一種面向資源開采型地區(qū)的遙感影像融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種遙感圖像的融合方法。
【背景技術(shù)】
[0002] 遙感是W不同空間、時(shí)間、波譜、福射分辨率提供電磁波譜不同譜段的數(shù)據(jù)。由于 成像原理不同和技術(shù)條件的限制，任何一個(gè)單一的傳感器的遙感數(shù)據(jù)都不能全面的反映目 標(biāo)對(duì)象的特征，也就是都有一定的應(yīng)用范圍和局限性。各類非遙感的數(shù)據(jù)也有它自身的特 點(diǎn)和局限性，倘若將多種不同特征的數(shù)據(jù)結(jié)合起來，相互取長補(bǔ)短，便可W發(fā)揮各自的優(yōu) 勢，彌補(bǔ)各自不足，可W更全面地反映地面目標(biāo)，提供更強(qiáng)的信息解譯能力和更可靠的分級(jí) 結(jié)果，那么該種過程我們就稱其為"遙感融合"。圖像數(shù)據(jù)融合是一個(gè)對(duì)多遙感器的圖像數(shù) 據(jù)和其它信息的處理過程。它著重于把那些在空間上或者時(shí)間上冗余或互補(bǔ)的多源數(shù)據(jù)， 按照一定的規(guī)則進(jìn)行運(yùn)算處理，獲得比任意單一數(shù)據(jù)更精確、更豐富的信息，生成一幅具有 新的空間、波譜和時(shí)間特征的合成圖像。它不僅僅是數(shù)據(jù)間的簡單復(fù)合，更強(qiáng)調(diào)信息的優(yōu) 化，W突出有用的專題信息，消除或抑制無關(guān)的信息，改善目標(biāo)識(shí)別的圖像環(huán)境，從而增強(qiáng) 解譯的可靠性，減少模糊性（即多義性、不安全性、不確定性和誤差），改善分類，擴(kuò)大應(yīng)用 范圍和效果。
[0003] 遙感影像融合目前可分為=個(gè)層次，即像素級(jí)（Pixel-level fusion)、特征級(jí) (Fea1:ure-level fusion)、決策級(jí)值ecision-level fusion)。像素級(jí)影像融合通過直接對(duì) 各幅遙感影像對(duì)應(yīng)的像素值進(jìn)行融合，保持了原有圖像的真實(shí)感。特征級(jí)影像融合是通過 對(duì)多源影像的特征值進(jìn)行融合，能夠最大限度地為決策支持服務(wù)提供信息。所謂決策級(jí)融 合，顧名思義是為決策支持提供服務(wù)，是在圖像理解W及識(shí)別基礎(chǔ)上的融合。影像融合的= 個(gè)層次之間并不是毫不相關(guān)的，它們可W分別在不同層次上進(jìn)行融合，也可W根據(jù)實(shí)際需 要在多層次上進(jìn)行。目前常用的像素級(jí)的融合方法有HIS變換法、PCA(主成分）變換法、 Brovey (比值）變換法、WT (小波變換）法。
[0004] HIS方法是將多光譜影像從RGB空間轉(zhuǎn)化為HIS空間，用全色波段替換I分量來進(jìn) 行融合，因I分量中包含了部分光譜信息而容易造成光譜扭曲；PCA方法通過高空間分辨率 的全色波段替換多光譜影像經(jīng)過K-L變換后的第一主成分實(shí)現(xiàn)融合，由于第一主成分集中 了大部分光譜信息，因此逆變換恢復(fù)多光譜圖像會(huì)引起光譜信息的丟失；HPF方法通過高 通濾波器濾除掉高空間分辨率全色波段的光譜信息，將其添加到多光譜圖像中，完整的保 留了源圖像的光譜信息，但是由于濾掉了高頻信息，造成了部分地物紋理結(jié)構(gòu)的損失。傳統(tǒng) 意義上使用小波變換的融合算法會(huì)舍棄掉高分辨率影像的低頻信息，僅僅使用高頻信息來 突出圖像的邊緣特征，該會(huì)導(dǎo)致信息的極大浪費(fèi)，另外由于正交分解算法也會(huì)使得融合后 的影像產(chǎn)生邊緣效應(yīng)。為了盡最大限度的保留多光譜和細(xì)節(jié)信息，人們常常將多分辨率分 析與上述幾種經(jīng)典方法結(jié)合，即HIS方法中的I分量或者PC1組分與全色波段圖像進(jìn)行多 分辨率分解與融合，然后由逆變換得到結(jié)果圖像。
[0005] 對(duì)遙感影像的質(zhì)量評(píng)價(jià)不僅在校檢遙感器時(shí)具有重要的指導(dǎo)意義，而且提供一種 監(jiān)控手段用于影像的獲取和處理。圖像融合中的一個(gè)關(guān)鍵步驟是如何評(píng)價(jià)和分析融合算法 的性能和結(jié)果，融合效果的好壞，找出一種通用的融合算法W及相應(yīng)的評(píng)價(jià)指標(biāo)。在遙感影 像的質(zhì)量評(píng)價(jià)方面，一般評(píng)判融合圖像的質(zhì)量是在多種統(tǒng)計(jì)分析方法的基礎(chǔ)上進(jìn)行，目前 還沒有形成一套完整的、系統(tǒng)的定量化的評(píng)估理論；在對(duì)遙感影像融合效果的評(píng)價(jià)方面還 存在著一些問題需要解決。很多方法對(duì)融合效果評(píng)估時(shí)僅通過某些單一指標(biāo)來進(jìn)行，且該 些指標(biāo)僅僅對(duì)影像的同一性質(zhì)進(jìn)行的評(píng)價(jià)，或者得出的結(jié)論相互矛盾，不具有參考性。目 前，對(duì)融合后的影像進(jìn)行質(zhì)量評(píng)價(jià)時(shí)，主要包括兩種方法；一類是主觀評(píng)價(jià)方法，直接對(duì)處 理前后的圖像做出評(píng)價(jià)，便于操作、簡單方便，但具有一定的主觀隨意性，精度不高；另一類 是客觀評(píng)價(jià)方法，主要利用融合前后圖像所包含的信息量、平均梯度、相對(duì)偏差W及相關(guān)系 數(shù)等幾方面進(jìn)行客觀的評(píng)價(jià)。
[0006] 影像融合過程中的關(guān)鍵是確定融合成分的權(quán)重，即確定融合規(guī)則，研究人員根據(jù) 兩幅影像的主要特征提出了大量新的融合規(guī)則，克服了對(duì)應(yīng)元素直接替代引起的缺陷。本 發(fā)明是在HIS-WT方法及前人提出的融合規(guī)則的基礎(chǔ)上，綜合考慮兩幅影像上地物的實(shí)際 特征和客觀評(píng)價(jià)結(jié)果，通過對(duì)評(píng)價(jià)參數(shù)進(jìn)行主成分分析，分別賦予要素不同的權(quán)重，從而發(fā) 明一種適應(yīng)區(qū)域特征的動(dòng)態(tài)加權(quán)融合方法。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的之一是提供一種能夠突出地物邊緣特征、融合效果更好、客觀評(píng)價(jià) 更好的遙感融合方法。
[000引本發(fā)明的目的之二在于提供上述方法的使用步驟。
[0009] 本發(fā)明的目的可化圍過W下措施達(dá)到：
[0010] 紋理通常被認(rèn)為是在局部窗口內(nèi)，影響灰度級(jí)之間的空間分布及空間相互關(guān)系， 是由某個(gè)區(qū)域中多個(gè)像素來表征的，該些像素之間具有較強(qiáng)的相關(guān)性，不是孤立存在的?；?度共生矩陣成為最常見和廣泛應(yīng)用的一種紋理統(tǒng)計(jì)分析方法，它通過用影像灰度級(jí)之間聯(lián) 合條件概率密度p(i，j/d，0)來表示計(jì)算紋理，Haralick提出了 14中紋理特征。通過參 數(shù)模板、統(tǒng)計(jì)分析、模式相關(guān)等方法提取地物特征，與多光譜圖像進(jìn)行融合，可W有效的改 善融合質(zhì)量。.劉成云等2011年提出了一種區(qū)域特征動(dòng)態(tài)加權(quán)的HIS小波遙感影像融合算 法，本發(fā)明在此方法的基礎(chǔ)上，對(duì)特征向量進(jìn)行主成分分析，提取第一和第二主成分進(jìn)行特 征加權(quán)。
[0011] 設(shè)有待融合的圖像A和B。A為高分辨率圖像，B為多光譜圖像。首先通過從B中 選擇相關(guān)性最小的=個(gè)波段進(jìn)行HIS變換，獲取多光譜影像中I分量，記為町。對(duì)上述融合 兩種組分分別進(jìn)行小波變換，得到低頻小波系數(shù)Sa(2^x，y)、Sm(2^x，y)和高頻小波系數(shù) W\ (2J ;x，y)、WKm(2J ;x，y)，其中，J為小波分解的層數(shù)，為避免分塊效應(yīng)，文中J取2 ;K = 1、2、3表示小波分解的水平、垂直和對(duì)角線方向。
[0012] 本發(fā)明對(duì)于低頻和高頻系數(shù)分別使用不同的融合規(guī)則進(jìn)行處理。
[0013] 由于低頻系數(shù)代表影像的背景值，信息量大，對(duì)于低頻系數(shù)采用加權(quán)融合準(zhǔn)則，融 合準(zhǔn)則如下：
[0014] Sa(2了，X，y) = ki XSa(2了，X，y) +k2 XSbi(2了，X，y)
[001引其中；ki表示小波系數(shù)Sa性;x，y)的權(quán)重，k2表示Sbi性;x，y)的權(quán)重值。對(duì)于高 頻部分，采用區(qū)域特征自適應(yīng)加權(quán)的融合準(zhǔn)則，融合準(zhǔn)則如下：
[001 糾 (2J，a-，.v) = b X 巧片，如')+ X 巧(2J，a-，.v)
[0017] 其中；ki表示小波系數(shù)W/巧，x，y)的自適應(yīng)權(quán)重值，k2表示W(wǎng)b/巧，x，y)的自適 應(yīng)權(quán)重值，其定義如下：
[001 引k、=P(f:;) / +P(f；；)lk: = \-k、
[0019] 其中，P也n)為圖像A像元的特征向量中的第一主成分；P咕n)為圖像B像元的特 征向量中的第1主成分，融合過程中，首先從最低層進(jìn)行融合，分別對(duì)低頻和高頻系數(shù)利用 上述算法處理W后進(jìn)行重構(gòu)，形成上一層的低頻系數(shù)，然后接著處理上一層的低頻和高頻 系數(shù)，直至完成融合。
[0020] 為了確保紋理描述特征的代表性和典型性，本發(fā)明選取了區(qū)域能量、信息滴、平均 梯度、標(biāo)準(zhǔn)差、均值等5個(gè)特征來構(gòu)造特征向量，首先建立一個(gè)3X3的滑動(dòng)網(wǎng)格，利用網(wǎng)格 對(duì)兩幅圖像進(jìn)行濾波，依次計(jì)算每個(gè)區(qū)域上5個(gè)特征值，形成特征向量，并對(duì)特征向量進(jìn)行 歸一化。其次，對(duì)特征向量進(jìn)行主成分分析，提取第一主成分，生成融合影像的權(quán)重。融合 結(jié)果采用均值、標(biāo)準(zhǔn)差、信息滴、清晰度和偏差度五種客觀評(píng)價(jià)指數(shù)來進(jìn)行評(píng)價(jià)，均值反映 了圖像的平均亮度，如果均值適中，則圖像結(jié)果較好，標(biāo)準(zhǔn)差反映了灰度值相對(duì)于均值的偏 離程度，標(biāo)準(zhǔn)差越大，表明灰度值分布較為分散，因此，信息量較大。信息滴是用灰度值的概 率與其對(duì)數(shù)化后的乘積進(jìn)行計(jì)算的，因此，概率密度函數(shù)分布越均勻，信息滴就會(huì)越大，也 反映了信息量的大小。清晰度采用梯度法進(jìn)行計(jì)算，清晰度越大，那么圖像的清晰度越高。 偏差指數(shù)是用來比較融合圖像與低分辨率圖像的偏差程度。
[0021] 本發(fā)明是申請(qǐng)者經(jīng)多次實(shí)地考察和大量樣品采集，W及數(shù)次科學(xué)實(shí)驗(yàn)而成，具有 科學(xué)性和實(shí)用性，可W作為目前成熟的遙感融合方法一種補(bǔ)充，并與購買和使用高分?jǐn)?shù)據(jù) 相比，具有良好的經(jīng)濟(jì)效益和社會(huì)效益。
【具體實(shí)施方式】
[0022] 下面是根據(jù)實(shí)施實(shí)例具體說明本發(fā)明。
[0023] 1、對(duì)數(shù)據(jù)A和數(shù)據(jù)B進(jìn)行小波變換，分別獲取S層高頻和低頻小波系數(shù)；
[0024] 2、利用3X3的格網(wǎng)對(duì)上一步驟得到的小波系數(shù)進(jìn)行濾波，計(jì)算每個(gè)像元的均值、 標(biāo)準(zhǔn)差、信息滴、清晰度和偏差度等指標(biāo)，形成特征向量矩陣；
[0025] 3、對(duì)上述特征向量矩陣進(jìn)行主成分分析，獲取每個(gè)像元的第一主成分，形成主成 分像元圖；
[0026] 4、W每個(gè)像元的主成分為權(quán)重，分別對(duì)高頻分量和低頻分量進(jìn)行融合
[0027] 5、采用質(zhì)量評(píng)價(jià)方法進(jìn)行評(píng)價(jià)。
[0028] 選取某礦產(chǎn)資源區(qū)域的TM影像，截取紋理和特征信息豐富的區(qū)域，對(duì)多光譜圖像 與全波段圖像進(jìn)行融合。
[0029] 表1融合影像的評(píng)價(jià)結(jié)果
[0030]
[0031] 融合評(píng)價(jià)參數(shù)見表1，PC算法的偏差指數(shù)最大，本算法的偏差指數(shù)最??；HIS算法 的清晰度指數(shù)最大，PC算法的清晰度指數(shù)最小；本算法標(biāo)準(zhǔn)差和信息滴最大，均值適中。綜 合而言，本算法可W有效增強(qiáng)圖像的細(xì)節(jié)信息，改善融合后的光譜和空間分辨率。
【主權(quán)項(xiàng)】
1.利用3X3的格網(wǎng)對(duì)上一步驟得到的小波系數(shù)進(jìn)行濾波，計(jì)算每個(gè)像元的均值、標(biāo)準(zhǔn) 差、信息熵、清晰度和偏差度等指標(biāo)，形成特征向量矩陣； 對(duì)上述特征向量矩陣進(jìn)行主成分分析，獲取每個(gè)像元的第一主成分，形成主成分像元 圖； 以每個(gè)像元的主成分為權(quán)重，分別對(duì)高頻分量和低頻分量進(jìn)行融合。
【專利摘要】本發(fā)明涉及一種遙感圖像的融合方法，根據(jù)多光譜和全波段影像的紋理特征和實(shí)際情況，分別選取一定的紋理描述算子形成特征向量，提取局部紋理特征，主要操作步驟如下：1、對(duì)數(shù)據(jù)A和數(shù)據(jù)B進(jìn)行小波變換，分別獲取三層高頻和低頻小波系數(shù)；2、利用3×3的格網(wǎng)對(duì)上一步驟得到的小波系數(shù)進(jìn)行濾波，計(jì)算每個(gè)像元的均值、標(biāo)準(zhǔn)差、信息熵、清晰度和偏差度等指標(biāo)，形成特征向量矩陣；3、對(duì)上述特征向量矩陣進(jìn)行主成分分析，獲取每個(gè)像元的第一主成分，形成主成分像元圖；4、以每個(gè)像元的主成分為權(quán)重，分別對(duì)高頻分量和低頻分量進(jìn)行融合；5、采用質(zhì)量評(píng)價(jià)方法進(jìn)行評(píng)價(jià)。
【IPC分類】G06K9/62
【公開號(hào)】CN104951800
【申請(qǐng)?zhí)枴緾N201510328517
【發(fā)明人】高歆
【申請(qǐng)人】許昌學(xué)院
【公開日】2015年9月30日
【申請(qǐng)日】2015年6月15日