基于互补结构-纹理分解与增强技术的光学图像与SAR图像模态感知融合

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Modality-Aware Fusion for Optical and SAR Images Via Complementary Structure-Texture Decomposition and Enhancement

　　

摘要：

光学图像与合成孔径雷达图像的融合能够有效整合两者互补的信息，提升遥感解译的可靠性。然而，现有方法往往难以充分适应不同类型图像的特性，结构与纹理的融合不够协调，细节表现能力有限，从而导致光谱失真、伪影以及较差的视觉层次感。为解决这些问题，本文提出了一种针对光学图像与SAR图像的新型模态感知融合方法（MAOSF）。该方法的核心是一个互补的结构-纹理分解与增强框架。首先，通过互补结构-纹理分解策略，结合多方向相对总变分与滚动引导滤波器，以模态感知的方式将原始图像分解为结构成分与纹理成分。随后，针对这些分解后的成分，设计了一种具有分层增强的交叉融合机制：基于显著性引导的交叉结构融合策略可保留几何轮廓和显著边缘，而基于主导方向响应的交叉纹理融合策略则能增强细小细节并抑制斑点噪声。此外，还提出了一种位平面细节增强方法，利用高阶位平面来优化低对比度区域的结构信息，从而显著提升局部细节的可见度与视觉层次。在三个公开数据集上的大量实验表明，MAOSF在结构保真度、纹理表现以及整体视觉质量方面均优于多种现有的先进融合方法。从量化指标来看，在三个基准数据集中，MAOSF在VIF指标上的表现比第二好的方法平均高出10.9%，在AG指标上高出7.7%，在Qabf指标上高出9.6%，充分证明了其稳定的显著优势。