一种边缘特征增强多源遥感影像融合方法研究.doc

一种边缘特征增强多源遥感影像融合方法研究 第33卷第1期xx年2月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.33,No.1Feb.,xx:xx-10-16基金项目:地理空间信息工程国家测绘局重点实验室国家测绘局青年学术和技术带头人科研计划课题项目;黑龙江测绘局测绘科技发展基金项目 (xx11)资助作者简介:于洪伟(1965-),男,黑龙江宾县人,硕士,1995年毕业于武汉测绘科技大学摄影测量与遥感专业,主要从事遥感技术应用研究工作。 一种边缘特征增强的多源遥感影像融合方法研究于洪伟1,刘红军2,袁晓宏1,刘洋2,白俊武3(1.黑龙江测绘局,黑龙江哈尔滨150081;2.黑龙江省测绘科学研究所,黑龙江哈尔滨150081;3.武汉大学遥感信息工程学院,湖北武汉430079)摘要:基于分频分策略的融合思想,提出了一种边缘特征增强的多源遥感影像融合方法。 实验证明,融合后的影像不仅在很大程度上保留了多光谱影像的光谱特征,还提高了空间分辨率,特别是边缘特征得到进一步增强。 关键词:分频分策略;边缘特征增强;影像融合;小波变换:TP75:B:1672-5867 (xx)01-0024-04Research ona Multi-sources Remote Sensing FusionMethod BasedonEdge FeaturesEnhancementYU Hong-wei1,L IUHong-jun2,YUAN Xiao-hong1,L IUYang2,BA IJun-wu3(1.Heilongjiang Bureauof SurveyingandMapping,Harbin150081,China;2.Heilongjiang ProvincialInstitute ofSurveyingandMapping Science,Harbin150081,China;3.School ofRemoteSensingand InformationEngineering,W uhanUn iversity,W uhan430079,China)Abstract:Based onthe ideaof strategies for different frequency-divisions,thispaperput forwardamulti-sources remotesensing fu2sion methodbased onedge featureenhancement.The experimentshowed thatthe resultsnotonly keptmostspectral featuresofmulti-spectral image,but alsoimproved thespatial resolution.Especially,the edge featureswere furtherenhanced.Key words:strategiesfordifferentfrequency-divisions;edgefeaturesenhancement;image fusion;wavelet transformation0引言多源遥感影像数据融合是指将同一环境或对象的多源遥感影像数据综合所用的方法和工具的框架,产生比单一信息源更精确、更完全、更可靠地估计和判断,以获得满足某种应用的高质量信息1。 近年来,以小波分析为代表的多分辨率遥感影像融合技术逐渐成为研究热点,由于其融合过程是在不同尺度、不同空间分辨率和不同分解层上分别进行的,所以与以往的融合方法相比,基于多分辨率分析的影像融合方法可以获得明显的融合效果。 提升小波变换2是Sweldens等学者于20世纪90年代中期提出的一种不依赖于傅立叶变换的小波构造方法。 基于提升方法的小波变换又称为第二代小波变换,它既保持了传统的小波的时频局部化等特性,又克服了传统小波的诸多局限性。 它最显著特点是不引入傅立叶分析,所有运算都在空间域进行,因此具有许多优良特性,可概括为结构简单、运算量低、原位运算、节省存储空间、逆变换可以直接反转实现等。 1提升小波变换基本原理提升方法使用了基本的多项式插补来获取信号的高频分量,之后通过构建尺度函数来获取信号的低频分量3。 1.1提升小波分解提升小波分解过程分为分裂、预测和更新3个步骤:1.1.1分裂将原始信号s j分裂为两个互不相交的子集s j-1和d j-1。 通常s j-1表示信号的低频分量,d j-1表示信号的高频分量。 一般是将信号分为偶数序列和奇数序列,即:F(s j)=(s j-1,d j-1) (1)其中F(s j)表示分解过程。 1.1.2预测在基于原始数据相关性的基础上,用偶数序列s j-1预测奇数序列d j-1,即采用一个与数据集无关的预测算子P,使得d j-1=P(s j-1)。 这样就可以用s j-1代替s j。 在实际应用中,无法用预测算子去精确地预测子集d j-1,P(s j-1)只是尽可能地接近d j-1。 若用子集d j-1与P(s j-1)的差值去代替d j-1,此差值反映了两者之间的逼近程度。 如果预测是合理的,则差值数据集所包含的信息比原始子集d j-1包含的信息要少得多。 预测过程的表达式为:d j-1=d j-1-P(s j-1) (2)1.1.3更新经过以上两个步骤产生的子集s j-1的某些整体性质并不和原始数据的一致,因此需要采用一个更新过程。 其目的是通过算子U产生一个更好的子数据集s j-1,使之保持原有数据集s j的一些特性。 更新过程表达式为:s j-1=s j-1+U(d j-1) (3)1.2提升小波重构提升小波的重构非常简单,就是分解过程的逆步骤。 其具体步骤及公式如下:反更新:s j-1=s j-1-U(d j-1) (4)反预测:d j-1=d j-1+P(s j-1) (5)合并:s j=M erge(s j-1,d j-1) (6)式中M erge表示将s j-1和d j-1分别作为原始偶数序列和奇数序列拼接成原始信号s j。 提升小波变换分解和重构的示意图如图1所示。 图1提升小波变换的分解和重构示意图Fig.1The depositionand reconstructionofwavelet transformation2本文融合方法2.1分频分策略融合思想一般情况下,多光谱影像包含丰富的光谱信息,而全色影像细节表达能力强,可包含更多的细节和边缘信息。 在对原始影像进行一层提升小波分解时,会得到一个低频分量和3个方向上的高频分量。 低频部分通常反映近似影像,在多光谱影像中包含了大量的光谱信息;高频部分通常反映细节影像,在全色影像中包含了丰富的细节和边缘信息。 针对这一特点,本文采取分频分策略的融合思想,使融合影像更好地保持光谱信息,并且更多地融入细节信息。 2.2融合算法设计2.2.1低频部分的融合策略本文融合的目的是在更好地保持原始影像光谱信息的同时,更多地融入影像的细节信息,而影像的低频部分为近似影像,包含了大量的光谱信息。 但对于不同的影像,其低频部分的光谱特性和细节信息的包含程度是不同的,为了在总体上达到最佳融合效果,本文选用加权的方法来进行影像低频部分的融合,可依据不同试验影像的特性来进行权值的调整。 融合影像低频部分的算法如下:cF(x,y)=k1cA(x,y)+k2cB(x,y) (7)其中,cF(x,y)表示融合影像的小波系数,cA(x,y)表示原始全色影像的小波系数,cB(x,y)表示原始多光谱影像的小波系数,k1,k2表示权值。 2.2.2高频部分的融合策略影像的高频部分通常反映细节影像,包含了影像的细节和边缘信息。 相对于基于像素选取的融合规则而言,基于区域量测的融合规则在清晰度改善方面具有明显优势。 本文在对影像高频部分的融合处理时,选取效果较好的基于区域方差的融合方法4。 考虑到直接融合后某些细节区域的边缘影像仍然存在模糊现象,这里引入边缘检测的思想,对区域方差融合后的高频部分进行边缘特征增强处理。 边缘检测采用了LOG算子,其原因是LOG算子可以调节尺度大小,具有较强的抗噪声能力。 融合影像高频部分的算法如下:1)对提升小波分解后的高频部分做区域方差计算,公式如下:l(i,j)sm=-ssn=-s(Ll(i+m,j+n)-L l(i,j)22s+1 (8)其中,L l(i,j)为原始图像对应的小波变换的第l层图像的第(i,j)个像素,s=1,2,3分别表示33,55或77的邻域。 L l(i,j)为对应区域中像素的灰度平均值:L l(i,j)=1(2s+1)2sm=-ssn=-sL l(i+m,j+n) (9)2)选用区域方差中较大者的中心像素灰度值作为融合图像对应像素的灰度值:L F,l(i,j)=L A,l(i,j)A,l(i,j)B,l(i,j)L B,l(i,j)A,l(i,j) (10)3)利用LOG算子对区域方差计算后的融合影像高频部分和原始全色影像的高频部分分别进行边缘信息提取,将各像素绝对值进行比较,取较大者为融合影像边缘像素。 4)将像素值加权的融合影像低频部分与边缘特征增强的融合影像高频部分进行小波重构,得到最终融合影像。 3实验结果分析采用武汉城郊地区已配准的SPOT全色影像(10m分辨率)和TM多光谱影像(30m分辨率)进行实验。 52第1期于洪伟等:一种边缘特征增强的多源遥感影像融合方法研究3.1低频部分融合权值的确定为了保证本文方法具有较好的保持光谱性能,需要确定适合此类实验数据的低频融合权值,我们选取小波分解层数为2层,区域为33大小,低频融合权值分别为k1=0.5,k2=0.5;k1=0.8,k2=0.2;k1=1.0,k2=0三种情况来进行实验。 实验结果如图2所示,其中A,B为原始影像,C,D,E分别是权值为,的情况。 图2选取不同权值的融合结果Fig.2The fusion results by using different weights从图2中各幅影像的目视效果来看,从C图到E图的光谱信息逐渐丰富,而影像的空间分辨率差别不大,E图的光谱丰富程度最接近于原始的多光谱影像,说明该融合影像很好地保持了原始影像的光谱信息。 目视效果评价往往带有一定的主观性,我们还要结合客观定量分析来进行总体上的性能对比,分别从融合影像信息量的增加程度、空间分辨率的提高程度和光谱信息的保持程度3个方面综合考虑进行评价。 选取的评价指标有:熵、平均梯度、偏差指数。 表1为客观定量分析的结果。 表1不同权值融合结果的统计参数对比Tab.1Comparison offusion results by usingdifferentweights评价指标权值(k1/k2)波段熵平均梯度相关系数0.5/0.5R6.94418.6060.726G7.47016.9850.424B7.49917.4330.9090.8/0.2R6.88319.6290.932G7.57617.1040.729B7.45817.4720.9491.0/0R6.88020.4680.962G7.43917.4810.821B7.44517.7380.956从表1的统计数据来看,当k1=1.0,k2=0时,融合影像的平均梯度、相关系数数值最大,说明清晰度和光谱保持程度最佳。 3.2与其他常用融合方法的性能比较为了体现本文方法性能上的优点,另外选取几种常用的融合方法进行实验,将融合结果与本文方法的融合影像进行性能上的比较。 实验结果如图3所示,A-D分别为PCA变换法、IHS变换法、Brovey变换法和HPF方法,E为本文方法。 从图3可以看出,PCA变换、IHS变换和Brovey变换的融合方法虽然空间分辨率有了提高,但是影像均出现了严重的光谱失真;而HPF方法虽然很好地保留了原始影像的光谱信息,但是在空间细节表达方面却不够好,影像整体不够清晰。 而本文方法在各个方面均优于以上几种融合方法,融合影像在保持光谱质量和清晰度上都表现更佳,信息量也更为丰富。 可以观察到,E影像中的道路、农田和居民地的边缘细节更为清晰,说明该融合影像的边缘特征得到了明显增强。 我们也要结合客观定量分析来进行总体上的性能对比,同样分别从融合影像信息量的增加程度、空间分辨率的提高程度和光谱信息的保持程度3个方面综合考虑进行评价。 选取的评价指标有:熵、平均梯度、偏差指数。 表2为客观定量分析的结果。 62测绘与空间地理信息xx年图3不同方法的融合结果Fig.3The fusionresultsbyusing differentmethods表2不同方法融合结果的统计参数对比Tab.2Comparison offusionresultsbyusingdifferentmethods评价指标方法波段熵平均梯度相关系数PCA R6.53219.2640.455G7.0099.1470.335B7.3099.7190.696Brovey R6.57219.6660.824G7.14912.4090.450B6.86715.9400.822IHS R6.53219.6950.780G7.25814.4450.347B7.11414.9160.694HPF R6.79