《表1 不同融合算法的平均耗时》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《Shearlet变换耦合细节强化因子的遥感图像融合算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

各算法融合结果的MI和SD值如图7所示。从图7中可以发现，本文算法融合结果的MI值最大，SD值最小。以第7组融合结果为例，本文算法融合结果的MI，SD值分别为6.766，0.902；文献[9]算法融合结果的MI和SD值分别为6.447，0.826；文献[10]算法融合结果的MI和SD值分别为6.597，0.869。另外，从表1可知，文献[9]的融合效率最高，其耗时仅为228 ms；所提算法的复杂度要略高于文献[9]，其耗时为297 ms；文献[10]的复杂度最高，融合效率最低，耗时达到了405 s。量化测试结果表明，本文算法融合图像对源图像的内容具有较高的保真度，算法的融合特性较好。因为本文算法将PAN图像对应低频系数特有的信息，灌入到I成分对应的低频系数中，使融合低频系数在具有较好光谱特性的同时，还拥有了较好的空间特征。同时本文算法还利用像素点间的灰度和梯度信息，构造了细节强化因子对高频系数进行融合，使融合高频系数具有更强的细节描绘能力，从而提高了本文算法的融合特性。采用NSST方法具有较快的分解效率，在一定程度上改善了所提算法的融合效率，但无法实现并行运算，因此，其效率要低于文献[9]。文献[9]算法中通过Shearlet变换生成图像的不同系数后，再通过区域能量比值取大的方法以及脉冲耦合神经网络的方法，分别融合低频和高频系数，进而获取融合结果。由于Shearlet变换的平移不变特性较弱，且区域能量比值取大的方法，未能考虑像素点间的差异性，从而降低了文献[9]的融合质量。另外，文献[9]主要借助脉冲耦合神经网络实现系数融合，能够并行实现算法，降低算法复杂度，提高融合效率。文献[10]算法中通过IHS变换获取MS图像的I成分，再通过小波包分析生成图像系数，利用边缘检测和图像的标准差信息分别融合低频和高频系数。由于小波包分析的多方向性不强，且边缘检测的方法不能较好地考虑图像的光谱信息，使文献[10]算法的融合特性有所下降。其采用的小波包分析与边缘检测方法需要遍历所有像素，使其计算量最大，导致其融合效率最低。