基于PCA变换与小波变换的多源图像融合算法.pdfVIP

第 】2卷 第 2期 重庆科技学院学报 自然科学版 2010年4月 基于 PCA变换与小波变换的多源图像融合算法 陈 丹 华 东交通大学，南昌330013 摘 要 ：在多尺度分解的框架下 ，针对像素级的多源图像融合 ，提 出一种基于PCA变换与小波变换 的图像融合算法 。 首先将低分辨率的多光谱 图像进行主分量变换，得到各主分量 ；然后将高分辨率 图像 的信息与第一主分量进行融 合 ，得到新的融合 了高分辨率图像信息的第一主分量 ；最后新的第一主分量与其他主分量进行反变换，得到一幅具 有高空间分辨率的多光谱 图像。 关键词 ：PCA变换 ；小波变换：图像融合 中图分类号 ：TP301 文献标识码 ：A 文章编号 ：1673—1980 2010 02一O156—03 图像融合指根据某种算法 ．对从不 同传感器得 的思想运用到多传感器融合 的，是 ChavezPSE等 到的图像进行综合处理 ，得到一幅新 的满足某种要 人提 出的，他们将 LandsatTM 与 SPOTPAN进行 求 的图像。融合后 的图像应该 比原图像更加清晰， 融合 。且效果 良好 。在用PCA 5~成分分析1融合方法 易于分辨 ，可用于图像锐化 、图像分割 、目标识别等 。 E3 对低分辨率多光谱图像与高分辨率图像进行融 多源图像的融合有 IHS变换融合算法 、PCA变换融 合时，首先对低分辨率多光谱图像进行 PCA变换 ， 合算法 、高通滤波 HPF 融合算法与小波变换融合算 获得其成分变量 ；然后 ，对高分辨率图像进行线性拉 法等。其 中PCA算法提高 了多频道图像如 低分辨 伸，使之与低分辨率多光谱图像第一主成分分量具 率图多光谱 图像 的空间分辨率。但PCA主成分 包 有相同的均值与方差：最后 ，用拉伸后图像替换第一 含了多光谱波段的大多数信息1的信息量比较高，用 主成分 ，再通过 PCA反变换 回到 RGB空间，即得到 全色波段影像的灰度值替代 PCA，再进行反变换得 最终的融合结果图像 。 到的增强后的多光谱波段影像 ，其信息量易受到损 1．2 小波变换融合方法 失。与传统的数据融合方法相 比，小波变换融合具 小波变换可将图像分解为不同频道上的近似信 有多分辨率的特性 ，是一类很重要 的融合算法。小 号和多分辨率层的细节信号，使其能充分反映原始图 波变换融合虽然能使融合图像在获得高空间分辨率 像的局部变化特征，从而为图像数据融合提供了有利 的同时，较好地保持原始光谱信息，但由于舍弃 了高 条件 。通过小波变换可将图像分解为一个低频分量 分辨率图像的低频分量 ，故很容易出现分块效应 。 和一系列的高频分量 ，其中低频分量为近似图像 ，而 笔者在此提 出一种基于PCA变换与小波变换 的多 图像 的显著细节特征 ，如边缘 、亮线 、区域边界等则 源图像融合算法 ，并给出了图像融合结果的定性评 分布在高频分量中，其小波系数绝对值的大小反映 价和定量评价。该算法能得到较好的融合效果。 变化的剧烈程度。基于这些图像的表征．就可以选择 不同的融合算法在对应分辨率下进行融合。基于上 1 基于PCA变换与小波变换的图像融合方法 述原理 ．应用融合对象为低分辨率图像和高分辨率 1．1 主成分分析 PCA 法 图像 ，可得到最基本的小波变换模型。步骤如下 ： 1 PCA PrincipalComponentAnalysis 变换也 叫主 首先把配准的低分辨率图像和高分辨率图像分别进 分量分析、K—L变换 ，是统计特征基础上的多维正 行小波变换 ．获得各 自的低频 图像和细节纹理图像 ； 交线性变换 。PCA变换广泛应用于图像压缩 、随机 2 用高分辨率图像的高频分量替代低分辨率图像的 噪声信号的去除以及图像旋转等。最早将 PCA变换 高频分量 。对替换后的高频分量和低分辨率图像的 收稿 日期 ：2009—09—08 作者简介 ：陈丹 1981一 ，女，江西抚州人，讲师，硕士，主要从事计算机图像处理教学研究工作 。 · 156· 陈丹：基于PCA变换与小波变换的多源图像 融合算法 低频分量进行小波逆变换 ，得到融合结果。 如何利用小波变换方法以-,…tt4I融合的第一主分量户 1．3 新的融合方法 是问题的关键 。新融合方法的具体步骤如图1所示。 新的融合方法基于PCA变换与小波变换。在遥 感影像融合 中，小波变换法和PCA法具有很强的互 补性 ： 1 低分解层数的小波变换法能有效地保留图 像融合前后的光谱特性，但增强后多光谱图像 的空 间细节表现能力较差，容易出现地物纹理模糊 。 2 PCA法对 图像细节的提高较为直接，却容易丢失其 物理特征，影响视觉效果。但在小波变换域中使用 PCA法，小波重构可平滑