近期，中国测绘科学研究院《影像与数据融合国际期刊》出版了第15卷第三期。摘要如下：

Dark channel prior in low frequency domain for time-efficient single image dehazing

B M Nandini & Narasimha Kaulgud

Pages: 257-280

To cite this article:

Nandini, B. M., & Kaulgud, N. (2024). Dark channel prior in low frequency domain for time-efficient single image dehazing. International Journal of Image and Data Fusion, 15(3), 257–280. https://doi.org/10.1080/19479832.2024.2314503 

基于低频域暗通道的高效单图像去雾研究

去雾在室外图像质量提升中起着至关重要的作用。虽然去雾算法能显著提高计算机视觉的室外图像质量，但其有效性取决于两个关键因素：1. 去雾算法的效率；2. 所选算法的跨平台适用性。本文提出了一种全新的基于暗通道先验-低频域（Dark Channel Prior-Low Frequency Domain，DCP-LFD）方法，旨在高效地从单幅模糊图像中去除雾气。该方法采用混合策略，结合低频域的暗通道先验来减少雾气，并使用软阈值法来增强高频系数。这种混合算法能够改善低频和高频域的图像质量，从而在更少的计算时间内获得更好的去雾效果。本文采用PSNR和SSIM等指标评估所提方法的有效性，将其性能与RESIDE中的SOTS、RTTS和HSTS子集、HazeRD以及Middlebury数据集这五个基准数据集上的最先进去雾方法进行了比较。在RTTS和数据集上进行了无参考图像质量评估，包括盲/无参考图像空间质量评价器BRISQUE和FADE，以客观评估去雾后的图像质量。同时，对去雾时间进行了比较，突出了该方法在快速获得结果方面的优势。此分析强调了该方法在高效去除室外图像雾气的同时，还具备节省时间的效率。

Automatic extraction of non-bifurcated lunar lineaments from Lunar Reconnaissance Orbiter (LRO) monochromatic images based on a Markov chain method

Zhen Wang, Gai Luo, Teng Hu, Zhizhong Kang, Yuancheng Cui, Yin Liang & Yuyu Wang

Pages: 281-292

To cite this article:

Wang, Z., Luo, G., Hu, T., Kang, Z., Cui, Y., Liang, Y., & Wang, Y. (2023). Automatic extraction of non-bifurcated lunar lineaments from Lunar Reconnaissance Orbiter (LRO) monochromatic images based on a Markov chain method. International Journal of Image and Data Fusion, 15(3), 281–292. https://doi.org/10.1080/19479832.2023.2281417

基于马尔可夫链的月球单色图像非分叉线性构造提取

线性构造在月球地质演化研究中起着关键作用。然而，线性构造仍需手动提取，这限制了月球研究的进展。为填补这一空白，本文提出了一种基于马尔可夫链的方法，用于从图像中自动提取基于矢量的非分叉线性构造。提取的线性构造由连续的节点和线段组成，其中节点表示像素位置，线段表示节点之间的连接线。根据线性构造的形状特征，提出了一种具有残差快速连接和膨胀卷积的改进U-net，用于评估节点属于线性构造的概率。提出了四种连接特征来描述节点的连接形状，并使用高斯混合模型基于这些特征评估线段属于线性构造的概率。在最后阶段，在马尔可夫链中考虑节点和线段的线性构造概率来提取线性构造。本方法对包含220个样本的数据集进行了实验，并采用10组交叉验证来评估性能。定性和定量结果均表明，该方法可以有效地提取具有任意弯曲的非分叉月球线性构造。该方法为自动线性构造提取提供了有效的启示。

Research on multi-source remote sensing image registration technology based on Baker mapping

Li Ma & Lei Huang

Pages: 293-309

To cite this article:

Ma, L., & Huang, L. (2023). Research on multi-source remote sensing image registration technology based on Baker mapping. International Journal of Image and Data Fusion, 15(3), 293–309. https://doi.org/10.1080/19479832.2023.2278671 

基于Baker映射的多源遥感图像配准技术研究

为解决基于特征的遥感图像配准中存在的配准参数估计不准确和误匹配率高的问题，本文提出了一种基于全局特征三角形相似性的配准方法。该方法利用特征三角形的相似性原理来评估匹配特征点的全局几何相似性，以消除误匹配点。此外，鉴于频域中的相位信息对空间变换和结构差异敏感，并且对光照和噪声具有鲁棒性，提出了一种相位结构一致性量测方法，用于形成特征点位置调整策略。结果表明，本文所提出的配准方法实现了最小RMSE误差为1.51。在IRMSE指标方面，与RANSAC模型相比，PH SSIM测量模型的平均值降低了0.253。这表明研究中提出的改进配准模型在提高配准精度方面具有优势。本研究的创新之处在于构建了一个匹配特征点评估模型来消除误匹配点，并提出了一种基于误匹配点去除和特征点位置调整的遥感图像配准方法。

Underwater image contrast enhancement through an intensity-randomised approach incorporating a swarm intelligence technique with unsupervised dual-step fusion

Kamil Zakwan Mohd Azmi, Ahmad Shahrizan Abdul Ghani, Zulkifli Md Yusof, Normawaty Mohammad-Noor, Hasnun Nita Ismail & Mohd Yazid Abu

Pages: 310-344

To cite this article:

Mohd Azmi, K. Z., Abdul Ghani, A. S., Yusof, Z. M., Mohammad-Noor, N., Ismail, H. N., & Abu, M. Y. (2023). Underwater image contrast enhancement through an intensity-randomised approach incorporating a swarm intelligence technique with unsupervised dual-step fusion. International Journal of Image and Data Fusion, 15(3), 310–344. https://doi.org/10.1080/19479832.2023.2289490

基于强度随机与群体智能的非监督融合水下图像增强技术

由于水下环境中的光照问题，研究并分析水下介质中的目标变得十分困难。水体中的低对比度和可见性导致信息提取受限。部分文献在减少水下色彩偏移和提高图像对比度方面提出一些研究方法，但效果不佳。本研究提出了强度随机化水下图像对比度增强（IRUCE）方法，这是一种改进的增强方法，它集成了非监督两步融合技术，以减少蓝绿频段偏移，提高对比度，并增强图像亮度，尤其是在浑浊和深水介质中。在实施强度随机化方法之前，IRUCE会增强较弱的颜色通道并调节主导颜色通道以减少色彩偏移。强度随机方法旨在有效地将图像强度分布到所有强度级别。随后，融合群体智能（swarm intelligence）算法对所有颜色通道进行中值均衡处理。将较弱颜色通道的中值强度向主导颜色通道移动。在最后一步中，采用非锐化掩模技术来提高图像清晰度。通过定量和定性评估验证了该方法的有效性，并将结果与其他最先进的方法进行了比较。实验结果表明，该方法显著提高了水下图像质量，在某些指标方面优于其他技术。

An effective IoT-assisted adaptive thresholding and hybrid deep learning model for rice blast fungal detection

Vidhya M, Dahlia Sam & Rajavarman V.N

Pages: 345-372

To cite this article:

M, V., Sam, D., & V.N, R. (2023). An effective IoT-assisted adaptive thresholding and hybrid deep learning model for rice blast fungal detection. International Journal of Image and Data Fusion, 15(3), 345–372. https://doi.org/10.1080/19479832.2023.2277935

IoT辅助混合深度学习模型的水稻病虫害检测方法

水稻是亚洲国家主要的农产品。因此，通过物联网（IoT）进行植物病害的初步识别，有助于避免水稻遭受严重病害。为了提高农作物产量，应考虑采取有效措施，通过高效系统彻底消除水稻病害。本文提出了一种智能物联网辅助的深度学习模型，用于检测水稻稻瘟病，并结合了一种混合启发式算法。所提出的方法包含多个阶段：首先，从在线数据资源中收集所需的水稻图像。接下来，对收集到的图像进行预处理，包括自适应均值滤波和对比度增强。然后，采用自适应阈值设定和形态学操作进行叶片分割，其中阈值由基于自适应的FBRSO优化器进行调整。随后，从分割后的图像中裁剪出感兴趣区域（ROI）。最后，将裁剪后的ROI输入到优化后的MobileNetv2和多尺度残差注意力网络（OMMRAN）中，该网络包含MobileNetV2和多尺度残差注意力网络，其中部分参数由FBRSO方法调整。本文对所提方法的性能进行了验证，并与其他现有的水稻病害检测方法进行了比较。

CNN-based plant disease recognition using colour space models

Shubham Nain, Neha Mittal & Madasu Hanmandlu

Pages: 373-386

To cite this article:

Nain, S., Mittal, N., & Hanmandlu, M. (2024). CNN-based plant disease recognition using colour space models. International Journal of Image and Data Fusion, 15(3), 373–386. https://doi.org/10.1080/19479832.2023.2300335

基于CNN和颜色空间模型的植物病害识别

人口增长增加了对农业生产的需求。然而，由于一些植物病害，农业生产持续减少。在作物和植物生长的初期阶段检测和识别这些病害对于获得农作物高产至关重要。传统方法涉及人工检测，这种方法容易出错且费时费力。自动识别为在短时间内对大片作物进行常规监测开辟了新的研究方向。基于深度学习的方法因其能够克服常规人工监测的局限性，已在植物和作物病害检测领域得到广泛应用。使用颜色空间模型有助于在将植物和作物的图像输入CNN模型之前划分出受影响区域，从而提高检测准确性。为此，研究了包括RGB、HSL、HSV、LAB、LUV、XYZ和YUV在内的不同颜色空间模型。然而，HSL-CNN联合模型的表现最佳，其准确率、精确率和F1分数分别达到98.97%、98.61%和99.28%。

期刊主页：http://www.tandfonline.com/tidf

投稿网址：https://mc.manuscriptcentral.com/tidf

（文/ 谢文寒、孙晓霞）