遥感影像融合方法分析

遥感影像融合方法分析

遥感影像的融合是对来自同一区域的多源图像数据进行综合处理，以获得对该区域更为准确、全面、可靠的影像描述。由于遥感影像融合的这一特点，使得这一技术在遥感中有着很重要的作用，这一技术也成为近几年国际遥感界的研究热点。本文研究了目前学术界提出的几种较为流行的影像融合算法，对它们的特点进行了分析，同时给出了影像融合的效果的评价准则。

标签：遥感；影像；融合

引 言

随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。显然，影像融合为我们提供了一个很好的途径。影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。

图像融合一般分为三个层次：①像素级融合。像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。

图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。下面本文将对其中一些算法进行介绍并分析。

1 目前较为流行的影像融合算法分析

1.1 小波变换法

1.2 Brovey变换法

Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。其计算公式为：

R=pan×band3/（band1+band2+band3）

G=pan×band2/（band1+band2+band3）

B=pan×band1/（band1+band2+band3）

式中：pan表示高分辨率全色影像，band1、band2、band3表示多光谱的3个波段。

1.3 主成分变换

主成分分析，又称K-L变换法，它的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向去，得到新的特征轴。PCA变换的具体步骤：多光谱波段经过PCA变换后，将全色高分辨率影像进行灰度拉伸，使其均值和方差与PCA变换的第一分量的影像一致；然后用拉伸过的高分辨率全色影像代替第一分量；最后经过PCA逆变换得到融合影像。

实际操作是将原来的各个因素指标（这些指标中部分有相关关系）重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，图像中彼此相关的数据被压缩，而特征得到了突出，此方法在对于具有相关因子的多源遥感数据进行融合时具有显著优势。该方法的局限性在于：①图像在做主成分分析时，第一分量的信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变化的含义略有不同。高分辨率图像经过拉伸后虽然与第一分量具有高相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变化；②由于光谱信息的变化，使融合图像不能用于地物识别和反演工作，但是它可以改进目视判读的效果提高分类制图的精度。

1.4 高通滤波变换法

高通滤波（High-PassFilter，HPF）方法是把高分辨率影像进行傅立叶变换从空间域转换到频率域，然后在频率域内对傅立叶图像进行高通滤波，获取图像的高频分量，将高频部分融合到多光谱图像中，以突出细节部分，获取最后融合图像。此方法虽然有效地保留了原多光谱信息，却在对高分辨率波段影像滤波时滤掉的大部分纹理信息。高通滤波法融合流程如图1所示。

1.5 小波变换

小波变换（Wavelettransform，WT）首先对参与融合的遥感图像数据进行小波正变换，将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换，生成融合图像。小波变换的图像融合算法流程如图2所示。

遥感影像的信息融合方法，如主成分分析和基于IHS变换等，均存在原有分辨率的影像光谱信息部分丢失的问题。而小波变换可对多个波段的影像信息融

合，既能充分利用高分辨率影像的空间信息，又能保持低分辨率影像的光谱信息的最大完整性，这也是当前遥感影像融合技术研究的主要目标。

小波变换应用于影像融合的优势在于它可以将影像分解到不同的频率域，在不同的频率域运用不同的融合规则，得到融合影像的多分辨分解，从而在融合影像中保留原影像在不同频率域的显著特征。但小波变换进行融合也有两个缺点：一是小波变换进行融合容易产生较为明显的分块效应；二是直接用低分辨率影像的低频部分去替代高分辨率影像的低频部分，这样在一定程度上损失了高分辨率影像的细节信息。改进小波变换的缺点，成为现在研究的热点之一。近年来出现了一些改进的小波变换算法。

文献[3]采用了一种基于离散小波变换的新融合算法：首先，采用小波多分辨分析和马拉特快速算法，将原始图像分解成近似图像和细节图像，然后在各层的特征域上进行有针对性的融合，最后通过小波逆变换完成图像重建。文献[2]提出了一种将小波变换和MNF变换结合的遥感影像融合的方法。

文献[1]提出了一种基于正交小波包的局域方差遥感图像融合新算法.该算法利用正交小波包变换，把图像分解成不同尺度的低频和高频部分，采用小波包局域窗口和子区域窗口统计，把小波包系数分类成边缘和非边缘系数.在融合处理中，把低频图像的小波包系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差，来确定融合后高频小波包系数。

2 影像融合的评价准则

融合影像的整体质量评价指标主要有：平均梯度、熵、相关系数以及UIQI（Universal Image QualityIndex）指标等。

2.1 平均梯度

平均梯度g的大小可敏感地反映影像表达微小细节反差的能力。其计算公式为：

g=■■■2

一般来说，g越大，表明影像越清晰。因此可以用来评价融合影像和原影像在微小细节表达能力上的差异。

2.2 相关系数

相关系数反应了两幅影像的相关程度，也反映了影像融合前后的改变程度，其定义如下：

ρ=■

其中F为融合生成图像的灰度值，f为融合图像的均值；A为源图像灰度值，a为源图像的均值。

2.3 UIQI

Zhou Wang等在文献[4]中提出了一种新的影像质量评价指标UIQI（Universal

Image Quality Index）。假设x={xi│i=1，2，…，N}和y={yi│i=1，2，…，N}分别为原始影像和待评价影像的信号。文中定义的图像质量评价指标为：

Q=■

其中：

■=■■x■，■=■■y■，σ■■=■■（x■-■）■，σ■■=■■（y■-■）■

σ■=■■（x■-■）（y■-■）

在实际应用中，采用局部评价的策略。首先选定B×B大小的窗口，从左上角开始逐像素移动，每一步按照上面的方法可以计算得到一个Qj，假设共移动了M步，则按下面的公式就可计算得到一个图像质量评价指标Q：

Q=■■Qj

此即为UIQI。

参考文献

[1]李慧，林克正.基于小波包的遥感图像融合新算法[J].哈尔滨理工大学学报，2009，（14）：68～71.

[2]李海涛，顾海燕，林卉，韩颜顺，杨景辉.基于小波变换和MNF变换的遥感影像融合[J].山东科技大学学报自然科学版，2007，（26）：56～60.

[3]许建平，张长江.一种基于离散小波变换的遥感图像融合新算法[J].ComputerEra，2009，（5）：40～42.

[4]Zhou Wang，Student Member，IEEE，and Alan C. Bovik，Fellow，IEEE.

AUniversal Image Quality Index. IEEE Signal Processing Letters， vol. 9，no. 3， pp.

81～84，2002.