基于IHS和NSCT变换结合的SAR影像和多光谱影像融合方法.docVIP

基于IHS和NSCT变换结合的SAR影像和多光谱影像融合方法 　　摘要：传感器技术的进步使测绘遥感工程拥有了更多类型的卫星影像可以选择，影像具有各自的几何和光谱特征，融合使用能达到更高的测量精度。文章探究了一条基于IHS变换和NSCT变换的方法融合SAR影像与传统多光谱影像，利用人工鱼群算法进行低频融合，用区域能量特征和投票法进行高频融合，最终在尽量减少损失空间分辨率的情况下获得了更好的光谱信息保持度。 　　关键词：SAR；IHS；NSCT；多光谱影像融合；传感器技术；人工鱼群算法 文献标识码：A 　　中图分类号：TN957 文章编号：1009-2374（2015）06-0024-05 DOI：10.13535/j.cnki.11-4406/n.2015.0440 　　1 概述 　　随着遥感科学的进步，越来越多的传感器被用于地物信息探测。对同一个地区而言，存在多种分辨率、多种波段、多种传感器和多种平台的海量数据。相对于一个地区单一的数据源而言，海量数据具有数据量大、冗余性强、来源众多等特点，各种数据对同一地区的信息表达有大量相同之处。由于不同传感器对地物信息的收集和表达有所差异，影像融合的目的就是根据实际需要，突出感兴趣的信息，对无关信息进行抑制或者去除，从而获得比单一数据源信息量更大，更符合实际需要的新影像。SAR影像与多光谱影像融合，有以下四种较有代表性的融合方式： 　　1.1 IHS变换融合法 　　该方法可以显著提高影像的纹理特性，但多光谱影像的亮度信息被完全舍弃，光谱失真严重。 　　1.2 主分量变换融合法 　　该方法相对IHS变换融合法，对融合后影像的光谱特征扭曲较小，而且清晰度和空间分解力有一定提高。 　　1.3 小波变换融合法 　　相对于前面两种基于空间域的融合方法，该方式具有更好的光谱信息保持能力和细节表现力。但是由于该方法对多光谱影像的光谱信息带入小波变换运算中，并与SAR影像进行了一定的中和，因此一定程度上仍然损失了影像的光谱特征。 　　1.4 IHS变换和小波变换结合融合法 　　该方法能够很好地结合IHS变换和小波变换的优点，提高了影像的空间分辨率，保持了影像的光谱特征。然而小波变换本身方向性有限，不能充分挖掘影像的几何信息。该方法在对频率域的分解方式选择和融合规则的选择方面，还有一定可提升空间。 　　本文通过对上述方法的研究，提出了一种基于IHS变换和非向下采样Contourlet变换（NonSubsampled Contourlet Transform，NSCT）的融合算法。利用IHS变换对多光谱影像进行颜色空间变换，提取多光谱影像的光谱信息（主要存储于H，S分量内），对包含多光谱影像空间信息的I分量，与去噪后的SAR分别进行NSCT变换，获得两者多尺度、多方向上的分量，按照一定的融合规则对各层分量进行融合，再通过NSCT逆变换和IHS逆变换获得融合后影像。 　　2 融合规则与流程 　　SAR影像和多光谱影像通过N层NSCT分解，可以得到对应的低频分量和高频分量。其中低频分量包含了影像主要的能量信息，高频分量包含了影像主要的细节信息。本文将采用基于遗传算法的人工鱼群算法对低频信息进行融合处理。 　　2.1 低频融合规则 　　由于成像原理的不同，多光谱影像对地物的可见光信息采集更多，而SAR影像具有的穿透性和波长能够更好反映地物的微波反射信息。单一的使用权值或替代，都是基于影像频率域能量信息作为根据进行影像融合，无法保证影像融合后的信息能被最大保留。本文利用基于遗传算法的人工鱼群算法，选择自适应权值参数对影像的低频信息进行处理。 　　2.1.1 基于遗传算法的人工鱼群算法原理。2002年，浙江大学李晓磊博士首先提出基于行为的人工智能思想――人工鱼群算法。该算法的核心在于，通过自下而上的方式对目标函数进行寻优操作。通过模仿鱼群在寻找食物时的觅食，聚群和追尾行为，构造单条人工鱼个体的行为，再把个体行为扩大到整个鱼群中，在不同个体中寻找局部寻优，最终确定整体最优值。 　　人工鱼群算法的实现步骤如下： 　　第一，对各项参数进行初始化，设置人工鱼数量N，人工鱼每次移动步距Step，人工鱼视野Visual，人工鱼尝试次数Try-number，两条人工鱼之间距离d，拥挤度因子δ，食物浓度与位置关系Y=F（X）。 　　第二，在目标区域内随机投放人工鱼数量N，并计算每条人工鱼所在位置食物浓度Yi=F（Xi）。计算出食物浓度最大的Xi和Yi取值，记录在公告板上。 　　第三，按照鱼所在的位置信息，对鱼群中单条鱼在觅食行为，聚群行为，追尾行为和随机行为四种行为中进行选择。 　　第四，计算每次迭代过程中鱼所在位置Xi和食物浓度Yi，一旦食物浓度值高于公告牌所示食物浓度，更新