图像融合算法

图像融合技术方法多样，大致归纳为：彩色相关技术、数学运算、图像变换彩色技术：1）RGB彩色合成；2）HIS融合；算术技术：比值（Brovey）变换法，此算法是将多光谱图像的相应空间分解为彩色和亮度成分并进行计算，Brovey图像融合后RGB的表达式如下:红色通道层=Pan*R/(R+G+B);绿色通道层=Pan*G/(R+G+B);蓝色通道层=Pan*B/(R+G+B)；图像变换：1)主成分分析变化法，在数据融合中,PC常采用2种方法,一是用一幅高分辨率图像来替代多波段图像的第一主成分PC1;二是对多波段图像的所有波段进行PC；第二种方法是对多遥感器图像数据或单遥感器多波段数据的所有波段经PC后,生成一幅图像文件,以减少数据的冗余度；2)Gramschmidt变换法基于GramSchmidt变换是线性代数和多元统计中常用的方法,类似于PC换法,它可以对矩阵或多维影像进行正交变换,消除相关的多光谱波段之间的相关性。Gram_Schmidt波谱锐化方法通过对矩阵或多维影像进行正交化,可以消除冗余信息。它与KL变换的区别在于:K_L变换的主分量包含的信息多,其他分量包含的信息少;Gram_Schmidt变换产生的是正交的分量,各分量所含信息差不多。使用该变换可以对具有高分辨率的高光谱数据进行锐化。首先从低分辨率的波谱波段中复制出一个全色波段;接着对该全色波段和波谱波段进行Gram_Schmidt变换,其中全色波段作为第一个波段;然后用Gram_Schmidt变换后的第一个波段替换高空间分辨率的全色波段;最后,应用Gram_Schmidt反变换构成Pan锐化后的波谱波段。3)小波变换；一般来说,遥感图像信息融合过程分为三个层次,即预处理、信息融合与应用层,如图1所示。像素级融合的优点是能尽可能多地保持原始数据,提供其他融合层次所不能或难于提供的细微信息。主要局限性有:处理的数据量大、实时性差;数据通信量较大,抗干扰能力较弱;配准精度要求高,只能融合同类(质)传感器的图像;要克服低层次融合传感器原始信息的不确定性、不稳定性和不完全性,必须在融合时有较高的纠错能力。小波变换增强结果中容易出现分块效应,同时在一定程度上损失了全色图像的细节信息。IHS变换IHS变换扭曲了原始的光谱特性，产生了光谱的退化，容易造成光谱特征的畸变。像素级融合的优点是尽可能多地保持原始数据，提供其他融合层次所不能或难于提供的细微信息。主要局限有（1）处理的数据量大、实时性差（2）数据的通信量较大，抗干扰能力较弱（3）配准精度要求高，只能融合同类（质）传感器的图像（4）要克服低层次融合传感器原始信息的不确定性、不稳定性和不完全性，必须在融合时有较高的纠错能力。1.IHS变换的融合算法与HSV变换类似，本文中IHS变换的融合图像如图3.5，具体步骤如下：（1）获取多光谱图像的信息，将多光谱图像用RGB系统表示；（2）根据式（3-2）、（3-3)和（3-4）进行RGB-HIS变换；I131313RV1=161626*G(3-2)V212120BH=1arctan2vv(3-3)S=2212vv(3-4)（3）从变换后的图像分离出I、H、S三个分量，将高分辨率图像拉伸至I分量的灰度范围；（4）用拉伸后图像的波段替代I分量，利用式（3-5）进行IHS逆变换最终得到融合图像。R131612IG=131612*v1（3-5）B13160v22.brovey变换法：此法融合结果的波段相关性最好，速度最快[1]3.PCA变换4.小波变换：在频率域进行融合比在时间域进行更为有效，传统的融合方法多是在时间域对影像进行算术运算，没有考虑频率域，小波变换能实现两者的步调统一，而且把频率域进行正交分解[1]。采用四种变换时，基于小波变换更能表现地面的细节信息，但计算量大，不便于实时处理数据，brovey变换融合效果优于PCA和HIS，更适合多光谱图像与高分辨率图像之间的融合。融合后图像将有利于提高解译，分类和制作专题图等的精度。[1]