多源遥感图像融合技术研究

作     者：王志来 

作者单位：南京航空航天大学 

学位级别：硕士

导师姓名：吴一全

授予年度：2017年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：图像融合 图像配准 多源遥感图像 混沌蜂群优化 目标提取 联合稀疏表示 

摘      要：遥感技术的发展为人类认识所生活的环境和利用自然资源等提供了一种有效的技术手段。遥感传感器种类繁多,且不同传感器对同一场景的成像各具特点,产生诸如多光谱图像、全色图像、红外图像、SAR图像等多源遥感图像。各类成像传感器每天获取的图像数据是海量的,为了高效和综合地处理、运用这些数据,需将同一场景的多源遥感图像进行配准和融合。多源遥感图像融合利用特定的技术,去除取自同一场景不同来源图像的冗余信息,同时结合其中的互补信息,以生成对此场景描述得更清晰、更准确、更全面的图像。遥感图像融合在军用和民用方面都有着广泛的应用。本文面向4种形式的异源图像融合技术开展了一些研究,主要工作如下:首先,研究了一种基于小波域改进SURF(Speeded Up Robust Features,SURF)的遥感图像配准方法,为后续的图像融合奠定基础。在小波域上进行图像配准可缩小特征点的搜索范围,大大减少特征点的提取和后续配准时间。首先采用小波变换(Wavelet Transform,WT)将基准图像和待配准图像分别分解获得各自的低频和高频分量;然后对低频分量使用改进SURF以得到粗配准点对:采用主成分分析(Principal Component Analysis,PCA)对已生成的描述子降维,依据双向配准准则实现特征点的粗配准;接着利用两次距离阈值不同的随机抽样一致(Random Sample Consensus,RANSAC)方法分级筛选出精配准点对并完成图像配准。与尺度不变特征变换(Scale Invariant Feature Transform,SIFT)方法、SURF方法、多尺度配准小波域SURF方法、基于非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)和SURF的方法相比,本文方法不仅配准速度大大加快,同时配准精度也得到提高。然后,提出了一种基于混沌蜂群优化的非下采样Shearlet变换(Non-subsampled Shearlet Transform,NSST)域多光谱与全色图像融合方法。首先对多光谱图像进行亮度-色度-饱和度(Intensity Hue Saturation,IHS)变换,全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配得到一幅新的全色图像。然后分别对多光谱图像的亮度分量和新全色图像进行NSST分解,对所得低频分量使用改进加权融合方法进行融合,以互信息作为适应度函数,利用混沌蜂群方法找到最优加权系数;而对高频分量采用改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)方法进行融合。最后再经NSST逆变换和IHS逆变换得到融合图像。所提方法在提升图像空间分辨率的同时,有效地保留了光谱信息,并且在信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于NSCT和非负矩阵分解(Non-negative Matrix Factorization,NMF)、基于NSCT和PCNN等5种融合方法。其次,提出了一种基于目标提取和引导滤波增强的红外图像与可见光图像融合方法。首先结合2维Tsallis熵和基于图的视觉显著性(Graph-based Visual Saliency,GBVS)模型提取红外图像中的感兴趣目标区域。然后采用NSST对可见光和红外图像分别进行分解,并对所得低频分量进行引导滤波增强。由增强后的红外图像和可见光图像低频分量进行分区域融合确定融合图像的低频分量;高频分量则根据同一尺度下系数绝对值之和最大来确定。最后经NSST逆变换得到融合图像。本文方法在增强融合图像空间细节的同时,有效突出目标,并且在信息熵、光谱扭曲度等指标上均优于基于拉普拉斯变换、基于小波变换、基于平稳小波变换、基于NSCT、基于目标提取与NSCT变换等5种融合方法。再次,探讨了一种基于区域特性和纹理增强的Curvelet域可见光图像与SAR图像融合方法。运用Curvelet变换分别对可见光图像和SAR图像进行分解,采用基于改进区域方差的自适应融合规则得到低频融合后分量,以避免SAR图像重要目标特征的丢失。鉴于纹理特征集中在高频分量,利用改进的局部二值模式(Local Binary Pattern,LBP)算子对SAR图像的高频分量提取其纹理特征,同时根据基于空间频率的加权融合策略得到高频融合分量。接着,在高频融合后分量加入改进LBP所提取的纹理特征,以提高融合图像的对比度。最后将低频融合后分量和带改进LBP纹理特征的高频融合分量经逆Curvelet变换得到融合图像。与近年来提出的基于NSCT、基于多尺度Top-Hat变换及其他3种经典融合方法相比,本文方法能保留并增强待融合图像重要的目标和纹理特征,融合图像的对比度、清晰度更高。最后,提出了一种基于联合稀疏表示的复Contourlet域红外图像与SAR图像融合方法。首先对红外图像与SAR图像分别进行复Contourlet分解。接着利用K-奇异值分解(K-Singular Value Decomposition,K-SVD)方法获得两幅源图像低频分量的过完备字典,并根据联合稀疏表示模型生成联合字典,通过正交匹配追踪(Orthogonal Matching Pursuit,OMP)方法求出源图像低频分量在联合字典下的稀疏表示系数,并采用选择最大化策略对两个低频分量的稀疏表示系数进行选取,随后进行稀疏表示重构获得融合的低频分量;对高频分量结合视觉敏感度系数和能量匹配度两个活跃度准则进行融合,以捕获源图像丰富的细节信息。最后经复Contourlet逆变换获得融合图像。与近年来提出的基于NSCT、基于稀疏表示及其他3种经典融合方法相比,该方法能够有效突出源图像的显著特征,最大程度地继承源图像的信息。