金延薇

摘 要 遙感圖像融合技術(shù)隨著多尺度幾何分析技術(shù)的快速發(fā)展和應(yīng)用，使得遙感圖像融合準(zhǔn)確度和正確性不斷提高。本文以Curvelet為例，進(jìn)行了Curvelet圖像融合實(shí)驗(yàn)，與基于小波變換（Wavelet）圖像融合算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：Curvelet變換的融合方法能在保留多光譜影像的光譜信息的同時(shí)增強(qiáng)了融合影像的空間細(xì)節(jié)表現(xiàn)能力，提高了融合影像的信息量。Curvelet融合效果優(yōu)于Wavelet方法。

關(guān)鍵詞 小波變換 多尺度幾何分析 Curvelet變化 遙感圖像融合

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A

0引言

圖像承載主體經(jīng)歷了紙質(zhì)、模擬信號(hào)和數(shù)字圖像3個(gè)階段，數(shù)字圖像出現(xiàn)使圖像量化分析方法得到快速發(fā)展。我們希望能夠從圖像中獲得更多有用的信息，尤其是從遙感圖像中。以前，通常使用Wavelet技術(shù)提取圖像的特征，但是Wavelet的方向是正交化的，很難提取更多方向的特征，多尺度幾何分析應(yīng)運(yùn)而生。多尺度幾何分析是一種新的圖像稀疏表示方法，它能夠?qū)D像多維度特征進(jìn)行顯示，并且能夠?qū)饣姆侄魏瘮?shù)最優(yōu)逼近。

1實(shí)驗(yàn)及結(jié)果分析

1.1圖像融合實(shí)驗(yàn)

為了驗(yàn)證Curvelet變換在圖像融合過程中的有效性，在MATLAB 7.0環(huán)境下進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用了256€？56像素大小的圖像，灰度等級(jí)均為256級(jí)的高分辨率全色影像和低分辨率多光譜影像。為了對(duì)比融合效果，選取了基于Wavelet圖像融合算法進(jìn)行對(duì)比實(shí)驗(yàn)。

基于Curvelet變換遙感圖像融合的過程：讀取高分辨率圖像與多光譜圖像，將高分辨率圖像由RGB轉(zhuǎn)換為灰度圖，進(jìn)行直方圖修正，生成與多光譜的亮度分量圖有相似直方圖特征的圖像，進(jìn)行雙精度化后，賦值給新的全色RGB；在多光譜圖像中，把三維圖像分解為3個(gè)二維圖像；分別對(duì)多光譜圖像和全色圖像進(jìn)行Curvelet變換，進(jìn)行4層分解，分為32個(gè)方向；對(duì)低頻子帶采用加權(quán)平均法進(jìn)行融合，對(duì)除了最細(xì)尺度下的高頻子帶融合，融合規(guī)則為：If多光譜高頻Curvelet系數(shù) >全色高頻Curvelet系數(shù)，then新的高頻Curvelet系數(shù)=多光譜高頻Curvelet系數(shù)+全色高頻Curvelet系數(shù)，If多光譜高頻Curvelet系數(shù) <全色高頻Curvelet系數(shù)，then新的高頻Curvelet系數(shù)=全色高頻Curvelet系數(shù)，對(duì)最細(xì)尺度下的高頻子帶融合，新的高頻Curvelet系數(shù)=全色高頻Curvelet系數(shù)；將最終得到的新的高頻Curvelet系數(shù)和低頻Curvelet系數(shù)進(jìn)行Curvelet逆變換，即得到融合后的圖像。

1.2實(shí)驗(yàn)結(jié)果分析

（1）如圖1，從視覺效果上來看，基于Wavelet圖像融合沒有很好的體現(xiàn)出地貌如建筑、道路和植被的圖像細(xì)節(jié)，基于Curvelet的融合算法對(duì)圖像能夠保持較好的融合效果。

（2）除了進(jìn)行目視比較之外，還對(duì)融合圖像質(zhì)量進(jìn)行定量分析， 在兩種融合方法中，基于Curvelet變換的圖像融合方法的信息熵最大，保留了比Wavelet融合方法更多的全色影像的空間信息，是兩種融合方法中信息量較大的。

（3）從圖像清晰度方面看，基于Curverlet變換融合的圖像的平均梯度和圖像清晰度都遠(yuǎn)遠(yuǎn)大于Wavelet融合方法，說明基于Curvelet變換融合后的圖像質(zhì)量提高得更好，且融合后的圖像中微小細(xì)節(jié)反差和紋理變換特征反映得也更好。

2總結(jié)

本文主要對(duì)當(dāng)前流行的Curvelet多尺度幾何分析方法在遙感圖像融合中進(jìn)行了實(shí)驗(yàn)，通過與Wavelet的比較，定量和定性地證明了Curvelet融合方法效果的優(yōu)越性。

參考文獻(xiàn)

[1] Liu Y，Jin J，Wang Q，et al.Region level based multi-focus image fusion using quaternion wavelet and normalized cut[J].Signal Processing，2014（97）：9-30.

[2] Do M N，Vetterli M.The finite ridgelet transform for image representation[J].IEEE Transactions on image Processing，2003，12（1）：16-28.

[3] Candes E J，Donoho D L.Curvelets：A surprisingly effective nonadaptive representation for objects with edges[R].Stanford Univ Ca Dept of Statistics，2000.