[论文解读] The Statistical methods of Pixel-Based Image Fusion Techniques

Firouz Abdullah Al-Wassai, N. V. Kalyankar+1 more|arXiv (Cornell University)|Aug 12, 2011

Advanced Image Fusion Techniques参考文献 4被引用 5

一句话总结

本文评估了五种基于像素的统计图像融合技术——局部均值匹配（LMM）、局部均值与方差匹配（LMVM）、回归变量替换（RVS）以及局部相关性建模（LCM）——用于融合高分辨率全色（PAN）和低分辨率多光谱（MS）卫星图像。通过信噪比（SNR）、归一化均方根误差（NRMSE）和相关系数等定量指标比较其性能，结果表明LCM在保持融合图像的光谱和空间质量方面最为有效。

ABSTRACT

There are many image fusion methods that can be used to produce high-resolution mutlispectral images from a high-resolution panchromatic (PAN) image and low-resolution multispectral (MS) of remote sensed images. This paper attempts to undertake the study of image fusion techniques with different Statistical techniques for image fusion as Local Mean Matching (LMM), Local Mean and Variance Matching (LMVM), Regression variable substitution (RVS), Local Correlation Modeling (LCM) and they are compared with one another so as to choose the best technique, that can be applied on multi-resolution satellite images. This paper also devotes to concentrate on the analytical techniques for evaluating the quality of image fusion (F) by using various methods including Standard Deviation (SD), Entropy(En), Correlation Coefficient (CC), Signal-to Noise Ratio (SNR), Normalization Root Mean Square Error (NRMSE) and Deviation Index (DI) to estimate the quality and degree of information improvement of a fused image quantitatively.

研究动机与目标

• 评估并比较五种基于像素的统计图像融合技术在提升多光谱图像分辨率方面的性能。
• 识别将高分辨率全色与低分辨率多光谱卫星图像融合的最佳方法。
• 应用SNR、NRMSE和相关系数等定量指标，客观评估融合质量。
• 分析相关性建模与匹配技术在融合过程中保持图像保真度的有效性。
• 基于客观性能指标，为选择最佳统计融合方法提供基准参考。

提出的方法

• 本研究应用五种统计融合技术：LMM、LMVM、RVS和LCM，对PAN和MS图像进行融合。
• 每种方法利用PAN与MS图像之间局部统计特性（均值、方差和相关性）预测高分辨率多光谱数据。
• 融合过程包括空间配准以及基于局部图像窗口内统计关系的像素级变换。
• 采用六项定量指标评估性能：标准差（SD）、熵（En）、相关系数（CC）、信噪比（SNR）、归一化均方根误差（NRMSE）和偏差指数（DI）。
• 通过计算融合图像中的各项指标，评估光谱保持能力、噪声水平以及与原始数据的结构相似性。
• 根据SNR和CC最高、NRMSE和DI最低的准则，选择表现最佳的方法。

实验结果

研究问题

• RQ1 在光谱和空间保真度方面，哪种统计融合方法能产生质量最高的融合图像？
• RQ2 LMM、LMVM、RVS和LCM在融合过程中保持图像信息的能力如何比较？
• RQ3 SNR、NRMSE和相关系数在多大程度上可作为融合图像质量的可靠指标？
• RQ4 与简单匹配技术相比，引入局部相关性建模（LCM）是否显著提升融合性能？
• RQ5 熵和标准差在评估融合图像信息含量方面发挥何种作用？

主要发现

• 局部相关性建模（LCM）获得了最高的相关系数（CC）和信噪比（SNR），表明其在结构和光谱保持方面表现最优。
• LCM表现出最低的归一化均方根误差（NRMSE），证实融合图像失真最小。
• 偏差指数（DI）在LCM中最低，表明其与原始多光谱数据的偏差最小。
• 回归变量替换（RVS）表现中等，但在所有定量指标上均逊于LCM。
• 局部均值与方差匹配（LMVM）优于LMM，但在保持图像质量方面仍不及LCM。
• 熵（En）和标准差（SD）表明，LCM在融合图像中保持了最高水平的信息含量。