国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于加權小波分析的遙感圖像融合算法

2018-11-06 03:39莫才健田健榕武鋒強
吉林大學學報(理學版) 2018年3期
關鍵詞:小波分量光譜

莫才健, 田健榕, 武鋒強, 陳 莉, 鄒 強

(1. 西南科技大學 環(huán)境與資源學院, 四川 綿陽 621010; 2. 吉林大學 新聞與傳播學院, 長春 130012)

遙感圖像融合是通過圖像處理和分析等方法將不同角度、 不同分辨率及不同傳感器產生的遙感圖像進行融合, 以獲得角度寬、 廣且分辨率高的融合圖像[1]. 在遙感圖像的融合方法中, 低頻空間分辨率的多光譜圖像與高頻空間分辨率的全色影像的相互融合已成為近年來的研究熱點, 通過對兩種不同類型的遙感圖像進行融合, 可獲得多光譜高分辨率的全色影像融合圖像, 其融合結果可彌補二者的缺陷, 并發(fā)揮二者的優(yōu)勢[2]. 傳統(tǒng)遙感圖像的融合方法主要包括三方面: 1) 顏色空間轉化形成的圖像融合, 包括HSI空間轉換等[3]; 2) 通過主成分分析(PCA)獲得圖像主要分量的圖像融合, 包括PCA等[4]; 3) 通過頻域變換的方式完成圖像融合, 包括Fourier變換和小波分析等[5].

在遙感圖像融合方法中, 融合效果與魯棒性最佳的是頻域變換方法. 其中, 小波分析由于具有較優(yōu)的時域和頻域局部特性在圖像融合中應用廣泛. 二維離散小波變換分析方法的提出, 使小波分析在圖像中的應用越來越廣泛, 在小波分析的遙感圖像融合算法[6-8]中, 由于單純的小波分析直接丟棄低頻部分, 而使用高頻部分進行圖像融合, 易產生分塊模糊現(xiàn)象, 且單純的主成分分析方法也會帶來失真等問題. 為了解決傳統(tǒng)算法在遙感圖像融合上的不足, 本文提出一種采用主成分分析與小波分析方法加權的圖像融合方法, 利用加權系數(shù)獲得主成分分析和小波分析的優(yōu)勢, 克服了圖像融合過程中的分塊模糊、 邊界不清晰和圖像失真等問題.

1 算法設計

1.1 HSI顏色空間轉換

HSI顏色空間[9]源于人類的視覺系統(tǒng), 其采用色調(H)、 飽和度(S)和光照強度(I)3個維度對遙感圖像進行描述. 該方法從人類視覺系統(tǒng)的本源出發(fā), 對遙感圖像進行描述, 更符合人類的視覺系統(tǒng), 從而可更好地采用人類視覺的方式處理遙感圖像. 實際上, 由于遙感圖像空間大、 分辨率不一致等特點, 目前采用計算機視覺與圖像處理方法對遙感圖像進行處理時, 廣泛用HSI顏色空間完成預處理, 在處理過程中對圖像的操控效果更好, 處理精度更高. 在將RGB顏色空間轉化至HSI空間中, 主要采用如下轉化公式:

其中,R,G,B分別表示RGB空間中紅、 綠、 藍3種顏色的空間數(shù)值. 由轉化公式可見, 計算結果i可充分表達出色彩空間中的光照強度分量, 并可提取光照強度分量對遙感圖像進行進一步分析. 由于人類視覺對于光照強度的敏感度一般比色調與飽和度的敏感度高很多, 所以在對圖像進行分析時, 將顏色空間轉化為相對獨立的光照強度和色彩信息, 即能使用光照強度信息對遙感圖像進行一系列處理. 本文在HSI色彩空間下提取出遙感圖像的光照強度分量進行主成分分析, 并對小波分析進行加權融合, 最終完成對遙感圖像的融合.

1.2 主成分分析

遙感圖像來源于高精尖設備的采集, 這些設備采集到的圖像維度較高, 屬于大場景圖像, 直接在大場景高維圖像上完成圖像融合的難度較大, 需提供多個變換匹配點, 且融合的時間復雜度也較高, 無法進行高效、 快速地融合. 因此, 在進行遙感圖像融合前, 需先通過降維的方法對原始圖像進行降維, 再提取合適數(shù)量的變換匹配點, 然后構建映射過程, 最終采用映射過程對原始大場景遙感圖像進行融合. 本文采用主成分分析(PCA)方法[10]對多光譜遙感圖像進行融合. PCA方法在多元隨機變量的壓縮和降維中應用廣泛, 主要通過對原始數(shù)據(jù)矩陣的分解獲得特征值與特征向量, 再使用更小維度的特征值和特征向量表示出原始數(shù)據(jù)的大部分內容, 以期獲得更有意義的結果.

PCA算法的數(shù)學原理為K-L變換, 假設經過K-L變換前后的圖像向量分別為f和F, 則PCA算法的過程可表示為

根據(jù)離散條件下K-L變換的原理可計算出其正變換和逆變換:

其中:E(f)表示向量f的期望;A表示原始圖像向量f的協(xié)方差矩陣Cf的特征向量構成的矩陣, 且特征向量按特征值由大到小排序. 假設協(xié)方差矩陣Cf的特征值和特征向量分別為λi和Ai, 則可得如下變換公式:

由于在計算特征值與特征向量過程中進行了由大到小的排序, 所以可得

λ1>λ2>…>λp.

(12)

在PCA方法中, 假設光照強度(I)的變量X集合為{Xi,i=1,2,…,N}∈n,E(X)表示變量的期望,U表示X的協(xié)方差矩陣的特征向量構成的矩陣, 且特征向量根據(jù)特征值的大小進行排序. 根據(jù)PCA算法的流程可得到下列變換:

Yi=UXi,

(13)

其中Y的集合為{Yi,i=1,2,…,N}∈n表示經過PCA算法變換后的特征向量結果.

對于多波段圖像融合問題,f(i,j)應該表示光照強度(I)對應像素點(i,j)處的p個多光譜的組合數(shù)據(jù):

f(i,j)=(f1(i,j),f2(i,j),…,fp(i,j))T.

(14)

假設圖像向量的協(xié)方差矩陣Cf表示為

(15)

則根據(jù)上述對多光譜圖像定義及方差定義可得如下關系:

其中E(fk)表示向量fk的期望, 計算公式為

(18)

M,N分別表示原始遙感圖像的數(shù)據(jù)長度和寬度.

PCA變換后獲得的多個主成分分量與原始遙感圖像的各模式之間相互獨立, 經過對光照強度(I)分解后獲得的分量能更好地表示出圖像的主要信息, 通過主要信息完成后續(xù)的小波分析和圖像融合, 構建出有效的映射關系, 能更高效地服務于遙感圖像融合. 通過減少冗余信息, 在遙感圖像融合過程中還能進一步減小遙感圖像的噪聲, 通過PCA算法降維后的遙感圖像邊緣更清晰, 主要細節(jié)更明顯, 能有效避免相干光斑對遙感圖像融合時的影響, 同時提升融合后遙感圖像便捷的清晰度.

1.3 小波分析

小波分析是從頻域上統(tǒng)計出原始圖像信號的特征[11], 可實現(xiàn)信號的多尺度分析, 根據(jù)小波尺度的不同, 可定義出空間、 時間和頻率上的局部變換, 繼而在圖像融合中提取出圖像中的有用特征. 小波分析建立在Fourier變換分析上, 通過將時域的圖像信號轉化至頻域的圖像信號, 再在頻域上使用高通濾波器和低通濾波器從原始圖像中分離出高頻分量和低頻分量. 小波分析的高頻部分包含變化劇烈的信息, 包括原始遙感圖像的邊緣信息. 小波分析可產生多尺度的頻域分解, 前一尺度下的低頻分量可繼續(xù)在后一尺度下進行分解, 經過多重分解即可將原始遙感圖像中的空間結構信息表達出來. 經過小波分析的逐級分解, 即可獲得原始遙感圖像的頻域分量. 小波分析的示意圖如圖1所示. 由圖1可見, 小波分析結果的高頻分量中包括水平特征、 垂直特征和對角特征3個方向的特征. 而在小波分析中, 主要通過高通濾波器獲得圖像的高頻區(qū)域來完成遙感圖像的融合工作.

圖1 離散小波分析的層級示意圖Fig.1 Hierarchical schematic diagram of discrete wavelet analysis

傳統(tǒng)算法下基于離散小波分析的遙感圖像融合主要包括3個方面[12]: 1) 通過小波分析獲取高光譜和空間分辨率圖像的高頻部分; 2) 將高光譜分辨率的高頻部分替代空間分辨率的高頻部分, 從而獲得融合后的遙感圖像頻域數(shù)據(jù); 3) 將頻域數(shù)據(jù)通過小波分析反變換獲得融合后的遙感圖像. 其融合算法流程如圖2所示.

圖2 傳統(tǒng)基于離散小波分析的遙感圖像融合算法流程Fig.2 Flow chart of traditional remote sensing image fusion algorithm based on discrete wavelet analysis

由于在小波分析結果中丟棄低頻分量易使遙感圖像產生分塊模糊現(xiàn)象, 因此實際應用中, 應視不同的遙感圖像丟棄不同程度的低頻分量, 不能使低頻分量的丟棄影響到遙感圖像的融合過程.

1.4 加權小波分析算法的圖像融合流程

圖3 加權小波分析算法的圖像融合流程Fig.3 Flow chart of image fusion with weighted wavelet analysis algorithm

傳統(tǒng)小波分析遙感圖像融合算法建立在高光譜分辨率和空間分辨率相應高頻區(qū)域替換基礎上, 實際上, 通過小波分析獲得的高頻分量中含有大量噪聲, 直接將高頻分量替換, 而舍棄高光譜, 會導致小波分析反變換產生分塊模糊現(xiàn)象, 遙感圖像融合結果中產生大量冗余的模糊線段, 且高光譜轉換算法產生的光譜信息容易產生邊緣丟失問題. 而本文提出的小波變換加權的遙感圖像融合算法, 可有效解決這些問題. 該算法在HSI顏色空間上進行主成分分析, 獲取修正的高光譜圖像數(shù)據(jù)(光照強度I), 再將修正后的加權光照強度與高分辨率圖像信息進行小波分析, 完成對遙感圖像的融合.圖3為加權小波分析算法的圖像融合流程.

1) 對原始多光譜低分辨率遙感圖像進行HSI顏色空間變換, 并提取出光照強度分量I.

2) 對光照強度分量I進行直方圖匹配, 與原始低分辨率圖像的光照分量完成匹配, 由于該分量依然包含有部分顏色信息, 因此采用PCA算法從中提取出純度較高的加權光照強度分量I′.

3) 將加權光照強度分量I′與原始低分辨率圖像進行加權的小波分析, 通過高頻分量的互換獲得圖像融合結果, 加權過程計算公式為

Iout=(1-α)I′+αIdwt,

(19)

其中:Iout表示加權小波分析圖像融合的輸出結果;I′表示加權光照強度分量;Idwt表示小波分析分量. 通過加權系數(shù)α完成加權計算.

4) 將加權圖像融合結果經過小波分析反變換轉化至原始HSI空間, 并使用HSI顏色空間反變換轉化至RGB空間, 獲得最終的遙感圖像融合結果.

2 仿真實驗與分析

2.1 實驗設置

為了驗證本文提出的加權小波分析的遙感圖像融合算法的可行性和有效性, 選取北京地區(qū)SPOT5多光譜和全色影像數(shù)據(jù)集進行仿真實驗[13], 將其與傳統(tǒng)小波分析、 HSI小波分析和PCA小波分析方法進行對比.圖像融合結果的評判主要分為兩方面, 分別是主觀評價和客觀評價. 主觀評價通過人們對于融合結果的主觀感受給出評判結果; 客觀評價通過客觀計算結果進行評判[14-15].

1) 信息熵. 信息熵是反應信息量變化的指標, 該指標越大, 說明遙感圖像融合的效果越好; 反之, 則說明圖像融合的效果較差. 信息熵計算公式為

(20)

其中:N表示圖像的灰度級;pi表示融合后該灰度級的頻率.

2) 平均梯度.圖像的紋理和細節(jié)通常能通過圖像的平均梯度表現(xiàn), 平均梯度更大的圖像清晰度更好, 融合的效果也更佳. 平均梯度計算公式為

(21)

Δxf(i,j)和Δyf(i,j)分別表示融合結果中x和y方向上的梯度值.

3) 標準差. 標準差表示融合結果中灰度級別的分散程度, 灰度級別分散程度越大, 說明圖像的標準差越大, 且圖像的紋理越清晰. 標準差計算公式為

(22)

4) 均值. 均值表示融合結果中的平均亮度, 一般亮度集中在適中區(qū)域的圖像效果更真實, 其計算公式為

(23)

5) 互信息. 互信息表示兩個融合圖像X,Y之間是否存在一定的關系, 并用計算結果衡量關系的強弱. 互信息得分越高的兩個圖像的融合效果越好, 相關性越大, 計算公式為

(24)

其中:P(X,Y)表示X,Y之間的相關分布;P(X),P(Y)分別表示各自的邊緣分布.

6) 邊緣信息保留量. 邊緣信息保留量是另一種衡量融合后圖像與融合源圖像之間的關系, 假設融合后的圖像為F, 融合源圖像為X, 則邊緣信息保留量的計算公式為

(25)

2.2 實驗結果分析

仿真實驗在Windows10 64 bit系統(tǒng), Genuine Intel (R) i7-6300 CPU, 8 GB內存的環(huán)境下, 使用OpenCV-2.4.5官方開源HIS顏色空間轉化、 PCA降維和小波變換源碼, 通過編程實現(xiàn)不同方法的比較. 分別對SPOT5數(shù)據(jù)集中城市場景和農村場景下的遙感圖像進行對比實驗, 實驗過程中設置的小波分析分解為3層, 方向分解數(shù)分別為2,4,8, 尺度濾波器采用db16, 方向分解濾波器為8-6pkva, 主成分分析的維度設為k=100, HSI顏色空間設置按照正常狀態(tài). 在仿真實驗中分別從主觀上和客觀上對SPOT5數(shù)據(jù)集中如圖4所示的城市場景和如圖5所示的農村場景下不同算法的融合結果進行對比.

圖4 SPOT5數(shù)據(jù)集中城市場景下不同算法的融合結果對比Fig.4 Comparison of fusion results of different algorithms in city scene in SPOT5 data set

由圖4和圖5可見, 對于城市場景和農村場景下, 本文提出算法的融合結果邊緣更清晰, 傳統(tǒng)HSI空間轉換、 小波分析和PCA算法都會產生一些分塊的陰影部分, 這些陰影部分主要由傳統(tǒng)PCA中的主成分或小波分析中的某些紋理成分組成, 在實際融合過程中會導致對多光譜圖像的覆蓋. 本文算法對PCA結果和小波分析結果進行合理加權, 有效降低了塊狀陰影的覆蓋, 使用清晰的邊緣區(qū)域代替原有的模糊塊狀陰影, 在農村場景和城市場景中的融合效果均較好.

圖5 SPOT5數(shù)據(jù)集中農村場景下不同算法的融合結果對比Fig.5 Comparison of fusion results of different algorithms in rural scene in SPOT5 data set

根據(jù)選擇的6種常用評判參數(shù), 從客觀上對SPOT5數(shù)據(jù)集中城市場景和農村場景下各種算法的融合圖像進行評價, 結果分別列于表1和表2. 由表1和表2可見, 與傳統(tǒng)的HSI顏色空間、 PCA和小波分析等方法相比, 本文提出的算法在均值、 標準差、 信息熵和平均梯度上均獲得了較好的提升, 所以在城市場景和農村場景的遙感圖像融合中能獲得穩(wěn)定的結果, 其融合結果的清晰度、 紋理細節(jié)和真實性都得到了一定的提升.

為了驗證加權小波分析的有效性, 實驗中針對加權權重α的不同值, 在同一幅圖像的加權小波分析融合中, 分別給定不同的加權權重進行圖像融合, 并分析融合結果的各項指標, 結果列于表3.

表1 SPOT數(shù)據(jù)集中城市場景下的融合圖像客觀評價指標

表2 SPOT數(shù)據(jù)集中農村場景下的融合圖像客觀評價指標

表3 權重值與客觀評價指標的對比結果

由表3可見, 不同的加權條件下會導致不同的指標獲得最優(yōu)的結果值, 在實際使用過程中, 應該指定所需指標, 按照所需量獲得合適的客觀評價指標和相應的加權系數(shù), 加權系數(shù)可根據(jù)融合圖像所面臨的問題進行自適應選擇.

綜上所述, 為了提升多光譜遙感圖像融合算法的效果和效率, 本文提出了一種加權小波分析的遙感圖像融合算法, 該算法首先將原始多光譜遙感圖像轉化至HSI顏色空間中, 再在該空間上提取出光照強度分量, 并通過主成分分析提純后獲得修正的光照強度分量, 然后結合小波分析結果, 將二者進行加權融合獲得遙感圖像的融合結果, 再使用小波分析反變換將融合結果變換至頻域上, 最后使用顏色空間反變換將其轉化至RGB顏色空間上. 實驗結果表明, 本文提出的加權小波分析方法能在一定程度上解決圖像融合后邊緣模糊、 融合結果中出現(xiàn)模糊塊狀陰影等常見問題, 并在清晰度、 紋理細節(jié)和真實性上獲得了較大提升, 能針對不同的需求調整合適的加權系數(shù), 使遙感圖像的融合達到最佳效果.

猜你喜歡
小波分量光譜
基于三維Saab變換的高光譜圖像壓縮方法
基于多小波變換和奇異值分解的聲發(fā)射信號降噪方法
構造Daubechies小波的一些注記
高光譜遙感成像技術的發(fā)展與展望
基于MATLAB的小波降噪研究
一斤生漆的“分量”——“漆農”劉照元的平常生活
一物千斤
論《哈姆雷特》中良心的分量
基于改進的G-SVS LMS 與冗余提升小波的滾動軸承故障診斷
星載近紅外高光譜CO2遙感進展
乳山市| 威宁| 峨眉山市| 林芝县| 榕江县| 涡阳县| 长白| 溧阳市| 龙州县| 睢宁县| 谷城县| 电白县| 临沧市| 深水埗区| 进贤县| 双牌县| 克拉玛依市| 邳州市| 凤城市| 柳河县| 武邑县| 介休市| 黎城县| 宣汉县| 武平县| 长子县| 山阳县| 高邮市| 大邑县| 友谊县| 兴业县| 板桥市| 弋阳县| 犍为县| 视频| 泰宁县| 弥勒县| 肃北| 白朗县| 大足县| 龙里县|