结合HSV与PCA变换的遥感影像融合

结合HSV与PCA变换的遥感影像融合
都伟冰;谢玉娟;杨文
【摘要】文章提出结合HSV与PCA变换的遥感影像融合方法.针对HSV融合易
损失光谱特性,以及PCA融合已损失纹理特性的问题,结合HSV与PCA相互配合的影像融合方法,并以Landsat8多光谱影像和全色影像融合为例,进行试验,通过统计分析,得出该方法最大程度保留了原始影像光谱信息,同时较好地保留了纹理信息.【期刊名称】《江苏科技信息》
【年(卷),期】2017(000)011
【总页数】4页(P44-46,51)
【关键词】遥感;影像融合;光谱信息;纹理信息
【作者】都伟冰;谢玉娟;杨文
【作者单位】河南理工大学测绘与国土信息工程学院,河南焦作 454000;河南理工
大学测绘与国土信息工程学院,河南焦作 454000;河南理工大学测绘与国土信息工
程学院,河南焦作 454000
【正文语种】中文
遥感影像融合利用同一卫星或不同卫星搭载的多种传感器优势互补的特点，进而完善单一传感器获取遥感数据的不足［1］。

遥感影像融合理论与方法是应用和分析遥感数据的基础和前提，建立在完善的理论和方法框架下，通过不断的实践和技术创新，不断完善和补充遥感数据融合理论方法的内容，能够极大拓展遥感数据的应用领域和监测精度［2］。

遥感影像融合按不同级别分为像素级、特征级、知识级，
其中像素级的影像融合算法众多，也是多光谱与全色影像融合的重要手段［3］。

遥感数据融合的对象多种多样，不仅包括遥感影像相互融合，还包含遥感影像与数字化地形图、土地利用专题图、卫星定位数据、实测站点数据的融合，但其中多光谱数据和全色数据融合是当前遥感影像融合的重要研究方向之一［4］。

遥感影像融合的方法主要有Brovey变换、Gram-Schmid变换、小波变换、傅里叶变换、PCA（Principal Component Analysis）变换、HSV（Hue Saturation Value）
变换等，它们的共同目标是同时增强影像的空间分辨率和光谱分辨率［5］。

然而不同的图像融合方法各有优缺点，Gram-Schmid变换、小波变换、傅里叶变换能够达到较高的保真性，但由于算法复杂，处理大量遥感数据时耗时长，稳定性较弱；Brovey融合简单地对不同遥感信息的加权叠加；PCA变换能够较好地保留影像的光谱信息，但是其纹理信息缺失加强；HSV变换能够较好地保留影像的纹理信息，但是并不能有效地保留图像光谱信息［6-9］。

因此，研究一种简单、快速、同时具有高保真性的影像融合算法成为当前影像融合领域所要解决的重要问题。

1.1 HSV影像融合
通常多光谱影像表达色彩的空间为RGB（Red，Green，Blue）色彩空间，其表
达空间为值域分别为［0，1］的立方体。

HSV色彩空间是由色调Hue、值域为［0°，360°］，饱和度Saturation、值域为［0，1］，亮度Value、值域为［0，1］所构成的倒圆锥体。

由RGB空间到HSV空间的转换模型［10］为：
当V=R时，
当V=G时，
当V=B时，
HSV空间中V代表明暗程度，从黑到白过渡，完全暗时用V=0表示，完全亮时用V=1表示，高分辨率全色影像与V波段表达的内容的相同，因此利用全色影像替
换HSV空间中的V波段，再进行HSV空间到RGB空间的逆变换，从而实现多光
谱影像与全色影像的融合。

1.2 PCA影像融合
主成分分析PCA也叫离散K-L（Karhunen-Loeve）变换［11］，利用一个变换
矩阵A，这里以三个波段的多光谱图像为例，A为转换矩阵，X1，X2，X3向量分别代表波段1，2，3的，把原始图像矩阵X=［X1，X2，X3］变换形成一组新的主分量矩阵Y=［Y1，Y2，Y3］，公式为：
Cf为X的协方差矩阵：
λ为Cf的特征向量，则A=λT。

PCA变换将对原始影像所有波段进行正交变换，
提取主成分波段，使转换后的每个主成分之间相关性最低，从而将信息主要集中在Y矩阵中的前几个分量重，降低信息冗余，优化数据。

前2个主分量包含了绝大多数地物信息，数据量压缩至66%。

2.1 结合HSV与PCA的影像融合方法
HSV融合采用高分辨率全色波段替代变换后的V波段，融合后的影像分辨率提高，纹理特性突出，但却以损失V波段的光谱特性为代价。

PCA融合采用高分辨率全
色影像替换PCA变换后的第三主成分，由于前两个主成分最大程度保留了原始光
谱信息，但融合后影像的纹理特性有所降低。

由此，设计一套能够结合HSV融合与PCA融合有点的方案，能够使融合后的影像尽最大程度保留原始光谱特性和纹
理特性。

其技术框架如图1所示，（1）对原始多光谱影像进行HSV变换；（2）对HSV波段组合的影像进行主成分分析变换，变换为P1，P2，P3三个主成分波段，最大程度保留原始影像光谱特性；（3）将全色影像与PCA变换后影像进行
配准和重采样等预处理，对预处理后的主成分P1，P2波段与全色影像进行PCA
逆变换，得到融合后的影像。

这种算法简单有效，在对图像进行融合的同时，实现了信噪比的最大化，突出了主要信息，使得融合后影像即保留了原始光谱特性，又保留了其纹理特性。

2.2 基于Landsat8影像的融合实验
以Landsat8影像为例进行融合实验如图2所示，采用其陆地成像仪波段7、波段5、波段2组合所组成的30 m空间分辨率的多光谱影像如图2a所示，与15 m
分辨率全色影像见图进行融合如图2b所示。

按照2.1中所述的方法，进行试验，融合后的结果如图2c所示。

从融合前后影像对比可以看出，新方法融合的影像很好地保持了原多光谱信息，较好地保持了原始光谱特征，在地物细节能力表达上比原始多光谱影像有了很明显的改善。

针对以上融合实验结果以及对融合效果的评价指标，从统计数据来说明改进融合算法后的影像是否得到改善。

首先对多光谱数据也叫原始影像、经过HSV融合影像
以及HSV-PCV融合的影像，进行统计分析如表1所示。

HSV-PCV融合影像的信息熵、均值、标准差与HSV融合影像的对比参数相差不大，并且更接近于原始多
光谱影像的对应参数值，这说明该方法融合影像所包含的信息量与HSV变换相当，并且更接近于原始多光谱影像。

HSV-PCV融合影像的各个波段与原始影像对应波段的相关系数明显高于原HSV变换融合后的对应相关系数，说明该方法在光谱特
征性的保持上有很大提高。

HSV-PCV融合影像各个波段的平均梯度比HSV变换
的平均梯度要小，但是大于没有融合的原始多光谱影像的平均梯度。

这说明该方法融合所得的影像在地物细节表现能力上比HSV变换融合所得到的影像有所下降，
但是较之原始多光谱影像仍然有很大的提高。

结合PCA融合能够很好保留原始影像光谱特征的优点，以及HSV能够很好地保
留原始影像纹理特性的优点，提出改进后的集合PCA和HSV融合的方法。

针对Landsat8多光谱影像和全色影像进行影像融合实验。

通过对融合结果的目视分析与试验参数的比较可以得出结论：结合PCA和HSV的图像融合方法能很好地保
持原影像的光谱信息，并且保持较好地保持了地物纹理特性。

【相关文献】
［1］刘娜，宁蕴绯.基于小波变换人脸图像融合方法的研究［J］.河南城建学院学报，2011（2）：47-51.
［2］李红，刘芳，杨淑媛，等.基于深度支撑值学习网络的遥感图像融合［J］.计算机学报，2016（8）：1583-1596.
［3］王友，王双亭，尹鹏飞.基于多源遥感数据融合的SVM分类研究［J］.河南城建学院学报，2013（6）：46-50.
［4］何曙光，庞蕾，张学东.基于主被动遥感影像融合的土地覆盖分类［J］.河南城建学院学报，2016（2）：58-62.
［5］王阿川，陈舒畅，王学良.结合HIS和小波变换的自适应遥感影像融合［J］.光电工程，2016（8）：76-83.
［6］杨丽萍，夏敦胜，陈发虎.Landsat 7 ETM+全色与多光谱数据融合算法的比较［J］.兰州大学学报（自然科学版），2007（4）：7-11.
［7］丁庆福，徐跃通，刘匡，等.Quickbird影像3种常用融合方法和评价［J］.现代农业科技，2012（14）：209-210.
［8］崔佳洁，李世明.高分一号卫星影像的融合方法比较研究［J］.黑龙江工程学院学报，2015（3）：12-15.
［9］于海洋，闫柏琨，甘甫平，等.基于Gram-Schmidt变换的高光谱遥感图像改进融合方法［J］.地理与地理信息科学，2007（5）：39-42.
［10］梁成武.目标检测算法中基于HSV颜色空间的阴影抑制改进与仿真［J］.中国科技纵横，2012（20）：89-89.
［11］孙志远，孙亚南，吴小俊.超分辨率人脸图像重构识别［J］.河南城建学院学报，2011（4）：45-50.。