許 晨,康 雪,張春同,徐 洋,呂達(dá)仁

1(成都市氣象局,成都 611130)

2(四川省氣象局,成都 610072)

3(中國(guó)科學(xué)院 大氣物理研究所,北京 100029)

基于衛(wèi)星多波段數(shù)據(jù)融合算法,將多傳感器和多信息源的數(shù)據(jù)、信息加以聯(lián)合、相關(guān)和組合,以獲得精確的位置估計(jì)和一致性估計(jì).基本策略是由低層到高層對(duì)多源信息進(jìn)行整合、抽象的信息處理過(guò)程[1].通過(guò)多源信息的互補(bǔ),消除觀(guān)測(cè)對(duì)象的不確定性、減小數(shù)據(jù)冗余,可改善待觀(guān)測(cè)對(duì)象的精確性和定量可靠性,從而有效提高數(shù)據(jù)利用率.

現(xiàn)有融合算法主要有以下幾類(lèi)[1]:

(1)彩色空間變換融合法.將低分辨率的RGB 影像數(shù)據(jù)經(jīng)過(guò)變換映射至HIS 空間,然后采用特定的融合算法使其與高分辨率數(shù)據(jù)進(jìn)行融合處理,進(jìn)而置換相應(yīng)的部分,最后經(jīng)過(guò)逆變換重構(gòu)融合數(shù)據(jù).根據(jù)映射的顏色空間不同,彩色空間融合法可分為HIS 變換、YIQ 變換、HLS 變換融合法等.

(2)加權(quán)融合或基于信息量的融合.可根據(jù)經(jīng)驗(yàn)值或相關(guān)系數(shù)設(shè)置權(quán)重函數(shù),以減少冗余.此算法的優(yōu)點(diǎn)在于簡(jiǎn)單易行,可結(jié)合基于特征的融合方法,針對(duì)不同要求,靈活改變信息特征提取方法.

(3)高通濾波融合(High-Pass Filter,HPF).通過(guò)將高分辨率數(shù)據(jù)中的幾何信息逐像素疊加到低分辨率數(shù)據(jù)中而進(jìn)行.先對(duì)高分辨率的全色數(shù)據(jù)和低分辨率的多光譜數(shù)據(jù)各波段進(jìn)行直方圖匹配,對(duì)匹配后的全色數(shù)據(jù)進(jìn)行高通濾波,再將其加入多光譜的各個(gè)波段,最后將多光譜各個(gè)波段的數(shù)據(jù)進(jìn)行彩色合成.

(4)主成分變換融合(Principal Component Analysis,PCA).通過(guò)該變換,使多光譜數(shù)據(jù)在各波段具有統(tǒng)計(jì)獨(dú)立性,便于在各波段采用相應(yīng)的融合策略.

(5)小波融合(Wavelet Transforms,WT).小波變換作為新興的數(shù)學(xué)分析方法日益受到廣泛重視,是分析和處理非平穩(wěn)信號(hào)的一種有效工具.小波變換以局部化函數(shù)所形成的小波基作為基底而展開(kāi),是一種窗口大小固定不變但其形狀可改變的時(shí)頻局部化分析方法.它已在圖像編碼領(lǐng)域、計(jì)算機(jī)視覺(jué)、語(yǔ)音信號(hào)處理等領(lǐng)域取得了突破性進(jìn)展.

在小波融合算法中,最常用到二進(jìn)制小波變換,常用來(lái)處理來(lái)自同一傳感器的遙感數(shù)據(jù),通過(guò)對(duì)數(shù)據(jù)進(jìn)行分解、重構(gòu),在高、低頻采用相應(yīng)的融合策略來(lái)實(shí)現(xiàn)數(shù)據(jù)融合[2].但在實(shí)際應(yīng)用中,常需要融合來(lái)自不同傳感器的數(shù)據(jù),需要擴(kuò)展到多進(jìn)制小波算法,但為保證融合處理速度,小波分解的階數(shù)取得并不高,這時(shí)融合結(jié)果空間細(xì)節(jié)的表現(xiàn)受到影響.考慮到HSV 融合法能突出空間信息表達(dá)能力、小波包融合法能克服小波變換對(duì)高頻信息處理的缺陷,所以構(gòu)建兩種改進(jìn)算法:基于HSV的小波融合法和基于區(qū)域特征的自適應(yīng)小波包融合算法分別實(shí)現(xiàn)不同傳感器的數(shù)據(jù)融合.

1 基于HSV的多進(jìn)制小波融合(HSV-WT)

多進(jìn)制小波可理解為頻率域的分解問(wèn)題,二進(jìn)制小波把頻率域分解成兩個(gè)通道,多進(jìn)制小波把頻率域分解成多個(gè)通道,分別對(duì)每個(gè)分解層次的低、高頻部分按各自的融合策略進(jìn)行處理,綜合各組數(shù)據(jù)的特征信息,最后根據(jù)多進(jìn)制小波重構(gòu)公式進(jìn)行小波逆變換,重構(gòu)融合數(shù)據(jù)[3].因此它能突破待融合數(shù)據(jù)的分辨率比值限制,實(shí)現(xiàn)分辨率之比非2n的數(shù)據(jù)融合.

1.1 HSV 融合法

HSV 分別代表 Hue (色調(diào))、Saturation (飽和度)、Value (亮度),融合模型為一圓錐體,如圖1所示,圓錐底面對(duì)應(yīng)色調(diào)H,表示所處的顏色位置,以繞V 軸的旋轉(zhuǎn)角度來(lái)表示不同顏色,0°對(duì)應(yīng)紅色,120°對(duì)應(yīng)綠色,240°對(duì)應(yīng)藍(lán)色,互補(bǔ)色之間相差180°;飽和度S從低到高表示為由軸心向錐體圓周過(guò)渡,表示所選顏色的純度和該色最大純度之間的比率,范圍為0-1.當(dāng)S=0 時(shí),只有灰度;明度V表示色彩明亮程度,范圍為0-1[4,5].

圖1 HSV 變換模型

從RGB 空間轉(zhuǎn)換到HSV 空間[6]:首先,歸一化RGB 色彩空間的值,求其最大值和最小值.

令m=MAX(R,G,B),n=MIN(R,G,B),其轉(zhuǎn)換公式為式(1).

1.2 數(shù)據(jù)配準(zhǔn)

由于各傳感器通過(guò)的光路不同或成像機(jī)制不同等原因,多源遙感數(shù)據(jù)間可能出現(xiàn)相對(duì)平移、旋轉(zhuǎn)或比例縮放等現(xiàn)象,必須先對(duì)圖像進(jìn)行配準(zhǔn).配準(zhǔn)的關(guān)鍵在于從多個(gè)圖像中找到具有共性特征的控制點(diǎn),包括相對(duì)配準(zhǔn)和絕對(duì)配準(zhǔn)[1].

(1)相對(duì)配準(zhǔn):先在兩幅待配準(zhǔn)圖像上選擇同名控制點(diǎn),用二次多項(xiàng)式模型建立兩個(gè)同名像素的關(guān)系,最后重采樣成相同分辨率的圖像.

(2)絕對(duì)配準(zhǔn):在統(tǒng)一地理坐標(biāo)系下對(duì)待配準(zhǔn)圖像進(jìn)行幾何糾正,常用多項(xiàng)式糾正法,再重采樣為相同分辨率圖像.

多項(xiàng)式糾正法的關(guān)鍵是采用一定數(shù)量的具有空間坐標(biāo)的地面控制點(diǎn),利用這些點(diǎn)對(duì)應(yīng)的坐標(biāo),通過(guò)平差原理計(jì)算多項(xiàng)式系數(shù),數(shù)學(xué)模型如下[7]:

式中,(x,y)是圖像中的坐標(biāo),(X,Y)是對(duì)應(yīng)的地面坐標(biāo),多項(xiàng)式控制點(diǎn)個(gè)數(shù)N與多項(xiàng)式次數(shù)n之間的關(guān)系為:

根據(jù)上式計(jì)算多項(xiàng)式系數(shù):a0,a1,a2,a3,···,通過(guò)變換關(guān)系式計(jì)算原影像上的坐標(biāo),將該點(diǎn)亮度值替換為輸出影像的坐標(biāo)[8].

1.3 融合算法實(shí)現(xiàn)

將兩種算法相結(jié)合,具體處理流程如圖2所示[9-11].

圖2 基于HSV的小波融合法實(shí)現(xiàn)框圖

(1)將待融合的高分辨率數(shù)據(jù)I1和多光譜數(shù)據(jù)I2配準(zhǔn),用三次卷積內(nèi)插法采樣.在配準(zhǔn)過(guò)程中,先通過(guò)控制點(diǎn)位法進(jìn)行相對(duì)配準(zhǔn),再通過(guò)多項(xiàng)式糾正法進(jìn)行絕對(duì)配準(zhǔn).

(2)將低分辨率多光譜數(shù)據(jù)I2由RGB 空間轉(zhuǎn)換到HSV 空間,得到數(shù)據(jù)I2的H,S,V三分量信息.

(3)將V分量和高分辨率數(shù)據(jù)I1進(jìn)行直方圖匹配,使V分量數(shù)據(jù)和I1的幅度值保持一致.

(4)利用多進(jìn)制小波融合算法對(duì)V分量信息和高分辨率數(shù)據(jù)I1進(jìn)行小波融合從而得到新的V'分量.

(5)將得到的V'分量和前面的H、S分量數(shù)據(jù)進(jìn)行HSV 逆變換,輸出高分辨率的融合后數(shù)據(jù).

2 基于區(qū)域特征的自適應(yīng)小波包融合算法(AWP)

小波包融合算法通過(guò)對(duì)不同分辨率的高頻部分進(jìn)一步劃分,進(jìn)行遞歸分解,突出高分辨率數(shù)據(jù)的細(xì)節(jié)層次信息.該算法能突出細(xì)節(jié)區(qū)域特征,且采用自適應(yīng)算法,故稱(chēng)之為基于區(qū)域特征的自適應(yīng)小波包融合算法[12](Adaptive Wavelet Packet based on region features,AWP).

2.1 算法介紹

多分辨率分析可以對(duì)信號(hào)進(jìn)行有效的時(shí)效分解,但由于其尺度函數(shù)時(shí)按二進(jìn)制變化的,因此在高頻段其頻率分辨率較差,只能對(duì)信號(hào)的頻段進(jìn)行指數(shù)等間隔劃分.小波包分解為信號(hào)提供一種更加精細(xì)的分解方法,通過(guò)把頻帶進(jìn)行多層次劃分,對(duì)多分辨分析中沒(méi)有細(xì)分的高頻部分進(jìn)一步分解,并根據(jù)被分析信號(hào)特征,自適應(yīng)地選擇相應(yīng)頻段,使之與信號(hào)頻譜相匹配,從而提高時(shí)頻分辨率,因此具有更廣泛的應(yīng)用價(jià)值[13].

這種算法可同時(shí)對(duì)數(shù)據(jù)的高、低頻部分進(jìn)行任意尺度的遞歸分解和融合處理,克服了傳統(tǒng)小波融合算法對(duì)高分辨率數(shù)據(jù)高頻細(xì)節(jié)信息處理的不足,突出高分辨率數(shù)據(jù)細(xì)節(jié)層次信息,獲取高分辨率的多光譜融合數(shù)據(jù),從而提高數(shù)據(jù)可用度和研究對(duì)象解譯的可靠性[1].

2.2 算法實(shí)現(xiàn)

首先對(duì)配準(zhǔn)的遙感數(shù)據(jù)進(jìn)行小波包分解,分解時(shí),對(duì)上一層的各高、低頻部分進(jìn)行全方位遞歸分解,采用基于自適應(yīng)能力和區(qū)域特征的融合策略對(duì)子數(shù)據(jù)融合,最后逆變換重構(gòu)數(shù)據(jù).一般情況下,小波包分解層次越多,融合結(jié)果中包含的細(xì)節(jié)信息就越豐富.但隨著分解層次的增多,計(jì)算量增加,而且易造成頂層融合數(shù)據(jù)損失增大[14].因此折中考慮兩點(diǎn),一般分解層次取3-5之間.本文的分解層次取3,Haar 小波基.

如圖3,基于自適應(yīng)能力和區(qū)域特征的融合策略為:按照不同融合策略分別對(duì)每一級(jí)小波系數(shù)上的高、低頻信息進(jìn)行處理,并合并系數(shù).加權(quán)平均法的基本原理是[1]:

其中,CA,CB,CF分別表示源數(shù)據(jù)A、B及融合后數(shù)據(jù)F的在最后一個(gè)分解層的子數(shù)據(jù),m,n為最后一個(gè)分解層子數(shù)據(jù)的像素位置,α為權(quán)值,值在0-1 之間.

圖3 融合策略

平均梯度法的融合規(guī)則為[1]:利用該像素的局部平均梯度確定融合后高頻子數(shù)據(jù)的像素值.設(shè)待融合數(shù)據(jù)為A(x,y),B(x,y),由不同分辨率的高頻子數(shù)據(jù)得到的梯度數(shù)據(jù)分別為(x,y),(x,y),則不同分辨率上的高頻子數(shù)據(jù)(x,y)為:

最后使用重構(gòu)濾波器逆向逐層二插值重構(gòu)數(shù)據(jù),獲取融合后數(shù)據(jù).

算法步驟[15,16]如圖4.

圖4 基于區(qū)域特征的自適應(yīng)小波包融合法

算法步驟具體說(shuō)明如下:

(1)輸入高分辨率的全色數(shù)據(jù)和多光譜數(shù)據(jù).

(2)初始化分解系數(shù)、分解層次數(shù)目等參數(shù).

(3)設(shè)計(jì)尺度函數(shù)? (x)對(duì)應(yīng)的低通分解濾波器和小波函數(shù) ψ (x)對(duì)應(yīng)的高通分解濾波器,以及相應(yīng)的重構(gòu)濾波器.

(4)根據(jù)小波包分解算法,使用分解濾波器逐層抽樣分解全色和多光譜數(shù)據(jù),獲取高、低頻分解數(shù)據(jù).

(5)對(duì)小波包分解后的多光譜數(shù)據(jù)和全色數(shù)據(jù)進(jìn)行融合.采用基于區(qū)域特征的自適應(yīng)小波包融合算法,通過(guò)直方圖均衡化,求分解窗口的方差、能量和信息熵,計(jì)算像素權(quán)值,按照公式獲取融合子數(shù)據(jù).

設(shè)小波分解后的多光譜數(shù)據(jù)為A(x,y),全色數(shù)據(jù)為B(x,y),將多光譜數(shù)據(jù)進(jìn)行色彩分離,得到三波段的子數(shù)據(jù)分別為(x,y)(k=1,2,3),j是尺度函數(shù),將全色數(shù)據(jù)分別對(duì)多光譜數(shù)據(jù)的3 個(gè)波段進(jìn)行直方圖均衡化.

其中,P(i)表示一像元i在數(shù)據(jù)中的出現(xiàn)概率,其范圍是[0,1,···,L].

其中,G(i,j)為像元灰度值,為均值.

其中,P[i][j]是特征提取算子,本文取經(jīng)驗(yàn)值.

其中,a,b,c為各特征的權(quán)值,默認(rèn)為1.

按照式(10)獲取融合后數(shù)據(jù)(x,y):

(6)根據(jù)上述的小波包重構(gòu)濾波器逆向逐層插值重構(gòu)數(shù)據(jù),獲取融合后數(shù)據(jù).

3 數(shù)據(jù)介紹

3.1 多光譜LandSat TM 數(shù)據(jù)

LandSat是美國(guó)陸地探測(cè)衛(wèi)星系統(tǒng),TM (Thematic Mapper)是LandSat-4、LandSat-5 攜帶的專(zhuān)題繪圖儀[17],LandSat TM 波段信息如表1所示.本文采用Level 1T標(biāo)準(zhǔn)地形校正產(chǎn)品,選用Band 4、Band 3、Band 2 進(jìn)行融合,有利于分辨植被、土壤和道路等信息[18].

表1 LandSat TM 波段信息

3.2 全色SPOT-5 數(shù)據(jù)

SPOT 衛(wèi)星是法國(guó)空間研究中心(CNES)研制的地球觀(guān)測(cè)衛(wèi)星系統(tǒng),SPOT-5 星上載有2 臺(tái)高分辨率幾何成像裝置(HRG)、1 臺(tái)高分辨率立體成像裝置(HRS)、1 臺(tái)寬視域植被探測(cè)儀(VEG)等,前后模式實(shí)時(shí)獲得立體像對(duì)[19],其波段信息如表2所示.本文選用SPOT-5 星的全色波段PAN的10 m 分辨率HRS 數(shù)據(jù).

表2 SPOT-5 衛(wèi)星的波段信息

3.3 合成孔徑雷達(dá)SAR 數(shù)據(jù)

合成孔徑雷達(dá)SAR (Synthetic Aperture Radar)采用搭載在飛機(jī)或衛(wèi)星上的移動(dòng)雷達(dá),達(dá)到和大型天線(xiàn)同樣精度的雷達(dá)系統(tǒng).特點(diǎn)是分辨率高,能全天候工作,能有效地識(shí)別偽裝和穿透掩蓋物[20].本文選用歐洲空間局的ERS-2 (the second European Remote sensing Satellite)雷達(dá)數(shù)據(jù),平均軌道高度為780 km,其參數(shù)如表3所示[20].

4 結(jié)果分析

本文采用HSV-WT、AWP 算法對(duì)兩組數(shù)據(jù)進(jìn)行處理,選取的濾波器窗口為3×3,小波變換法采用了3 層小波分解和重構(gòu)算法,Haar 小波基.

4.1 多光譜LandSat TM 數(shù)據(jù)和全色SPOT 數(shù)據(jù)融合

采用HSV-WT和AWP 對(duì)兩組數(shù)據(jù)進(jìn)行融合.

4.1.1 讀取源數(shù)據(jù)

先選擇TM的Band 3 與SPOT 進(jìn)行配準(zhǔn),可發(fā)現(xiàn)兩圖左邊部分的山脈區(qū)域清晰可見(jiàn),圖5(b)中有一塊白色云區(qū).

表3 合成孔徑雷達(dá)成像模式特性參數(shù)

圖5 源數(shù)據(jù)

4.1.2 數(shù)據(jù)配準(zhǔn)校正

將圖5(a)作為基準(zhǔn)數(shù)據(jù),對(duì)圖5(b)數(shù)據(jù)進(jìn)行校正.通過(guò)控制點(diǎn)位法進(jìn)行相對(duì)配準(zhǔn),再通過(guò)二次多項(xiàng)式糾正法進(jìn)行絕對(duì)配準(zhǔn),如圖6所示.同理校正另外兩個(gè)波段數(shù)據(jù).

采用多項(xiàng)式糾正法時(shí),誤差如表4.由表4所知,采用一次多項(xiàng)式糾正時(shí)誤差較大,因?yàn)橐淮雾?xiàng)糾正僅對(duì)旋轉(zhuǎn)、平移、縮放帶來(lái)的誤差進(jìn)行了糾正,并沒(méi)有對(duì)非線(xiàn)性變化引起的誤差進(jìn)行改正.采用二次多項(xiàng)式時(shí),中誤差明顯變小,不僅糾正了線(xiàn)性變形,還進(jìn)一步改正了非線(xiàn)性變形.

4.1.3 融合TM Band 4、Band 3、Band 2

采用二進(jìn)制小波變換法融合校正后的TM 三通道數(shù)據(jù),如圖7所示.

圖6 校正后的TM Band 3

表4 多項(xiàng)式糾正誤差(單位:m)

圖7 TM Band 4、Band 3、Band 2 融合結(jié)果

分析融合結(jié)果,左邊區(qū)域?yàn)樯矫},左邊有一塊白色區(qū)域?yàn)樵?旁邊與其形狀相似的黑色區(qū)域?yàn)樵朴?衛(wèi)星觀(guān)測(cè)的角度以及山脈的凸凹不平等因素導(dǎo)致云和云影之間的位置差異;深色區(qū)域?yàn)樗w.

4.1.4 融合TM和SPOT 數(shù)據(jù)

分別采用HSV-WT、AWP 對(duì)圖5(a)和圖7進(jìn)行融合,如圖8所示.

4.1.5 融合評(píng)價(jià)

觀(guān)察圖8發(fā)現(xiàn),使用兩種方法融合后的結(jié)果既融入了全色SPOT 數(shù)據(jù)的細(xì)節(jié)信息,又保留了TM 數(shù)據(jù)的光譜信息.融合后數(shù)據(jù)在保持光譜信息和增強(qiáng)空間信息兩方面得到提高.對(duì)比圖8(a)、圖8(b)發(fā)現(xiàn),圖8(a)的光譜失真較大,視覺(jué)效果不如圖8(b).在圖8(b)中,山脈的紋理特性和右邊部分的細(xì)節(jié)特征更加豐富,更有利于地物判別.比較兩種融合結(jié)果的性能參數(shù)如表5.

圖8 融合結(jié)果

表5 TM和SPOT 融合后數(shù)據(jù)的參數(shù)結(jié)果

從表5可看出,融合結(jié)果圖8(a)、圖8(b)在多光譜TM 數(shù)據(jù)的基礎(chǔ)上,提高了方差,其信息熵和清晰度都比源數(shù)據(jù)大;對(duì)比融合結(jié)果圖8(a)、圖8(b),在方差、信息熵、清晰度和相關(guān)指數(shù)4 項(xiàng)指標(biāo)上,圖8(b)較大,且圖8(b)的扭曲程度、偏差指數(shù)較小.說(shuō)明采用AWP 方法較HSV-WT 法更優(yōu),采用AWP 法處理過(guò)的圖像更加清晰,紋理信息更豐富,對(duì)象的幾何特征更完整.

4.1.6 融合另一組倫敦地區(qū)數(shù)據(jù)

對(duì)另一組倫敦地區(qū)的數(shù)據(jù)采用相同方法進(jìn)行處理,選用TM的R、G、B 波段合成彩色影像.

圖9(a)采用TM的R、G、B 波段融合表示彩色圖像,圖像色彩更接近自然色彩,更符合人的視覺(jué)特性.圖中,黑色區(qū)域?yàn)樗w,綠色區(qū)域?yàn)榈乇?放大觀(guān)察圖9(c)、圖9(d),圖像的細(xì)節(jié)信息得到明顯改善,光譜信息的增加提高地物的紋理特性.目視觀(guān)察比較圖9(c)、圖9(d),圖9(d)的色彩更為自然,紋理細(xì)節(jié)更豐富,目視效果更加清楚.表6列出圖9融合結(jié)果的性能參數(shù),

綜合比較,圖9(d)數(shù)據(jù)優(yōu)于圖9(c),說(shuō)明采用AWT效果較好.

圖9 倫敦地區(qū)的數(shù)據(jù)融合結(jié)果

表6 圖9融合后數(shù)據(jù)的參數(shù)結(jié)果

4.2 多光譜LandSat TM 數(shù)據(jù)和SAR 數(shù)據(jù)融合

對(duì)意大利羅馬地區(qū)的TM和ERS-2 SAR 數(shù)據(jù)進(jìn)行融合,使用AWP 實(shí)現(xiàn).

4.2.1 讀取源數(shù)據(jù)

讀取羅馬地區(qū)的源數(shù)據(jù),將TM Band 4、Band 3、Band 2 進(jìn)行二進(jìn)制小波融合,如圖10所示,SAR 數(shù)據(jù)有一定的立體視覺(jué)性,圖10(b)中黑色區(qū)域?yàn)樗w.

圖10 意大利羅馬地區(qū)的源數(shù)據(jù)

4.2.2 數(shù)據(jù)配準(zhǔn)

將圖10(a)的SAR 數(shù)據(jù)作為基準(zhǔn)數(shù)據(jù),對(duì)圖10(b)進(jìn)行校正.校正法同上,圖11所示為校正后的TM 數(shù)據(jù).

4.2.3 數(shù)據(jù)融合

由4.1.5 節(jié)和4.1.6 節(jié)知,基于自適應(yīng)小波包融合算法較優(yōu),故采用此算法融合圖10的SAR 數(shù)據(jù)以及圖11的校正后TM 數(shù)據(jù),融合結(jié)果如圖12.

圖11 校正后的TM 數(shù)據(jù)

4.2.4 融合評(píng)價(jià)

由圖12,融合后影像具有SAR 數(shù)據(jù)的立體視覺(jué)性,在融入TM的光譜信息后,增加了紋理的清晰度,有助于進(jìn)一步區(qū)分地表的覆蓋類(lèi)型.表7列出圖12融合結(jié)果的性能參數(shù),

由表7知,融合后的方差、信息熵均高于源數(shù)據(jù),說(shuō)明融合豐富了信息量.融合后的清晰度提高較為明顯,說(shuō)明融合后數(shù)據(jù)增強(qiáng)了細(xì)節(jié)特征.

圖12 SAR和TM 融合結(jié)果

表7 圖12融合后數(shù)據(jù)的參數(shù)結(jié)果

4.3 與其他融合算法的對(duì)比分析

基于4.1.1 節(jié)的多光譜LandSat TM 數(shù)據(jù)和全色SPOT數(shù)據(jù),分別采用常用融合算法HSV 變換、主成分變換(PCA)、多進(jìn)制小波變換(WT)對(duì)同一組數(shù)據(jù)進(jìn)行融合,與采用本文算法HSV-WT、AWP的融合結(jié)果進(jìn)行比較,如表8所示.

從表8可看出,融合結(jié)果均在TM 數(shù)據(jù)的基礎(chǔ)上,提高了方差,其信息熵和清晰度都比源數(shù)據(jù)大;對(duì)比各項(xiàng)參數(shù),本文算法AWP、HSV-WT 在各項(xiàng)指標(biāo)上,均優(yōu)于其他3 種傳統(tǒng)算法,驗(yàn)證了本文改進(jìn)算法的有效性.

表8 不同融合算法的參數(shù)結(jié)果

5 結(jié)論

本文將低分辨率數(shù)據(jù)的多光譜信息、全色數(shù)據(jù)的高分辨率信息或SAR 數(shù)據(jù)的高空間信息有機(jī)結(jié)合起來(lái),關(guān)注在盡可能保持原光譜信息的同時(shí),提高融合結(jié)果的空間分辨率.主要結(jié)論如下:

(1)兩種改進(jìn)算法均優(yōu)于傳統(tǒng)融合算法,融合后的數(shù)據(jù)在保持光譜信息和提高空間細(xì)節(jié)信息兩方面均得到提高.這兩種算法相對(duì)傳統(tǒng)小波算法,能克服對(duì)高頻信息處理的缺陷,突破待融合數(shù)據(jù)的分辨率比值限制,實(shí)現(xiàn)分辨率之比非2n的數(shù)據(jù)融合.

(2)HSV-WT 將HSV的空間信息表達(dá)能力與多進(jìn)制小波變換的良好局部化性質(zhì)有機(jī)結(jié)合,從而使融合后的數(shù)據(jù)在保持光譜信息和提高空間分辨率兩方面的綜合性能達(dá)到平衡.實(shí)驗(yàn)證明此方法簡(jiǎn)單有效,融合結(jié)果既融入了SPOT 數(shù)據(jù)的細(xì)節(jié)信息,又保留了TM 數(shù)據(jù)的光譜信息.

(3)AWP 克服小波變換容易受分解階數(shù)影響的缺陷,對(duì)高頻部分進(jìn)一步劃分,通過(guò)遞歸分解突出高分辨率數(shù)據(jù)的細(xì)節(jié)層次信息.用此方法處理兩組數(shù)據(jù),效果優(yōu)于HSV-WT.

(4)下階段應(yīng)進(jìn)一步探討針對(duì)要突出的不同特征,怎樣選取波段組合;SAR 數(shù)據(jù)具有穿透云層、植被的能力,它所獲得的信息取決于物體的幾何特性和介電特性,可思考怎樣發(fā)揮其優(yōu)點(diǎn),最大限度地提取地物特征信息.