基于形态学和Contourlet系数区域特征的遥感图像融合方法
非亚采样Contourlet遥感图像融合
（ ｏ ｅ ｅｆｌ ｏｍ ｔ ｎ＆ Ｃ ｍ ｎｃ ｔ ｎＥ ｇｎｅｉ ， ｒｉ Ｅ ｇｎｅｉ ｎｖｒｉ ， ｒ ｉ １０ ０ ， ｈｎ ） Ｃ ｌｇ ｎ ｒ ａｉ ｌ ｏ ｆ ｏ ｏ ｍｕ ｉ ｉ ｎ ｉ ｒ ｇ Ｈａｂｎ ｎ ｉｅｒ ｇＵ ｉ ｓｔ Ｈａｂｎ ０ Ｃ ｉａ ａｏ ｅ ｎ ｎ ｅ ｙ ５ １
ｄ ｒ ｃｉ ｎ ｌ ｆ ｔ ｒ ａ ｋ ａ ｄ ｒ ｖ ｄ ｓ ａ ｓ ｉ — ｖ ｒａ ｔ ｄ ｒ ｃｉ ｎ ｌ ｍｕ ｔ ｒ ｓ ｌ ｔ ｎ ｉ ｇ ｒ ｐ ｅ ｅ ｔ ｔ ｎ Ｔｈ ｉ ｔ ａ ｉ ｅ ｂ ｎ ｓ ｎ ｐ ｏ ｉ ｅ ｈ ｆ ｉ ａ ｉ ｎ ｉｅ ｔ ａ ｅ ｏ ｌ ｔ ｎ ｏ ｌ －ｅ ｏ ｕ ｉ ｍａ ｅ ｅ ｒ ｓ ｎａ ｉ ． ｉ ｏ ｏ ｅ
非亚采样 Ｃ ｎｏ ｒ ｔ 感 图像 融合 ｏ ｔｕｌ 遥 ｅ
尚政 国 ，赵春 晖 ，吴 宇平
（哈 尔滨工程大学 信息 与通信工程学院 ，哈尔滨 １０ ０ ） ５ ０ １ 摘要：非亚采样 Ｃ ｎｏ ｒ ｔ ｏ ｔｕｌ 变换是在非亚采样塔 型滤波器及非亚采样 方向滤波器组 的基础上建 立起 来的，它是一 ｅ
ｎ ｎ ｕ ｓ ｍｐ ｅ ｏ ｔ ｕ ｌｔ ｔ ｎ ｆ ｒ ｓ ｐ ｅ ｅ ｔ ｄ ｏ ｓ ｂ ａ ｌ ｄ ｃ ｎ ｏ ｒ ａ ｓｏ ｅ ｒ ｍ ｉ ｒ ｓ ｎ ｅ ，ｗｈ ｃ ｏ ｌ ｘｒ ｃ ｈ ｄ ｅ ａ ｄ ｄ ｔ ｉ ｃ ｅ ｃｅ ｔ ａ ｄ ｆ ｓ ｈ ｉｈ ｃ ｕ ｄ ｅ ｔａ ｔｔ ｅ ｅ ｇ ｎ ｅ ａｌ ｏ ｆ ｉｎ ｓ ｎ ｅ ｔ ｅ ｉ ｕ
ｕ ｉｎｉｆｒ ｔｏ ，ｍｐｏ ｅ ｆｓｏ ｎｏ ａｉｎ ｉ ｒ ｖ ｓｔｅｉ ｇ ｅ ｎｔ ｎａ ｄｉｆｒ ￣ｉｎ ｑ ａ ｔ ｙｕ ｉｇｄｆｅｅ ｔ ｓｏ ｔｏ ｓｉ ｉ ｅｅ ｔ ｍ ｈ ｍａ ｅｄ ｆ ｉｉ ｎ ｏ ｉ ｏ ｎ ｍ ｏ ｕ ｎｉ ｂ ｓ ｉ ｒｎ ｉｎｍｅｈ ｄ ｎｄｆ ｒｎ ｙ ｔ ｎ ｆ ｕ ｆ
基于Contourlet的图像融合新方法
基于Contourlet的图像融合新方法
苗启广;王宝树
【期刊名称】《计算机科学》
【年(卷),期】2008(035)005
【摘要】首先分析了小波变换在进行图像处理时不能有效表示直线/曲线的奇异性问题,然后研究了能够很好表示二维或更高维奇异性的Contourlet变换的基本原理.接着讨论了将Contourlet变换应用于图像融合的可行性,提出了基于Contourlet 变换方法进行图像融合的基本架构,并对变换系数的设置与融合过程的处理进行了详细说明.对主客观性能比较进行了仿真实验,结果表明,提出的新方法比其它几种方法的融合效果要好得多.
【总页数】5页(P231-235)
【作者】苗启广;王宝树
【作者单位】西安电子科技大学计算机学院,西安,710071;桂林电子科技大学,桂林,541004;西安电子科技大学计算机学院,西安,710071
【正文语种】中文
【中图分类】TP3
【相关文献】
1.改进的基于非下采样的Contourlet变换的图像融合算法 [J], 刘卷舒;蒋伟
2.基于非下采样Contourlet变换耦合近似度规则的多聚焦图像融合算法 [J], 柏涛涛;王茜娟;谭云兰
3.基于非下采样Contourlet变换的多模态医学图像融合 [J], 程钢;李玮琳;李丽
4.基于非下采样Contourlet变换耦合近似度规则的多聚焦图像融合算法 [J], 柏涛涛;王茜娟;谭云兰;
5.基于小波-Contourlet变换的偏振图像融合算法 [J], 沈薛晨; 刘钧; 高明
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Contourlet尺度相关的SAR图像融合
基 于 Ｃ ｎｏ ｒ ｔ 度 相 关 的 Ｓ Ｒ图像 融合 ｏ ｔｕｌ 尺 ｅ Ａ
孟 庆 文 周 焰 徐 ， ， 颖 黄 美荣 。 ，
（． １空军雷达学院研 究生管理大 队， 武汉 ４ ０ １ ；２空军雷达学院四系， ３０９ ． 武汉 ４ ０ １ ） ３０ ９
摘
要 ： 对 不 同波段 全极 化 Ｓ 针 ＡＲ图像 的融 合 ， 出 了一 种基 于 Ｃ ｎｏ ｒ ｔ 提 ｏ ｔｕｌ 变换域 进行 图像 融合 的方 法． 利 ｅ
上 的 高 频 细 节 信 息 ． 为 此 ， 献 ［ 提 出 了 一 种 文 ４ ］
ｍｅｉ， 终 以 类 似 于周 线 结 构 来 逼 近 原 图像 ， ｎ） 最 由
此 Ｃ ｎｏ ｒ ｔ ｏｔｕｌ 变换 可认 为是 一种 真正 意义 上 的二 ｅ 维 图像 的表 示 方 法 ． 图 １ 出 了 小 波 变 换 和 给
“ ” 维 图 像 表 示 方 法 —— ｃ ｕｏ ｒ ｔ 换 ． 真 二 ０ ｔｕｌ 变 ｅ
Ｃ ｕｏ ｒ ｔ 换 是 以 曲 线 波 为 基 本 思 想 ， 有 抛 ｏ ｔｕｌ 变 ｅ 具 物 线 尺 度 和 各 向异 性 结 构 ， 够 将 图像 分 解 成 ２ 能
的 任 意 次 幂 个 方 向 ， 生更 多 方 向 的 频 率 子 带 ， 产
一
合 成 ， 除 多 源 信 息 之 间 的 冗 余 ， 获 得 更 丰 消 以
富 、 真 实 、 清 晰 的遥 感 图像 ．传 统 的像 素 级 更 更 遥 感 图 像 融 合 算 法 包 括 加 权 平 均 法 和 主成 分 分 析 （Ｃ ） 法 、 彩 空 间 变 换 、 于 神 经 网络 的 ＰＡ方 色 基 图像 融 合 以及 基 于 变 换 域 的 图像 融 合 算 法 等 ．
遥感图像融合的技术方法介绍
遥感图像融合的技术方法介绍遥感图像融合是指将来自不同传感器、分辨率和波段的遥感图像进行整合，以获取更全面和准确的地理信息。
在各个领域，遥感图像融合技术都发挥着重要的作用。
本文将介绍遥感图像融合的几种常见技术方法，并探讨它们的应用领域和优势。
1. 基于变化检测的融合方法基于变化检测的融合方法是一种常见的遥感图像融合技术。
它通过对多时相的遥感图像进行比较，识别出地物的变化信息，然后根据变化信息对图像进行融合。
这种方法在土地利用/覆盖变化监测、城市扩张分析等领域具有广泛的应用。
以土地利用/覆盖变化监测为例，该方法可以将不同时间点的遥感图像融合，获得地表的变化信息。
通过对变化信息的分析，可以揭示不同地区的土地利用/覆盖变化趋势，为城市规划和土地资源管理提供有力支持。
2. 基于分辨率的融合方法基于分辨率的融合方法是将高分辨率的遥感图像与低分辨率的遥感图像进行融合，以获取高分辨率和丰富信息的融合图像。
这种方法常用于地物识别、目标检测等领域。
地物识别是遥感图像处理中的重要任务之一。
基于分辨率的融合方法可以将高分辨率图像的细节信息与低分辨率图像的全局信息相结合，从而提高地物的识别性能。
例如，在城市建筑物提取中，通过融合高分辨率的影像与低分辨率的地物分类图，可以更准确地提取出建筑物边界和形状。
3. 基于波段的融合方法基于波段的融合方法是将不同波段的遥感图像进行融合，以提取更丰富的地物信息。
这种方法常用于植被监测、环境评估等领域。
植被监测是农业和生态环境领域的重要任务之一。
基于波段的融合方法可以将各个波段的遥感图像进行线性组合，融合出具有更丰富信息的遥感图像。
通过分析融合图像的各个波段，可以获取植被的生长状态、叶片含量和叶绿素含量等关键指标，为农作物生长监测和环境评估提供重要依据。
总结：遥感图像融合是一种重要的遥感数据处理技术，可以提高遥感图像的空间、光谱和时间分辨率，进而提供更准确、全面的地理信息。
本文介绍了基于变化检测、分辨率和波段的融合方法，并探讨了它们在不同领域的应用。
遥感图像融合方法的研究
遥感图像融合方法的研究引言随着遥感技术的不断发展，遥感图像融合在地学、农业、环境等领域中得到了广泛的应用。
遥感图像融合是指将多源、多波段、多分辨率的遥感图像融合为具有更高空间分辨率和更丰富信息的图像。
融合后的图像可以提供更准确、更全面的地物信息，为各个领域的研究与决策提供了有力的支持。
本文将介绍几种常见的遥感图像融合方法，包括传统融合方法和基于深度学习的融合方法。
通过对这些方法的研究和比较，旨在为遥感图像融合方法的选择和应用提供参考。
方法一：传统融合方法传统的遥感图像融合方法主要基于数学和统计学原理，包括像素级融合和特征级融合。
1.1 像素级融合像素级融合方法是将不同空间分辨率的遥感图像进行直接像素级别的融合，常见的方法包括加权平均法和PCA法。
•加权平均法：通过对多幅遥感图像的对应像素进行逐波段加权平均，得到合成图像。
这种方法简单直观，但忽略了不同波段之间的相互关系，融合结果可能丢失部分信息。
•主成分分析(PCA)法：通过对多幅遥感图像进行PCA变换，将其转换为主成分图像，然后对主成分图像进行逐像素加权求和，得到合成图像。
PCA 法能够保留主要的信息，并具有抗噪能力，但计算复杂度较高。
1.2 特征级融合特征级融合方法是将不同分辨率、不同波段的遥感图像进行特征提取，然后将提取的特征进行融合，常见的方法包括小波变换和形态学转换。
•小波变换：通过对多幅遥感图像进行小波变换，将其转换为不同尺度的小波系数图像，然后对小波系数图像进行逐像素融合。
小波变换能够保留图像的空间和频率信息，具有较好的保真性能。
•形态学转换：通过对多幅遥感图像进行形态学滤波，提取图像的形状和边缘信息，然后对提取的特征进行融合。
形态学转换能够有效提取图像的细节信息，但对噪声比较敏感。
方法二：基于深度学习的融合方法随着深度学习的快速发展，基于深度学习的遥感图像融合方法得到了广泛关注。
这些方法主要基于卷积神经网络(CNN)和生成对抗网络(GAN)等深度学习模型。
遥感影像数据融合原理与方法
遥感影像数据融合原理与方法遥感影像数据融合是将不同波段或不同传感器的遥感影像数据融合在一起，以获取更全面、准确、可靠的信息。
它在农业、林业、城市规划、环境监测等领域具有广泛的应用。
下面将对遥感影像数据融合的原理和方法进行详细介绍。
一、遥感影像数据融合原理遥感影像数据融合的原理是通过将多个波段或多个传感器的影像数据进行组合，以获取多波段或多传感器数据的综合信息。
融合后的影像数据能够提供更多的数据维度和更丰富的信息内容，从而增强地物辨别能力和特征提取能力。
1.时空一致性：遥感影像数据融合要求融合后的影像数据在时域和空域上具有一致的特性，即不同时间或空间的影像数据融合后要保持一致性，以便进行准确的信息提取和分析。
2.特征互补性：不同波段或传感器的影像数据通常具有不同的特征信息，例如，光学影像可以提供颜色信息，而雷达影像可以提供物体的形状和纹理信息。
融合时要充分利用不同波段和传感器的特征互补性，使融合后的影像数据包含更全面、准确的信息。
3.数据一致性：遥感影像数据融合应保持数据的一致性，即融合后的影像数据应在不改变原始数据的情况下，能够反映出原始数据的真实信息。
在融合过程中要注意去除噪声和图像畸变等因素，以保持数据的一致性。
二、遥感影像数据融合方法1.基于像素的融合方法：基于像素的融合方法是将不同波段或传感器的影像数据进行像素级别的融合。
常用的方法有像素互换法和加权平均法。
像素互换法是将一个波段或传感器的像素值替换到另一个波段或传感器的影像上，以增加信息的表达能力。
加权平均法是对不同波段或传感器的像素值进行加权平均，得到融合后的像素值。
2.基于特征的融合方法：基于特征的融合方法是针对不同波段或传感器的特征进行分析和融合。
常用的方法有主成分分析法和小波变换法。
主成分分析法是通过对不同波段或传感器的影像数据进行主成分分析，提取出影像数据中的主要特征，然后将主成分进行融合。
小波变换法是利用小波变换来分析和提取不同波段或传感器的影像数据中的特征，然后通过小波系数的线性组合对影像数据进行融合。
基于Contourlet变换的多聚焦图像融合
基于Ｃｏｎｔｏｕｒｌｅｔ变换的多聚焦图像融合作者：丁岚来源：《电脑知识与技术》2008年第34期摘要：由于可见光成像系统的聚焦范围有限，很难获得同一场景内所有物体都清晰的图像，多聚焦图像融合技术可有效地解决这一问题。
Contourlet变换具有多尺度多方向性，将其引入图像融合，能够更好地提取原始图像的特征，为融合图像提供更多的信息。
该文提出了一种基于区域统计融合规则的Contourlet变换多聚焦图像融合方法。
先对不同聚焦图像分别进行Contourlet变换，采用低频系数取平均，高频系数根据区域统计值决定的融合规则，再进行反变换得到融合结果。
文中给出了实验结果，并对融合结果进行了分析比较，实验结果表明，该方法能够取得比基于小波变换融合方法更好的融合效果。
关键词：图像融合；Contourlet变换；小波变换中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)34-1700-03Multifocus Image Fusion Based on Contorlet TransformDING Lan(College of Information Science & Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)Abstract: Due to the limited depth-of-focus of optical lenses , it is often difficult to get an image that contains all relevant objects in focus. Multifocus image fusion method can solve this problem effectively. Contoulet transform has varying directions and multiple scales. When the contourlet transform is introduced to image fusion , the characteristics of original images are taken better and more information for fusion is obtained. A new multifocus image fusion method is proposed in this paper, based on contourlet transform with the fusion rule of region statistics. Different focus images are decomposed using contourlet transform firstly, then low-bands are integrated using the weighted average , high-bands are integrated using region statistics rule. Then the fused image will be obtained by inverse contourlet transform. The experimental results are showed, and compared with the method based on wavelet transform. Experiments show that this approach can achieve better results than the method based on wavelet transform.Key words: image fusion; contourlet transform; wavelet transform1 引言对于可见光成像系统来讲，由于成像系统的聚焦范围有限，场景中的所有目标很难同时都成像清晰，这一问题可以采用多聚焦图像融合技术来解决，即用同一成像镜头对场景中的两个（多个）目标分两次（多次）进行成像，将这些成像中清晰部分融合成一幅新的图像，以便于人的观察或计算机的后续处理。
基于非采样Contourlet变换多传感器图像融合算法
136
自
动
化
学
报
34 卷
let transform, NSCT)[9] . 本文提出了一种基于非采样 Contourlet 变换图 像融合算法. 首先采用 NSCT 将源图像分解到不同 尺度、 方向子带范围内, 然后对低频子带系数和各带 通方向子带系数分别采用基于局部区域梯度能量和 方向对比度的系数选择方案得到融合图像的 NSCT 系数, 再经 NSCT 逆变换得到融合图像. 最后将算 法运用到多聚焦图像融合实验中, 从仿真结果可以 看出, 该融合算法能够很好地将源输入图像中的有 用信息 (尤其是边缘信息) 提取并注入到融合图像中 去, 得到多个目标都清晰的图像.
扇形滤波器采用不同的采样矩阵进行上采样, 并对 上一级方向分解后的子带进行滤波, 可以获得频域 中更为精确的方向分解. 例如, 可以对扇形滤波器 1 −1 U0 (z ), U1 (z ) 分别按采样矩阵 D = 进 1 1 行上采样得滤波器 U0 (z D ) 和 U1 (z D ), 然后再对上 一级二通道方向分解后得到的子带图像进行滤波, 从而实现四通道方向分解, 如图 3 所示. 对于更多方 向的分解, 需要采用更为复杂的采样矩阵对滤波器 进行上采样.
1 非采样 Contourlet 变换 (NSCT)[9]
如图 1 所示, 与 Contourlet 变换类似, NSCT 也是将多尺度分解和方向分解分开进行. 首先采用 非采样塔式滤波器组 (Nonsubsampled pyramid filter bank, NSPFB) 对图像进行多尺度分解, 然后再 采用非采样方向滤波器组 (Nonsubsampled directional filter bank, NSDFB) 对得到的各尺度子带图 像进行方向分解, 从而得到不同尺度、 方向子带图像 (系数).
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ， １ ９ ９ ５ ， ５ ７ （ ３ ） ： ２ ３ ５ — ２ ４ ５
（ ３ ） Ｎ－ Ｃ Ｔ Ｍ 融合 图像 的各项评价指 标均优 于 Ｔ － Ｃ ＴＭ 融 合图像 ， 表 明文 中提出的对 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变换后低 频 、 高 频系数 的融合规则是合理有效 的； （ ４ ）从 Ｎ－ Ｃ Ｔ Ｍ 融合 图像 和 Ｍ－ Ｃ Ｔ Ｍ 融合 图像 的信息熵 、 标准差和平均梯度等各项指标 的对 比中可以看出 ， 与 Ｎ－ Ｃ Ｔ Ｍ 方法相 比， Ｍ－ Ｃ ＴＭ 方法在空 间信息 的保 留方 面稍差 ， 但 是从 融合 结果来看 ， Ｍ－ Ｃ ＴＭ 融合 图像 中损 失 的空 间信 息 主要 是
一ቤተ መጻሕፍቲ ባይዱ
［ ３ ］ Ｓ ｕ Ｒ ｏ ｎ ｇ － ｄ ｏ ｎ ｇ ， Ｈ ｌ ａ Ｙ ｉ ｎ ｇ— ｚ ｈ ｏ ｕ ． Ａ Ｋ ｉ ｎ ｄ ｏ ｆ Ｍｕ ｌ ｔ ｉ － Ｃ ｈ ａ ｎ ｎ ｅ ｌ Ｆ ｉ ｌ ｔ ｅ — ｒ ｉ ｎ ｇ Ｂ ａ ｓ ｅ ｄ Ｗａ ｖ ｅ ｌ ｅ ｔ Ｐ ａ ｃ ｋ ｅ ｔ Ｒ ｅ ｍｏ ｔ ｅ Ｓ ｅ ｎ ｓ ｉ ｎ ｇ Ｉ ｍａ ｇ ｅ Ｆ ｕ ｓ ｉ ｏ ｎ［ Ｊ ］ ．
进融合过程 中的不足 。通 过对 实验结果 进行 比较分 析 ， 可 以
［ ７ ］ 李 晖晖 ， 郭雷， 刘 航． 基 于二代 Ｃ ｕ ｒ ｖ ｅ ｌ ｅ ｔ 变换 的 图像 融合 研究 口］ ． 光学学报 ， ２ ０ ０ ６ ， ２ ６ （ ５ ） ： ６ ５ ７ — ６ ６ ２ ［ ８ ］ Ｄ ｏ Ｍ Ｎ， Ｖｅ ｔ ｔ ｅ ｒ ｌ ｉ Ｉ Ｖ ／ ．Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ ： ａ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｍｕ ｌ ｔ ｉ — ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ
２９ ３ ８ — ２ ９ ４ ３
于空间信 息集 中而光 谱信息相 对较少 的遥感 图像融合 ， 而对 多特 征地物遥感 图像进 行融 合 时 ， Ｍ－ Ｃ ＴＭ 方法 则是 一 种更 为有效可行 的遥感 图像融合方法 。 结束语 由于在遥感 图像融合 过程 中 ， 光谱信 息 的保 持 和空间信息的保 留是相互矛盾 的， 因此 ， 如何 对图像 中的两类 信息进行取舍关系着融合效果 的优 劣。本文将 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ 变 换 应用于遥 感图像融 合 中， 并将其 与形态学 运算相结 合来改
息的扭 曲， 从而得 到较理 想 的结果 。所 以 ， Ｎ－ Ｃ Ｔ Ｍ 方法适 用
Ｗａ ｖ ｅ ｌ ｅ ｔ Ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ［ Ｊ ］ ． Ｐ ｒ ｏ ｃ ｅ ｄ ｉ ａ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， ２ ０ １ ２ ， ２ ９ ：
Ｋｅ ｙ Ｅｎｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｍａ ｔ ｅ ｒ ｉ ａ ｌ ｓ， ２ ０１ ２， ５ ０ ０： ７ ４ ８ － ７ ５ ３
［ ４ ］ Ｌ ｉ Ｈ， Ｍａ ｎ ｊ ｕ ｎ ａ ｔ ｈ Ｂ Ｓ ， Ｍｉ ｔ ｒ ａ Ｓ Ｋ ． Ｍｕ ｌ ｔ ｉ — ｓ ｅ ｎ ｓ ｏ ｒ Ｉ ｍ ａ ｇ ｅ Ｆ ｕ ｓ ｉ ｏ ｎ Ｕ —
行性和有效性 ；
ｓ ｉ ｏ ｎ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ｆ ｏ ｒ ｒ ｅ ｍ ｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ 口］ ． Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ
Ｆ ｕ ｓ ｉ ｏ ｎ ， ２ ０ ０ ２ ， ３ （ １ ） ： ３ － １ ５
ｉ ｍ ａ ｇ ｅ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ Ｅ ｃ ］｛ ｛ Ｐ ｒ ｏ ｃ ｅ ｅ ｄ ｉ ｎ ｇ ｏ ｆ Ｉ Ｅ Ｅ Ｅ Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ
些 非边缘 、 空 间信 息较少 的区域 ， 而 图像 中的边 缘信息却得
Ｉ ｓ ］ Ｌ ｉ Ｓ ｈ ｕ － ｔ ａ ｏ ， Ｋ ｗ ｏ ｋ Ｊ Ｔ ， Ｗａ ｎ ｇ Ｙ ａ ｏ － ｎ ａ ｎ ． Ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅ ｗ ａ ｖ ｅ —
ｍｏ ｔ ｅ ｅ ｎｓ Ｓ ｉ ｇ ｎ Ｉ ａ ｇ ｍ ｅ ｓ Ｕｓ ｉ ｇ ｎ Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｉ ＣＡ Ｍｅ ｒ ｇ ｅ ｒ ｓ ａ ｓ Ｂ ｅ ｄ ｏ ｎ
留了更多的原始多光 谱 图像 的光 谱特 征 ， 即 Ｍ－ Ｃ Ｔ Ｍ方法以 适 当地损失非边缘区域空 间信息为代价来减 少该 区域光谱信
ｍ ａ ｔ ｉ ｃ ｉ ｍ ａ ｇ ｅ口］ ． Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｆ ｕ ｓ ｉ ｏ ｎ ， ２ ０ ０ ２ ， ３ （ １ ） ： １ ７ — ２ ３ ［ ６ ］ Ｃ ｈ ｅ ｎ Ｆ ｅ ｎ ｇ － ｒ ｕ ｉ ， Ｑｉ ｎ Ｆ ｅ ｎ ， Ｐ ｅ ｎ ｇ Ｇ ｕ ａ ｎ ｇ ＇ － ｘ ｉ ｏ ｎ ｇ ， ｅ ｔ ａ １ ． Ｆ ｕ ｓ ｉ ｏ ｎ ｏ ｆ Ｒ ｅ －
ｌ ｅ ｔ ｆ ｒ ａ ｍｅ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ｔ ｏ ｍｅ ｒ ｇ ｅ Ｌ ａ ｎ ｄ ｓ ａ ｔ Ｔ Ｍ ａ ｎ ｄ Ｓ Ｐ ＯＴ ｐ ａ ｎ ｃ ｈ ｒ ｏ —
到 了较好 的保 留， 并且从 两幅图 的相 关系数 和偏差两 个指标 的对 比中可以看 出， Ｍ－ Ｃ ＴＭ 融合 图像 比 Ｎ － Ｃ ＴＭ 融合 图像保