下载文档原格式
一种基于小波变换的全色遥感图像与彩色多光谱图像融合算法刘长柱
【期刊名称】《空间电子技术》
【年(卷),期】2002(000)001
【摘要】小波分析是一种介于傅里叶分析和δ分析之间的,以具有一定时间和频率分辨率的基函数来进行的信号分析方法,是信号处理界及数学界人士通过长期努力所得到的全新的目标.这种全新的分析方法在工程实践上已经取得了巨大进展.目前,以小波分析为工具的图像处理方法越来越丰富,也取得了良好的效果.本文介绍了一种基于多分辨率分析的小波变换图像融合算法,该算法使高空间分辨率的全色遥感图像与彩色多光谱图像的融合达到了近乎完美的效果.
【总页数】7页(P8-14)
【作者】刘长柱
【作者单位】西安电子科技大学电子工程学院,西安,710000
【正文语种】中文
【中图分类】TB871
【相关文献】
1.一种基于KPCA与小波变换的遥感图像融合算法 [J], 于森;陈春香
2.基于非亚采样Contourlet和SWT的多光谱图像和全色图像的融合算法 [J], 时海亮;方敏;梁锦锦
3.基于小波变换的多光谱图像与全色图像融合参数研究 [J], 刘显峰;陈木生;狄红卫
4.基于二维不可分形态小波变换的多光谱图像全色锐化方法 [J], 石岩
5.一种多光谱图像和全色图像融合算法 [J], 边境;周庆利
因版权原因，仅展示原文概要，查看原文内容请购买。
!"#!$%&$'(')*+&,-./&$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U DWT 的高性能多光谱遥感图像融合算法杨 志 毛士艺 陈 炜(北京航空航天大学电子信息工程学院 北京 100083) 收稿日期:2004202219 收修改稿日期:2004205211文 摘 无抽取离散小波变换(UDWT )具有移不变性的优良性质,它在遥感多光谱图像增强以及双通道图像融合应用中获得了很好的效果。
文中研究一种基于UDWT 的适用于多光谱图像的融合算法,该算法利用UDWT 的多尺度表示方法和文献[4]算法最佳保留光谱信息的特点,融合结果同时精确保留了多光谱图像的光谱信息和高频细节特征,为目标的检测、定位、识别等图像的进一步处理提供很好的特征信息。
主题词 图像融合 多分辨率分析 小波变换 无抽取离散小波变换引 言在遥感图像应用中,多光谱图像往往比单一的宽带图像包含更多信息,它可以针对感兴趣的各个目标特征选择一系列最佳的窄带图像,通过融合得到高质量的图像,为遥感图像的人工判读或目标的检测、定位、识别等处理提供更加丰富、精确的信息。
这是单一的宽带图像所不能满足的。
美国空军就使用多光谱信号检测目标的存在[5]。
近年来,出现了各种各样的像素级图像融合算法,研究比较多的有两大类:一类是各种线性或非线性投影的方法,如,主成分分析(Principal C om ponent Analysis )、投影追逐法(Projection Pursuit )[6]、最优投影映射(Optimal Projection Maps )[7]、自组织映射(Self -Orgnizing Maps )[8]等;另一类是基于各种多分辨率表示的图像融合技术。
后者又分为三个子类,①G aussian 多分辨率金字塔类,包括Laplacian 金字塔[9],对比度金字塔(R oLP )[10,11]和梯度金字塔[12]。
②标准的离散小波变换(DWT )[13]。
③无抽取离散小波变换(UDWT )[1],文献[2]称之为离散小波帧(DWF )。
基于小波变换的PCNN多传感器图像融合薛寺中;周爱平;梁久祯【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)035【摘要】For PCNN(Pulse Coupled Neural Network) has particular advantage in image processing,a novel fusion algorithm of multi-sensor image is proposed based on wavelet transform and PCNN.Original images are decomposed by wavelet transform, and the sub-band images at different scales are obtained.A fusion rule is given through making use of synchronous pulse bursts.This method uses SF(Spatial Frequency) of wavelet coefficients at different scales as the linking strength of the corresponding neuron.After the processing of PCNN with the adaptive strength, new fire mapping images in wavelet domain areobtained.According to the fire mapping images,the fusion coefficients are decided by the compare-select operator.The region consistency test is used on the fusion coefficients to obtain the final fusion coefficients.Fusion images are obtained by wavelet inverse transforra.Experimental results illustrate that this algorithm is efficient to integrate important information from the original images and obtains fusion images,which outperforms wavelet,PCNN,and so on both in visual quality and objective evaluation index.%利用PCNN(Pulse Coupled Neural Network)在图像处理中的独特优势,提出了一种基于小波变换的PCNN多传感器图像融合方法.对源图像进行小波分解,得到不同尺度下的子带图像;在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的SF( Spatial Frequency)作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,进行区域一致性检验,获到最终的融合系数;对融合后的系数进行小波逆变换得到融合图像.实验结果表明,该方法有效地综合源图像中的重要信息,得到更好视觉效果和更优量化指标的融合图像,在主客观评价上均优于小波、PCNN等方法.【总页数】5页(P210-213,217)【作者】薛寺中;周爱平;梁久祯【作者单位】江南大学数字媒体学院,江苏无锡214122;江南大学信息工程学院,江苏无锡214122;江南大学信息工程学院,江苏无锡214122【正文语种】中文【中图分类】TP391【相关文献】1.基于提升小波变换和PCNN的医学图像融合算法 [J], 徐卫良;戴文战;李俊峰2.基于小波变换和PCNN图像融合研究 [J], 方辉;郑春燕3.基于增补小波变换和PCNN的NSCT域图像融合算法 [J], 王健;张修飞;任萍;院文乐4.基于四元数小波变换和2APCNN的NSST域图像融合 [J], 凌雪岷; 朱芳5.基于双树复小波变换的自适应PCNN图像融合算法 [J], 杜进楷;陈世国因版权原因，仅展示原文概要，查看原文内容请购买。
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。
基于小波变换的多规则图像融合方法在遥感、医学、安防等领域，多规则图像融合是图像处理的一个重要课题。
基于小波变换的多规则图像融合方法是目前比较常用和有效的一种。
以下将详细介绍这种融合方法。
一、小波变换小波变换是一种多尺度变换技术，它的基本思想是将信号分解为不同频率、不同尺度的子带，再进行处理。
小波变换通过把信号拆分成高频和低频部分，可以提取出信号中的各种特征信息，从而对图像进行分析和处理。
二、基于小波变换的多规则图像融合原理基于小波变换的多规则图像融合方法是利用小波多分辨率分解（即小波分解）方法对多幅图像进行分解，然后将不同分辨率的图像中的重要细节特征融合在一起。
具体来说，该方法将原始图像分别分解成多个尺度的子带，然后利用定义好的融合规则对各个子带进行融合，得到融合后的图像。
三、基于小波变换的多规则图像融合步骤1. 对原始图像进行小波分解，得到各个尺度的子带。
2. 确定融合规则，一般可以有三种：（1）低通部分融合规则：将两个图像的低频分量融合，即将两个图像的低频子带取平均；（2）高通部分融合规则：将两个图像的高频分量融合，即将两个图像的高频子带取平均；（3）混合部分融合规则：将两个图像的不同尺度的子带根据其特征权重进行加权融合。
3. 对各个尺度的子带进行融合，得到融合后的图像。
4. 将融合后的图像进行重构，得到最终的融合图像。
四、基于小波变换的多规则图像融合优点1. 可以提供更好的图像质量，融合后的图像更加清晰、细节更加明显。
2. 相较于其它融合方法，基于小波变换的融合方法具有更好的低频分量保留能力，因此保留了更多的图像结构信息。
3. 该方法可以针对不同的图像特征进行融合，能够产生更符合实际需求的图像。
五、总结基于小波变换的多规则图像融合方法是目前比较常用和有效的一种图像融合方法，它可以提供更好的图像质量和更好的低频分量保留能力。
同时，该融合方法也具有较强的适应性，可以针对不同的图像特征进行融合，比较符合实际需求。
基于加权小波变换及MTFC的多光谱影像融合方法随着遥感技术的发展，多光谱影像融合已经成为了一种重要的遥感数据处理方式。
多光谱影像融合可以通过将来自不同波段的光谱影像进行融合，得到富有信息量的综合影像，同时可以提高遥感数据在地物识别、遥感分类等领域的应用效果。
然而，传统的多光谱影像融合方法仍然存在一些缺陷，例如过度平滑、信息丢失等问题，这些问题严重制约了多光谱影像融合技术在实际应用中的应用效果。
因此，需要开发一种基于加权小波变换及MTFC的多光谱影像融合方法，以克服传统方法存在的问题，提高多光谱影像融合的应用效果。
该方法采用了加权小波变换和MTFC两种算法来实现多光谱影像融合。
首先，利用加权小波变换算法获取不同波段的综合特征，以表达遥感图像的不同频率特征。
其次，利用MTFC算法对综合特征进行分解、压缩、重构，获得满足要求的多光谱影像融合图像。
首先，加权小波变换的处理是该方法的核心。
加权小波变换是多光谱影像融合中一种常用的信号处理算法，它主要是通过对小波域滤波进行加权处理，以达到突出和保留影像局部特征的效果。
采用加权小波变换可以有效地在多光谱影像中提取细节信息、文图信息、纹理信息和形态信息等各种波段图像的特征信息，从而提高多光谱影像融合的精度。
然后，采用MTFC算法对加权小波变换所得的综合特征进行分解、压缩、重构，以得到满足需要的多光谱影像融合图像。
MTFC算法是著名的压缩算法之一，其基本思想是基于变换域下的系数分解和量化来实现压缩，从而获得高质量的压缩图像。
MTFC算法可以克服传统压缩算法中存在的一些问题，例如失真、图像平滑等问题，因此被广泛应用于多光谱影像融合中。
综上所述，本方法基于加权小波变换和MTFC算法，可以有效地提高多光谱影像融合的应用效果。
加权小波变换通过对不同波段图像进行加权处理，可以有效地提取各种波段图像的特征信息，从而提高融合结果的准确性。
MTFC算法则可以对加权小波变换后的综合特征进行分解、压缩、重构，获得高质量的多光谱影像融合图像。
