基于agihs及低通滤波器的遥感图像融合方法

基于agihs及低通滤波器的遥感图像融合方法
【技术领域】
[0001] 本发明涉及遥感图像融合技术，具体是一种基于AGIHS及低通滤波器的遥感图像 融合方法。
【背景技术】
[0002] 作为多源数据融合的一个重要分支，遥感图像融合已成为近年来图像工程领域 的研究热点。遥感图像融合具体是指一种对不同来源的图像进行综合处理的新技术，其 目的是为了从多幅源图像中进行信息提取与综合，从而获得对同一场景或目标更为准确、 全面和可靠的图像描述。利用遥感图像融合技术可以提高目标识别的可靠性和自动化 水平。遥感图像可分为如下两种类型：多光谱图像（Multi-Spectral，MS)和全色图像 (Panchromatic，PAN)。其中，多光谱图像具有光谱特性，且其包含红、绿、蓝及近红外四个波 段。全色图像含有较高的空间分辨率却无光谱特性。因此，为了更好地表达目标的地域特 性，将多光谱图像与全色图像融合从而获得一幅既具有光谱特性又含有较高空间分辨率的 图像便是一条经济有效的途径。融合后的图像常常被应用于地物分类、制图、光谱分析及其 他遥感数据应用。
[0003] 现有的遥感图像融合方法主要分为如下两种类型：第一类是传统的遥感 图像融合方法，其主要分为如下三种类型：分量代替法、光谱分析法、改进的空间分 辨率增加框架法（AmeliorationdelaResolutionSpatialeparInjectionde Structures，ARSIS)。其中，分量代替法主要分为如下四种类型：基于亮度-色调-饱 和度（Intensity-Hue-Saturation，IHS)变换的融合方法、基于主分量分析（Principal ComponentAnalysis，PCA)的融合方法、基于施密特正交法的融合方法、基于广义IHS变 换（GeneralizedIHS，GIHS)的融合方法。光谱分析法主要是指基于Brovey变换的融合 方法，该方法中得到的新的光谱子带是由源多光谱子带在整个多光谱图像中所占的比例 得出。改进的空间分辨率增加框架法也称为多尺度模型法，常见的多尺度工具包括小波、 Curvelets、Contourlets、支撑值变换等。以上各种方法的优点是简单易行，但其共同存在 的问题是：在追求增加细节信息的同时，容易产生光谱损失现象。第二类是对传统遥感图像 融合方法的改进，其主要分为如下两种类型：基于自适应IHS变换的融合方法和基于非线 性IHS变换的融合方法。第二类图像融合方法的基本思想是：改进IHS变换中亮度I分量 的得到方法，使获得一幅与源全色图像更为接近的亮度分量，从而避免光谱损失现象。第二 类图像融合方法共同存在的问题是：无法很好地挖掘图像中的细节信息，容易产生细节成 分模糊现象。基于此，有必要发明一种全新的遥感图像融合方法，以解决现有遥感图像融合 方法存在的上述问题。

【发明内容】

[0004] 本发明为了解决现有遥感图像融合方法容易产生光谱损失现象、容易产生细节成 分模糊现象的问题，提供了一种基于AGIHS及低通滤波器的遥感图像融合方法。
[0005] 本发明是采用如下技术方案实现的：基于AGIHS及低通滤波器的遥感图像融合方 法，该方法是采用如下步骤实现的：
[0006] 1)针对源多光谱图像进行自适应广义IHS变换，由此得到最优亮度分量；所述自 适应广义IHS变换的具体步骤包括：
[0007] 1. 1)针对源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段进行 加权求和，由此得到亮度分量；具体求和公式如下：
[0008] I-wight=
[0009] (1)
[0010] wx ?img_ms(R) +w2 ?img_ms(G) +w3 ?img_ms(B) +w4 ?img_ms(N)
[0011] 式⑴中：I_wight为亮度分量；￥1、'\￥2、'\￥3、'\￥ 4均为权值，且其范围均为（0，1);；[11^_ ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、 蓝色光波段、近红外波段；
[0012] 1. 2)计算亮度分量和源全色图像的差值；具体计算公式如下：
[0013] d_wight=img_pan-I_wight (2)；
[0014] 式⑵中：d_wight为亮度分量和源全色图像的差值；img_pan为源全色图像；I_ wight为亮度分量；
[0015] 1. 3)将亮度分量和源全色图像的差值加入到源多光谱图像的各个波段中，由此得 到新的多光谱图像；具体公式如下：
[0016] img_wight(R) = img_ms (R)+d_wight
[0017] img_wight(G) = img_ms (G)+d_wight
[0018] (3)
[0019] img_wight(B) = img_ms(B)+d_wight
[0020] img_wight(N) = img_ms(N)+d_wight
[0021] 式（3)中：img_wight(R)、img_wight(G)、img_wight(B)、img_wight(N)分别为 新的多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波 段、近红外波段；d_wight为亮度分量和源全色图像的差值；
[0022] 1. 4)计算新的多光谱图像的全局质量指数，并将全局质量指数作为适应度函数， 然后，采用粒子群算法来寻找适应度函数的最优适应度值，由此得到最优权值；
[0023] 1. 5)将最优权值代入式（1)，由此得到最优亮度分量；具体公式如下：
[0024] I_opt=
[0025] (8)
[0026] woptjl ?img_ms(R)+woptj2 ?img_ms(G)+wopt_ 3 ?img_ms(B)+wopt_ 4 ?img_ms(N)
[0027] 式⑶中：I_opt为最优亮度分量；w。#,；；、'^以均为最优权值；img_ ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、 蓝色光波段、近红外波段；
[0028] 2)采用低通滤波器获取高频分量；具体步骤包括：
[0029]2. 1)针对源全色图像和最优亮度分量进行灰度直方图匹配，由此得到匹配好的全 色图像；
[0030] 2. 2)计算匹配好的全色图像和最优亮度分量的差值；具体计算公式如下：
[0031] d_opt=img_pan_matched-I_opt (9)；
[0032] 式（9)中：d_opt为匹配好的全色图像和最优亮度分量的差值；img_pan_matched 为匹配好的全色图像；I_〇pt为最优亮度分量；
[0033] 2. 3)采用低通滤波器对匹配好的全色图像和最优亮度分量的差值进行滤波，由此 分别得到高频分量和低频分量；低通滤波器的系数矩阵具体表示如下：
[0034]
(10);
[0035] 3)将高频分量加入到源多光谱图像的各个波段中，由此得到新的融合图像；具体 公式如下：
[0036] img_fus(R) =img_ms(R)+d_high
[0037] img_fus(G) =img_ms(G)+d_high
[0038] (11)
[0039] img_fus(B) =img_ms(B)+d_high
[0040] img_fus(N) =img_ms(N)+d_high
[0041 ]式（11)中：img_fus(R)、img_fus(G)、img_fus(B)、img_fus(N)分别为新的融合 图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波 段；d_high为高频分量。
[0042] 与现有遥感图像融合方法相比，本发明所述的基于AGIHS及低通滤波器的遥感图 像融合方法具有如下优点：其一，与第一类图像融合方法相比，本发明所述的基于AGIHS及 低通滤波器的遥感图像融合方法通过采用自适应广义IHS变换，实现了在追求增加细节信 息的同时避免光谱损失，由此有效克服了第一类图像融合方法容易产生光谱损失现象的问 题。其二，与第二类图像融合方法相比，本发明所述的基于AGIHS及低通滤波器的遥感图像 融合方法通过采用低通滤波器，实现了很好地挖掘图像中的细节信息，由此有效克服了第 二类图像融合方法容易产生细节成分模糊现象的问题。测试实验表明，本发明所述的基于 AGIH