基于平移评价优选的光谱图像数据融合方法
【技术领域】
[0001] 本发明属于超光谱图像数据融合技术领域，主要设及光谱图像数据立方体融合成 一幅伪彩色图像的融合方法，尤其设及一种多幅窄带光谱图像数据融合成一幅易于人眼识 别的伪彩色图像的融合方法。
【背景技术】
[0002] 超光谱成像传感器基于成像光谱技术，同时获取被探测场景的空间二维和光谱信 息。任何物质，由于组成成分、物理和化学性质的不同，其光谱特性存在着差异。利用该种 差异可W对物质进行调查和鉴别，已经在遥感、地质、环境等领域得到广泛应用。
[0003] 超光谱成像传感器获取的原始光谱数据立方体数据量大，很难被终端用户直接使 用，实际使用过程中必须经过融合处理，得到简单直观有效的融合结果。针对不同的应用环 境和使用目的，人们提出了不同的光谱数据融合方法，通过监督或非监督分类、光谱目标异 常检测等方法，得到最终的融合目标数据、光谱曲线、灰度图像、伪彩色图像等。其中伪彩色 图像显示是最为直观有效的方法，利用色彩表示目标的光谱属性，颜色的形状和大小反映 目标的空间属性。
[0004] 《Journal of Information F^ision》在 2000 年发表了 一 篇《ACon州rrent Spectral-Screening PCX Algorithm for Remote Sensing Application》论文，文章中提 出将光谱数据立方体进行主成分变换，将得到的=大主分量分配给对色颜色空间的亮度通 道、红绿通道、黄藍通道，再转换到0?255范围的RGB颜色空间进行映射显示。
[0005] 《IE邸 TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》2003 年发表了一篇 《Principal-Components-Based Display Strategy for Spectral Imagery》论文，文章中 提出将主成分变换得到的S大主分量转换到服V颜色空间，即将第一主分量赋给V通道，将 第=主分量和第二主分量的夹角值赋给H通道，将第=主分量和第二主分量的平方根除W 第一主分量的值赋给S通道，最后将HVS颜色空间转换到RGB颜色空间进行显示。
[0006] 上述融合方法将PCA变换的主分量转换到RGB颜色空间后，数值压缩至0?255 范围进行映射，融合图像的整体亮度偏暗，每个颜色通道的不同目标背景间的灰度差异变 小、对比度较低，存在相似光谱目标特别是真假目标的显示结果颜色区分度差，不易区别的 缺陷。
【发明内容】
[0007] 针对现有技术存在的问题，本发明提供一种基于平移评价优选的光谱图像数据融 合方法，W提高融合图像对比度和颜色色彩区分度。
[000引本发明的技术方案为；
[0009] 一、所述一种基于平移评价优选的光谱图像数据融合方法，其特征在于：包括W下 步骤：
[0010] 步骤1;载入数据矩阵；读取光谱数据立方体，并整合成二维数据矩阵x(i，j)，其 中i = l、2、…、P，j = l、2、…、以？为图像的像素数，其值等于图像高度H与图像宽度W 的乘积，L为光谱波段数；
[0011] 步骤2;数据矩阵像素分类获取类矩阵；对数据矩阵X(i，j)的像素向量X(i，：） = 技(i，l)X(i，2)...X(i，L)]进行分类，从每类像素向量中提取一个像素向量构成类矩阵 Y化，j)，其中i = l、2、…、P，j = l、2、…、L，k=l、2、…、Pc，P。为像素向量分类后的类 数；
[0012] 步骤3 ;类矩阵主成分变换获取降维数据矩阵；利用类矩阵Y(k，j)光谱维主成 分变换得到的降维投影矩阵！'。〇，11)，投影变换数据矩阵《(1^)的光谱向量《（:^)= 技(1，_j)X(2, j). . . X(P，j)]T，得到降维数据矩阵Xn(i，n)，其中 k = 1、2、…、Pc;j = 1、2、…、 L，n 二 l、2、3，i 二 1、2、???、？；
[001引步骤4 ;降维数据矩阵经过对色空间转换到sRGB颜色空间，得到R通道颜色分量 数据Rs (:)、G通道颜色分量数据Gs (:)、B通道颜色分量数据Bs (:);
[0014] 步骤5;采用R通道颜色分量数据Rs(:)和R通道平移步长Am,，通过平移评价优 选方法，得到R通道的最优平移量Me;采用G通道颜色分量数据G ,(:)和G通道平移步长 AIV通过平移评价优选方法，得到G通道的最优平移量M。;采用B通道颜色分量数据B ,(:) 和B通道平移步长A nib，通过平移评价优选方法，得到B通道的最优平移量Mb;
[0015] 所述平移评价优选方法包括W下步骤：
[0016] 步骤5. 1 ;将输入本方法的颜色分量数据存入数组V(j)，j = 1、2、…、P ;求出颜 色分量数据数组的最大值Vmay和最小值Vmi。，计算平移总步数Nm= [ / Am]+1，其中 Am为输入本方法的平移步长；初始化w下数组为0 ;平移量M(i)，标准差Ed(i)，滴Ee(i)， 平均梯度Eg (i)，标准差分值Sd (i)，滴分值S。(i)，平均梯度分值Sg (i)，综合评价值S。(i)，其 中 i = 1、2、…、Nm;
[0017] 步骤5. 2 ;循环标记i等于1，开始平移循环；
[0018] 步骤5. 3 ;判断循环标记i是否小于等于平移总步数Nm，如果为假，跳出平移循环， 执行步骤5. 6 ;如果为真，执行步骤5. 4 ;
[0019] 步骤5. 4;采用"分段平移、数字映射、单项评价"方法，得到平移量M(i)、标准差 Ed(i)、滴Ee(i)、平均梯度Eg(i);所述"分段平移、数字映射、单项评价"方法包括W下步骤：
[0020] 步骤5.4. 1 ;计算平移量Ma) = Vmh+(i-l) X Am,得到平移后的颜色分量数据 VmU) = V(j)-M(i)，且 j = 1、2、…、P ;
[0021] 步骤5. 4. 2 ;数字映射平移后的颜色分量数据Vm(:)的每个像素，得到平移后的数 字图像Vb(:)，即VbO) = Map(Vm(j))，且j = 1、2、…、P，其中，函数y = Map(x)为数字映 射函数；
[00巧步骤5. 4. 3 ;计算平移后的数字图像Vb(:)的单项评价值；标准差Ed(i)、滴EeW、 平均梯度Eg (i):
[002引计算标准差，其计算公式为；
【主权项】
1. 一种基于平移评价优选的光谱图像数据融合方法，其特征在于：包括以下步骤： 步骤1 :载入数据矩阵：读取光谱数据立方体，并整合成二维数据矩阵x(i，j)，其中i =1、2、"·、Ρ，」_ = 1、2、"·α，Ρ为图像的像素数，其值等于图像高度H与图像宽度W的乘 积，L为光谱波段数； 步骤2:数据矩阵像素分类获取类矩阵：对数据矩阵X(i，j)的像素向量X(i，：）= [X(i，l) X(i，2) ... X(i，L)]进行分类，从每类像素向量中提取一个像素向量构成类矩阵 ￥&，」_)，其中1 = 1、2、一、？，」_ = 1、2、一、1^，1^=1、2、一、？。，？。为像素向量分类后的类 数； 步骤3 :类矩阵主成分变换获取降维数据矩阵：利用类矩阵Y (k，j)光谱维主成分变换 得到的降维投影矩阵Tn(j，n)，投影变换数据矩阵X(i，j)的光谱向量X(:，j) = [X(l，j) X(2，j)…X(P，j)]T，得到降维数据矩阵Xn(i，n)，其中k=l、2、"'PcJ = Il…丄 η = 1、2、3, i = 1、2、…、P ; 步骤4 :降维数据矩阵经过对色空间转换到sRGB颜色空间，得到R通道颜色分量数据 Rs (:)、G通道颜色分量数据Gs (:)、B通道颜色分量数据Bs (:); 步骤5 :采用R通道颜色分量数据Rs (:)和R通道平移步长Arv通过平移评价优选方 法，得到R通道的最优平移量Mk;采用G通道颜色分量数据G s (:)和G通道平移步长Λ mg， 通过平移评价优选方法，得到G通道的最优平移量Me;采用B通道颜色分量数据B s (:)和B 通道平移步长△ mb，通过平移评价优选方法，得到B通道的最优平移量Mb; 所述平移评价优选方法包括以下步骤： 步骤5. 1 :将输入本方法的颜色分量数据存入数组V(j)，j = 1、2、…、P ;求出颜色分 量数据数组的最大值Vmax和最小值Vmin，计算平移总步数Nm= [(Vmax-Vmin)/Am]+1，其中Am 为输入本方法的平移步长；初始化以下数组为〇 :平移量M (i)，标准差Ed (i)，熵艮(i)，平均 梯度Eg (i)，标准差分值Sd (i)，熵分值Se (i)，平均梯度分值Sg (i)，综合评价值Sa (i)，其中i =1、2、...、Nm; 步骤5. 2 :循环标记i等于1，开始平移循环； 步骤5. 3 :判断循环标记i是否小于等于平移总步数Nm，如果为假，跳出平移循环，执行 步骤5. 6 ;如果为真，执行步骤5. 4 ; 步骤5. 4 :采用"分段平移、数字映射、单项评价"方法，得到平移量M(i)、标准差Ed(i)、 熵艮(i)、平均梯度Eg(i);所述"分段平移、数字映射、单项评价"方法包括以下步骤： 步骤5.4. 1 :计算平移量M(