失和对比度不足的问题。为解决这些问题,该研究提出了一种融合算法,它结合了纹理分割和Top-Hat变换来增强图像的细节和对比度。
首先,算法利用SAR图像的灰度共生矩阵计算出熵纹理特征图,通过阈值分割技术提取出图像中的感兴趣区域(ROI)。灰度共生矩阵是衡量像素间纹理关系的一种方法,而熵则反映了纹理的复杂性和不确定性。阈值分割能够有效地识别和分离出目标区域。
接着,SAR图像和可见光图像分别进行非下采样Contourlet变换(NSCT),这是一种多分辨率分析方法,能有效地捕获图像的边缘和细节信息。在NSCT域中,低频系数反映了图像的大尺度结构,而高频系数则包含细节信息。对于低频系数,研究采用了基于区域的融合规则,特别是在ROI内,优先保留SAR图像的低频信息,因为SAR通常能提供更丰富的结构信息。
在低频系数上,研究应用了Top-Hat变换,这是一种形态学操作,可以突出图像中的亮区和暗区的细节特征。这些显著化的特征被添加回低频系数,形成新的低频合成系数,增强了图像的对比度和细节。
对于高频子带系数,研究采用局部方向信息熵显著性因子作为融合依据,选取信息量较大的系数进行融合,这样可以保持图像的边缘和纹理信息。
最后,融合后的系数通过NSCT逆变换恢复成空间域图像,得到最终的融合结果。实验证明,这种融合方法能有效提高目标信息的完整性,提升图像的对比度,从而提高了SAR与可见光图像融合的质量和后续分析的准确性。
关键词:图像处理、图像融合、灰度共生矩阵、Top-Hat变换、非下采样Contourlet变换、局部方向信息熵
通过这种技术,研究人员为SAR图像与可见光图像的融合提供了一种新的途径,不仅提高了融合图像的视觉效果,还可能对目标检测、识别等应用带来改进。这对于军事侦察、环境监测、灾害评估等领域具有重要的实用价值。
2010-10-11 上传
2021-09-20 上传
点击了解资源详情
2021-10-25 上传
2010-05-17 上传
2021-09-07 上传
2021-02-04 上传
2022-06-10 上传
2022-07-14 上传
weixin_38630571
- 粉丝: 8
- 资源: 943
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库