论文部分内容阅读
随着遥感传感器技术的不断发展,不同的遥感传感器所获取的遥感图像数据在空间分辨率和光谱分辨率方面各有不同。利用光学原理设计的传感器获取的遥感图像数据在空间细节表征力和光谱特性保留方面是相互冲突的,在同一信噪比的情况下,若要提升遥感图像的空间分辨率则需要牺牲一定的光谱分辨率,同理,若要提升遥感图像的光谱分辨率则需要把牺牲空间分辨率作为代价。在遥感图像数据的实际研究和应用中则需要两个分辨率同时都高的图像,为了使卫星获取的遥感图像既具有较好的光谱特性,又具有较高的空间细节表征能力,遥感图像融合技术便应运而生。本文针对传统遥感图像融合方法中存在的保留图像光谱特性和提高空间细节表征能力相互冲突的问题和遥感图像在融合过程中采用单一融合策略造成空间细节信息缺失的问题,提出两种新算法:1.提出基于最小Hausdorff距离和非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)的遥感图像融合算法。该算法首先利用主成分分析(Principal Component Analysis,PCA)变换获得多光谱图像的第一主分量,然后采用NSST对全色图像和第一主分量分别进行多层分解,得到低频子带和方向尺度各不相同的高频子带。其中高频子带中含有大量特征显著的空间细节信息,传统单一的融合规则并不适用于全部细节特征,采用单一融合策略融合会造成融合图像部分细节信息和光谱信息缺失和不匹配。针对这个问题将最小Hausdorff距离作为多策略融合的度量标准应用在高频子带融合中,根据相似度选择相应的融合策略。将空间频率结合稀疏表示的方法应用于低频子带融合中。最后分别进行NSST逆变换和PCA逆变换得到目标融合图像。通过对不同卫星数据集进行测试,结果表明所提方法在保留光谱信息和提升空间分辨率方面都有很好的效果。2.提出NSST域内基于蚁群边缘优化和最小Hausdorff距离的遥感图像融合算法。该算法是对上一个算法的优化,在多策略融合的基础上采用蚁群边缘优化算法将多光谱图像和全色图像中互补的细节信息同时保留在融合图像中,首先利用PCA变换获得多光谱图像的第一主分量,将蚁群边缘检测应用于全色图像获得其边缘二值图像,根据边缘图像对全色图像和第一主分量进行多策略融合获得新的全色图像。然后分别对新的全色图像和第一主分量进行NSST分解,得到低频子带和各个方向尺度不同的高频子带。融合分解所得的高频子带时采用多策略融合的融合规则,融合低频子带时采用结合空间频率和稀疏表示的融合规则。最后分别经过NSST逆变换和PCA逆变换得到目标融合图像。通过对不同卫星数据集进行测试,结果表明所提方法在保留光谱信息和提升空间分辨率方面都有很好的效果。