CN104951800A

CN104951800A - 一种面向资源开采型地区的遥感影像融合方法

Info

Publication number: CN104951800A
Application number: CN201510328517.8A
Authority: CN
Inventors: 高歆
Original assignee: Xuchang University
Current assignee: Xuchang University
Priority date: 2015-06-15
Filing date: 2015-06-15
Publication date: 2015-09-30

Abstract

本发明涉及一种遥感图像的融合方法，根据多光谱和全波段影像的纹理特征和实际情况，分别选取一定的纹理描述算子形成特征向量，提取局部纹理特征，主要操作步骤如下：1、对数据A和数据B进行小波变换，分别获取三层高频和低频小波系数；2、利用3×3的格网对上一步骤得到的小波系数进行滤波，计算每个像元的均值、标准差、信息熵、清晰度和偏差度等指标，形成特征向量矩阵；3、对上述特征向量矩阵进行主成分分析，获取每个像元的第一主成分，形成主成分像元图；4、以每个像元的主成分为权重，分别对高频分量和低频分量进行融合；5、采用质量评价方法进行评价。

Description

一种面向资源开采型地区的遥感影像融合方法

技术领域

本发明涉及一种遥感图像的融合方法。

背景技术

遥感是以不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一的传感器的遥感数据都不能全面的反映目标对象的特征，也就是都有一定的应用范围和局限性。各类非遥感的数据也有它自身的特点和局限性，倘若将多种不同特征的数据结合起来，相互取长补短，便可以发挥各自的优势，弥补各自不足，可以更全面地反映地面目标，提供更强的信息解译能力和更可靠的分级结果，那么这种过程我们就称其为“遥感融合”。图像数据融合是一个对多遥感器的图像数据和其它信息的处理过程。它着重于把那些在空间上或者时间上冗余或互补的多源数据，按照一定的规则进行运算处理，获得比任意单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。它不仅仅是数据间的简单复合，更强调信息的优化，以突出有用的专题信息，消除或抑制无关的信息，改善目标识别的图像环境，从而增强解译的可靠性，减少模糊性(即多义性、不安全性、不确定性和误差)，改善分类，扩大应用范围和效果。

遥感影像融合目前可分为三个层次，即像素级(Pixel-level fusion)、特征级(Feature-level fusion)、决策级(Decision-level fusion)。像素级影像融合通过直接对各幅遥感影像对应的像素值进行融合，保持了原有图像的真实感。特征级影像融合是通过对多源影像的特征值进行融合，能够最大限度地为决策支持服务提供信息。所谓决策级融合，顾名思义是为决策支持提供服务，是在图像理解以及识别基础上的融合。影像融合的三个层次之间并不是毫不相关的，它们可以分别在不同层次上进行融合，也可以根据实际需要在多层次上进行。目前常用的像素级的融合方法有HIS变换法、PCA(主成分)变换法、Brovey(比值)变换法、WT(小波变换)法。

HIS方法是将多光谱影像从RGB空间转化为HIS空间，用全色波段替换I分量来进行融合，因I分量中包含了部分光谱信息而容易造成光谱扭曲；PCA方法通过高空间分辨率的全色波段替换多光谱影像经过K-L变换后的第一主成分实现融合，由于第一主成分集中了大部分光谱信息，因此逆变换恢复多光谱图像会引起光谱信息的丢失；HPF方法通过高通滤波器滤除掉高空间分辨率全色波段的光谱信息，将其添加到多光谱图像中，完整的保留了源图像的光谱信息，但是由于滤掉了高频信息，造成了部分地物纹理结构的损失。传统意义上使用小波变换的融合算法会舍弃掉高分辨率影像的低频信息，仅仅使用高频信息来突出图像的边缘特征,这会导致信息的极大浪费，另外由于正交分解算法也会使得融合后的影像产生边缘效应。为了尽最大限度的保留多光谱和细节信息，人们常常将多分辨率分析与上述几种经典方法结合，即HIS方法中的I分量或者PC1组分与全色波段图像进行多分辨率分解与融合，然后由逆变换得到结果图像。

对遥感影像的质量评价不仅在校检遥感器时具有重要的指导意义，而且提供一种监控手段用于影像的获取和处理。图像融合中的一个关键步骤是如何评价和分析融合算法的性能和结果，融合效果的好坏，找出一种通用的融合算法以及相应的评价指标。在遥感影像的质量评价方面，一般评判融合图像的质量是在多种统计分析方法的基础上进行，目前还没有形成一套完整的、系统的定量化的评估理论；在对遥感影像融合效果的评价方面还存在着一些问题需要解决。很多方法对融合效果评估时仅通过某些单一指标来进行，且这些指标仅仅对影像的同一性质进行的评价，或者得出的结论相互矛盾，不具有参考性。目前，对融合后的影像进行质量评价时，主要包括两种方法：一类是主观评价方法，直接对处理前后的图像做出评价，便于操作、简单方便，但具有一定的主观随意性，精度不高；另一类是客观评价方法，主要利用融合前后图像所包含的信息量、平均梯度、相对偏差以及相关系数等几方面进行客观的评价。

影像融合过程中的关键是确定融合成分的权重，即确定融合规则，研究人员根据两幅影像的主要特征提出了大量新的融合规则，克服了对应元素直接替代引起的缺陷。本发明是在HIS-WT方法及前人提出的融合规则的基础上，综合考虑两幅影像上地物的实际特征和客观评价结果，通过对评价参数进行主成分分析，分别赋予要素不同的权重，从而发明一种适应区域特征的动态加权融合方法。

发明内容

本发明的目的之一是提供一种能够突出地物边缘特征、融合效果更好、客观评价更好的遥感融合方法。

本发明的目的之二在于提供上述方法的使用步骤。

本发明的目的可以通过以下措施达到：

纹理通常被认为是在局部窗口内，影响灰度级之间的空间分布及空间相互关系，是由某个区域中多个像素来表征的，这些像素之间具有较强的相关性，不是孤立存在的。灰度共生矩阵成为最常见和广泛应用的一种纹理统计分析方法，它通过用影像灰度级之间联合条件概率密度P(i,j/d,θ)来表示计算纹理，Haralick提出了14中纹理特征。通过参数模板、统计分析、模式相关等方法提取地物特征，与多光谱图像进行融合，可以有效的改善融合质量。_.刘成云等2011年提出了一种区域特征动态加权的HIS小波遥感影像融合算法，本发明在此方法的基础上，对特征向量进行主成分分析，提取第一和第二主成分进行特征加权。

设有待融合的图像A和B。A为高分辨率图像，B为多光谱图像。首先通过从B中选择相关性最小的三个波段进行HIS变换，获取多光谱影像中I分量，记为B_i。对上述融合两种组分分别进行小波变换，得到低频小波系数S_A(2^J；x,y)、S_Bi(2^J；x,y)和高频小波系数W^K _A(2J；x,y)、W^K _Bi(2J；x,y)，其中，J为小波分解的层数，为避免分块效应，文中J取2；K＝1、2、3表示小波分解的水平、垂直和对角线方向。

本发明对于低频和高频系数分别使用不同的融合规则进行处理。

由于低频系数代表影像的背景值，信息量大，对于低频系数采用加权融合准则，融合准则如下：

S_A(2^J,x,y)＝k₁×S_A(2^J,x,y)+k₂×S_Bi(2^J,x,y)

其中：k₁表示小波系数S_A(2^J；x,y)的权重，k₂表示S_Bi(2^J；x,y)的权重值。对于高频部分，采用区域特征自适应加权的融合准则，融合准则如下:

W^{K} (2^{J}, x, y) = k_{1} \times W_{A}^{K} (2^{J}, x, y) + k_{2} \times W_{B i}^{K} (2^{J}, x, y)

其中：k₁表示小波系数W_A ^K(2^J,x,y)的自适应权重值，k₂表示W_BI ^K(2^J,x,y)的自适应权重值，其定义如下:

k_{1} = P (f_{A}^{n}) / [P (f_{A}^{n}) + P (f_{B}^{n})], k_{2} = 1 - k_{1}

其中，P(f_A ⁿ)为图像A像元的特征向量中的第一主成分；P(f_B ⁿ)为图像B像元的特征向量中的第1主成分，融合过程中，首先从最低层进行融合，分别对低频和高频系数利用上述算法处理以后进行重构，形成上一层的低频系数，然后接着处理上一层的低频和高频系数，直至完成融合。

为了确保纹理描述特征的代表性和典型性，本发明选取了区域能量、信息熵、平均梯度、标准差、均值等5个特征来构造特征向量，首先建立一个3×3的滑动网格，利用网格对两幅图像进行滤波，依次计算每个区域上5个特征值，形成特征向量，并对特征向量进行归一化。其次，对特征向量进行主成分分析，提取第一主成分，生成融合影像的权重。融合结果采用均值、标准差、信息熵、清晰度和偏差度五种客观评价指数来进行评价，均值反映了图像的平均亮度，如果均值适中，则图像结果较好，标准差反映了灰度值相对于均值的偏离程度，标准差越大，表明灰度值分布较为分散，因此，信息量较大。信息熵是用灰度值的概率与其对数化后的乘积进行计算的，因此，概率密度函数分布越均匀，信息熵就会越大，也反映了信息量的大小。清晰度采用梯度法进行计算，清晰度越大，那么图像的清晰度越高。偏差指数是用来比较融合图像与低分辨率图像的偏差程度。

本发明是申请者经多次实地考察和大量样品采集，以及数次科学实验而成，具有科学性和实用性，可以作为目前成熟的遥感融合方法一种补充，并与购买和使用高分数据相比，具有良好的经济效益和社会效益。

具体实施方式

下面是根据实施实例具体说明本发明。

1、对数据A和数据B进行小波变换，分别获取三层高频和低频小波系数；

2、利用3×3的格网对上一步骤得到的小波系数进行滤波，计算每个像元的均值、标准差、信息熵、清晰度和偏差度等指标，形成特征向量矩阵；

3、对上述特征向量矩阵进行主成分分析，获取每个像元的第一主成分，形成主成分像元图；

4、以每个像元的主成分为权重，分别对高频分量和低频分量进行融合

5、采用质量评价方法进行评价。

选取某矿产资源区域的TM影像，截取纹理和特征信息丰富的区域，对多光谱图像与全波段图像进行融合。

表1融合影像的评价结果

融合评价参数见表1，PC算法的偏差指数最大，本算法的偏差指数最小；HIS算法的清晰度指数最大，PC算法的清晰度指数最小；本算法标准差和信息熵最大，均值适中。综合而言，本算法可以有效增强图像的细节信息，改善融合后的光谱和空间分辨率。

Claims

1.利用3×3的格网对上一步骤得到的小波系数进行滤波，计算每个像元的均值、标准差、信息熵、清晰度和偏差度等指标，形成特征向量矩阵；

对上述特征向量矩阵进行主成分分析，获取每个像元的第一主成分，形成主成分像元图；

以每个像元的主成分为权重，分别对高频分量和低频分量进行融合。