多光谱与高分辨率图像融合的新算法
基于NMF的多光谱图像和全色图像融合方法
ｆａｕ ａｅ ｏ ｔｉｉ ｌｂｌ ｅｔｒｓｏ ｅｏｉｉ ｌｍａ ｅ ａ ｅｅ ｔ ｃｅ ． ｈ ｉｔ ｅｔｒ ａｅｉ ｒｐａｅ ｙｔｅａｊｓ ｄｐ ｎｈｏ ｔ ｅｔｒ ｂ ｓｓｃ ｎａ ｎ ｇｏａ ａｕ ｆｔ ｒ ｎ ｇ ｓｃｎｂ ｘｒ ｔ Ｔ ｅｆｓ ｆａ ｅｂ ｓ ｓ ｅｌｃｄ ｂ ｄｕｔ ａｃｒｍａｉ ｅ ｎｇ ｆ ｅ ｈ ｇ ａｉ ａ ｄ ｒ ｕ ｈ ｅ ｃ
ｉ ｇ ， ｈ ｃ ｉ ｏ ｒｍ ｔｈ ｅｒｗ ｆ ｓ ｆａｕ ｅｂ ｓ ．ｎ ｅｓ ａ ｓｏｍ （ ｃ ｎ ｔ ｃｉｎ ｉ ｐ ｒ ｒ ｄ ｎ ｅｆｓｏ ｇ ｔ ｈ ｇ ｅ ｍａ ｅ ｗ ｉ ｉ ｈ ｓ ｇａ ｍａ ｅ ｔ ｔ ｉ ｔ ｅ ｔｒ ａ ｅ Ｉｖ ｒｅｔ ｎ ｆｒ ｒ ｏ ｓ ｕ ｔ ） ｓ ｅｆ ｍｅ ａ ｄ ｔ ｉ ｎｉ ｅｗｉ ｉ ｒ ｈｓ ｔ ｃｄ Ｏ ｈ ａ ｒ ｒ ｅ ｒ ｏ ｏ ｈ ｕ ｍａ ｈ ｈ
矩 阵 ｗ 和一个非负的 ｒ ｍ矩阵 日，使满足 ×
Ｖ Ｗ ×日 （） １
可信 度和清晰度、 更好 的可理解性及 更为全面的新融合 图像 。
［ ｙＷｏ ｄ ］ｉ ｇ ｓ ｎ ｎｎｎｇ ｔ ｅｍａ ｃｏｉａｉｎ ｆａｕｅ ａｅ Ｋｅ ｒ ｓ ｍａ ｅ ｕｉ ；ｏ —ｅａｉ ｍｘｆ ｔｒ ｔ ；ｅｔｒ ｓ ｆ ｏ ｖ ａ ｚ ｏ ｂ
图像融合采 用一定 的算法 ，综合来 自相 同或不同类型传 感器 的两个或多个具有互补性 的图像信 息，以获得具有更高
［ ｓｒｃ ］Ａ ｎｗ ｔｏ ａｅ ｎｎ ｎｎｇｔ ｅｍａｒ ａｔｒ ａｉｎ（ Ａｂｔａｔ ｅ ｍｅ ｄｂ ｓｄｏ ｏ ・ｅ ａｉ ｔｘｆｃｏｉ ｔ ＮＭＦ ｔｃｎｑ ｅｉｐｅｅｔｄｆｒ ｌ－ｐｃｒｌｍａ ｅａｄｐｎ ｈｏ ｔ ｈ ・ ｖ ｉ ｚ ｏ ）ｅｈ ｉｕ ｓ ｒｓｎｅ ｔｓｅｔ ｇ ｎ ａｃ ｒｍａｉ ｏ ｍｕ ｉ － ａｉ ｃ
高分辨率遥感图像融合技术在水产养殖区域的应用与展望
高分辨率遥感图像融合技术在水产养殖区域的应用与展望标题：高分辨率遥感图像融合技术在水产养殖区域的应用与展望正文：随着遥感技术的不断发展，获取高空间分辨率、多光谱图像已成为可能。
这些图像在特征提取和目标识别方面具有重要应用，尤其是在水产养殖区域。
例如，围栏和漂浮筏等养殖设施的识别，对于监测和管理水产养殖区域至关重要。
然而，目前尚无明确统一的方法来从高分辨率卫星图像中提取不同水产养殖区域的分布信息。
本研究旨在评估多源高分辨率遥感图像融合技术，以确定最佳的图像融合方法。
图像融合技术：图像融合技术通过结合高空间分辨率的全色图像和低空间分辨率的多光谱图像，生成具有高空间分辨率的多光谱图像。
我们采用了三种类型的高分辨率遥感图像，包括GF-1、GF-2和WV-2，覆盖了中国象山港的筏式和围栏式水产养殖。
通过应用主成分分析（PCA）、Gram-Schmidt（GS）和最近邻扩散（NNDiffuse）算法进行图像融合，并使用两种定量方法评估融合效果。
评估方法：我们首先使用七个统计参数进行评估，包括灰度均值、标准差、信息熵、平均梯度、相关系数、偏差指数和光谱失真。
其次，我们采用了CQmax指数，这是一种基于共散射系数的图像质量评估新方法。
通过比较这些评估结果，我们发现CQmax指数可以应用于不同水产养殖区域的图像融合效果评估。
研究结果：对于漂浮筏养殖区，NNDiffuse算法对GF-1和GF-2数据的融合效果最佳，而PCA算法对WV-2数据的融合效果最佳。
对于围栏式养殖区，定量评估的结论并不一致，表明没有一种确定的好方法可以适用于所有区域。
因此，根据研究区域和传感器图像仔细评估和选择最佳图像融合方法是必要的。
水产养殖区域的挑战与机遇：中国是世界上最大的水产养殖生产国，占全球鱼类产量的三分之一，占全球水产养殖产量的三分之二。
然而，水产养殖发展面临诸多挑战，如土地、水资源的竞争，水污染、有害藻华等威胁。
地球观测（EO）技术可以帮助全面优化近海和远海的水产养殖位置和类型。
加权多分辨率图像融合的快速算法
第10卷 第12期2005年12月中国图象图形学报Journal of I m age and GraphicsVol .10,No .12Dec .,2005收稿日期:2004211228;改回日期:2005204222第一作者简介:李光鑫(1978～ ),男。
2001年于北京理工大学自动控制系获工学学士学位,2005年于吉林大学通信工程学院获工学硕士学位,现为吉林大学通信工程学院博士研究生。
主要从事图像处理、图像融合等方面的研究。
E 2mail:guangxin .li@加权多分辨率图像融合的快速算法李光鑫1)王 珂1)张立保2)1)(吉林大学通信工程学院,长春 130025) 2)(北京师范大学信息科学与技术学院,北京 100875)摘 要 快速、可靠的融合算法是图像融合技术实用化的关键,因此具有良好融合效果的快速融合算法的研究显得尤为重要。
传统的加权多分辨率图像融合方法能够产生良好的融合效果,但是其计算复杂度却不能令人满意,为了降低算法的复杂度,基于定义的相关信号强度比,提出了一种加权多分辨率图像融合的快速算法。
同传统加权多分辨率图像融合方法相比,算法具有较低的计算复杂度。
实验结果表明,该算法同传统加权多分辨率图像融合方法一样,能够产生良好的融合效果。
关键词 快速算法 图像融合 多分辨率分析 相关信号强度比中图法分类号:TP751.1 文献标识码:A 文章编号:100628961(2005)1221529208Co m puta ti ona lly Eff i c i en t A lgor ith m of M ulti resoluti onI mage Fusi on w ith W e i ghted Average Fusi on RuleL I Guang 2xin 1),WANG Ke 1),ZHANG L i 2bao2)1)(College of Co mm unications Engineering,J ilin U niversity,Changchun 130025)2)(College of Infor m ation Science and Technology,B eijing N or m al U niversity,B eijing 100875)Abstract The key of app licati on and p racticalizati on of i m age fusi on technol ogy iswhether the used fusi on alg orith m has fast s peed and reliability or not,s o the research of co mputati onally efficient alg orith m swhich can p r oduce g ood results is very i m portant .Conventi onal multires oluti on i m age fusi on methods with weighted average fusi on rule exhibit high level of fused i m 2age quality,but their fusi on rules rep resent co mputati onally ex pensive s oluti ons .T o reduce their co mputati onal co mp lexity,u 2sing the defined correlated signal intensity rati o,a co mputati onally efficient alg orith m of multires oluti on i m age fusi on with weighted average fusi on rule is p resented .Co mpared with those conventi onal methods,the p r oposed algorith m achieves a con 2siderable i m p r ove ment in real ti m e capabilities .The ex peri m ental results sho w that i m ages achieved by this efficient alg orith m are of equivalent or better quality than those obtained fr o m more co mp lex,conventi onal i m age fusi on methods .Keywords efficient method,i m age fusi on,multires oluti on analysis,correlated signal intensity rati o1 引 言图像融合是将相同或不同传感器得到的同一目标的多幅图像在统一的坐标中,利用图像融合算法合成一幅满足某种需求的新图像,得到的融合图像信息比原来任何一幅图像都更为丰富,对目标的表征也更为精确,从而更利于后续的图像处理和识别。
WorldView-2遥感图像融合新方法-试验科学与技术
第xx 卷 第x 期 实验科学与技术 V ol.xx No.x收稿日期： 2013-09 -22；修回日期： 2014-05 -19基金项目：国家自然科学基金(61301195)；中国博士后科学基金(2013M531299)；中央高校基本科研业务费专项资金(3102014KYJD040) 作者简介：李旭(1979 - )旭1, 2，何明一1，张 雷2(1. 西北工业大学电子信息学院 西安 710072; 2. 江苏物联网研究发展中心 江苏 无锡 214135)【摘要】新型高分辨率WorldView-2星载图像的出现给现有的图像融合技术带来了更大的挑战，多光谱图像融合新方法。
首先采用最近邻插值对多光谱图像重采样放大；然后结合和保持光谱信息两方面达到较好的平衡，优于现有的几种融合方法。
关 键 词 对应分析; 融合; 遥感图像; 分辨率; 小波变换TP75 文献标志码 A doi:10.3969/j.issn.1001-0548.2015.01.004LI Xu1, 2, HE Mingyi 1, and ZHANG Lei 2(1. School of Electronics and Information, Northwestern Polytechnical University Xi ’an 710072, Chain;2. Jiangsu R&D Center for Internet of Things Wuxi 214135, Chain)Abstract New-style high resolution WorldView-2 satellite images pose challenges to the image fusion techniques. A new pansharpening method is proposed in this paper. First, 8-band multispectral imagery is resampled by nearest neighbor interpolation. According to the relative spectral responses between the multispectral band and the panchromatic band, a low spatial resolution panchromatic image is evaluated through multivariate linear regression. The spatial details are extracted from the original panchromatic image, and then injected into theKey words correspondence analysis; fusion;遥感图像融合是图像融合的一个重要分支，针对全色光图像与多光谱图像的融合始终是遥感图像处理领域的研究热点。
浅谈高光谱图像融合方法
浅谈高光谱图像融合方法1. 引言1.1 背景介绍随着遥感技术的不断发展，高光谱图像和多光谱图像已经成为遥感领域的重要数据来源。
高光谱图像能够提供丰富的光谱信息，但分辨率较低；而多光谱图像具有较高的空间分辨率，但光谱信息相对较少。
将高光谱图像和多光谱图像结合起来，可以充分利用它们各自的优势，实现更细致的地物分类和识别。
高光谱图像融合方法具有重要的理论和实际意义。
通过将高光谱和多光谱图像融合，可以提高遥感数据的综合信息量，进一步提高遥感图像的分析和应用能力。
研究高光谱图像融合方法不仅有助于丰富遥感技术的应用范围，还可以为环境监测、资源管理、灾害预警等领域提供更加精准的数据支持。
在当前的研究领域中，高光谱图像融合方法已经成为研究热点之一。
通过不断改进和创新，将可以更好地发挥高光谱和多光谱图像的优势，为遥感领域的发展带来新的突破。
1.2 研究意义高光谱图像融合方法的研究意义在于提高遥感图像的分析与应用效率和精度。
随着遥感技术的不断发展，高光谱和多光谱图像在农业、环境监测、城市规划等领域得到了广泛应用。
单独利用高光谱或多光谱图像存在信息不足或信息重复的问题，无法充分表达地物的特征。
高光谱图像融合方法的研究可以克服单一图像的局限性，实现对地物特征的更准确、更全面的描述。
通过融合高光谱和多光谱图像，可以提高地物分类与识别的精度，为环境监测、资源调查、城市规划等领域提供更可靠的依据。
高光谱图像融合方法还有助于减少数据量，提高图像处理的效率，为大数据时代下的遥感应用提供支持。
研究高光谱图像融合方法具有重要的实际意义和应用前景。
1.3 研究现状高光谱图像融合是当前遥感图像处理领域的热点之一，对于提高图像质量、增强信息提取能力具有重要意义。
目前，关于高光谱图像融合方法的研究已经取得了一定的进展。
在传统的融合方法中，基于像素级和特征级的融合方法被广泛采用，通常是通过将高光谱图像和多光谱图像进行简单的加权平均或者特征变换来实现信息融合。
一种多传感器图像并行融合新方法
ＩＳ Ｈ 逆变换 ， 最终得到融合图像。
（） 小波包分解平面 图 ８ Ｌ
图像、 以及不同的集群规模 ， 分析 了并行计算的性能。在机群 系统上对算法进行实现， 结果表 明该
算法具 有 良好 的并行 性 能。
关键词 ： 小波包变换 ； 图像融合； Ｐ 框架； ＭＩ 并行计算
中图分类 号 ：Ｔ ３ １４ Ｐ ９ ．１ 文 献标识 码 ： Ａ 文章编 号 ：０９— ５６ ２０ ）６— ０ ０— ４ １０ ３ １ （０６ ０ ０ ４ ０
耗时长 ， 以进行快速、 难 实时融合。通过对小波包 融合方法在单处理机上 的执行效 率的分析， 针对 算法固有的时间复杂性和并行性， 出了一种分布存储环境 下的小波包 并行 融合算法。该算法针 提 对小波变换计算 的数据局部性特点， 设计并实现 了基于 Ｐｎ ｕ Ｃ和 ｌ０ Ｍ ｐ 交换 式 以太 网的 ｅｔ ｍ Ｐ ｉ Ｏ０ ｂ ｓ 机群系统的 Ｍ ＩＭ ｓ ｇ ａ ｉ ｔ ｆ ｅ 并行环境 的并行小波包 图像 融合方法。针对不同大小 Ｐ（ ｅ ａｅ ｓ ｎ Ｉ ｅａ ） ｓ Ｐ ｓ ｇ ｎ ｒｃ
２ １ 并行小波包融合算法原理 ．
设计并行算法的第一步是问题 的分解 。分解方法可分为功能分解 （ 控制并行） 和参数域分解 （ 数据并
行） 两种。分析小波包串行融合算法过程可知 ： 每一级小波系数的处理结果要作为下一级的输入， 因此各级 的处理过程之问以及每一级内部的处理步骤之间是强相关的， 无法设计有效的控制并行。同时可知 ， 在每一
基于IHS变换与小波变换的图像融合
文献标识码 ： Ａ
Ｉ ｇ ｓｏ ｓ ｄ ｏ ＨＳ ａ ｄ Ｗ ａ ｅｅ ａｒ ｎ ｆ ｒ
Ｚ ＨＡＮ Ｘ ａ ・ ｕ，Ｌ ｉｎ Ｇ ｉｏ ｙ ＩＸ ａ ｇ
（ ｏ ｐ ｔ ｃｅｃ Ｃ ｍ ｕ ｒ ｉｎｅ＆Ａ ｐｉ ｔｎＤ ｐｒ ｎ， ｂｎ ｚｏ ｓｔｔ ｏ ｅ ｎｕ ｃｌ ｅＳ ｐｌ ａｏ ｅ ａｍｅｔ Ｚ ｇｈｕＩ ｔｕｅ ｆ ｒ ａｔ ａ ｃｉ ｔ ｅ ｎｉ Ａ ｏ ｉ Ｉｄ ｓｙＭ ｎｇｍ ｎ， ｂｎ ｚｏ ５ ０５ ｈ ａ ｎ ｕｔ ａａｅ ｅｔ Ｚ ｇｈｕ４ ０ １ ，Ｃ ｉ ） ｒ ｅ ｎ
Ａｂ ｔ ａ ｔ Ａ ｆ ｃ ｅ ｔ ｔ ｏ ｆ ｍａ ｅｆ ｓｏ ａ ｅ ｎ Ｉ ｔ ｎ ｆ ｒ ｉｃ ｒ ｏ ａｉ ｇｗｉ ａ ｅｅ ａ ｓｏ ｍ ｓｏ ｌ ・ｐ ｃ・ ｓｒ ｃ ： ｎ ｅ ｉｉｎ ｈ ｄ ｏ ｇ ｉｎ ｂ ｓ ｄ ｏ ＨＳ ｒ ｓｏ ｍ ｏ ｐ ｒ ｔ ｔ ｗ ｖ ｌ ｔ ｒ ｎ ｆ ｒ ｔ ｆ ｉｎ ａ ｍｕ ｔ ・ ｅ ・ ｍｅ ｉ ｕ ａ ｎ ｎ ｈ ｔ ｏｕ ｉｓ
两幅或多幅图像融合起来以提高图像的清晰度和可 识别 性 ， 获得单 一 图像 所不 能提供 的特征 信息 。图像 融合 的一个重要 的研究方向是图像融合增强技术 ， 其 主要 内容是将具有高空间分辨率的图像与低空间分
极大地提高多光谱图像的空间分辨率 ， 但容易产生光 谱退化¨ ； 而小波变换得 到的融合 图像能较好 地保
ｆｒ ，ａ ｄ Ｉ ｏ ｍ ｎ ，Ｈ ａ ｄ Ｓ ｃ ｍｐ ｎ ｎ ｓａｅ ｏ ｔｉ ｅ ｎ ｏ ｏ ｅ ｔ ｒ ｂ ａｎ ｄ；Ｓ ｃ ｎ ｌ ，ｔ ｅ ｈ ｇ ｅ ｏ ｕｉｎｉ ｇ ｎ ｄＩｃ ｍｐ ｎ ｎ ｏ ｔ ｅｍｕ ｔ ｓ ｅ ｔ ｌ ｍａ ｅ ｅ ｏ ｄ ｙ ｈ ｉｈ ｒ ｓ ｌｔｏ ｍａ ｅａ ｏ ｏ ｅ ｔ ｈ ｆ ｌ －ｐ ｃｒ ｉ ｇ ｉ ａ ａ ｅ ｍｅ ｇ ｄ ｗ ｔ ｒ ｒｅ ｉ ＷＴ —ｂ ｅ ｕ ｉ ｎ ｍｅ ｏ ，ａ ｄ Ｉｃ ｍｐ ｎ ｎ ｓｒ ｐ ａ ｅ ｙ ｔ ｅ ｍｅ ｇ ｄ ｄ ｔ ；Ｆ ｎ ｌ ｈ ｓ ａ ｄ ｆ ｓｏ ｔｄ ｎ ｏ ｏ ｅ ｔｉ ｅ ｌ ｃ ｄ ｂ ｒ ｅ ａａ ｈ ｈ ｉａ ｙ ｔｅｆ８ｄ ｉ ｇｅ ｉ ｏ － ｌ ｈ ｕ ｅ ｍａ ｓ ｂ
多光谱图像四则运算和图象融合
第6章 遥感图像的辐射处理
§6－3多光谱图像四则运算
§6－3 多光谱图像四则运算
1．减法运算 Bm=BX－BY
其中BX、BY为两个不同波段的图像或者不同时相同一波段图像。
* 当为两个不同波段的图像时，通过减法运算 可以增加不同地物间光谱反射率以及在两个波 段上变化趋势相反时的反差。 *而当为两个不同时相同一波段图像相减时， 可以提取波段间的变化信息。
也称为生物量指标变化，可使植被从水和 土中分离出来。
(MSS6-MSS5)/(MSS6+MSS5)以消除部分 大气影响
多光谱图像变换
一 K-L变换(Karhunen-Loeve)(主分量变换)
K-L变换:它是对某一多光谱图像X.利用K-L变换 矩阵A进行线性组合,而产生一组新的多光谱图 像Y. Y=AX 特点:变换后的主分量空间与变换前的多光谱空 间坐标系相比旋转了一个角度。新坐标系的坐 标轴一定指向数据量较大的方向。
频率高。
正态分布：反差适中，亮度分布均匀，层次
丰富，图像质量高。
偏态分布：图像偏亮或偏暗，层次少，质量
较差。
小结 图像直方图是描述图像质量的可视化图表。在图像处理中，
可以通过调整图像直方图的形态，改善图像显示的质量，以达到图像增 强的目的。
二 灰度变换
灰度变换是一种简单而实用的方法。 它可使图像动态范围增大，图像对比度 扩展，图像变清晰，特征明显，它是图 像增强的重要手段之一。
1 直方图均衡
实质是对图像进行非线性拉伸，重新分配 图像像元值，使一定灰度范围内的像元的数量大 致相等。
直方图均衡
亮度值分为0 to 7区间,按频数计算公式将 其归入相关的区间
直方图均衡特点
(1)各灰度级所占图像的面积近似相等 (2)原图像上频率小的灰度级被合并 (3)如果输出数据分段级较小，则会产生
多光谱与全色图像融合方法解析
多光谱与全色图像融合方法为使多光谱与高空间分辨率全色图像的融合效果在努力保持光谱信息的同时尽可能提高其空间分辨率,论文主要对多光谱与全色图像融合算法进行了深入研究,通过大量的融合实验得到了一系列有价值的结论,完成了一定的创新性工作,具体的工作内容如下:在多分辨率分析的特征匹配基础上,提出了一种基于Mallat小波变换与空间投影结合的图像配准算法。
该算法采用投影匹配原理将二维数据变为一维进行匹配计算,降低了配准所需要的时间。
另外,采用逐层细化的分层搜索策略可减少匹配误差从而提高配准精度。
在综合分析àtrous小波变换和Curvelet变换的优点基础上,提出了一种基于àtrous-Curvelet变换的融合算法。
分解后的系数依据所在高,低频层的不同特点,采取多重加权规则进行融合。
该算法能在保留多光谱图像光谱信息的基础上,有效地提高融合图像的空间分辨率。
针对遥感图像影像分辨率低的问题,提出了一种基于区域模糊推理的NSCT域融合算法。
该算法有效地克服了传统融合方法中存在的融合图像模糊,抗噪能力差的缺点。
针对传统脉冲耦合神经网络(PCNN)模型参数无法自动设定的难题,结合lαβ彩色空间转换,提出了一种基于双通道自适应PCNN的图像融合算法。
该算法充分考虑到像素间的相关性及噪声突变的影响,融合效果优于多尺度分析方法。
同主题文章[1].万宁,吴飞. 基于ICA的全色影像和多光谱影像融合算法' [J]. 计算机工程. 2006.(07)[2].陈蔓丽,陈木生,狄红卫. 基于小波变换的多光谱图像和全色图像配准算法' [J]. 暨南大学学报. 2006.(03)[3].于浩,张晓萍,杨勤科,崔健,李锐. 基于双树复小波的遥感图像融合' [J]. 遥感信息. 2008.(05)[4].张易凡,何明一. 基于局部空间线性恢复模型的多光谱与全色图像融合算法' [J]. 西北工业大学学报. 2008.(01)[5].王霖郁,李坤波,黄丽莲. 基于色调一致性改进的图像融合最速下降法' [J]. 应用科技. 2010.(03)[6].杨明辉,任维春. 法国地理院SPOT图像应用研究的进展' [J]. 遥感信息. 1988.(02)[7].英国将研制高分辨率卫星' [J]. 航天返回与遥感. 2002.(03)[8].李琼,孔令罔,朱元泓. 色彩的宽带多光谱空间表示法(英文)' [J]. 仪器仪表学报. 2004.(S3)[9].王小龙,张杰,初佳兰. 基于光学遥感的海岛潮间带和湿地信息提取——以东沙岛(礁)为例' [J]. 海洋科学进展. 2005.(04)[10].王忠武,赵忠明,刘顺喜. IKONOS图像的线性回归波段拟合融合方法' [J]. 遥感学报. 2010.(01)【关键词相关文档搜索】：通信与信息系统; 图像融合; 多光谱图像; 全色图像; 多分辨率分析; 小波变换; 非下采样Contourlet变换; 脉冲耦合神经网络; 彩色空间转换【作者相关信息搜索】：吉林大学;通信与信息系统;王珂;陈大可;。
三种图像融合方法实际操作与分析
摘要：介绍了遥感影像三种常用的图像融合方式。
进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。
关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE1. 引言由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。
因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。
为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。
[1]在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。
高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。
[2]此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。
2. 源文件1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。
2 、imagery-5m.tif ，SPOT图像，分辨率5米。
3. 软件选择在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。
08.图像融合
Sharpening /Image Sharpening/NNDiffuse Pan Sharpening
本节收获
• 掌握图像融合的基本方法和流程 • 学习了Gram-Schmidt Pan Sharpening融合方法 • 学习了NNDiffuse 图像融合工具 • 学习了不同传感器、相同传感器图像的融合
图像融合
技术支持邮箱：ENVI-IDL@ 技术支持热线：400-819-2881-5 官方技术博客：/enviidl 官方技术qq群：184886955
课程简介
• 图像融合，是将低分辨率的多光谱影像与高分辨率的单 波段影像重采样生成一副高分辨率多光谱影像遥感的图 像处理技术，使得处理后的影像既有较高的空间分辨率 ，又具有多光谱特征。
NNDiffuse
pan 理和投影坐标系统、具备RPC信息和基于像元位置（无空间坐标系）几种地理信息
sharpening（NND）
元数据类型；支持多线程计算，能进行高性能处理。
融合结果对于色彩、纹理和光谱信息，均能得到很好保留。
练习
• 数据：
SPOT4 的10米全色波段和Landsat TM 30m QuickBird全色和多光谱图像
• 图像融合除了要求融合图像精确配准外，融合方法的选 择也非常重要，同样的融合方法在用在不同影像中，得 到的结果往往会不一样。
各种融合方法说明
NNDiffuse融合方法是最新的融合算法，支持最近传感器类型，如Landsat 8、 SPOT、WorldView-2/3、Pléiades-1A/1B、QuickBird、GeoEye-1、EO-1 ALI 、IKONOS、DubaiSat-1/2、NigeriaSat-2、高分数据等，融合结果对于色彩、 纹理和光谱信息，均能得到很好保留。这种方法可以满足绝大部分多光谱与全色 分辨率为整数倍关系的图像融合，推荐使用。
浅谈高光谱图像融合方法
浅谈高光谱图像融合方法【摘要】本文主要探讨了高光谱图像融合方法，通过对基于传统融合方法、基于深度学习、特征级、像素级以及多尺度融合方法的分析，全面总结了这些方法的优缺点。
在对高光谱图像融合方法进行了总结，并展望了未来的研究方向。
高光谱图像融合方法在农业、环境监测、地质勘探等领域具有广泛的应用前景。
研究者可根据不同的需求选择合适的融合方法，提高图像处理的效率和准确性。
未来的研究可借鉴深度学习等先进技术，进一步改进高光谱图像融合方法，适应不同领域的需求，推动图像处理技术的发展。
【关键词】高光谱图像融合方法，传统融合方法，深度学习，特征级融合，像素级融合，多尺度融合，优缺点，研究方向1. 引言1.1 概述高光谱图像融合方法高光谱图像融合方法是指将高光谱图像与其他多光谱或全色图像进行融合，以获得更高质量的融合图像。
高光谱图像以其高光谱分辨率和丰富的光谱信息而受到广泛关注，但由于数据量大、计算复杂度高等问题，其应用受到限制。
高光谱图像融合方法成为解决这一问题的有效途径。
高光谱图像融合方法主要包括基于传统方法、深度学习、特征级、像素级和多尺度融合等多种方法。
每种方法都有其独特的特点和适用场景。
传统方法主要基于像元级数据融合，利用统计分析和变换方法获得融合图像。
深度学习方法则利用深度神经网络技术，自动学习高光谱和其他多光谱数据之间的关系，获得更准确的融合结果。
特征级融合方法通过提取图像特征进行融合，能够更好地保留图像的结构信息。
像素级和多尺度融合方法则更注重融合图像的空间信息和细节。
高光谱图像融合方法在提高图像质量、减少数据量、提高实用性等方面有着重要意义。
通过不同方法的融合，可以充分发挥高光谱图像的优势，为地质勘探、环境监测、农业等领域提供更可靠的数据支持。
未来的研究方向将更加注重提高融合效果和速度，深入探索高光谱图像与其他数据的融合方法，推动其在各个应用领域的广泛应用。
1.2 研究意义和现状高光谱图像融合在遥感领域具有重要的研究意义。
ENVI中图像融合方法介绍
ENVI中的融合算法融合方法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt等。
ENVI里除了SFIM以外，上面列举的都有。
（1）HSV可进行RGB图像到HSV色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回RGB色度空间。
输出的RGB图像的像元将与高分辨率数据的像元大小相同。
（2）Brovey锐化方法对彩色图像和高分辨率数据进行数学合成，从而使图像锐化。
彩色图像中的每一个波段都乘以高分辨率数据与彩色波段总和的比值。
函数自动地用最近邻、双线性或三次卷积技术将3个彩色波段重采样到高分辨率像元尺寸。
输出的RGB图像的像元将与高分辨率数据的像元大小相同。
（3）用Gram-Schmidt 可以对具有高分辨率的高光谱数据进行锐化。
第一步，从低分辨率的波谱波段中复制出一个全色波段。
第二步，对该全色波段和波谱波段进行Gram-Schmidt 变换，其中全色波段被作为第一个波段。
第三步，用Gram-Schmidt 变换后的第一个波段替换高空间分辨率的全色波段。
最后，应用Gram-Schmidt反变换构成pan锐化后的波谱波段。
（4）用PC 可以对具有高空间分辨率的光谱图像进行锐化。
第一步，先对多光谱数据进行主成分变换。
第二步，用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第一主成分波段，从而避免波谱信息失真。
第三步，进行主成分反变换。
函数自动地用最近邻、双线性或三次卷积技术将高光谱数据重采样到高分辨率像元尺寸。
（5）CN波谱锐化的彩色标准化算法也被称为能量分离变换（Energy Subdivision Transform），它使用来自锐化图像的高空间分辨率（和低波谱分辨率）波段对输入图像的低空间分辨率（但是高波谱分辨率）波段进行增强。
该功能仅对包含在锐化图像波段的波谱范围内的输入波段进行锐化，其他输入波段被直接输出，不发生变换。
基于局部空间线性恢复模型的多光谱与全色图像融合算法
１ 冗 余 小 波 变 换
实 现 冗 余 小 波 变 换 （ ｄ ｎ ａｔ Ｒｅ ｕ ｄ ｎ Ｗａｅｅ ｖ ｌｔ
Ｔｒｎ ｆｒ Ｒ ａ ｓｏ ｍ， ＷＴ） 的经 典 算 法为 “ ｒｕ ” 法 ［ ， ａｔｏ ｓ 算 ２ ］
光谱 图像 的光 谱特 征与全 色 图像 的空 间特征 有效 地 合 并至 １ 新 的多 光谱 图像 。此类 融 合 问题 的重 点 组
在 于如何在 向 ＭＳ图像 中注入 Ｐ ｎ图像空 间高 频特 ａ
征 的同时 ， 量保持 其光谱 特 征不 变 。 尽 按照融 合过 程 中对 Ｐ ｎ图像 信息 的使 用 情况 ， 有算 法 主要 分 为 ａ 现
维普资讯
２００８ ２月 年
西 北 工 业 大 学 学 报
Ｊ ｕ ｎ ｌｏ ｒｈ ｓｅ ｎ Ｐ ｌｔｃ ｎｃ ｌＵｎｖ ｒ ｉ ｏ ｒ ａ ｆＮｏ ｔ ｗｅｔｒ ｏｙ ｅｈ ｉａ ｉｅ ｓｔ ｙ
Ｆ ｂ ｅ．
２ ０ ０８
第 ２卷 第 １ ６ 期
法 以 ＨＩ Ｓ变换和 冗余 小波 变换 为分析 工具对 参 与融合 的 源图像 的 光谱 和 空 间信 息 以及 空 间高、 低 频信 息进行 分 离 ， 并在 相应 的图像 分量之 间建 立 Ｌ Ｌ Ｍ ， 而完成 融舍 步骤 。实验 结果表 明， ＳＲ 从 该融
合 算法 能够 以较 为合理 的 时间开销 有 效地保 留 ＭＳ和 Ｐ ｎ图像 中的光谱 和 空 间特 征 ， ａ 引起较 小的 光谱 畸 变 ， 还能 够根据 实际 需要 设 定软／ 阈值 ， 硬 以获得更 合适 的融合 图像 。
方 法 ） 有 选 择地 使 用 Ｐ ｎ图 像 部 分 信 息 的 方 法 以 、 ａ 及 间接使 用 Ｐ ｎ图像 信息 的方法 。其 中 ， 选 择地 ａ 有
一种新的多光谱和全色图像的融合算法
中 图 分 类 号 ：Ｔ Ｐ ３ ９ １ ． ４ １ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ６ ７ ４ — ７ ７ ２ ０ （ ２ ０ １ ３ ） １ ０ — ０ ０ ３ ５ — ０ ３
ｌ 司转 换 到 ＲＧ Ｂ空 间 。
换 和 离散 小波 变 和强 度（ １ ） ３种 基 本 特 征 量 来 感 知 颜 色 ，而 且 这三 要素 相关性 很低 。 式（ １ ） 、 式（ ２ ） 、 式（ ３ ） 为 ＨＩ Ｓ正 变 换 公 式 ， 通过 Ｈ Ｉ Ｓ正 变 换 可 将 图像 变 换 到 Ｈ Ｉ Ｓ空 间 中 ，得 到 Ｈ、 Ｓ和 ，分 量 ； 式（ ４ ） 是 ＨＩ Ｓ逆 变 换 公 式 ， 通 过 逆 变 换 可 将 图 像 从 ＨＩ Ｓ空
１ ＨＩ Ｓ变换和 Ｓ Ｉ Ｄ ＷＴ 变 换
１ ． １ ＨＩ Ｓ 变 换 ＨＩ Ｓ反 映 了人 的 视 觉 系 统 感 知 色 彩 的 方 式 ， 以 色 调
像 的 融 合 是 遥 感 图 像 融 合 的 一 个 特 殊 应 用 领 域 。 一 般 地， 图像 融合 可 分 为像 素 级 融合 、 特 征 级 融 合 和 决 策 级 融 合 。 目前 ，很 多 图像 融 合 方 法 都 是 在 像 素 级 融 合 方 法 基 础 上 发 展 起 来 的 ，如 ＨＩ Ｓ变 换 ［ 】 １ 、 拉 普 拉 斯 金 字 塔 变
Ｋｅ ｙ ｗｏｒ ｄ ｓ：ＨＩ Ｓ ；Ｓ Ｉ ＤＷＴ；ｉ ｍａ ｇ ｅ ｆ ｕ ｓ ｉ ｏ ｎ ；ｍｕ ｌ ｔ ｉ －ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍａ ｇ ｅ ；ｐ ａ ｎ ｃ ｈ ｒ ｏ ｍａ ｔ ｉ ｃ ｉ ｍａ ｇ ｅ
最新版ENVI下的图像融合方法分析
ENVI下的图像融合方法图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。
图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。
只有将两幅融合图像进行精确配准，才可能得到满意的结果。
对于融合方法的选择，取决于被融合图像的特征以及融合目的。
ENVI中提供融合方法有：HSV变换Brovey变换这两种方法要求数据具有地理参考或者具有相同的尺寸大小。
RGB 输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。
这两种操作方法基本类似，下面介绍Brovey变换操作过程。
（1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。
（2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。
（3）选择Display窗口中选择RGB，单击OK。
（4）Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。
对于多光谱影像，ENVI利用以下融合技术：Gram-Schmidt主成分（PC）变换color normalized (CN)变换Pan sharpening这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。
- 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)。
图像的空间分辨率 ， 但却损失了光谱信息 ， 不是最优的 ． 小波变换 由于其 良好 的时 频 分 离 特 性 以 及 接 近 人 类 视觉系统的多分辨分析 ， 在图像融合中得到了广泛的应用 ． 但是经典小波变换的缺点为 ： 不具备平移不变性 ； 得到的高频分量的方向非常有限 ； 没有相空间信息 ． 针对这些问题 ， １ ９ ９ ９ 年剑 桥大 学的 Ｋ ｉ ｎ ｓ ｂ ｕ ｒ ｇ ｙ 教 授提 出
犖 犲 狑犳 狌 狊 犻 狅 狀犪 犾 狅 狉 犻 狋 犺 犿犳 狅 狉犿 狌 犾 狋 犻 狊 犲 犮 狋 狉 犪 犾 犪 狀 犱 犵 狆 犺 犻 犺 狉 犲 狊 狅 犾 狌 狋 犻 狅 狀狆 犪 狀 犮 犺 狉 狅 犿 犪 狋 狉 犻 犮 犻 犿 犪 犲 狊 犵 犵
犅 犃 犐犚 狌 犻， 犢 犃犖犌 犠 犪 狀 犺 犪 犻，犣犎犃犖犌犢 犪 狀 狀 犻
（ ， ， ） Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＥ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃＥ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ Ｘ ｉ ｄ ｉ ａ ｎＵ ｎ ｉ ｖ ． Ｘ ｉ ａ ｎ １ ０ ０ ７ １， Ｃ ｈ ｉ ｎ ａ ７ ｇ ｇ ： 犃 犫 狊 狋 狉 犪 犮 狋 ｕ ｌ ｔ ｉ ｓ ｅ ｃ ｔ ｒ ａ ｌ ａ ｎ ｄＨ ｉ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎＰ ａ ｎ ｃ ｈ ｒ ｏ ｍ ａ ｔ ｉ ｃ ｉ ｍ ａ ｅｆ ｕ ｓ ｉ ｏ ｎａ ｌ ｏ ｒ ｉ ｔ ｈ ｍｂ ａ ｓ ｅ ｄｏ ｎｔ ｈ ｅＤ Ｔ Ａ Ｍ ｐ ｇ ｇ ｇ ， ｈ ｅｐ ａ ｎ ｃ ｈ ｒ ｏ ｍ ａ ｔ ｉ ｃ ｉ ｍ ａ ｅ ｓａ ｎ ｄｔ ｈ ｅ ｃ ｏ ｍ ｏ ｎ ｅ ｎ ｔ ＣＷＴｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍａ ｎ ｄ ｆ ｒ ａ ｃ ｔ ａ ｌ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ｉ ｓｄ ｅ ｖ ｅ ｌ ｏ ｅ ｄ ． Ｆ ｉ ｒ ｓ ｔ ｌ ｇ ｐ ｐ ｙｔ Ｉｏ ｆ ｔ ｈ ｅｍ ｕ ｌ ｔ ｉ ｓ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍ ａ ｅａ ｒ ｅｄ ｅ ｃ ｏ ｍ ｏ ｓ ｅ ｄｔ ｏｔ ｈ ｅｄ ｏ ｍ ａ ｉ ｎｏ ｆｔ ｈ ｅＤ Ｔ ＣＷＴｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍｗ ｈ ｉ ｃ ｈｈ ａ ｓｔ ｈ ｅ ｐ ｇ ｐ ， ａ ｎ ｄ ｔ ｈ ｅ ｉ ｍ ａ ｅ ｆ ｕ ｓ ｉ ｏ ｎ ｉ ｓ ｔ ｈ ｅ ｎ ｉ ｍ ｌ ｅ ｍ ｅ ｎ ｔ ｅ ｄ ｉ ｎｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｓ ｕ ｂ ｂ ａ ｎ ｄ ｓ ． Ｔ ｈ ｅ ｒ ｅ ｉ ｏ ｎ ａ ｄ ｖ ａ ｎ ｔ ａ ｅｏ ｆ ｏ ｏ ｄｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｓ ｇ ｐ ｇ ｇ ｇ ， ｅ ｎ ｅ ｒ ｕ ｓ ｉ ｏ ｎａ ｌ ｏ ｒ ｉ ｔ ｈ ｍｉ ｓａ ｄ ｏ ｔ ｅ ｄａ ｓｆ ｕ ｓ ｉ ｏ ｎｒ ｕ ｌ ｅ ｓｉ ｎｌ ｏ ｗ ａ ｓ ｓｓ ｕ ｂ ｂ ａ ｎ ｄ ｓａ ｎ ｄｈ ｉ ｈ ａ ｓ ｓｓ ｕ ｂ ｂ ａ ｎ ｄ ｓ ａ ｎ ｄ ｇ ｙｆ ｇ ｐ ｐ ｇ ｐ ， ｉ ｍ ａ ｅ ｓａ ｒ ｅｍ ｅ ｒ ｅ ｄｗ ｉ ｔ ｈｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔｆ ｒ ａ ｃ ｔ ａ ｌｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎａ ｓｗ ｅ ｉ ｈ ｔ ．Ｆ ｉ ｎ ａ ｌ ｌ ｔ ｈ ｅｓ ｔ ｒ ｅ ｔ ｃ ｈ ｅ ｄｇ ｒ ａ ｓ ｃ ａ ｌ ｅｆ ｕ ｓ ｅ ｄ ｇ ｇ ｇ ｙ ｙ ， ｎ ｄｔ ｈ ｅ ｆ ｉ ｎ ａ ｌ ｆ ｕ ｓ ｅ ｄｉ ｍ ａ ｅ ｉ ｓａ ｃ ｈ ｉ ｅ ｖ ｅ ｄ ． Ｃ ｏ ｍ ａ ｒ ｅ ｄｔ ｏｔ ｈ ｅ ｉ ｍ ａ ｅｒ ｅ ｌ ａ ｃ ｅ ｓ ｔ ｈ ｅｏ ｒ ｉ ｉ ｎ ａ ｌ ｉ ｎ ｔ ｅ ｎ ｓ ｉ ｔ ｏ ｍ ｏ ｎ ｅ ｎ ｔａ ｇ ｐ ｇ ｐ ｇ ｙｃ ｐ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌＨ Ｉ Ｓｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍａ ｎ ｄｗ ａ ｖ ｅ ｌ ｅ ｔｂ ａ ｓ ｅ ｄａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ， ｔ ｈ ｅｗ ａ ｒ ｆｔ ｈ ｅｐ ｒ ｏ ｏ ｓ ｅ ｄａ ｌ ｏ ｒ ｉ ｔ ｈ ｍｉ ｓｏ ｎ ｌ ｇ ｐｏ ｐ ｇ ｙ ， ３ ０ ． ３ １％ ａ ｎ ｄ５ ０ ． ６ ６％ ｔ ｈ ｅ ｆ ｏ ｒ ｍ ｅ ｒ ｓ ｒ ｅ ｓ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ． ｐ ｙ ： ； 犓 犲 狅 狉 犱 狊 ｉ ｍ ａ ｅ ｆ ｕ ｓ ｉ ｏ ｎ ｄ ｕ ａ ｌ ｔ ｒ ｅ ｅｃ ｏ ｍ ｌ ｅ ｘｗ ａ ｖ ｅ ｌ ｅ ｔ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ； ｆ ｒ ａ ｃ ｔ ａ ｌ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ｇ ｐ 狔犠
／ １ ２
狀） ２ 狋－狀） ， φ（ ∑犵 （
０
犵
（ ） ４ （ ） ５
狀
／ １ ２ ）＝ ２ 狋 Ψ犵 （
狀） ２ 狋－狀） ． φ（ ∑犵 （
１
犵
狀
因为 犺 （） ，１（ 他们作为复数小波变换的实部 ， 两者关系可以表示为 狀）为共轭积分滤波器对 ， ０ 狀 犺
狀 （） （ ） （ ） ， 是奇整数 ． （ ） 犺 ６ １ 狀 ＝ －１ 犺 ０ 犖 －狀 犖 同样 ， （） ，１（ 其关系可表示为 狀）作为复数小波变换的虚部 ， 犵 ０ 狀 犵 狀 （ ） （ ） ０（ （ ） 犖 －狀） ７ ， 犖 是奇整数 ． 犵 １ 狀 ＝ －１ 犵 ） 具有频谱单边性 （ 当ω ≤０时 ， ） 所以 ， 小波变换 狋 ． 复数小波变换的优点源于复数小波函数 Ψ（ Ψ（ ω） ＜０
数小波和分维的多光谱和高分辨图像融合算法 ．
收稿日期 ： ２ ０ ０ ７ ０ ８ ３ １ 基金项目 ： 国家自然科学基金资助 （ ） ６ ０ ４ ７ ２ ０ ８ ５ 作者简介 ： 白 蕊（ ） ， 女， 西安电子科技大学硕士研究生 ， ： １ ９ ８ ２ Ｅ ｍ ａ ｉ ｌ ａ ｕ ｂ ａ ｄ ｅ ９ ９ ９＠１ ６ ３． ｃ ｏ ｍ．
（ 西安电子科技大学 电子工程学院 ， 陕西 西安 ７ ） １ ０ ０ ７ １ 摘要 ： 提出了一种多光谱与高分辨率图像融合的双 树 复 数 小 波 分 维 算 法 ． 充分利用双树复数小波变换 良好的方向选择性 ， 对多光谱的 Ｉ分量和 全 色 图 像 进 行 小 波 分 解 ， 进 而 在 不 同 子 带 中 进 行 图 像 融 合， 低 频采用基于区域能量的融合算法 ， 高频定义不同的分形分维作为权系数进行融合 ， 最后 将 得 到 的 灰 度 融 合图像进行线性拉伸并替代原来的 Ｉ分量 ， 得到最 终 的 融 合 图 像 ． 实 验 结 果 表 明， 与 经 典 的Ｉ Ｈ Ｓ变换和 该算法光谱扭曲度仅为前两者的 ３ 小波变换相比 ， ０ ． ３ １％ 和 ５ ０ ． ６ ６％． 关键词 ： 图像融合 ；双树复数小波变换 ；分维 中图分类号 ： （ ） Ｔ Ｐ ７ ５ １． １ 文献标识码 ： Ａ 文章编号 ： １ ０ ０ １ ２ ４ ０ ０ ２ ０ ０ ８ ０ ４ ０ ６ ９ ６ ０ ７
［ ］ 了双树复数小波变换 （ 双树复数小波变换 是一对滤 波 器 组 （ 同时作用在输入信号 Ｄ Ｔ ＣＷＴ ６～８ ） ． Ｈ ｉ ｌ ｂ ｅ ｒ ｔ对 ）
上， 它产生的两组小波分解 ， 由于能提供 ６ 个方向的信息 ， 因此具有平移不变性 ， 而其较好的方向性和精确的
９］ 相空间信息 ， 在图像处理和计算机视觉等应用领域中取得了很好的效果 ［ 笔者提出了一种新的基于双树 复 ．
２ ０ ０ ８年８月 第３ ５卷 第４期
西安电子科技大学学报（ 自然科学版） 犑 犗犝犚犖犃 犔 犗 犉 犡 犐 犇 犐 犃犖 犝犖 犐 犞 犈犚 犛 犐 犜犢
Ａ ｕ ． ２ ０ ０ ８ ｇ ｏ ． ４ Ｖ ｏ ｌ ． ３ ５ Ｎ
多光谱与高分辨率图像融合的新算法
白 蕊， 杨 万 海， 张 艳 妮
］ ６～８ 可简要表示为 ［ 虚部 ．
）＝ Ψ犺 （ ） ） （ ） 狋 狋 狋 １ Ψ（ Ψ犵 （ ， ＋ｊ 其中 Ψ犺 （ ） ， （ ） 均是实数值小波 ， 代表两个独立平行的滤波器组 一维双树复数小波变换如图 所示 狋 Ψ犵 狋 ． １ ．Biblioteka 图 １ 一维双树复小波变换
图 １ 中犺 （） ，１（ 与其相对应的实数值尺度函数为 Φ ） ， 小波函数为 Ψ犺 （ ） ， 可 狀）为共轭积分滤波器 ， 狋 狋 犺（ ０ 狀 犺 定义为
自然科学版 ） ５卷 西安电子科技大学学报 （ 第 ３ ６ ９ ８
（ ０ ． ５ 犌０（ ｅ ｘ －ｊ ω）＝ 犎０（ ω） ω） ， ω ＜ π ． ｐ 则和这些滤波器相对应的小波是一个 Ｈ 变换对 ， 由此可见 ， 双 树复 数小 波变 换的 关键 是低 通滤 波器 的 ｉ ｌ ｂ ｅ ｒ ｔ
图像融合是指把来自不同传感器的同一场景的两幅或多幅图像融合起来以提高图 像质 量 ，获得 单一 图
１， ２］ 像所不能提供的特征信息 ［ 图像融合是一项正在快速发展的信息处理技术 ，它已在多谱 段空 间多 光谱 和 ．
高分辨图像 、 医用扫描成像 、 工业检测 、 机器人智能 、 计算机多媒体技术等多个领域得到广泛的应用 ．
）必须是 Ψ犺 （ ）的 Ｈ 满足 狋 狋 ｉ ｌ ｂ ｅ ｒ ｔ变换 ， Ψ犵 （ －ｊ Ψ犺 （ ω） ， 烄 Ψ犵 （ ω）＝ 烅 Ψ犺 （ ω） ， ｊ 烆 ）＝ 犎 ｛ ） ｝ 狋 狋 Ψ犵 （ Ψ犺 （ ．
ω ＞ ０ ， ω ＜ ０ ．
（ ） ８
记作
如果 犎０（ ω）与 犌０（ ω）都是低通滤波器且满足
图 ２ Ｈ ｉ ｌ ｂ ｅ ｒ ｔ变换对正交小波基
１ ． ２ 二维双树复数小波变换 对于双树复小波变换 ， ， 若 Ψ（ ）是复数 ， 则 狓， 狓） 狋 Ψ（ Ψ（ 狔）＝ Ψ（ 狔） ］ ［ ］＝ Ψ犺 （ 狓， 狓） 狓） 狓） 狓） Ψ（ Ψ犺 （ Ψ犵 （ Ψ犺 （ Ψ犵 （ Ψ犺 （ Ψ犵 （ ＋ｉ ＋ｉ － Ψ犵 （ ＋ 狔）＝ ［ 狔） 狔） 狔） 狔） ［ ］ ｉ 狓） 狓） ＋ Ψ犺 （ Ψ犵 （ Ψ犺 （ Ψ犵 （ ． 狔） 狔） （ ） ９