CN103065293A - 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 - Google Patents

Abstract

相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法，本发明涉及遥感影像处理技术领域。相关性加权的遥感影像融合方法为：对原始待融合影像的预处理；计算预处理后的多光谱影像各波段与全色影像各波段的相关性；通过调整多光谱影像的权重，获取多光谱影像最佳的权重系数，根据最佳的权重系数获取相关性加权融合模型；根据相关性加权算法实现多光谱影像与全色影像的融合。相关性加权的遥感影像融合方法的融合效果评价方法为：根据相关性加权的遥感影像融合方法获取的融合影像，从数理统计的定量方式评价融合影像，数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价，融合效果评价指标分别为：方差、信息熵和扭曲度。

Description

相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法

技术领域

本发明涉及遥感影像处理技术，具体涉及相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法。

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，难以提高融合效果的问题。

发明内容

本发明为了解决传统的遥感影像处理技术存在空间信息丢失或光谱信息扭曲的缺点，难以提高融合效果的问题，从而提出了相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法。

相关性加权的遥感影像融合方法，包括下述步骤：

步骤一、对原始待融合影像的预处理，所述的原始待融合影像包括多光谱影像和全色影像；

通过传感器获取多光谱影像和全色影像；

根据二次多项式法对多光谱影像进行几何配准，使多光谱影像与全色影像保持几何一致性；

根据线性内插法对配准后的多光谱影像进行重采样，使多光谱影像的像元与色影像的像元大小一致；

对全色影像和重采样后的多光谱影像进行裁剪，裁剪出试验区域影像，获得相同区域全色影像和多光谱影像。

步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性；

所述的相关性通过相关系数反应全色影像与原始待融合影像的程度，相关系数为1，两幅影像的相关性最好，根据公式（1）获取预处理后的多光谱影像各波段与全色影像各波段的相关系数

$\mathrm{rt}\left(\frac{A}{B}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(X_{i,j}-\stackrel{\‾}{X})(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\stackrel{\‾}{X})}^2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}^2}}---\left(1\right)$

其中，

表示第t个波段的相关系数，A表示多光谱影像，B表示全色影像，X_i,j表示多光谱影像像元值，X'_i，j表示全色影像像元值，

表示多光谱影像像元灰度均值，

表示全色影像像元灰度均值，M为多光谱影像像元的总数，N为全色影像像元的总数，i表示影像的行号、j表示影像的列号。

步骤三、通过调整多光谱影像的权重，获取多光谱影像最佳的权重系数，根据最佳的权重系数获取相关性加权融合模型；

步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。

步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为：

根据公式（2）获取多光谱影像与全色影像的融合后的影像G1、G2和G3：

G1=（1+r1）*k1*Pan+（1-r1）*（1-k1）*多光谱1

G2=（1+r2）*k2*Pan+（1-r2）*（1-k2）*多光谱2（2）

G3=（1+r3）*k3*Pan+（1-r3）*（1-k3）*多光谱3

其中，多光谱1为第一波段的多光谱影像数据，多光谱2为第二波段的多光谱影像数据，多光谱3为第三波段的多光谱影像数据；r1为第一波段的多光谱影像与全色影像的相关系数，r2为第二波段多光谱影像与全色影像的相关系数，r3为第三波段多光谱影像与全色影像的相关系数；G1为融合后的第一波段影像，G2为融合后的第二波段影像，G3为融合后的第三波影像；k1为第一波段融合的权重系数，k2为第二波段融合的权重系数，k3为第三波段融合的权重系数；Pan为全色影像波段。

根据公式（2），将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算，得到最终的遥感影像融合结果影像。

相关性加权的遥感影像融合方法的融合效果评价方法为：

将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算，得到最终的遥感影像融合结果影像。

所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价，所述的融合效果评价指标分别为：方差、信息熵和扭曲度。

方差的范围是：0-30，方差Var根据公式（3）的获得：

$\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\mathrm{Aver})}^2---\left(3\right)$

其中，X_i,j表示多光谱影像像元值，i表示影像的行号、j表示影像的列号；M×N为像元总数，Aver为亮度均值。

信息熵的范围是：0-10，信息熵根据公式（4）的获得：

$H\left(x\right)=-\underset{w=0}{\overset{255}{\mathrm{\Σ}}}{P}_w{\log }_2{P}_w---\left(4\right)$

其中，x为输入的影像变量；

为影像像元灰度值为w的概率，f_w表示灰度w的频数。

扭曲度的范围是：0-1，扭曲度根据公式（5）的获得：

$W=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|X_{i,j}-{X_{i,j}}^{\′}|---\left(5\right)$

其中，X'_i,j表示全色影像像元值，M×N为像元总数。

本发明结合充分考虑待融合影像波段之间的关系，减少融合过程中的不同影像之间的差异，从而达到了在改善空间信息的同时，很好的保留了融合影像的光谱信息，极大的提高了遥感影像融合的质量的目的。

本发明所述的相关性加权的遥感影像融合方法优点在于：在传统的遥感影像融合算法的基础上，提出了一种基于相关性加权的遥感影像融合方法，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。。

附图说明

图1为本发明所述的相关性加权的遥感影像融合方法的方法流程图；

图2为具体实施方式十中Aster多光谱影像；

图3为具体实施方式十中资源二号全色影像；

图4为具体实施方式十中融合结果影像；

图5为具体实施方式十中PCA融合结果影像；

图6为具体实施方式十中Brovey融合结果影像。

具体实施方式

具体实施方式一、结合图1具体说明本实施方式，本实施方式所述的相关性加权的遥感影像融合方法，包括下述步骤：

步骤一、对原始待融合影像的预处理，所述的原始待融合影像包括多光谱影像和全色影像；

步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性；

步骤三、通过调整多光谱影像的权重，获取多光谱影像最佳的权重系数，根据最佳的权重系数获取相关性加权融合模型；

步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。

具体实施方式二、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于，步骤一所述的对原始待融合影像的预处理的具体过程为：

通过传感器获取多光谱影像和全色影像；

根据二次多项式法对多光谱影像进行几何配准，使多光谱影像与全色影像保持几何一致性；

根据线性内插法对配准后的多光谱影像进行重采样，使多光谱影像的像元与全色影像的像元大小一致；

对全色影像和重采样后的多光谱影像进行裁剪，裁剪出试验区域影像，获得相同区域全色影像和多光谱影像。

具体实施方式三、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于，步骤二所述的计算预处理后的多光谱影像各波段与全色影像各波段的相关性的具体过程为：

所述的相关性通过相关系数反应全色影像与原始待融合影像的程度，相关系数越接近1，两幅影像的相关性越好，根据公式（1）获取预处理后的多光谱影像各波段与全色影像各波段的相关系数

$\mathrm{rt}\left(\frac{A}{B}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(X_{i,j}-\stackrel{\‾}{X})(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\stackrel{\‾}{X})}^2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}^2}}---\left(1\right)$

其中，

表示第t个波段的相关系数，A表示多光谱影像，B表示全色影像，X_i,j表示多光谱影像像元值，X'_i，j表示全色影像像元值，

表示多光谱影像像元灰度均值，

表示全色影像像元灰度均值，M为多光谱影像像元的总数，N为全色影像像元的总数，i表示影像的行号、j表示影像的列号。

具体实施方式四、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于，步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为：

根据公式（2）获取多光谱影像与全色影像的融合后的影像G1、G2和G3：

G1=（1+r1）*k1*Pan+（1-r1）*（1-k1）*多光谱1

G2=（1+r2）*k2*Pan+（1-r2）*（1-k2）*多光谱2（2）

G3=（1+r3）*k3*Pan+（1-r3）*（1-k3）*多光谱3

其中，多光谱1为第一波段的多光谱影像数据，多光谱2为第二波段的多光谱影像数据，多光谱3为第三波段的多光谱影像数据；r1为第一波段的多光谱影像与全色影像的相关系数，r2为第二波段多光谱影像与全色影像的相关系数，r3为第三波段多光谱影像与全色影像的相关系数；G1为融合后的第一波段影像，G2为融合后的第二波段影像，G3为融合后的第三波影像；k1为第一波段融合的权重系数，k2为第二波段融合的权重系数，k3为第三波段融合的权重系数；Pan为全色影像波段；

根据公式（2），将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算，得到最终的遥感影像融合结果影像。

通过调整权重系数的控制融合图像的效果和特征信息，k1，k2，k3较大时，融合影像包含全色影像的特征较为明显，图像具有较多的纹理特征信息，相反融合后的影像包含多光谱图像的特征较明显。

具体实施方式五、基于具体实施方式一所述的相关性加权的遥感影像融合方法的融合效果评价方法，根据相关性加权的遥感影像融合方法获取的融合影像，从数理统计的定量方式评价融合影像，

所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价，评价指标主要是针对空间信息和光谱信息方面进行分析评价，所述的融合效果评价指标分别为：方差、信息熵和扭曲度。

方差（值越大越好；范围是（0-30））、信息熵（值越大越好；范围（0-10））和扭曲度（越接近1越好；范围是：（0-1））

其中，方差是衡量信息量的大小，方差越大，影像的信息越分散，信息量越大。

信息熵是衡量影像信息丰富程度的一个重要标志，熵值越大，影像所包含的信息量越多。

扭曲度是反应融合后的影像相对于原始多光谱影像的变形情况，扭曲度越接近1越好，变形越小，融合效果越好。

基于相关性加权的遥感影像融合方法的融合效果评价方法除了从数理统计的定量方式评价融合影像，也可以从从视觉效果的定性方式评价融合影像，基于视觉效果的定性分析是人为从视觉效果上分析融合前后遥感影像的融合效果。

具体实施方式六、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于，所述方差的范围是：0-30，方差Var根据公式（3）的获得：

$\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\mathrm{Aver})}^2---\left(3\right)$

其中，X_i,j表示多光谱影像像元值，i表示影像的行号、j表示影像的列号；M×N为像元总数，Aver为亮度均值。

具体实施方式七、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于，所述信息熵的范围是：0-10，信息熵根据公式（4）的获得，根据香浓多样性指数的信息论原理，一幅8bit表示的影像x信息熵为：

$H\left(x\right)=-\underset{w=0}{\overset{255}{\mathrm{\Σ}}}{P}_w{\log }_2{P}_w---\left(4\right)$

其中，x为输入的影像变量；为影像像元灰度值为w的概率，f_w表示灰度w的频数。

具体实施方式八、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于，所述扭曲度的范围是：0-1，扭曲度根据公式（5）的获得：

$W=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|X_{i,j}-{X_{i,j}}^{\′}|---\left(5\right)$

其中，X'_i，j表示全色影像像元值，M×N为像元总数。

具体实施方式九、结合图2至图6具体说明本实施方式，本实施方式以实例进行说明，利用新的融合算法实现Aster多光谱影像与资源二号全色影像的融合。

（1）输入原始的Aster多光谱影像与资源二号全色影像，并对Aster多光谱影像进行几何纠正与重采样，使得其与资源二号全色影像对应像元具有一致性。再裁剪出处理后待融合的Aster多光谱影像与资源二号全色影像。如图2，3所示。

（2）对Aster多光谱影像的三个波段分别与资源二号全色波段分别进行相关性分析，确定相关性系数；在此基础上，调整权重系数，并利用相关性加权模型进行运算，得到最终的融合结果影像。如图4所示。

（3）分别从视觉效果定性分析和数理统计定量两方面对融合结果影像进行系统性的分析和评价，验证影像融合的效果。

将本发明方法与其他融合方法如乘积变换（Brovey）方法和主成分变换融合（PCA）方法进行融合效果对比实验如图5、6所示。

基于视觉效果定性分析：从影像中不难看出，三种方法融合后的影像视觉效果与融合前的影像相比均有较大的提高。融合后的影像既具有Aster多光谱影像丰富的光谱信息，又具有资源二号全色影像的高分辨率的特点，影像比融合前的影像清晰。其中，基于相关性加权的融合方法效果最好，影像更清晰，达到了突出主要信息的目的。

基于数理统计的定量分析：表1列出了本发明中基于相关性加权的融合方法与传统融合方法融合效果评价结果。表1表示Aster多光谱影像与资源二号全色影像融合效果评价，方差和信息熵是衡量影像信息量大小的重要指标，整体上，三种融合方法均提高了原始影像的信息量，其中，相关性加权的融合方法信息熵和方差值最大，信息量提高效果最好，主成分分析融合方法计算值最小，效果最差。扭曲度是重要的衡量融合前后影像光谱扭曲程度的参数，相关性加权方法的扭曲度明显要小，这说明相关性加权的融合方法的光谱扭曲程度最小。综上所述：无论从方差、信息熵还是扭曲度来看，相关性加权的方法对Aster多光谱影像与资源二号全色影像融合效果最好。

Claims (8)

1.相关性加权的遥感影像融合方法，其特征在于：它包括下述步骤：

步骤一、对原始待融合影像的预处理，所述的原始待融合影像包括多光谱影像和全色影像；

步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性；

步骤三、通过调整多光谱影像的权重，获取多光谱影像最佳的权重系数，根据最佳的权重系数获取相关性加权融合模型；

步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。

2.根据权利要求1所述的相关性加权的遥感影像融合方法，其特征在于：步骤一所述的对原始待融合影像的预处理的具体过程为：

通过传感器获取多光谱影像和全色影像；

根据二次多项式法对多光谱影像进行几何配准，使多光谱影像与全色影像保持几何一致性；

根据线性内插法对配准后的多光谱影像进行重采样，使多光谱影像的像元与色影像的像元大小一致；

对全色影像和重采样后的多光谱影像进行裁剪，裁剪出试验区域影像，获得相同区域全色影像和多光谱影像。

3.根据权利要求1所述的相关性加权的遥感影像融合方法，其特征在于：步骤二所述的计算预处理后的多光谱影像各波段与全色影像各波段的相关性的具体过程为：

所述的相关性通过相关系数反应全色影像与原始待融合影像的程度，相关系数为1，两幅影像的相关性最好，根据公式（1）获取预处理后的多光谱影像各波段与全色影像各波段的相关系数

$\mathrm{rt}\left(\frac{A}{B}\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(X_{i,j}-\stackrel{\‾}{X})(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\stackrel{\‾}{X})}^2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}^{\′}-\stackrel{{-}^{\′}}{X})}^2}}---\left(1\right)$

其中，

表示第t个波段的相关系数，A表示多光谱影像，B表示全色影像，X_i,j表示多光谱影像像元值，X'_i，j表示全色影像像元值，表示多光谱影像像元灰度均值，

表示全色影像像元灰度均值，M为多光谱影像像元的总数，N为全色影像像元的总数，i表示影像的行号、j表示影像的列号。

4.根据权利要求1所述的相关性加权的遥感影像融合方法，其特征在于：步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为：

根据公式（2）获取多光谱影像与全色影像的融合后的影像G1、G2和G3：

G1=（1+r1）*k1*Pan+（1-r1）*（1-k1）*多光谱1

G2=（1+r2）*k2*Pan+（1-r2）*（1-k2）*多光谱2（2）

G3=（1+r3）*k3*Pan+（1-r3）*（1-k3）*多光谱3

其中，多光谱1为第一波段的多光谱影像数据，多光谱2为第二波段的多光谱影像数据，多光谱3为第三波段的多光谱影像数据；r1为第一波段的多光谱影像与全色影像的相关系数，r2为第二波段多光谱影像与全色影像的相关系数，r3为第三波段多光谱影像与全色影像的相关系数；G1为融合后的第一波段影像，G2为融合后的第二波段影像，G3为融合后的第三波影像；k1为第一波段融合的权重系数，k2为第二波段融合的权重系数，k3为第三波段融合的权重系数；Pan为全色影像波段，

根据公式（2），将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算，得到最终的遥感影像融合结果影像。

5.基于权利要求1所述的相关性加权的遥感影像融合方法的融合效果评价方法，其特征在于：根据相关性加权的遥感影像融合方法获取的融合影像，从数理统计的定量方式评价融合影像，

所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价，所述的融合效果评价指标分别为：方差、信息熵和扭曲度。

6.根据权利要求5所述的相关性加权的遥感影像融合方法的融合效果评价方法，其特征在于：所述方差的范围是：0-30，方差Var根据公式（3）的获得：

$\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(X_{i,j}-\mathrm{Aver})}^2---\left(3\right)$

其中，X_i,j表示多光谱影像像元值，i表示影像的行号、j表示影像的列号；M×N为像元总数，Aver为亮度均值。

7.根据权利要求5所述的相关性加权的遥感影像融合方法的融合效果评价方法，其特征在于：所述信息熵的范围是：0-10，信息熵根据公式（4）的获得：

$H\left(x\right)=-\underset{w=0}{\overset{255}{\mathrm{\Σ}}}{P}_w{\log }_2{P}_w---\left(4\right)$

其中，x为输入的影像变量；

为影像像元灰度值为w的概率，f_w表示灰度w的频数。

8.根据权利要求5所述的相关性加权的遥感影像融合方法的融合效果评价方法，其特征在于：所述扭曲度的范围是：0-1，扭曲度根据公式（5）的获得：

$W=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|X_{i,j}-{X_{i,j}}^{\′}|---\left(5\right)$

其中，X'_i，j表示全色影像像元值，M×N为像元总数。

Images