论文部分内容阅读
遥感技术作为一门快速发展的学科,在通过传感器获取地面物体的信息时具有相当大的优势。遥感影像作为记录传感器信息的载体,具有丰富的表达形式,在通过传感器获取地面地物的信息时,不同的传感器在空间分辨率、辐射分辨率及光谱分辨率等方面存在较大差异,因此,单一影像数据源在地物信息识别、提取中存在缺陷。采用多源影像的数据融合处理方法能够有效提高数据的互补性,解决数据冗余等问题,从而提高影像数据的解译精度和应用效率,由此,多源影像数据融合算法研究一直是学术界的研究热点。近年来,我国发射了一系列国产高分卫星,有效地促进了高分辨率卫星数据在国内各行业的应用。然而,针对新发射国产高分影像的数据融合研究还存在诸多问题,为此,本文提出了一种超球面彩色空间变换(Hyperspherical color space,HCS)与非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)相结合的遥感影像融合算法,并且针对不同的数据源,分别提出不同的融合规则,用于提高融合影像的质量。本文的主要工作有:(1)提出了一种针对光学影像多光谱波段与全色波段的融合算法。论文首先对高分一号影像的全色波段与多光谱波段进行自动校正,对多光谱波段进行HCS变换获取Ⅰ分量。其次,将全色波段和多光谱波段的Ⅰ分量分别使用HSCT分解,并获取全色波段的多个高频子带与一个低频子带与多光谱波段的多个高频子带与一个低频子带,并针对全色波段的多个高频子带与Ⅰ分量的多个高频子带采用改进的拉普拉斯能量和方法计算能量和的数值,对每个相互对应的高频子带的数值进行对比,保留能量和值高的部分作为融合部分,对于全色波段的唯一低频子带和Ⅰ分量唯一低频子带采用加权的局部方向熵方法计算熵值,保留方向熵较高的部分作为融合部分。最后,将保留的结果进行NSCT和HCS逆变换,得到最终融合的多光谱遥感影像。(2)提出了光学影像多光谱波段与合成孔径雷达的图像融合算法。论文首先对高分一号多光谱影像与高分三号合成孔径雷达影像进行预处理与几何精校正,对多光谱影像进行HCS变换获取Ⅰ分量。然后对SAR影像进行降噪处理,尽量获得更加有效的边缘与纹理信息。其次将SAR影像和Ⅰ分量分别使用HSCT所分解,并获取SAR影像的多个高频子带与一个低频子带与多光谱影像的多个高频子带与一个低频子带。并针对SAR影像的多个高频子带与Ⅰ分量的多个高频子带依旧采用改进的拉普拉斯能量和方法计算能量和的数值,对相同方向上的高频子带的数值进行对比,保留能量和值高的部分作为融合部分。对于SAR影像的唯一低频子带和Ⅰ分量唯一低频子带直接保留多光谱影像的部分。最后将保留的结果进行NSCT和HCS逆变换,得到最终融合的多光谱遥感影像。(3)通过对不同遥感影像数据融合的实验,对融合结果进行融合质量评价。分别包括主观评价与客观评价。主观评价是通过目视解译,对比融合之前与之后的影像,判断是否更容易识别出地物特征。客观评价主要针对空间分辨率与光谱保持程度。对于空间分辨率通过均值、标准差、信息熵、平均灰度、相关性和清晰度等指标进行评价。光谱保持程度则是通过对比原始影像与融合影像中水体、植被、道路、裸土和建筑物这五种地物的光谱函数来判断。对于高分一号全色波段与多光谱波段,本文方法与CN法、SFIM法、PCA法、GIHS法和Gram-Schmidt法分别进行对比和主观评价和客观评价。仿真实验显示,本文方法无论是在目视解译效果上还是在空间分辨率和光谱保持程度上,均优于其他算法。对于高分三号合成孔径雷达与高分一号多光谱影像,仿真实验显示,本文方法在光谱保持程度上强于CN算法、GIHS算法和SFIM算法。在较低的建筑物上强于CN算法、GIHS算法和SFIM算法,在较高的建筑物上略弱于SFIM算法,强于CN算法和GIHS算法。在水体、道路和植被方面强于其他三种算法。