一种多光谱影像与全色影像的i分量计算方法

一种多光谱影像与全色影像的i分量计算方法

1多光谱融合方法由于卫星空间和卫星地面观测数据的传输速度受到限制，各国发送的资源卫星采用了互补观测方法，即高光谱分辨率低空间分辨率图像和低光谱分辨率高空间分辨率图像。例如，陆地行李-7卫星、spot-5卫星、ikonos卫星和扫描卫星卫星有几种高光谱分辨率和低光谱分辨率的多光谱段，以及高光谱分辨率低空间分辨率的全色段。但一些现实应用却需要影像同时具备高空间分辨率和多光谱特征,以此来提高应用水平、加强信息的可靠性及更好的视觉解译,如土地利用覆盖分类、地物特征探测等。基于这一原因,将高空间分辨率的全色影像与低空间分辨率的多光谱影像进行融合以产生高空间分辨率的多光谱影像就显得很有必要。从20世纪80年代至今,许多方法被用来融合多光谱影像与全色影像,如HIS(HueIntensitySaturation,HIS)、PCA(principalComponentAnalysis,PCA)、BROVERY、高通滤波、小波变换等。从融合效果分析,有视觉增强型与真值逼近型,如基于统计性质的、以影像的清晰度等为评价指标的增强型影像融合,这类融合结果主要用来满足人们的视觉感知;真值估计性的融合应当符合Ranchina等提出的在ARSIS概念下的融合要求,即:(1)融合谱影像一旦退化到原空间分辨率,应该与未融合前多光谱影像尽可能一致;(2)融合影像应该与具备同等空间分辨率的传感器所获取影像尽可能一致;(3)融合影像集合应该与具备同等空间分辨率的传感器获取的影像集尽可能一致。从应用的角度看,如土地利用分类,真值估计型的融合更加符合实际需要,即在获取高空间分辨率多光谱融合影像的同时,要尽可能使融合影像符合地面真实情况,不宜有意突出某些地面特征而压制其它信息,这也是本文方法融合的目的。在众多的融合方法中,基于HIS变换的融合方法是常用方法之一,已被集成到ENVI、ERDAS、PCI等遥感影像处理软件中,其优点是计算简单,可以很好地将全色影像的空间细节信息注入多光谱影像,但是其对多光谱影像光谱特性的扭曲也非常明显。Te-MingTu等对常用HIS变换公式进行了改进,用矩阵加法运算替换了矩阵乘法运算,将融合范围扩展到多于三个波段的融合,并针对IKONS多光谱与全色影像的融合对HIS空间中I分量的计算重新定义,以缩小光谱扭曲程度;Myungjin、Te-MingTu等对这一成果进行修正,加入了一个调节参数,用以控制空间细节的注入程度,使得融合结果介于标准HIS变换与BROVERY之间。以上关于HIS变换融合方法的研究都基于一个思路,即与多光谱影像具有相同空间分辨率的全色影像(即低空间分辨率全色影像)可通过多光谱影像来线形合成,然后用高空间分辨率全色影像进行替换,从而注入空间信息完成融合。然而,根据星载传感器的光谱反应曲线,全色影像与多光谱影像之间并没有明显的关系,即使有某种关系,也一定不是线性关系,并且通过设置平衡参数,以损失空间细节保持光谱信息也违背了ARSIS概念的第二条原则。基于这种情况,假定同等空间分辨率的全色影像与多光谱影像之间存在固定不变的线性关系显然是不合理的,为此本文提出一种针对HIS变换融合法的改进措施,从数据的整体角度来考虑多光谱影像与全色影像的关系,利用多光谱影像与全色影像的统计关系来动态地确定多光谱影像在合成低空间分辨率全色影像中的权重,最大限度的逼近全色影像,从而减小HIS变换方法在融合中的光谱扭曲。2本文件的方法2.1不同浓度pan-in利-b-n为了提高HIS方法对多光谱与全色影像的融合速度及扩大应用范围,Te-MingTu等对传统的HIS变换方法进行了改进,建议用下式进行融合计算:其中Rnew、Gnew、Bnew为融合后的影像,P为全色影像,R、G、B为待融合的多光谱影像三个波段,被上采样到与全色影像同样大小,I=(R+G+B)/3为多光谱波段合成的HIS空间灰度分量,δ=P-I为待融入的信息。式(1)能够同传统HIS融合法产生同样的融合效果,即在将全色影像的空间信息有效注入多光谱影像的同时,也会引起很大的光谱扭曲。从式(1)可以看出,融合影像的光谱扭曲主要取决于δ=P-I,如果P与I包含的光谱信息足够接近,那么它们的差值δ仅为空间结构信息,融合后就不会产生大的光谱扭曲,而标准HIS变换所产生的光谱扭曲主要原因在于P与I包含的光谱信息差距过大,这一点可以从图1看出,IKONOS卫星的Pan影像带宽远远超出了3,2,1波段组合在一起的带宽。考虑到IKONOS卫星的全色影像还覆盖了近红外波段,Te-MingTu等对式进行了修正(GeneralizedHue-Intensity-Saturation,GHIS),结果如下式:其中NIRnew为融合后的近红外影像,NIR为上采样后的近红外影像,I=(R+G+B+NIR)/4,各分量权重均为0.25,δ=P-I。由于IKONOS卫星的全色影像光谱曲线并没有完全覆盖蓝光和绿光波段的曲线,通过多次实验,TeMingTu等对灰度分量权重进行了再次修正(ExtendHueIntensity-Saturation,EHIS),公式如下:R、G、B各分量权重变为0.33、0.25、0.08及0.33,这是一个试验性的权值。在公式(2)的基础上,Myungjin等提出新合成的Inew分量应该满足下式:即假设新的Inew分量应该与Pan影像、I分量拥有最小的偏离度,这个最小化问题解为I=(Pan+I)/2,Myungjin等认为当Inew向I靠近时,Pan-Inew的值就会增大,会造成空间分辨率的降低,当Inew向Pan靠近时,Inew-I的值会增大,光谱扭曲也会增大,为此,设计了一个调节值t,令Inew=Pan-(Pan-I)/t,1≤t<+∞,当t=1时,Inew=I;t→+∞时,Inew=Pan;通过改变t,寻找一个令用户满意的融合结果。随后,Te-MingTu等对该方法再次进行修正,有:当l=1时,上式变为一个BROVERY融合方法变形,l→+∞时,式(5)就变为式(2),与标准HIS方法、BROVERY方法合成的低空间分辨率全色影像的区别仅在于I=(R+0.75G+0.25B+NIR)/3,调节因子l控制融合在BROVERY融合方式与HIS方式之间变化。式(3)的权值是以IKONOS影像为基础试验出的,Boggione等根据ETM+多光谱4,3,2波段与全色波段的光谱响应曲线覆盖面积估计出其权系数分别为0.25、0.23、0.52,Svab等根据光谱敏感性分析对IKONOS、QuickBird及LandsatETM+影像的蓝、绿、红、近红外波段模拟全色波段分别给出了一组系数值及修正值,如(QuickBird0.4,0.8,1.2,1.2,修正值为53),Dou等对IKONOS影像数据进行线性回归,获得蓝、绿、红、近红外波段对应的权系数为[0.19708371,0.80105230,1.1355215,1.3615748],但由于实际应用中的遥感影像受到卫星工作状态、大气状态及成像误差等不确定因素影响,直接依据光谱反应曲线得到的固定权系数并不能够适应于所有的遥感影像,为此,徐佳等建议采用多元线性回归计算IKONOS影像多光谱波段影像模拟全色波段影像的权系数。但从图1可以看出,QuickBird与IKONOS卫星全色影像与多光谱影像的光谱响应曲线覆盖范围不一致,在波长大于950μm情况下,只有全色波段覆盖,各多光谱影像光谱曲线在整个波长范围内相互独立,彼此间存在部分交叉,并不连续,如采用多元线性回归,则意味着各多光谱响应曲线应分布于整个全色光影像的光谱覆盖范围内,而这与现实情况并不相符,在大于950μm情况下,不能计算出正确结果,且从实验结果看,多元线性回归方法相对于EHIS方法获取的融合结果与原多光谱影像的相关系数获得了提升,但空间相关系数却有所下降,说明该方法实质仍是在融合影像的光谱保持性与空间细节注入幅度之间进行平衡,从ARSIS概念融合标准来看,这样的改进对融合质量没有本质的提升,只是以牺牲融合影像一方面特性来提升另一方面优势。要真正提高融和影像的质量,关键点仍在于提高I分量对Pan影像的逼近程度。2.2多光谱影像在合成低空间分辨率全色影像时的权重由于基于HIS变换融合法的前提为I分量是Pan在低空间分辨率的近似值,即I分量应该与Pan影像尽可能的接近,在上面的提及的研究中,均是基于“I=aR+bG+cB+dNIR,a、b、c、d为某一固定值”这一命题,但是,卫星影像成像过程受诸多不确定因素,如大气、地表状况及传感器瞬间状态等影响,通过一个简单的假设并不一定能够逼近所有真实状况。在这种无法获得确切的函数关系情况下,人们一般都采取从宏观的角度分析,用统计的方法处理此类问题,为此本文提出通过多光谱影像与全色影像的相关系数来确定它们在合成低空间分辨率全色影像时的权重,具体如下:Bi为i波段多光谱影像,P代表全色影像,ρi代表Bi与P的相关系数,αi代表各多光谱波段在合成的I分量中的权重。这样,标准的HIS变换可变为:其中,如此,即使参与融合的全色影像与多光谱影像受到诸如大气异常变化等特殊情况影响,融合影像也不会与正常情况下的融合影像存在较大的差距。式(7)也可如下式轻易推广到多个波段:3实验与分析3.1影像融合性能分析为验证方法的有效性,本文选取了两组相同大小的卫星影像进行实验,一组为QuickBirdPan与1、2、3、4波段数据,一组为IkonosPan与1、2、3、4波段数据,大小分别为2048×2048、512×512,空间分辨率分别为0.6m、2.4m及1m、4m。为使融合结果评价更加符合实际状况,本文对原始影像均进行了退化处理,使融合影像与原始多光谱影像的空间分辨率相同,应用融合结果与理想的真实影像进行比较以便评价影像融合的效果。其中多光谱影像被退化到9.6m、16m空间分辨率,全色影像退化到2.4m、4m空间分辨率。由于QuickBird影像与Ikonos影像的光谱反应曲线的分布相近,前面所提到的各波段权重系数也适用于QuickBird全色影像与多光谱影像的融合。图2、3、4为GHIS融合方法、EHIS融合方法及本文方法的融合结果,图2a、图3a为3、2、1波段组合的原多光谱影像,图2b、图3b为退化后的多光谱影像,图2c、图3c为退化后的全色影像,图2d、图3d、图2e、图3e、图2f、图3f为GHIS方法融合影像、EHIS融合方法融合影像及本文方法融合影像,它们均为3、2、1波段的组合,图4为图2影像切片,编号顺序同图2。3.2拉普拉斯算子融合从视觉效果看,融合影像都较好的将全色影像的空间细节信息与多光谱影像的光谱信息集成到了一起,其中融合影像图2d-图2f在色调上接近多光谱影像,空间细节上接近全色影像。相对于退化后的多光谱影像,融合影像图2d-图2f除色调偏白,无颜色损失,空间细节得到了大幅提升,可以清楚地分辨出道路、房屋的边线及树木的树冠,而这在退化后的多光谱影像上是不可能的,该现象在放大的图4种被清晰的表现出来。与原多光谱影像相比较,可以发现融合影像仍存在轻微光谱扭曲,整体色调变浅,个别物体色彩有所缺失,如红色的房顶,仅剩一点红色的迹象,而空间分辨率要优于原多光谱影像,可以区别出原多光谱影像不能分辨的树冠信息。轻微的光谱扭曲主要是由于退化时的下采样操作造成的,融合时虽然将全色影像的空间细节注入融合影像,但损失的色彩信息却无法补充,这在融合中是无法克服的,图3与图2情况类似。F(xi,yj)、G(xi,yj)为融合影像、标准影像像素值,为影像像素灰度平均值,M、N为影像行列数。扭曲度(偏差)反映两幅影像间的灰度信息的偏离程度,通过计算融合前后影像间的扭曲度,可以判断影像在融合后的光谱保持程度,若扭曲度趋向于0,则说明光谱保持性好,反之则差。计算公式为:高频相关系数可以反映两图影像间空间结构的相关程度,用拉普拉斯算子抽取融合影像的高频信息,而后计算它们之间的相关系数,其值越接近1,说明两幅影像之间的空间结构越相似。所用拉普拉斯算子为:从表1可以看出:1)通过调整各波段在I分量中的系数,其中本文方法的实验中各分量系数为(0.167,0.204,0.273及0.356),本文方法融合结果与原多光谱影像的相关系数平均值为0.889,扭曲度平均值为0.101,均大于GHIS、EHIS方法融合结果与原多光谱影像的相关系数平均值、扭曲度平均值,表明本文方法对光谱信息的保持性要优于GHIS及EHIS方法。2)虽然对各波段所占I分量的比例进行了调整,但三种方法融合结果与原全色影像的高频分量相关系数平均值没有发生变化,表明三种方法对全色影像空间细节的集成能力没有改变,并且集成的能力较高,使得相关系数达到了0.984。从表2可以得出与表1一致的结论,高频分量相关系数基本一致,而本文所提融合方的融合结果与理想多光谱影像的相关系数最大、光谱扭曲度最小,说明本文方法的光谱保持性最好。通过视觉比较与统计分析,表明本文方法相对于GHIS、EHIS方法,融合影像的对多光谱影像的光谱保持性得到了增强,而对全色影像的空间细节集成能力保持不变,但由于融合影像无光谱信息的补充