隨著遙感技術的快速發(fā)展,各種場景的應用對圖像融合質量提出了更高的要求。針對CS方法與MRA方法存在的光譜失真與空間畸變等問題,提出了一種HCS結合MRA的遙感圖像融合框架。首先,對MS進行HCT正變換獲得強度分量和角度分量,并對PAN進行直方圖匹配;然后,對強度分量和匹配后的PAN進行某種MRA變換獲得各自的高頻系數(shù)和低頻系數(shù);再使用特定的融合規(guī)則將高頻系數(shù)與低頻系數(shù)分別融合,并進行相應的MRA逆變換獲得新的強度分量;最后對新的強度分量與角度分量進行HCT逆變換獲得融合結果。為驗證框架的融合效果,對WV-2影像進行了融合實驗,并對結果進行了主觀評價和客觀評價指標的計算。結果表明,HCS結合MRA的方法在融合效果上明顯優(yōu)于CS方法和MRA方法。因此,融合框架能夠獲得光譜保持和空間質量均較好的融合結果,對遙感技術的應用提供了有力支持。 

【文章來源】：江西科學. 2020,38(05)

【文章頁數(shù)】：7 頁

【部分圖文】：

本文融合框架實現(xiàn)詳細流程圖

為了定量分析各算法融合結果的細微差異，本文選用了相關系數(shù)(correlation coefficient,CC)、通用圖像質量指標(image quality index,UIQI)、相對無量綱全局誤差(Erreur Relative Globale Adimensionnelle de Synthèse,ERGAS)、相對平均光譜誤差(Relative Average Spectral Error,RASE)、均方根誤差(Root Mean Square Error,RMSE)、信息熵(information entropy,IE) 6個常用客觀評價指標對各算法融合結果進行了評價[14-15]，結果如表1所示。CC越高表示融合圖像的光譜質量越好;ERGAS意味著綜合中的相對維度全局誤差，值越小融合圖像的光譜質量越好;RASE代表了融合圖像中各波段的性能，值越小效果越好;RMSE通過計算像素值之間的差異來比較2幅圖像之間的差異，值越小表示差異越小;IE反映了圖像的信息質量，值越大圖像信息豐富度越高，空間信息越豐富;最后將時間引入評價體系以評估各算法的計算復雜度。由表1可知，本文融合框架下的5種方法在光譜信息以及空間信息的保持上均要優(yōu)于CS方法和MRA方法，這是因為HCS結合MRA的方法可以避免CS方法因分量的直接替換而導致的光譜信息損失，同時對MS提取強度分量與PAN進行融合的方式可以避免MRA方法對每個波段分別注入PAN的空間細節(jié)，而導致信息冗余造成的光譜失真和空間畸變。其中，HCS結合MRA的方法在CC、ERGAS、RASE和RMSE上取得了較好的效果，說明SR的引入較好地保留了圖像的低頻信息，相比于MRA方法和CS方法光譜失真較小。在UIQI和IE方面HCS結合MRA的方法同樣要優(yōu)于CS方法和MRA方法，說明它們的融合結果獲得了較好的整體視覺效果，并且保留了更多的空間細節(jié)及紋理細信息。從算法的計算復雜度上來看，CS方法的整體耗時最小，MRA由于本身在多分辨率的分解與重構上就十分耗時，且對每個波段分別處理導致計算復雜度進一步提升。HCS結合MRA的各種方法雖然整體上計算復雜度要大于CS方法，但是相比各自對應的MRA方法，計算效率明顯提高。在所有算法中H＿NSCT的融合效果是最好的，因為NSCT可以更好地捕捉影像的幾何特性、紋理和邊緣等信息，但是復雜的計算使得它在遙感圖像融合上的應用有所限制。


本文編號：3486799