基于低频相关性分析的全色图像与多光谱图像融合方法技术

本发明专利技术是一种基于低频相关性分析的全色图像与多光谱图像融合方法，利用匹配更新后的全色图像的梯度场作为图像空间几何信息表达，形成对高分辨率融合图像的空间几何信息约束；同时引入光谱信息约束，使高分辨率融合图像的低频部分与原多光谱图像吻合；通过对低频全色图像与多光谱图像的相关性分析，自动确定两种约束之间的比重关系，从而保证空间几何信息与光谱信息在不同的图像区域合理融合；最后，在两种约束间加入一个可调参数，可对融合结果中的几何与光谱信息相对含量进行调节。本发明专利技术的融合效果优于当前流行的ＩＨＳ，ＰＣＡ，ＤＷＴ等算法，并且几何信息与光谱信息相对含量可自由调节，提高了本方法的实用性。

【技术实现步骤摘要】

本专利技术涉及一种基于低频相关性分析的全色与多光谱图像融合方法，属于图像融 合领域。
技术介绍
遥感影像数据种类越来越多，不同传感器、不同波段与不同时相数据如何进行优 势互补和有机结合是广泛关注的问题。遥感图像融合很好地解决了这个问题，它是指不同 图像在经过空间配准之后，按照一定的原则与算法进行整合，结合互补信息形成新的影像 数据。全色图像具有较高的空间分辨率，多光谱图像保存着不同波段的光谱信息。大量研 究工作表明，把全色图像和多光谱图像融合起来，在保持原光谱信息的前提下提高多光谱 图像的空间分辨率，有利于提高多光谱遥感影像的信息分析和提取能力。多数学者认为现有全色与多光谱图像融合算法主要分为两大类分量替换法 (Component-substitution Method)禾口多尺度分析法(Multi-resolution Analysis)。如 IHS、PCA、Gram-Schmidt变换法等属于分量替换法，它们的共同特点是利用某种变换方法 将多光谱影像变换成不同分量，然后将全色图像替代某一分量，再进行反变换得到融合结 果。由于全色图像具有较高的空间分辨率，反变换得到的多光谱融合图像也具有相同的空 间分辨率。如，IHS算法是将多光谱图像进行IHS变换，得到I、H和S三个分量，然后用高分 辨率全色图像代替I分量，最后进行IHS反变换得到融合图像。但是这种简单的“变换_替 换-反变换”方法容易破坏源多光谱图像的光谱信息，特别是当全色图像波段范围与多光谱 图像波段范围相差较大时尤为严重。多尺度分析法是指对待融合的影像数据进行多尺度分解，然后再重构的融合技 术，如离散小波变换法(DWT)、高通滤波法(HPF)等。对于多光谱图像，一般认为低频部分 保存着图像光谱信息，高频部分体现的是图像的纹理细节信息。基于这种原理，多尺度分析 法的目的是融合多光谱波段低频光谱信息和全色波段高频几何信息，从而生成高空间分辨 率的多光谱图像。多尺度分析法的研究主要集中在两方面多尺度分解方法和高低频信息 融合策略。经常采用小波变换进行多尺度分解，要求其具有平移不变性，以避免微小的平移 变化造成小波系数突变。常用的是具有近似平移不变性，较为容易实现的“(Strous”小波 (ATff)。其他的分解方法还有广义拉普拉斯金字塔(GLP)、Curvelet变换、Contourlet变 换等。多尺度分析法往往在保持光谱信息上表现较好，但是在增强空间分辨率上效果不 佳，主要原因在于没有找到合适的高低频信息融合策略。国外学者较早地提出了高低频融 合的ARSIS思想，即通过有选择性地注入高频几何结构信息来增强多光谱图像的空间分辨 率。这种“高频信息注入”思想的目的是，使多光谱图像合理地接受和融合全色波段的高频 信息，从而使高空间分辨率融合图像在物理上具有较高的真实性，相当于高空间分辨率多 光谱成像传感器的实际拍摄效果。基于这种思想，提出了一些高频信息注入模型和方法，如 RWM,SDMXBD模型及其各种改进版本，以及基于MMSE、遗传算法、Kalman滤波的模型参数估计和优化方法。它们的基本思想是，在低尺度上构造高频信息注入模型并估计模型参数，然 后利用这些估计的模型在高频段执行信息注入。这些模型在一定程度上提升了多尺度分析 法的融合效果。尽管如此，多尺度分析法还是很难在“保持光谱信息”和“合理提高空间分辨率”上 都达到理想效果。近些年来，基于分量替换和多尺度分析优缺点互补的原则也提出了不少 混合型的融合算法，如DWT-IHS、FFT-IHS、DWT-PCA等。但是，融合过程中缺乏对数据的详细 分析，在很大程度上限制了这些方法的融合性能。
技术实现思路
现有全色图像与多光谱图像融合技术难以在“保持光谱信息”和“合理提高空间分 辨率上”都达到很好的效果。为此，本专利技术基于低频相关性分析的全色图像与多光谱图像融 合方法的目的是通过利用低频全色图像与多光谱图像的相关性分析，使全色图像的空间几 何信息与多光谱图像的光谱信息合理融合，在保持光谱信息的基础上最大限度地提高空间 分辨率。为实现所述的目的，本专利技术提供一种基于低频相关性分析的全色图像与多光谱图 像融合方法，所采用的技术方案包含以下步骤步骤Sl 利用低通滤波器对输入的全色图像P进行低通滤波，得到低频全色图像 P = A:*户，其中k为滤波核；步骤S2 使用计算机中的相关性分析模块对低频全色图像和输入的多光谱图像 进行相关性分析，计算并得到低频全色图像与多光谱图像每一区域处的相关系数；步骤S3 根据多光谱图像与低频全色图像的亮度比值关系，对全色图像进行匹 配更新得到新全色图像，并对匹配更新后的新全色图像进行计算，得到新全色图像的梯度 场；步骤S4 以新全色图像梯度场作为待求融合图像的空间几何信息约束，同时使所 述融合图像的低频部分充分接近于多光谱图像，得到光谱信息约束，利用这两种约束并结 合使用相关性分析模块得到的相关系数构造融合能量泛函E(I)；步骤S5 使用梯度下降法最小化融合能量泛函，求解能量泛函最小化时的融合图 像I。本专利技术方法与现有融合方法相比较，具有以下突出特点和优点(1)以匹配更新后的全色图像梯度场来表示空间几何信息，具有简单、准确、直接 的优点，便于在融合过程中弓丨入空间几何信息约束。(2)充分考虑和分析了融合数据的特点。对低频全色图像与多光谱图像数据进行 了相关性分析，根据不同的相关性来调整空间几何信息与光谱信息的约束关系，能够在保 持光谱信息的前提下，最大限度地提高空间分辨率。(3)保持光谱信息和提高空间分辨率是全色与多光谱图像融合的两大目标，本发 明方法在融合能量泛函中显式地表达出了这两个融合目标，并给出了解决目标间矛盾关系 的方法，最后通过引入一个总的调节参数，调整融合结果中空间几何信息和光谱信息的相 对含量，可以满足不同的融合需求，便于人机交互，具有很高的实用价值。附图说明图1为本专利技术方法的融合流程2(a)为输入的全色图像图2 (b)为输入的多光谱图像图2(c)为IHS方法融合图像图2 (d)为DWT方法融合图像图2(e)为本专利技术方法融合图像图2 (f)为实际的高分辨率多光谱图像图3为不同融合方法的客观评价指标比较具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本专利技术进一步详细说明。本专利技术首先在融合时引入了空间几何信息约束和光谱信息约束；以匹配更新后的 全色图像梯度场表示图像的空间几何信息，使融合图像具有类似的几何结构；基于“图像低 频部分体现光谱信息”这一思想，引入了光谱信息约束，使融合图像的低频部分与原多光谱 图像吻合。使用这两种约束构造融合能量泛函，能量泛函值越小表示越接近既定的融合目 标。为了更好地整合两种约束关系，使全色图像的空间几何信息与多光谱图像的光谱 信息合理融合，首先对低频全色图像和多光谱图像进行相关性分析，得出每一图像区域的 相关系数。相关系数高，表明可以加大该区域空间几何信息约束力度，进一步提高空间分辨 率，同时不会引起光谱失真；相关系数低时，表明该区域不宜从全色图像引入过多的几何结 构，否则容易引起光谱畸变，此时应相对地加大光谱信息约束力度。为了便于对图像整体的 空间几何信息与光谱信息相对含量进行统一调本文档来自技高网...

【技术保护点】
一种基于低频相关性分析的全色图像与多光谱图像融合方法，其特征在于，利用计算机实现低频相关性分析的全色图像与多光谱图像融合，采用如下步骤：步骤Ｓ１：利用低通滤波器对输入的全色图像Ｐ进行低通滤波，得到低频全色图像＊＝ｋ＊Ｐ，其中ｋ为滤波核；步骤Ｓ２：使用计算机中的相关性分析模块对低频全色图像和输入的多光谱图像进行相关性分析，计算并得到低频全色图像与多光谱图像每一区域处的相关系数；步骤Ｓ３：根据多光谱图像与低频全色图像的亮度比值关系，对全色图像进行匹配更新得到新全色图像，并对匹配更新后的新全色图像进行计算，得到新全色图像的梯度场；步骤Ｓ４：以新全色图像的梯度场作为待求融合图像Ｉ的空间几何信息约束，同时使所述融合图像的低频部分充分接近于多光谱图像，得到光谱信息约束，利用这两种约束并结合使用相关性分析模块得到的相关系数构造融合能量泛函Ｅ（Ｉ）；步骤Ｓ５：使用梯度下降法最小化融合能量泛函，求解得到能量泛函最小化时的融合图像Ｉ。

【技术特征摘要】
一种基于低频相关性分析的全色图像与多光谱图像融合方法，其特征在于，利用计算机实现低频相关性分析的全色图像与多光谱图像融合，采用如下步骤步骤S1利用低通滤波器对输入的全色图像P进行低通滤波，得到低频全色图像其中k为滤波核；步骤S2使用计算机中的相关性分析模块对低频全色图像和输入的多光谱图像进行相关性分析，计算并得到低频全色图像与多光谱图像每一区域处的相关系数；步骤S3根据多光谱图像与低频全色图像的亮度比值关系，对全色图像进行匹配更新得到新全色图像，并对匹配更新后的新全色图像进行计算，得到新全色图像的梯度场；步骤S4以新全色图像的梯度场作为待求融合图像I的空间几何信息约束，同时使所述融合图像的低频部分充分接近于多光谱图像，得到光谱信息约束，利用这两种约束并结合使用相关性分析模块得到的相关系数构造融合能量泛函E(I)；步骤S5使用梯度下降法最小化融合能量泛函，求解得到能量泛函最小化时的融合图像I。FSA00000264769500011.tif2.根据权利要求1所述的基于低频相关性分...

【专利技术属性】
技术研发人员：彭思龙，周志强，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]