專利名稱:基于分布變換的多傳感器圖像融合方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種多傳感器圖像融合方法。
背景技術(shù):
隨著遙感技術(shù)的發(fā)展,SAR(Synthetic Aperture Radar,合成孔徑雷達(dá))、光學(xué)、
紅外、激光和微波等大量不同衛(wèi)星傳感器對地觀測的應(yīng)用,獲取的同一地區(qū)的多種遙感 影像數(shù)據(jù)(多時相、多光譜、多傳感器、多平臺和多分辨率)越來越多,而各種傳感器 提供的遙感影像數(shù)據(jù)各有其特點。目前,SAR的發(fā)展受到人們的廣泛關(guān)注,它能夠穿 透云層和雨區(qū),具有全天時、全天候工作特性,可以深入地穿入植被,改變SAR的波長 可以得到植被上層甚至地下的信息。SAR獲得的圖像信息取決于物體的介電特性與幾 何特性,具有較高的分辨率和較多的紋理信息,但對于物體的結(jié)構(gòu)邊緣描述不清,圖像 中往往有比較多雜波。而多光譜遙感技術(shù)是利用景物在紫外、可見光和近紅外區(qū)各光譜 區(qū)反射特性差異及人眼彩色視覺分辨特性來增加圖像的信息量。多光譜屬于光學(xué)傳感器 成像,對目標(biāo)場景及輪廓描述清晰,但不善于識別由于偽裝或天氣等原因造成的目標(biāo)模 糊,一般分辨率較低。由于實際應(yīng)用需要,僅僅利用一種遙感影像數(shù)據(jù)是難以滿足技術(shù)要求的,多傳 感器圖像融合技術(shù)是對多源信息進(jìn)行綜合處理、從不同數(shù)據(jù)源中獲得有效信息的有效途 徑之一。所謂圖像融合,是指綜合兩個或多個源圖像的信息,其目的是通過對多幅圖像 信息的提取與綜合,從而獲得對同一場景或目標(biāo)的更為準(zhǔn)確、更為全面的圖像描述,使 融合后的圖像更符合人或機(jī)器的視覺特性,以利于對該圖像的進(jìn)一步分析、理解以及目 標(biāo)的檢測、識別或跟蹤。與由單一傳感器獲得的圖像相比,可以提高分辨率、靈敏度、 作用距離、測量精度、抗干擾能力等,減少對場景中目標(biāo)感知的不完全性、不確定性以 及誤差。其中,針對SAR與多光譜的圖像融合可以得到地物的多層次信息,進(jìn)一步提高 某些地物的分類精度。多傳感器圖像融合技術(shù)最早是被應(yīng)用于遙感圖像的分析和處理中。1979年, Dally等人首先把雷達(dá)圖像和Landsat-MSS圖像的復(fù)合圖像應(yīng)用于地質(zhì)解釋,其處理過程 可以看作是最簡單的圖像融合。1981年,Laner和Todd進(jìn)行了 Landsat-RBV和MSS圖 像數(shù)據(jù)的融合試驗。到80年代中后期,圖像融合技術(shù)開始引起人們的關(guān)注,陸續(xù)有人將 圖像融合技術(shù)應(yīng)用于遙感多譜圖像的分析和處理。90年代以后,隨著多顆遙感雷達(dá)衛(wèi)星 JERS-U ERS-U Radarsat等的發(fā)射升空,圖像融合技術(shù)成為遙感圖像處理和分析中的 研究熱點之一。到80年末,人們才開始將圖像融合技術(shù)應(yīng)用于一般圖像處理(可見光圖 像、紅外圖像等)。90年代后,圖像融合技術(shù)的研究呈不斷上升趨勢,應(yīng)用的領(lǐng)域也遍 及遙感圖像處理、可見光圖像處理、紅外圖像處理、醫(yī)學(xué)圖像處理等。尤其是近幾年, 多傳感器圖像融合技術(shù)已成為計算機(jī)視覺、自動目標(biāo)識別、機(jī)器人等領(lǐng)域的熱點研究問 題。遙感圖像分類就是把圖像中的每個像元或區(qū)域劃歸為若干個類別中的一種,分類過程就是模式識別。遙感圖像分類主要任務(wù)是利用計算機(jī)通過對遙感圖像中各類地物 的光譜信息和空間信息進(jìn)行分析、選擇特征,并用一定的手段將特征空間劃分為互不重 疊的子空間,然后將影像內(nèi)各個像元劃分到各個子空間中去,從而實現(xiàn)分類。遙感圖像 分類中的特征就是能夠反映地物光譜信息,并可用于遙感圖像分類處理的變量,如多波 段圖像的各個波段都可以作為特征,多波段圖像比值處理或線性變換結(jié)果也可以作為分 類的特征。由特征變量組成的高維空間就是特征空間。按照地物分類時是否需要訓(xùn)練樣本,可以大致分為兩類有監(jiān)督分類和無監(jiān)督 分類。有監(jiān)督分類是在已知類別的訓(xùn)練場地上提取各類別訓(xùn)練樣本,通過選擇特征變 量,確定判別函數(shù)或判別式,進(jìn)而把圖像中的各個像元點規(guī)劃到各個給定的類別中去, 有監(jiān)督分類首先給定類別。無監(jiān)督分類是在沒有先驗類別知識的情況下,根據(jù)圖像本身 的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類方法。不需要訓(xùn)練樣本,沒 有使用任何關(guān)于數(shù)據(jù)的先驗信息,所以分類效果通常較差,而且無法給出數(shù)據(jù)類別的含 義,往往被用于遙感圖像分類中的預(yù)分類,但是在不能準(zhǔn)確獲得數(shù)據(jù)概率分布的場合, 非監(jiān)督的分類方法仍然存在大量的應(yīng)用。以下簡要介紹無監(jiān)督分類和有監(jiān)督分類。遙感 圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照條件下,應(yīng)當(dāng)具有相同或相 近的光譜特征,從而表現(xiàn)出某種內(nèi)在的相似性,歸屬于同一個光譜空間區(qū)域;不同的地 物,光譜信息特征不同,歸屬于不同的光譜空間區(qū)域。這是無監(jiān)督分類的理論依據(jù)。常 用的無監(jiān)督分類方法有多級切割法,也稱為平行六面體法,以像元的特征曲線的類似 進(jìn)行分類;聚類法,也稱為等級分類或集群分析,把特征相似的數(shù)據(jù)作為類似的樣本進(jìn) 行聚類,是較為常用的統(tǒng)計分析方法,如K-均值法和ISODATA法。而目前針對多信源 的數(shù)據(jù)融合過程中難于建立統(tǒng)一的數(shù)據(jù)分布模型,缺少能有效的分析不同信源的聯(lián)合特 性的合適方法。
發(fā)明內(nèi)容
本發(fā)明為了解決現(xiàn)有多信源數(shù)據(jù)融合過程難以建立統(tǒng)一的數(shù)據(jù)分布模型,缺少 能有效的分析不同信源的聯(lián)合特性的合適方法的問題,而提出的基于分布變換的多傳感 器圖像融合方法?;诜植甲儞Q的多傳感器圖像融合方法,它由以下幾個步驟實現(xiàn)步驟一將準(zhǔn)備融合的合成孔徑雷達(dá)圖像和多光譜圖像文件分別進(jìn)行數(shù)據(jù)格式 轉(zhuǎn)換,使各個待融合圖像的灰度值轉(zhuǎn)換為相應(yīng)的向量形式;步驟二 對各個轉(zhuǎn)換后的待融合圖像數(shù)據(jù)進(jìn)行特性分析,并分別建立合成孔徑 雷達(dá)圖像的PDF模型和多光譜圖像的PDF模型;步驟三應(yīng)用分布變換理論,根據(jù)多信源之間的相關(guān)性,建立多源數(shù)據(jù)的聯(lián)合 概率密度函數(shù)模型;步驟四根據(jù)步驟三得到的聯(lián)合概率密度模型中的尺度參數(shù)及形狀參數(shù)進(jìn)行估 計運(yùn)算;步驟五將步驟四得到的各參數(shù)代入步驟三的聯(lián)合概率密度模型中得到數(shù)據(jù)融 合結(jié)果,通過貝葉斯準(zhǔn)則進(jìn)行分類計算;設(shè)定類別ke{l,K,K},定義多變量概率密 度函數(shù)fk(x)描述類別k中的樣本矢量χ的概率密度分布,定義21表示像素i的類別,基于貝葉斯準(zhǔn)則的分類判別函數(shù)為
權(quán)利要求
1.基于分布變換的多傳感器圖像融合方法,其特征在于它由以下幾個步驟實現(xiàn) 步驟一將準(zhǔn)備融合的合成孔徑雷達(dá)圖像和多光譜圖像文件分別進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換,使各個待融合圖像的灰度值轉(zhuǎn)換為相應(yīng)的向量形式;步驟二對各個轉(zhuǎn)換后的待融合圖像數(shù)據(jù)進(jìn)行特性分析,并分別建立合成孔徑雷達(dá) 圖像的PDF模型和多光譜圖像的PDF模型;步驟三應(yīng)用分布變換理論,根據(jù)多信源之間的相關(guān)性,建立多源數(shù)據(jù)的聯(lián)合概率 密度函數(shù)模型;步驟四根據(jù)步驟三得到的聯(lián)合概率密度模型中的尺度參數(shù)及形狀參數(shù)進(jìn)行估計運(yùn)算;步驟五將步驟四得到的各參數(shù)代入步驟三的聯(lián)合概率密度模型中得到數(shù)據(jù)融合結(jié) 果,通過貝葉斯準(zhǔn)則進(jìn)行分類計算;設(shè)定類別ke{l,K,K},定義多變量概率密度函 數(shù)fk(x)描述類別k中的樣本矢量χ的概率密度分布,定義21表示像素i的類別,基于貝葉斯準(zhǔn)則的分類判別函數(shù)為^ = argmax, (χ),式中參數(shù)η k表示像素i屬于種類k的先驗概率;步驟六對步驟五中針對訓(xùn)練集中樣本數(shù)目不足及誤差超出預(yù)定誤差值的類別進(jìn)行 整體改進(jìn),采用補(bǔ)償算法進(jìn)行補(bǔ)償計算;所述補(bǔ)償算法采用Adaboost算法;它由如下步 驟完成步驟 A :給定訓(xùn)練集(Xl,Yl),K,(xm, ym),其中 X1 e X,Yl e γ = {1,K,k};帶有角標(biāo)的χ代表訓(xùn)練集中的m個樣本矢量,y代表樣本矢量的類別標(biāo)號; 步驟B:初始化Dt (i) = 1/m;步驟C:循環(huán)Fort=I, K,Τ; T代表循環(huán)次數(shù),循環(huán)執(zhí)行步驟D到步驟H; 步驟D:利用權(quán)值Dt (i)訓(xùn)練弱學(xué)習(xí)算法; 步驟Ε:得到弱假設(shè)ht: XXY- [O, 1];步驟 F 計算 ht 的誤差
2.根據(jù)權(quán)利要求1所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟二 中合成孔徑雷達(dá)圖像的PDF模型采用瑞利_指數(shù)模型;設(shè)定數(shù)據(jù)強(qiáng)度ν服從指數(shù)分布, 幅度r服從瑞利分布,其概率密度函數(shù)為
3.根據(jù)權(quán)利要求1所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟二 中合成孔徑雷達(dá)圖像的PDF模型采用瑞利_指數(shù)模型;設(shè)定數(shù)據(jù)強(qiáng)度分布服從Gamma分 布,概率密度函數(shù)為
4.根據(jù)權(quán)利要求1所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟二 中合成孔徑雷達(dá)圖像的PDF模型采用K分布模型;設(shè)定數(shù)據(jù)強(qiáng)度服從K分布,概率密度 函數(shù)為
5.根據(jù)權(quán)利要求1所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟二 中合成孔徑雷達(dá)圖像的PDF模型采用兩種經(jīng)典分布模型;韋伯分布概率密度函數(shù)為
6.根據(jù)權(quán)利要求1所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟二 中合成孔徑雷達(dá)圖像的PDF模型采用非參數(shù)核密度估計模型;分布密度函數(shù)f(x)的核密 度為
7.根據(jù)權(quán)利要求2、3、4、5或6所述的基于分布變換的多傳感器圖像融合方法,其 特征在于步驟二中多光譜圖像的PDF模型為
8.根據(jù)權(quán)利要求7所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟三 中建立多源數(shù)據(jù)的聯(lián)合概率密度函數(shù)模型由如下步驟實現(xiàn);參數(shù)χ代表訓(xùn)練集中的樣本 矢量,參數(shù)y代表變換分布中的變量;a、設(shè)P幅圖像的像素合成矢量χ=(Xl,K,xp),其中參數(shù)、的邊緣概率密度為S, 累計分布函數(shù)為(V參數(shù)、是@分布的特征參量,定義y(x; Y) = (Yl(Xl ; Y1),… yp (xp; ΥΡ))Τ,其中Y = (Y1, - Yp),并設(shè)%均服從標(biāo)準(zhǔn)高斯分布;b、正變換由χ 到 y 的變換為y」=Yj (Xj ; Yj) = Φ(G^xj ; Yj));C、通過相關(guān)矩陣C得到y(tǒng)聯(lián)合概率密度函數(shù)為= ^——J7r ;
9.根據(jù)權(quán)利要求8所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟四 中的聯(lián)合概率密度模型中的尺度參數(shù)及形狀參數(shù)的估計運(yùn)算采用基于最大似然準(zhǔn)則的ML 法;基于分布變換的聯(lián)合概率密度公式,可得對數(shù)似然函數(shù)為
10.根據(jù)權(quán)利要求8所述的基于分布變換的多傳感器圖像融合方法,其特征在于步驟 四中的聯(lián)合概率密度模型中的尺度參數(shù)及形狀參數(shù)的估計運(yùn)算采用估計方程法設(shè)定P個 圖像元素不相關(guān);將特征參數(shù)矩陣Y和相關(guān)矩陣C分別估計,對于Meta-Gaussian分布,設(shè)θ = (γ,C),則估計值可通過如下方程計算
全文摘要
基于分布變換的多傳感器圖像融合方法,它涉及多傳感器圖像融合方法。它為解決現(xiàn)有多信源數(shù)據(jù)融合過程難以建立統(tǒng)一的數(shù)據(jù)分布模型,缺少能有效的分析不同信源的聯(lián)合特性的合適方法的問題而提出。它由以下幾個步驟實現(xiàn)1.數(shù)據(jù)格式轉(zhuǎn)換,使待融合圖像的灰度值轉(zhuǎn)換為向量形式;2.圖像數(shù)據(jù)特性分析,建立PDF模型;3.建立多源數(shù)據(jù)的聯(lián)合概率密度函數(shù)模型;4.估計運(yùn)算;5.基于分布變換的數(shù)據(jù)融合結(jié)果,通過貝葉斯準(zhǔn)則進(jìn)行分類計算;6.個別分類精度較低的計算結(jié)果,采用補(bǔ)償算法進(jìn)行補(bǔ)償計算;它在多信源數(shù)據(jù)融合過程建立了統(tǒng)一的數(shù)據(jù)分布模型,有效的分析不同信源的聯(lián)合特性并進(jìn)行融合。
文檔編號G06T5/50GK102013095SQ20101058067
公開日2011年4月13日 申請日期2010年12月9日 優(yōu)先權(quán)日2010年12月9日
發(fā)明者孫毓, 張曄, 張鈞萍, 趙宏磊 申請人:哈爾濱工業(yè)大學(xué)