专利名称：基于轮廓波变换及自由搜索微分进化的多光谱融合方法
技术领域：
本发明涉及一种基于轮廓波变换及自由搜索微分进化的多光谱融合方法，特别适用于遥感图像数据处理系统中，属于遥感图像数据处理领域。
背景技术：
随着遥感技术的发展，由不同物理特性的传感器所得到的遥感图像不断增多，但由于各种自然因素和技术条件的限制，任何单一遥感器所获取的遥感影像数据很难同时具有高的空间分辨率和光谱分辨率的特征。为解决这一问题，遥感影像融合技术应运而生，结合不同数据的优点获得一幅高分辨率的多光谱影像，为遥感图像研究者提供更加丰富有用的信息，是目前遥感图像处理领域中一个重要应用方向。多光谱图像的光谱分辨率较高， 但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，因此，将具有低空间分辨率的多光谱图像和具有高空间分辨率的全色光学图像进行融合，使融合后的多光谱图像具有较高的空间细节表现能力且同时保留多光谱图像的光谱特性。传统的多光谱图像与全色图像融合算法包括主成分分析(Principal ComponentAnalysis, PCA)法、高通滤波(High-Pass Filter, HPF)算法和轮廓波变换算法 (Contourlet Transform, CT)等。其中，PCA算法提高了多频道图像的空间分辨率，但PCA 主成分(包含了多光谱波段的大多数信息)的信息量比较高，用全色波段影像替代第一主成分进行反变换得到增强后的多光谱波段影像，其信息量受到极大损失。HPF算法能够在一定程度上提取全色影像细节信息，并把全色影像的细节信息直接叠加到多光谱影像上，因此，增强多光谱图像的空间细节表现能力的同时也容易增加噪声，影响视觉效果。与传统的数据融合方法相比，CT融合具有多分辨率的特性，是一类很重要的融合算法。CT算法融合虽然能使融合图像在获得高空间分辨率的同时，较好地保持原始光谱信息，但由于舍弃了高分辨率图像的低频分量，空间分辨率改善效果较差，且容易出现分块效应。目前，在遥感数据处理技术中正在不断汲取和集成人工智能领域的优秀研究成果，智能化成为了遥感数据处理的时代特征。针对处理高维的多光谱遥感数据，通过综合利用先进的模式识别与人工智能技术，探索全新的多光谱遥感数据智能处理方法，是提高遥感数据系统中处理速度与精度的有效途径。另一方面，由美国学者Morn和Price提出的微分进化算法是一种模拟“优胜劣汰、适者生存”的自然进化法则的仿生智能计算方法。起初，微分进化算法是用于解决 Chebyshev多项式问题，但在后来的研究结果表明微分进化算法在解决复杂的全局优化问题方面的性能更加突出。另外，在近些年的国际进化计算竞赛中，微分进化算法在无约束优化、约束优化、多目标优化、大规模全局优化以及动态、不确定环境优化中都取得了较为优异的成绩。由于其计算过程简单，受控参数少，被视为进化计算自产生以来在算法结构方面取得的重大进展。由于微分进化方法具有无需统计分布参数的先验知识，而且在无统一指挥的分布环境下，具有自我组织、合作、通信等智能化特点，容易实现，自身调节参数较少等优点。
由于在多光谱遥感图像数据融合中，人们对于融合效果的要求越来越高，而所提出的要求往往具有一定的矛盾性，例如融合结果需要既保持多光谱图像的高光谱分辨率又要保持所融合图像高的空间分辨率。这些要求通过使用传统的谱遥感图像数据融合算法是很难得到的。由于微分进化算法对目标函数的性质没有依赖性，且相对于其他进化算法， 如遗传算法、粒子群算法、蚁群算法、人工免疫算法等，其算法设计简单，容易实现，且优化求解性能好。因此，可以将多光谱遥感图像数据融合中的求解目标转化成相应的目标函数， 通过构造适当的编码方式，从而运用微分进化算法进行优化求解。
发明内容
本发明的目的在于提供一种多光谱图像(Multispectral，MS)与全彩色图像 (Panchromatic,PAN)的融合方法，发明了一种基于轮廓波变换及自由搜索微分进化优化的多光谱图像数据融合方法(CT-FSDE)。本方法能够自适应地选取多光谱图像与全彩色图像经过轮廓波变换后的高频最佳融合系数，从而使融合后的图像具有既保持原多光谱图像数据中较高的光谱分辨率同时又最大限度地融合全彩色图像中较高的空间分辨率的特点。此方法应用到多光谱遥感图像数据处理系统中对于不同遥感图像具有较强的鲁棒性，此外， 所得融合结果不但提高了原多光谱图像的空间分辨率，同时又具有较好的光谱保持性。本发明方法是基于仿真原型系统，该系统具有人机交互接口模块、多光谱图像数据融合模块、融合结果输出模块等三大功能模块。其中，人机交互接口模块完成多光谱图像数据及全彩色图像数据的读入与相关参数的设定；多光谱图像数据融合模块主要完成运用轮廓波变换提取多光谱图像数据以及全彩色图像数据中的高频成分，并使用自由搜索微分进化算法选取最优的高频成分融合系数；融合结果输出模块主要完成输出对多光谱图像数据的融合结果。本发明所涉及的方法流程包括以下步骤(1)获得初始数据及相关初始化操作； (2)使用轮廓波变换对多光谱当前波段的图像数据提取低频成分与高频成分；C3)对全彩色图像数据使用多光谱当前波段的图像数据进行直方图匹配；(4)使用轮廓波变换对将进行了直方图匹配后的全彩色图像数据提取高频成分；(5)使用自由搜索微分进化算法选取最佳的高频融合系数；(6)使用逆轮廓波变换得到融合后多光谱当前波段的图像数据；(7) 重复步骤O) (6)，直至多光谱所有波段的图像数据融合完毕；(8)结果输出，输出多光谱图像数据融合结果。其中，人机交互接口模块对应(1)，多光谱图像数据融合模块对应 (2) (7)，融合结果输出模块对应(S)0下面对该方法流程各步骤进行详细说明。假设f(p)(x，y)代表大小为XXY像素的全彩色图像，其中(X，y)表示图像中像素坐标点；假设{f(n)(X，y)，n = 1，…，N}代表具有N个波段的多光谱图像数据集，其中每个波段的多光谱图像数据大小均为ixf像素；假设M = …,巧代表经过融合后的具有N个波段的多光谱图像数据集。通过人机交互接口模块完成步骤一。步骤一获得初始数据及相关初始化操作通过人机交互接口模块获得大小为XXY像素的全彩色图像数据f(p) (χ, y)，以及待处理的每波段大小均为Ixf像素的多光谱图像数据集{f(n)(X，y)，n = 1，…，N}，并将待处理的多光谱图像数据集进行增采样操作，增采样因子为p，p = zxr/ixf，得到增采样后的多光谱图像数据集n = \,-,N}。设置自由搜索微分进化算法的相关参数最大进化代数G，种群数量NP。通过多光谱图像数据融合模块完成步骤二 步骤七步骤二使用轮廓波变换对多光谱当前波段的图像数据提取低频成分与高频成分通过使用轮廓波变换，得到第η个波段的多光谱图像数据的低频成分以及高频成分，并将得到的高频系数记作为CwC^(U))，其中CwC^(XJ))表示第η个波段的多光谱图像数据经过轮廓波变换得到的第i层第j个分解图像数据的高频系数。步骤三对全彩色图像数据使用多光谱当前波段的图像数据进行直方图匹配对全彩色图像数据f(P) (x, y)，使用第η个波段的多光谱图像数据进行直方图匹配，并得到对应的进行了直方图匹配后的全彩色图像数据/Γ(χ,>0。步骤四使用轮廓波变换对进行了直方图匹配后的全彩色图像数据提取高频成分通过进行轮廓波变换，得到进行了直方图匹配后的全彩色图像数据的高频成分， 并将得到的高频系数记作为 ，// (ρ)(^))，其中 ，// (ρ)(υ))表示使用第η个波段多光谱图像数据进行直方图匹配后的全彩色图像数据经过轮廓波变换得到的第i层第j个分解图像数据的高频系数。步骤五使用自由搜索微分进化算法选取最佳的高频融合系数通过计算公式(1)得到第η个波段的多光谱图像数据与其对应的进行了直方图匹配后的全彩色图像数据的高频融合系数。
权利要求
1. 一种基于轮廓波变换及自由搜索微分进化的多光谱融合方法，该方法是基于仿真原型系统，该系统具有人机交互接口模块、多光谱图像数据融合模块、融合结果输出模块等三个功能模块，该方法包括如下步骤假设f(p)(x，y)代表大小为XXY像素的全彩色图像，其中(X，y)表示图像中像素坐标点；假设{f(n)(X，y)，n = 1，…，N}代表具有N个波段的多光谱图像数据集，其中每个波段的多光谱图像数据大小均为像素；假设^ = 1,…,巧代表经过融合后的具有 N个波段的多光谱图像数据集；通过人机交互接口模块完成步骤一； 步骤一获得初始数据及相关初始化操作通过人机交互接口模块获得大小为XXY像素的全彩色图像数据f(P) (χ, y)，以及待处理的每波段大小均为ixf像素的多光谱图像数据集{f(n)(x，y)，n = 1，…，N}，并将待处理的多光谱图像数据集进行增采样操作，增采样因子为P，P = Zxr/ixf，得到增采样后的多光谱图像数据集 = ···,#};设置自由搜索微分进化算法的相关参数最大进化代数G，种群数量NP;通过多光谱图像数据融合模块完成步骤二 步骤七步骤二使用轮廓波变换对多光谱当前波段的图像数据提取低频成分与高频成分通过使用轮廓波变换，得到第η个波段的多光谱图像数据的低频成分以及高频成分， 并将得到的高频系数记作为CwC^(XJ))，其中CwC^(XJ))表示第η个波段的多光谱图像数据经过轮廓波变换得到的第i层第j个分解图像数据的高频系数；步骤三对全彩色图像数据使用多光谱当前波段的图像数据进行直方图匹配对全彩色图像数据f(P) (χ, y)，使用第η个波段的多光谱图像数据进行直方图匹配，并得到对应的进行了直方图匹配后的全彩色图像数据/ (P)(x，>0;步骤四使用轮廓波变换对进行了直方图匹配后的全彩色图像数据提取高频成分通过进行轮廓波变换，得到进行了直方图匹配后的全彩色图像数据的高频成分，并将得到的高频系数记作为 ，//Γ(υ))，其中CuOT(U))表示使用第η个波段多光谱图像数据进行直方图匹配后的全彩色图像数据经过轮廓波变换得到的第i层第j个分解图像数据的高频系数；步骤五使用自由搜索微分进化算法选取最佳的高频融合系数通过计算公式(1)得到第η个波段的多光谱图像数据与其对应的进行了直方图匹配后的全彩色图像数据的高频融合系数；Cu [f(n\^y)) = WhjXChj (IPix^)Yvi ^C11 (f(n\x,y))(1)其中，表示多光谱图像数据与全彩色图像数据融合的最佳高频系数，Wi, J 表示第η个全彩色图像数据高频系数的权系数，Vi, J表示第η个波段的多光谱图像数据高频系数的权系数。Wy与Vy满足公式⑵；Wijj^vijj = 1(2)其中，Wy，Viij通过自由搜索微分进化算法计算得到；在自由搜索微分进化算法中，设置最大进化代数G，种群数量ΝΡ，使用的适应度计算函CN 102236891 A权禾丨J 要求书2/2页数为Zopt(x^y) =其中，ν/表示梯度算子，通过计算公式其中，||V/(x, y)\\ = ^VI2x(x,y) + VI2y(x,y) 这里，^J Ax^y) = ~τ~ =---ox2A ,y)~ dy2其中，I(x，y)通过计算公式(8)得到； /(χ,y) = pxCi j (/f )(x,y)) + qxCi j (/(n)(x,力)(8)其中，P，q分别表示全彩色图像数据高频系数CmOT(U))与多光谱图像数据高频系数的加权系数，初始P，q随机产生，且满足P，q e
, p+q = 1，然后P，q 使用自由搜索微分进化算法以公式C3)为优化目标函数进行迭代计算，直至达到最大进化代数G，此时得到的最优权系数p，q分别赋值给Wi,」，Vi, j,即，Wi,」=p，Vi,」=q ； 步骤六使用逆轮廓波变换得到融合后多光谱当前波段的图像数据使用步骤五中融合后的高频系数和步骤二中提取的多光谱图像数据的低频系数通过逆轮廓波变换得到第η个波段融合后多光谱图像数据_/w(x，>0 ； 步骤七重复计算重复步骤二 步骤六，直至多光谱所有波段的图像数据融合完毕； 通过融合结果输出模块完成步骤八； 步骤八结果输出输出多光谱图像数据融合结果。(3)得到；(4)(5)(6) (7)
全文摘要
一种基于轮廓波变换及自由搜索微分进化优化的多光谱图像数据融合方法(CT-FSDE)，即通过轮廓波变换提取多光谱图像数据以及全彩色图像数据中的高频成分，并使用自由搜索微分进化算法选取最优的高频成分融合系数，从而达到多光谱图像数据与全彩色图像数据的融合目的。该方法如下第一，通过人机交互接口模块获得待处理的多光谱图像数据以及全彩色图像数据；第二，通过多光谱图像数据融合模块获得多光谱图像数据与全彩色图像数据最佳高频融合系数；第三，融合结果输出模块，输出融合结果。用于多光谱数据处理系统中，有着较低的时间复杂度与良好的鲁棒性，且所得融合结果不但提高了原多光谱图像的空间分辨率，同时又具有较好的光谱保持性。
文档编号G06T5/50GK102236891SQ20111018369
公开日2011年11月9日 申请日期2011年6月30日 优先权日2011年6月30日
发明者姜志国, 尹继豪, 徐胤, 王一飞, 高超 申请人:北京航空航天大学