CN102915523A - 一种改进的小波变换遥感影像融合方法及其融合系统 - Google Patents

Abstract

一种改进的小波变换遥感影像融合方法及其融合系统，属于遥感影像处理技术领域。它解决了传统的遥感影像普遍存在融合效果差的问题。该方法为：对待融合的多光谱影像影像的预处理和PCA变换后，取前三个分量，直方图匹配第一个分量与全色影像后进行小波变换，再将所得的高频信息采用局部方差的融合规则获得新的高频信息，低频信息则采用局部差异加权的融合规则获得融合后新的低频信息；然后进行小波逆变换，将结果作为新第一分量，再将其与原始的二、三分量进行PCA逆变换获取最终的融合结果影像。遥感影像融合系统包括：影像输入模块、小波分析模块、遥感影像融合模块、遥感影像融合效果评价模块和融合结果保存模块。适用于遥感影像的融合。

Description

一种改进的小波变换遥感影像融合方法及其融合系统

技术领域

本发明涉及一种小波变换遥感影像融合方法及系统，属于遥感影像处理技术领域。 

背景技术

随着现代遥感传感器及其相关技术的飞速发展，遥感获取数据的手段不断增加，各种对地观测卫星能源源不断的为应用提供不同空间分辨率、光谱分辨率、时间分辨率的遥感数据，但由于遥感卫星成像原理不同和技术条件的限制，任何单一信息源都不能全面反映目标对象的特征，很难同时具有高空间、高光谱分辨率的特性，因此对应用具有一定的局限性。为了充分利用这些丰富的数据源，从巨量数据中挖掘出所需要的信息，从而对观测目标有一个更加全面、清晰、准确的理解与认知，人们迫切寻求一种综合利用各种数据的技术方法，将多光谱影像与全色波段影像进行融合，以实现对目标更精确、更可靠的估计和判断。 

传统的遥感影像多光谱影像与全色波段影像可通过主成份变换、小波变换、HIS变换等融合方法实现，但普遍存在空间信息丢失或光谱信息扭曲的缺点，难以提高融合效果。本发明结合小波变换、PCA变换以及局部算法的优点，提出了一种改进的小波变换影像融合算法，提高原始影像融合方法的效果；在此基础上，以Matlab为平台，构建了遥感影像融合系统。 

发明内容

本发明的目的是为了解决传统的遥感影像普遍存在融合效果差的问题，提供一种改进的小波变换遥感影像融合方法及系统。 

一种改进的小波变换遥感影像融合方法，该方法的实现过程为： 

步骤一、分别预处理待处理的多光谱影像和全色影像：首先，采用二次多项式法对多光谱影像进行几何配准，使得待融合多光谱影像与全色影像保持几何一致性；然后，采用线性内插法对多光谱影像进行重采样，使得待融合多光谱影像的像元大小一致；最后，裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像； 

步骤二、对预处理后的多光谱影像进行PCA变换： 

首先，提取出预处理后的多光谱影像的前三个分量影像，直方图匹配第一个分量影像，第二个分量影像和第三个分量影像保留待后续使用； 

步骤三、将步骤一所得到待融合全色影像进行直方图匹配； 

步骤四、对匹配后的第一个分量影像和全色影像同时进行小波变换，分别得到第一个 分量影像和全色影像各自的高频信息和低频信息； 

采用局部方差的融合规则将第一个分量影像的高频信息和全色影像的高频信息融合，得到融合后新的高频信息， 

采用局部差异加权的融合规则将第一个分量影像的低频信息和全色影像的低频信息融合，得到融合后新的低频信息； 

步骤五、小波逆变换融合步骤四所获得的新的高频信息和新的低频信息，将得到融合后的结果作为新第一分量影像； 

步骤六、将步骤五所得的新第一分量影像与步骤二取得的预处理后的多光谱影像的第二个分量影像和第三个分量影像进行PCA逆变换，得到最终的融合结果影像。 

一种改进的小波变换遥感影像融合方法的遥感影像融合系统，它包括：影像预处理模块、PCA变换模块、直方图匹配模块、影像输入模块、小波变换模块、小波逆变换模块、PCA逆变换模块； 

影像预处理模块用于对多光谱影像进行几何配准和重采样，然后裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像； 

PCA变换模块用于对预处理后的多光谱影像进行PCA变换； 

直方图匹配模块用于对第一个分量影像和全色影像进行直方图匹配； 

影像输入模块用于向遥感影像融合系统输入多光谱影像的匹配后的第一个分量影像、未经匹配的第二个分量影像、第三个分量影像和全色影像，并将其转换成影像信号； 

小波变换模块用于将第一个分量影像和全色影像同时进行小波变换，分别得到第一个分量影像和全色影像各自的高频信息和低频信息； 

小波逆变换模块用于将新的高频信息和新的低频信息进行小波逆变换，获得新第一分量影像； 

PCA逆变换模块用于将新第一分量影像与第二个分量影像和第三个分量影像进行PCA逆变换，得到最终的融合结果影像。 

本发明的工作原理：本发明是在现有遥感影像融合算法的基础之上，增加了改进小波变换的遥感影像融合算法，进而实现了提高原始遥感影像的融合，解决了传统方法空间信息丢失和光谱信息扭曲的缺点问题，达到了提高原始遥感影像融合的效果。 

本发明的优点是：本发明是在传统的遥感影像融合算法的基础上，提出了一种基于局部算法来改进小波变换的遥感影像融合算法，新的算法改善了传统方法空间信息丢失和光谱信息扭曲的缺点；其次，在以上方法实现的基础上，基于Matlab平台，设计了遥感影像融合系统。以上优点对于改善遥感影像融合效果、实现遥感影像融合软件化具有重要意义。 

附图说明

图1为一种改进的小波变换遥感影像融合方法的流程图； 

图2为一种改进的小波变换遥感影像融合方法的遥感影像融合系统结构图 

图3为Aster多光谱影像； 

图4为资源二号全色影像； 

图5融合结果影像。 

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述的一种改进的小波变换遥感影像融合方法，该方法的实现过程为： 

步骤一、分别预处理待处理的多光谱影像和全色影像：首先，采用二次多项式法对多光谱影像进行几何配准，使其与全色影像保持几何一致性；然后，采用线性内插法对多光谱影像进行重采样，使得待融合多光谱影像的像元大小一致；最后，裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像； 

步骤二、对预处理后的多光谱影像进行PCA变换： 

首先，提取出预处理后的多光谱影像的前三个分量，直方图匹配第一个分量，第二个分量和第三个分量保留待后续使用； 

步骤三、将步骤一所得到待融合全色影像进行直方图匹配； 

步骤四、对匹配后的第一个分量和全色影像同时进行小波变换，分别得到第一个分量和全色影像各自的高频信息和低频信息； 

采用局部方差的融合规则将第一个分量的高频信息和全色影像的高频信息融合，得到融合后新的高频信息， 

采用局部差异加权的融合规则将第一个分量的低频信息和全色影像的低频信息融合，得到融合后新的低频信息； 

步骤五、小波逆变换融合步骤四所获得的新的高频信息和新的低频信息，将得到融合后的结果作为新第一分量； 

步骤六、将步骤五所得的新第一分量与步骤二取得的预处理后的多光谱影像的第二个分量和第三个分量进行PCA逆变换，得到最终的融合结果影像。 

具体实施方式二：下面结合图1至图5说明本实施方式，本实施方式为对实施方式一步骤四中采用局部方差的融合规则将第一个分量的高频信息和全色影像的高频信息融合的进一步说明，本实施方式所述的步骤四中的采用局部方差的融合规则将第一个分量影像的高频信息和全色影像的高频信息融合的方法，得到融合后新的高频信息的方法为： 

选择3×3窗口进行运算， 

窗口遍历第一个分量影像，该窗口的移动步长为一个像元，采用局部方差法逐一计算窗口所覆区域内所有像元的方差值，进而获得位于窗口中心位置的像元灰度值； 

使用该窗口遍历全色影像，该窗口的移动步长为一个像元，逐一计算窗口所覆区域内所有像元的方差值，进而获得位于窗口中心位置的像元灰度值； 

对比是两幅图像中，同一个位置的像元灰度值，将取出的像元灰度值最大的作为融合后高频分量影像对应窗口的中心像元灰度值，得到新的高频分量影像； 

采用局部方差计算的方法获得窗口所覆区域内所有像元的方差值Var是根据公式： 

$\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\mathrm{Aver})}^2;$ 公式(1) 

式中，X_i，j为第i行第j列像元的亮度值；M×N为像元总数，M和N均为正整数；Aver为待融合影像中所有像元灰度值的平均值； 

$F(X,Y)=\left\{\begin{array}{c}A(X,Y),{\mathrm{Var}}_A(X,Y)>{\mathrm{Var}}_B(X,Y)\\ B(X,Y),{\mathrm{Var}}_A(X,Y)\≤{\mathrm{Var}}_B(X,Y)\end{array};\right.$ 公式(2) 

其中，A(X，Y)、B(X，Y)分别为两个高频分量影像窗口内各个像元的像元灰度值。 

具体实施方式三：下面结合图1至图5说明本实施方式，本实施方式为对实施方式一步骤四中的采用局部差异加权的融合规则将第一个分量的低频信息和全色影像的低频信息融合的进一步说明，本实施方式所述的步骤四中的采用局部差异加权的融合规则将第一个分量影像的低频信息和全色影像的低频信息融合，得到融合后新的低频信息的方法为： 

选择7×7窗口进行运算， 

$\mathrm{avgAB}(x,y)=\frac{\underset{i=x-3}{\overset{x+3}{\mathrm{\Σ}}}\underset{j=y-3}{\overset{y+3}{\mathrm{\Σ}}}|A(i,j)-B(i,j)|}{7\×7};$ 公式(3) 

式中，A表示多光谱影像；B表示全色影像；avgAB(x，y)表示以中心点像元为(x，y)的局部差异平均值； 

当局部差异平均值avgAB(x，y)超过待融合影像中所有像元灰度值的平均值时，按照如下公式来确定中心点像元(x，y)位置的像元灰度值： 

I′(x，y)＝α×(a×A(x，y)+b×B(x，y))+β；公式(4) 

$\mathrm{\β}=(1-\mathrm{\α})\×\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N};$ 公式(5) 

$b=\frac{\mathrm{avgAB}(x,y)}{\max \left[\right|A(i,j)-B(i,j)|1\≤i\≤M,1\≤j\≤N]};$ 公式(6) 

a＝1-b； 

式中，A(x，y)表示多光谱影像低频部分的像元灰度值；B(x，y)表示全色影像低频部分的像元灰度值；α、β为两个常量系数，α表示计算得到的像元灰度值的可信度，其值在(0，1]范围内，β表示针对α值而补充的像元灰度值；a、b为权值，决定A和B在结果中所占的比重大小；M×N为像元个数的总数，M和N均为正整数； 

此时将所得的I′(x，y)作为融合后新的低频信息； 

当avgAB(x，y)未超过待融合影像中所有像元灰度值的平均值时，取α＝1，β＝0，a＝1，b＝0后，按照如下公式来确定中心点像元(x，y)位置的像元灰度值： 

I′(x，y)＝α×(a×A(x，y)+b×B(x，y))+β；公式(4) 

$\mathrm{\β}=(1-\mathrm{\α})\×\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N};$ 公式(5) 

$b=\frac{\mathrm{avgAB}(x,y)}{\max \left[\right|A(i,j)-B(i,j)|1\≤i\≤M,1\≤j\≤N]};$ 公式(6) 

a＝1-b； 

可得：I′(x，y)＝A(x，y)，A(x，y)作为融合后新的低频信息。 

具体实施方式四：下面结合图2至图5说明本实施方式，本实施方式所述的一种改进的小波变换遥感影像融合方法的遥感影像融合系统，它包括：影像预处理模块1、PCA变换模块2、直方图匹配模块3、影像输入模块4、小波变换模块5、小波逆变换模块6、PCA逆变换模块7； 

影像预处理模块1用于对多光谱影像进行几何配准和重采样，然后裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像； 

PCA变换模块2用于对预处理后的多光谱影像进行PCA变换； 

直方图匹配模块3用于对第一个分量影像和全色影像进行直方图匹配； 

影像输入模块4用于向遥感影像融合系统输入多光谱影像的匹配后的第一个分量影像、未经匹配的第二个分量影像、第三个分量影像和全色影像，并将其转换成影像信号； 

小波变换模块5用于将第一个分量影像和全色影像同时进行小波变换，分别得到第一个分量影像和全色影像各自的高频信息和低频信息； 

小波逆变换模块6用于将新的高频信息和新的低频信息进行小波逆变换，获得新第一 分量影像； 

PCA逆变换模块7用于将新第一分量影像与第二个分量影像和第三个分量影像进行PCA逆变换，得到最终的融合结果影像。 

本发明不局限于上述实施方式，还可以是上述各实施方式中所述技术特征的合理组合。 

Claims (4)

1.一种改进的小波变换遥感影像融合方法，其特征在于：该方法的实现过程为：

步骤一、分别预处理待处理的多光谱影像和全色影像：首先，采用二次多项式法对多光谱影像进行几何配准，使得待融合多光谱影像与全色影像保持几何一致性；然后，采用线性内插法对多光谱影像进行重采样，使得待融合多光谱影像的像元大小一致；最后，裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像；

步骤二、对预处理后的多光谱影像进行PCA变换：

首先，提取出预处理后的多光谱影像的前三个分量影像，直方图匹配第一个分量影像，第二个分量影像和第三个分量影像保留待后续使用；

步骤三、将步骤一所得到待融合全色影像进行直方图匹配；

步骤四、对匹配后的第一个分量影像和全色影像同时进行小波变换，分别得到第一个分量影像和全色影像各自的高频信息和低频信息；

采用局部方差的融合规则将第一个分量影像的高频信息和全色影像的高频信息融合，得到融合后新的高频信息，

采用局部差异加权的融合规则将第一个分量影像的低频信息和全色影像的低频信息融合，得到融合后新的低频信息；

步骤五、小波逆变换融合步骤四所获得的新的高频信息和新的低频信息，将得到融合后的结果作为新第一分量影像；

步骤六、将步骤五所得的新第一分量影像与步骤二取得的预处理后的多光谱影像的第二个分量影像和第三个分量影像进行PCA逆变换，得到最终的融合结果影像。

2.根据权利要求1所述的一种改进的小波变换遥感影像融合方法，其特征在于，步骤四中的采用局部方差的融合规则将第一个分量影像的高频信息和全色影像的高频信息融合的方法，得到融合后新的高频信息的方法为：

选择3×3窗口进行运算，

窗口遍历第一个分量影像，该窗口的移动步长为一个像元，采用局部方差法逐一计算窗口所覆区域内所有像元的方差值，进而获得位于窗口中心位置的像元灰度值；

使用该窗口遍历全色影像，该窗口的移动步长为一个像元，逐一计算窗口所覆区域内所有像元的方差值，进而获得位于窗口中心位置的像元灰度值；

对比是两幅图像中，同一个位置的像元灰度值，将取出的像元灰度值最大的作为融合后高频分量影像对应窗口的中心像元灰度值，得到新的高频分量影像；

采用局部方差计算的方法获得窗口所覆区域内所有像元的方差值Var是根据公式：

$\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\mathrm{Aver})}^2;$ 公式(1)

式中，X_i，j为第i行第j列像元的亮度值；M×N为像元总数，M和N均为正整数；Aver为待融合影像中所有像元灰度值的平均值；

$F(X,Y)=\left\{\begin{array}{c}A(X,Y),{\mathrm{Var}}_A(X,Y)>{\mathrm{Var}}_B(X,Y)\\ B(X,Y),{\mathrm{Var}}_A(X,Y)\≤{\mathrm{Var}}_B(X,Y)\end{array};\right.$ 公式(2)

其中，A(X，Y)、B(X，Y)分别为两个高频分量影像窗口内各个像元的像元灰度值。

3.根据权利要求1所述的一种改进的小波变换遥感影像融合方法，其特征在于，步骤四中的采用局部差异加权的融合规则将第一个分量影像的低频信息和全色影像的低频信息融合，得到融合后新的低频信息的方法为：

选择7×7窗口进行运算，

$\mathrm{avgAB}(x,y)=\frac{\underset{i=x-3}{\overset{x+3}{\mathrm{\Σ}}}\underset{j=y-3}{\overset{y+3}{\mathrm{\Σ}}}|A(i,j)-B(i,j)|}{7\×7};$ 公式(3)

式中，A表示多光谱影像；B表示全色影像；avgAB(x，y)表示以中心点像元为(x，y)的局部差异平均值；

当局部差异平均值avgAB(x，y)超过待融合影像中所有像元灰度值的平均值时，按照如下公式来确定中心点像元(x，y)位置的像元灰度值：

I′(x，y)＝α×(a×A(x，y)+b×B(x，y))+β；公式(4)

$\mathrm{\β}=(1-\mathrm{\α})\×\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N};$ 公式(5)

$b=\frac{\mathrm{avgAB}(x,y)}{\max \left[\right|A(i,j)-B(i,j)|1\≤i\≤M,1\≤j\≤N]};$ 公式(6)

a＝1-b；

式中，A(x，y)表示多光谱影像低频部分的像元灰度值；B(x，y)表示全色影像低频部分的像元灰度值；α、β为两个常量系数，α表示计算得到的像元灰度值的可信度，其值在(0，1]范围内，β表示针对α值而补充的像元灰度值；a、b为权值，决定A和B在结果中所占的比重大小；M×N为像元个数的总数，M和N均为正整数；

此时将所得的I′(x，y)作为融合后新的低频信息；

当avgAB(x，y)未超过待融合影像中所有像元灰度值的平均值时，取α＝1，β＝0，a＝1，b＝0后，按照如下公式来确定中心点像元(x，y)位置的像元灰度值：

I′(x，y)＝α×(a×A(x，y)+b×B(x，y))+β；公式(4)

$\mathrm{\β}=(1-\mathrm{\α})\×\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N};$ 公式(5)

$b=\frac{\mathrm{avgAB}(x,y)}{\max \left[\right|A(i,j)-B(i,j)|1\≤i\≤M,1\≤j\≤N]};$ 公式(6)

a＝1-b；

可得：I′(x，y)＝A(x，y)，A(x，y)作为融合后新的低频信息。

4.实现权利要求1所述的一种改进的小波变换遥感影像融合方法的遥感影像融合系统，其特征在于，它包括：影像预处理模块(1)、PCA变换模块(2)、直方图匹配模块(3)、影像输入模块(4)、小波变换模块(5)、小波逆变换模块(6)、PCA逆变换模块(7)；

影像预处理模块(1)用于对多光谱影像进行几何配准和重采样，然后裁剪出待融合区域影像，获得相同区域的待处理多光谱影像和待融合全色影像；

PCA变换模块(2)用于对预处理后的多光谱影像进行PCA变换；

直方图匹配模块(3)用于对第一个分量影像和全色影像进行直方图匹配；

影像输入模块(4)用于向遥感影像融合系统输入多光谱影像的匹配后的第一个分量影像、未经匹配的第二个分量影像、第三个分量影像和全色影像，并将其转换成影像信号；

小波变换模块(5)用于将第一个分量影像和全色影像同时进行小波变换，分别得到第一个分量影像和全色影像各自的高频信息和低频信息；

小波逆变换模块(6)用于将新的高频信息和新的低频信息进行小波逆变换，获得新第一分量影像；

PCA逆变换模块(7)用于将新第一分量影像与第二个分量影像和第三个分量影像进行PCA逆变换，得到最终的融合结果影像。

Images