基于HSI的高光譜遙感圖像融合方法研究

程傳陽

（1.研祥智能科技股份有限公司，廣東 深圳 518107；2.國家特種計算機工程技術研究中心，廣東 深圳 518107）

0 引言

高光譜遙感主要以數以百計波段數、納米級的光譜分辨率以及“圖譜合一”的特點成為一門新型的綜合對地觀測技術，越來越受到廣大遙感學者的青睞。傳統的基于高光譜遙感圖像本身的圖像融合和預處理的方法主要有：平均與加權平均法、非線性方法、邏輯濾波法，直方圖均衡化、平滑處理、歸一化處理等[1-4]。隨著波段的增加，傳統處理方法往往導致數據出現大量冗余，使數據處理的復雜性急劇增高。本文針對傳統的方法的缺陷，使用了基于HSI的高光譜遙感圖像融合方法：HSI以色調（Hue）、飽和度（Saturation）和亮度（Intensity）三種基本特征量來獲取對顏色的感知，通過單波段遙感圖像預處理，光譜圖像的融合以及改進的基于小波變換的邊緣檢測等，使圖像融合和預處理效果更好。

1 單波段遙感數據的預處理

非正常像元的分類：HSI數據是標準的BSQ（BIP,BIL）格式，且帶有頭文件說明，可直接從ENVI軟件中讀取。圖像數據類型一般為32位的浮點數，主要通過飛行姿態的校正與輻射校正[5]。HSI圖像上非正常像元大致分為4類：未定標波段；壞線；條紋；水汽影響波段。

完整性處理：對星載高光譜成像儀數據進行完整性處理，即根據非主要數據對現存的圖像進行時間分析，進而查找且補充漏行[6]。缺失兩行以內的數據往往使用插值法來判斷，若丟失行數多于三行，則作為數據缺失來處理。本文所用的算法為改進的擬合插值法，該方法是在擬合插值法的基礎上，對任意選取的幾個波段進行處理，如表1所示。

表1 波段插值誤差表波段數

由上表可知，改進的擬合插值法可以使波段插值誤差減小，為多波段融合做好必要的準備。

條紋修復：星載高光譜傳感器是推掃型成像光譜儀，面陣CCD器件上的上萬個探測原件的標定很困難，致使圖像除了壞線之外，大多波段都不同程度地存在許多條紋，尤其是SWIR（短波紅外）。條紋的像元DN值一般都接近于零。條紋的存在嚴重影響了圖像的質量以及圖像在水體、森林、山地等方面的應用[7]。如何去除或者修復條紋是基于HSI高光譜遙感圖像預處理[8]的一項重要工作，本文中采用了一種成為“局部與全局相結合去條紋”的方法。圖1為條紋修復前后的對比圖。

圖1 條紋修復前后對比圖

背景處理：對于已知原始干涉數據的每一幀均進行降噪處理以及相位校正和相對輻射校正：能較好地防止重建光譜曲線的產生，避免掩蓋微弱信號，消除虛假的光譜信號。降噪處理主要是對于原始數據上的隨機噪聲點予以去除，進行像元之間響應度的歸一化處理[9],通過校正算法使得原始干涉數據的質量有了顯著提高。圖2為對原始干涉數據進行背景處理前后的對比圖。

圖2 背景處理前后數據對比圖

光譜復原：傳統的高光譜圖像復原方法一般是將背景處理后的原始干涉數據經過傅里葉變換得到光譜圖像數據，如下面公式（2）所示：

本文所采用的是基于EM算法的圖像復原，該方法主要是利用探測器探測到的準確的地物位置繼而用一定規律的概率密度函數表示，對測量結果進行多次迭代，最終得到地物的準確位置，從而較好地恢復原始圖像。具體的算法如下：

2 多波段圖像融合及融合后圖像處理

圖像融合能夠有效提高圖像數據信息的分析及提取能力，具體過程表現為通過一個特定的數學模型將來自多個不同傳感器的多幅圖像整合成一幅能夠滿足特定需求的圖像。圖像融合的目的是提高圖像的可靠性與清晰度，具體過程為通過多幅不同圖像間的冗余數據與圖像間互補信息來處理。

本文在基于原有的HSI變換法、高通濾波變換法以及小波變換法的基礎上，將三種方法改進和結合，利用HSI變換來增強融合圖像的空間細節表現力，利用小波變換來保留高光譜圖像的光譜特性。使用小波變換中的高通濾波法對其低頻部分進行融合。該算法對于融合圖像的空間細節表現力，圖像的光譜信息以及信息量與清晰度，都有明顯改善。該方法的融合流程如下圖所示：

圖3 改進的像素級圖像融合

該方法的具體過程為：（a）高光譜圖像和全色圖像經過HSI變換融合，融合后得到的圖像既具有相對較高的空間分辨率，而且擁有與原影像相同的飽和度和色度。（b）高分辨率圖像和高光譜圖像經過小波變換融合，可以克服傅里葉變換的局限性。通過數據融合，可以消除冗余，完成單一波段和多波段的融合運算，且時頻分辨率可變，有較大的靈活性，同時圖像的清晰度、解譯能力和可判讀性都得到了很大的改善。（c）高分辨率圖像和高光譜圖像經過高通濾波變換融合后，影像的高頻細節得以提高，線性特征和邊緣信息更為突出，有效地保留了高光譜信息。（d）將上述三種變換得到的圖像按照像素級的方式進行圖像融合，得到最終融合圖像。下圖分別為HSI變換融合，小波變換融合，高通濾波融合以及最終的改進融合效果圖：

圖4 各方法圖像融合效果圖

由上圖可知，最終的融合圖像綜合了三種變換融合的優點，使水體與非水體的地物類型可以清楚地顯示出來。

高光譜圖像融合處理主要包括線性變換，中值濾波，改進的基于小波變換的邊緣檢測等。線性變換主要指按比例擴大原始灰度級的范圍，使得變換后的圖像直方圖的兩端達到飽和，增加圖像的對比度。中值濾波能夠有效抑制圖像噪聲，大大減少了模糊圖像的邊緣，對孤立噪聲點的消除以及稍密集的噪聲點降噪均有良好效果。本文采用基于小波變換的邊緣檢測方法,實質是信號被高斯平滑函數低通濾波后的一種函數。設表示二維可微的高斯平滑函數，令：

上式中，n0和nd分別代表理想與實際測出的邊緣分布圖上的點數；為比例系數，可以調節與理想邊緣點有偏差的Pl；di為實際檢測出的第i點邊緣點到理想邊緣線的法線距離，單位為像元數。如表2所示，列出了當=0.1時各種方法對應的優質系數Pl以及該方法所花時間。

表2 各種邊緣檢測方法的優質系數的大小

由上表可知，本文改進的基于小波變換的邊緣檢測方法對圖像的邊緣提取效果最好，為最終的圖像處理做好了充分的準備工作。

3 結語

本文主要介紹了單個波段的遙感數據預處理、多波段圖像進行融合和融合后高光譜圖像處理。通過MATLAB編程得到了經過融合后的結果，與原始圖像相比，融合得到的圖像更加清晰，圖像對比度也更強。通過圖像融合技術使得遙感圖像的空間分辨率得以提高、圖像的目標特征大大增強、分類精度和動態監測以及信息互補的能力也顯著提升。