基于自適應分割的航測內(nèi)業(yè)遙感圖像深度融合研究

劉清才

河南省地質(zhì)礦產(chǎn)勘查開發(fā)局 第四地質(zhì)勘查院，河南 鄭州 450001

0 引 言

航測內(nèi)業(yè)遙感圖像使用中，差異類型傳感器采集的遙感圖像數(shù)據(jù)存在顯著冗余性，互補性較低，大量遙感數(shù)據(jù)未能實現(xiàn)物盡其用[1-3]。如何合理使用此類數(shù)據(jù)，將遙感圖像數(shù)據(jù)融合，是目前航測內(nèi)業(yè)遙感應用領域的核心問題。

目前，對遙感圖像融合方面的研究不在少數(shù)，王威等[4]提出一種引導濾波和稀疏表示相結合的遙感圖像融合算法，在圖像融合之前先對多光譜圖像進行IHS變換操作，將全色圖像當作導向圖，采用引導濾波算法在全色圖像中注入細節(jié)。在此基礎上，采用ksvd方法進行自適應字典訓練，得到圖像的稀疏表示系數(shù)，運用融合規(guī)則對稀疏表示系數(shù)進行替換。該算法是通過引導濾波與系數(shù)表示相融的形式實現(xiàn)遙感圖像融合。該算法可以加強圖像的局部細節(jié)，在光譜保留度上具有一定的優(yōu)勢，但是融合后的遙感圖像信息量不夠充分，圖像光譜存在形變情況。劉卷舒等[5]提出一種改進的基于非下采樣的Contourlet變換的圖像融合算法，首先對融合的圖像進行NSCT分解，采用融合規(guī)則融合Contourlet域系數(shù)，從而獲取融合后圖像的NSCT系數(shù)，采用逆變換方法重構融合圖像，以不同曝光度圖像和多聚焦圖像作為實驗對象，進行融合效果分析。該算法能夠?qū)崿F(xiàn)對遙感圖像的快速融合，但是遙感圖像紋理清晰度不夠顯著。劉帆等[6]提出一種基于優(yōu)化字典學習的遙感圖像融合方法，在經(jīng)典圖像庫中選取圖像分塊作為訓練樣本，實現(xiàn)K均值聚類，以聚類結果為基礎，降低相似度較高的圖像塊數(shù)量。對處理后的訓練樣本進行訓練，并對全色圖像塊規(guī)范化以此來替換相似字典原子和較少使用的字典原子，從而得到自適應字典。采用自適應字典對圖像進行稀疏表示，同時，選擇不同的融合規(guī)則進行圖像融合，通過操作可以保留更多的光譜信息和空間細節(jié)信息，實現(xiàn)圖像的充分融合。該方法得到的融合圖像具有較好的主觀視覺效果，但是融合后圖像的紋理特征不夠顯著。文獻[7]提出一種基于卷積神經(jīng)網(wǎng)絡的紅外圖像融合算法，采用尺度感知邊緣保護濾波器對目標圖像進行多尺度分解，利用加權平均融合規(guī)則對圖像進行融合，并提取圖像中的空間細節(jié)進行融合。該算法可以較好地保留尺度信息，融合后圖像中的噪聲有所減少，但是視覺效果不佳，不能適應人類的視覺感知特點。

針對現(xiàn)有圖像融合方法存在的問題，為改善遙感圖像融合效果，本文提出一種基于自適應分割的航測內(nèi)業(yè)遙感圖像深度融合算法。MeanShift算法屬于一類非參數(shù)、迭代模式的檢索算法，也稱均值漂移算法，對航測內(nèi)業(yè)遙感圖像的特征聚類效果較好。在圖像融合過程中，先通過基于多維特征自適應MeanShift算法的航測內(nèi)業(yè)遙感圖像分割算法，實現(xiàn)航測內(nèi)業(yè)遙感圖像低頻分量、高頻分量特征的自動聚類與分割，并獲取基帶數(shù)據(jù)，基帶數(shù)據(jù)融合可以充分保護遙感圖像的光譜信息完整性，保留圖像細節(jié)；再使用HIS轉(zhuǎn)換和自適應小波系數(shù)特征融合算法，將低頻分量在RGB空間中自適應地變換至HIS空間中，使低頻分量與RGB空間能夠自動適應，從低頻與高頻兩種角度使融合后的航測內(nèi)業(yè)遙感圖像紋理清晰度更顯著，實現(xiàn)航測內(nèi)業(yè)遙感圖像的深度融合。

1 航測內(nèi)業(yè)遙感圖像分割

1.1 多特性選取與預處理

航測內(nèi)業(yè)遙感圖像特征向量由位置、光譜、紋理、形態(tài)、輪廓等相關信息構成，采用基于多維特征自適應MeanShift算法的航測內(nèi)業(yè)遙感圖像分割算法，提取航測內(nèi)業(yè)遙感圖像低頻部分與高頻部分中的目標位置、多光譜與紋理特征，進而分割成低頻分量與高頻分量[8]。

設航測內(nèi)業(yè)遙感圖像像素點A的坐標為(a，b)，遙感圖像多光譜由多個光譜波段和一個全色波段構成，波段信息不僅具有關聯(lián)性，而且信息量具有冗余性[9]。由于主成分分析法的線性轉(zhuǎn)換性能較好，可去除波段間關聯(lián)性，因此，將遙感圖像低頻、高頻部分的多光譜信息含量依次設成兩個主成分Q1、Q2。航測內(nèi)業(yè)遙感圖像中的差異地物會存在較為類似的光譜表象，只通過光譜特征實施MeanShift聚類，便能將光譜存在類似性的差異樣本收斂至特征空間一致的模態(tài)點中，此時地物光譜不可分，因此，進行航測內(nèi)業(yè)遙感圖像分割時，需要導入紋理特征，以此來優(yōu)化圖像分割的穩(wěn)定度[10]。通過對比度、熵和均勻性3種常見的特性指標計算每個波段的紋理特征，公式如下：

式中，H為波段參數(shù)。

由于低頻、高頻部分中位置向量、多波段光譜向量、紋理向量的數(shù)量級存在差異，在迭代操作時，遙感圖像數(shù)據(jù)溢出性較高，因此必須將全部特征向量依次實施歸一化操作至值域[0,1]。

設置航測內(nèi)業(yè)遙感圖像大小為n×m，像素點A(a，b)的位置特征為：

根據(jù)上述公式，可將Q1、Q2與g1、g2、g3歸一化至值域[0,1]中。

1.2 多維特征自適應MeanShift算法實現(xiàn)

多維特征自適應MeanShift算法的關鍵在于可以采用不同的量化矩陣對圖像中的細節(jié)區(qū)域與平滑區(qū)域進行自動調(diào)節(jié)，在自動調(diào)節(jié)中能夠準確獲取低頻、高頻分量特征，保證圖像中的重要頻率成分，并對非重要頻率成分進行適當抑制，在最大程度上確保融合后圖像的空間特征，以此來提升圖像的自適應融合程度。

為了提升MeanShift算法的收斂性，需要使用適當?shù)暮撕瘮?shù)。目前常用的是Gauss核函數(shù)與Epanechnikov核函數(shù)[11-12]，由于航測內(nèi)業(yè)遙感圖像中存在Gauss分布屬性，因此使用Gauss核函數(shù)TN(α)，計算公式為：

則多維特征自適應MeanShift向量為：

式中，像素點A的位置、光譜及紋理特征向量分別為As、Ar、At；A的近鄰像素點的位置、光譜及紋理特征向量分別為Ajs、AjrAjt；位置、光譜與紋理帶寬分別為ts、tr、tt；Aj為第j個像素點。

將位置向量與顏色向量自動歸納成空間-顏色域，采取MeanShift濾波操作，獲取模態(tài)點，以此聚類相同模態(tài)點的全部像素點，獲取低頻、高頻部分的特征聚集區(qū)。按照聚類結果計算每個聚類區(qū)的目標特征坐標距離、光譜距離以及紋理距離運算后續(xù)聚類的帶寬ts'(A)、tr'(A)、tt'(A)，通過式（7）在空間-主成分-紋理域?qū)嵤㎝eanShift聚類，獲取低頻、高頻分量的特征聚類區(qū)，然后根據(jù)下述準則實施區(qū)域合并。

1）兩個近鄰聚類區(qū)的空間距離低于ts，兩個聚類區(qū)合并；

2）兩個近鄰聚類區(qū)的光譜距離低于tr，兩個聚類區(qū)合并；

3）根據(jù)以往經(jīng)驗值，將聚類區(qū)中最低像素設置為N，單區(qū)域像素數(shù)低于N，此區(qū)域被合并至近鄰的剩余區(qū)域內(nèi)，從而實現(xiàn)航測內(nèi)業(yè)遙感圖像低頻、高頻分量的特征分割，由于ts、tr以及N與遙感圖像的空間距離、光譜距離以及像素相關，影響圖像聚類區(qū)合并效果，進而影響圖像分割精度，因此，在圖像分割中應注意這幾個閾值的變化情況。

2 基于HIS轉(zhuǎn)換和自適應小波系數(shù)特征的圖像融合算法

實現(xiàn)航測內(nèi)業(yè)遙感圖像分割后，圍繞分割獲取的航測內(nèi)業(yè)遙感圖像低頻、高頻分量，使用基于HIS轉(zhuǎn)換和自適應小波系數(shù)特征的融合算法，實現(xiàn)航測內(nèi)業(yè)遙感圖像深度融合。

2.1 融合流程

目前，常用的遙感圖像融合方法中，HIS轉(zhuǎn)換融合方法能夠增強遙感圖像的細節(jié)信息，但是光譜特征信息失真度較高[13]；PCA方法對光譜特征信息的保護性較差；小波變換方法可以較好地保護遙感圖像中的光譜信息與空間信息、紋理信息，但是高空間分辨率圖像中的低頻分量會存在振鈴情況。因此，將小波變換方法與HIS轉(zhuǎn)換方法相融，將航測內(nèi)業(yè)遙感圖像的低頻分量、高頻分量進行小波分解，獲取基帶數(shù)據(jù)與每個層次的子帶數(shù)據(jù)?；鶐?shù)據(jù)融合可以充分保護遙感圖像的光譜信息完整性，子帶數(shù)據(jù)融合可以優(yōu)化遙感圖像分辨率[14]。因此，針對基帶數(shù)據(jù)與子帶數(shù)據(jù)，使用自適應融合算法實現(xiàn)對航測內(nèi)業(yè)遙感圖像的深度融合，具體融合流程為：

1）將高頻分量與低頻分量重采樣成一致的空間分辨率后，實施標準的空間配準；

2）將低頻分量在RGB空間中自適應地變換至HIS空間，使低頻分量能夠與RGB空間自動適應，從而獲取強度（S）、色調(diào)（D）以及飽和度（B）；

3）讓高頻分量與低頻分量的S分量實施直方圖匹配，讓其與S分量存在一致的均值和方差；

4）將匹配后的高頻分量與S分量依次實施小波分解，低頻分量和高頻分量按照局部小波系數(shù)特征融合準則實施轉(zhuǎn)換；

5）將轉(zhuǎn)換后的低頻分量與每層高頻分量實施逆轉(zhuǎn)換獲取S'；

6）將色調(diào)（D）以及飽和度（B）分別實施HIS逆轉(zhuǎn)換獲取最后的融合結果。

2.2 融合準則

將遙感圖像低頻分量設成k(Ar)，需要融合的高頻分量設成KPAN，將k(Ar)和KPAN實施融合操作。融合準則如下：

1）低頻分量融合準則。低頻分量融合是為了充分保存遙感圖像的光譜特征，并將遙感圖像的某些特征導入低分辨率多光譜遙感圖像中，融合準則公式為：

式中，o為小波塊標準差。

2）高頻分量融合準則。高頻分量部分融合可增強遙感圖像的細節(jié)信息，經(jīng)小波分解后獲取遙感圖像的高頻分量為和模板位置局部小塊中的方差，將運算獲取的方差值設成目前模板中心像元，經(jīng)過小波分解獲取新的高頻分量和方差φ、φ。對比φ、φ中相應像素點A的值，值較大的像素點歸入像素集Ω里，計算公式為：

循環(huán)上述步驟，每個分解層水平、垂直、斜向3種方位的高頻分量均實現(xiàn)融合再停止。將所獲取的新的低頻、高頻分量實施小波逆轉(zhuǎn)換，重構獲取新的航測內(nèi)業(yè)遙感圖像。將新的航測內(nèi)業(yè)遙感圖像與原始遙感圖像H、S分量實施HIS逆轉(zhuǎn)換，得到最后經(jīng)深度融合后的航測內(nèi)業(yè)遙感圖像。

3 實驗結果和分析

為了測試自適應分割算法對航測內(nèi)業(yè)遙感圖像的融合效果，對多光譜圖像（圖1a）實施深度融合。為了凸顯自適應分割算法的融合效果，使用引導濾波和稀疏表示相結合的遙感圖像融合算法、改進的基于非下采樣的Contourlet變換的圖像融合算法作為自適應分割算法的對比方法，不同算法的融合效果如圖1b、圖1c、圖1d所示。

圖1 不同算法的圖像融合效果圖Fig.1 Fusion effect of different algorithms

將圖1b、圖1c、圖1d進行對比后可見，引導濾波和稀疏表示相結合的遙感圖像融合算法融合后，遙感圖像亮度過高，視覺效果不佳，改進的基于非下采樣的Contourlet變換的圖像融合算法融合后，遙感圖像中的色彩丟失，而自適應分割算法融合后的航測內(nèi)業(yè)遙感圖像紋理清晰度更顯著，光譜信息與細節(jié)信息均得以優(yōu)化，且融合后圖像亮度更加合適，在客觀的角度上，自適應分割算法融合效果更勝一籌。這是由于該算法運用多維特征自適應MeanShift算法實現(xiàn)對航測內(nèi)業(yè)遙感圖像中低頻部分與高頻部分的分割，得到了低頻分量與高頻分量，進而在后續(xù)圖像融合時便于對圖像中所包含的光譜信息、信息量以及圖像細節(jié)等部分進行深度融合。

為了充分驗證自適應分割算法的圖像融合效果，以引導濾波和稀疏表示相結合的遙感圖像融合算法和基于卷積神經(jīng)網(wǎng)絡的紅外圖像融合算法為對比方法，進一步分析不同方法的圖像融合效果（圖2）。

圖2 不同方法圖像融合效果Fig.2 Image fusion effects of different methods

分析圖2可知，采用自適應分割算法得出的圖像融合效果更加清晰，能夠清晰地對圖中的標識線邊緣進行融合，視覺效果明顯優(yōu)于現(xiàn)有方法。這是由于自適應分割算法通過HIS轉(zhuǎn)換融合方法增強了遙感圖像的細節(jié)信息，同時，采用小波變換方法較好地保護了遙感圖像中的光譜信息與空間信息、紋理信息。將小波變換方法與HIS轉(zhuǎn)換方法結合，可以充分保護遙感圖像的光譜信息完整性，從而提升了圖像融合的視覺效果。

通過標準差、熵、梯度均值評估所融合的航測內(nèi)業(yè)遙感圖像空間信息，通過相關系數(shù)、光譜扭曲度系數(shù)評估融合后遙感圖的光譜信息。

遙感圖像標準差描述灰度均值的離散狀態(tài)，標準差越大，目視效果越佳；熵值可描述遙感圖像信息量情況，遙感圖像熵越大，遙感圖像信息量越充分，融合質(zhì)量越佳；梯度均值可描述遙感圖像的細節(jié)反差，如圖像清晰度，梯度均值越大，圖像清晰度越高；相關系數(shù)可描述所融合遙感圖像和原始圖像特征的近似水平；光譜扭曲度系數(shù)可描述光譜信息的變形水平。3種方法的融合性能評價結果如圖3所示。

圖3 數(shù)值計算對比結果Fig.3 Comparison of numerical calculations

如圖3所示，基于自適應分割的航測內(nèi)業(yè)遙感圖像深度融合方法融合后航測內(nèi)業(yè)遙感圖像標準差、熵值和梯度均值均高于引導濾波和稀疏表示相結合的遙感圖像融合算法和改進的基于非下采樣的Contourlet變換的圖像融合算法，說明自適應分割算法對航測內(nèi)業(yè)遙感圖像融合后，遙感圖像信息量充分，紋理更顯著，從低頻與高頻兩種角度使得融合后的航測內(nèi)業(yè)遙感圖像紋理清晰度更顯著，這是由于自適應分割算法通過將HIS轉(zhuǎn)換算法與小波轉(zhuǎn)換算法進行自適應融合后，低頻分量與RGB空間能夠自動適應，從而保證了圖像紋理的清晰度，這一點與傳統(tǒng)方法相比具有顯著優(yōu)勢；自適應分割算法融合后航測內(nèi)業(yè)遙感圖像相關系數(shù)大于對比方法，光譜扭曲度系數(shù)低于對比方法，由此可見，自適應分割算法所融合遙感圖像和原始圖像特征的近似水平較高，光譜還原性較好，光譜信息變形水平較低。

4 結 論

文章提出一種基于自適應分割的航測內(nèi)業(yè)遙感圖像深度融合算法，并通過實驗驗證其有效性。通過標準差、熵、梯度均值評估所融合的航測內(nèi)業(yè)遙感圖像空間信息，通過相關系數(shù)、光譜扭曲度系數(shù)評估融合后遙感圖的光譜信息。根據(jù)實驗結果可知自適應分割算法對航測內(nèi)業(yè)遙感圖像融合后，遙感圖像信息量充分，紋理更顯著；自適應分割算法融合遙感圖像和原始圖像特征的近似水平較高，光譜還原性較好，光譜信息變形不顯著。