[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 3 - ( 10-1399 ) ::
جلد 8 شماره 3 صفحات 39-59 برگشت به فهرست نسخه ها
ادغام تصاویر مرئی و مادون قرمز حرارتی بر اساس تبدیلات چندمقیاسی و نمایش پراکنده
محمد فلاح*، محسن آزادبخت
مرکز مطالعات سنجش از دور و GIS دانشگاه شهید بهشتی
چکیده:   (280 مشاهده)
با توجه به تفاوت طیف مرئی و مادون قرمز حرارتی، ترکیب این دو نوع تصویر منجر به درک بهتر مشخصات عوارض و محیط می­گردد. تصاویر مادون قرمز حرارتی، برای تشخیص اهداف از پس زمینه آنها بر اساس تفاوت تابش حرارتی در هر شرایط آب و هوایی و در طول روز یا شب و همچنین محاسبه دمای سطح زمین اهمیت فراوانی دارند. این باندها توان تفکیک مکانی پایینی داشته و تشخیص عوارض در آنها با سختی همراه است. یکی از روش های مفید برای تولید تصاویر حرارتی با توان تفکیک مکانی بالا، ادغام این تصاویر با تصاویری با رزولوشن مکانی بالاتر نظیر باندهای مرئی می­باشد. بنابراین، با ادغام این تصاویر می­توان از اطلاعات تابش حرارتی در تصاویر مادون قرمز حرارتی و جزئیات مکانی در تصاویر مرئی به صورت همزمان بهره برد. تبدیلات چند مقیاسی (MST) و نمایش پراکنده(SR)  به طور گسترده برای ادغام تصاویر استفاده می­شوند. به منظور بهبود عملکرد ادغام تصاویر،  این روش­ها با یکدیگر ترکیب می­شوند. در روش ترکیبی، ابتدا تبدیل چندمقیاسی بر روی هر یک از تصاویر اولیه از قبل هم مرجع شده اعمال می­شود تا ضرایب پایین گذر و بالاگذر آنها بدست آید. سپس، تصاویر پایین گذر با روش ادغام بر مبنای نمایش پراکنده و تصاویر بالاگذر با استفاده از مقادیر مطلق ضرایب ترکیب می­شوند. در نهایت تصویر ادغام شده با استفاده از تبدیل معکوس چند مقیاسی بر روی ضرایب ادغام شده به دست می­آید. در این مقاله، نه روش ادغام تصاویر بر مبنای تبدیلات چندمقیاسی و تئوری نمایش پراکنده شامل تبدیل هرم لاپلاسی (LP)، نسبت هرم پایین گذر (RP)، تبدیل ویولت (Wavelet)، تبدیل ویولت مختلط دوگانه درختی  (DTCWT)، تبدیل کرولت (CVT)، تبدیل کانتورلت بدون کاهش بعد (NSCT)، روش نمایش پراکنده (SR)، ترکیب هرم لاپلاسی با روش SR (LP-SR) و ترکیب تبدیل کانتورلت با روش SR (NSCT-SR) را با استفاده از تصاویر FLIR و تصاویر ماهواره­ای لندست 8 مورد ارزیابی قرار می­دهیم. برای ارزیابی کارآیی روشهای مختلف ادغام از سه معیار ارزیابی کمی شامل آنتروپی (EN)، اطلاعات متقابل (MI) و معیار ادغام بر مبنای گرادیان (QAB/F) استفاده کردیم. با وجود فقدان پوشش طیفی میان باندهای مرئی و مادون قرمز حرارتی تصویر لندست 8، تصاویر ادغام شده به روش ترکیبی LP-SR بالاترین مقادیر معیارهای کمی را داشته (EN=7.362, MI=2.605, QAB/F =0.531) و از نظر بصری نیز کیفیت بهتری دارند. این بدان معنی است که همزمان با بهبود جزئیات مکانی، اطلاعات تابش حرارتی نیز به خوبی حفظ شده است. با مقایسه مقادیر معیارهای کمی، روشهای RP ، LP و NSCT در رتبه های بعدی قرار دارند. در تصاویر FLIR نیز نتایج مشابهی حاصل شده است.
واژه‌های کلیدی: تصویر مرئی، تصویر مادون قرمز حرارتی، ادغام تصاویر، تبدیل چند مقیاسی، نمایش پراکنده
متن کامل [PDF 1633 kb]   (84 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1397/6/12 | پذیرش: 1399/9/24 | انتشار: 1399/10/30
فهرست منابع
1. [1] F. Farhanj, and M. Akhoondzadeh, "Spatial Resolution Enhancement of Thermal Bands in Multi-Spectral Images Using Contourlet Method", Journal of Geomatics Science and Technology, Volume 7, Issue 1, 2017 (Persian).
2. [2] M. Karimi Firozjaei , M. Kiavarz Mogaddam , S. K. Alavipanah , S. Hamzeh, "Normalizing Satellite Images-Derived Land Surface Temperature Relative to Environmental Parameters Based on the Soil and Vegetation Energy Balance Equations", Journal of Geomatics Science and Technology, Volume 7, Issue 3, 2017 (Persian).
3. [3] Y. Chen, and S. Nong, "Attention-based hierarchical fusion of visible and infrared images", Optik-International Journal for Light and Electron Optics, 126.23: 4243-4248, 2015. [DOI:10.1016/j.ijleo.2015.08.120]
4. [4] M. Jiayi, M. Yong, and L. Chang, "Infrared and visible image fusion methods and applications: A survey", Information Fusion, 2018.
5. [5] Y. Liu, S. Liu, and Z. Wang, "A general framework for image fusion based on multi-scale transform and sparse representation", Information Fusion 24,147-164, 2015. [DOI:10.1016/j.inffus.2014.09.004]
6. [6] X. Zhang, Y. Ma, F. Fan, Y. Zhang, and J. Huang, "Infrared and visible image fusion via saliency analysis and local edge-preserving multi-scale decomposition", JOSA A 34 (8), 1400-1410, 2017. [DOI:10.1364/JOSAA.34.001400]
7. [7] P. Chai, X. Luo, and Z. Zhang, "Image fusion using quaternion wavelet transform and multiple features", IEEE Access 5, 6724-6734, 2017. [DOI:10.1109/ACCESS.2017.2685178]
8. [8] S. Li, Y. Bin, and H. Jianwen, "Performance comparison of different multi-resolution transforms for image fusion", Information Fusion 12.2: 74-84, 2011. [DOI:10.1016/j.inffus.2010.03.002]
9. [9] D. Bulanon, T. Burks, and V. Alchanatis, "Image fusion of visible and thermal images for fruit detection", Biosystems Engineering 103 (1), 12-22, 2009. [DOI:10.1016/j.biosystemseng.2009.02.009]
10. [10] H. Jin, L. Jiao, F. Liu, and Y. Qi, "Fusion of infrared and visual images based on contrast pyramid directional filter banks using clonal selection optimizing", Optical Engineering 47 (2) , 027002, 2008. [DOI:10.1117/1.2857417]
11. [11] B. Aiazzi, S. Baronti, A. Garzelli, L. Santurri, and M. Selva, "Spatial enhancement of TIR ASTER data via VNIR images and generalized laplacian decomposition", In Proceedings of 4th EARSeL Workshop on Imaging Spectroscopy (pp. 489-500), 2005.
12. [12] Q. Zhang, Y. Liu, R. S. Blum, J. Han, and D. Tao, "Sparse representation based multi sensor image fusion for multi-focus and multi-modality images: A review", Information Fusion 40, 57-75, 2018. [DOI:10.1016/j.inffus.2017.05.006]
13. [13] K. Engan, S. O. Aase, and J. H. Husoy, "Multi-frame compression: theory and design", Signal Process. 80 (10), 2121-2140, 2000. [DOI:10.1016/S0165-1684(00)00072-4]
14. [14] M. Aharon, M. Elad, and A. Bruckstein, "K-svd: an algorithm for designing overcomplete dictionaries for sparse representation", IEEE Trans. Signal Process. 54 (11), 4311-4322, 2006. [DOI:10.1109/TSP.2006.881199]
15. [15] K. Wang, G. Qi, Z. Zhu, and Y. Chai, "A novel geometric dictionary construction approach for sparse representation based image fusion", Entropy 19 (7), 306, 2017. [DOI:10.3390/e19070306]
16. [16] C. Liu, Y. Qi, and W. Ding, "Infrared and visible image fusion method based on saliency detection in sparse domain", Infrared Physics & Technology 83, 94-102, 2017. [DOI:10.1016/j.infrared.2017.04.018]
17. [17] J. Yang, Y. Li, C. Chan, and Q. Shen, "Image Fusion for Spatial Enhancement of Hyperspectral Image via Pixel Group Based Non-Local Sparse Representation, Remote Sensing", 9, 53, 2017. [DOI:10.3390/rs9010053]
18. [18] S. Li, H. Yin, and L. Fang, "Remote Sensing Image Fusion via Sparse Representations Over Learned Dictionaries", IEEE Transactions on Geoscience and Remote Sensing, vol. 51, no. 9, 2013. [DOI:10.1109/TGRS.2012.2230332]
19. [19] H. Li, B. Manjunath, and S. Mitra, "Multisensor image fusion using the wavelet transform", Graph. Models Image Process. 57 (3), 235-245, 1995. [DOI:10.1006/gmip.1995.1022]
20. [20] J. Cheng, H. Liu, T. Liu, "Remote sensing image fusion via wavelet transform and sparse representation", ISPRS Journal of Photogrammetry and Remote Sensing, Volume 104, p. 158-173, 2015. [DOI:10.1016/j.isprsjprs.2015.02.015]
21. [21] H. Deng, and Y. Ma, "Image fusion based on steerable pyramid and pcnn", in: Proceedings of the International Conference on the Applications of Digital Information and Web Technologies, pp. 569-573, 2009. [DOI:10.1109/ICADIWT.2009.5273861]
22. [22] B. R. Johnson, and S. J. Young, "In-Scene Atmospheric Compensation: Application to SEBASS Data Collected at the ARM Site", Technical Report, Space and Environment Technology Center, The Aerospace Corporation, 1998.
23. [23] A. Rajeshwari, N. D. Mani, "Estimation of land surface temperature of Dindigul district using Landsat 8 data". International Journal of Research in Engineering and Technology, 3 (5), 122-126, 2014. [DOI:10.15623/ijret.2014.0305025]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

fallah M, Azadbakht M. Fusion of Thermal Infrared and Visible Images Based on Multi-scale Transform and Sparse Representation. jgit. 2021; 8 (3) :39-59
URL: http://jgit.kntu.ac.ir/article-1-582-fa.html

فلاح محمد، آزادبخت محسن. ادغام تصاویر مرئی و مادون قرمز حرارتی بر اساس تبدیلات چندمقیاسی و نمایش پراکنده. مهندسی فناوری اطلاعات مکانی. 1399; 8 (3) :39-59

URL: http://jgit.kntu.ac.ir/article-1-582-fa.html



دوره 8، شماره 3 - ( 10-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 29 queries by YEKTAWEB 4312