一種基于曲波變換的遙感圖像融合新算法

滿 旺,袁 瑩,黃于同 (廈門理工學院空間信息科學與工程系,福建廈門361 024)

張杰林 (核工業北京地質研究院遙感信息與圖像分析技術國家級重點實驗室,北京1 00029)

隨著遙感技術的迅猛發展,多種類型傳感器相繼投入使用,人類獲取了大量的全色、多光譜、高光譜、雷達及熱紅外等各種類型的遙感影像。由于成像原理不同和技術條件的限制,單一圖像數據往往不能全面反映目標地物的全部特征。遙感圖像融合能夠集成或整合多個圖像中的冗余信息和互補信息,利用優勢互補的數據來提高圖像的信息可用程度,可增加對研究對象解譯的可靠性。因此,遙感圖像融合一直是遙感研究領域的研究熱點[1,2～6]。

遙感圖像融合可分為像素級圖像融合、特征級圖像融合及決策級融合等3個層次[1,2],其中像素級融合研究最為活躍。常見的像素級融合方法包括Brovey變換、PCA變換、IHS變換及基于多分辨率分析的各種方法。小波作為典型的多分辨率分析工具在圖像融合中曾廣受關注,但小波在表達圖像邊緣的方向特性上存在缺陷。曲波變換正是在研究小波變換的基礎上發展起來的。曲波變換具有良好的邊緣提取能力,能夠將遙感圖像分解到一系列不同頻率信道中。然后利用其分解后的結構,對不同層、不同方向頻帶的分解系數按照不同的融合規則進行處理,通過逆曲波變換,得到融合后圖像。因此,基于曲波變換的圖像融合正成為當前研究的熱點。張強等[7]對IKONOS全色與多光譜影像進行了融合研究;蔣年德等[8]將曲波變換同IHS變換結合進行圖像融合;許星[9]、李暉暉等[10]分別使用曲波變換對SAR與TM進行融合研究;付夢印等[11]使用曲波變換對紅外與可見光進行融合;邱宣等[12]將鄰域方差加權平均引入融合規則;趙誠等[13]提出粒子群優化的圖像融合方法。筆者首先簡述了小波變換和曲波變換,然后提出了基于曲波變換的SPOT與TM影像融合算法,并與其他傳統算法從多方面進行了比較。試驗結果表明,使用曲波變換進行圖像融合,能夠取得較好的效果。

1 小波變換和曲波變換

小波變換是空間和頻率的局部變換,因而能有效地從信號中提取信息。通過伸縮和平移等運算功能可對函數或信號進行多尺度的細化分析。對于含 “點奇異”的一維信號,小波能達到 “最優”的非線性逼近階。而在處理二維或者更高維含 “線奇異”的信號時,雖然由一維小波張成的高維小波基在逼近性能上要優于三角基,但是小波變換并不能充分利用圖像本身特有的幾何特征,并不是最優的和 “最稀疏”的函數表示方法,不能達到理想的最優逼近階[3]。

Candès等[4,5]提出了一種適合分析具有曲線或超平面奇異性高維信號的曲波變換,曲波變換也是一種多尺度變換,其框架元素以尺度、位置為參數,同時還包含了方向參量。因此,曲波變換具有比小波變換更強的方向選擇和辨識能力,能夠更好的表達遙感圖像的空間幾何特征,關于曲波變換的理論見參考文獻 [5]。

2 曲波變換稀疏表達能力試驗

相對于小波而言,曲波變換具有更好的稀疏表達能力,它能將遙感圖像的邊緣及其他線性幾何特征用較大的曲波系數表達出來,變換后能量更加集中。因此非常有利于提取高分辨率遙感影像中的幾何信息。為測試曲波變換的稀疏表達能力,筆者設計了一組試驗,分別用最大0.1%、1%、10%、20%的曲波系數,進行曲波逆變換,得到Lena圖像。恢復效果如圖1所示。分別計算了同原圖像的相關系數,發現僅用最大0.1%的系數恢復的Lena的圖像,與原相關圖像的相關系數達到了 0.81;用最大 10%的系數恢復的 Lena圖像,在目視效果上已經和原圖像相差不大;用最大20%的系數恢復的圖像,與原圖像相關系數達到了0.9985。因此,曲波變換在圖像壓縮、圖像去噪等方面具有良好的應用前景。

圖1 曲波系數表達能力試驗組圖

3 基于曲波變換的圖像融合算法

遙感圖像進行曲波變換后,能量更多集中在曲波變換系數中,將高空間分辨率的全色遙感影像的高頻邊緣信息注入到低空間分辨率多光譜遙感圖像中,理論上應該能有效提高多光譜影像的空間分辨率。基于以上設想,筆者提出了一種遙感圖像融合新算法:

1)分別對融合源圖像進行配準;

2)對融合圖像按波段分別進行n級曲波變換。TM每波段影像變換后,系數為其中,TM代表TM影像;b為波段號;n為分解層級;l為分解方向;(i,j)表示像素坐標;表示TM影像中b波段的低頻子帶系數,表示TM影像中b波段的高頻子帶系數。為SPOT影像分解后曲波系數為SPOT影像曲波分解后的低頻子帶系數,為高頻子帶系數。

3)采用一定的融合規則,對曲波變換后系數進行處理。對圖像進行曲波變換后,圖像的邊緣等幾何信息集中在曲波變換的高頻子帶系數中,其絕對值越大,能量越集中。將曲波變換后的高頻信息注入到低分辨率圖像中,能有效提高其分辨率。筆者進行了3層曲波變換分解。為融合圖像的低頻子帶的曲波系數,對于低頻部分,直接取為高頻子帶的曲波系數,對于每一層高頻子帶,取

曲波變換可以對圖像進行多層分解,但對于遙感圖像數據融合來講,分解多少層為宜?筆者分別對待融合圖像進行2～6層分解,進行融合試驗,發現隨著分解層次的提高,信息熵和等效視數減小[10];相關系數、灰度變換指數以2到3層為最佳;空間頻率以3層為佳。綜合來看,基于曲波變換的圖像融合,分解層次以2到3層為宜。

4 圖像融合效果評價

為了了解新算法的性能,分別將其與采用Brovey變換、PCA變換和小波變換3種圖像融合算法進行對比,融合圖像分別采用SPOT與TM影像。筆者采用的融合試驗數據為Envi4.6所帶的倫敦地區部分示例數據,其中TM空間分辨率為28m,采用其中3個波段;SPOT空間分辨率為10m,為全色波段。原始圖像信息見表1,原圖及融合后圖像見圖2。

表1 全色圖像及多光譜圖像信息表

圖2 各種融合算法對多光譜圖像處理效果圖

當前的圖像融合質量評價中,并沒有統一的評價體系,筆者分別從信息熵、光譜扭曲程度和圖像空間頻率3個方面進行評價,具體指標參見表2所示。

從表2可以看出,在信息熵方面,新算法略優于小波算法,Brovey變換算法表現最差,各波段信息熵明顯小于其他方法;在光譜扭曲程度上,Brovey變換＞PCA變換＞小波變換＞新算法;在空間頻率上,以PCA變換為最優,新算法略微落后于前3種算法,但劣勢并不明顯。

表2 多光譜數據融合客觀評價

5 結 語

筆者提出了一種基于曲波變換的遙感圖像融合新算法,并與Brovey變換、PCA變換和小波變換等融合算法進行了比較。結果表明,新算法在光譜信息保持方面效果較好,但在融合規則上還有待進一步改進,以期取得更優的融合效果。

[1]Goshtasby A A,Nikolov S.Image fusion:Advances in the state of the art[J].Information Fusion,2007,8(2):114～118.

[2]Pohl C,Genderen J L.Multisenso r image fusion in remote sensing:concepts,methods and applications[J].International Journal of Remote Sensing,1998,9(5):823～854.

[3]Candè s E J.Ridgelet:theo ry and applications[D].Stanford:Department of Statistics,Stanford University,1998.

[4]Candès E J,Donoho D L.New tight frames of curvelet s and optimal representations of objects with piecewise-C2 singularities[J].Comm.on Pure and Appl,2004,57:219～266.

[5]Candè s E J,Donoho D L,Yin G L.Fast discrete curvelet transforms[R].California:Applied and Computational Mathematics,California Institute of Technology,2005.

[6]滿旺.高分辨率遙感數據處理方法及鈾礦地質應用研究[D].北京:中國礦業大學,2008.

[7]張強,郭寶龍.應用第二代Curvelet變換的遙感圖像融合 [J].光學精密工程.2007,15(7):1130～1136.

[8]蔣年德,王耀南,毛建旭.基于2代Curvelet改進IHS變換的遙感圖像融合 [J].中國圖象圖形學報,2008,13(12):2376～2382.

[9]許星,李映,孫瑾秋,等.基于Curvelet變換的SAR與T M圖像融合研究 [J].西北工業大學學報,2008,26(3):395～398.

[10]李暉暉,郭雷,劉坤.基于Curvelet變換的SAR與可見光圖像融合研究 [J].光電子.激光,2009,20(8):1110～1113.

[11]付夢印,趙誠.基于二代Curvelet變換的紅外與可見光圖像融合 [J].紅外與毫米波學報,2009,28(4):254～258.

[12]邱宣,周則明,胡友彬.應用鄰域方差加權平均的curvelet變換融合 [J].計算機工程與應用,2010,46(9):166～168.

[13]趙誠,付夢印,王立平.基于粒子群優化的多分辨率圖像融合[J].兵工學報,2010,31(2):171～176.