第二讲 遥感影像融合方法在线视频

本章第二个学习内容

是具体的数据级的融合方法

这个内容是本章的重点

我们将共同学习六种影像融合方法

一是Brovey变换

二是PBIM融合方法

第三是SFIM融合方法

如果分类的话这三种方法

是属于空间域的代数运算法

第四种方法是IHS变换融合法

第五种是主成分变换融合

第六种是小波变换融合

后面这三种方法是属于空间变换替代法

下面我们来共同学习第一种融合方法

是Brovey变换融合

也叫色彩标准化变换融合

是一种比较简单的融合方法

它的原理大概是将多光谱影像的

像元分解为色彩和亮度

这种方法的特点

是简化了影像转换的过程

又保留了多光谱的信息

同时提高了融合影像的视觉效果

Brovey变换方法的缺点

是存在一定的光谱扭曲

且没有解决光谱范围不一致的

全色波段影像和多光谱影像融合的问题

也就是说利用这种方法进行融合的时候

它的多光谱的范围

和全色波段的光谱范围是一致的

Brovey变换的具体计算过程

就是大家现在所看到的这个公式

等号的左边是我们要融合的结果

等号的右边其实是对高空间分辨率的

影像进行了加权平均

具体地说这个公式中

左边I Brovey是融合后影像的DN值

这个I low是低空间分辨率影像的DN值

I high是高空间分辨率影像的DN值

这个∑I_"low" 是所有低空间分辨率

影像波段的DN值的和

如果将公式右边的部分进行组合的话

我们可以看出这种方法的本质

就是将多光谱波段

进行一个归一化的过程

这种融合结果一个明显的

特点就是色调丰富

几乎完整保持了原始影像的色调信息

对于山地、水体、 植被一类的地物

表现的非常明显

建筑物区域的色调相对来说就比较暗

但是绿地反映比较明显

第二种融合方法是PBIM融合法

PBIM的英文全称是

Pixel Block Intensity Modulation

简单翻译的话我们可以翻译为

像素块的强度建模

计算公式就是我们现在所看到的

跟前面Brovey变换的公式非常的相似

它有一点不同的地方是在分母上

我们可以看出分母

是指的每个低分辨率影像像元

在空间上对应的多个高分辨率影像

像元的灰度的均值

这是第二种方法

第三种融合法是SFIM融合法

SFIM的英文全称是

Smoothing Filter-based Intensity Modulation

如果我们翻译的话可以翻译为

基于光滑滤波的强度建模

具体的计算公式

如同学们现在所看到的

跟前面的Brovey变换也是比较相似

这里有一点不同

这里的I Intensity是指高分辨率影像

通过均值或者是滤波得到的模糊的影像

通过这个处理达到了滤波的目的

下面我们来学习第四种方法

IHS变换融合法

我们都知道在色度学上用强度(Intensity）

色度(Hue)、和饱和度(Saturation)

来作为颜色表示系统

通常会称作IHS系统

这其中强度是光作用在

人眼所引起的明亮程度的感觉

与物体的反射率是成正比的

饱和度则代表颜色纯的程度

是指这种颜色的平均的波长

或者是主要的波长

色度则是彩色光所呈现的颜色的深浅

我们常用的RGB三个颜色分量

是一种针对硬件设备的颜色系统

比如说我们的计算机、打印机等等

因为RGB三个颜色分量是互相关联的

而IHS系统中的I分量与影像的色彩无关

H分量和S分量

则与人类感受颜色的方式有紧密的联系

因此IHS系统更接近于

我们人眼的视觉系统

以便于人类对影像的颜色特性进行处理

利用IHS变换进行影像融合的原理

就是用另一个影像

来代替IHS中的三个分量的某一个分量

我们最常用的是亮度分量作为被替代的量

那么用来替代的那个影像是哪一个影像呢

我们一般是当高分辨率全色影像

与多光谱影像融合的时候

先把多光谱影像利用IHS变换

从RGB系统变换至IHS空间

同时将单波段的高分辨率影像

也就是我们刚才所说的全色波段影像

经过灰度拉伸 使它的灰度的均值和方差

与IHS空间系统中的

亮度分量的影像保持一致

第三步将拉伸过的高分辨率影像

作为新的亮度影像带入到IHS系统

然后经过反变换还原到原始的空间中

这样获得的影像具有高的空间分辨率

又具有与原影像相同的色度和饱和度

这就是IHS变换融合的流程图

我们可以很容易的从这个图中梳理出

我们这种变换的步骤

其实它的核心是两步变换加上一个替换

这里所说的两步变换是

IHS正变换和反变换

一个替换就是指

利用直方图匹配或者是灰度拉伸后的

高空间分辨率影像

替换IHS变换得到的I分量

为了更好的理解这个替代过程的作用

我找了一组影像的I分量

和对应的全色波段影像

来说明这个问题

通过这两个图对我们可以明显的看出

相对于多光谱影像的I分量来说

全色波段影像具有

更为清晰的纹理信息和细节信息

边界表达的更为清楚和完整

通过替换过程将全色波段影像的

细节信息和纹理信息

引入到融合后的影像中

我们可以看出这个过程

是以清楚的高空间分辨率信息

替换掉低空间分辨率的多光谱I分量

这样影像的信息量肯定是增加了的

IHS变换融合是影像融合

最常用的一种方法

融合影像保留了绝大部分的

高空间分辨率影像的信息

使其空间分辨率接近于高空间分辨率影像

同时它也能保留多光谱影像的光谱特征

提高了影像的判读、识别和分类能力

特别有利于视觉理解

这是IHS变换融合的优点

然而它同时也存的缺点

那就是由于不同波段数据的

不同光谱特征曲线

IHS方法扭曲了原始的光谱特征

产生了光谱退化现象

同时IHS方法只能同时对多光谱影像的

3个波段进行融合

再来学习第五种融合方法

主成分变换融合

前面我们讲的这几种方法

在超过三个波段的影像融合时都受到限制

只能抽取或者是选择

多光谱影像中的三个波段参与变换

这样无疑会使其他波段的信息丢失

不利于影像信息的综合利用

主成分变换就是主要针对

超过三个波段的影像融合而产生的

主成分变换中参与变换的多光谱数据

不受波段数的限制

可以接受三个以上波段的多光谱数据

和高分辨率数据进行变换

从而将各个波段的纹理信息分离出来

主成分变换融合具体的步骤是

第一步将N个波段的低分辨率影像

进行主成分变换

将单波段的高分辨率影像

经过灰度拉伸

使其灰度的均值和方差

同主成分变换的第一分量的影像一致

然后以拉伸过的高分辨率影像

代替第一分量影像

经过主成分逆变换还原到原始空间

具体的流程图如我们现在这个图中所示

从这个图中我们也可以看到

跟前面的变换一样主成分变换融合

也是包括两步变换和一个替换

两步变换是指PCA

也就是主成分正变换和反变换

一个替换是利用直方图匹配

或者是灰度拉伸后的高空间分辨率影像

替换主成分变换后

得到的第一分量也就是PC1

下面我们来总结一下

主成分变换融合的优缺点

这种方法的优点是经过融合的影像

包含了原始影像的高空间分辨率

与高光谱分辨率的特征

保留了原影像的高频信息

融合影像上目标的细部特征会更加清晰

光谱信息会更加丰富

主成分变化较IHS变换融合

能够更多的保留多光谱影像的光谱特征

同时也克服了IHS变换融合

只能同时对3个波段

影像进行融合的局限性

可以对3个以上的多光谱影像进行融合

PCA变换融合的局限性

也就是缺点包括以下几点

第一影像在做主成分分析时

第一分量的信息表达的是

原各波段中信息的共同变换部分

它与高分辨率影像中的

细节变化的含义略有不同

高分辨率影像经过拉伸后

虽然与第一分量具有很高的相似性

但是融合后的影像在空间分辨率

和光谱分辨率上会有所变换

这是第一点

第二点光谱信息的变化仍然存在

这样使融合影像不利于

地物识别和反演工作

但是它可以改进目视判读的效果

提高分类制图的精度

刚才我们看到的IKONOS影像融合的案例

就是主成分使用PCA变换

也就是主成分融合得到的

与原始的B432波段组合前的

IKONOS影像相比

影像融合之后由于第一成分分量带来了

详细的地物细节信息和纹理信息

这就是主成分变换融合的内容

下面我们看一下

小波变换影像融合方法

小波变换具有变焦性、信息保持性

和小波基选择的灵活性等优点

经小波变换可将影像分解为一些

具有不同空间分辨率、频率特性

和方向特性的子信号或者是子影像

它的分频特征相当于高低双频滤波

能够将信号分解为

低频信息或者是低频影像

和高频细节、纹理信息

或者是高频影像

同时又不失原信号所包含的信息

因而可以用于以非线性的对数映射方式

融合不同类型的影像数据

使融合后的影像既保留

原高分辨率遥感影像的

结构特征又融合多光谱

影像丰富的光谱信息

提高影像的解译能力和分类精度

这是小波变换融合的示意图

跟前面几种融合方法相同

这个融合过程的核心

也是包括两步变换和一个替换

两步变换是小波正变换和逆变换

一个替换是指利用直方图匹配或者是

灰度拉伸后的高空间分辨率影像

替换小波变换得到的细节分量

经过通过这步替换

将高空间分辨率影像的细节信息

带入到融合后的影像中

最后我们来看一下

小波变换影像融合的缺点

尽管小波变换融合

较以前的各种影像融合方法

有较大的改进

但是仍然存在三个问题

一是常用的二进制小波变换

可以有效地处理分辨率

相差约为2i倍的情况

也就是说2倍、4倍、8倍、16倍等等

但是对于其他情况的处理效果的欠佳

这是第一个缺点

第二个缺点是

多级小波变换对低频分量

进行不同层次的分解

这使得尺度参数越大

频谱的局限性就越差

频谱的分辨率就越低

第三个缺点是

使用小波变换法得到的融合后的影像

随着小波分解尺度的增大

会出现明显的、有规律的方块效应

同时随着尺度的增大

融合的影像的光谱信息也出现损失

以上是我们本章的第二个学习内容

具体的影像融合方法