小波变换融合法-Read.PPT

附录A 多传感器图象信息融合 A.1　信息融合概述 A.1.1　多信息融合 A.1.1　多信息融合 A.1.1　多信息融合 A.1.1　多信息融合 A.1.1　多信息融合 A.1.2　传感器模型 A.1.2　传感器模型 A.1.2　传感器模型 A.1.2　传感器模型 A.1.2　传感器模型 A.2　图象融合 A.2.1　图象融合的主要步骤 A.2.2　图象融合的三个层次 A.2.3　图象融合效果评价 A.2.3　图象融合效果评价 A.2.3　图象融合效果评价 A.2.3　图象融合效果评价 A.2.3　图象融合效果评价 A.2.3　图象融合效果评价 A.3　象素级融合方法 A.3.1　基本融合方法 A.3.1　基本融合方法 A.3.1　基本融合方法 A.3.1　基本融合方法 A.3.1　基本融合方法 A.3.1　基本融合方法 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.2　融合方法的结合 A.3.3 小波融合时的最佳分解层数 A.3.3 小波融合时的最佳分解层数 A.4　特征级和决策级融合方法 A.4.1 贝叶斯法 A.4.2 证据推理法 A.4.2 证据推理法 A.4.2 证据推理法 A.4.2 证据推理法 联 系 信 息 各种（单一型）融合方法都各有特点 主分量变换融合法：能使融合后图象同时包含原始图象的高空间分辨率和高光谱分辨率特征，融合图象里目标的细部特征会更加清晰。但如在融合时仅用SPOT图象来简单替换TM图象第一主分量，会使得一些反映光谱特性的有用信息有所损失，使融合结果的光谱分辨率受到影响 小波变换融合法：保留了光谱信息并加入了细节信息。但用TM图象的低频图象替代SPOT低频图象进行小波反变换的结果必然会引起TM图象原有信息的丢失；由于TM和SPOT图象之间的灰度值明显的不同，融合结果图象会引起TM图象光谱信息的改变，甚至导致噪音的出现 　HSI变换与小波变换相结合的融合 (1)　选择ft(x, y)中的三个波段进行RGB空间到HIS 空间的变换 (2)　对得到的I分量和fs(x, y)进行小波变换分解 (3)　用从fs(x, y)小波分解得到的高频系数替代I分 量小波分解得到的高频系数 (4)　将替代后得到的全部小波分解系数通过小波 反变换获得新的亮度分量I? (5)　用H、S和I?分量进行HSI空间到RGB空间的变 换获得融合后的图象 　HSI变换与小波变换相结合的融合 融合结果既保留了SPOT全色图象的高频信息又保留了TM多光谱图象里的纹理信息，所以细节比较清晰，视觉效果比单独融合的效果都有了改善 　PCA变换与小波变换相结合的融合 (1)　对ft(x, y)的所有波段进行PCA变换 (2)　将得到的第一分量图与fs(x, y)进行直方图匹配 (3)　对匹配后的两图象都进行小波变换分解 (4)　用从fs(x, y)小波分解得到的高频系数替代 ft(x, y)第一主分量小波分解得到的高频系数 (5)　将替代后得到的全部小波分解系数通过小波 反变换获得新的ft(x, y)第一主分量 (6)　用新的ft(x, y)第一主分量和原来的各分量联合 进行PCA反变换 　 PCA变换与小波变换相结合的融合 融合结果增强了图象中的纹理特征，光谱信息更加丰富，目标细节更加精细，所以融合图象的目视效果比单独融合得到的图象都有了改善 　结合型融合的性能 三种单一型融合方法和两种结合型方法比较 三个指标： 标准差 平均灰度梯度 熵 分解层数的选择对最终融合的效果有很大的影响 随着分解层数的增加，融合的效果会有一定的改善（理想图象和融合图象之间的均方差减少） 层数过多时效果改善缓慢甚至会变差，而且融合算法的计算复杂度也会逐步增加，有些情况下即使考虑效果的改善也会得不偿失 先将对应聚焦不同的图象结合构成实验图象，再将其逐步分解并逐层进行融合。通过比较在相邻两层的融合结果，根据其接近程度来直接估计最优分解层次 真实的最佳层次与理论计算出的最佳层次的比较 A.4.1 贝叶斯法 A.4.2 证据推理法 A.4.3 粗糙集理论法 将样本空间S划分为A1，A2，…，An， (1) Ai ∩ Aj = ? (2) A1 ? A2 ? … ? An = S (3) P(Ai) 0，i = 1, 2, …, n {例A.4.1} 舍弃了可加性原则，用半可加性的原则 定义一个集函数C: 2F ? [0, 1] (1) C(?) = 0，即对空集不产生任何可信