專利名稱：基于PCA與Shearlet變換的遙感圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能圖像處理領(lǐng)域，涉及圖像融合方法，可用于到軍事目標(biāo)識別、氣象監(jiān)測、環(huán)境監(jiān)測、土地利用、城市規(guī)劃以及防災(zāi)減災(zāi)等多個領(lǐng)域的技術(shù)。
背景技術(shù)：
隨著遙感技術(shù)的發(fā)展，由各種衛(wèi)星傳感器對地觀測獲取同一地區(qū)的多源遙感圖像數(shù)據(jù)，即多時相、多光譜、多傳感器、多平臺和多分辨率的遙感圖像數(shù)據(jù)越來越多，為軍事目標(biāo)的識別、環(huán)境監(jiān)測等提供了豐富而又寶貴的資料。但是由于實際應(yīng)用中所需的遙感圖像數(shù)據(jù)在時間、空間和光譜方面差異很大，而各種傳感器提供的遙感圖像數(shù)據(jù)都具有不同的特點，比如通過衛(wèi)星獲取的多光譜和全色圖像，多光譜圖像具有豐富的光譜信息，WordView-Ι衛(wèi)星甚至能夠獲取到八個波段的多光譜圖像，但是多光譜圖像的分辨率一般情況下只有全色圖像的四分之一，全色圖像具有很高的空間分辨率，但是卻沒有豐富的光譜信息。所以遙感技術(shù)應(yīng)用的主要障礙不是數(shù)據(jù)源的不足，而是從這些數(shù)據(jù)源中提取更豐富、更有用和更可靠信息的能力大小。各種單一的遙感手段獲取的圖像數(shù)據(jù)在幾何、光譜和空間分辨率等方面存在明顯的局限性和差異性，導(dǎo)致其應(yīng)用能力受到限制，所以在實踐中僅僅利用一種遙感圖像數(shù)據(jù)是很難滿足要求的，這就要求我們對多源圖像數(shù)據(jù)之間的冗余性進行充分利用。冗余信息的應(yīng)用，可以降低多源圖像融合的誤差和不確定性，提高識別率和精確度。多源遙感圖像融合，尤其是多光譜和全色圖像的融合，被認為是現(xiàn)代多源圖像處理和分析中非常重要的一步。目前，市場上使用的多光譜和全色圖像融合方法主要有基于空間域的和基于變換域兩種?？臻g域中常用的融合方法有基于HIS變換、基于PCA變換和基于Gram-Schmidt變換三種?；贖IS變換的融合方法計算復(fù)雜度低，常被用于各種軟件中，但是HIS變換融合后的圖像光譜失真嚴重，并且只能用于三個波段的多光譜圖像，隨著傳感器的飛速發(fā)展，從衛(wèi)星傳回地面的多光譜圖像常常是多于三個波段的，所以基于HIS變換的融合方法的應(yīng)用就受到了限制；基于PCA變換的融合方法得到的融合的圖像具有比HIS變換具有更好的光譜特征和空間分辨率，對多光譜圖像進行PCA變換分解，分解后的第一主分量圖像含有原始多光譜圖像的大部分能量，而當(dāng)?shù)谝恢鞣至繄D像和全色圖像具有較高相關(guān)系數(shù)的時候，能夠得到較高的融合圖像，相反，當(dāng)和全色圖像相關(guān)系數(shù)最高的分量圖像不是第一主分量圖像的時候，如果仍采用傳統(tǒng)的PCA方法，就會對融合圖像的空間分辨率造成嚴重的影響，對具有多于三個波段的多光譜圖像進行融合的時候常常會出現(xiàn)這種情況；基于Gram-Schmidt變換的融合方法已經(jīng)被應(yīng)用于ENVI軟件中。在Gram-Schmidt變換方法的實現(xiàn)過程中，需要首先模擬一個低分辨率全色圖像作為Gram-Schmidt分解的第一個分量，并基于此分量對多光譜圖像進行正交分解，當(dāng)模擬的第一分量圖像與高分辨全色圖像具有較高的相關(guān)系數(shù)的時候，能夠得到較好的融合結(jié)果，反之，融合圖像的光譜和分辨率就會受到較大的影響。目前，還沒有一種更加有效的方式來解決Gram-Schmidt變換中的對第一分量的模擬問題?；谧儞Q域的常用的方法有基于小波的融合方法和基于多尺度幾何分析的融合方法?；谛〔ǖ娜诤戏椒ǖ玫降娜诤蠄D像能夠較好的保持光譜信息，但是由于小波變換只能提取圖像三個方向的特征，使得融合的圖像空間分辨率不高?；诙喑叨葞缀畏治龇椒ㄊ悄壳皥D像融合領(lǐng)域研究的熱點方法，在圖像融合中，常用的多尺度幾何分析工具主要有Bandlet、Contourlet和Shearlet。其中，Bandlet變換能夠?qū)D像進行任意方向的分解，按照實際的需要提取圖像任意方向的特征，但是Bandlet變換不具有平移不變性，也就是當(dāng)多光譜圖像和全色圖像在配準過程中存在配準誤差的時候，融合圖像就會出現(xiàn)雙重邊緣，嚴重影響融合圖像的質(zhì)量。Contourlet變換具有平移不變性,但是Contourlet變換在提取圖像方向特征的時候，分解的方向數(shù)受到限制的，也就是只能對圖像進行固定個方向的分解，使得圖像的一些方向信息丟失，從而影響融合圖像的空間分辨率。Shearlet變換不僅具有平移不變性，還能夠?qū)D像進行任意尺度和任意方向的分解，能夠提取圖像任意方向的特征，所以在融合圖像中能夠得到較高的空間分辨率。但是Shearlet變換，以及其它所有的多尺度幾何分析工具，在多光譜和全色圖像的融合過程中，需要對多光譜圖像的每一個波段分別進行尺度的分解和方向特征的提取，隨著多光譜圖像的波段數(shù)越來越多，計算的時間復(fù)雜度也就會越來越大，單獨使用多尺度幾何分析工具來融合多光譜和全色圖像，在計算的時間復(fù)雜度上，很難滿足市場的要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于PCA與Shearlet變換的遙感圖像融合方法，以解決現(xiàn)有技術(shù)在多光譜和全色圖像融合過程中光譜信息和空間分辨率難以平衡，及多光譜和全色圖像融合后光譜失真或者空間分辨率不高的問題，提高融合圖像的質(zhì)量。為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟如下:I)分別輸入一副采樣后的多光譜圖像`I1和高分辨率全色圖像I2 ;2)對多光譜圖像I1進行上采樣，上采樣后的多光譜圖像的大小與高分辨率全色圖像I2的大小相同；3)對上采樣后的多光譜圖像進行主成分分析PCA變換，得到變換后的各個分量圖像PCi, i = 1，2，...，Nb，其中Nb是多光譜圖像的波段數(shù)；4)分別計算每一個分量圖像PCi與全色圖像I2的相關(guān)系數(shù)值，記為CCi, i =1，2，...，N，并且將最大的相關(guān)系數(shù)值保存，記為CCMax ；5)計算每一個相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值，對所有差值小于給定閾值的分量圖像PCS，S = 1,2,..., N1，分別執(zhí)行步驟6)到8)，并將其余分量圖像保存為PCns, NS = 1，2，…，N2，其中N1為相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值小于給定閾值的分量圖像的個數(shù)，N2為相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值大于或者等于給定閾值的分量圖像的個數(shù)，且NJN2 = Nb ；6)對相關(guān)系數(shù)差值小于給定閾值的分量圖像PCS，S = 1，2，...，N1和高分辨率全色圖像I2分別進行Shearlet變換分解，分別得到分量圖像的一個低頻系數(shù)Lk和多個方向子帶系數(shù)Hk，以及全色圖像的一個低頻系數(shù)Lp和多個方向子帶系數(shù)Hp ；
7)對得到的分量圖像PCS，S = 1，2，...，N1和全色圖像I2的低頻系數(shù)Lk，Lp和多個方向子帶系數(shù)Hk，Hp分別采用不同的提取規(guī)則來作為融合后的分量圖像的低頻系數(shù)Lf和多個方向子帶系數(shù)Hf ;8)對融合后分量圖像的低頻系數(shù)Lf和多個方向子帶系數(shù)Hf進行逆Shearlet變換，得到融合后的分量圖像If;9)對所有融合后的分量圖像If和步驟5)保存的其余分量圖像PCNS，NS =
I,2,..., N2進行逆主成分分析PCA變換，得到融合圖像Ifus。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下效果:(a)本發(fā)明由于使用自適應(yīng)的主成分分析PCA算法對多光譜圖像進行分解，分解后的分量圖像的相關(guān)系數(shù)與全色圖像的相關(guān)系數(shù)兩個共同作用，來確定參與后續(xù)融合處理的分量圖像，克服了傳統(tǒng)的只采用PCA分解的第一分量圖像參與后續(xù)圖像的融合處理從而易導(dǎo)致融合圖像光譜扭曲的問題，這樣就提高了融合圖像的光譜信息。(b)本發(fā)明由于使用Shearlet變換分解分量圖像與全色圖像,利用Shearlet變換能夠?qū)D像進行任意方向特征提取的特點，克服了傳統(tǒng)小波變換只能提取圖像三個方向的特征，易導(dǎo)致圖像細節(jié)信息丟失的問題，從而提高了融合圖像的分辨率。


圖1是本發(fā)明的多光譜圖像和全色圖像融合流程圖；圖2是本發(fā)明仿真使用的QuickBrid衛(wèi)星圖像的假彩色多光譜和全色圖像；圖3是本發(fā)明對圖2中的多光譜和全色圖像融合的結(jié)果圖像；圖4是本發(fā)明仿真使用的QuickBird衛(wèi)星圖像的真彩色多光譜和全色圖像；圖5是本發(fā)明對圖4中的多光譜和全色圖像融合的結(jié)果圖像。
具體實施例方式參照圖1，本發(fā)明結(jié)合自適應(yīng)PCA變換和Shearlet變換的多光譜和全色圖像融合方法的實現(xiàn)步驟如下:步驟1，對多光譜圖像分別進行上采樣采樣后的多光譜圖像的大小與對應(yīng)的全色圖像圖的大小相同，將采樣后的多光譜圖像記作I1，原始的全色圖像記作12。步驟2，對步驟I中采樣后的多光譜圖像I1進行主成分分析PCA變換，得到變換后的各個分量圖像，記作PCi, i = 1，2，...，Nb，其中Nb是多光譜圖像的波段數(shù)，分量圖像的大小和采樣后的多光譜圖像I1的大小相同，大小記作MXN，M和N分別是分量圖像的寬和高。由于原始多光譜圖像的維數(shù)較高，處理的時間復(fù)雜度高，并且各個波段之間的數(shù)據(jù)具有極大的相關(guān)性，使得噪聲信息難以去除，通過對多光譜圖像進行主成分分析PCA變換，將多光譜圖像分解成多個分量圖像，這些分量圖像互不相關(guān)，從而達到隔離噪聲和減少數(shù)據(jù)集維數(shù)的目的。步驟3，對步驟2中得到的每一個分量圖像PCi,計算其與全色圖像I2的相關(guān)系數(shù)值，記作CCi, i = 1，2，...，N，并且將最大的相關(guān)系數(shù)值記錄下來，記作CCMax，其中相關(guān)系數(shù)的計算公式如下:
權(quán)利要求
1.一種基于PCA與Shearlet變換的遙感圖像融合方法,包括如下步驟: 1)分別輸入一副多光譜圖像I1和高分辨率全色圖像I2; 2)對多光譜圖像I1進行上采樣，上采樣后的多光譜圖像的大小與高分辨率全色圖像I2的大小相同； 3)對上采樣后的多光譜圖像進行主成分分析PCA變換，得到變換后的各個分量圖像PCi, i = 1，2，...，Nb，其中Nb是多光譜圖像的波段數(shù)； 4)分別計算每一個分量圖像PCi與全色圖像I2的相關(guān)系數(shù)值，記為CCi,i =1，2，...，N，并且將最大的相關(guān)系數(shù)值保存，記為CCMax ； 5)計算每一個相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值，對所有差值小于給定閾值的分量圖像PCS，S = 1，2，...，N1,分別執(zhí)行步驟6)到8)，并將其余分量圖像保存為PCns, NS = 1，2，…，N2，其中N1為相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值小于給定閾值的分量圖像的個數(shù)，N2為相關(guān)系數(shù)值CCi與最大相關(guān)系數(shù)值CCMax的差值大于或者等于給定閾值的分量圖像的個數(shù)，且NJN2 = Nb ； 6)對相關(guān)系數(shù)差值小于給定閾值的分量圖像PCS，S= 1，2，...，N1和高分辨率全色圖像I2分別進行Shearlet變換分解，分別得到分量圖像的一個低頻系數(shù)Lk和多個方向子帶系數(shù)Hk，以及全色圖像的一個低頻系數(shù)Lp和多個方向子帶系數(shù)Hp ； 7)對得到的分量圖像PCS，S= 1，2，...，N1和全色圖像I2的低頻系數(shù)Lk，Lp和多個方向子帶系數(shù)Hk，Hp分別采用不同的提取規(guī)則來作為融合后的分量圖像的低頻系數(shù)Lf和多個方向子帶系數(shù)Hf ; 8)對融合后分量圖像的低頻系數(shù)Lf和多個方向子帶系數(shù)Hf進行逆Shearlet變換，得到融合后的分量圖像If ; 9)對所有融合后的分量圖像If和步驟5)中保存的其余分量圖像PCNS，NS= I, 2,..., N2進行逆主成分分析PCA變換，得到融合圖像Ifus。
2.根據(jù)權(quán)利要求1所述的結(jié)合自適應(yīng)PCA和Shearlet變換的多光譜圖像和全色圖像融合方法，其中步驟6)所述的對相關(guān)系數(shù)小于給定閾值的分量圖像PCS，S = 1，2，...，N1和全色圖像I2分別進行Shearlet分解,按如下步驟進行: 對分量圖像PCS，S = 1，2，...，N1進行4個尺度的分解，即通過拉普拉斯金字塔變換，將分量圖像分解為一個低頻系數(shù)Lk和4個高頻系數(shù)Hlk，H2k, H3k, H4k的尺度圖1Sm，m =1,2, 3,4 ； 對步驟6a)得到的4個高頻系數(shù)Hlk，H2k, H3k, H4k的尺度圖1Sm分別進行多方向分解，即從粗尺度到細尺度，四個尺度圖1Sm分別依次被分解為6個、6個、10個和10個方向，從而得到分量圖像PCs, S = 1，2，...，N1的多個方向子帶系數(shù)Hk ； 重復(fù)步驟6a)和步驟6b)，將分量圖像替換為全色圖像12，得到全色圖像Shearlet分解后的低頻系數(shù)Lp和多個方向子帶系數(shù)Hp。
3.根據(jù)權(quán)利要求1所述的結(jié)合自適應(yīng)PCA和Shearlet變換的多光譜和全色圖像融合方法，其中步驟7)所述的對分量圖像PCS，S = 1，2，...，N1和全色圖像I2的低頻系數(shù)和多個方向子帶系數(shù)，分別采用不同的提取規(guī)則來分別作為融合后分量圖像的低頻系數(shù)和方向子帶系數(shù)，按如下步驟進行: 對于分量圖像PCS，S = 1，2，...，N1,則提取該分量圖像的的低頻系數(shù)Lk作為融合后的分量圖像的低頻系數(shù)Lf ; 對于全色圖像12，則 提取該全色圖像的每一個方向子帶系數(shù)Hp，用該方向子帶系數(shù)Hp與權(quán)值W的乘積作為融合后的分量圖像的方向子帶系數(shù)Hf = HPXW，其中權(quán)值W根據(jù)分量圖像與全色圖像的灰度方差比Rk確定，Rk是分量圖像PCk的灰度方差與全色圖像I2的灰度方差比。
全文摘要
本發(fā)明公開了一種基于PCA與Shearlet變換的遙感圖像融合方法，主要解決多光譜和全色圖像融合過程中光譜信息和空間分辨率難以平衡的問題。其實現(xiàn)步驟是對上采樣后的多光譜圖像進行PCA變換，得到各個分量圖像；計算每個分量圖像與全色圖像的相關(guān)系數(shù)，并計算其與最大相關(guān)系數(shù)的差值；對差值小于給定閾值的分量圖像和全色圖像分別進行Shearlet分解，根據(jù)分解結(jié)果得到融合后的分量圖像；將融合后的分量圖像和差值不小于給定閾值的分量圖像組成數(shù)據(jù)集，對該數(shù)據(jù)集進行逆PCA變換，得到融合圖像。本發(fā)明具有融合圖像的光譜保持性和空間分辨率高的優(yōu)點，可用于到軍事目標(biāo)識別、氣象監(jiān)測、環(huán)境監(jiān)測、城市規(guī)劃以及防災(zāi)減災(zāi)。
文檔編號G06T5/50GK103116881SQ20131003063
公開日2013年5月22日 申請日期2013年1月27日 優(yōu)先權(quán)日2013年1月27日
發(fā)明者劉芳, 石程, 李玲玲, 郝紅俠, 戚玉濤, 焦李成, 楊鴿, 尚榮華, 馬文萍, 馬晶晶 申請人:西安電子科技大學(xué)