BROVEY融合与小波融合对QUICKBIRD图像的信息量影响
遥感影像像素级融合方法概述

遥感影像像素级融合方法概述摘要:本文介绍了6种不同的像素级遥感影像融合方法,并较为深入的探讨了几种融合方法的原理、实现过程和优缺点,并对几种融合方法进行了综合评价,得到了针对多光谱影像融合较好的方法,表明了不同传感器影像融合的潜力,同时论文也对融合影像的应用推广进行了初步的对比分析。
关键词:融合原理评价方法0 引言影像融合按照其水平和特点可以分为像素级、特征级和决策级融合[1],本文讨论的是像素级的影像融合方法,像素级融合是对传感器的原始信息及预处理的各个阶段上产生的信息分别进行融合处理。
对不同卫星和不同传感器的遥感影像进行融合,可以取长补短,产生新的融合影像。
比较常见的影像融合是高分辨率全色影像和低分辨率多光谱影像的融合,生成的新的融合影像既具有全色影像的高分辨率,也一定程度上保持了多光谱影像的光谱信息。
目前比较成功的高分辨率商业卫星如QuickBird、IKONOS和SPOT5,都搭载有高分辨率全色和低分辨率的多光谱相机,能同时提供全色和多光谱影像,并提供两者的融合产品。
QuickBird、IKONOS和SPOT5的全色和多光谱影像分辨率之比都为1:4或1:2,而CBERS-02B星的全色和多光谱影像分辨率之比大约为1:8,虽然CBERS-02B星HR与CCD的融合影像能一定程度上保持HR的高空间分辨率和CCD的高光谱分辨率,但1:8的大比率给CBERS-02B星的全色和多光谱影像融合也带来了一些困难和问题,如全色和多光谱影像之间的配准精度难已保证、融合影像出现斑块效应等等。
1 像素级影像融合方法1.1 HSV融合方法 HSV融合方法属于一种颜色变换的融合方法,首先介绍一下HSV颜色变换,HSV颜色变换是把标准的RGB图像变换到为色度H (Hue)、饱和度S (Saturation)和亮度V (Value)图像。
HSV融合方法流程是对多光谱影像3个波段使用HSV颜色正变换为H、S和V三幅图像,然后用高分辨率影像替代H图像,最后对H、S和V图像实施HSV颜色变换的逆变换得到融合影像。
WorldView-2遥感影像融合方法研究

WorldView-2遥感影像融合方法研究李聪;崔希民;王强;崔佳洁;王孟【摘要】随着遥感技术的发展,遥感影像的处理变得越来越重要,其中遥感影像的融合是遥感图像处理的重中之重.近年来,提出许多遥感影像融合的方法,以WorldView-2全色、多光谱影像为数据源,采用Gram-Schmidt、HSV、Brovey、PCA融合算法,以ENVI4.8为处理平台进行影像融合,并利用定量评价指标进行定量化评价.试验结果表明,Gram-Schmidt融合方法对高分辨率影像融合效果最为理想.【期刊名称】《黑龙江工程学院学报(自然科学版)》【年(卷),期】2014(028)006【总页数】4页(P17-20)【关键词】影像融合;WorldView-2;Gram-Schmidt;HSV;Brovey;PCA【作者】李聪;崔希民;王强;崔佳洁;王孟【作者单位】中国矿业大学地球科学与测绘工程学院,北京100083;中国矿业大学地球科学与测绘工程学院,北京100083;中国矿业大学地球科学与测绘工程学院,北京100083;中国矿业大学地球科学与测绘工程学院,北京100083;中国矿业大学地球科学与测绘工程学院,北京100083【正文语种】中文【中图分类】P237遥感影像融合是将低空间分辨率的多光谱影像和高空间分辨率的单波段影像重采样生成1幅高分辨率多光谱影像的图像处理技术,使得处理后的影像既具有较高的空间分辨率,又具有多光谱特征。
随着遥感技术的发展,人们对于遥感影像融合的研究也更加深入,Yangrong Ling、Manfred等人提出了一种基于高通滤波的傅里叶变换的HIS高分辨率遥感图像融合算法[1],该方法用于QuickBird和IKNOS 影像取得了很好的效果;陆欢等人提出了基于PCA与小波变换的彩色图像融合算法[2],该算法在保持光谱信息的同时,有效地提高了空间细节信息;蒋年德等人提出了基于Curvelet变换的遥感图像融合算法[3],该方法与小波融合算法相比,具有更高的逼近精度和更好的稀疏表达能力;朱继文等采用Haar小波方法,对遥感图像进行尝试性的数据融合,证实了Haar方法比传统方法精度高[4]。
图像融合的研究背景和研究意义

图像融合的研究背景和研究意义1概述2 图像融合的研究背景和研究意义3图像融合的层次3.1像素级图像融合3.2特征级图像融合3.3决策级图像融合4 彩色图像融合的意义1概述随着现代信息技术的发展,图像的获取己从最初单一可见光传感器发展到现在的雷达、高光谱、多光谱红外等多种不同传感器,相应获取的图像数据量也急剧增加。
由于成像原理不同和技术条件的限制,任何一个单一图像数据都不能全面反应目标对象的特性,具有一定的应用范围和局限性。
而图像融合技术是将多种不同特性的图像数据结合起来,相互取长补短便可以发挥各自的优势,弥补各自的不足,有可能更全面的反映目标特性,提供更强的信息解译能力和可靠的分析结果。
图像融合不仅扩大了各图像数据源的应用范围,而且提高了分析精度、应用效果和使用价值,成为信息领域的一个重要的方向。
图像配准是图像融合的重要前提和基础,其误差的大小直接影响图像融合结果的有效性。
作为数据融合技术的一个重要分支,图像融合所具有的改善图像质量、提高几何配准精度、生成三维立体效果、实现实时或准实时动态监测、克服目标提取与识别中图像数据的不完整性等优点,使得图像融合在遥感观测、智能控制、无损检测、智能机器人、医学影像(2D和3D)、制造业等领域得到广泛的应用,成为当前重要的信息处理技术,迅速发展的军事、医学、自然资源勘探、环境和土地、海洋资源利用管理、地形地貌分析、生物学等领域的应用需求更有力地刺激了图像融合技术的发展。
2 图像融合的研究背景和研究意义Pohl和Genderen对图像融合做了如下定义:图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。
它的主要思想是采用一定的算法,把工作在不同波长范围、具有不同成像机理的图像传感器对同一个场景的多个成像信息融合成一个新图像,从而使融合的图像可信度更高,模糊较少,可理解性更好,更适合人的视觉及计算机检测、分类、识别、理解等处理。
如今,图像传感器的种类繁多,表1.1列出了常用图像传感器及其性能特点。
基于特征融合的细粒度鸟类图像分类研究

基于特征融合的细粒度鸟类图像分类研究作者:李昊霖俞成海卢智龙陈涵颖来源:《计算机时代》2023年第12期摘要:特征金字塔(FPN)因能将低尺度的特征与更高尺度的特征融合、呈现每个层次丰富的语义信息,而被广泛应用于小尺度目标定位识别中,但其目前无法连接跨尺度特征信息,且分类准确率不高。
本文提出特征融合金字塔模块(FFPN),通过在ResNet50主干网络中引入FFPN模块,有效地提高了细粒度鸟类图像分类的性能。
模型在CUB-200-2011数据集上达到了83.379%的分类准确度,在Bird-400数据集中达到了91.201%的准确度,实现了较好的分类效果。
关键词:特征融合;多尺度特征;细粒度图像分类;鸟类图像识别中图分类号:TP391.41 文献标识码:A 文章编号:1006-8228(2023)12-130-05Research on fine-grained bird image classification based on feature fusionLi Haolin1, Yu Chenghai1, Lu Zhilong1, Chen HanYing2(1. School of Computer Science and Technology, Zhejiang Sci-Tech University,Hangzhou, Zhejiang 310018, China;2. North China Electric Power University)Abstract: Feature pyramid network (FPN) is widely used for small object detection and localization, owing to its ability to fuse features from different scales to provide rich semantic information for each feature level. However, the current FPN still cannot build connections between features across scales, and has suboptimal classification accuracy. To address this, the feature fusion pyramid network (FFPN) is proposed, which effectively improves the performance of fine-grained bird image classification by incorporating FFPN modules into the ResNet50 backbone. The model achieves 83.379% classification accuracy on CUB-200-2011 dataset and 91.201% on Bird-400 dataset, realizing good classification results.Key words: feature fusion; multi-scale features; fine-grained image classification; bird image recognition0 引言近年来,许多图像分类场景都面临着类内图像存在细粒度差异难以区分的问题,因此細粒度图像分类引起广泛学者的关注。
ERDAS的操作手册

ERDAS的操作手册纠正,融合,镶嵌是遥感处理中比较常见的三种处理方法。
对于初学遥感的人来说,掌握这三种方法是十分必要的。
下面,我们通过一些实例,在ERDAS 中的操作,来分别介绍这三种处理方法。
1、纠正纠正又叫几何校正,就是将图像数据投影到平面上,使其符合地图投影系统的过程;而将地图坐标赋予图像数据的过程,称为地理参考(Geo-referencing)由于所有地图投影系统都遵从于一定的地图坐标系统,所以几何校正包含了地图参考。
(1)启动在ERDAS中启动几何校正有三种方法:A、菜单方式B、图标方式C、窗口栅格操作窗口启动这种方法比较常用,启动之前在窗口中打开需要纠正的图像,然后在栅格操作菜单中启动几何校正模块。
建议使用这种启动方法,更直观简便。
(2)设置几何校正模型常用模型:功能Affine 图像仿射变换(不做投影变换)Camera 航空影像正射校正Landsat Landsat卫星影像正射校正Polynomial 多项式变换(同时做投影变换)Rubber Sheeting 非线性、非均匀变换Spot Spot卫星图像正射校正其中,多项式变换(Polynomial)在卫星图像校正过程中应用较多,在调用多项式模型时,需要确定多项式的次方数(Order),通常整景图象选择3次方。
次方数与所需的最少控制点数是相关的,最少控制点数计算公式为((t+1)*(t+2))/2,公式中t为次方数,即1次方最少需要3个控制点,2次方需要6个控制点,3次方需要10个控制点,依此类推。
(3)几何校正采点模式A、Viewer to Viewer 已经拥有需要校正图像区域的数字地图、或经过校正的图像,就可以采用Viewer to Viewer的模式。
B、File to Viewer 事先已经通过GPS测量、或摄影测量、或其它途径获得了控制点坐标,并保存为ERDAS IMAGINE的控制点格式或ASCII数据文件,就可以采用File to Viewer模式,直接在数据文件中读取控制点坐标。
采用以下方法将给定的全色和多光谱图像进行融合

1、采用以下方法将给定的全色和多光谱图像进行融合:(1)IHS变换;(2)高通滤波;(3)GIHS方法,参见指定文献;(4)小波变换;(5)PCA变换;(6)Brovey变换。
其中(4)和(5)的方法,可以从网上下载代码来学习,或者自己写也可以,如果是学习别人的代码,要写出学习总结,学到哪些知识?有什么写代码的技巧?等等。
要求:IHS变换和PCA变换要将正变换和逆变换写成函数的形式,尽量使用矩阵操作。
答:全色影像是整个可见光区间的黑白影像,即只有灰度值的影像。
多光谱影像有多个波段。
全色影像一般空间分辨率较高,但是只有灰度值,没有彩色信息。
多光谱影像有丰富的色彩信息,但是通常空间分辨率比全色影像低。
全色影像和多光谱影像融合的目的是得到既有一定的光谱信息,空间分辨率又比多光谱的影像有所提高的影像。
所以融合后的影像是多光谱影像。
一般来说,融合后的影像的空间分辨率比全色低,比多光谱的高,光谱信息比全色的多,但是对于多光谱影像,会有部分失真。
融合后的影像空间信息保存的越多,光谱信息融合的就越差,反之光谱信息保存的越好,空间信息保存的就越差。
(1)基于IHS变换的全色和多光谱图像融合方法:●算法流程:多光谱影像RGB空间--->多光谱影像IHS空间--->将强度影像I用全色影像替换得到融合后的多光谱影像IHS空间--->多光谱影像RGB空间●Matlab代码:%hsi变换代码:(即附件文献中的非线性变换方法)function Ihsi=rgb2hsi(Irgb)[m,n,k]=size(Irgb);Irgb=double(Irgb);r=Irgb(:,:,1);g=Irgb(:,:,2);b=Irgb(:,:,3);temp3=min(min(r,g),b);temp4=r+g+b;temp1=((r-g)+(r-b))/2;temp2=sqrt((r-g).^2+(r-b).*(g-b));for i=1:mfor j=1:nif temp4(i,j)==0S(i,j)=0;H(i,j)=0;elseS(i,j)=1-3*temp3(i,j)/temp4(i,j);theta=acos(temp1(i,j)/(temp2(i,j)+eps)); %avoid temp2=0 H(i,j)=theta;endif b(i,j)>g(i,j)H(i,j)=2*pi-H(i,j);endendendH=H/(2*pi); %normalized to (0,1)I=(r+g+b)/(3*255); %normalized to (0,1)% Ihsi(:,:,1)=H;% Ihsi(:,:,2)=S;% Ihsi(:,:,3)=I;Ihsi=cat(3,H,S,I);%hsi逆变换代码:function Irgb=hsi2rgb(Ihsi)H=Ihsi(:,:,1)*2*pi;S=Ihsi(:,:,2);I=Ihsi(:,:,3);R=zeros(size(Ihsi,1),size(Ihsi,2));G=zeros(size(Ihsi,1),size(Ihsi,2));B=zeros(size(Ihsi,1),size(Ihsi,2));% RG sector (0<=H<2*pi/3).idx=find((0<=H)&(H<2*pi/3));B(idx)=I(idx).*(1-S(idx));R(idx)=I(idx).*(1+S(idx).*cos(H(idx))./cos(pi/3-H(idx)));G(idx)=3*I(idx)-(R(idx)+B(idx));%BG sector (2*pi/3<=H<4*pi/3).idx=find((2*pi/3<=H)&(H<4*pi/3));R(idx)=I(idx).*(1-S(idx));G(idx)=I(idx).*(1+S(idx).*cos(H(idx)-2*pi/3)./cos(pi-H(idx)));B(idx)=3*I(idx)-(R(idx)+G(idx));%BR sector.idx=find((4*pi/3<=H)&(H<=2*pi));G(idx)=I(idx).*(1-S(idx));B(idx)=I(idx).*(1+S(idx).*cos(H(idx)-4*pi/3)./cos(5*pi/3-H(idx))); R(idx)=3*I(idx)-(G(idx)+B(idx));Irgb=cat(3,R,G,B);Irgb=max(min(Irgb,1),0);%影像融合代码:function FMI=funsionhsi(PI,MI)MI=double(MI);TMI=rgb2hsi(MI);PI=double(PI)./255; %normalized to (0,1)FTMI(:,:,3)=PI;FTMI(:,:,1:2)=TMI(:,:,1:2);FMI=hsi2rgb(FTMI);FMI=uint8(FMI*255);(2)高通滤波●算法原理与流程:原理:全色影像有较高的空间分辨率,提供了更多的空间细节,因而可以通过高通滤波提取这些细节,再与全色影像的强度分量融合。
小波变换融合原理

小波变换融合是一种常用的图像融合技术,它基于小波变换将不同来源的图像进行分解和重构,从而实现图像的融合。
具体来说,小波变换融合的原理如下:
1. 小波分解
首先,将不同来源的图像进行小波分解,将图像分解成不同尺度和频率的子图像,这些子图像被称为小波系数。
2. 选择系数
根据需要融合的图像的特征,选择不同的小波系数进行保留或删除。
通常情况下,高频系数对应图像的细节信息,低频系数对应图像的整体信息。
因此,可以保留高频系数,删除低频系数来保留图像的细节信息,或者相反。
3. 重构图像
根据选择的小波系数进行重构,得到最终的融合图像。
需要注意的是,小波变换融合的效果取决于选择的小波系数的数量和权重。
如果选择的小波系数过多或权重不合适,可能会导致图像失真或细节丢失。
因此,需要根据具体情况进行选择和调整。
总的来说,小波变换融合是一种有效的图像融合技术,它能够保留图像的细节信息,同时实现不同来源图像的融合。
ENVI形态学滤波+图像融合实验报告

目录ENVI形态学滤波实验报告 (2)一.技术流程图 (2)二.目的及内容 (3)2.1目的 (3)2.2 内容 (3)三.降噪处理 (3)四.图像二值化 (5)五.形态学滤波处理图像 (6)遥感图像融合实验报告 (9)一.技术流程图 (9)二.目的及内容 (10)2.1 目的 (10)2.2 内容 (10)三.图像几何校正 (10)3.1打开图像 (10)3.2采集地面控制点 (11)3.3选择校正参数并输出结果 (12)四.图像自动配准 (14)五.图像融合 (15)六.疑问及解决方案 (17)七.总结 (17)ENVI形态学滤波实验报告一.技术流程图卷积滤波对图像降噪图像二值化开启(opening)处理腐蚀(erode)处理图1技术流程图二.目的及内容2.1目的学会图像增强中的滤波功能,掌握腐蚀、膨胀、开启和关闭等滤波操作,并高通滤波、低通滤波,robert等滤波的处理。
2.2 内容1)用卷积滤波对图像进行降噪处理。
2)图像二值化。
3)用形态学滤波处理图像。
三.降噪处理打开图像,原始图像如图二所示:图2 原始图像使用卷积滤波中的中值滤波进行处理,参数配置如图3所示:图3 中值滤波参数设置降噪后的影像,如图4所示:图4 降噪后的影像四.图像二值化利用ENVI中的band math输入表达式:(b1 lt 110)*0 + (b1 gt 110)*1来对图像进行二值化。
得到二值化之后的图像如图5所示:图5 二值化后的图像对图像的灰度值进行统,如图6所示:图6 二值化统计结果五.形态学滤波处理图像首先对二值化图像进行开启(opening)处理,参数配置如图7所示:图7 opening参数配置进行opening操作的图像如图8所示:图8 opening操作后的图像在对Opening后的图像进行腐蚀(Erode)操作,参数配置如图9所示:图9 Erode 参数配置腐蚀操作后的图像如图10所示:图10 Erode后得到的图像遥感图像融合实验报告一.技术流程图QuickBird高分辨率影像TM低分辨率影像以QuickBird影像为基准进行几何校正图像自动配准图像融合总结图1 技术流程图二.目的及内容2.1 目的对低分辨率TM影像和高分辨率Quickbirds影像进行融合。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
1 引 言
随着空间技术的发展, 由不同物理特性的传感 器所获得的卫星图像不断增多, 为用户提供了海量 的不同空间分辨率、不同光谱分辨率和不同时相分 辨率的图像数据。数据源的增多, 势必会造成信息冗 余, 因此, 如何有效地利用这些多源图像数据就成为 当前急需解决的研究课题〔1~ 3〕。 图像融合是近几年 遥感图像处理的一项新技术, 是解决海量图像数据 处理和使用瓶颈问题的最有效的技术方法。 图像融 合作为信息融合的一个重要分支, 它是一种通过高 级图像处理技术来复合多源图像的技术, 能最大程 度地利用多种数据的不同特性, 使图像同时具有较 高的光谱和空间分辨率, 从而提高了图像的视觉效 果, 也提高了图像特征识别的精度和分类精度〔4 〕。
图 3 Qu ickB ird 多光谱图像 F ig. 3 A m ulti- spectrum image of Qu ickBr id
图 4 Brovey 融合的 Qu ickB ird 图像 F ig. 4 Qu ickB ird image m erged by Brovey Fusion
Q u ickB ird 的 3 个 多 光 谱 波 段 B and1、B and2 和 B and4 的图像进行融合处理, 因此, 为了进行对比分 析, 小波融合也选用了 B and1、B and2 和 B and4 波段 的图像进行融合处理。
图像
光谱图像 B rovey 融合
小波融合
B and1 3. 12 6. 25 7. 19
B and2 3. 65 5. 09 7. 32
B and4 4. 25 5. 01 7. 39
图 5 小波融合的 Qu ickB ird 图像 F ig. 5 A Qu ickB ird image m erged by wavelet Fusion
按照融合在处理流程中的算法和阶段可分为像 素级数据融合、特征级数据融合以及分类决策数据 融合, 融合的方法也有几十种〔5~ 7〕, 诸如 H IS 变换图 像融合、神经网络图像融合以及模糊图像融合等, 本 文选用运算速度相对较快的 B rovey 融合和小波融
合两种方法对美国 Q u ickB ird 遥感卫星的全色波段 图 像 和 多 光 谱 波 段 图 像 进 行 了 数 据 融 合 研 究。 Q u ickB ird 是目前世界上空间分辨率最高的商用卫 星, 其遥感图像的主要物理参数为: 全色波段 (p an) 空间 分 辨 率 高 达 0. 61 m , 多 光 谱 波 段 (B and1、 B and2、B and3 和 B and4) 空间分辨率为 2. 44 m。 传 感器 (CCD ) 有 5 个通道, 其中一个全色图像通道获 取波长为 450~ 900 nm 的光谱信息; 4 个多光谱通 道分别获取波长为 450~ 520 nm 蓝光光谱信息、 520~ 600 nm 绿光光谱信息、630~ 690 nm 红光光 谱信息和 760~ 900 nm 近红外光谱信息。实验结果 表明: 采用小波融合的图像既保持了较高的空间分 辨率, 又具有较好的光谱特性; 而采用 B rovey 融合 的图像虽然图像空间分辨率也较高, 但光谱信息丢 失 较 大, 因 此 B rovey 融 合 方 法 并 不 适 用 于 处 理 Q u ickB ird 遥感图像。
图 1 图像融合的基本过程 F ig. 1 Ba sic process of the image fusion
3 实验结果与分析
3. 1 实验结果 利用B rovey 融合方法和小波融合方法, 我们以
Q u ickB ird 遥感图像为数据源进行了融合实验。图 2 为 Q u ickB ird 原始的全色图像, 分辨率为 0. 61m ; 图 3 为 Q u ickB ird 原 始 的 多 光 谱 图 像, 分 辨 率 为 2. 44 m。 图 4 是采用 B rovey 融合方法处理后的图 像, 图 5 是采用小波融合方法处理后的图像。 3. 2 定性分析
R new
R0
G new
=
Pan I0
G0
(1)
B new
B0
其中: Pan 表示调整大小后的全色光谱图像的对应 值, I 0、R 0、G 0、R 0 分别表示调整大小后的多光谱图 像的对应值, R new、G new、R new 分别表示融合后的多光 谱图像的对应值。B rovey 图像融合对图像的预处理 要求较高, 融合前必须预先进行去相关处理和噪声 滤波处理, 以便减少数据冗余和非光谱信息。 2. 2 小波融合
n
∑W Pk
k= 1
R new
n
Rr
∆P
Rr
∑ G new =
W Pk + G r = ∆P + G r (2)
B new
k= 1
n
Br
∑W Pk
∆P
Br
k= 1
即:
n
∑ Pan= W Pk + Panr= ∆P + Pan r
(3)
k= 1
n
∑ 因此 ∆P = W Pk = Pan- Pan r, 表示高分辨率小波 k= 1
张宁玉1, 吴泉源2
(1. 山东建筑工程学院数理系, 山东 济南 250101; 2. 山东师范大学人口资源与 环境学院, 山东 济南 250014)
摘要: 图像融合是解决多源遥感图像综合的最有效技术手段, 针对不同数据源选择最佳的融合方法 是提高图像融合质量的关键。在分析了B rovey 融合和小波融合的理论、算法和融合过程的基础上, 对 Q u ickB ird 的全色波段图像和多光谱波段图像数据进行融合实验, 然后从定性和定量两个方面 对融合效果进行了分析与评价。 定性分析是从色调、纹理和清晰度等方面进行分析, 而定量分析是 根据熵、平均梯度和光谱真实性等指标进行分析, 实验结果表明: 在处理 Q u ickB ird 遥感图像时, 采 用小波融合的图像既保持了较高的空间分辨率, 又具有较好的光谱特性; 而采用 B rovey 融合的图 像虽然图像空间分辨率也较高, 但光谱信息丢失较大, 因此 B rovey 融合方法并不适用于处理 Q u ickB ird 遥感图像。 关 键 词: B rovey; 小波; Q u ickB ird; 图像融合 中图分类号: T P 75 文献标识码: A 文章编号: 100420323 (2006) 0120067204
为进一步客观评价融合效果, 本文选用了熵、平 均梯度和光谱真实性等 3 个指标对 B rovey 融合和 小 波融合进行定量分析。由于B rovey 融合只能对
第 1 期 张宁玉等: B rovey 融合与小波融合对 Q u ickB ird 图像的信息量影响 69
图 2 Qu ickB ird 全色图像 F ig. 2 A panchroma tic image of Qu ickBr id
从图 4 和图 5 中可以看出, 基于B rovey 融合和 小波融合的图像无论是空间分辨率还是光谱信息量 都比Q u ickB ird 原始图像有明显的增加。Q u ickB ird 原始全色图像上没有的光谱信息在融合后的图像上 得到了增强, 而 Q u ickB ird 原始多光谱图像上没有 的空间信息在融合后的图像上也得到了增强。因此, 两种融合方法都很好地融合了全色图像和多光谱图 像的特性, 提高了遥感图像的光谱信息含量。但从图 像的色调来看, 采用 B rovey 融合后图像的色调与原 始多光谱图像的色调发生了较大变化, 使光谱信息 经 B rovey 融合处理后有明显的失真; 而采用小波融 合处理后的图像, 其色调与原始多光谱图像基本一 致, 没有出现失真现象。 3. 3 定量分析
平面, Pan r 是 Pan 的光滑值。事实上, ∆P 可以认为是 Pan 图像的空间细节, Pan r 是剩余的多光谱图像。
2. 3 融合过程
所谓图像融合是将不同传感器在同一时间获取
的关于某个具体场景的图像或图像序列信息加以综 合, 生成新的有关此场景的解释。 主要包括两个阶 段: 数据预处理与融合变换, 前者的关键是对图像的 滤波处理和图像的配准处理, 实现了图像的增像效 果; 而后者则主要采用不同的方法对图像进行特征 融合处理。 图像融合的基本过程如图 1 所示。
=
f
(i+
1, j ) -
f
( i,
j),
∃
I
2 y
=
f
( i, j +
1) -
f ( i,
j )。 由公式 (5) 计算的结果如表 2 所示。
表 2 多光谱图像与融合图像的平均梯度 Table 2 Texture of the var ious images
图像
多光谱图像 B rovey 融合
小波融合
6 8 遥 感 技 术 与 应 用 第 21 卷
N o rm a liza tion ) 融合, 由美国科学家 B rovey 建立模 型并推广而得名, 是目前应用十分广泛的一种 R GB 彩色融合变换方法。 它保留每个像素的相关光谱特 性, 并且将所有的亮度信息变换成高分辨率的全色 图像融合。B rovey 融合的方法公式定义为〔8〕:
熵是衡量图像光谱信息量的一种指标, 熵值越 大, 说明光谱信息量越大。 根据 Shannon 信息论原 理, 图像 x 的熵的定义为:
255
∑ H (x ) = -
P i lo g2P i
(4)
i= 0
其中: P i 是图像 x 取灰度值 i 的概率。由公式 (4) 计 算的结果如表 1 所示。
表 1 多光谱图像与融合图像的熵 Table 1 Hues of the var ious images
B and1 2. 917 11. 24 15. 68
B and2 3. 71 9. 271 14. 26