针对多云雨地区的SAR与多光谱遥感数据的融合方法与流程

本发明涉及多源图像融合领域，具体是一种针对多云雨地区的sar与多光谱遥感数据的融合方法。
背景技术：
：合成孔径雷达(syntheticapertureredar，以下简称sar)是主动式侧视雷达系统，利用了脉冲压缩技术、合成孔径原理和信号相干处理方法，可全天候观测目标，成像几何属于斜距投影类型，对云层和植被有一定的穿透能力。多源图像融合主要应用在遥感领域，由于单一传感器获得的信息无法满足需要，多传感器遥感模式迅速发展。sar能够穿透云层和雨区，成像具有较高的分辨率和较多纹理信息。而多光谱遥感图像是利用地物在光谱区的反射，仅适合在光强充足的条件下获取，易被云层遮挡。将同一场景的sar图像与多光谱图像融合可以将两者信息互补，生成对地物描述得更清晰、准确、全面的图像。多源遥感图像融合方法主要分为两类：基于空域的方法和基于变换域的方法。基于变换域的方法是先采用特定变换工具将遥感图像变换到另一个域上，对变换域的不同分量设计不同的融合规则进行融合，得到融合系数，最后进行反变换得到融合后的图像，这种方法复杂度较高，在像素较高的遥感图像上应用较为耗时，不适合实时处理系统。基于空域的方法是在空域上对图像的像素值直接进行融合，主要有固定加权融合方法、差分比率融合方法、主成分分析融合方法等。加权融合方法是像素级的融合方法，具有实现简单、融合速度快的特点，得到理想融合效果的关键是权重的选择。技术实现要素：本发明的目的在于提供一种针对多云雨地区的sar与多光谱遥感数据的融合方法，用于消除云层对多光谱遥感图像的影响。实现本发明目的的技术解决方案为：一种针对多云雨地区的sar与多光谱遥感数据的融合方法，包括以下步骤：步骤1：获取来自同一地物且精确配准的sar图像和多光谱图像；步骤2：计算读入的多光谱图像的暗通道图像，由暗通道图像计算各像素的融合权重；步骤3：使用步骤2得到的融合权重将多光谱图像的rgb三个通道分别和sar图像进行融合，得到最终输出的融合图像。本发明与现有技术相比，其显著优点：(1)本发明得到的融合结果在视觉上更接近于多光谱图像，在尽可能保留多光谱图像色彩信息的基础上，不需要复杂的变换即可实现多光谱和sar图像的融合，并且不需要手动的区域选择即可实现将sar图像信息填充到多光谱图像的云层区域，丰富了纹理信息。(2)本发明是像素级的融合方法，运算效率较高，算法易于实现。附图说明图1为本发明的针对多云雨地区的sar图像与多光谱遥感数据的融合方法的总体流程图。图2为实施例一中待融合的sar图像。图3为实施例一中待融合的含云层遮挡的多光谱图像。图4为实施例一中针对多云雨地区的sar与多光谱遥感图像融合结果示意图。图5为实施例二中待融合的sar图像。图6为实施例二中待融合的含云层遮挡的多光谱图像。图7为实施例二中针对多云雨地区的sar与多光谱遥感图像融合结果示意图。具体实施方式本发明针对多云雨地区的sar与多光谱遥感数据的融合方法，采用基于暗通道的像素级融合方法，从多光谱图像中提取暗通道信息作为融合权重，本方法可以消除云层对多光谱图像的影响，将被云层遮挡的地物使用sar图像中的信息进行填充，保留地物详细信息和边缘，同时保留彩色信息；且工程实现简单，运行效率高。本发明针对多云雨地区的sar与多光谱遥感数据的融合方法，包括以下步骤：步骤1：获取来自同一地物且精确匹配的sar图像和多光谱图像，其中多光谱图像中的地物信息受到云层遮挡，为rgb三通道图像，sar图像为单通道的灰度图像，图像尺寸大小相同；步骤2：计算读入的多光谱图像的暗通道图像，使用r、g、b分别代表多光谱图像的红、绿、蓝三色分量，idark为暗通道图像，m为多光谱图像，暗通道的计算方式为：式中，mc是多光谱图像的一个颜色通道，i＝(i1，i2)代表图像像素点的位置，ω(i)是以i位置为中心的局部区域。暗通道是两个最小值滤波的结果，mini′eω(i)是单通道上的最小值滤波，minc∈{r，g，b}是rgb三通道上同一像素位置上的最小值滤波，两个滤波顺序可交换。在暗通道图的基础上计算权重图ω(l)＝idark(.)/max，其中max为灰度值取值区间的最大值，因此ω(i)的取值范围为[0,1]；步骤3：使用步骤2得到的融合权重对多光谱图像的rgb三个通道分别和sar图像进行融合，sar图像为单一通道，多光谱的r、g、b三个通道分别与sar图像进行融合，fc、mc分别代表融合图像和多光谱图像的一个颜色通道，s代表sar图像，融合图像像素值的计算如下：fc（i)＝ω（i)s(i)+（1-ω(i))mc(i)式中，c∈{r，g，b}。由此得到最终输出的融合图像f。下面结合附图和实施例对本发明作进一步描述。参照图1，本实施例公开了一种图像融合方法。在步骤1中，读入待融合的sar图像和多光谱图像，在实施例中，sar图像如图2和图5所示，多光谱图像如图3和图6所示。读入的sar图像和多光谱图像来自同一地物信息，且经过精确几何配准，图像尺寸大小相同。多光谱图像中有许多白色区域为云层遮挡形成，无法看到地面信息。对步骤1读入的待融合多光谱图像，在步骤2中，计算其暗通道图像，使用r、g、b分别代表多光谱图像的红、绿、蓝三色分量，idark表示暗通道图像，m表示多光谱图像，暗通道的计算方式为：式中，mc是多光谱图像的一个颜色通道，1＝(l1，l2)代表图像像素点的位置，ω(i)是以i位置为中心的局部区域。暗通道是两个最小值滤波的结果，mini′eω(i)是单通道上的最小值滤波，minc∈{r，g，b}是rgb三通道上同一像素位置上的最小值滤波，两个滤波顺序可交换。在暗通道图的基础上计算融合权重图m(i)＝idark(i)/max，其中max为灰度值取值区间的最大值，因此ω(i)的取值范围为[0,1]。使用步骤2获得的融合权重，在步骤3中将多光谱图像和sar图像进行融合。sar图像为单一通道，多光谱的r、g、b三个通道分别与sar图像进行融合，fc、mc分别代表融合图像和多光谱图像的一个颜色通道，s代表sar图像，融合图像像素值的计算如下：fc(i)＝ω(i)s(i)+（1-ω(i))mc(i)式中，c∈{r，g，b}。由此得到最终输出的融合图像f。图4和图7展示了该实施例中最终获得的融合图像，正如我们期待的，融合图像不仅利用sar图像填充了云层遮挡区域，还包含了光学图像的色彩信息，丰富了图像的纹理信息，这些最终有益于地物信息的提取和区分，展现出本发明方法优异的融合性能。下面结合实施例与其他传统融合方法进行客观性能测试，选取的传统方法有pca和nsct算法。使用的客观评价指标有信息熵(ie)、交叉熵(ce)、平均梯度(ag)和边缘强度(ei)。信息熵直接反映图像的平均信息量，值越大说明信息量越大。交叉熵反映融合图像与源图像的差异，交叉熵越小说明融合图像和源图像的差异越小，从源图像中提取的信息量越多，因此本文计算融合图像与源多光谱图像的交叉熵。平均梯度和边缘强度表示图像细节的变化和纹理特征，反映了图像的清晰度，值越高表示清晰度越高。对实施例一中两张源图像使用不同算法得到的融合图像进行评价，结果对比如表1所示。从表1中可以看出每种融合方法的信息熵、评价梯度和边缘强度值均比源多光谱图像的值高，本发明算法出信息熵外，其余评价指标均为三种方法中的最优。表1ieceagei源多光谱图像6.975-10.801109.4pca融合图像7.4170.40111.594110.3nsct融合图像7.1240.53013.626127.9本发明融合图像7.2970.38113.951130.4运行时间也是评价融合算法的一个重要指标，本发明通过计算实施例一的一组融合图像的运行时间(单位：秒)比较各个算法的性能。在同一环境下的运行结果如表2所示。可以看出，本发明方法的运行时间最短，运行效率优于两个被比较算法，证明了本方法的可行性。表2pcansct本发明方法运行时间(s)3.9022.261.78综上所述，本发明适用于多云多雨地区的遥感地物监测，是一种像素级的融合方法，能够实现遥感图像的快速融合。经该算法融合处理的图像，保持了sar图像的频率特性又保留了光学图像中较为完整的纹理边缘信息。当前第1页12