基于區(qū)域特征的高光譜與全色圖像NSCT域融合方法

楊 桄，張?bào)汴?2，張儉峰，黃俊華,3

?

基于區(qū)域特征的高光譜與全色圖像NSCT域融合方法

楊 桄1，張?bào)汴?,2，張儉峰1，黃俊華1,3

（1. 空軍航空大學(xué)，吉林 長春 130022；2. 海軍航空工程學(xué)院，山東 煙臺 264001；3. 75830 部隊(duì)，廣東 廣州 510510）

針對高光譜圖像解譯需求，提出了一種基于目標(biāo)檢測理論的NSCT域高光譜圖像與全色圖像融合方法。首先對高光譜圖像進(jìn)行RX異常目標(biāo)檢測，得到目標(biāo)背景分離圖像；然后對參與融合的波段圖像進(jìn)行無下采樣輪廓波分解，得到不同分辨率的低頻子帶和多方向的帶通子帶；對于背景區(qū)域的低頻子帶系數(shù)和高頻子帶系數(shù)，分別采用加權(quán)平均和平均梯度自適應(yīng)加權(quán)的融合策略，對于目標(biāo)區(qū)域，則根據(jù)不同特征采用區(qū)域方差自適應(yīng)加權(quán)的低頻系數(shù)融合方法和區(qū)域方差取大的高頻系數(shù)融合方法；最后進(jìn)行NSCT逆變換得到融合圖像。實(shí)驗(yàn)結(jié)果表明，本文提出的融合方法能夠有效提高高光譜圖像的目視效果，突出目標(biāo)與背景區(qū)域的差異，有利于目視解譯工作的進(jìn)行。

高光譜；圖像融合；目標(biāo)檢測；NSCT；區(qū)域特征

0 引言

高光譜遙感異常檢測可以在沒有先驗(yàn)光譜信息的前提下對異常目標(biāo)和背景進(jìn)行分離，利用高光譜圖豐富的光譜信息完成目標(biāo)初步檢測[1]，但是由于光譜庫尚不完備，要對異常信息進(jìn)行進(jìn)一步分析，人眼識別、人機(jī)交互解譯仍是一條重要途徑。但高光譜圖像波段眾多，傳感器能量有限又導(dǎo)致空間分辨率較低，降低了圖像的可觀性。因此，研究高光譜圖像的融合技術(shù)很有必要。所謂高光譜圖像融合，是指對高光譜圖像去除冗余、合并互補(bǔ)信息，以利于人工解譯和后續(xù)處理[2]。將高光譜圖像與空間分辨率較高的全色圖像進(jìn)行融合，不僅能夠?qū)⑷珗D像優(yōu)良的空間特性賦予高光譜圖像，還將高光譜豐富的光譜信息賦予全色圖像，是提高兩類圖像可觀性的有效途徑[3]。

從融合方法上看，圖像融合方法主要包括以主成分分析（PCA）為代表的特征變換方法、以HIS變換為代表的顏色空間變換方法、以小波變換為代表的基于時-頻變換的方法等[4-5]。從融合形式看，圖像融合可以分為基于像素、基于窗口、基于區(qū)域3種類型[6-7]?；谙袼氐娜诤蠜]有考慮圖像中各像元間的關(guān)聯(lián)性；基于窗口的融合在窗口選擇時較為機(jī)械；而基于區(qū)域的融合首先根據(jù)需要將圖像劃分不同的感興趣區(qū)域，然后根據(jù)不同區(qū)域的特征從像素或窗口級別來設(shè)計(jì)針對性的融合規(guī)則，因此能夠取得最佳融合效果。將區(qū)域特征引入圖像融合在很多文獻(xiàn)里已有了成功的應(yīng)用。文獻(xiàn)[8]基于圖論和FCM聚類（Fuzzy C-Means Clustering，F(xiàn)CM）方法分別對紅外圖像和可見光圖像進(jìn)行聚類分析得到聯(lián)合區(qū)域分割圖，然后根據(jù)區(qū)域能量比和區(qū)域清晰度比兩個區(qū)域特征度量算子指導(dǎo)低頻和高頻圖像的融合；文獻(xiàn)[9]首先將序列紅外圖像分割為目標(biāo)區(qū)域、背景區(qū)域以及灰度區(qū)域，并將分割結(jié)果映射到可見光圖像中，針對不同區(qū)域采用不同融合規(guī)則；文獻(xiàn)[10]則定義了區(qū)域均值比量測算子對SAR圖像進(jìn)行區(qū)域劃分，然后采用NSCT對降斑SAR圖像和全色圖像進(jìn)行多尺度、多方向分解，并在此基礎(chǔ)上進(jìn)行區(qū)域融合。

基于上述問題和思路，本文將區(qū)域思想引入高光譜圖像融合。首先利用高光譜異常檢測將高光譜圖像分為目標(biāo)區(qū)與背景區(qū)，然后選擇高光譜融合波段，對參與融合的圖像進(jìn)行NSCT變換，根據(jù)不同區(qū)域、不同系數(shù)的特點(diǎn)，采用不同的融合規(guī)則得到融合圖像的低頻、高頻系數(shù)，最后進(jìn)行NSCT逆變換得到融合結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法能夠很好地綜合兩類圖像的優(yōu)點(diǎn)，同時突出潛在目標(biāo)與背景的差異，有利于目視解譯的進(jìn)行。

1 RX異常檢測算法

高光譜異常檢測能夠在沒有先驗(yàn)光譜信息的前提下直接利用高光譜圖像像元間的光譜差異來判斷像元屬性。Reed等提出的RX算法被公認(rèn)為一種經(jīng)典的異常檢測基準(zhǔn)算法，RX及其改進(jìn)算法在實(shí)踐中得到了廣泛的應(yīng)用[11]。

RX算法的基本原理是假設(shè)高光譜圖像背景服從局部高斯分布，通過以每一像元點(diǎn)為中心的雙層窗口對整幅圖像進(jìn)行遍歷，以局部背景參數(shù)估計(jì)的方式建立模型。雙窗結(jié)構(gòu)如圖1所示。

圖1 RX算法檢測窗口模型

RX算子通RX()過下式來判斷目標(biāo)屬性：

直接使用RX算法得到異常檢測結(jié)果可能會存在噪聲點(diǎn)，根據(jù)后續(xù)處理需要舍棄獨(dú)立存在的“孤立”異常點(diǎn)。目前RX算法有多種改進(jìn)型，能夠大大提高檢測精度。由于本文融合方法對異常檢測精度要求不高，經(jīng)典的RX算法便可滿足后續(xù)處理要求，同時RX算子構(gòu)造簡單，減少了融合前處理所使用的時間。

2 非下采樣輪廓波變換（NSCT）

小波變換作為Fourier變換的發(fā)展，已被廣泛應(yīng)用于數(shù)字圖像處理領(lǐng)域。但是，小波變換只能反映信號的零維奇異性，在分析點(diǎn)的奇異性時是最優(yōu)的[12-13]，而實(shí)際圖像地物輪廓更多的表現(xiàn)為線的奇異性，因此小波變換并不是自然二維圖像的最佳稀疏表達(dá)。后來有學(xué)者提出了Contourlet變換，將圖像的多尺度和多方向分開進(jìn)行；2006年A. L. Cunha等學(xué)者對Contourlet變換進(jìn)行了改造，提出非下采樣輪廓波變換[12]（Nonsubsampled Contourlet Transform，NSCT），采用了非下采樣過程，使變換具有了平移不變性，更好地適應(yīng)了圖像融合算法的研究。

圖2 NSCT變換示意圖

與其他變換相比，NSCT有如下優(yōu)點(diǎn)[13-14]：

1）NSCT具有很強(qiáng)的方向性，對圖像邊緣具有更好的表達(dá)能力；

2）NSCT在對圖像處理時不但具有良好的多尺度、多方向和空間域、時間域的局部特性，還具有良好的平移不變性，可以消除圖像奇異點(diǎn)附近容易引起的偽吉布斯現(xiàn)象；

3）分解后各子帶圖像與原圖大小相同，特別適用于基于區(qū)域特征的融合。

3 基于目標(biāo)檢測的高光譜圖像融合

3.1 算法步驟

1）預(yù)處理與圖像配準(zhǔn)。對高光譜圖像進(jìn)行校正、去噪等處理，去除水汽污染嚴(yán)重的波段；為實(shí)現(xiàn)高光譜圖像和全色圖像的像素級融合，還要對源圖像進(jìn)行圖像配準(zhǔn)，實(shí)現(xiàn)圖像上各地物點(diǎn)的一一對應(yīng)。假設(shè)選出波段圖像參與融合，分別為1,2,…,I，全色圖像設(shè)為I。

2）異常檢測。對高光譜圖像實(shí)施RX異常檢測，將潛在目標(biāo)與背景分離。

4）NSCT系數(shù)融合。將各波段圖像NSCT低頻、高頻系數(shù)分別與全色圖像NSCT系數(shù)進(jìn)行融合。根據(jù)采用不同融合規(guī)則分別對不同區(qū)域不同系數(shù)進(jìn)行融合，得到融合圖像的NSCT各子帶系數(shù)，具體方法見3.2節(jié)。

5）NSCT逆變換。根據(jù)融合得到的各波段的各級系數(shù)進(jìn)行NSCT逆變換，得到空間分辨率提升的各波段融合圖像。

3.2 融合規(guī)則

在制定融合規(guī)則時，要考慮低頻圖像近似信息、高頻圖像細(xì)節(jié)信息的特點(diǎn)，還要考慮背景區(qū)與感興趣目標(biāo)區(qū)域不同的融合需求。將目標(biāo)檢測得到的區(qū)域劃分結(jié)果映射到各級子帶圖像中。首先進(jìn)行背景區(qū)域的融合。

3.2.1 背景區(qū)域融合規(guī)則

對于背景區(qū)域，希望融合圖像能夠展示出各波段圖像的綜合特征，保留各波段圖像的紋理信息，同時要避免個別噪聲點(diǎn)的影響。

對于代表了原圖大部分能量的低頻子帶，采取加權(quán)平均法即可滿足要求。賦予各波段圖像相同權(quán)重，不僅保留了各圖像的特征，還大大減少了計(jì)算量。加權(quán)平均法公式如下：

高頻系數(shù)代表了圖像的細(xì)節(jié)信息，包括地物紋理、邊緣等。在對高頻信息進(jìn)行融合時，應(yīng)注重保留各波段圖像的紋理細(xì)節(jié)。由于圖像的細(xì)小反差與紋理可以用平均梯度來表述，因此在高頻系數(shù)融合時采用平均梯度自適應(yīng)加權(quán)的方法。平均梯度表達(dá)式如下：

但是，由于高頻系數(shù)有正有負(fù)，自適應(yīng)權(quán)重都為正，若幾幅圖像相應(yīng)位置的高頻系數(shù)異號，直接相加會導(dǎo)致系數(shù)相互抵消，從而導(dǎo)致信息的丟失，因此對加權(quán)融合公式進(jìn)行改進(jìn)，增加一個判斷正負(fù)的條件，公式為：

3.2.2 目標(biāo)區(qū)域融合規(guī)則

對于目標(biāo)區(qū)域，在融合時希望盡量突出目標(biāo)的特點(diǎn)，包括邊緣、紋理、陰影等各種信息，并盡可能增大與背景的反差?？紤]目標(biāo)區(qū)中的元素的8鄰域，會出現(xiàn)如圖3所示的兩種情況。

圖3 目標(biāo)區(qū)像元鄰域示意圖

中心像元表示目標(biāo)區(qū)某元素，灰色部分代表鄰域中的背景區(qū)元素，白色部分代表鄰域中其余目標(biāo)區(qū)像元。在對目標(biāo)區(qū)域進(jìn)行融合時要根據(jù)這兩種情況分別進(jìn)行處理。

由于區(qū)域能量能夠反映圖像該區(qū)域的整體亮度，對于代表了原圖像絕大部分能量的低頻系數(shù)，采用區(qū)域能量自適應(yīng)加權(quán)的方法進(jìn)行融合。但是對此處的“區(qū)域”進(jìn)行重新劃定，剔除鄰域中屬于背景的元素，得到目標(biāo)區(qū)域能量表達(dá)式為：

由此得到權(quán)重系數(shù)：

對于高頻系數(shù)，應(yīng)重點(diǎn)突出目標(biāo)與背景的差異。由于方差代表了一定區(qū)域內(nèi)各像元灰度差異的大小，因此選擇區(qū)域方差取大的方法進(jìn)行高頻系數(shù)的融合。對于情況1，中心像元鄰域中包含背景區(qū)像元，由于希望突顯中心像元與背景區(qū)域的差異，因此選擇中心元素與背景區(qū)元素進(jìn)行方差計(jì)算，方法如下：

對于情況2，中心像元鄰域中不包含背景區(qū)像元，則直接計(jì)算區(qū)域方差，公式如下：

按照方差取大法的高頻子帶系數(shù)融合規(guī)則為：

4 實(shí)驗(yàn)結(jié)果分析

采用真實(shí)高光譜數(shù)據(jù)對本文方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)所用的高光譜數(shù)據(jù)為由美國AVIRIS成像光譜儀獲取的圣迭戈海軍基地圖像，去除水汽污染嚴(yán)重的波段，剩余189個波段參與融合；全色圖像取自經(jīng)過配準(zhǔn)的同一場景的谷歌地球衛(wèi)星圖像。在整幅圖像中選取兩幅大小為128×128的包含有飛機(jī)等小目標(biāo)的圖像（分別標(biāo)記為圖像1、圖像2）進(jìn)行實(shí)驗(yàn)。其中兩組高光譜圖像的第7波段圖像及其對應(yīng)的全色圖像如圖4、圖5所示。對圖像1、圖像2實(shí)施RX異常檢測并舍棄離散像元得到潛在目標(biāo)與背景分離圖如圖6所示。

圖4 圖像1第7波段及全色圖像

圖5 圖像2第7波段及全色圖像

圖6 RX異常檢測結(jié)果圖

實(shí)驗(yàn)中用到的NSCT變換，分解層數(shù)為3，從高分辨率層到低分辨率層，方向分解數(shù)分別為2、4、8，用到的兩濾波器組分別為“9-7”、“pkva”。同時為對比本文方法，還仿真實(shí)現(xiàn)另外3種方法，其中方法一不采用區(qū)域融合、其余融合規(guī)則與本文方法一致，將其簡稱為NAM方法（Nonarea-feature Method）；方法二采用NSCT變換，低頻系數(shù)利用平均法、高頻系數(shù)利用絕對值取大法進(jìn)行融合，簡稱NSCT方法[15]；方法三利用小波變換，其中低頻系數(shù)采用加權(quán)平均法融合，高頻系數(shù)采用絕對值取大法，簡稱DWT方法[16]。

利用本文方法以及其他3種方法得到各波段融合結(jié)果，其中第7波段融合結(jié)果如圖7、圖8所示。

圖7 圖像1融合結(jié)果圖

圖8 圖像2融合結(jié)果圖

下面對實(shí)驗(yàn)結(jié)果進(jìn)行分析。首先進(jìn)行主觀評價。從視覺效果看，4種方法均能夠提升高光譜圖像的空間分辨率，說明基于多分辨率分析的融合方法適用于不同分辨率的圖像進(jìn)行融合。但是這4種方法得到的融合結(jié)果細(xì)節(jié)還是有區(qū)別的。如兩組實(shí)驗(yàn)中，DWT方法得到的融合圖像對比度、清晰度要低于NSCT方法得到的融合圖像，說明NSCT變換對圖像有著更細(xì)致的描述能力，基于NSCT變換的融合方法能夠更好地綜合圖像的優(yōu)良特性。此外，對目標(biāo)檢測算法提取出的潛在目標(biāo)來說，利用本文方法得到的融合結(jié)果中目標(biāo)與背景的差異更加突出，通過目視判讀可以很方便地提取出目標(biāo)信息。

為進(jìn)一步對實(shí)驗(yàn)結(jié)果進(jìn)行說明，計(jì)算融合標(biāo)準(zhǔn)差、平均梯度、信息熵、空間頻率、圖像清晰度以及光譜扭曲度等6個指標(biāo)來對4種方法進(jìn)行評價，綜合反映融合結(jié)果圖像的信息量、對比度、紋理細(xì)節(jié)信息、光譜信息保持度等信息。對得到的各波段融合灰度圖像分別求取上述指標(biāo)值并取均值作為客觀評價結(jié)果。對兩組數(shù)據(jù)4種方法得到的客觀評價結(jié)果如表1、表2所示。

表1 圖像1四種方法客觀評價結(jié)果

表2 圖像2四種方法客觀評價結(jié)果

此外，為了進(jìn)一步說明本文方法在突顯目標(biāo)與背景方面的差異，從目標(biāo)和背景區(qū)域選取典型像元如圖9所示，計(jì)算融合結(jié)果中各組分別來自目標(biāo)和背景區(qū)域的典型像元A、B的光譜夾角（Spectral Angle Mapping, SAM）。其中光譜夾角介于0到p/2，夾角越大，說明兩組光譜差異越大。統(tǒng)計(jì)兩組數(shù)據(jù)得到的SAM值如圖10所示。

圖9 典型像元選取圖

圖10 融合圖像典型像元SAM計(jì)算結(jié)果

對兩組圖像的4種融合結(jié)果進(jìn)行客觀評價，可以發(fā)現(xiàn)本文方法得到的圖像在標(biāo)準(zhǔn)差、平均梯度、信息熵、空間頻率、圖像清晰度等各項(xiàng)指標(biāo)表現(xiàn)均為最佳，這與圖像的主觀評價得到的結(jié)論一致。光譜扭曲度代表了融合圖像與高光譜原始數(shù)據(jù)之間的差異，光譜扭曲度越低說明光譜信息保持的越好。其中，NAM方法融合結(jié)果圖像的光譜扭曲程度最小，本文方法次之。由于在感興趣目標(biāo)區(qū)域融合時，為突顯目標(biāo)信息，在NSCT系數(shù)融合過程中可能會加大全色圖像系數(shù)融合中占的比重，從而高光譜圖像系數(shù)所占比重會相應(yīng)降低。因此本文方法結(jié)果的光譜扭曲度指標(biāo)較NAM方法會差一些。此外，通過對目標(biāo)區(qū)像元與背景區(qū)像元的光譜角度值的對比，可以看出本文方法得到的融合結(jié)果中目標(biāo)與背景像元差異最大，更加有利于目標(biāo)解譯以及后續(xù)的目標(biāo)提取、識別等處理的進(jìn)行。

5 結(jié)論

高光譜圖像異常檢測技術(shù)為基于區(qū)域的圖像融合提供了良好的先決條件，而圖像融合為目標(biāo)檢測提供進(jìn)一步的處理手段。本文提出的基于區(qū)域特征的NSCT域高光譜與全色圖像融合方法，充分利用了異常檢測技術(shù)取得的成果，不僅能夠保證融合效果，還可以提高融合圖像的目視解譯效果，具有很大的實(shí)際應(yīng)用價值。

[1] 趙春暉, 李曉慧, 王玉磊. 高光譜圖像異常目標(biāo)檢測研究進(jìn)展[J]. 電子測量與儀器學(xué)報(bào), 2014, 28(8): 803-809.

ZHAO Chunhui, LI Xiaohui, WANG Yulei. Research advance on anomaly detection for hyperspectral imagery[J]., 2014, 28(8): 803-809.

[2] 陳瀚孜. 高光譜圖像融合算法研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2008.

CHEN Hanzi. A research of the hyperspectral image fusion algorithms[D]. Harbin: Harbin Engineering University, 2008.

[3] Kim Y, Eo Y, Kim Y, et al. Generalized IHS-based satellite imagery fusion using spectral response functions[J]., 2011, 33(4): 497-505.

[4] 黃登山, 楊敏華, 姚學(xué)恒, 等. 顧及光譜特性的多光譜與全色影像HIS融合方法[J]. 測繪科學(xué), 2011, 36(2): 97-100.

HUANG Dengshan, YANG Minhua, YAO Xueheng. A fusion method of multispectral images and panchromatic image based on HIS transform considering spectral characteristics[J]., 2011, 36(2): 97-100.

[5] 豐明博, 劉學(xué), 趙冬. 多/高光譜遙感圖像的投影和小波融合算法[J]. 測繪學(xué)報(bào), 2014, 42(2): 158-163.

FENG Mingbo, LIU Xue, ZHAO Dong. A fusion method of hyperspectral and multispectral images based on projection and wavelet transformation [J]., 2014, 42(2): 158-163.

[6] 程俊兵. 基于與區(qū)域特性的圖像融合算法研究[D]. 太原: 太原理工大學(xué), 2013.

CHENG Junbing. Study on Image Fusion Based on NSCT and Regional Characteristics[D]. Taiyuan: Taiyuan University of Technology, 2013.

[7] 欒靜, 殷明, 于立萍, 等. 基于 Curvelet和改進(jìn)區(qū)域方差的遙感圖像融合[J]. 合肥工業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2015, 38(9): 1220-1225.

LUAN Jing, YIN Ming, YU Liping. Remote sensing images fusion and improved regional based on curvelet transform variance weighting[J]., 2015, 38(9): 1220-1225.

[8] 陳旸, 覃征, 胡浩, 等. 基于快速區(qū)域劃分的多焦點(diǎn)圖像融合方法[J]. 清華大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 50(10): 1733-1780.

CHEN Yang, QIN Zheng, HU Hao. Multi-focus image fusion based on fast region segmentation[J].:, 2010, 50(10): 1733-1780.

[9] 劉坤, 郭雷, 陳敬松. 基于區(qū)域分割的序列紅外圖像融合算法[J]. 紅外與激光工程, 2009, 38 (3): 554-558.

LIU Kun, GUO Lei, CHEN Jingsong. Sequence infrared image fusion algorithm using region segmentation[J]., 2009, 38 (3): 554-558.

[10] 葉傳奇, 王寶樹, 苗啟廣. 基于區(qū)域分割的NSCT域SAR與全色圖像融合算法[J]. 系統(tǒng)工程與電子技術(shù), 2010, 32(3): 609-615.

YE Chuanqi, WANG Baoshu, MIAO Qiguang. Fusion algorithm of SAR and panchromatic images based on region segmentation in NSCT domain[J]., 2010, 32(3): 609-615.

[11] Mehmood A, Nasrabadi N M. Anomaly detection in wavelet domain for long-wave FLIR imagery[C]//,,, 2010, 7696: 76960S-76960S-11.

[12] Mercan S, Alam M S. Anomaly detection in hyperspectral imagery using stable distribution[C]//,, 2011, 8049: 80490V-80490V-9.

[13] JIA S, QIAN Y. Constrained nonnegative matrix factorization for hyperspectral unmixing[J]., 2009, 47(1): 161-173.

[14] Ranney K I, Soumekh M. Hyperspectral anomaly detection within the signal subspace[J]., 2006, 3(3): 312-316.

[15] 王克成. 基于小波理論的超光譜圖像融合研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2005.

WANG Kecheng. Research on Hyperspectral Image Fusion Based on Wavelet Theory[D]. Harbin: Harbin Engineering University, 2005.

[16] 李新娥, 任建岳, 呂增明, 等. NSCT域內(nèi)基于改進(jìn)PCNN和區(qū)域能量的多光譜和全色圖像融合方法[J]. 紅外與激光工程, 2013, 42(11): 3097-4001.

LI Xin’e, REN Jianyue, LV Zengming. Fusion method of multispectral and panchromatic images based on improved PCNN and region energy in NSCT domain[J]., 2013, 42(11): 3097-4001.

A Fusion Method for Hyperspectral ImageryBased on Area Feature Detection UsingNSCT

YANG Guang1，ZHANG Xiaohan1,2，ZHANG Jianfeng1，HUANG Junhua1,3

(1.,130022,2,264001,;375830,510510,)

To easily interprethyperspectral imagery, a new fusion method based on the target detection theory in the Nonsubsampled Contourlet Transform(NSCT) domain is proposed in this paper. First, target detection is performed on hyperspectral imagery to separate the targets of interest from the background; then, the bands of images chosen for fusion are decomposed into a low frequency subband and several bandpass directional subbands by NSCT. For the low frequency subband and directional subbands of the background region, the coefficients are fused using the weight average method and the adaptive weighted method based on the regional average gradient. Next, for the target part, the coefficients are fused using the adaptive weighted method based on regional average energy and regional average varianceconsidering the different positions of the pixels.Finally, the fusion image is reconstructed using the fusioncoefficientsby inverse NSCT. The experimental results indicate that the fusion imagery obtained by the proposed methodhas better performance with respect to either visual effect or objective evaluation indexes including standard deviation, average gradient, information entropy, spatial frequency, and figure definitionfor both self-fusion of hyperspectral imagery and fusion of hyperspectral imagery and panchromatic images with higher spatial resolution.

hyperspectral imagery，image fusion，target detection，NSCT，area features

TP751

A

1001-8891(2017)06-0505-07

2016-09-07；

2016-11-29.

楊桄（1975-），男，教授，碩士生導(dǎo)師，博士后。主要從事遙感圖像解譯、地理信息系統(tǒng)方面的研究工作。E-mail：yg2599@126.com。

吉林省教育廳“十二五”科研項(xiàng)目（NO.2015448）；吉林省科技發(fā)展計(jì)劃資助項(xiàng)目（NO.20140101213JC）。