張忠 白晨帥 白曉鳳

摘? ?要：為解決圖像空間信息的問題，文章提出了一種獨(dú)立成分分析的多光譜圖像融合算法，將多光譜圖像的RGB 3個(gè)波段和近紅外圖像共4個(gè)波段進(jìn)行獨(dú)立成分分析變化，并對(duì)其做加權(quán)平均得到主圖像信息，將主圖像信息與全色圖像加權(quán)求平均得到一副新的圖像，然后將這幅圖像還原到4個(gè)波段得到融合后的結(jié)果圖像。

關(guān)鍵詞：圖像融合;近紅外;加權(quán)平均

科學(xué)技術(shù)的發(fā)展，遙感圖像、多光譜和高光譜圖像在生活中已不可或缺[1]，但其多光譜圖像光譜分辨率高，可是空間性較差。為解決這一問題，本文將其光譜分辨率低但空間信息高的全色圖像進(jìn)行融合，使融合后的結(jié)果不僅具有較高的空間信息，而且同時(shí)保留多光譜圖像的光譜特性。目前，圖像融合技術(shù)廣泛應(yīng)用于醫(yī)學(xué)圖像處理、計(jì)算機(jī)視角、軍事國(guó)防等領(lǐng)域。在圖像融合算法中，常用的有HIS算法、加權(quán)融合算法、比值融合算法[2-4]、基于小波的分析方法[5]、Brovery變換[6]，其中，小波的圖像融合算法是基于多分辨率的，比IHS方法[7]更好地保持了多光譜圖像信息。

本文主要探討了一種獨(dú)立成分分析的多光譜圖像融合算法，提出了對(duì)多光譜圖像與近紅外圖像結(jié)合的4個(gè)波段與全色圖像融合方法，為了驗(yàn)證該方法的有效性，通過實(shí)驗(yàn)與ICA，全色圖像融合做histeq的加權(quán)求和算法，PCA與全色圖像融合算法和小波與PCA融合算法進(jìn)行比較，得出結(jié)論：本文提出的方法使融合后的圖像在視覺上更加清晰，并且提高了圖像的空間細(xì)節(jié)。

1? ? 獨(dú)立成分分析的多光譜圖像融合算法

1.1? ICA算法

獨(dú)立成分分析算法應(yīng)用于發(fā)現(xiàn)存在于隨機(jī)變量中的隱性因素，是一種非常普通的數(shù)據(jù)分析方法，在盲信號(hào)分析領(lǐng)域中極為突出，也是在非高斯分布數(shù)據(jù)隱含因子中的重要方法。在盲分離信號(hào)中假設(shè)中，若無(wú)任何假設(shè)條件和先驗(yàn)知識(shí)，只可由觀測(cè)信號(hào)確定源信號(hào)，或使用混合系統(tǒng)，但是在數(shù)學(xué)分析上難以成功。ICA假設(shè)條件：矢量s源信號(hào)的各個(gè)分量之間相互獨(dú)立;允許有一定的模糊性，信號(hào)的幅值和分量的順序具有不確定性，在此情況下，盲分離具有可行性，具體步驟如下：

步驟四，獨(dú)立分析的提取，對(duì)于未知的源信號(hào)S和混合信號(hào)A，僅從接收到的觀測(cè)信號(hào)F=A.S中提取基信號(hào)，即A，S未知，則對(duì)處理后的觀測(cè)信號(hào)經(jīng)過分離矩陣W，使輸出矩陣U=[u1，u2，…，um]T的行向量Ui屬于R是獨(dú)立基圖像的重現(xiàn)U=W，F(xiàn)=W.A.S=S。

1.2? 獨(dú)立成分分析的多光譜圖像融合算法

本文提出了獨(dú)立成分分析的多光譜圖像融合的算法，有效地解決了原始多光譜圖像空間信息的問題，提出算法的具體步驟如下：

步驟一，將全色圖像與多光譜圖像結(jié)合。

步驟二，對(duì)結(jié)合后圖像的4個(gè)波段做加權(quán)平均得到I信息圖像。

步驟三，對(duì)I圖像信息與全色圖像做加權(quán)求平均得到Inew圖像信息。

步驟四，把融合后的結(jié)果圖像按波段做加Inew圖像信息減I圖像信息，最終得到融合后的結(jié)果圖像。

2? ? 實(shí)驗(yàn)分析

本文采用獨(dú)立成分分析的多光譜圖像融合算法，選取一幅衛(wèi)星圖像做實(shí)驗(yàn)對(duì)象。使用ICA與全色圖像融合做histeq的加權(quán)求和算法、PCA與全色圖像融合算法、小波與PCA融合算法進(jìn)行比較以驗(yàn)證本文所使用的圖像融合算法的有效性。使用其均方根誤差（RMSE）、相關(guān)系數(shù)（Corr）以及平均梯度（AG）3種客觀評(píng)價(jià)指標(biāo)來(lái)對(duì)融合結(jié)果進(jìn)行客觀質(zhì)量評(píng)價(jià)，其中，RMSE數(shù)值越小以及Corr和AG數(shù)值越大，指圖像融合的效果越佳。

GeoEye遙感衛(wèi)星圖像的融合結(jié)果如圖1所示，其中，圖1（a）為原始圖像，圖1（b）為全色圖像，圖（c）為參考圖像，圖（d—g）分別為通過不同融合方法得到的融合圖像。如圖（d—e）圖像清晰度下降且對(duì)比度不大，融合效果比較不理想，圖（f）為小波與PCA融合算法結(jié)果，雖然保持了全色圖像的高分辨率，但是光譜扭曲嚴(yán)重，圖像融合質(zhì)量不理想;通過圖（g）可以觀察到，基于ICA的多光譜圖像與全色圖融合圖像視覺效果良好，而且能將全色圖像中的結(jié)構(gòu)特征和原圖中的光譜信息較清晰地保留在融合圖像之中。

表1為上述4種圖像融合方法的融合結(jié)果的客觀評(píng)價(jià)指標(biāo)，其中，各項(xiàng)評(píng)價(jià)指標(biāo)中加粗項(xiàng)為最優(yōu)值。本文算法的融合結(jié)果比其他3個(gè)方法具有更大的AG和Corr平均值以及更小的RMSE值。從多個(gè)方面綜合考慮，獨(dú)立成分分析的多光譜圖像融合算法可以更好地將原始圖像和全色圖像的特點(diǎn)結(jié)合起來(lái)，形成一幅效果完美的遙感圖像。

3? ? 結(jié)語(yǔ)

本文提出了一種獨(dú)立成分分析的多光譜圖像融合算法，實(shí)驗(yàn)中使用一幅GeoEye衛(wèi)星圖像為實(shí)驗(yàn)數(shù)據(jù)，以ICA與全色圖像融合做histeq的加權(quán)求和算法、PCA圖像融合算法以及小波與PCA圖像融合算法作為對(duì)比，均方根誤差（RMSE）、使用相關(guān)系數(shù)（Corr）、以及平均梯度（AG）3種客觀評(píng)價(jià)指標(biāo)來(lái)對(duì)融合結(jié)果進(jìn)行客觀質(zhì)量評(píng)價(jià)，得出獨(dú)立成分分析的多光譜圖像融合結(jié)果的質(zhì)量均優(yōu)于其他3種融合方法融合結(jié)果的質(zhì)量。

[參考文獻(xiàn)]

[1]VAN G.Multi-sensor image fusion in remote sensing：concept，methods and application[J].Int JRemote Sensing，1998（5）：823-854.

[2]FAN H，YANG X，DU Y.Application of principle component transform and inverse transform for image fusion of ADEOS AVNIR XS and PAN[J].Advances in Space Research，1998（3）：1385-1388.

[3]YESOU H，BESNUS Y，ROLET Y.Extraction of spectral information from Landsat TM data and nerger with SPOT panchromatic imagery-A contribution to the study of geological structures[J].ISPRS Journal of Photogrammetry and Remote Sensing，1993（5）：23-36.

[4]EHLERS M.Multi-sensor image fusion techniques in remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing，1991（1）：19-30.

[5]ZHANG Y.Understanding image fusion[J].Photogrammetric Engineering and Remote Sensing，2004（6）：657-661.

[6]VRABEL J.Multi-spectral imagery advanced band sharpening study[J].Photogrammetric Engineering and Remote Sensing，1996（9）：55-59.

[7]CHOI M，KIM R Y，NAM M Y，et al.Fusion of multispectral and panchromatic satellite images using the curvelet transform[J].IEEE Geosci Remote Sens Lett，2005（2）：136-140.