CN111709901A - 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 - Google Patents

Abstract

基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，本发明涉及多/高光谱遥感影像图像匀色方法。本发明的目的是为了解决现有方法在没有重叠区域的图像间进行匀色并不涉及，导致获得的图像效果差的问题。过程为：一、对多/高光谱遥感图像进行分波段处理；二、选取出参考图像作为参考；三、得到聚类后的结果；四、进行类别匹配；五、得到局部匀色处理后的各类别数据；六、合成新的待匀色图像；七、进行直方图匹配再次匀色；八、将匀色处理后的图像作为参考图像，重复执行三至七，直至同波段灰度图像全部匀色处理完，将图像拼接；九、重复二至八获得所有拼接好的图像，合成新多/高光谱遥感图像。本发明用于图像匀色领域。

Description

基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀 色方法

技术领域

本发明涉及多/高光谱遥感影像图像匀色方法。

背景技术

目前，遥感技术的发展方向包含了多个方面，主要是多光谱、多角度、多时相、多平台、多传感器融合的综合应用。但无论是通过何种手段或者方式获取得到的遥感数据，均会存在一些外在的因素比如传感器因素、人为因素以及天气条件等原因，导致不能将获取的遥感影像被直接广泛应用，这些影像需要科研人员经过一定的处理校正，比如图像的几何或者辐射校正、图像的匀色处理等，影像只有经过这样的后期处理才能被应用到各大领域中。而图像的匀色这一处理需要研究人员经过长期不懈地坚持努力，才能让前期获取的遥感影像达到视觉效果上良好、影像的色彩以及亮度尽可能跟地物本身相似、影像中的地物纹理清晰等目的。

近年来，图像的匀色算法逐渐地引起了国内学者的高度重视。在建立大范围的空间影 像数据库时，要求同一场景的影像经过拼接后是一幅影像之间基本没有色彩和亮度偏差的 无缝的大影像。现有的软件INPHO是在过渡区域对拼接缝进行处理来消除影像之间的 色彩差异，但是如果在影像的整体色彩不一样的情况下，拼接的结果也就难以达到预期的 效果，从而无法保证一幅大影像整体色彩的一致性。对此，我们可以采用先对影像进行匀 色处理，比较常见的、简单快速的影像色彩一致性处理方法主要有：基于直方图的图像匀 色处理及改进方法、基于信息熵的图像调整、基于均值方差的图像调整等方法。

但上述方法只注重了有重叠区域的遥感图像间的匀色处理，在没有重叠区域的图像间 进行匀色并不涉及，本发明从无重区域多/高光谱遥感图像匀色处理入手，提出一种基于 FCM聚类匹配+Wallis滤波改进图像匀色算法，专门针对无重叠区域的多/高光谱遥感图 像匀色。

发明内容

本发明的目的是为了解决现有方法只注重了有重叠区域的遥感图像间的匀色处理，在 没有重叠区域的图像间进行匀色并不涉及，导致获得的图像效果差的问题，而提出基于 FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法。

基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法具体过程为：

步骤一、获得多/高光谱遥感图像，对多/高光谱遥感图像进行分波段处理，获得M组 同波段灰度图像，第m组同波段灰度图像为X1、X2、X3、…、Xα、…、Xn；m＝1,2,...,M； α＝1,2,...,n；

步骤二、通过统计第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的信息 量及地物丰富度，选取出参考图像作为参考；

步骤三、对待匀色图像与参考图像分别进行FCM聚类，得到经过FCM聚类后的结果；

步骤四、将经过FCM聚类后的结果进行类别匹配；

步骤五、在两幅图像相互匹配的类别数据间利用Wallis滤波算法进行局部匀色处理， 得到局部匀色处理后的各类别数据；

步骤六、将局部匀色处理后的各类别数据合成新的待匀色图像X`d；

步骤七、对新的待匀色图像X`d进行直方图匹配再次匀色，得到匀色图像；

步骤八、将匀色处理后的图像作为参考图像，重复执行步骤三至步骤七，直至第m组同波段灰度图像全部匀色处理完，将匀色处理完的第m组同波段灰度图像拼接；

步骤九、重复步骤二至步骤八获得所有M组拼接好的灰度图像，将所有M组拼接好的灰度图像合成新多/高光谱遥感图像。

本发明的有益效果为：

本发明实现了利用选取好的参考图像对待匀色图像进行匀色处理的改进算法，该算法 应对无重多/高光谱遥感图像匀色，结合了FCM聚类匹配算法与Wallis滤波改进算法，有 效解决了多幅多/高光谱遥感图像在无重叠区域的前提下进行匀色处理问题，提高了获得 的图像效果。首先利用FCM聚类匹配算法应对无重叠区域的多/高光谱遥感图像匀色。提出了一种由聚类匹配结果替代重叠区域的一整套匀色方案，有效的处理了无重多/高光谱遥感图像的色彩和亮度不均问题。该方法受到FCM聚类匹配算法在图像聚类方向以及Wallis滤波算法在增强影像对比度的启发，通过将待匀色图像与参考图像进行FCM聚类 匹配的方式，获得所谓的重叠区域并在相互匹配的对应区块间将待匀色图像的灰度均值和标准差映射到参考图像的均值和标准差，再不断调整图像标准差扩展系数与图像的亮度扩展系数使达到局部匀色最佳效果，这样不仅通过FCM聚类匹配算法巧妙的解决了多幅多 /高光谱遥感图像没有交叠区域的实际问题而且通过使用Wallis滤波增强了图像对比度，并对噪声进行了一定程度的抑制。

为了验证本发明所提出的方法的性能，针对一组无重多/高光谱遥感图像数据进行验 证，GF2_160628与GF2_150906数据为高分2号采集的山东某村庄多光谱遥感图像，每张图像大小为1536×1536像素，有四个波段，实验截取了无重叠部分的一组遥感图像能 够实现无缝拼接。

实验结果验证了本发明提出的基于FCM聚类匹配+Wallis滤波的无重区域多/高光谱 遥感图像匀色算法的有效性。在观察匀色处理后的类别间图像直方图得到较好的匹配效 果，并在以平均梯度法为评价图像的对比度指标下，经本发明处理的匀色图像该指标达到， 明显优于传统方法下的。

附图说明

图1是本发明的实现流程示意图；

图2是传统匀色法的实现流程示意图；

图3是一组原始拼接图像；其中左图为待匀色图像，右图为参考图像；

图4是一组传统匀色法结果图；其中左图为直方图匹配匀色图像，右图为参考图像；

图5是本发明算法结果图；其中左图为基于FCM聚类匹配+Wallis滤波改进算法的匀 色图像，右图为参考图像；

图6a表示参考图像同类别(河流)间的直方图对比评价图；

图6b表示本发明处理图像同类别(河流)间的直方图对比评价图；

图6c表示参考图像同类别(道路)间的直方图对比评价图；

图6d表示本发明处理图像同类别(道路)间的直方图对比评价图。

具体实施方式

具体实施方式一：结合图2说明本实施方式，本实施方式基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法具体过程为：

为了解决此问题，本发明以FCM聚类算法与Wallis滤波算法为基础，从利用FCM 聚类解决无重区域困境的角度出发，充分利用参考图像的信息丰富度，对待匀色图像进行 匀色处理。本发明的目的是为了使得处理后的无重区域多/高光谱遥感图像的在整体色调 上保持一致，整幅图像亮度均匀，对比度适合，达到增强影像视觉感官上好的效果，满足 研究人员和后期处理人员对地面物题的解译和分析，据此提出了基于FCM聚类匹配 +Wallis滤波的无重多/高光谱遥感图像匀色方法。

步骤一、获得多/高光谱遥感图像，对多/高光谱遥感图像进行分波段处理(鉴于多/ 高光谱遥感图像的多波段特性，对多/高光谱遥感图像进行分波段处理，M个波段，就分M组，每组为一个波段)，获得M组同波段灰度图像(一个波段是一个灰度图)，第m组 同波段灰度图像为X1、X2、X3、…、Xα、…、Xn；m＝1,2,...,M；α＝1,2,...,n；

步骤二、通过统计第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的信息 量及地物丰富度(地物种类)，选取出参考图像作为参考(参考价值Q为最大值的图像)；

步骤三、对待匀色图像Xd与参考图像Xe分别进行FCM聚类，实质是利用两张图像相同地物间的子图像块作为重叠区域进行匀色处理(需要以两张图像为一组，其中一张为待匀色图像，而另一张为步骤二得到的参考图像。经算法处理后的匀色结果图像也可作为新的参考图像)，得到经过FCM聚类后的结果；

根据图像大小和地物类别决定所选取的模糊度指数、最大迭代数、距离认定标准以及 类别数，并在算法中有所体现及适当改进；

步骤四、将经过FCM聚类后的结果进行类别匹配，可根据类别数据的灰度均值差异进行。因为在待匀色图像与参考图像间，相同地物的数据信息都不尽一致，单纯按相近或相似关系难以准确匹配。但各类别在自身整体图像中的地位是相对确定的，利用这一层关系可按灰度均值排序将序号一一对应起来；

步骤五、在两幅图像相互匹配的类别数据间利用Wallis滤波算法进行局部匀色处理， 并在Wallis滤波算法中适当改进，调整参数；利用Wallis滤波算法，完成类别数据间匀色，得到局部匀色处理后的各类别(农田、河流、山脉等)数据；

步骤六、将局部匀色处理后的各类别数据合成新的待匀色图像X`d；

步骤七、对新的待匀色图像X`d进行直方图匹配再次匀色，得到匀色图像；

步骤八、将匀色处理后的图像作为参考图像，重复执行步骤三至步骤七，直至第m组同波段灰度图像全部匀色处理完，将匀色处理完的第m组同波段灰度图像拼接；

步骤九、重复步骤二至步骤八获得所有M组拼接好的灰度图像，将所有M组拼接好的灰度图像合成新多/高光谱遥感图像。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中通过统计第 m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的信息量及地物丰富度(地物种类)， 选取出参考图像作为参考(参考价值Q为最大值的图像)；具体过程为：

步骤二一、信息熵表示第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn包 含信息量的多少；

对于第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn，认为第m组同波段 灰度图像X1、X2、X3、…、Xα、…、Xn每幅图像中各灰度值是相互独立的样本，单 幅图像(第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中一幅)中各灰度值 所占比例为p＝{p₁、p₂、p₃,…,p_δ,…,p_c}；

利用以下公式分别计算第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中 每幅图像(第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中一幅)的信息熵：

式中，δ表示第m组同波段灰度图像Xα的某灰度级；p_δ表示第m组同波段灰度图 像Xα对应灰度级出现的概率；c表示第m组同波段灰度图像Xα的灰度级个数；

步骤二二、按各占百分之五十的权重统计第m组同波段灰度图像X1、X2、X3、…、 Xα、…、Xn中每幅图像的的参考价值，计算公式如下：

式中，Q为参考价值，H为第m组同波段灰度图像Xα的信息熵，H_max为第m组 同波段灰度图像X1、X2、X3、…、Xα、…、Xn中信息熵中最大值，N为第m组同波 段灰度图像Xα包含地物种类(农田、房屋、河流等)，N_max为第m组同波段灰度图像 X1、X2、X3、…、Xα、…、Xn中包含地物种类最大值；

参考价值Q取最大值时所指的灰度图像Xe为第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的参考图像；α＝1,2,...n。

步骤二都是在同波段图像里操作。经步骤二得到的参考图像Xe与未处理的待匀色图 像Xd带入步骤三处理。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中对待匀 色图像Xd与参考图像Xe分别进行FCM聚类，实质是利用两张图像相同地物间的子图像块作为重叠区域进行匀色处理(需要以两张图像为一组，其中一张为待匀色图像，而另一张为步骤二得到的参考图像。经算法处理后的匀色结果图像也可作为新的参考图像)，得到经过FCM聚类后的结果；

根据图像大小和地物类别决定所选取的模糊度指数、最大迭代数、距离认定标准以及 类别数，并在算法中有所体现及适当改进；

具体过程为：

定义一个评价函数J_m，将隶属度u_ij作为权值对距离进行加权迭代，使得评价函数取 得最小值，即为目标函数；

其中，X＝{x₁,x₂,...,x_i,...,x_N}是待分割灰度图像X_β(Xd或Xe，Xd与Xe需分别 通过步骤三FCM聚类得到地物类别数据)的像素点集合，N为待分割图像X_β中的像素 点个数，i＝{1,2,…,N}，C为聚类类别数，2≤C≤N；u_ij表示像素点x_i对第j类的隶属度， v_j表示第j类的聚类中心，j＝{1,2,…,C}；

d²(x_i,v_j)表示像素点x_i与聚类中心v_j的相似度，即距离度量，一般用欧氏距离；m为模糊度指数，又称平滑指数，m值越大模糊程度越大，一般m＝2；在选取聚类类别数 的过程中应保持与参考图像地物类别(农田、河流、山脉等)数相一致而不是待匀色图像；

在研究目标函数J_m的过程中提炼出以下具体实现方案：

一、输入待分割灰度图像X_β，设置聚类类别数为C，模糊度指数为m，迭代终止条 件为ε以及最大迭代次数；

待分割灰度图像X_β为待匀色图像Xd或参考图像Xe；

二、在[0,1]之间随机初始化隶属度矩阵U⁽⁰⁾，保证

式中，C为聚类类别数，2≤C≤N，N为待分割图像X_β中的像素点个数，i＝{1,2,…,N}， u_ij表示像素点x_i对第j类的隶属度，v_j表示第j类的聚类中心，j＝{1,2,…,C}； X＝{x₁,x₂,...,x_i,...,x_N}是待分割灰度图像X_β(Xd或Xe，Xd与Xe需分别通过步骤三 FCM聚类得到地物类别数据)的像素点集合；

三、设置当前迭代次数t＝0；

四、通过U^(t)根据式

计算每个聚类中心

五、根据式

计算新的隶属度矩阵U^(t+1)；

式中，v_k表示第k类的聚类中心，与v_j算法相同，k＝{1,2,…,C}；

六、如果max{U^(t+1)-U^(t)}<ε，即达到终止条件，则停止，得到待分割图像X_β的 FCM聚类结果，相同地物将归于一类，共C类；

否则t＝t+1，返回四(到这里要进行下一次迭代的话，四里的U^(t)变成U^(t+1)，五里的U^(t+1)就是t+2了)进行下一次迭代，直至max{U^(t+1)-U^(t)}<ε。

得到了聚类结果，可以理解为图像被我按照类别分成了很多块子图像，第四步我要利 用这些子图像，在待匀色图像与参考图像之间做匹配；

将经步骤三处理后的Xd(待匀色图像)类别数据与Xe(参考图像)类别数据带入步骤四完成匹配。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤四中将 经过FCM聚类后的结果进行类别匹配，可根据类别数据的灰度均值差异进行。因为在待 匀色图像与参考图像间，相同地物的数据信息都不尽一致，单纯按相近或相似关系难以准 确匹配。但各类别在自身整体图像中的地位是相对确定的，利用这一层关系可按灰度均值 排序将序号一一对应起来；

用灰度均值排序的方式巧妙解决图像子块间难以匹配的问题；具体过程为：

步骤四一、取待匀色图像(Xd)类别数据与参考图像(Xe)类别数据，按类别分别 进行灰度平均值统计(就是类别子图像灰度值取平均值)，将统计结果进行排序；记录类 别与序号的对应关系；

排序可按数值升序也可为降序，但待匀色图像应与参考图像保持一致，方便下一步匹 配；

步骤四二、将两组排好序的类别按序号一一进行匹配，配对结果便是类别匹配结果。

之所以采用这种方式原因在于：在待匀色图像与参考图像间，相同地物的数据信息都 不尽一致，单纯按相近或相似关系难以准确匹配。但各类别在自身整体图像中的地位是相 对确定的，利用这一层关系可按灰度均值排序将序号一一对应起来。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤五中在 两幅图像相互匹配的类别数据间利用Wallis滤波算法进行局部匀色处理，并在Wallis滤 波算法中适当改进，调整参数；利用Wallis滤波算法，完成类别数据间匀色，得到局部 匀色处理后的各类别(农田、河流、山脉等)数据；具体过程为：

两幅图像为待匀色图像类别数据与参考图像类别数据；

取两幅图像相互匹配的类别数据，在配对的类别数据间利用改进匀色算法进行局部匀 色处理，在调整Wallis滤波算法的时候根据需求进行；

式中，c为图像标准差扩展系数，其取值范围为0≤c≤1；b为图像的亮度扩展系数，其取值范围为0≤b≤1；当b取值靠近1时，待局部匀色图像的均值将向m_f靠近，当b 取值靠近0时，待局部匀色图像的均值将向m_g靠近；m_f为参考图像第a个子块的灰度 均值，m_g为待匀色局部图像第a个子块的灰度均值，s_f为参考图像第a个子块的灰度标 准差，s_g为待匀色局部图像第a个子块的灰度标准差，g(x,y)为待匀色局部图像的第a 个子块，g′(x,y)为局部匀色图像的第a个子块；不同子块的m_f、m_g、s_f、s_g值可能 不同；c取值在0.7～0.8,b取值在0.6～0.7在实际操作过程中效果更理想。(可在Wallis滤 波后用直方图匹配匀色算法改进)；

根据局部匀色图像的每个子块g′(x,y)得到局部匀色处理后的各类别(农田、河流、 山脉等)数据。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤七中对 新的待匀色图像X`d进行直方图匹配再次匀色，得到匀色图像；具体过程为：

步骤七一、分别对新的待匀色图像X`d和参考图像Xe进行直方图均衡化；过程为：

设新的待匀色图像的(x,y)处的灰度值为h(x,y)，对新的待匀色图像进行归一化处理， 得到归一化处理后新的待匀色图像r：

式中，h_min为h(x,y)中的最小值，h_max为h(x,y)中的最大值；

设参考图像的(x′,y′)处的灰度值为h(x′,y′)，对参考图像进行归一化处理，得到归一 化处理后参考图像z：

式中，h′_min为h(x′,y′)中的最小值，h′_max为h(x′,y′)中的最大值；

设归一化处理后新的待匀色图像r的直方图分布为P_r(r)，均衡化结果为P_s(s)，其中：

s＝T[r]

式中，T[r]为P_r(r)的累积分布函数；

同理设归一化处理后参考图像z的直方图分布为P_z(z)，均衡化结果为P_v(v)，其中：

v＝G[z]

式中，G[z]为P_z(z)的累积分布函数；

步骤七二、根据均衡化结果的一致性，认为 s＝v

由公式s＝T[r]、v＝G[z]和s＝v，得到一种建立在r与z之间的映射关系：

z＝G^-1[T[r]]

根据这种映射关系将新的待匀色图像进行匀色处理。

新待匀色图像X`d是经过Wallis滤波算法处理直接拼接合成而来，为了达到整体匀 色效果还需经直方图匹配算法再次匀色，消除Wallis滤波带来的块状效果，从整体上对图像进行匀色处理。经步骤七处理后的新待匀色图像成为匀色图像。(该匀色图像可作为参考图像与其他待匀色图像进行无重区域图像匀色)。

其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于FCM聚类匹配+Wallis滤波的无重区域多/高光谱遥感图像匀色方 法具体为：

实验所用数据是一组有重多/高光谱遥感图像数据：GF2_160628与GF2_150906数据 为高分2号采集的山东某村庄多光谱遥感图像，每张图像大小为1536×1536像素，有四个波段，实验截取了无重叠部分的一组遥感图像能够实现无缝拼接。

附图3为原始拼接图像，可见色彩与亮度差异大，拼接交界处有明显边界；

附图4为采用传统方法即直方图匹配算法实现的匀色拼接效果图，与原始图像相较有 一定改善，但拼接重合处依然边界明显，例如农田色彩与参考图像依然相去甚远，过度极 不自然；

附图5为本发明算法，该算法有效解决了无重叠区域带来的匀色难题，利用FCM聚类匹配算法得到同类地物充当重叠部分，并结合Wallis滤波改进匀色算法实现了较好的匀色效果，同时也消除了边界效应。

附图6a、6b、6c、6d是一组直方图对比，对比对象是各图像同类别间的灰度值，可见在数据上本发明方法同样具有更贴近于参考图像的性能优势。

表1为一组评判标准为平均梯度法的情况下各图像对比，本发明的平均梯度指数达到 1.7700优于传统方法1.6832，体现了信息量的丰富度，在后期的图像处理等实际应用中给 工程人员带来更大的操作空间，便于后期利用。综上，实验结果验证了本发明提出的基于 FCM聚类匹配+Wallis滤波的无重区域多/高光谱遥感图像匀色算法的有效性。

表1利用平均梯度法总体评估信息量对比图表

图像类别	参考图像	待匀色图像	直方图匹配	FCM聚类匹配+Wallis滤波
					平均梯度指数	1.6636	1.6306	1.6832	1.7700

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术 人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发 明所附的权利要求的保护范围。

Claims (6)

1.基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述方法具体过程为：

步骤一、获得多/高光谱遥感图像，对多/高光谱遥感图像进行分波段处理，获得M组同波段灰度图像，第m组同波段灰度图像为X1、X2、X3、…、Xα、…、Xn；m＝1,2,...,M；α＝1,2,...,n；

步骤二、通过统计第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的信息量及地物丰富度，选取出参考图像作为参考；

步骤三、对待匀色图像与参考图像分别进行FCM聚类，得到经过FCM聚类后的结果；

步骤四、将经过FCM聚类后的结果进行类别匹配；

步骤五、在两幅图像相互匹配的类别数据间利用Wallis滤波算法进行局部匀色处理，得到局部匀色处理后的各类别数据；

步骤六、将局部匀色处理后的各类别数据合成新的待匀色图像X`d；

步骤七、对新的待匀色图像X`d进行直方图匹配再次匀色，得到匀色图像；

步骤八、将匀色处理后的图像作为参考图像，重复执行步骤三至步骤七，直至第m组同波段灰度图像全部匀色处理完，将匀色处理完的第m组同波段灰度图像拼接；

步骤九、重复步骤二至步骤八获得所有M组拼接好的灰度图像，将所有M组拼接好的灰度图像合成新多/高光谱遥感图像。

2.根据权利要求1所述基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述步骤二中通过统计第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的信息量及地物丰富度，选取出参考图像作为参考；具体过程为：

步骤二一、信息熵表示第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn包含信息量的多少；

对于第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn，认为第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn每幅图像中各灰度值是相互独立的样本，单幅图像中各灰度值所占比例为p＝{p₁、p₂、p₃,…,p_δ,…,p_c}；

利用以下公式分别计算第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中每幅图像的信息熵：

式中，δ表示第m组同波段灰度图像Xα的某灰度级；p_δ表示第m组同波段灰度图像Xα对应灰度级出现的概率；c表示第m组同波段灰度图像Xα的灰度级个数；

步骤二二、按各占百分之五十的权重统计第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中每幅图像的的参考价值，计算公式如下：

式中，Q为参考价值，H为第m组同波段灰度图像Xα的信息熵，H_max为第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中信息熵中最大值，N为第m组同波段灰度图像Xα包含地物种类，N_max为第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn中包含地物种类最大值；

参考价值Q取最大值时所指的灰度图像Xe为第m组同波段灰度图像X1、X2、X3、…、Xα、…、Xn的参考图像；α＝1,2,...n。

3.根据权利要求1或2所述基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述步骤三中对待匀色图像与参考图像分别进行FCM聚类，得到经过FCM聚类后的结果；

具体过程为：

一、输入待分割灰度图像X_β，设置聚类类别数为C，模糊度指数为m，迭代终止条件为ε以及最大迭代次数；

待分割灰度图像X_β为待匀色图像或参考图像；

二、在[0,1]之间随机初始化隶属度矩阵U⁽⁰⁾，保证

式中，C为聚类类别数，2≤C≤N，N为待分割图像X_β中的像素点个数，i＝{1,2,…,N}，u_ij表示像素点x_i对第j类的隶属度，v_j表示第j类的聚类中心，j＝{1,2,…,C}；X＝{x₁,x₂,...,x_i,...,x_N}是待分割灰度图像X_β的像素点集合；

三、设置当前迭代次数t＝0；

四、通过U^(t)根据式

计算每个聚类中心

五、根据式

计算新的隶属度矩阵U^(t+1)；

式中，v_k表示第k类的聚类中心，k＝{1,2,…,C}；

六、如果max{U^(t+1)-U^(t)}<ε，即达到终止条件，则停止，得到待分割图像X_β的FCM聚类结果，相同地物将归于一类，共C类；

否则t＝t+1，返回四进行下一次迭代，直至max{U^(t+1)-U^(t)}<ε。

4.根据权利要求3所述基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述步骤四中将经过FCM聚类后的结果进行类别匹配；具体过程为：

步骤四一、取待匀色图像类别数据与参考图像类别数据，按类别分别进行灰度平均值统计，将统计结果进行排序；记录类别与序号的对应关系；

排序可按数值升序也可为降序，但待匀色图像应与参考图像保持一致；

步骤四二、将两组排好序的类别按序号一一进行匹配，配对结果便是类别匹配结果。

5.根据权利要求4所述基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述步骤五中在两幅图像相互匹配的类别数据间利用Wallis滤波算法进行局部匀色处理，得到局部匀色处理后的各类别数据；具体过程为：

两幅图像为待匀色图像类别数据与参考图像类别数据；

取两幅图像相互匹配的类别数据，在配对的类别数据间利用改进匀色算法进行局部匀色处理；

式中，c为图像标准差扩展系数，其取值范围为0≤c≤1；b为图像的亮度扩展系数，其取值范围为0≤b≤1；当b取值靠近1时，待局部匀色图像的均值将向m_f靠近，当b取值靠近0时，待局部匀色图像的均值将向m_g靠近；m_f为参考图像第a个子块的灰度均值，m_g为待匀色局部图像第a个子块的灰度均值，s_f为参考图像第a个子块的灰度标准差，s_g为待匀色局部图像第a个子块的灰度标准差，g(x,y)为待匀色局部图像的第a个子块，g′(x,y)为局部匀色图像的第a个子块；

根据局部匀色图像的每个子块g′(x,y)得到局部匀色处理后的各类别数据。

6.根据权利要求5所述基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法，其特征在于：所述步骤七中对新的待匀色图像X`d进行直方图匹配再次匀色，得到匀色图像；具体过程为：

步骤七一、分别对新的待匀色图像X`d和参考图像Xe进行直方图均衡化；过程为：

设新的待匀色图像的(x,y)处的灰度值为h(x,y)，对新的待匀色图像进行归一化处理，得到归一化处理后新的待匀色图像r：

式中，h_min为h(x,y)中的最小值，h_max为h(x,y)中的最大值；

设参考图像的(x′,y′)处的灰度值为h(x′,y′)，对参考图像进行归一化处理，得到归一化处理后参考图像z：

式中，h′_min为h(x′,y′)中的最小值，h′_max为h(x′,y′)中的最大值；

设归一化处理后新的待匀色图像r的直方图分布为P_r(r)，均衡化结果为P_s(s)，其中：

s＝T[r]

式中，T[r]为P_r(r)的累积分布函数；

同理设归一化处理后参考图像z的直方图分布为P_z(z)，均衡化结果为P_v(v)，其中：

v＝G[z]

式中，G[z]为P_z(z)的累积分布函数；

步骤七二、根据均衡化结果的一致性，认为

s＝v

由公式s＝T[r]、v＝G[z]和s＝v，得到一种建立在r与z之间的映射关系：

z＝G^-1[T[r]]

根据这种映射关系将新的待匀色图像进行匀色处理。

Images