论文部分内容阅读
摘要：高通滤波算法可以对图像起到增强的效果，但是对于多光谱影像，如果只是对每个波段分别进行高通滤波，则不能充分利用多光谱图像所含有的信息。本文从主分量变换的角度，对多光谱影像的高通濾波增强算法提出了一种可行的改进方法。
中国分类号：TP751 文献识别码：A
关键词：高通滤波 影像增强 主分量变换不加权融合
中图分类号：TU 文献标识码： A 文章编号：2095-2104（2012）01-0020-02
图像增强可以消除图像的噪声，改善图像的视觉效果，也可以突出边缘，有利于识别和处理【1】。高通滤波算法可以过滤掉图像的低频成分，增强突出其高频分量，因此可以用于图像的增强。但是对于多光谱图像，如果只是对每个波段分别进行高通滤波，并不能充分利用多光谱图像的图像信息。主分量变换可以从多个波段中选取少数几个具有主要信息的波段，并且保持信息损失最小。如果将主分量变换和基于高通滤波的影像融合算法结合起来，则可以达到比高通滤波更好的影像增强效果。基于这一原理，本文提出了一种针对多光谱图像的改进的高通滤波算法。下面将以实验的形式给予验证。
1.实验数据源、实验平台及所用算子
实验数据：武汉市某地的IKONOS多光谱图像合成的彩色图像(如图1，为显示图像细节，下面所有图图像均只截取一部分)
实验平台：Visual C++
所用算子：下面所示图片采用的高通滤波算子均为拉普拉斯增强算子，采用其他高通滤波算子也得到了类似的结果。
2.主分量变换（K-L变换）
KL变换是一个能够从n个特征中选择m个（m
图1IKONOS多光谱图像合成的彩色图像图2最大主分量图像
3. 一种改进的高通滤波影像增强算法
直接对多光谱图像的每个波段进行高通滤波（如图3），不能最大利用各个波段的所有信息。为了充分利用多光谱影像各波段的所有信息，我们先对多光谱图像进行主分量变换，得到其最大主分量图像，如图2.然后将最大主分量图像作为全色影像与原始多光谱图像进行基于高通滤波的影像融合，就可以得到增强的多光谱图像了。基于高通滤波的影像融合又分为加权融合和不加权融合两种【3】。但是，加权融合得到的增强效果并不如直接进行高通滤波的增强效果，此处不再演示。
在不加权融合中，先对最大主分量进行高通滤波，得到最大主分量的高频成分HP(i,j)，然后将最大主分量的高频成分逐像素加到原始多光谱图像的各个波段上，即按公式Ek(i,j) = HP(i,j)+ Mk(i,j)进行影像融合（Ek为已增强图像第K波段每个像素的灰度值，Mk(i,j)为原始多光谱图像第K波段每个像素的灰度值），得到的结果如图4.
图3原高通滤波算法得到的增强图像图4改进算法得到的增强图像
对比图3、图4，我们可以看到：改进算法得到的图像与高通滤波得到的图像增强效果很相似，但是仔细观察，我们发现：按照改进算法得到的增强图像保留的细节更多（尤其在平坦的屋顶），这就是改进算法的优势所在，这说明按照改进算法得到的图像包含更多的信息。
4.结束语
由以上实验分析结果，我们得到一种改进的多光谱图像的高通滤波影像增强算法：
1）对多光谱图像各波段进行主分量分析，得到其最大主分量；
2）对最大主分量进行高通滤波，得到最大主分量的高频分量；
3）然后将最大主分量的高频分量逐像素分别加到原始多光谱图像的各波段上。
2）、3）步即按照公式Ek(i,j) = HP(i,j)+ Mk(i,j)对最大主分量图像和原始多光谱图像进行基于高通滤波的不加权影像融合。
改进算法可以得到更好的图像增强效果，但是其算法要比高通滤波算法要复杂一些，实际中如果对多光谱图像的增强效果要求较高，就可以采用这种方法来获取更好的影像增强效果。
参考文献：
【1】贾永红 数字图像处理【M】2010.2
【2】舒宁马洪超孙和利 模式识别的理论与方法【M】 2004
【3】贾永红崔卫红余卉 数字图像处理实习教程【M】 2007.1
中国分类号：TP751 文献识别码：A
关键词：高通滤波 影像增强 主分量变换不加权融合
中图分类号：TU 文献标识码： A 文章编号：2095-2104（2012）01-0020-02
图像增强可以消除图像的噪声，改善图像的视觉效果，也可以突出边缘，有利于识别和处理【1】。高通滤波算法可以过滤掉图像的低频成分，增强突出其高频分量，因此可以用于图像的增强。但是对于多光谱图像，如果只是对每个波段分别进行高通滤波，并不能充分利用多光谱图像的图像信息。主分量变换可以从多个波段中选取少数几个具有主要信息的波段，并且保持信息损失最小。如果将主分量变换和基于高通滤波的影像融合算法结合起来，则可以达到比高通滤波更好的影像增强效果。基于这一原理，本文提出了一种针对多光谱图像的改进的高通滤波算法。下面将以实验的形式给予验证。
1.实验数据源、实验平台及所用算子
实验数据：武汉市某地的IKONOS多光谱图像合成的彩色图像(如图1，为显示图像细节，下面所有图图像均只截取一部分)
实验平台：Visual C++
所用算子：下面所示图片采用的高通滤波算子均为拉普拉斯增强算子，采用其他高通滤波算子也得到了类似的结果。
2.主分量变换（K-L变换）
KL变换是一个能够从n个特征中选择m个（m
图1IKONOS多光谱图像合成的彩色图像图2最大主分量图像
3. 一种改进的高通滤波影像增强算法
直接对多光谱图像的每个波段进行高通滤波（如图3），不能最大利用各个波段的所有信息。为了充分利用多光谱影像各波段的所有信息，我们先对多光谱图像进行主分量变换，得到其最大主分量图像，如图2.然后将最大主分量图像作为全色影像与原始多光谱图像进行基于高通滤波的影像融合，就可以得到增强的多光谱图像了。基于高通滤波的影像融合又分为加权融合和不加权融合两种【3】。但是，加权融合得到的增强效果并不如直接进行高通滤波的增强效果，此处不再演示。
在不加权融合中，先对最大主分量进行高通滤波，得到最大主分量的高频成分HP(i,j)，然后将最大主分量的高频成分逐像素加到原始多光谱图像的各个波段上，即按公式Ek(i,j) = HP(i,j)+ Mk(i,j)进行影像融合（Ek为已增强图像第K波段每个像素的灰度值，Mk(i,j)为原始多光谱图像第K波段每个像素的灰度值），得到的结果如图4.
图3原高通滤波算法得到的增强图像图4改进算法得到的增强图像
对比图3、图4，我们可以看到：改进算法得到的图像与高通滤波得到的图像增强效果很相似，但是仔细观察，我们发现：按照改进算法得到的增强图像保留的细节更多（尤其在平坦的屋顶），这就是改进算法的优势所在，这说明按照改进算法得到的图像包含更多的信息。
4.结束语
由以上实验分析结果，我们得到一种改进的多光谱图像的高通滤波影像增强算法：
1）对多光谱图像各波段进行主分量分析，得到其最大主分量；
2）对最大主分量进行高通滤波，得到最大主分量的高频分量；
3）然后将最大主分量的高频分量逐像素分别加到原始多光谱图像的各波段上。
2）、3）步即按照公式Ek(i,j) = HP(i,j)+ Mk(i,j)对最大主分量图像和原始多光谱图像进行基于高通滤波的不加权影像融合。
改进算法可以得到更好的图像增强效果，但是其算法要比高通滤波算法要复杂一些，实际中如果对多光谱图像的增强效果要求较高，就可以采用这种方法来获取更好的影像增强效果。
参考文献：
【1】贾永红 数字图像处理【M】2010.2
【2】舒宁马洪超孙和利 模式识别的理论与方法【M】 2004
【3】贾永红崔卫红余卉 数字图像处理实习教程【M】 2007.1