基于小波变换的多源遥感影像融合技术研究

!"#!$%&$'(')*+&,-./&$01$21(3$&)%)()$%)1基于5:;;的小波变换多光谱与全色遥感影像融合算法段延超4高利杰河南开封科技传媒学院!河南开封!"*%$$'摘4要 本文在小波变换融合算法的基础上 结合了68J J算法 提出了一种新的多光谱影像与全色影像融合算法 该算法首先利用68W变换和#V;变换完成对影像的前置处理 然后对小波变换后的低频分量采用加权平均法的融合规则 高频分量采用68J J的融合规则 最后 通过#V;逆变换完成影像的融合 结果表明 算法影像融合效果较好 有效地解决光谱失真和融合细节的问题 具有较好的实用价值关键词 图像融合 68J J 小波变换 多光谱与全色44随着遥感技术的不断发展"获取遥感数据的能力也越来越强"种类也越来越丰富"包括全色影像$多光谱影像$高光谱影像$夜光影像等*$+#不同类型的遥感影像在空间分辨率$光谱分辨率等方面具有不同的特点#如何综合利用这些遥感数据"成为遥感技术研究的一个重要方向#多光谱影像是指通过对地球表面反射$辐射$散射等电磁波进行多波段的采集和记录"形成的带有多个波段的遥感影像#每个波段都包含了物体不同的光谱特征信息"可以用于地表物质分类$植被覆盖度计算$水体提取等分析应用#全色影像是指在单一波段内采集的遥感影像"与多光谱影像相比"其光谱分辨率较高"一般在%&(R$&%米之间#全色影像具有高空间分辨率和较好的灰度级表现力"可以用于地物边界提取$建筑物检测等应用#因此"对于一些需要既考虑地物信息又需要高空间分辨率的遥感应用"比如地物分类$地形分析等"就需要将多光谱影像和全色影像进行融合"以期得到更加准确$全面的遥感信息#融合后的影像具有高空间分辨率和多波段信息的特点"因而能更好地支持遥感数据的分析和决策#多光谱影像与全色影像融合技术在提高遥感数据的综合利用效率$地表信息获取的准确度和全面性$优化遥感图像分析方法以及推动遥感技术发展等方面具有重要意义*)+#本文重点研究在小波变换的基础上"使用68J J'脉冲耦合神经网络(来处理小波变换后的高频分量"从而提高多光谱影像和全色影像的融合的细节信息#'常见多光谱与全色影像融合算法遥感影像融合算法可以分为基于变换的融合算法$基于像素级的融合算法$基于图像分割的融合算法$基于深度学习的融合算法#不同的算法具有不同的适用场景和优缺点"需要根据具体的应用需求和数据特点来选择合适的算法#以下算法是多光谱与全色影像常见的融合算法#$&$\B>b N e变换\B>b N e变换是一种常见的遥感影像融合算法"用于将多光谱影像和全色影像融合在一起#该算法通过将全色影像的每个像素值按比例分配给多光谱影像的=:\三个分量"从而产生融合后的=:\图像#由于全色影像具有高空间分辨率和单一光谱波段"\B>b N e变换融合可以使融合后的影像具有更高的空间分辨率和更多的光谱信息#然而"该算法存在着色偏和光谱失真等问题"因此在实际应用中需要注意算法参数的调整和效果评估# $&)#V;变换#V;变换是一种基于颜色空间的融合算法"它将多光谱影像和全色影像转换到三个颜色分量中"并将全色影像的强度分量与多光谱影像的色彩分量进行加权平均来生成融合图像#这种方法的优点是融合后的图像色彩保真度高"但对于保留多光谱信息而言"效果并不是很好# $&(68W变换68W是一种数据降维的方法"可以将高维度数据转换为低维度数据"并且保留数据的主要信息#由于68W变换可以在保留原始数据信息的同时减少数据维度"从而降低了数据冗余和噪声的影响"因此68W变换融合算法具有良好的融合效果和实用性#同时"与传统的基于像素的融合方法相比"68W变换融合算法能够更好地保持影像细节和色彩信息"提高影像的可解释性和应用效果#$&3小波变换小波变换'_Z b N?N O(是一种多尺度分析的融合算法"它通过对多光谱影像和全色影像进行小波变换"然后将变换后的系数进行加权平均来生成融合图像*(+#这种方法的优点是可以在不同尺度上融合图像"从而得到更加丰富的信息#+*!科技风"#"$年%月电子信息$&9J J !/X X ^C N算法J J !/X X ^C N 融合算法是一种基于J J !/X X ^C N 算法的图像融合方法"它可以将多幅具有不同成像特点的图像融合成一幅具有更高质量的图像#但是"由于J J !/X X ^C N 算法本身的计算量比较大"因此J J !/X X ^C N 融合算法的计算量也较大"需要一定的计算资源和时间*3+# 本文融合算法小波变换融合算法对噪声比较敏感"因为噪声可能会导致小波分解后的低频和高频分量之间的权重分配不合理"从而影响融合结果的质量#为了提高多光谱影像和全色影像的融合效果"本文融合算法主要步骤如下#)&$小波变换前置处理步骤)&$&$多光谱影像68W 变换由于多光谱影像的第一主成分反映了多光谱影像中最大的变化"通常也包含了最多的信息#为了减少光谱扭曲"同时提升融合后细节信息#本文算法首先对全色图像进行68W 变换"然后将多光谱图像的第一主成分与全色图像进行直方图匹配"从而提升融合后遥感影像的质量和分析结果的准确性#)&$&)多光谱影像#V ;变换为了避免融合后影像出现色彩失真等问题"本文采用了#V ;变换作为融合算法的前置处理步骤#首先"对重采样后的多光谱影像进行#V ;变换"将其分解为强度'#($色度'V (和饱和度';(三个分量#其次"经直方图配准的全色影像与#进行小波变换"得到新的强度分量'#d (#最后"利用#V ;逆变换将#d 与原色度分量'V (和饱和度分量';(组合成新的彩色影像"完成融合处理#由于色度和饱和度分量未经过改变"因此融合后的影像能够很好地保留原多光谱影像的色彩信息#)&)小波变换融合规则)&)&$基于加权平均法的低频分量融合规则小波变换融合算法中"加权平均法用于融合低频分量"目的是保留多光谱影像和全色影像的结构信息#低频分量融合的规则如下!&+,'-".(m /$&0,'-".(G /)&1,'-".(在公式中"'-".(表示像素点的位置"-表示经小波分解的层数"&0,'-".("&1,'-".(表示低频分量系数对相应像素值"&+,'-".(表示融合后低频分量系数"/$"/)表示融合时加权系数'/$G /)m $(#)&)&)基于68J J 的高频分量融合规则68J J 是一种基于生物学神经系统的人工神经网络模型"其灵感来源于脉冲神经元之间相互作用的方式#68J J 在图像处理领域广泛应用"其主要特点是能够实现对图像的非线性$时空域的信息处理"并且能够很好地提取出图像中的边缘信息"因此在图像融合中也被广泛应用*9+#经过小波分解后"高频分量包含了边缘$区域边界等细节信息#将高频分量系数与68J J 结合起来"可以进一步改善融合的细节效果#高频分量融合的规则如下!&+-.m&0-."#0-.',( #1-.',(&1-."#0-.',(l #1-.',({在公式中"经过-次迭代后"#0-.',(和#1-.',(表示神经元点火次数矩阵"&+-.表示融合后高频分量系数"&0-.和&1-.表示分解后高频分量系数#通过68J J 模型的非线性作用"可以提取出图像中的边缘和纹理等细节信息"从而进一步改善融合效果#)&(本文融合算法具体步骤'$(影像配准#')(多光谱影像进行#V ;变换"将其分解成#$V 和;三个分量"并对其进行68W 变换"得到第一主成分68$#'((全色影像和重采样后的68$进行直方图匹配"得到匹配后的6W J d #'3(将亮度分量#和匹配后的6W J d 进行小波变换"得到高频分量和低频分量#'9(低频分量采用加权平均值"高频分量采用68J J 融合规则#'0(经小波逆变换"得到新强度分量#d #'1(使用#d "经#V ;逆变换"得到融合影像#本文算法流程图如图$所示#图$本文融合算法 实验结果与分析为了验证本文融合算法的优越性"使用\B >b N e 变换$V #;变换$68W 变换$小波变换$J J !/X X ^C N 融合算法做对比试验"融合效果采用主观评价方法和客观评价方法#实验电子信息科技风 年 月数据使用高分)号卫星拍所摄的$T 分辨率的全色影像和3T 分辨率的多光谱影像#多光谱影像$全色影像及融合结果如图)所示#图)多光谱影像!全色影像及融合结果(&$主观评价根据实验结果"可以看出\B >b N e变换算法融合结果后出现色彩偏差$#V ;变换算法在高光和阴影细节方面表现较差$68W 变换算法在保留图像细节方面略逊于#V ;算法$J J !/X X ^C N 算法在保留多光谱影像的颜色信息方面稍逊于其他算法$小波变换算法在保留多光谱影像颜色信息方面相对较差#本文算法融合结果既保留了多光谱影像的色彩"又很好地保留了全色影像的细节$清晰度等信息#从主观评价上"本文算法要优于其他算法#(&)客观评价融合效果的客观评价选取信息熵$平均梯度$相关系数$均方差误差$交互信息量作为融合结果评价指标*0+#融合结果如下表所示#融合结果客观评价指标表'$(信息熵值越高"表明影像所携带的信息量越多#除了原始影像"本文算法的信息熵值高于其他算法"表明本文算法具有更高的信息量#')(平均梯度值越高"表明影像的清晰度越高#本文算法利用68J J 融合规则有效提高了影像细节表现能力"其平均梯度值高于其他算法"表明本文算法在清晰度方面处于较高水平#'((相关系数值越接近$"表明与参考影像的相关度越高#本文算法与参考影像的相关度较高"表明本文算法的融合效果与理想效果最接近#'3(均方根误差值越小"表明与参考影像的差异越小#本文算法相较于其他算法具有更小的均方根误差值#'9(交互信息量值越大"表明与参考影像最为贴合#本文算法的交互信息量值略高于小波变换融合算法"但优于其他算法#综合而言"本文的融合算法在客观评价指标分析中表现出色"显著提高了融合效果"并成功解决了小波变换融合算法中出现的分块和光谱失真问题#相较于其他算法"本文算法提升了融合后影像的细节表现能力#结论本文算法的优势在于"能够有效地保留多光谱影像的细节信息"还具有较强的适用性和鲁棒性#缺点在于"本文算法处理包含建筑物的遥感影像融合效果较好"但不适用于处理其他类型遥感影像#另外"本文算法的复杂度较高"运算速度较慢"不适合实时处理大量数据#本文算法还需要进行进一步的优化和改进#参考文献&$'李树涛"李聪妤"康旭东&多源遥感图像融合发展现状与未来展望&F '&遥感学报")%)$")9+%$,($3I2$00&&)'张丽霞"曾广平"宣兆成&多源图像融合方法的研究综述&F '&计算机工程与科学")%))"33+%),(()$2((3&&('谭仁龙&一种基于小波变换的图像融合方法&F '&测绘通报")%$1+%',(3)239&&3'8LN -"i &"r ;^-"F &+)%)%,&W ->b N ?/T Z H NX ^C />-T N O L>@MZ C N @>-Z ,>-b >?^O />-Z ?-N ^B Z ?-N O A >B .Z -@J J !/X X ^C N &8>T K^O N B C r:N >C ,/N -,N C "$('"$%39$I&&9'段延超&基于;#D Y 和小波变换的遥感影像配准融合算法研究&!'&河南大学")%$'&&0'杨艳春"李娇"王阳萍&图像融合质量评价方法研究综述&F '&计算机科学与探索")%$I "$)+%1,($%)$2$%(9&作者简介 段延超+$''%$4,"男"汉族"硕士"助教"研究方向(图像处理%高利杰+$''$$4,"男"汉族"硕士"助教"研究方向(图像处理自动控制#科技风 年 月电子信息。

基于PCA 变换与小波变换的多源图像融合算法陈丹（华东交通大学，南昌330013）摘要：在多尺度分解的框架下，针对像素级的多源图像融合，提出一种基于PCA 变换与小波变换的图像融合算法。

首先将低分辨率的多光谱图像进行主分量变换，得到各主分量；然后将高分辨率图像的信息与第一主分量进行融合，得到新的融合了高分辨率图像信息的第一主分量；最后新的第一主分量与其他主分量进行反变换，得到一幅具有高空间分辨率的多光谱图像。

关键词：PCA变换；小波变换；图像融合中图分类号：TP301文献标识码：A文章编号：1673-1980（2010）02-0156-03图像融合指根据某种算法，对从不同传感器得到的图像进行综合处理，得到一幅新的满足某种要求的图像。

融合后的图像应该比原图像更加清晰，易于分辨，可用于图像锐化、图像分割、目标识别等。

多源图像的融合有IHS 变换融合算法、PCA变换融合算法、高通滤波(HPF)融合算法与小波变换融合算的思想运用到多传感器融合的，是Chavez P S［1,2］等人提出的，他们将Land sat TM 与SPOT PAN 进行融合，且效果良好。

在用PCA(主成分分析)融合方法［3,4］对低分辨率多光谱图像与高分辨率图像进行融合时，首先对低分辨率多光谱图像进行PCA 变换，获得其成分变量；然后，对高分辨率图像进行线性拉伸，使之与低分辨率多光谱图像第一主成分分量具有相同的均值与方差；最后，用拉伸后图像替换第一主成分，再通过PCA 反变换回到RGB 空间，即得到最终的融合结果图像。

1.2 小波变换融合方法小波变换可将图像分解为不同频道上的近似信号和多分辨率层的细节信号，使其能充分反映原始图像的局部变化特征，从而为图像数据融合提供了有利条件。

通过小波变换可将图像分解为一个低频分量和一系列的高频分量，其中低频分量为近似图像，而图像的显著细节特征，如边缘、亮线、区域边界等则分布在高频分量中，其小波系数绝对值的大小反映变化的剧烈程度。

基于小波变换低频域增强的多聚焦图像融合的开题报告一、研究背景多聚焦图像融合是一种重要的图像处理技术。

它通过融合不同焦距下拍摄的多幅图像，得到单张清晰的图像。

这种技术在无人驾驶、工业检测、医学成像等领域都有广泛的应用。

多聚焦图像融合的方法有很多种，其中一种常用的方法是基于小波变换的方法。

小波变换是提取图像局部特征的有效方法，可以得到图像不同的频域信息。

通过将多张图像分别进行小波变换，并分别提取不同频率下的信息，可以得到每张图像的低频和高频信息。

低频信息包含图像的大部分结构信息，而高频信息包含图像的细节信息。

通过将不同焦距下图像的低频信息进行融合，可以得到清晰的图像。

二、研究内容本文研究的内容是基于小波变换低频域增强的多聚焦图像融合。

具体研究内容包括以下几个方面：1. 多聚焦图像的获取本研究将从虚拟图像数据集中获取多聚焦图像，包括近距离和远距离两组图像，每组图像包含5张图像。

2. 小波变换及低频信息提取将每张图像进行小波变换，提取出每张图像的低频信息。

选择小波基函数，确定小波变换的层数和分解方式等参数。

3. 低频域增强通过增强低频信息，使图像具有更好的清晰度和对比度。

本研究将采用直方图均衡化、对比度增强等方法进行实验对比分析。

4. 图像融合将不同焦距下图像的低频信息进行融合，通过不同的融合方法，得到不同的融合图像。

本研究将采用融合权重法、小波域融合等方法进行实验对比分析。

5. 模型评价对比分析不同融合方法的效果，通过PSNR、SSIM等指标对模型进行评价。

三、研究意义多聚焦图像融合技术是一种实际应用广泛的图像处理技术，其在无人驾驶、工业检测、医学成像等领域都有重要的应用。

本研究所提出的基于小波变换低频域增强的多聚焦图像融合的方法，可以提高融合图像的清晰度和对比度。

该方法在图像处理领域有广泛的应用前景。

四、研究方法和步骤1. 多聚焦图像的获取2. 小波变换及低频信息提取3. 低频域增强4. 图像融合5. 模型评价五、预期结果本研究所提出的基于小波变换低频域增强的多聚焦图像融合的方法，可以提高融合图像的清晰度和对比度。

200821244(6)　北京师范大学学报(自然科学版)Journal of Beijing Normal University (Natural Science )　595　一种基于H SI 和小波变换的遥感图像融合方法3刘建伟1)　宋梦馨2)　郭　平2)(1)西安工业大学数理系,710032,西安;2)北京师范大学图形图像与模式识别实验室,100875,北京)摘要　在对同一地区低分辨率的多光谱图像与高分辨率的全色图像的融合中,单独采用传统的HSI (hue 2saturation 2intensity )图像融合方法会出现颜色失真问题和传统的小波融合中存在分块模糊现象.为了改进融合效果,本文提出了一种新的融合方法,将HSI 和小波变换进行有机结合,首先通过HSI 变换获得多光谱图像的亮度成分,采用改进的基于主分量分析方法的融合规则将它与全色图像进行小波融合,得到新的亮度分量.将新的亮度分量进行增强处理后,进行HSI 逆变换获得最终融合图像.实验结果证明,该方法不但提高了融合图像的空间分辨率,突出了目标的特征信息,而且更好地保留了原有多光谱图像的光谱性质.关键词　遥感图像融合;HSI ;小波变换;主分量分析3国家自然科学基金资助项目(60675011)通信作者收稿日期:20082042170　引言随着遥感技术的发展,多传感器图像融合技术已成为当前的一个研究热点问题[1].多传感器图像融合是一种先将不同类型传感器获取的同一地区的图像数据进行空间配准后,再采用一定的算法将各图像数据中所含的信息优势互补性有机地结合起来产生新图像的技术[223],融合后的图像更加符合人或机器的视觉特性,有利于后续的图像分析、目标检测、识别或跟踪[4].在多传感器图像融合技术研究中有一个重要内容就是将具有高空间分辨率的全色图像与低空间分辨率的多光谱图像进行融合处理,来增强图像的清晰度,提高图像解析性,突出目标的特征信息[5],获得一个具有高空间分辨率的多光谱图像,这在遥感应用、地形探测、环境研究和土地使用分析[4,6]等方面有重要的意义.目前的融合技术主要有加权平均融合[4]、HSI(hue 2sat uration 2intensity )变换方法[7],Brovey 变换[8]、主成分分析方法(principal component analysis ,PCA )[5]、小波变换方法[122],以及这些方法的组合等[3,10].其中,HSI 是应用最广泛的远距离传感器图像融合方法之一,并且作为一种标准的处理方法存在于许多商业包中[729].但是传统的HSI 变换方法中在光谱信息和分辨率上不能同时得到较好的融合效果[6],由于扭曲了原始的光谱特性,产生了光谱退化[3],因此对HSI 方法的改进很有意义.Mar ía 等人[10]提出了改进的基于小波分解的HSI 融合方法,此方法是将经小波分解后所提取的全色图像的高频分量融合到多光谱图像亮度分量经小波分解后的高频分量中.但是这种融合方法舍弃了全色图像经小波分解的低频成分,导致融合后分块模糊现象.另外,融合规则的选择也直接决定了最终的融合效果.传统的方法有取最大,取最小方法[11],取平均方法,和近些年来人们提出的基于边缘检测的方法[12]等.由于在决定融合算子的时候采用的都是固定的参数,不能够自适应的确定融合参数,因此所得到的融合效果不够理想.为了获得更好的融合效果本文提出一种新的融合方法.这种新的方法能够提高多光谱图像的空间分辨率,同时尽量保持多光谱图像的光谱特性.我们首先通过HSI 变换获得多光谱图像的亮度成分,将它与全色图像进行小波融合,低频部分利用改进的PCA 方法自适应确定小波低频图像的融合加权系数.为了获得更多的高频部分的细节信息,采用传统小波融合方法的思路,高频部分全部采用全色图像的高频部分,融合后得到新的亮度分量,将新的亮度分量进行增强处理后,与多光谱图像中的色调分量和饱和度分量进行HSI 逆变换获得最终融合的图像.1　HSI 图像融合为简化问题,对于多光谱遥感图像可以选择特定波段,转换成红、绿、蓝(R G B )图像.R G B 三原色模型是目前常用的一种颜色模型,它是从物理学角度出发描述颜色,适于计算机定量处理颜色.另外一种广泛应用的颜色模型是HSI 模型,其中H 表示色调,S 表示饱和度,I 表示亮度.HSI 模型中的三个分量H ,S ,I　596　北京师范大学学报(自然科学版)第44卷　具有相对独立性,可分别对它们进行操作.I 主要反映遥感图像中地物反射的全部能量和图像所包含的空间分布;而H 是组成色彩的主波长,由红绿蓝的比重所决定;S 则主要反映地物的光谱信息.HSI 颜色模型是面向视觉感知的颜色模型,适合基于人的视觉对彩色感知特性进行处理分析,因而成为彩色图像处理最常用的颜色模型.传统的HSI 图像融合方法的基本思想是用具有较高空间分辨率的灰度图像的亮度成分代替HSI 空间中的低分辨率亮度成分[4,8,10].这种方法虽然大大提高了融合图像的空间分辨率,但它却存在严重的光谱畸变现象.2　小波融合小波融合方法[122]主要分为以下3个步骤:1)将低分辨率多光谱图像和高分辨率图像分别进行小波分解;2)用多光谱图像的近似子图像替换高分辨率图像的近似子图像;3)通过小波逆变换得到融合结果.小波融合虽然能使融合图像在获得高空间分辨率的同时,能较好地保持原始光谱信息,但是由于舍弃了高分辨图像的低频分量,故很容易出现分块模糊现象.考虑到HSI 变换融合能够提升融合图像的空间分辨率但是光谱失真较大,小波变换融合正好能有效地增强多光谱图像的空间细节表现能力,保持融合前后图像的光谱特征.因此本文将HSI 变换与小波变换有机的结合起来以获得更好的融合效果.3　改进的低频融合系数的确定直接使用多光谱图像亮度分量经小波变换后的低频分量,会导致最终的融合图像出现分块效应.为了减少分块效应对最终的融合结果所产生的影响,本文采用将全色图像的低频信息融合到多光谱图像中去的方法.具体方法如下:设I 1(x ,y )为高空间分辨率的全色图像经小波分解后获得的低频子图像,I 2(x ,y )为多光谱图像的亮度分量的小波分解低频子图像,I 为低频融合图像.其中低频的融合规则为I (x ,y )=λ1I 1(x ,y )+λ2I 2(x ,y ),(1)式中λi 为图像I i (x ,y )的融合系数,本文采用PCA 方法[3]并且进行了改进,自适应确定融合权重系数,具体如下:1)设由全色图像经小波分解后的低频子图I 1与多光谱图像的亮度分量经小波分解后的低频子图I 2组成的矩阵X =[I 1,I 2],其PCA 变换为Y =AX .(2)矩阵X 的协方差矩阵的特征值为D 1,D 2,且D 1>D 2,然后求出D 1,D 2对应的特征向量Y =[V 1,V 2].2)一般,Y 的第一个主分量包含了X 的主要信息.我们用sum (V 1)表示对V 1中的所有分量求和,V 1(i )表示V 1的第i 个分量,V 1(i )/sum (V 1)反应了分量V 1(i )在第一个主分量中的重要程度,因此本文通过此式求得进行归一化处理后的低频图像的加权系数,i =1,2.在传统的使用PCA 方法自适应地选择小波低频融合权值的方法中,需要考虑多个主分量.在本文中,由于矩阵X 的协方差矩阵只有两个特征值,而通过主分量变换的理论可知第一个主分量集中了大部分的信息,因此我们可以只考虑第一个主分量.这样能够提高计算的效率,减少计算复杂度.为了使低频获得的图像更清晰,则要求λ1相对尽量大,λ2相对尽量小,因此λi 由下式确定:λ1=max (V 1(1)/sum (V 1),V 1(2)/sum (V 1)),λ2=min (V 1(1)/sum (V 1),V 1(2)/sum (V 1)).(3)4　新的融合方法根据上面的分析,结合H S I 和小波变换方法的优势,本文提出采用以下的融合步骤,融合过程的流程如图1所示.图1　本文方法融合流程图　1)对多光谱图像进行H S I 变换,得到亮度、色调、饱和度3个分量.2)分别对多光谱图像的亮度分量I 以及全色图像进行2阶小波变换,得到各自的低频和高频细节.3)在低频部分,采用第4节提出的融合规则进行融合.4)在高频部分,为了获得较高的图像分辨率,高频分量全部用全色图像的高频分量来代替多光谱图像中亮度分量经小波变换后的高频分量.5)进行逆小波变换,得到新的亮度分量.6)将新亮度分量采用图像的均衡化方法进行图　第6期刘建伟等:一种基于HS I和小波变换的遥感图像融合方法597像增强得到I′,这是由于低频部分采用了加权融合,通过图像增强,可以提高图像的分辨率,突出细节信息.7)将由6)获得的亮度分量I′,与多光谱图像中的色调分量H、饱和度分量S进行H IS逆变换得到融合图像.5　实验结果分析为验证本文提出的方法的正确性和有效性,我们通过实验与传统融合算法进行了对比分析.图2为低分辨率多光谱图像,图3(见封二)为高分辨率的全光图像.图4(见封二)为本文提出的方法的融合结果.图5(见封二)为传统的HSI方法的融合结果,图6(见封二)为传统的小波方法融合的结果.从图4～6可看出,采用本文所提出的方法进行融合获得了非常好的视觉效果,融合图像具有比任何一幅原始图像更多的信息.实验中我们还通过一些常见的客观标准,例如信息熵、平均梯度和偏差指数等,去评价图像融合的效果.信息熵和平均梯度的计算公式参见文献[4],偏差指数的计算公式参见文献[1].信息熵反映了图像信息的丰富程度,通常信息熵越大,图像包含的信息就越丰富;平均梯度能够反映图像中微小细节反差与纹理变化特征,是描述图像清晰度的一个物理量,平均梯度越大,图像越清晰,边缘信息保留越多;偏差指数反映了融合图像与原图像在光谱信息上的匹配程度,融合图像和原图像的偏差度越小,表明融合方法保留原始图像的光谱信息越多[1,4].表1　图像融合结果客观评价指标评价指标多光谱图像全色图像HSI小波融合本文方法R7.4985 6.86397.15347.20897.4423信息熵G7.63637.21737.23877.5611 B7.50677.10727.11867.5310R13.313217.884514.941025.0195平均梯度G13.879317.653114.833525.2852 B15.497017.729914.866224.7244R0.81890.51970.5619偏差指数G0.37320.25460.2957 B0.32560.24810.2664 从表1可以看出,本文采用的方法相对于传统的HSI融合方法和小波融合方法比较好.首先从空间细节信息看,信息熵比传统方法HSI和小波变换方法都大,因此融合包含的信息更丰富;平均梯度是清晰度的标志,本文采用的方法相对于HSI方法和小波变换而言,获得清晰度较高;另外从光谱信息看,相对于传统的HSI融合方法,偏差指数较小,因此更多地保留了多光谱图像的光谱信息.同时看到小波融合方法虽然在保留了多光谱信息比本文方法略好,但是它的平均梯度最小,即清晰度最低,出现了分块模糊,即振铃现象.综合来看,用本文方法融合后的图像在边缘丰富程度上及空间细节信息的表现能力上要优于小波变换融合方法得到的图像.因此,本文采用的方法融合效果较好,相对于传统的HSI融合方法和小波图像融合方法,不但提高了多光谱图像的空间分辨率,同时尽量保留了多光谱图像的光谱特性.这表明客观指标评价结果与主观评价的结果是一致的.6　结论本文提出一种对低分辨率的多光谱图像与高分辨率全色图像的融合方法:首先通过HSI变换获得低分辨率多光谱图像的亮度成分,对确定低频融合系数的方法进行改进,将它与高分辨率的全色图像采用新的融合规则进行小波融合,得到新的亮度分量,将新的亮度分量进行增强处理后,再进行HSI逆变换获得最终融合图像.实验结果表明,该方法相对于传统的HSI 图像融合方法在分辨率和多光谱方面上同时获得较好的融合效果,又消除了传统小波融合产生的分块模糊现象,使得融合图像不但提高了融合图像的空间分辨率,增加了图像解析性,突出目标的特征信息,还更好地保留了原有多光谱图像的光谱性质.7　参考文献[1]　Shi Wenzhong,Zhu Changqing,Tian Yan.Wavelet2based image f usion and quality assessment[J].International Journal of Applied Earth Observation andG eoinformation,2005,6(3/4):241[2]　Li Shutao,J ames T ing the discrete waveletf rame transform to merge Landsat TM and SPO Tpanchromatic images[J].Information Fusion,2002,3(1):17[3]　蒋年德,王耀南.一种新的基于主分量变换与小波变换的图像融合方法[J].中国图象图形学报,2005,10(7): 910[4]　黄金,潘泉,皮燕妮.基于区域特征加权的HSI图像融合方法[J].计算机工程与应用,2005,41(6):39[5]　陈怀新,王连亮.基于PCA的小波多分辨图像融合方法[J].电讯技术,2006,(1):79[6]　狄红卫,陈木生.一种自适应的多光谱图像与全光图像融合新方法[J].光子学报,2005,34(3):452[7]　Tu Teming,Su Shunchi,Hsuen2Chyun Shyu.A newlook at HSI2like image f usion methods[J].Information Fusion,2001,2(3):177[8]　覃征,鲍复民,李爱国,等.数字图像融合[M].西安:西安交通大学出版社,2004:7219[9]　朱俊杰,范湘涛,丁赤飚.顾及光谱畸变的高分辨率图像　598　北京师范大学学报(自然科学版)第44卷　融合方法研究[J].武汉大学学报,2006,31(10):858 [10]　María G A,JoséL S,Raquel G C,et al.Fusion ofmulti2spectral and panchromatic images using improvedHIS and PCA mergers based on wavelet decomposition[J].IEEE Transactions on G eoscience and RemoteSensing,2004,42(6):1291[11]　Liu Jianwei,Y in Qian,Guo Ping.A new strategy toimprove image fusion effect[C].Proceedings of2006International Conference on Machine Learning andCybernetics,IEEE Press,2006:377023775[12]　刘建伟,郭平.一种基于边缘检测的图像融合新方法[J].北京师范大学学报:自然科学版,2007,43(5):518A NEW REMOTE SENSING IMAGE FUSION METH OD BASEDON H SI AN D WAVE L ET TRANSFORMATIONL IU Jianwei1)　SON G Mengxin2)　GUO Ping2)(1)Depart ment of Mat hematics and Physics,Xi’an Technological University,710032,Xi’an,China;2)Image Processing and Pattern Recognition Laboratory,Beijing Normal University,100875,Beijing,China)Abstract　This paper propo ses a new image f usion met hod for low2resolution multi2spectral image and high2resolution panchromatic image of t he same area.Traditional HSI(hue2sat uration2intensity) t ransformation met hod faces a p roblem namely color distortion,and t raditional wavelet t ransformation has a p roblem of blurring.Therefore,t his paper adopt s a new met hod based on HSI and wavelet transform to solve t he problem.First,t he multi2spectral image is transformed into HSI space.Then,t he intensity component of multi2spectral image and panchromatic image are merged by wavelet f usion,adopted a new f usion rule based on improved PCA(p rincipal component analysis).Finally,t he f usion image is obtained by inverse HSI t ransformation.The experimental result s show t hat t he propo sed met hod is better t han t raditional HSI met hod and wavelet t ransformation.It not only enhances spatial resolution of f usion image and obtains detail and feat ure information,but also preserves spect ral information of t he original multi2spect ral image well.K ey w ords　remote sensing image f usion;hue2sat uration2intensity;wavelet transform;principal component analysis马　强等:河南省鸟类新记录———凤头鹰图2　低分辨率多光谱图像 图3　高分辨率全色图像 图4　本文方法融合结果图像刘建伟等:一种基于HSI和小波变换的遥感图像融合方法。

一种基于àtrous小波变换的遥感影像融合方法
孟昭山;刘洋;张延波
【期刊名称】《测绘与空间地理信息》
【年(卷),期】2010(033)001
【摘要】针对遥感高分辨率全色影像同低分辨率多光谱影像的融合,提出了一种在àtrous小波变换基础上,可以使边缘特征增强的遥感影像融合方法.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.
【总页数】3页(P84-86)
【作者】孟昭山;刘洋;张延波
【作者单位】大庆市规划局,黑龙江,大庆,163316;黑龙江省测绘科学研究所,黑龙江,哈尔滨,150086;黑龙江省测绘科学研究所,黑龙江,哈尔滨,150086
【正文语种】中文
【中图分类】TP75
【相关文献】
1.一种基于小波变换的可调节遥感影像融合方法 [J], 邓磊;陈云浩;李京
2.一种基于结构相似度的IHS与小波变换相结合的遥感影像融合算法 [J], 王晓艳;刘勇;蒋志勇
3.一种基于IHS变换和小波变换的多源遥感影像融合新方法 [J], 梁苏苏;张鹤鸣;段彩梅
4.一种构建多光谱全色波段与小波变换相结合的遥感影像融合方法 [J], 刘林;田庆
久
5.一种基于整数小波变换的遥感影像融合算法 [J], 王仲妮;余先川;张立保
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波变换的图像融合技术研究的开题报告一、研究背景随着数字图像处理技术的发展，图像融合成为研究热点之一。

图像融合是指将多幅图像信息融合成一幅新的图像。

图像的融合可以使得图像的细节更加清晰，且能够提高图像处理的效率。

随着卫星遥感、医学图像、航空图像等领域的发展，图像融合在相关领域具有广泛的应用价值。

小波变换作为一种用于信号处理和图像处理的数学工具，已经被广泛应用于图像融合。

在图像融合中，小波变换可以对图像进行分解，对各个频率子带进行加权求和，最终实现图像的融合。

二、研究目的本文的目的是探究基于小波变换的图像融合技术的研究。

具体来说，本文将从以下三个方面进行研究：1. 探究小波变换在图像融合中的应用，了解其工作原理并进行分析。

2. 分析不同的小波变换在图像融合中的适用性，包括Haar小波、Daubechies小波、Symlet小波等。

3. 设计并实现基于小波变换的图像融合算法，对比不同小波变换对图像融合算法的影响，分析图像融合效果的优劣。

三、研究内容1. 小波变换与图像融合的基本原理介绍小波变换的基本概念和图像融合的相关原理。

2. 不同小波变换的特点和适用性分析比较Haar小波、Daubechies小波和Symlet小波等不同小波变换的特点，分析其在图像融合中的优缺点。

3. 基于小波变换的图像融合算法设计以Haar小波为基础，设计一个基于小波变换的图像融合算法，并将其应用于卫星遥感图像、医学图像等实际应用场景中。

4. 实验与分析对比不同小波变换对图像融合的影响，分析算法的融合效果。

四、研究意义本文的主要意义在于探究基于小波变换的图像融合技术的研究，为提高图像融合效果和应用场景的拓展提供理论支持。

同时，本文的研究结果也有助于改进和优化现有的图像融合算法。

基于多尺度小波变换的图像融合技术研究图像融合是一种将多幅图像融合为一幅新的图像的技术。

多尺度小波变换是一种有效的图像处理方式，利用多尺度分析的思想，将图像分解成多个尺度和多个方向上的分量。

因此，基于多尺度小波变换的图像融合技术在图像处理领域得到了广泛应用。

首先，简要介绍现有的图像融合技术。

目前图像融合技术主要可分为基于像素级、基于区域级和基于小波变换的融合技术。

其中，像素级融合技术是将每个像素进行加权平均，然后生成融合图像。

基于区域级的融合技术是将图像分成多个区域，然后采用不同的方法进行融合。

而基于小波变换的融合技术则是将图像进行小波变换，然后利用小波系数进行融合。

虽然每种方法都有各自的优缺点，但基于小波变换的图像融合技术具有更好的品质和更高的效率。

多尺度小波变换是一种将图像分解成多个尺度和多个方向上的分量的有效方法。

它利用小波核函数来对不同频率和不同方向的信号进行分解，产生一组小波系数。

在小波变换中，图像可以分解成多个分量，其中每个分量的特点不同，如细节、纹理、轮廓等。

利用小波变换的分析和合成过程，可以进行图像的降噪、去除伪影等。

基于多尺度小波变换的图像融合技术，主要分为两种方法：基于像素级的融合方法和基于小波系数的融合方法。

在基于像素级的融合方法中，每个像素都被分解成多个尺度和方向上的小波系数，然后再将这些小波系数进行加权平均，得到最终的融合图像。

而在基于小波系数的融合方法中，图像首先进行小波分解，然后利用小波系数的响应和能量特征来进行区域选择和区域合成。

最后，总结了基于多尺度小波变换的图像融合技术的优点和应用场景。

该技术可以对不同分辨率和不同方向上的图像进行分离和分析，从而提高了图像的质量和效果。

此外，利用多尺度小波变换的能力，还可以进行图像增强、图像配准、图像恢复等诸多应用。

总之，将多尺度小波变换技术应用于图像融合技术可以得到更好的结果。

尽管目前的算法存在着局限性和问题，但我们可以通过不断的研究和优化来提高图像质量和效果。