论文部分内容阅读
摘要：传感器技术的进步使测绘遥感工程拥有了更多类型的卫星影像可以选择，影像具有各自的几何和光谱特征，融合使用能达到更高的测量精度。文章探究了一条基于IHS变换和NSCT变换的方法融合SAR影像與传统多光谱影像，利用人工鱼群算法进行低频融合，用区域能量特征和投票法进行高频融合，最终在尽量减少损失空间分辨率的情况下获得了更好的光谱信息保持度。
关键词：SAR；IHS；NSCT；多光谱影像融合；传感器技术；人工鱼群算法 文献标识码：A
中图分类号：TN957 文章编号：1009-2374（2015）06-0024-05 DOI：10.13535/j.cnki.11-4406/n.2015.0440
1 概述
随着遥感科学的进步，越来越多的传感器被用于地物信息探测。对同一个地区而言，存在多种分辨率、多种波段、多种传感器和多种平台的海量数据。相对于一个地区单一的数据源而言，海量数据具有数据量大、冗余性强、来源众多等特点，各种数据对同一地区的信息表达有大量相同之处。由于不同传感器对地物信息的收集和表达有所差异，影像融合的目的就是根据实际需要，突出感兴趣的信息，对无关信息进行抑制或者去除，从而获得比单一数据源信息量更大，更符合实际需要的新影像。SAR影像与多光谱影像融合，有以下四种较有代表性的融合方式：
1.1 IHS变换融合法
该方法可以显著提高影像的纹理特性，但多光谱影像的亮度信息被完全舍弃，光谱失真严重。
1.2 主分量变换融合法
该方法相对IHS变换融合法，对融合后影像的光谱特征扭曲较小，而且清晰度和空间分解力有一定提高。
1.3 小波变换融合法
相对于前面两种基于空间域的融合方法，该方式具有更好的光谱信息保持能力和细节表现力。但是由于该方法对多光谱影像的光谱信息带入小波变换运算中，并与SAR影像进行了一定的中和，因此一定程度上仍然损失了影像的光谱特征。
1.4 IHS变换和小波变换结合融合法
该方法能够很好地结合IHS变换和小波变换的优点，提高了影像的空间分辨率，保持了影像的光谱特征。然而小波变换本身方向性有限，不能充分挖掘影像的几何信息。该方法在对频率域的分解方式选择和融合规则的选择方面，还有一定可提升空间。
本文通过对上述方法的研究，提出了一种基于IHS变换和非向下采样Contourlet变换（NonSubsampled Contourlet Transform，NSCT）的融合算法。利用IHS变换对多光谱影像进行颜色空间变换，提取多光谱影像的光谱信息（主要存储于H，S分量内），对包含多光谱影像空间信息的I分量，与去噪后的SAR分别进行NSCT变换，获得两者多尺度、多方向上的分量，按照一定的融合规则对各层分量进行融合，再通过NSCT逆变换和IHS逆变换获得融合后影像。
2 融合规则与流程
SAR影像和多光谱影像通过N层NSCT分解，可以得到对应的低频分量和高频分量。其中低频分量包含了影像主要的能量信息，高频分量包含了影像主要的细节信息。本文将采用基于遗传算法的人工鱼群算法对低频信息进行融合处理。
2.1 低频融合规则
由于成像原理的不同，多光谱影像对地物的可见光信息采集更多，而SAR影像具有的穿透性和波长能够更好反映地物的微波反射信息。单一的使用权值或替代，都是基于影像频率域能量信息作为根据进行影像融合，无法保证影像融合后的信息能被最大保留。本文利用基于遗传算法的人工鱼群算法，选择自适应权值参数对影像的低频信息进行处理。
2.1.1 基于遗传算法的人工鱼群算法原理。2002年，浙江大学李晓磊博士首先提出基于行为的人工智能思想——人工鱼群算法。该算法的核心在于，通过自下而上的方式对目标函数进行寻优操作。通过模仿鱼群在寻找食物时的觅食，聚群和追尾行为，构造单条人工鱼个体的行为，再把个体行为扩大到整个鱼群中，在不同个体中寻找局部寻优，最终确定整体最优值。
人工鱼群算法的实现步骤如下：
第一，对各项参数进行初始化，设置人工鱼数量N，人工鱼每次移动步距Step，人工鱼视野Visual，人工鱼尝试次数Try-number，两条人工鱼之间距离d，拥挤度因子δ，食物浓度与位置关系Y=F（X）。
第二，在目标区域内随机投放人工鱼数量N，并计算每条人工鱼所在位置食物浓度Yi=F（Xi）。计算出食物浓度最大的Xi和Yi取值，记录在公告板上。
第三，按照鱼所在的位置信息，对鱼群中单条鱼在觅食行为，聚群行为，追尾行为和随机行为四种行为中进行选择。
第四，计算每次迭代过程中鱼所在位置Xi和食物浓度Yi，一旦食物浓度值高于公告牌所示食物浓度，更新公告牌信息。
第五，判断停止条件是否满足：（1）单条鱼周围视野范围内鱼群数目大于限定值，说明该视野范围内必有一条鱼达到全局食物浓度最大值；（2）迭代次数超过一定值，公告板未更新，说明当前公告板所示为全局最大值。
2.1.2 人工鱼群算法评价指标选择。人工鱼群算法需要函数Y=F（X），即确立一个指标，能够将鱼的位置，将变量（a，b）与融合后影像的质量联系起来。本小节将确定一个评价指标，作为人工鱼群算法的目标函数。2007年，清华大学闫莉萍等提出一种新的影像融合评价方法：综合熵。该方法对基于信息量的评价指标—交叉熵进行重新定义，得到了综合熵。在可见光-红外，可见光-雷达影像融合中，该评价方法相对熵和综合交叉熵，能够更加有效地选取最优权值。
2.1.3 人工鱼群算法用于低频融合。对于SAR影像和多光谱影像，主要的能量反映集中在低频子带系数上。通过NSCT分解得到的低频分量，反映了地物在SAR影像和多光谱影像上的轮廓信息。由于采集传感器不同，多光谱影像更好地表现了地物在可见光波段的光谱特性，而SAR影像很好地反映了地物的回波信息，单一的基于频率域的加权算法无法保证融合后的影像能够较好保留以上两类地物信息。本文基于人工鱼群算法，对低频信息进行融合，采用的主要策略如下： F的函数是基于融合前两张影像和融合后结果的综合熵评价法，通过对三张影像联合计算综合熵，确定评价不同权值下融合效果的评价准则。由此本文确立基于人工鱼群算法的低频融合方式流程：
第一，設置人工鱼群所在“池塘”初始值。该“池塘”位于二维空间内，横坐标为SAR影像和多光谱影像I分量经NSCT变换后低频分量AB均值加权系数a，纵坐标为AB差值加权系数b，根据经验值设置“池塘”大小a∈[0，1]，b∈[0，1]。
第二，设置人工鱼群目标函数初始值，即利用权值a，b进行加权融合得到融合影像F，对融合影像F和低频分量AB进行联合求解，计算融合影像的综合熵。综合熵数值为目标函数值，即鱼群所在位置食物浓度。
第三，人工鱼初始值，人工鱼每次移动步距0.1，人工鱼视野0.15，人工鱼尝试次数20次，两条人工鱼距离函数为欧氏距离，拥挤度因子δ=0.3。
第四，设置一个空公告板[a0，b0，G0]，分别记录权值和综合熵数值。
第五，在a，b所在二维区间内随机投放数量为20的人工鱼，计算鱼群初始状况下各人工鱼所在位置和食物浓度，进行排序找到食物浓度最大值。记下该位置人工鱼坐标和相应位置食物浓度，记录在公告板上。
第六，按照人工鱼所在的位置信息，对鱼群中单条人工鱼在觅食行为，聚群行为，追尾行为和随机行为四种行为中进行选择。
第七，计算每次迭代过程中人工鱼所在位置Xi和食物浓度Yi，一旦食物浓度值高于公告牌所示食物浓度，更新公告牌信息。
第八，判断停止条件是否满足：（1）单条鱼周围视野范围内鱼群数目大于限定值，说明该视野范围内必有一条鱼达到全局食物浓度最大值；（2）迭代次数超过一定值，公告板未更新，说明当前公告板所示为全局最大值。此时算法收敛，公告板上a，b取值即为全局最优值。
2.2 高频融合规则
高频分量包含了影像的细节信息和边缘信息，系数绝对值较大的部分，对应该方向区间的直线、边缘、区域边界等显著特征，能够很好地显示影像本身的结构信息。对影像进行NSCT金字塔分解的最高尺度，即影像的最高分解层上，影像细节信息相对更加独立，因而直接采用对各方向NSCT系数绝对值进行比较，两幅影像中绝对值系数大的高频系数，融合后高频系数。影像在最高分解尺度上，高频系数的融合规则为：
2.3 融合流程
本文进行影像融合的主要流程如图1：
2.3.1 对多光谱影像M进行IHS变换，得到多光谱影像的三分量：亮度Mi，色调Mh和饱和度Ms。
2.3.2 对SAR影像利用NSCT进行噪声抑制，获得去噪后SAR影像S。
2.3.3 对去噪后的SAR影像与多光谱的亮度分量Mi进行直方图匹配，得到匹配后的SAR影像S1和多光谱的亮度分量Mi。
2.3.4 对SAR影像S1和亮度分量Mi进行NSCT分解，得到相应的低频部分和高频部分，低频部分按照人工鱼群算法选择权值进行融合。高频部分按照最高层绝对值最大，其他层通过区域能量特征和投票法的结合的算法进行高频融合。
2.3.5 将融合后的低频分量和高频分量NSCT逆变换，得到变换后的亮度分量Mi'。对亮度Mi'，色调Mh和饱和度分量Ms进行IHS逆变换，得到融合后影像。
第一，影像的空间分辨率和清晰度方面，平均梯度和边缘强度体现了影像具有的灰度变化率大小，可以客观代表融合后影像的多维方向上的密度变化速率，反映了影像的清晰度信息。PCA融合与IHS融合都是直接将多光谱影像的边缘信息用SAR影像边缘信息代替，因而在平均梯度和边缘强度两个值都较大。本文提出算法的清晰度与小波变换结果类似，在传统方法中处于平均水平。
第二，影像噪声方面，通过影像峰值信噪比的对比可发现，基于频率域的融合方法能够有效抑制噪声，本文所用的算法在去噪方面略优于小波+IHS融合与小波+主分量融合，PCA融合和IHS虽然具有较高的影像清晰度，但是所含噪声明显高于平均水平。
第三，光谱特征保持方面，交叉熵反映了融合后影像与原影像之间的差异性信息，交叉熵越小，影像与原影像的光谱信息越小，影像的特征保持得越好。本文算法具有比小波变换更好的影像光谱信息保持度。
4 结语
本文提出的算法相比于传统融合算法，得到影像的清晰度属于中等水平，但能够很好地抑制融合后影像噪声，融合后影像在色彩上更接近原多光谱影像的效果，表明本文采用算法对光谱特征扭曲程度更小。综合分析可见，本文采用的融合算法融合的影像效果优于传统方法进行融合，相对于小波变换的融合效果，在噪声抑制和影像光谱信息保持方面也有一定提升。
参考文献
[1] 胡召玲，侯飞，张海荣.Landsat7卫星多光谱影像与
全色影像的数据融合[J].中国矿业大学学报，2004，
（1）.
[2] 贾永红.TM和SAR影像主分量变换融合法[J].遥感技术与应用，1998，13（1）.
[3] 田养军，薛春纪.基于小波变换的遥感影像融合与边缘检测[J].地球科学与环境学报，2007，29（1）.
[4] 李晓磊.一种新型的智能优化方法——人工鱼群算法[D].浙江大学，2003.
[5] 闫莉萍，刘宝生，周东华.一种新的影像融合及性能评价方法[J].系统工程与电子技术，2007，29（4）.
（责任编辑：周 琼）
关键词：SAR；IHS；NSCT；多光谱影像融合；传感器技术；人工鱼群算法 文献标识码：A
中图分类号：TN957 文章编号：1009-2374（2015）06-0024-05 DOI：10.13535/j.cnki.11-4406/n.2015.0440
1 概述
随着遥感科学的进步，越来越多的传感器被用于地物信息探测。对同一个地区而言，存在多种分辨率、多种波段、多种传感器和多种平台的海量数据。相对于一个地区单一的数据源而言，海量数据具有数据量大、冗余性强、来源众多等特点，各种数据对同一地区的信息表达有大量相同之处。由于不同传感器对地物信息的收集和表达有所差异，影像融合的目的就是根据实际需要，突出感兴趣的信息，对无关信息进行抑制或者去除，从而获得比单一数据源信息量更大，更符合实际需要的新影像。SAR影像与多光谱影像融合，有以下四种较有代表性的融合方式：
1.1 IHS变换融合法
该方法可以显著提高影像的纹理特性，但多光谱影像的亮度信息被完全舍弃，光谱失真严重。
1.2 主分量变换融合法
该方法相对IHS变换融合法，对融合后影像的光谱特征扭曲较小，而且清晰度和空间分解力有一定提高。
1.3 小波变换融合法
相对于前面两种基于空间域的融合方法，该方式具有更好的光谱信息保持能力和细节表现力。但是由于该方法对多光谱影像的光谱信息带入小波变换运算中，并与SAR影像进行了一定的中和，因此一定程度上仍然损失了影像的光谱特征。
1.4 IHS变换和小波变换结合融合法
该方法能够很好地结合IHS变换和小波变换的优点，提高了影像的空间分辨率，保持了影像的光谱特征。然而小波变换本身方向性有限，不能充分挖掘影像的几何信息。该方法在对频率域的分解方式选择和融合规则的选择方面，还有一定可提升空间。
本文通过对上述方法的研究，提出了一种基于IHS变换和非向下采样Contourlet变换（NonSubsampled Contourlet Transform，NSCT）的融合算法。利用IHS变换对多光谱影像进行颜色空间变换，提取多光谱影像的光谱信息（主要存储于H，S分量内），对包含多光谱影像空间信息的I分量，与去噪后的SAR分别进行NSCT变换，获得两者多尺度、多方向上的分量，按照一定的融合规则对各层分量进行融合，再通过NSCT逆变换和IHS逆变换获得融合后影像。
2 融合规则与流程
SAR影像和多光谱影像通过N层NSCT分解，可以得到对应的低频分量和高频分量。其中低频分量包含了影像主要的能量信息，高频分量包含了影像主要的细节信息。本文将采用基于遗传算法的人工鱼群算法对低频信息进行融合处理。
2.1 低频融合规则
由于成像原理的不同，多光谱影像对地物的可见光信息采集更多，而SAR影像具有的穿透性和波长能够更好反映地物的微波反射信息。单一的使用权值或替代，都是基于影像频率域能量信息作为根据进行影像融合，无法保证影像融合后的信息能被最大保留。本文利用基于遗传算法的人工鱼群算法，选择自适应权值参数对影像的低频信息进行处理。
2.1.1 基于遗传算法的人工鱼群算法原理。2002年，浙江大学李晓磊博士首先提出基于行为的人工智能思想——人工鱼群算法。该算法的核心在于，通过自下而上的方式对目标函数进行寻优操作。通过模仿鱼群在寻找食物时的觅食，聚群和追尾行为，构造单条人工鱼个体的行为，再把个体行为扩大到整个鱼群中，在不同个体中寻找局部寻优，最终确定整体最优值。
人工鱼群算法的实现步骤如下：
第一，对各项参数进行初始化，设置人工鱼数量N，人工鱼每次移动步距Step，人工鱼视野Visual，人工鱼尝试次数Try-number，两条人工鱼之间距离d，拥挤度因子δ，食物浓度与位置关系Y=F（X）。
第二，在目标区域内随机投放人工鱼数量N，并计算每条人工鱼所在位置食物浓度Yi=F（Xi）。计算出食物浓度最大的Xi和Yi取值，记录在公告板上。
第三，按照鱼所在的位置信息，对鱼群中单条鱼在觅食行为，聚群行为，追尾行为和随机行为四种行为中进行选择。
第四，计算每次迭代过程中鱼所在位置Xi和食物浓度Yi，一旦食物浓度值高于公告牌所示食物浓度，更新公告牌信息。
第五，判断停止条件是否满足：（1）单条鱼周围视野范围内鱼群数目大于限定值，说明该视野范围内必有一条鱼达到全局食物浓度最大值；（2）迭代次数超过一定值，公告板未更新，说明当前公告板所示为全局最大值。
2.1.2 人工鱼群算法评价指标选择。人工鱼群算法需要函数Y=F（X），即确立一个指标，能够将鱼的位置，将变量（a，b）与融合后影像的质量联系起来。本小节将确定一个评价指标，作为人工鱼群算法的目标函数。2007年，清华大学闫莉萍等提出一种新的影像融合评价方法：综合熵。该方法对基于信息量的评价指标—交叉熵进行重新定义，得到了综合熵。在可见光-红外，可见光-雷达影像融合中，该评价方法相对熵和综合交叉熵，能够更加有效地选取最优权值。
2.1.3 人工鱼群算法用于低频融合。对于SAR影像和多光谱影像，主要的能量反映集中在低频子带系数上。通过NSCT分解得到的低频分量，反映了地物在SAR影像和多光谱影像上的轮廓信息。由于采集传感器不同，多光谱影像更好地表现了地物在可见光波段的光谱特性，而SAR影像很好地反映了地物的回波信息，单一的基于频率域的加权算法无法保证融合后的影像能够较好保留以上两类地物信息。本文基于人工鱼群算法，对低频信息进行融合，采用的主要策略如下： F的函数是基于融合前两张影像和融合后结果的综合熵评价法，通过对三张影像联合计算综合熵，确定评价不同权值下融合效果的评价准则。由此本文确立基于人工鱼群算法的低频融合方式流程：
第一，設置人工鱼群所在“池塘”初始值。该“池塘”位于二维空间内，横坐标为SAR影像和多光谱影像I分量经NSCT变换后低频分量AB均值加权系数a，纵坐标为AB差值加权系数b，根据经验值设置“池塘”大小a∈[0，1]，b∈[0，1]。
第二，设置人工鱼群目标函数初始值，即利用权值a，b进行加权融合得到融合影像F，对融合影像F和低频分量AB进行联合求解，计算融合影像的综合熵。综合熵数值为目标函数值，即鱼群所在位置食物浓度。
第三，人工鱼初始值，人工鱼每次移动步距0.1，人工鱼视野0.15，人工鱼尝试次数20次，两条人工鱼距离函数为欧氏距离，拥挤度因子δ=0.3。
第四，设置一个空公告板[a0，b0，G0]，分别记录权值和综合熵数值。
第五，在a，b所在二维区间内随机投放数量为20的人工鱼，计算鱼群初始状况下各人工鱼所在位置和食物浓度，进行排序找到食物浓度最大值。记下该位置人工鱼坐标和相应位置食物浓度，记录在公告板上。
第六，按照人工鱼所在的位置信息，对鱼群中单条人工鱼在觅食行为，聚群行为，追尾行为和随机行为四种行为中进行选择。
第七，计算每次迭代过程中人工鱼所在位置Xi和食物浓度Yi，一旦食物浓度值高于公告牌所示食物浓度，更新公告牌信息。
第八，判断停止条件是否满足：（1）单条鱼周围视野范围内鱼群数目大于限定值，说明该视野范围内必有一条鱼达到全局食物浓度最大值；（2）迭代次数超过一定值，公告板未更新，说明当前公告板所示为全局最大值。此时算法收敛，公告板上a，b取值即为全局最优值。
2.2 高频融合规则
高频分量包含了影像的细节信息和边缘信息，系数绝对值较大的部分，对应该方向区间的直线、边缘、区域边界等显著特征，能够很好地显示影像本身的结构信息。对影像进行NSCT金字塔分解的最高尺度，即影像的最高分解层上，影像细节信息相对更加独立，因而直接采用对各方向NSCT系数绝对值进行比较，两幅影像中绝对值系数大的高频系数，融合后高频系数。影像在最高分解尺度上，高频系数的融合规则为：
2.3 融合流程
本文进行影像融合的主要流程如图1：
2.3.1 对多光谱影像M进行IHS变换，得到多光谱影像的三分量：亮度Mi，色调Mh和饱和度Ms。
2.3.2 对SAR影像利用NSCT进行噪声抑制，获得去噪后SAR影像S。
2.3.3 对去噪后的SAR影像与多光谱的亮度分量Mi进行直方图匹配，得到匹配后的SAR影像S1和多光谱的亮度分量Mi。
2.3.4 对SAR影像S1和亮度分量Mi进行NSCT分解，得到相应的低频部分和高频部分，低频部分按照人工鱼群算法选择权值进行融合。高频部分按照最高层绝对值最大，其他层通过区域能量特征和投票法的结合的算法进行高频融合。
2.3.5 将融合后的低频分量和高频分量NSCT逆变换，得到变换后的亮度分量Mi'。对亮度Mi'，色调Mh和饱和度分量Ms进行IHS逆变换，得到融合后影像。
第一，影像的空间分辨率和清晰度方面，平均梯度和边缘强度体现了影像具有的灰度变化率大小，可以客观代表融合后影像的多维方向上的密度变化速率，反映了影像的清晰度信息。PCA融合与IHS融合都是直接将多光谱影像的边缘信息用SAR影像边缘信息代替，因而在平均梯度和边缘强度两个值都较大。本文提出算法的清晰度与小波变换结果类似，在传统方法中处于平均水平。
第二，影像噪声方面，通过影像峰值信噪比的对比可发现，基于频率域的融合方法能够有效抑制噪声，本文所用的算法在去噪方面略优于小波+IHS融合与小波+主分量融合，PCA融合和IHS虽然具有较高的影像清晰度，但是所含噪声明显高于平均水平。
第三，光谱特征保持方面，交叉熵反映了融合后影像与原影像之间的差异性信息，交叉熵越小，影像与原影像的光谱信息越小，影像的特征保持得越好。本文算法具有比小波变换更好的影像光谱信息保持度。
4 结语
本文提出的算法相比于传统融合算法，得到影像的清晰度属于中等水平，但能够很好地抑制融合后影像噪声，融合后影像在色彩上更接近原多光谱影像的效果，表明本文采用算法对光谱特征扭曲程度更小。综合分析可见，本文采用的融合算法融合的影像效果优于传统方法进行融合，相对于小波变换的融合效果，在噪声抑制和影像光谱信息保持方面也有一定提升。
参考文献
[1] 胡召玲，侯飞，张海荣.Landsat7卫星多光谱影像与
全色影像的数据融合[J].中国矿业大学学报，2004，
（1）.
[2] 贾永红.TM和SAR影像主分量变换融合法[J].遥感技术与应用，1998，13（1）.
[3] 田养军，薛春纪.基于小波变换的遥感影像融合与边缘检测[J].地球科学与环境学报，2007，29（1）.
[4] 李晓磊.一种新型的智能优化方法——人工鱼群算法[D].浙江大学，2003.
[5] 闫莉萍，刘宝生，周东华.一种新的影像融合及性能评价方法[J].系统工程与电子技术，2007，29（4）.
（责任编辑：周 琼）