一种多光谱图像融合的多尺度方法.docxVIP

一种多光谱图像融合的多尺度方法 图像融合是指根据特定算法对不同传感器收到的图像进行综合处理，以获得满足特定要求的新图像。融合后的图像应该比原图像更加清晰,易于分辨,可用于图像锐化、图像分割、目标识别等。多源图像的融合有IHS变换融合算法、PCA变换融合算法、高通滤波(HPF)融合算法与小波变换融合算法等。其中PCA算法提高了多频道图像如(低分辨率图多光谱图像)的空间分辨率。但PCA主成分(包含了多光谱波段的大多数信息)的信息量比较高,用全色波段影像的灰度值替代PCA,再进行反变换得到的增强后的多光谱波段影像,其信息量易受到损失。与传统的数据融合方法相比,小波变换融合具有多分辨率的特性,是一类很重要的融合算法。小波变换融合虽然能使融合图像在获得高空间分辨率的同时,较好地保持原始光谱信息,但由于舍弃了高分辨率图像的低频分量,故很容易出现分块效应。笔者在此提出一种基于PCA变换与小波变换的多源图像融合算法,并给出了图像融合结果的定性评价和定量评价。该算法能得到较好的融合效果。 1 图像集成方法基于pca变换和小波变换 1.1 低分辨率图像与光谱图像的融合方法 PCA(Principal Component Analysis)变换也叫主分量分析、K_L变换,是统计特征基础上的多维正交线性变换。PCA变换广泛应用于图像压缩、随机噪声信号的去除以及图像旋转等。最早将PCA变换的思想运用到多传感器融合的,是Chavez P S等人提出的,他们将Land sat TM与SPOT PAN进行融合,且效果良好。在用PCA(主成分分析)融合方法对低分辨率多光谱图像与高分辨率图像进行融合时,首先对低分辨率多光谱图像进行PCA变换,获得其成分变量;然后,对高分辨率图像进行线性拉伸,使之与低分辨率多光谱图像第一主成分分量具有相同的均值与方差;最后,用拉伸后图像替换第一主成分,再通过PCA反变换回到RGB空间,即得到最终的融合结果图像。 1.2 小波变换模型 小波变换可将图像分解为不同频道上的近似信号和多分辨率层的细节信号,使其能充分反映原始图像的局部变化特征,从而为图像数据融合提供了有利条件。通过小波变换可将图像分解为一个低频分量和一系列的高频分量,其中低频分量为近似图像,而图像的显著细节特征,如边缘、亮线、区域边界等则分布在高频分量中,其小波系数绝对值的大小反映变化的剧烈程度。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。基于上述原理,应用融合对象为低分辨率图像和高分辨率图像,可得到最基本的小波变换模型。步骤如下:(l)首先把配准的低分辨率图像和高分辨率图像分别进行小波变换,获得各自的低频图像和细节纹理图像;(2)用高分辨率图像的高频分量替代低分辨率图像的高频分量,对替换后的高频分量和低分辨率图像的低频分量进行小波逆变换,得到融合结果。 1.3 pca法特征 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,小波重构可平滑和抑制噪声。因此,提出一种基于小波变换与主成分分析的遥感影像融合方法,对高分辨率的全色影像与低分辨率的多光谱影像进行融合。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。设P1对应含有最大信息量的第一主分量,拉伸高分辨率图像使其具有和第一主分量P1相同的均值和方差,将高分辨率图像的信息与第一主分量进行融合,得到一个新的融合了高分辨率图像信息的第一主分量,设为P赞1,然后将新的第1主分量P赞1与其他主分量进行反变换,最终得到一幅具有高空间分辨率的多光谱图像。在这里,如何利用小波变换方法以得到融合的第一主分量P赞1是问题的关键。新融合方法的具体步骤如图1所示。 2 tm图像与spol-插值融合效果评价 为了验证本文所提方法的正确性和有效性,以Land sat-TM多光谱图像与SPOT全色图像为例来进行融合试验。实验前,以SPOT图像为参考图像,利用多项式纠正模型对TM图像进行了几何配准,并利用双线性插值方法对TM图像进行重采样,使TM图像与SPOT图像的分辨率相同(均为10m),配准后的Land sat-TM321波段与SPOT Pan(全色波段)图像大小均为512×512(如图2所示)。 对于多光谱图像和高分辨率图像融合效果的客观评价,应综合考虑空间细节信息的增强与光谱信息的保持。综合考虑两类统计参数:一类反映空间细节信息,如方差、信息熵和清晰度;另一类反映光谱信息,如扭曲程度、偏差指数与相关系数。下面通过表1计算信息熵、清晰度和相