Dergiler / Türk Uzaktan Algılama ve CBS Dergisi / 2020 / Cilt: 1 - Sayı: 1

Metasezgisel Guguk Kuşu Arama Algoritması ile Görüntü Kaynaştırma

Image Fusion with Metaheuristic Cuckoo Search Algorithm

Sayfa
1–12
Yayın Tarihi
2022-11-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar önerilen yöntemin yoğunluk bileşenini başarılı bir şekilde optimize ettiğini ve bu nedenle de girdi çok bantlı görüntünün renk içeriğini kullanılan diğer yöntemlere oranla daha başarılı bir şekilde koruduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bileşen değişimi tabanlı görüntü kaynaştırma yöntemleri literatürde en fazla kullanılan görüntü kaynaştırma yöntemleri arasındadır.
📊
Temel Bulgular & Veri:Bu yöntemler konumsal detayları iyileştirmedeki başarılarına rağmen girdi çok bantlı görüntülerin renk yapısını bozma eğilimindedirler.
💡
Sonuç & Katkı:Elde edilen sonuçlar önerilen yöntemin yoğunluk bileşenini başarılı bir şekilde optimize ettiğini ve bu nedenle de girdi çok bantlı görüntünün renk içeriğini kullanılan diğer yöntemlere oranla daha başarılı bir şekilde koruduğunu göstermiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü kaynaştırma · Metasezgisel optimizasyon · Gram-Schmidt

Özet

Bileşen değişimi tabanlı görüntü kaynaştırma yöntemleri literatürde en fazla kullanılan görüntü kaynaştırma yöntemleri arasındadır. Bu yöntemler konumsal detayları iyileştirmedeki başarılarına rağmen girdi çok bantlı görüntülerin renk yapısını bozma eğilimindedirler. Bu durumun temel nedeni bu yöntemlerin girdi çok bantlı görüntülerin bantlarından elde ettikleri yoğunluk bileşenini optimize edememeleridir. Bu çalışmada, yoğunluk bileşeninin optimize edilebilmesi için metasezgisel guguk kuşu arama algoritmasından yararlanan bir görüntü kaynaştırma yöntemi önerilmiştir. Önerilen yaklaşım en yaygın kullanılan bileşen değişimi tabanlı kaynaştırma yöntemlerinden biri olan Gram-Schmidt (GS) yöntemi üzerinde uygulanmıştır. Önerilen yöntemin renk koruma performansı Yüksek Geçirgen Filtreleme (HPF) yönteminin yanı sıra popüler bileşen değişimi tabanlı yöntemlerden olan Multiplicative (MCV), Brovey (BRV), Temel Bileşenler Analizi (PCA), Ehlers (EHL), Modifiye edilmiş Intensity-Hue-Saturation (MIHS), Synthetic Variable Ratio (SVR) ve orijinal GS yöntemlerinin renk koruma performansları ile iki test bölgesinde niteliksel ve niceliksel olarak karşılaştırılmıştır. Elde edilen sonuçlar önerilen yöntemin yoğunluk bileşenini başarılı bir şekilde optimize ettiğini ve bu nedenle de girdi çok bantlı görüntünün renk içeriğini kullanılan diğer yöntemlere oranla daha başarılı bir şekilde koruduğunu göstermiştir.

Abstract

Component substitution-based fusion methods are among the most widespread image fusion methods in the literature. Despite the fact that these methods are very successful in enhancing the spatial detail quality, they tend to deteriorate the spectral quality of the input multispectral images. The main reason for this is that they are not so successful in optimizing the intensity component produced from the input multispectral bands. In this study, an image fusion method which utilizes metaheuristic cuckoo search algorithm was proposed to optimize the intensity component used in fusion process. The proposed method was applied on the Gram-Schmidt (GS) method, one of the most widely-used component substitution-based image fusion methods. The colour preservation performance of the proposed method was qualitatively and quantitatively compared not only against that of the High-Pass Filtering (HPF) method, but also against those of popular component substitution-based methods Multiplicative (MCV), Brovey (BRV), Principal Component Analysis (PCA), Ehlers (EHL), Modified Intensity-Hue-Saturation (MIHS), Synthetic Variable Ratio (SVR) and original GS in two test sites. The results showed that the proposed method was successful in optimizing the intensity component and therefore preserved the colour content of the input multispectral image more successfully than other methods used.

🔖

Bu Makaleye Atıf Yap

Yılmaz, V. (2022). Metasezgisel Guguk Kuşu Arama Algoritması ile Görüntü Kaynaştırma. Türk Uzaktan Algılama ve CBS Dergisi, Cilt: 1 - Sayı: 1, 1–12. https://ajindex.com/articles/643316

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (2)

  1. Alparone, L., Aiazzi, B., Baronti, S., Garzelli, A., & Nencini, F. (2006). Information-theoretic image fusion assessment without reference. ESA-EUSC 2006. Bir Yazılımcının Günlüğü, (2019, Aralık 20). https://biryazilimciningunlugu.wordpress.com/2017/05/16/metasezgisel algoritmalar/. Cheng, M. Y., & Prayogo, D. (2014). Symbiotic organisms search: a new metaheuristic optimization algorithm. Computers & Structures, 139, 98-112. doi:10.1016/j.compstruc.2014.03.007. Dorigo, M., & Stützle, T. (2004). Ant Colony Optimization. Bradford Company. Ehlers, M. (2004, October). Spectral characteristics preserving image fusion based on Fourier domain filtering. In Remote sensing for environmental monitoring, GIS applications, and geology IV (Vol. 5574, pp. 1-13). International Society for Optics and Photonics. doi:10.1117/12.565160. Garzelli, A., & Nencini, F. (2006a, July). Fusion of panchromatic and multispectral images by genetic algorithms. In 2006 IEEE International Symposium on Geoscience and Remote Sensing (pp. 3810-3813). IEEE. doi:10.1109/IGARSS.2006.976. Garzelli, A., & Nencini, F. (2006b). PAN‐sharpening of very high resolution multispectral images using genetic algorithms. International Journal of Remote Sensing, 27(15), 3273-3292. doi:10.1080/01431160600554991. Garzelli, A., Nencini, F., & Capobianco, L. (2007). Optimal MMSE pan sharpening of very high resolution multispectral images. IEEE Transactions on Geoscience and Remote Sensing, 46(1), 228-236. doi:10.1109/TGRS.2007.907604. Ghahremani, M., Liu, Y., Yuen, P., & Behera, A. (2019). Remote sensing image fusion via compressive sensing. ISPRS journal of photogrammetry and remote sensing, 152, 34-48. doi:10.1016/j.isprsjprs.2019.04.001. Ghassemian, H. (2016). A review of remote sensing image fusion methods. Information Fusion, 32, 75-89. doi:10.1016/j.inffus.2016.03.003. Gogineni, R., & Chaturvedi, A. (2018). Sparsity inspired pan-sharpening technique using multi-scale learned dictionary. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 360-372. doi:10.1016/j.isprsjprs.2018.10.009. Holland, H. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor: University of Michigan Press.
  2. Jagalingam, P., & Hegde, A. V. (2015). A review of quality metrics for fused image. Aquatic Procedia, 4(Icwrcoe), 133-142. doi:10.1016/j.aqpro.2015.02.019. Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of globa