專利名稱：基于方向波域隱馬爾可夫樹模型的遙感圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及對(duì)多光譜與全色遙感圖像的融合技術(shù)，可用于軍事、農(nóng)業(yè)、地質(zhì)、海洋、氣象以及環(huán)保等領(lǐng)域。
背景技術(shù)：
隨著遙感技術(shù)的發(fā)展，面向各種復(fù)雜應(yīng)用的軍用和民用傳感器大量涌現(xiàn)。在這些多傳感器系統(tǒng)中，信息表現(xiàn)形式的多樣性，信息容量、處理速度的要求等都大大超出了人腦的信息綜合能力。由于不同類型的傳感器信息之間存在一定的冗余性和互補(bǔ)性，如何從采集的數(shù)據(jù)中提取出更豐富、更可靠、更精確的信息成為當(dāng)前面臨的新問(wèn)題，于是，一門被稱之為信息融合的技術(shù)便應(yīng)運(yùn)而生。圖像融合是信息融合的重要分支。隨著數(shù)字傳感技術(shù)的普及，越來(lái)越多的圖像傳感器被應(yīng)用于各個(gè)領(lǐng)域，這些傳感器具有不同的成像機(jī)理或者工作于不同的波長(zhǎng)范圍，可以根據(jù)不同的工作環(huán)境或者要求，實(shí)現(xiàn)不同的圖像數(shù)據(jù)采集功能。圖像融合就是將兩個(gè)或多個(gè)來(lái)自不同時(shí)間、不同媒質(zhì)或不同表達(dá)方式的同一對(duì)象的圖像進(jìn)行空間配準(zhǔn)，然后采用一定的算法將各圖像中所含的優(yōu)勢(shì)或者互補(bǔ)信息有機(jī)地結(jié)合起來(lái)產(chǎn)生新圖像的技術(shù)。圖像融合技術(shù)通過(guò)綜合來(lái)自多個(gè)傳感器的圖像，擴(kuò)大了傳感器的成像范圍、綜合了各個(gè)傳感器的成像優(yōu)勢(shì)、提高了獲取信息的準(zhǔn)確率，具有良好的容錯(cuò)性和魯棒性，因此被廣泛應(yīng)用于目標(biāo)識(shí)別、計(jì)算機(jī)視覺、遙感、醫(yī)學(xué)圖像處理以及軍事應(yīng)用等領(lǐng)域。多光譜與全色遙感圖像融合是圖像融合中一個(gè)重要的研究領(lǐng)域。多光譜圖像具有豐富的顏色特征，但是缺乏空間細(xì)節(jié)信息，而高分辨率全色圖像分辨率高，卻缺少光譜信息，兩者融合的目的旨在提高低分辨率多光譜圖像空間分辨率的同時(shí)盡可能地保留其光譜特性，從而獲得一幅光譜信息豐富且細(xì)節(jié)紋理清晰的融合圖像，以便于人眼的觀察和計(jì)算機(jī)的后續(xù)處理。傳統(tǒng)的多光譜與全色遙感圖像融合方法主要有加權(quán)平均方法，基于HIS變換的方法，基于主分量分析(PCA)的方法，基于金字塔變換的方法以及基于小波變換的方法等，但這些方法均有其自身的局限性。加權(quán)平均的圖像融合方法降低了圖像的對(duì)比度；基于HIS變換的方法會(huì)使融合圖像的光譜特性發(fā)生扭曲，產(chǎn)生光譜退化現(xiàn)象；基于主分量分析的方法要求被替換和替換的數(shù)據(jù)之間有較強(qiáng)的相關(guān)性，通常情況下，這種條件并不成立，因此導(dǎo)致融合效果不太理想；基于金字塔的方法利用其多尺度、多分辨率的優(yōu)勢(shì)，得到了較好的圖像融合效果，但由于進(jìn)行拉普拉斯金字塔分解的過(guò)程中，會(huì)產(chǎn)生大量的冗余信息，導(dǎo)致融合過(guò)程的計(jì)算量增大，不利于實(shí)時(shí)性處理；此外由于圖像的金字塔變換方向有限，導(dǎo)致其不能更好的撲捉源圖像中的方向信息；基于小波變換方法得到的融合圖像細(xì)節(jié)豐富，紋理清晰，視覺效果優(yōu)于其他方法，這是由于小波變換具有其它方法所不具備的優(yōu)良特性:小波分析是一種新的多分辨率分析工具；小波是非冗余的，使得圖像經(jīng)小波分解后的數(shù)據(jù)總量不會(huì)增大；由于人眼對(duì)不同方向的高頻分量具有不同分辨率，小波分解有方向性，能滿足人眼的視覺要求。但小波變換也有其自身的局限性:由一維小波生成的可分離小波，其基函數(shù)只有水平，垂直和對(duì)角方向，故不能“最優(yōu)”表示高維空間的奇異性；在標(biāo)準(zhǔn)的二維小波變換DffT中，同尺度下沿水平方向的一維濾波及采樣次數(shù)與垂直方向相同，是各向同性的，但是圖像的邊緣和輪廓奇異性卻屬于圖像的各向異性特征，不能被標(biāo)準(zhǔn)二維小波變換有效地捕捉；正交小波變換不具有平移不變性，這會(huì)導(dǎo)致圖像的邊緣部分出現(xiàn)振鈴效應(yīng)，即在一些特征邊緣出現(xiàn)虛假輪廓，這使得圖像特征的定位和表達(dá)不夠穩(wěn)健。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述現(xiàn)有方法的不足，提出一種基于方向波域隱馬爾可夫樹模型的遙感圖像融合方法，以充分捕捉圖像中的邊緣等各向異性特征，減少光譜扭曲和細(xì)節(jié)模糊現(xiàn)象，獲得包含豐富光譜信息和細(xì)節(jié)信息的融合圖像。本發(fā)明的技術(shù)思路是，利用HIS變換對(duì)多光譜圖像進(jìn)行分解得到H、1、S三個(gè)分量，將全色圖像和I分量進(jìn)行直方圖匹配得到新的全色圖像。使用Velisavl jevic’ V等人提出的方向波即Directionlet變換，對(duì)新的全色圖像和I分量分別進(jìn)行分解，得到各自的Directionlet低頻系數(shù)和高頻系數(shù),對(duì)Directionlet低頻系數(shù)采用基于遺傳算法的融合規(guī)則，得到新的I分量的Directionlet低頻系數(shù)；對(duì)Directionlet高頻系數(shù)分別建立隱馬爾可夫樹即HMT統(tǒng)計(jì)模型，根據(jù)Dempster等人提出的EM算法，分別計(jì)算新的全色圖像和I分量的Directionlet高頻系數(shù)的后驗(yàn)概率，根據(jù)顯著性測(cè)量的融合規(guī)則選擇最優(yōu)的Directionlet高頻系數(shù)作為新的I分量的Directionlet高頻系數(shù)。通過(guò)Directionlet逆變換來(lái)得到新的I分量，再結(jié)合H、S分量由HIS空間逆變換到RGB空間即可得到融合圖像。其實(shí)現(xiàn)步驟包括如下:
(I)將多光譜圖像由紅-綠-藍(lán)RGB空間變換到色度-亮度-飽和度HIS空間，得到色度H、亮度1、飽和度S三個(gè)分量；(2)將全色圖像與亮度I分量進(jìn)行直方圖匹配，使新的全色圖像與亮度I分量具有較強(qiáng)的相關(guān)性；(3)對(duì)新的全色圖像和亮度I分量分別進(jìn)行Directionlet變換，得到新的全色圖像和亮度I分量的低頻系數(shù)和高頻系數(shù)；(4)對(duì)新的全色圖像的Directionlet高頻系數(shù)和亮度I分量的Directionlet
高頻系數(shù)^分別建立HMT模型，并構(gòu)造新的全色圖像的模型參數(shù)集Θ i和亮度I分量的模型參數(shù)集Θ 2 ；(5)利用期望最大算法即EM算法分別對(duì)新的全色圖像的模型參數(shù)集Θ i和亮度I分量的模型參數(shù)集92進(jìn)行訓(xùn)練，得到所述91的估計(jì)值0和所述02的估計(jì)值0根據(jù)g計(jì)
算新的全色圖像的每個(gè)Directionlet高頻系數(shù)的后驗(yàn)概率Pa，根據(jù)&計(jì)算亮度I分量的每個(gè)Directionlet高頻系數(shù)的后驗(yàn)概率Pb ；(6)根據(jù)新的全色圖像的后驗(yàn)概率Pa和亮度I分量的后驗(yàn)概率Pb，對(duì)新的全色圖像的Directionlet高頻系數(shù)和亮度I分量的Directionlet高頻系數(shù)釆用顯著性測(cè)
量的融合規(guī)則進(jìn)行融合，得到新的亮度I分量的Directionlet高頻系數(shù)< ；
(7)對(duì)新的全色圖像的Directionlet低頻系數(shù)< 和亮度I分量的Directionlet低頻系數(shù)千用基于遺傳算法的融合規(guī)則，得到新的亮度I分量的Directionlet低頻系數(shù)< ;(8)對(duì)上述新的亮度I分量的Directionlet低頻系數(shù)rff和高頻系數(shù)^^進(jìn)行Directionlet逆變換，得到新的亮度I分量；(9)將上述得到的新的亮度I分量與色度H、飽和度S分量相結(jié)合，由色度-亮度-飽和度HIS空間反變換到紅-綠-藍(lán)RGB空間，即可得到最終融合圖像。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn):1.本發(fā)明中采用了 Directionlet變換對(duì)圖像進(jìn)行分解，相比基于小波變換的方法，能夠提取出全色圖像中更豐富的邊緣和紋理等各向異性特征，且在融合過(guò)程中，能夠抑制基于小波變換的融合方法存在的方向性混疊和“振鈴現(xiàn)象”。2.本發(fā)明利用隱馬爾可夫樹HMT模型對(duì)圖像的Directionlet高頻系數(shù)建模，與傳統(tǒng)的基于小波變換的方法相比，能充分挖掘出不同尺度系數(shù)之間的相關(guān)性，使得整幅圖像看起來(lái)更加光滑，減少塊狀效應(yīng)的產(chǎn)生。3.本發(fā)明對(duì)新的全色圖像和亮度I分量的Directionlet低頻系數(shù)采用基于遺傳算法的融合規(guī)則，遺傳算法是問(wèn)題求解和最優(yōu)化的有效工具，與傳統(tǒng)的加權(quán)平均的融合規(guī)則相比，遺傳算法可以求得最優(yōu)的低頻加權(quán)系數(shù)，充分利用待融合圖像的優(yōu)勢(shì)信息，增強(qiáng)圖像的對(duì)比度。本發(fā)明對(duì)多光譜與全色遙感圖像進(jìn)行了融合測(cè)試，分別從視覺效果和客觀評(píng)價(jià)指標(biāo)方面對(duì)融合結(jié)果進(jìn)行了評(píng)價(jià)，結(jié)果均表明本發(fā)明方法是有效和可行的。


圖1是本發(fā)明的流程圖；圖2是Directionlet域隱馬爾可夫樹HMT模型不意圖；圖3是本發(fā)明的Directionlet域隱馬爾可夫樹HMT模型參數(shù)訓(xùn)練流程圖；圖4是本發(fā)明與其它方法對(duì)多光譜與全色遙感圖像融合結(jié)果比較圖；圖5是本發(fā)明與其它方法對(duì)多光譜與全色遙感圖像融合結(jié)果比較圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下:步驟1:對(duì)多光譜圖像進(jìn)行色度-亮度-飽和度HIS變換，獲得HIS色彩空間的色度H、亮度1、飽和度S三個(gè)分量。(Ia)對(duì)多光譜圖像的紅R、綠G、藍(lán)B三個(gè)分量分別進(jìn)行歸一化處理，得到其歸一化分量r、g、b:
權(quán)利要求
1.一種基于方向波域隱馬爾可夫樹模型的遙感圖像融合方法，包括如下步驟: (1)將多光譜圖像由紅-綠-藍(lán)RGB空間變換到色度-亮度-飽和度HIS空間，得到色度H、亮度1、飽和度S三個(gè)分量； (2)將全色圖像與亮度I分量進(jìn)行直方圖匹配，使新的全色圖像與亮度I分量具有較強(qiáng)的相關(guān)性； (3)對(duì)新的全色圖像和亮度I分量分別進(jìn)行Directionlet變換，得到新的全色圖像和亮度I分量的低頻系數(shù)和高頻系數(shù)； (4)對(duì)新的全色圖像的Directionlet高頻系數(shù)和亮度I分量的Directionlet高頻系數(shù)分別建立HMT模型，并構(gòu)造新的全色圖像的模型參數(shù)集θ 和亮度I分量的模型參數(shù)集Θ 2 ； (5)利用期望最大算法即EM算法分別對(duì)新的全色圖像的模型參數(shù)集Θi和亮度I分量的模型參數(shù)集92進(jìn)行訓(xùn)練，得到所述估計(jì)值g和所述θ2的估計(jì)值&,根據(jù)g算新的全色圖像的每個(gè)Directionlet高頻系數(shù)的后驗(yàn)概率Pa，根據(jù)0汁算亮度I分量的每個(gè)Directionlet高頻系數(shù)的后驗(yàn)概率Pb ； (6)根據(jù)新的全色圖像的后驗(yàn)概率Pa和亮度I分量的后驗(yàn)概率Pb，對(duì)新的全色圖像的Directionlet高頻系數(shù)和亮度I分量的Directionlet高頻系數(shù)采用顯著性測(cè)量的融合規(guī)則進(jìn)行融合，得到新的亮度I分量的Directionlet高頻系數(shù)； (7)對(duì)新的全色圖像的Directionlet低頻系數(shù)tjf和亮度I分量的Directionlet低頻系數(shù)c/f采用基于遺傳算法的融合規(guī)則，得到新的亮度I分量的Directionlet低頻系數(shù)rff;(8)對(duì)上述新的亮度I分量的Directionlet低頻系數(shù)和高頻系數(shù)^<進(jìn)行Directionlet逆變換，得到新的亮度I分量； (9)將上述得到的新的亮度I分量與色度H、飽和度S分量相結(jié)合，由色度-亮度-飽和度HIS空間反變換到紅-綠-藍(lán)RGB空間，即可得到最終融合圖像。
2.根據(jù)權(quán)利要求1所述的多光譜與全色遙感圖像融合方法，其中步驟(3)所述的對(duì)新的全色圖像和亮度I分量分別進(jìn)行Directionlet變換,按如下步驟進(jìn)行: (2a)給出一組為±30°，土45°，土60°，0° ,90°的方向，并從給出的方向中任意選擇兩個(gè)分別作為變換方向和隊(duì)列方向，構(gòu)造采樣矩陣Μλ，
3.根據(jù)權(quán)利要求1所述的多光譜與全色遙感圖像融合方法，其中步驟(4)所述的對(duì)新的全色圖像的Directionlet高頻系數(shù)建立HMT模型,構(gòu)造該模型的參數(shù)集Θ i,按如下步驟進(jìn)行: (3a)對(duì)新的全色圖像的每個(gè)Directionlet高頻系數(shù)建立兩狀態(tài)的高斯混合模型,得到其高斯混合模型的參數(shù)及PSj(m)， 其中，巧表示序號(hào)為j的節(jié)點(diǎn)的狀態(tài)變量S」取值為m時(shí)高斯模型的均值，表示序號(hào)為j的節(jié)點(diǎn)的狀態(tài)變量S」取值為m時(shí)高斯模型的方差， 1>S: (m)表示序號(hào)為j的節(jié)點(diǎn)的狀態(tài)變量S」取值為m時(shí)的概率， m為狀態(tài)數(shù),取值為I或2 ; (3b)利用Directionlet同一方向尺度系數(shù)狀態(tài)間的馬爾可夫依賴性，引入狀態(tài)轉(zhuǎn)移概率表示序號(hào)為j的節(jié)點(diǎn)的狀態(tài)S」為m時(shí)它的父節(jié)點(diǎn)狀態(tài)Sp (J)為η的轉(zhuǎn)移概率,m和η為狀態(tài)數(shù),取值均為I或2 ; (3c)利用上述所得參數(shù)組 成HMT模型的參數(shù)集Θ工，即
4.根據(jù)權(quán)利要求1所述的多光譜與全色圖像融合方法，其中步驟(6)所述的對(duì)新的全色圖像的Directionlet高頻系數(shù)和亮度I分量的Directionlet高頻系數(shù)采用顯著性測(cè)量的融合規(guī)則進(jìn)行融合，按如下步驟進(jìn)行: (4a)設(shè)新的全色圖像的Directionlet高頻系數(shù)為,亮度I分量的Directionlet高頻系數(shù)為dBH亮度I新分量的Directionlet高頻系數(shù)為dcH % (4b)任意給定一個(gè)節(jié)點(diǎn)」，所述dH中節(jié)點(diǎn)j處的高頻系數(shù)值為d),所述中節(jié)點(diǎn)j處的高頻系數(shù)值力,所辻中節(jié)點(diǎn)j處的高頻系數(shù)值為比較七的后驗(yàn)概率0巧=2|44)與4的后驗(yàn)概率/>(<=2丨4，4)的大小，選擇后驗(yàn)概率較大的系數(shù)作為亮度I的新的分量中節(jié)點(diǎn)j的Directionlet高頻系數(shù):
全文摘要
本發(fā)明公開了一種基于方向波域隱馬爾可夫樹模型的遙感圖像融合方法，主要解決HIS方法存在光譜失真以及小波變換方法方向信息不足的問(wèn)題。其實(shí)現(xiàn)步驟是(1)將多光譜圖像進(jìn)行HIS變換，得到H、I、S三個(gè)分量；(2)將全色圖像和I分量進(jìn)行方向波變換；(3)對(duì)高頻系數(shù)分別建立HMT模型，訓(xùn)練得出參數(shù)集估計(jì)值，并計(jì)算后驗(yàn)概率；(4)根據(jù)后驗(yàn)概率，選擇最優(yōu)的高頻系數(shù)；(5)采用遺傳算法的融合規(guī)則對(duì)低頻系數(shù)進(jìn)行融合；(6)對(duì)融合后的系數(shù)進(jìn)行方向波逆變換得到新的I分量，再結(jié)合H、S分量進(jìn)行HIS逆變換，得到最終融合圖像。本發(fā)明能充分提取源圖像的各向異性特征，充分挖掘數(shù)據(jù)中的相關(guān)性，可在提高融合圖像細(xì)節(jié)信息的同時(shí)更好的保持多光譜圖像的光譜特性不變。
文檔編號(hào)G06T5/00GK103198456SQ20131009314
公開日2013年7月10日 申請(qǐng)日期2013年3月21日 優(yōu)先權(quán)日2013年3月21日
發(fā)明者白靜, 焦李成, 王爽, 趙白妮, 馬晶晶, 馬文萍, 李陽(yáng)陽(yáng) 申請(qǐng)人:西安電子科技大學(xué)