基于Contourlet變換的遙感圖像融合方法研究

李文靜，溫文鵬，王清和

(1．江西省煤炭工業(yè)科學(xué)研究所，南昌 330029;2．蘇州科環(huán)環(huán)?？萍加邢薰?，蘇州 215301)

0 引言

隨著遙感技術(shù)的快速發(fā)展，人類(lèi)不斷獲得對(duì)地觀測(cè)的海量數(shù)據(jù)。由于傳感器設(shè)計(jì)的局限性，遙感圖像的空間分辨率與光譜分辨率是一種逆相關(guān)關(guān)系［1］。由于應(yīng)用目的不同，單一傳感器獲得的圖像往往不能滿足某些具體的要求，圖像融合技術(shù)作為克服單一數(shù)據(jù)局限性的重要方法日益引起了人們的重視［2－3］。

20世紀(jì)80年代，文獻(xiàn)［4－6］中將IHS變換應(yīng)用于多源數(shù)據(jù)處理和圖像增強(qiáng)，但I(xiàn)HS方法扭曲了原始的光譜特性［7－8］。20世紀(jì)90年代，小波變換(wavelet trensform，WT)多尺度分析代替了傳統(tǒng)的塔式算法［9－14］。Zhou 等［9］在文獻(xiàn)中列舉了應(yīng)用 WT進(jìn)行多源圖像融合的常用方法。為改進(jìn)融合效果，研究人員對(duì)WT的融合規(guī)則進(jìn)行了廣泛研究［10－14］。宋楊等［10］提出了一種自適應(yīng)的基于局部小波系數(shù)特征的遙感圖像融合方法，該方法有效地減輕了圖像的光譜失真，提高了融合圖像與源圖像的相關(guān)性。Kim［11］等提出了改進(jìn)的加性多孔小波融合方法，針對(duì)邊界問(wèn)題提高了空間細(xì)節(jié)信息，使量化指標(biāo)得到了較大提高。蔡娜［12］提出了一種基于區(qū)域相似度的小波系數(shù)融合方法，將區(qū)域相似度的思想應(yīng)用于圖像融合規(guī)則中，避免了只考慮一個(gè)特征量作為融合結(jié)果判決標(biāo)準(zhǔn)的缺點(diǎn)。實(shí)驗(yàn)證明，上述方法突出了地物的結(jié)構(gòu)性，有效地增強(qiáng)了圖像的整體感;但多數(shù)研究采用的融合規(guī)則并未從根本上改善融合信息的特征，融合算法顯露出存在信息丟失的嚴(yán)重缺陷。2000年Do等［15］提出了輪廓波變換(Contourlet transform，CT)，亦稱“金字塔型方向?yàn)V波器組”［16－18］。由于Contourlet基的支撐區(qū)間(不同分辨率條件下的不同尺寸的長(zhǎng)條形結(jié)構(gòu))具有隨尺度變換的特性，對(duì)細(xì)小的有方向的輪廓和線段具有獨(dú)特的表達(dá)優(yōu)勢(shì)，因此該變換在圖像融合中能夠有效地提取細(xì)節(jié)信息［19］。Mahyari等［20］提出了一種基于 CT 的光譜分辨率和空間分辨率最大化的圖像融合方法，使用表征不同頻率域光譜的光譜直方圖以及四階精度相關(guān)系數(shù)作為融合規(guī)則，但融合過(guò)程中的閾值設(shè)置問(wèn)題影響著融合效果。Cunha等［21－23］提出的改進(jìn)非采樣CT方法不同于經(jīng)典的CT方法需進(jìn)行上、下采樣器的采樣處理，而是先將圖像經(jīng)過(guò)濾波器進(jìn)行上采樣，然后針對(duì)該上采樣獲取的信號(hào)進(jìn)行分解和重構(gòu)，從而使得濾波后圖像信息不會(huì)由于使用上、下采樣器而導(dǎo)致錯(cuò)位，可以更好地提取圖像的細(xì)節(jié)紋理信息，但未從融合規(guī)則上作出改善。Kong等［24］提出了基于非下采樣CT(nonsub sampled CT，NSCT)與IHS變換的可見(jiàn)光與紅外灰階圖像的融合技術(shù)，綜合了傳統(tǒng)的IHS變換及CT的優(yōu)勢(shì)。由于NSCT具有平移不變性，在保持圖像細(xì)節(jié)方面效果顯著;然而相對(duì)于傳統(tǒng)CT方法，NSCT具有較高的信息冗余。

本文以“從全色圖像中提取當(dāng)前多光譜圖像不具備的空間細(xì)節(jié)信息、在多尺度小波分析框架下將其融入多光譜圖像”為研究目標(biāo)，基于多尺度WT［25］及CT，進(jìn)行圖像的分解和重建;結(jié)合傳統(tǒng)的IHS變換方法，提出了一種基于CT變換的遙感圖像融合方法，有效地達(dá)到了將全色圖像的空間細(xì)節(jié)信息融入多光譜圖像的目的;并采用信息熵、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和光譜畸變度等指標(biāo)對(duì)融合結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法相比，該方法在保持多光譜圖像光譜信息的同時(shí)，有效地提高了圖像的空間分辨率。

1 CT變換基本原理

WT的多尺度分析為圖像的空間尺度分析提供了統(tǒng)一的框架，其多尺度分析特性使得融合結(jié)果保留了較為豐富的高頻細(xì)節(jié)信息。但對(duì)于二維圖像或更高維的圖像數(shù)據(jù)，WT的稀疏表示能力比較有限［15－16］。二維可分離小波基函數(shù)的支撐區(qū)間是一個(gè)正方形(圖1(a))，最終表現(xiàn)為以“正方形點(diǎn)”來(lái)逼近線的過(guò)程，且各向同性，能準(zhǔn)確地表示二維或者高維信號(hào)在豎直、水平或?qū)蔷€方向的直線奇異性。

圖1 奇異曲線的不同逼近方式Fig．1 Different approximation ways to singular curves

然而，遙感圖像中多數(shù)地物具有平滑的邊緣，使得其奇異點(diǎn)往往不是獨(dú)立分布的，而是聚集成具有某些幾何特征的奇異曲線。在這種情況下，WT的各向同性的基函數(shù)不能有效地利用數(shù)據(jù)本身特有的幾何特征捕捉圖像中沿邊緣方向的曲線奇異。而CT是近年來(lái)推廣的一種多尺度幾何分析方法，具有各向異性特征，較好地解決了WT不能有效表示的邊緣和輪廓等高維奇異問(wèn)題，在一定程度上改進(jìn)了基于WT融合算法中邊緣和紋理信息的保留狀況。

CT變換也稱為金字塔形方向?yàn)V波器組(pyramidal directional filter bank，PDFB)，是一種多分辨率的、局域的、帶方向的圖像表示方法。它的Contourlet基的支撐空間具有隨尺度改變而長(zhǎng)寬變化的“長(zhǎng)條形結(jié)構(gòu)”(圖1(b))，因此能夠更好地表現(xiàn)邊緣特征，更適合于進(jìn)行多尺度邊緣的增強(qiáng)處理［23］。

CT變換的實(shí)現(xiàn)主要包括2個(gè)分解步驟:①拉普拉斯金字塔(Laplacian pyramid，LP)分解;②方向?yàn)V波器組(directional filter bank，DFB)濾波。其合成變換過(guò)程正好相反(基本過(guò)程見(jiàn)圖2)。

圖2 CT示意圖Fig．2 Sketch map of CT

其中，拉普拉斯金字塔分解通過(guò)對(duì)原始圖像進(jìn)行一系列的下采樣(即二次采樣(subsampling))、高斯平滑及相鄰層次之間的圖像減運(yùn)算得到圖像的拉普拉斯金字塔，從而實(shí)現(xiàn)圖像的多尺度分析;再利用方向?yàn)V波器組對(duì)圖像的拉普拉斯金字塔各帶通子帶進(jìn)行方向分解，從而有效地捕獲各帶通子帶的方向信息。

2 基于CT和IHS變換的融合方法

研究全色圖像與多光譜圖像的融合是為了在保持原始多光譜圖像光譜信息的同時(shí)，有效地融入全色圖像豐富的空間細(xì)節(jié)信息，從而獲得空間分辨率和光譜信息保持俱佳的“雙高圖像”。

2．1 IHS變換與光譜質(zhì)量

亮度－色度－飽和度(intensity－h(huán)ue－saturation，IHS)彩色空間變換是一種經(jīng)典的將高分辨率圖像結(jié)構(gòu)信息融入到低分辨多光譜圖像中的融合技術(shù)。圖像從RGB到IHS彩色空間的轉(zhuǎn)換的同時(shí)，在一定程度上實(shí)現(xiàn)了包含圖像結(jié)構(gòu)信息(I)與光譜信息(H和S)的分離，從而使后續(xù)算法中通過(guò)只對(duì)亮度分量(I)進(jìn)行處理獲得豐富結(jié)構(gòu)信息的同時(shí)，減少對(duì)光譜信息的改變，有效保證圖像的光譜質(zhì)量。

2．2 CT變換與空間質(zhì)量

CT的多尺度分析和多方向分析分開(kāi)進(jìn)行的“長(zhǎng)條形結(jié)構(gòu)”，相對(duì)于第一代WT的多尺度“正方形”各向同性而言，具有更稀疏的空間細(xì)節(jié)表達(dá)能力，可以提取更豐富的空間信息。CT是WT的一種新擴(kuò)展，在任意尺度上能分解成2的任意次方個(gè)方向子帶，具有多方向性(圖2)，能更好地恢復(fù)圖像的空間紋理信息。

2．3 CT 融合規(guī)則

在傳統(tǒng)的WT得到的不同尺度分量信息中，低頻分量集中了較多的光譜信息，高頻分量則為細(xì)節(jié)紋理信息。WT融合的基本原則是低頻分量盡可能地保留多光譜圖像的光譜特征，高頻部分則增加空間細(xì)節(jié)信息。然而CT因其多尺度和方向分析的分開(kāi)獨(dú)立進(jìn)行，因此相對(duì)于第一代WT具有更稀疏的空間細(xì)節(jié)表達(dá)能力;而在光譜質(zhì)量的保持上，能夠獲得與第一代WT很接近的融合效果。但傳統(tǒng)的基于CT融合方法的研究大多采用的是不同頻率信息之間的替換，并未從根本上改善融合規(guī)則。為此，本文結(jié)合IHS變換、針對(duì)CT處理得到的不同尺度分量采用“低頻自適應(yīng)、高頻基于區(qū)域相似度”的融合規(guī)則，進(jìn)行基于局部小波系數(shù)的遙感圖像融合算法研究。

2．3．1 低頻分量的自適應(yīng)融合

如前所述，為了盡可能地保留原始多光譜圖像的光譜信息，低頻分量融合應(yīng)盡可能更多地采用多光譜圖像的光譜特征，同時(shí)將全色圖像的紋理特征融入到多光譜圖像中。其具體的融合方法如下:

1)提取fmul－I和fpan的低頻分量所共有的特征，即

2)提取全色圖像低頻部分所特有的特征，即

3)生成融合圖像 I分量低頻部分A－J2fnew－i，即

2．3．2 高頻分量的融合

高頻分量要盡量融入原始全色圖像的空間細(xì)節(jié)信息，而細(xì)節(jié)信息在圖像中更多地體現(xiàn)為紋理或圖斑的結(jié)構(gòu)等。一般圖像具有很強(qiáng)的結(jié)構(gòu)性，像素之間也存在很強(qiáng)的相關(guān)性，而這些相關(guān)性蘊(yùn)含著圖像結(jié)構(gòu)的重要信息。在人眼對(duì)圖像信息提取過(guò)程中，結(jié)構(gòu)信息是識(shí)別地物的重要特征，因此圖像結(jié)構(gòu)是度量圖像感知信息質(zhì)量的最好近似［23］。Wang［26］等于2002年首次提出了結(jié)構(gòu)信息的概念。本文將“結(jié)構(gòu)性”思想引入遙感圖像高頻細(xì)節(jié)信息提取融合規(guī)則中，把“結(jié)構(gòu)相似度”作為一個(gè)測(cè)度，設(shè)定一個(gè)閾值，然后分別針對(duì)不同的相似度進(jìn)行不同的處理。此外，方差也作為信息密度的量度應(yīng)用于本算法。數(shù)理統(tǒng)計(jì)中對(duì)方差描述的是數(shù)據(jù)的分散程度，方差越大，說(shuō)明數(shù)據(jù)的越分散;而在圖像數(shù)據(jù)中，方差越大表明圖像的像素變化越大，表現(xiàn)為圖像的細(xì)節(jié)、邊緣特征越明顯。本文在高頻融合規(guī)則中，采用了閾值控制結(jié)構(gòu)相似度準(zhǔn)則，實(shí)現(xiàn)了有選擇地對(duì)多光譜圖像和全色圖像的高頻分量進(jìn)行區(qū)域方差最大取值或加權(quán)平均融合。

2．3．3 結(jié)構(gòu)相似度

2景圖像X和Y之間結(jié)構(gòu)相似度(structural similarity，SSIM)定義為

其中

式(4—7)中:mX和mY分別為圖像X和Y的均值;和分別為圖像X和Y的方差;βXY為圖像X和Y的協(xié)方差;L(X，Y)為圖像X和Y的亮度比較;C(X，Y)為圖像X和Y的對(duì)比度比較;S(X，Y)為圖像X和Y的結(jié)構(gòu)比較;C1，C2和C3為常量(為避免式中分母為0而導(dǎo)致算法不穩(wěn)定)。

SSIM是度量2景圖像結(jié)構(gòu)相似度的一個(gè)指標(biāo)，它反映了2景圖像的相關(guān)性，并且其值在［－1，1］之間:取值為1時(shí)，表示2景圖像的模式完全一致;取值為－1時(shí)，表示2景圖像的模式完全相反。

本文首先定義一個(gè)閾值ρ，用于確定高頻系數(shù)融合的方式;然后對(duì)多光譜圖像和全色圖像的高頻部分做窗口運(yùn)算，計(jì)算其對(duì)應(yīng)的區(qū)域相似度，并記錄相似度的值;接著對(duì)不同的情況進(jìn)行不同的處理:當(dāng)相似度小于ρ時(shí)，采用方差最大原則進(jìn)行融合;否則，采用“加權(quán)平均”方式進(jìn)行融合，即

其中

式(8—10)中:ρ為設(shè)定的閾值(實(shí)驗(yàn)中取ρ=0．5);WK(2j，x，y)為融合結(jié)果圖像的高頻細(xì)節(jié)分量,(2j，x，y)和(2j，x，y)分別為圖像 A 和圖像 B的高頻細(xì)節(jié)分量;(2j，x，y)和(2j，x，y)分別為圖像A和圖像B的權(quán)重值;(2j，x，y)和(2j，x，y)分別為圖像A和圖像B某一窗口中的方差。

當(dāng)2景源圖像的對(duì)應(yīng)區(qū)域結(jié)構(gòu)相似度小于一定閾值時(shí)，說(shuō)明2景圖像差別較大、相關(guān)性較小，則采用“方差最大”融合，可以保留2景圖像中的主要細(xì)節(jié)信息;否則，說(shuō)明2景圖像比較相似，采用“加權(quán)平均”融合。

2．4 本文的改進(jìn)算法

結(jié)合傳統(tǒng)圖像融合方法，利用CT在空間細(xì)節(jié)提取上的優(yōu)勢(shì)，有針對(duì)性地改進(jìn)不同分量間的融合規(guī)則是本文提出算法的主要改進(jìn)。通過(guò)IHS分量替換算法得到包含圖像豐富空間特征的亮度分量，然后分別對(duì)該亮度分量與全色圖像進(jìn)行CT變換得到對(duì)應(yīng)的低頻分量及高頻分量。在融合規(guī)則的選擇中，本文采用“低頻自適應(yīng)、高頻區(qū)域相似度閾值控制”融合規(guī)則。實(shí)驗(yàn)結(jié)果表明，該方法與傳統(tǒng)方法相比，在整體效果上較優(yōu)。具體步驟如下:

1)對(duì)原始全色圖像和多光譜圖像進(jìn)行高精度幾何配準(zhǔn)，配準(zhǔn)精度要求在1個(gè)像素以內(nèi);并對(duì)多光譜圖像進(jìn)行重采樣，使之與全色圖像大小相同;

2)對(duì)多光譜圖像進(jìn)行從RGB空間到IHS空間的轉(zhuǎn)換，得到代表亮度的分量I和其余的色度(H)分量和飽和度分量(S);

3)分別對(duì)多光譜圖像的亮度分量和全色圖像進(jìn)行CT變換，從而得到相應(yīng)的不同分辨率、不同方向上的CT變換低頻分量系數(shù)和高頻分量系數(shù);

4)對(duì)獲得的低頻分量系數(shù)采用前文提到的低頻自適應(yīng)的融合規(guī)則進(jìn)行融合，得到新的低頻分量;而對(duì)高頻分量則根據(jù)分解層次進(jìn)行有選擇地融合:對(duì)于普通高頻部分(除最高頻次高頻部分——本文稱之為“最精細(xì)高頻部分”外)，當(dāng)多光譜圖像亮度分量的系數(shù)絕對(duì)值大于全色圖像時(shí)，融合系數(shù)取二者系數(shù)的代數(shù)和，否則直接取全色圖像的系數(shù)值;而對(duì)于最精細(xì)高頻部分，則直接取全色圖像的最精細(xì)部分系數(shù)值;

5)對(duì)融合得到的低頻分量和對(duì)應(yīng)的高頻分量進(jìn)行Contourlet逆變換，得到新的亮度分量;

6)將得到的亮度分量與步驟2)中的色度分量和飽和度分量進(jìn)行IHS逆變換，得到最終的融合結(jié)果圖像。

3 實(shí)驗(yàn)結(jié)果與分析

本文采用ENVI軟件中自帶的英國(guó)倫敦地區(qū)圖像——SPOT全色圖像(圖3(a))和 Landsat衛(wèi)星TM多光譜圖像(圖3(b))進(jìn)行融合實(shí)驗(yàn)，其中SPOT全色圖像空間分辨率為10 m，TM多光譜圖像空間分辨率為28m;實(shí)驗(yàn)用圖像大小均取256像元×256像元。實(shí)驗(yàn)過(guò)程中，對(duì)比WT采用的小波基為dbN系列(如db 13)，小波分解層數(shù)為3。

采用5種典型的圖像融合方法進(jìn)行了實(shí)驗(yàn)對(duì)比與分析:①I(mǎi)HS變換融合［5］;②基于IHS的WT融合［9］;③傳統(tǒng)的基于IHS與CT高頻分量替換的融合;④非下采樣CT(NSCT)融合［24］，其中低頻子帶采用自適應(yīng)策略，高頻子帶利用偏差系數(shù)及信息熵融合判別策略;⑤本文改進(jìn)的CT(I－CT)融合。5種融合方法的圖像融合結(jié)果見(jiàn)圖3(c)—(g)，圖中紅框部分為目標(biāo)區(qū)域(即目視對(duì)比的關(guān)鍵區(qū)域)。

圖3 系列融合結(jié)果Fig．3 Fusion results of different algorithm s

為了對(duì)比評(píng)價(jià)不同融合方法的融合效果，本文不僅從目視效果進(jìn)行直觀比較，并對(duì)融合結(jié)果進(jìn)行了定量指標(biāo)評(píng)價(jià)分析，主要包括光譜保持特性及對(duì)圖像信息量的對(duì)比評(píng)價(jià)。其中，對(duì)光譜保持質(zhì)量的評(píng)價(jià)指標(biāo)采用相關(guān)系數(shù)(CC)、光譜畸變度(SDD)和灰度均值(M);對(duì)圖像信息量則通過(guò)信息熵(IE)和標(biāo)準(zhǔn)差(SD)來(lái)衡量。

通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的目視比較可以看出，相對(duì)于TM圖像(圖3(b))，除 IHS變換融合結(jié)果(圖3(c))出現(xiàn)了明顯的光譜扭曲之外，基于WT(圖3(d))及CT(圖3(e))變換的融合算法均實(shí)現(xiàn)了在“保持光譜信息的同時(shí)，有效改進(jìn)空間分辨率”的目標(biāo)，即在光譜畸變不大的情況下，空間細(xì)節(jié)信息明顯較原TM圖像(圖3(b))豐富。WT融合算法獲得的融合結(jié)果(圖3(d))光譜畸變度較低，但是圖像比較模糊，空間分辨率改變不明顯;而CT方法相對(duì)于傳統(tǒng)的第一代WT，由于采用了不同的奇異曲線逼近方式，在空間信息的提取方面，捕獲了圖像中存在的豐富的、更多的方向信息，從而在空間細(xì)節(jié)的保持上優(yōu)勢(shì)明顯(圖3(e)(f)(g))。但是，由于CT分裂層數(shù)多、方向?yàn)V波器密集程度高，使得獲取的結(jié)構(gòu)細(xì)節(jié)信息較冗余，在目視效果上出現(xiàn)所謂的“虛景”情況(圖3(f)最為明顯)。

盡管傳統(tǒng)的CT及NSCT融合方法在紋理細(xì)節(jié)信息的保持上表現(xiàn)出明顯的優(yōu)勢(shì)，但是，CT變換融合圖像(圖3(e))中的“虛景”表現(xiàn)出明顯的吉布斯效應(yīng)(Gibbs effect);而NSCT變換融合圖像(圖3(f))雖然在空間細(xì)節(jié)的提取上較好地發(fā)揮了“平移不變性”的優(yōu)勢(shì)，該算法設(shè)計(jì)中高頻分量基于偏差系數(shù)及信息熵的融合規(guī)則在保持局部空間細(xì)節(jié)上效果顯著，但無(wú)法更多地顧及空間結(jié)構(gòu)信息。用本文提出的方法得到的融合圖像(圖3(g))在減小光譜退化的基礎(chǔ)上，有效地顧及了圖像中地物的空間分布及結(jié)構(gòu)信息。

表1列出5種方法融合圖像質(zhì)量的評(píng)價(jià)指標(biāo)。

表1 不同方法融合圖像質(zhì)量的評(píng)價(jià)指標(biāo)Tab．1 Evaluation indexes of quality for images fused by using different methods

從表1可以看出，在圖像信息量方面，基于IHS變換融合方法的融合圖像的信息熵最大(7．86)，I－CT的次之(7．70)，而 WT，CT及 NSCT的較小。這說(shuō)明融合方法相同、但融合規(guī)則不同會(huì)導(dǎo)致有較大差異的融合效果。從圖3(f)的細(xì)節(jié)信息以及表1中NSCT的標(biāo)準(zhǔn)差及信息熵指標(biāo)中可以看出，基于SSIM的融合規(guī)則更有助于提高融合圖像的高頻細(xì)節(jié)信息。同樣，在信息熵指標(biāo)中，本文的改進(jìn)方法僅略低于IHS變換融合方法，能獲得較大的信息量。

在光譜信息的保留方面，對(duì)照TM多光譜圖像RGB波段的均值和光譜相關(guān)系數(shù)及畸變度進(jìn)行分析。WT方法融合圖像的均值與TM圖像的最接近，IHS方法融合圖像的均值與TM圖像均值的差距最大，反映出IHS方法的光譜退化是最明顯的。同時(shí)，相關(guān)系數(shù)和光譜畸變度指標(biāo)進(jìn)一步表明，WT融合算法與I－CT算法能更好地保證融合圖像的光譜質(zhì)量。但相對(duì)于 TM圖像，I－CT算法的融合圖像(圖3(g))存在微弱的光譜扭曲;究其原因，可能是在CT過(guò)程中，對(duì)多光譜圖像的拉普拉斯變換使得最終參與高頻融合的光譜信息比WT的增多，而低頻分量中的光譜信息保留相應(yīng)減少，最終導(dǎo)致基于CT融合方法出現(xiàn)微弱的光譜畸變。

4 結(jié)論

1)本文利用標(biāo)準(zhǔn)的IHS變換，結(jié)合傳統(tǒng)多尺度小波變換(WT)方法，對(duì)比研究了具有多分辨率、多方向、更具稀疏表達(dá)能力的第二代輪廓波變換(CT)在多源遙感圖像融合中的應(yīng)用。具體研究了基于IHS的改進(jìn)CT算法，結(jié)合傳統(tǒng)IHS變換，將經(jīng)IHS空間變換獲得的亮度分量與原全色圖像均進(jìn)行CT，發(fā)展了一種基于“低頻分量自適應(yīng)、高頻基于區(qū)域相似度的閾值控制”的融合規(guī)則，分別對(duì)CT得到的高低頻分量進(jìn)行融合操作，最后再經(jīng)過(guò)一系列逆變換得到最終的融合結(jié)果圖像。

2)從實(shí)驗(yàn)結(jié)果的目視效果上來(lái)看，基于CT的融合方法與基于WT的融合方法在結(jié)構(gòu)細(xì)節(jié)信息和光譜信息的表現(xiàn)能力上相當(dāng)。與此同時(shí)，為了能對(duì)融合圖像質(zhì)量進(jìn)行定量的分析，本文還采用了均值、標(biāo)準(zhǔn)差、信息熵、相關(guān)系數(shù)以及光譜畸變度等評(píng)價(jià)指標(biāo)。這幾個(gè)指標(biāo)是對(duì)光譜信息畸變的度量，而標(biāo)準(zhǔn)差和信息熵則反映了圖像信息量的大小。通常情況下，融合圖像的空間分辨率和光譜分辨率很難同時(shí)達(dá)到最佳的效果，由于CT在空間細(xì)節(jié)信息保持上的優(yōu)勢(shì)以及針對(duì)光譜保持設(shè)計(jì)的低頻自適應(yīng)融合規(guī)則的使用，本文提出的融合方法在定量指標(biāo)綜合顯示中較優(yōu)。

3)由于CT分裂層數(shù)以及其方向?yàn)V波器的密集程度，空間細(xì)節(jié)信息在保持上較為冗余，融合結(jié)果圖像的吉布斯效應(yīng)顯著。因此，未來(lái)的工作將集中于尋找消減第二代WT中吉布斯效應(yīng)的策略，實(shí)現(xiàn)對(duì)空間結(jié)構(gòu)信息更加有效的表達(dá)。

［1］ Gonzalez－Audicana M，Saleta J L，Catalan O G，et al．Fusion of multi spectral and panchromatic images using improved IHS and PCA mergers based on wavelet decomposition［J］．IEEE Transactions on Geoscience and Remote Sensing，2004，42(6):1291－1299．

［2］ 褚進(jìn)海，彭 鵬，李 鄭，等．礦山遙感監(jiān)測(cè)中QuickBird數(shù)據(jù)融合方法研究［J］．國(guó)土資源遙感，2009，21(3):107－109．doi:10．6046/gtzyyg．2009．03．21．Chu JH，Peng P，Li Z，et al．The fusion method for Quick Bird data inmine remote sensing monitoring［J］．Remote Sensing for Land and Resources，2009，21(3):107－109．doi:10．6046/gtzyyg．2009．03．21．

［3］ 于海洋，甘甫平，邱振戈．CBERS－02B星數(shù)據(jù)融合方法評(píng)價(jià)［J］．國(guó)土資源遙感，2009，21(1):64－68．doi:10．6046/gtzyyg．2009．01．14．Yu H Y，Gan F P，Qiu Z G．Data fusion evaluation of CBERS－02B［J］．Remote Sensing for Land and Resources，2009，21(1):64－68．doi:10．6046/gtzyyg．2009．01．14．

［4］ Welch R，Ehlers M．Merging multire solution Spot HRV and Landsat TM data［J］．Photogrammetric Engineering and Remote Sensing，1987，53(3):301－303．

［5］ Carper J T M，Lilles and T M，Kiefer PW．The use of intensity hue－saturation transformations for merging Spot panchromatic and multi spectral image data［J］．Photogrammetric Engineering and Remote Sensing，1990，56:459－467．

［6］ Ehlers M．Multi sensor image fusion techniques in remote sensing［J］．ISPRS Journal of Photogrammetry and Remote Sensing，1991，46(1):19－30．

［7］ Shettigara V K．A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set［J］．Photogrammetric Engineering and Remote Sensing，1992，58(5):561－567．

［8］ Garguet－Duport B，Girel J，Chasseny JM，et al．The use of multire solution analysis and wavelets transform for merging SPOT panchromatic and multi spectral image data［J］．Photogrammetric Engineering and Remote Sensing，1996，62(9):1057－1066．

［9］ Zhou J，Civco D L，Silander J A．A wavelet transform method to merge Landsat TM and SPOT panchromatic data［J］．International Journal of Remote Sensing，1998，19(4):743－757．

［10］ 宋 楊，萬(wàn)幼川．一種自適應(yīng)的基于局部小波系數(shù)特征的遙感圖像融合方法［J］．遙感信息，2007(1):3－6．Song Y，Wan Y C．Remote sensing image fusion method based on adaptive local wavelet coefficients［J］．Remote Sensing Information，2007(1):3－6．

［11］ Kim Y，Lee C，Han D，et al．Improved additive－wavelet image fusion［J］．IEEE Geoscience and Remote Sensing Letters，2010，8(2):263－267．

［12］ 蔡 娜．基于小波變換的遙感圖像融合方法研究［D］．福州:福建師范大學(xué)，2008．Cai N．Study of Fusion Method for Remote Sensing Image Based on the Wavelet Transform［D］．Fuzhou:Fujian Normal University，2008．

［13］ 范文婷，傅 平．一種基于小波變換的遙感圖像融合方法［J］．國(guó)土資源遙感，2008，20(3):24－26．doi:10．6046/gtzyyg．2008．03．06．Fan W T，F(xiàn)u P．A remote sensing image fusion method based on wavelet transform［J］．Remote Sensing for Land and Resources，2008，20(3):24－26．doi:10．6046/gtzyyg．2008．03．06．

［14］ 于 浩，孫衛(wèi)東，常 玲，等．基于雙樹(shù)復(fù)小波的CBERS－02B星遙感影像融合及評(píng)價(jià)［J］．國(guó)土資源遙感，2009，21(1):55－59．doi:10．6046/gtzyyg．2009．01．12．Yu H，Sun W D，Chang L，et al．Remote sensing image fusion and evaluation of CBERS－02B based on dual tree complex wavelet transformation［J］．Remote Sensing for Land and Resources，2009，21(1):55－59．doi:10．6046/gtzyyg．2009．01．12．

［15］ Do M N，Vetterli M．The Contourlet transform:An efficient directional multire solution image representation［J］．IEEE Transactions on Image Processing，2005，14(12):2091－2106．

［16］ Do M N，Vetterli M．Framing pyramids［J］．IEEE Transactions on signal Processing，2003，51(9):2329－2342．

［17］ 王相海，魏婷婷，周志光．Contourlet方向區(qū)域相關(guān)性的遙感圖像融合［J］．遙感學(xué)報(bào)，2010，14(5):905－916．Wang X H，Wei T T，Zhou Z G．Remote sensing image fusion method based on the contourlet coefficients’correlativity of directional region［J］．Journal of Remote Sensing，2010，14(5):905－916．

［18］ 吳一全，陳 颯．Contourlet變換和Tsallis熵的多源遙感圖像匹配［J］．遙感學(xué)報(bào)，2010，14(5):893－904．Wu Y Q，Chen S．Multi－source remote sensing image matching based on Contourlet transform and Tsallis entropy［J］．Journal of Remote Sensing，2010，14(5):893－904．

［19］ 朱 康，賀新光．基于形態(tài)學(xué)和Contourlet系數(shù)區(qū)域特征的遙感圖像融合方法［J］．計(jì)算機(jī)科學(xué)，2013，40(4):301－305．Zhu K，He X G．Remote sensing images fusion method based on morphology and regional feature of Contourlet coefficients［J］．Computer Science，2013，40(4):301－305．

［20］ Mahyari A G，Yazdi M．Panchromatic and multi spectral image fusion based on maximization of both spectral and spatial similarities［J］．IEEE Transactions on Geoscience and Remote Sensing，2011，49(6):1976－1985．

［21］ Cunha A L，Zhou JP，Do M N．Nonsub sampled Contourilet transform:Filter design and applications in denoising［C］//Proceeding of International Conference on Image Processing．Genova:IEEE，2005:749－752．

［22］ Zhou JP，Cunha A L，Do M N．Nonsub sampled Contourlet transform:Construction and application in enhancement［C］//Proceeding of IEEE International Conference on Image Processing．Genova:IEEE，2005:469－472．

［23］ Cunha A L，Zhou J P，Do M N．The Nonsub sampled Contourlet transform:Theory，design，and applications［J］．IEEE Transaction on Image Processing，2006，15(10):3089－3101．

［24］ Kong W，Lei Y，Ni X．Fusion technique for grey－scale visible light and infrared images based on non－sub sampled Contourlet transform and intensity－h(huán)ue－saturation transform［J］．IET Signal Processing，2011，5(1):75－80．

［25］ Mallat SG．A theory for multire solution signal decomposition:The wavelet representation［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11(7):674－693．

［26］ Wang Z，Bovik A C，Sheikh H R，et al．Image quality assessment:from error visibility to structural similarity［J］．IEEE Transactions on Image Processing，2004，13(4):600－612．