一種光學遙感圖像分解算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于遙感圖像處理領(lǐng)域，具體涉及一種光學遙感圖像分解算法。
【背景技術(shù)】
[0002]目前，在遙感領(lǐng)域為了更準確的獲得地表物質(zhì)成分空間分布的特征，經(jīng)常采用地形校正的方法來消除地形的影響。為此，利用小波多分辨分析方法來研究遙感圖像上不同尺度目標的特征已成為一種公認的思想，實現(xiàn)的方法是利用小波函數(shù)將原始圖像分解為不同尺度的子圖，然后利用子圖進行不同尺度特征的目標分類和識別。但是，如何確定分解的級別是一個難題?，F(xiàn)行圖像分解算法通常利用不同級別分解結(jié)果，經(jīng)過與實際特征相對比的試驗來確定。這種方法主要是經(jīng)驗性的，不僅費時，而且缺少理論依據(jù)，難以推廣。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的是針對現(xiàn)有技術(shù)缺陷，提供一種光學遙感圖像分解算法。
[0004]本發(fā)明是這樣實現(xiàn)的:一種光學遙感圖像分解算法，包括下述步驟:
[0005]步驟一:數(shù)據(jù)讀取
[0006]讀取存儲的原始圖像數(shù)據(jù)，讀取出的圖像為灰度值，即本步驟得到的數(shù)據(jù)為三維數(shù)組，其中兩維是圖像的橫縱坐標，第三維是坐標對應的灰度值，本步驟得到的結(jié)果用(X，y，F(xiàn) (X, y))表示,其中X, y分別為圖像的橫縱坐標，F(xiàn) (x, y)為點(x, y)的灰度值，
[0007]步驟二:對數(shù)變換
[0008]對F (X，y)取對數(shù)，即 f (X, y)=lg(F(x, y))，
[0009]本步驟得到的結(jié)果用(X, y, f (X, y))表示,在后續(xù)表示中也用f表示f (X, y)構(gòu)成的圖像的集合，
[0010]步驟三:小波分解
[0011]對步驟二得到的灰度值用Mallat算法進行離散小波變換，小波基為哈爾小波，
[0012]本步驟對f進行分解，得到小波變換系數(shù){Lt，Hp, J，Lt表示尺度t下圖像f的低頻子圖像,Hp，t表示在尺度t下P方向的高頻子圖像,這里p=l,2,3,p=l表示水平方向，p=2表示垂直方向，P=3表示對角方向，
[0013]步驟四:逆變換
[0014]用零取代{Hp，J，與低頻子圖Lt進行小波逆變換，得到圖像f空間域的低頻圖像Li,在第一次計算時i=t，Li表示i尺度下的空間域的低頻圖像，在后續(xù)迭代計算中i的值根據(jù)后續(xù)步驟確定，在后續(xù)步驟中將Li圖像作為待判斷圖像U，
[0015]步驟五:分形計算
[0016]用Matlab的Fraclab模塊讀入低頻圖像Ltl和DEM,并用盒計維數(shù)工具計算,在保證互相關(guān)系數(shù)等于I的前提下，取連續(xù)五點使得擬合最大誤差與擬合點跨度比最小時的回歸方程計算得到的盒計維數(shù)為所計算的盒計維數(shù)值，分別得到低頻圖像Ltl和DEM的盒計維數(shù)Di和Dd，
[0017]步驟六:循環(huán)判斷
[0018]如果Di ( Dd，執(zhí)行步驟七，否則令i值加I，然后執(zhí)行步驟三小波分解，
[0019]步驟七:最佳尺度判斷
[0020]判斷Di^ — Dt的絕對值和Di — Dd的絕對值的大小，如果Abs (Di — Dd) ( Abs (Di^1 —Dd),最佳分解尺度為i，否則最佳尺度為i_l，最佳尺度附值給Ibest,
[0021]所述的Abs表示絕對值，
[0022]步驟八:圖像生成
[0023]用零取代{Hp，t}，t=l,2,…，Ibest，p=l，2，3，與尺度Ibest下的低頻子圖進行小波逆變換，再進行逆對數(shù)變化得到空間域的低頻圖像——地形子圖，
[0024]用高頻子圖集合{Hp，J，t=l，2，一，Ibest，p=l，2，3與零進行小波逆變換，再進行逆對數(shù)變化得到空間域的高頻圖像——巖性子圖，
[0025]輸出代表巖性的高頻子圖和代表地形的低頻子圖。
[0026]如上所述的一種光學遙感圖像分解算法，其中，所述的DEM是與圖像f定義在同一空間域的地表高程圖像，同樣是三維數(shù)組，可以用(X，y, D (X, Y?表示，其中X，y分別為圖像的橫縱坐標，D (X, y)為點(X, y)的高程值。
[0027]使用本發(fā)明的效果是:本發(fā)明首先利用取對數(shù)的運算，把遙感圖像所包含的信息由乘性運算結(jié)果轉(zhuǎn)換成加性運算結(jié)果；然后利用小波函數(shù)對圖像進行分解。為了確定分解級別，通過計算DEM和低頻子圖的分形維數(shù)是否相等(在一定誤差范圍內(nèi))的方法，來判斷最優(yōu)的小波變換尺度，最終把圖像分解為空間域的低頻地形子圖和空間域的高頻的巖性子圖，克服了傳統(tǒng)的圖像分解算法中無準確判別最優(yōu)分解尺度的問題。因此，將分形維數(shù)計算和小波分解相結(jié)合的方法，克服了需要靠經(jīng)驗來判斷小波分解尺度和地形校正效果不明顯的缺點，可以大大提高圖像分解的效果，對于遙感地物識別和遙感數(shù)據(jù)融合有重要的意義和實用價值。該分解算法的思想還可以推廣到其他光學圖象的分解應用之中。
【附圖說明】
[0028]圖1是本發(fā)明方法的基本流程圖；
[0029]圖2是DS礦區(qū)TM圖像小波分解結(jié)果。
【具體實施方式】
[0030]一種光學遙感圖像分解算法，包括下述步驟:
[0031]步驟一:數(shù)據(jù)讀取
[0032]讀取存儲的原始圖像數(shù)據(jù)，讀取出的圖像為灰度值，即本步驟得到的數(shù)據(jù)為三維數(shù)組，其中兩維是圖像的橫縱坐標，第三維是坐標對應的灰度值。本步驟得到的結(jié)果用(X，y，F(xiàn) (X, y))表示,其中X, y分別為圖像的橫縱坐標，F(xiàn) (x, y)為點(x, y)的灰度值。
[0033]步驟二:對數(shù)變換
[0034]對F (X，y)取對數(shù)，即 f (X, y)=lg(F(x, y))。
[0035]本步驟將影響遙感圖像的兩個因素一地物和地形，由乘性運算轉(zhuǎn)換為加性運笪
ο
[0036]本步驟得到的結(jié)果用(X, y, f (X, y))表示,在后續(xù)表示中也用f表示f (X, y)構(gòu)成的圖像的集合。
[0037]步驟三:小波分解
[0038]對步驟二得到的灰度值用Mallat算法進行離散小波變換，小波基為哈爾小波。
[0039]本步驟對f進行分解，得到小波變換系數(shù){Lt，Hp, J，Lt表示尺度t下圖像f的低頻子圖像，Hp，t表示在尺度t下P方向的高頻子圖像。這里p=l, 2, 3, p=l表示水平方向，p=2表示垂直方向，p=3表示對角方向。計算結(jié)果如附圖2所示。
[0040]步驟四:逆變換
[0041]用零取代{Hp，J，與低頻子圖Lt進行小波逆變換，得到圖像f空間域的低頻圖像Litj在第一次計算時i=t，Li表示i尺度下的空間域的低頻圖像，在后續(xù)迭代計算中i的值根據(jù)后續(xù)步驟確定。本申請將Li圖像作為待判斷圖像U。
[0042]步驟五:分形計算
[0043]用Matlab的Fraclab模塊讀入低頻圖像Ltl和DEM,并用盒計維數(shù)工具計算,在保證互相關(guān)系數(shù)等于I的前提下，取連續(xù)五點使得擬合最大誤差與擬合點跨度比最小時的回歸方程計算得到的盒計維數(shù)為所計算的盒計維數(shù)值。分別得到低頻圖像Ltl和DEM的盒計維數(shù)Di和Dd。
[0044]所述的DEM是與圖像f定義在同一空間域的地表高程圖像，同樣是三維數(shù)組，可以用(x,y,D (X, y))表示,其中X, y分別為圖像的橫縱坐標,D (x, y)為點(x, y)的高程值。
[0045]步驟六:循環(huán)判斷
[0046]如果Di ( Dd,執(zhí)行步驟七，否則令i值加1，然后執(zhí)行步驟三小波分解。
[0047]在某次計算中，分解到第5級時，L0的分形維數(shù)為2.16599，小于DEM的分形維數(shù)
2.27822，所以停止于第5級。
[0048]步驟七:最佳尺度判斷
[0049]判斷Di^ — Dt的絕對值和Di — Dd的絕對值的大小，如果Abs (Di — Dd) ( Abs (Di^1 —Dd),最佳分解尺度為i，否則最佳尺度為i_l。最佳尺度附值給Ibest。
[0050]所述的Abs表示絕對值。
[0051]步驟八:圖像生成
[0052]用零取代{Hp，t}，t=l,2，- ,Ibest, p=l, 2，3。與尺度Ibest下的低頻子圖進行小波逆變換，再進行逆對數(shù)變化得到空間域的低頻圖像——地形子圖。
[0053]用高頻子圖集合{Hp，J，t=l，2，一，Ibest，p=l，2，3與零進行小波逆變換，再進行逆對數(shù)變化得到空間域的高頻圖像——巖性子圖。
[0054]輸出代表巖性的高頻子圖和代表地形的低頻子圖。
【主權(quán)項】
1.一種光學遙感圖像分解算法，其特征在于，包括下述步驟: 步驟一:數(shù)據(jù)讀取 讀取存儲的原始圖像數(shù)據(jù)，讀取出的圖像為灰度值，即本步驟得到的數(shù)據(jù)為三維數(shù)組，其中兩維是圖像的橫縱坐標，第三維是坐標對應的灰度值，本步驟得到的結(jié)果用(X，y，F(xiàn)(x，y))表示，其中X，y分別為圖像的橫縱坐標，F(xiàn) (X, y)為點(X, y)的灰度值， 步驟二:對數(shù)變換對 F (X, y)取對數(shù)，即 f(x, y)=lg(F(x, y)), 本步驟得到的結(jié)果用(X，1，f (X，y))表示，在后續(xù)表示中也用f表示f (X，y)構(gòu)成的圖像的集合， 步驟三:小波分解 對步驟二得到的灰度值用Mallat算法進行離散小波變換，小波基為哈爾小波， 本步驟對f進行分解，得到小波變換系數(shù){Lt，Hp，t}，Lt表示尺度t下圖像f的低頻子圖像，Hp，t表示在尺度t下P方向的高頻子圖像,這里p=l, 2, 3,p=l表示水平方向，p=2表示垂直方向，P=3表示對角方向， 步驟四:逆變換 用零取代{HP，J，與低頻子圖Lt進行小波逆變換，得到圖像f空間域的低頻圖像Li，在第一次計算時i=t，Li表示i尺度下的空間域的低頻圖像，在后續(xù)迭代計算中i的值根據(jù)后續(xù)步驟確定，在后續(xù)步驟中將Li圖像作為待判斷圖像U， 步驟五:分形計算 用Matlab的Fraclab模塊讀入低頻圖像Ltl和DEM,并用盒計維數(shù)工具計算,在保證互相關(guān)系數(shù)等于I的前提下，取連續(xù)五點使得擬合最大誤差與擬合點跨度比最小時的回歸方程計算得到的盒計維數(shù)為所計算的盒計維數(shù)值，分別得到低頻圖像Ltl和DEM的盒計維數(shù)Di和Dd， 步驟六:循環(huán)判斷 如果Di ( Dd，執(zhí)行步驟七，否則令i值加I，然后執(zhí)行步驟三小波分解， 步驟七:最佳尺度判斷 判斷Dh — Dt的絕對值和Di — Dd的絕對值的大小，如果Abs (Di — Dd) ( Abs (Di^1 —Dd),最佳分解尺度為i，否則最佳尺度為i_l，最佳尺度附值給Ibest, 所述的Abs表示絕對值， 步驟八:圖像生成 用零取代{Hp，t}，t=l，2，…，Ibest,p=l, 2，3，與尺度Ibest下的低頻子圖進行小波逆變換，再進行逆對數(shù)變化得到空間域的低頻圖像——地形子圖， 用高頻子圖集合{Hp，t}，t=l，2，..., Ibest,p=l, 2，3與零進行小波逆變換，再進行逆對數(shù)變化得到空間域的高頻圖像——巖性子圖， 輸出代表巖性的高頻子圖和代表地形的低頻子圖。
2.如權(quán)利要求1所述的一種光學遙感圖像分解算法，其特征在于:所述的DEM是與圖像f定義在同一空間域的地表高程圖像，同樣是三維數(shù)組，可以用U，y, D (x, y))表示，其中X，Y分別為圖像的橫縱坐標，D (X，y)為點(X，y)的高程值。
【專利摘要】本發(fā)明屬于遙感圖像處理領(lǐng)域，具體涉及一種光學遙感圖像分解算法。它包括：步驟一：數(shù)據(jù)讀?。蛔x取存儲的原始圖像數(shù)據(jù)，步驟二：對數(shù)變換；對F（x，y）取對數(shù)，即f(x，y)=lg(F(x，y))，步驟三：小波分解；進行離散小波變換，小波基為哈爾小波，步驟四：逆變換；用零取代{Hp,t}，與低頻子圖Lt進行小波逆變換，得到圖像f空間域的低頻圖像Li，步驟五：分形計算；步驟六：循環(huán)判斷；如果Di≤Dd，執(zhí)行步驟七，否則令i值加1，然后執(zhí)行步驟三小波分解，步驟七：最佳尺度判斷；步驟八：圖像生成。本發(fā)明的效果是：克服了傳統(tǒng)的圖像分解算法中無準確判別最優(yōu)分解尺度的問題。
【IPC分類】G06T7-00, G06T3-00
【公開號】CN104574346
【申請?zhí)枴緾N201310502774
【發(fā)明人】潘蔚, 李瀚波, 尹力
【申請人】核工業(yè)北京地質(zhì)研究院
【公開日】2015年4月29日
【申請日】2013年10月23日