基于curvelet变换与一致性约束的遥感图像融合

信息融合成一幅完整的遥感图像,遥感图像融合技术起着重要作用。

遥感图像融合方式的日益增多,将MS图像进行增取样,再通过自适应HIS得出亮度分量,将PAN图像滤波后注入增益,就得到了最终的融合遥感图像,不过IHS变换使得光谱退化现象普遍,易降低融合图像的质量[1]。

在遥感图像融合中融入子字典,以稀疏表示为基本表示,构造子字典的方式为图像与图像构造,训练子字典 ,接下来，使该字典重新构建MS图像,这样一来，遥感图像也就完成了新的融合,在这一独特的重构方法中，像素点具有一致性这一说法并不能得到充分的包容,因为通过这一重构方式会导致块效应的发生。

Contourlet变换MS图像获取高频信息, PAN图像在Contourlet变换之后，得出我们想要的低频信息,利用参数估计、加权平均等形式,融合低频信息与高频信息得到融合后的遥感图像,不过,Contourlet变换必须采用下采样操作,这导致了分解后的图像系数内存在原图信息残缺不全的情况,使融合结果模糊。

如Ankarao等[2]，通过动态模式分解分离出主导特征值和滞后特征值,融合系数的计算的方式对加权融合规则于分解后的特征值进行计算,融合了遥感图像,不过加权融合规则特征值，它所存在的的差异性易被大家忽视,这很大程度的引起了融合图像的效果不佳。

快速离散Curvelet变换耦合一致性约束规则的遥感图像融合，正是我们接下来所要阐述的。

HSV变换后，我们可以求出MS图像它的亮度分量是多少,通过快速离散Curvelet变换[3]，我们先是求出亮度分量,接下来，得到PAN图像多尺度性的高品系数和低频系数,和多方向性的高品系数和低频系数，使算法更加高效。

归一化区域方差性作为高频系数的重要性质之一,能够很好地帮助构建一致性约束规则,近而达到融合高频系数的目的。

归一化区域能量特征作为低频系数独有的特征,能够高效的帮助完成低频系数1 遥感图像融合的算法设计
遥感图像算法过程：①提取亮度分量；②取得分解系数；
③系数融合
第一步:提取亮度分量。

通过HSV变换将MS图像分解成3部分,分别是：
①亮度分量；②饱和度分量；③亮度分量。

我们将亮度分量从中提取,将所得结果用于融合PAN 图像，和MS图像中的特定光谱内容。

接下来，求出分解系数。

第二步:将亮度分量进行快速离散Curvelet变换求出它的高频系数和低频系数；
再将图像进行快速离散Curvelet变换求出它的高频系数和低频系数。

第三步:系数融合。

归一化区域方差特性和归一化区域能量特性分别是高、低频系数的特性之一,利用这两个特性构建一致性约束规则,分别可以达到高频系数融合和低频系数融合的目的[4]。

2 提取亮度分量
HSV变换和IHS变换，这两种变换方式是求MS图像中亮度分量的常规手段。

要想提取MS图像里面的亮度分量，上述变换方法都是不错的选择,其中IHS变换光谱退化现象严重易导致融合图像模糊,因此我们以变换得出图像亮度分量。

饱和度我们通常用(S)表示，色度通常用(H)表示，亮度分量通常用(V)表示，这三个概念都是由MS图像经过HSV变换一一求得。

0%-100%是一个范围，在这个范围内，求出的值越和色彩的纯度是成正比关系,S分量=纯度。

而 H分量则代表了0°-360这一°区间的值，它代表了图像中一样的色彩纯度,其中红色是0°,绿色更大等于120°,蓝
98 | 电子制作 2020年10月
科技论坛
色最大为240°,V分量是0%-100%区间的值，它是指在一个图像中色彩的明度与暗度,V分量值越大,图像的亮度越大。

RGB色彩模式作为我们生活中提到的工业界中的颜色标准之一，即我们常提到的“红绿蓝”，平时运用的地方较少，通常是经过变化这三种色彩通道，再将这三种色彩彼此叠加，最后获得能呈现在大众视野的色彩的，我们所说的RGB，表示了红通道的颜色、绿通道的颜色以及蓝通道的颜色，我们目前视力范围内所能感知的、获取的所有色彩信息全部出自该标准，这一色彩系统在当前来讲，无出其右。

“红绿蓝”三色在RGB图像的运用下，算好精准比例，相互融合，在屏幕上重现的色彩高达1700万种。

我们从应用的角度来讲， RGB颜色标准几乎垄断了全世界的显示器颜色标准，我们常见的显示器，先用电子枪射到屏幕上上述三色发光极上，这样就产生了色彩，迄今为止，大部分计算机可以显示32位颜色，这32位色彩可以将大于100万种的颜色带到我们眼前。

科技进步的脚步从未停歇，经过数次试验与更新，led显示技术将有新的突破与发展。

从原理的角度来讲，在定义RGB时，我们是运用了颜色是会发光这一原理，即把 “红绿蓝”三色比作会发光的灯一样，我们将其中两盏灯交错在一起，两盏灯本身有着自己原有的亮度，交错在一起就是将自身的亮度与对方相加在一起，交错后的亮度等于两盏灯甚至三盏灯的亮度。

当红色和白色两盏灯叠加交错，就会得到粉色的光[5]。

通过对原理的理解，就不难在软件中设定颜色了。

三原色RGB由HSV变换,列式为：H分量÷60°=d . e MS图像亮度分量经过HSV变换后的效果如图1所示。

图1 HSV变换和IHS变换提取MS图像
3 获取分解系数
首先通过HSV变换提取MS图像亮度分量图2(a),然后得出分解系数,通常采用多尺度性的小波变换法对PAN图像和MS图像亮度分量进行分解得出,该方法的缺陷是对图像边缘方向性处理粗糙,这样一来，就会很容易在求出分解系数的过程中弄丢大量的空间信息。

而Curvelet变换却在上述变换的基础上做出了很大改良,更为实用和准确，它兼具分解图像的多方向性与尺度性,能较好地保存分解图像系数的空间信息与光谱信息。

Curvelet变换虽在功能与特性上存在较大优势,但其计算难度系数大,所以导致系数分解效率偏低。

综上,我们将最终利用快速离散Curvelet 变换的方式得出分解系数。

快速傅里叶变换(fast Fourier transform,FFT)为快速离散Curvelet变换起到了基础性的作用，图像左下角坐标:(n1,0,n2,0)，窗函数W(n1,n2)的长=R1,l，窗函数W(n1,n2)的宽= R2。

(W(n1,n2)×频域中尺度l与角度θ的分割值)围绕原点进行Wrap局部化操作。

最后,采用FFT 逆变换的方式将上式结果进行变换,得出高、低频系数分别是T(x,y)和G(x,y)。

(a)MS图像亮度分量 (b)PAN图像分解系数
图2 获取分解系数效果图示
4 图像融合
图像主要信息因子带系数的不同而有所差异,所以我们采取的融合方式也有所不同,低频系中滞留了相当一部分图像信息。

区域能量越大图像信息含量越大,区域能量越小图像信息含量越小。

下面，我们遵循低频系数独有的归一化区域能量这一性质，对它进行融合。

假设低频系数A的区域能量=NLA；
低频系数B的区域能量=NLB
其中,归一化区域能量GNLA对应NLA,归一化区域能量 GNLB对应NLB联合,融合低频系数。

图像边缘的信息通过高频系数表现出来。

此处，区域方差反应了图像的细节信息。

而高频系数又存在归一化区域方差这一特殊性质,此处我们可以通过这一特有性质,将一致性约束规则重新树立起来,制约像素各单位的一致性,这样一来，就可以令融合的高频系数里，拥有更加丰富的光谱信息，和更加完整地细节信息。

p(x,y)的高频系数值为Cp(x,y)；
M×N区间的高频系数平均值为η；
www�ele169�com | 99
100 | 电子制作 2020年10月
curvelet 逆变换,这样我们就得到了经过融合后的图像。

图3 融合后的图像
5 结束语
上述文中，我们得到MS 图像亮度分量的最佳方法，为
社[M],2015.7，1-118
＊ [6] 王海晖,彭嘉雄,吴巍等.多源遥感curvelet 图像融合效果评价方法研究[J].计算机工程与应用,2016，20:34-37
文化逐渐散播到全球，我们必须解决汉语的分词问题，从而使更多的人们在使用汉语时更加的方便。

所以在未来，我们可将研究方向转向更方便的操作和分词等方面，优化现在的操作模式，提高未来的分词的准确度，以便使计算机能够对汉语文本进行自由处理，增强汉语的生命力，使其适应时代发展的需求。

参考文献
＊ [1]王明文，付雪峰等．网页与文本自动分类综述．南昌工程学院学报，2005，24(3)：20—25.
＊ [2]孙丽华．中文文本自动分类的研究．哈尔滨工程大学，2002.＊ [3]张巍．流形学习算法在中文问题分类中的应用研究．计算机应用与软件，2014，31(8)：269-287；河北工业大学学报，2014，43(2)：1—7.
＊ [4]石陆魁，王歌，杨璐等．基于特征词相交和流形学习的文本分类方法[J]. 河北工业大学学报. 2014年02期 第1-7页
＊ [5]郭淑妮.中文信息处理中自动分词的研究和展望.内蒙古民族大学计算机科学与技术学院，2015.
＊ [6]文庭孝、邱均平、侯经川.汉语自动分词研究展望.武汉大学中国科学研究评价中心，2004.＊ [7]刘迁、贾惠波.中文信息处理中自动分词的研究和展望.清华大学精密仪器与机械学系，清华大学光盘国家工程研究中
心.2006.
（上接第93页）
（上接第82页）
＊ [3]李梦诗,余达,陈子明,等.基于深度置信网络的风力发电机故障诊断方法[J].电机与控制学报,2019,23(02):118-126.
＊ [4]刘建林.基于压缩感知的异步电机故障诊断数据压缩与重构[J].湖南师范大学自然科学学报,2018,041(005):88-94.。