Edge Preserving Image Fusion Based on Contourlet Transform

Khare, Ashish; Srivastava, Rajeev; Singh, Rajiv

doi:10.1007/978-3-642-31254-0_11

Cited by 12 publications

(7 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Though, the disadvantage is the spectral degradation which reduces the contrast levels in the fused image and hence could affect negatively the classification results [43,44]. The transform domain fusion comprises multi-resolution [45], wavelet transform [46,47], Laplacian and Gaussian pyramid [48], Bandelet Transform, Contourlet [49,50], and Curvelet [51,52]. The Fourier transform of the entire image into the frequency domain overcomes the limitations of the spatial domain methods.…”

Section: Multi-sar System With Image Fusionmentioning

confidence: 99%

Multi-Source and Multi-Temporal Image Fusion on Hypercomplex Bases

et al. 2020

View full text Add to dashboard Cite

This article spanned a new, consistent framework for production, archiving, and provision of analysis ready data (ARD) from multi-source and multi-temporal satellite acquisitions and an subsequent image fusion. The core of the image fusion was an orthogonal transform of the reflectance channels from optical sensors on hypercomplex bases delivered in Kennaugh-like elements, which are well-known from polarimetric radar. In this way, SAR and Optics could be fused to one image data set sharing the characteristics of both: the sharpness of Optics and the texture of SAR. The special properties of Kennaugh elements regarding their scaling—linear, logarithmic, normalized—applied likewise to the new elements and guaranteed their robustness towards noise, radiometric sub-sampling, and therewith data compression. This study combined Sentinel-1 and Sentinel-2 on an Octonion basis as well as Sentinel-2 and ALOS-PALSAR-2 on a Sedenion basis. The validation using signatures of typical land cover classes showed that the efficient archiving in 4 bit images still guaranteed an accuracy over 90% in the class assignment. Due to the stability of the resulting class signatures, the fuzziness to be caught by Machine Learning Algorithms was minimized at the same time. Thus, this methodology was predestined to act as new standard for ARD remote sensing data with an subsequent image fusion processed in so-called data cubes.

show abstract

Section: Multi-sar System With Image Fusionmentioning

confidence: 99%

Multi-Source and Multi-Temporal Image Fusion on Hypercomplex Bases

et al. 2020

View full text Add to dashboard Cite

show abstract

“…• Estratégia #7 -Preservação de Contornos [19]: esta estratégia foi originalmente proposta para a transformada Contourlet. Considerando duas características biométricas, X e Y , aplica-se o detector de borda de Sobel e verifica as seguintes condições:…”

Section: A Estratégias Para Combinação De Característicasunclassified

Floresta de Caminhos Ótimos Aplicado ao Reconhecimento Biométrico Multimodal

Costa¹,

Peres²,

Lima³

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Devido a crescente exigência de se estabelecer a identidade dos indivíduos, várias estratégias têm sido propostas visando superar as limitações da abordagem tradicional baseada em senha, tokens, etc. Dentre estas estratégias destacase a Biometria, esta emprega características físicas ou comportamentais do usuário para realizar seu reconhecimento.Íris e face estão entre as modalidades mais promissoras que podem identificar com precisão uma pessoa. Os primeiros sistemas biométricos propostos foram os sistemas biométricos unimodais, os quais utilizam apenas uma modalidade biométrica para reconhecer o usuário. Apesar desses sistemas apresentarem desempenho satisfatório em diversas aplicações, alguns problemas ainda são enfrentados, tais como, [6]: i) Dados de entrada ruidosos; ii) Variações intraclasse; iii) Similaridade interclasses; iv) Não-universalidade; v) Possibilidade de falsificação. De forma a superar essas limitações foram propostos os sistemas biométricos multimodais, os quais combinam duas ou mais modalidades biométricas para gerar sistemas mais robustos e confiáveis.Os sistemas biométricos multimodais podem ser categorizados de acordo com a sua arquitetura, nível de fusão e estratégia de fusão [7]. Sendo que um dos principais pontoś e a estratégia de combinação dessas modalidades. Neste trabalho será realizado a combinação de duas modalidades biométricas, face eíris, no nível de característica.De forma a gerar um vetor de características que represente melhor os dados de entrada pode se utilizar alguma estratégia de extração de características, sendo que a transformada Wavelet (WT) [8]é mais comumente utilizada. WTé uma técnica de processamento de sinais que realiza a decomposição de um determinado sinal em um conjunto de coeficientes que representam os dados originais.Recentemente, um novo framework para classificadores baseado em grafos, que reduz o problema de reconhecimento padrão para o cálculo de uma Floresta de CaminhosÓtimos (OPF -Optimum-Path Forest) no espaço de característica induzido por um grafo, foi proposto por [9]. Este tipo de classificador não interpreta a tarefa de classificação como problema de otimização de um hiperplano, mas como cálculo combinatorial de caminhoótimo a partir de alguns exemplos chaves (protótipos) para os nós restantes.

show abstract

“…Novel multi-scale analysis approaches are proposed including rideglet transform [14], curvelets transform [15], contourlet transform [16], non-subsampled contourlet transform (NSCT) [17] and shearlets transform [18]. Contourlet transform is widely utilized in the edge preserving image fusion domain because of preventing the edge aliasing [19,20]. Paper also illustrates its lack of shift-invariance property, which can lead to obvious Gibbs phenomenon [20].…”

Section: Introductionmentioning

confidence: 99%