結合HSV和小波包變換的高光譜影像融合及信息識別研究

楊可明，錢小麗，王林偉，劉士文，孫陽陽

(中國礦業大學(北京) 地球科學與測繪工程學院，北京 100083)

一、引 言

常見的遙感圖像融合是指將高空間分辨率的全色影像與低分辨率的多光譜影像綜合成一幅新的高空間分辨率彩色影像[1]。高光譜遙感由于具有分辨率高、波段窄、波譜連續、圖譜合一等優勢而成為當今研究的熱點[2]。其中，高空間分辨率影像與高光譜影像的融合技術已成為近幾年圖像融合技術的熱點與難點。

傳統的HIS變換、PCA變換、HSV變換、Brovey變換等遙感影像融合方法會產生嚴重的光譜退化和損失現象,不適合高光譜影像的融合。如高光譜影像在HIS空間中的I分量及HSV空間中的V分量與高分辨率圖像的灰度值是兩種具有不同光譜特性的頻道數據，完全性地替代會導致HIS和HSV反變換后得到的融合圖像產生光譜信息的丟失和扭曲[3]；PCA變換會使高光譜影像第一主成分中的一些反映光譜特征的有用信息有所丟失。

小波包變換(wavelet packet transform，WPT)的多尺度多分辨率特點使得它可以對不同頻帶的圖像采用不同的融合規則，從而很好地保留各原始影像的空間信息和波譜特征。近年來，將傳統的遙感圖像融合技術與小波包變換相結合的遙感影像融合方法研究日益廣泛，如基于HSV和紅黑小波變換的多光譜圖像融合[4]、基于trous小波與廣義HIS變換的SAR與多光譜影像融合[5]、基于小波變換改進PCA變換的融合方法[6]，這些研究的對象大多是全色波段和多光譜影像的融合。本文運用HSV變換與WPT結合的方法對全色波段和高光譜影像進行融合，并對融合結果進行二進制編碼監督分類，最后與傳統的PCA變換融合法及Gram-Schmidt融合法比較，驗證和評價了HSV+WPT融合法在高光譜影像融合及信息識別應用方面的可行性與優越性。

二、融合原理與方法

1. HSV變換

H、S、V分別代表色調、飽和度和明度。HSV色彩空間模型如圖1所示，其中圓錐的頂面對應于V=1，代表的顏色較亮，色調H由繞V軸的旋轉角度表示，飽和度S由軸心向錐體圓周過度，表示飽和度由低到高[7]。

圖1 HSV色彩空間

傳統HSV變換融合法的基本原理是：對高光譜圖像進行HSV色彩空間的轉換，使用高分辨率的圖像代替顏色明度值，自動用最鄰近、雙線性或三次卷積技術將色度和飽和度重采樣到高分辨率像元尺寸，最后進行HSV逆變換。從HSV變換融合原理可以看出，由于高光譜在HSV空間中的V分量和高分辨率圖像中的灰度值是兩種具有不同光譜特性的頻道數據，這種完全性的替代使HSV反變換后得到的融合圖像產生光譜信息的丟失和扭曲。試驗證明，用該方法對高空間分辨率和高光譜影像進行融合后，融合圖像僅是一幅只有3個波段的RGB圖像，波譜信息嚴重丟失。

2. 基于小波包變換的遙感影像融合

(1) 小波包的定義

(1)

遞歸定義的函數μn，n= 1，2，…，稱為由正交尺度函數μ0(t)=φ(t)確定的小波包。其中，gk=(-1)kh1-k，當n=0時，由式(1)得到

式中，hk、gk分別稱為低通濾波系數和高通濾波系數；t為時間參數；k為平移參數。

式中，{Vj}是由尺度函數u0=φ生成的L2(R)的多分辨率分析；{Wj}是由小波u1=ψ生成的正交小波子空間序列。因此，有

(4)

(2) 融合原理

WPT是在小波變換的基礎上發展起來的一種變換方法。圖2為信號的2層小波包分解的二叉樹結構示意圖， 圖中A為低頻部分， 代表信號的近似信息，D為高頻信息，代表信號的細節信息。在對遙感圖像進行基于小波包變換的圖像融合時，可以對高頻分量和低頻分量使用不同的融合規則，從而能很好地保持原始圖像的空間信息和光譜特征[10]。基于小波包變換的圖像融合流程如圖3所示，圖中圖像a為高空間分辨率影像，圖像b為配準后的多光譜或高光譜遙感影像，圖像f為融合后圖像。

圖2 信號的2層小波包分解樹

圖3 基于WPT的圖像融合流程

(3) 融合規則

WPT應用于圖像融合的優勢在于它可以對不同頻率域的圖像運用不同的選擇規則，從而在合成圖像中保留原始圖像在不同頻率域的顯著特征。常見的高頻域和低頻域圖像融合規則如下[11]：

1) 低頻部分融合規則：低頻圖像反映原圖像的近似和平均比數特性，最常見的融合規則是取加權平均值。

2) 高頻部分融合規則：高頻圖像反映原圖像的亮度突變特性，而小波包分解后的高頻系數中，絕對值較大的系數對應于原始圖像的突變特性，因此對于高頻部分的融合規則是絕對值取大法。

3. HSV變換和WPT的高光譜影像融合原理

HSV色彩空間中的平共3個分量H、S、V是相互獨立的，人眼對明度的分辨率比對色別和飽和度的分辨率高，而彩色圖像的空間分辨率主要由明度圖像的空間分辨率決定。傳統的HSV變換融合法使融合圖像產生光譜信息的嚴重丟失，而WPT能很好地保持地物的波譜特征。因此采用將HSV變換和WPT相結合的融合技術對高光譜影像和高空間分辨率影像進行融合，可以很好地保留原始圖像的空間信息和波譜特征，具體流程如圖4所示。

圖4 基于HSV和WPT的圖像融合

三、試驗及結果分析

1. 試驗數據

試驗數據為美國EO-1衛星的Hyperion高光譜影像和ALI高空間分辨率全色影像，地區為有“美國糧倉”之稱的艾奧瓦州的一個小鎮，如圖5所示，該地區主要地物是植被、居民區和水體，其中植被面積很廣。該地區的Hyperion數據共有157個波段，光譜范圍為400—2400 nm，光譜分辨率達到10 nm，地面空間分辨率為30 m；高級陸地成像儀ALI全色數據有1個波段，地面分辨率為10 m。在進行融合前，數據已經過預處理并達到很好的配準。

圖5 試驗數據

2. 基于HSV變換與WPT的高光譜影像融合

本試驗中，基于HSV變換與WPT的高光譜影像融合的主要步驟如下：

(1) 高光譜影像的HSV變換

對高光譜影像進行HSV變換，獲得HSV，以及H、S、V 3個分量，如圖6所示。從圖6(d)中可以看出V分量的空間分辨率不高。

(2) 對V分量和高空間分辨率影像進行基于WPT的融合

對V分量和高空間分辨率影像進行小波包變換，對不同頻域的小波包系數采用不同的融合規則進行融合，最后進行小波包重構，獲得重構后的V分量，如圖7所示。從圖7中可以看出，融合后的V分量亮度較融合前弱，但對于人眼視覺效果來說更加合適，并且空間分辨率有很大提高，驗證了對V分量進行基于WPT的融合具有良好效果。

圖6 HSV和H、S、V分量

(3) 進行HSV逆變換，輸出結果

將HSV+WPT融合后的圖像與傳統PCA變換及Gram-Schmidt變換融合后的圖像進行比較，如圖8所示。并分別提取了原始高光譜影像、PCA變換、Gram-Schmidt變換及HSV+WPT變換融合后影像中的植被、居民區和水體3種地物的波譜曲線，如圖9所示。

為了更加直觀地查看不同融合方法對地物信息識別效果的影響，本文對原始高光譜影像及圖8所示的3幅影像進行二進制編碼監督分類，分類結果如圖10所示。

圖8 不同融合方法的融合結果比較

圖9 不同融合方法典型地物的光譜曲線

圖10 二進制監督分類結果

四、融合效果評價

1. 定性評價

從圖8可以看出，這3種融合方法都可以提高圖像的空間分辨率，但與原始的高光譜影像相比，都存在一定的色彩變化。其中，PCA變換融合對植被和水體識別效果不佳，部分植被、水體、部分居民區之間顏色差異較小； Gram-Schmidt融合能很好地將植被信息識別出來，但部分居民區和水體顏色比較接近；HSV+WPT融合中，3種地物的差異則比較明顯。從圖9可以看出，PCA融合下植被、居民區和水體的光譜在保真度上都較其他融合方法小；Gram-Schmidt融合中植被光譜特征保持較好，但居民區和水體的光譜曲線比較接近；HSV+WPT融合中，植被和水體的光譜特征與原始曲線最為接近，居民區稍差一些。從圖10的分類結果可以看出，PCA融合對植被、居民區和水體的識別效果都不佳；Gram-Schmidt融合對植被識別效果較好，但對居民區和水體識別較差，HSV+WPT融合對植被和水體融合效果很好，對居民區識別效果不理想。這與圖8和圖9獲取的信息在一定程度上是一致的。

2. 定量評價

本文選取了均值、標準差和平均梯度3個評價因素對不同融合方法的融合結果進行定量的評價，見表1。其中，均值指像素的灰度平均值；標準差用于衡量圖像灰度值相較于均值的離散情況，標準差越大，圖像反差越大，圖像的空間細節信息越豐富；平均梯度代表圖像的清晰程度，平均梯度越大，則圖像的信息層次越豐富，圖像的清晰度越高。從表1中可以看出，HSV+WPT融合后的標準差和平均梯度較傳統的PCA融合和Gram-Schmidt融合大，說明該方法具有良好的融合效果。

表1 圖像信息評價結果

五、結束語

本文基于HSV和小波包變換對高空間分辨率和高光譜遙感影像進行融合，并提取了融合結果中3種典型地物的波譜曲線，最后對融合結果進行了二進編碼監督分類。通過與傳統的PCA融合法和Gram-Schmidt融合法結果的比較，發現采用HSV+WPT融合法對高光譜影像進行融合，不僅可以提高圖像的空間分辨率，而且在地物的波譜特征保留和信息識別方面具有可行性與優越性。

參考文獻：

[1] 吳連喜,梁波,劉曉梅，等.保持光譜信息的遙感圖像融合方法研究[J].測繪學報,2005,34(2): 118-122.

[2] 楊國鵬,余旭初,馮伍法，等.高光譜遙感技術的發展與應用現狀[J].測繪通報,2008(10):1-4.

[3] 夏明軍,何友,歐陽文.像素級圖像融合方法與融合效果評價[J].遙感技術與應用,2002,12(4): 224-226.

[4] 祝青,劉斌.基于HSV和紅黑小波變換的多光譜圖像融合[J].計算機工程,2012,38(3)：287-289.

[5] 黃等山,楊敏華,姚學恒，等.基于trous小波與廣義HIS變換的SAR與多光譜影像融合[J].遙感信息, 2011(1)：9-13.

[6] 尚英紅.遙感圖像數據融合的小波變換方法研究[D].北京:中國地質大學, 2008: 64.

[7] GONZALES R C, WOODS R E, EDDINS S L. Digital Image Processing Using Matlab [M]. 北京:電子工業出版社,2005:194-215.

[8] 孫煜,范萬春,許進，等.基于小波包變換的地震事件分類[J].核電子學與探測技術,2005,25(1): 32-36.

[9] 王云松,林德杰.基于小波包分析的圖像去噪處理[J].計算技術與自動化,2005,24(4): 99-101.

[10] 李洋,焦淑紅,孫新童.基于IHS和小波變換的可見光與紅外圖像融合[J].智能系統學報, 2012,7(6):554-559.

[11] 晁銳,張科,李言俊.一種基于小波變換的圖像融合算法[J].電子學報,2004,32(5)：750-753.