HCS结合MRA的高分辨率遥感影像融合框架

发布时间：2021-11-10 07:00

　　随着遥感技术的快速发展,各种场景的应用对图像融合质量提出了更高的要求。针对CS方法与MRA方法存在的光谱失真与空间畸变等问题,提出了一种HCS结合MRA的遥感图像融合框架。首先,对MS进行HCT正变换获得强度分量和角度分量,并对PAN进行直方图匹配;然后,对强度分量和匹配后的PAN进行某种MRA变换获得各自的高频系数和低频系数;再使用特定的融合规则将高频系数与低频系数分别融合,并进行相应的MRA逆变换获得新的强度分量;最后对新的强度分量与角度分量进行HCT逆变换获得融合结果。为验证框架的融合效果,对WV-2影像进行了融合实验,并对结果进行了主观评价和客观评价指标的计算。结果表明,HCS结合MRA的方法在融合效果上明显优于CS方法和MRA方法。因此,融合框架能够获得光谱保持和空间质量均较好的融合结果,对遥感技术的应用提供了有力支持。 

【文章来源】：江西科学. 2020,38(05)

【文章页数】：7 页

【部分图文】：

本文融合框架实现详细流程图

为了定量分析各算法融合结果的细微差异，本文选用了相关系数(correlation coefficient,CC)、通用图像质量指标(image quality index,UIQI)、相对无量纲全局误差(Erreur Relative Globale Adimensionnelle de Synthèse,ERGAS)、相对平均光谱误差(Relative Average Spectral Error,RASE)、均方根误差(Root Mean Square Error,RMSE)、信息熵(information entropy,IE) 6个常用客观评价指标对各算法融合结果进行了评价[14-15]，结果如表1所示。CC越高表示融合图像的光谱质量越好;ERGAS意味着综合中的相对维度全局误差，值越小融合图像的光谱质量越好;RASE代表了融合图像中各波段的性能，值越小效果越好;RMSE通过计算像素值之间的差异来比较2幅图像之间的差异，值越小表示差异越小;IE反映了图像的信息质量，值越大图像信息丰富度越高，空间信息越丰富;最后将时间引入评价体系以评估各算法的计算复杂度。由表1可知，本文融合框架下的5种方法在光谱信息以及空间信息的保持上均要优于CS方法和MRA方法，这是因为HCS结合MRA的方法可以避免CS方法因分量的直接替换而导致的光谱信息损失，同时对MS提取强度分量与PAN进行融合的方式可以避免MRA方法对每个波段分别注入PAN的空间细节，而导致信息冗余造成的光谱失真和空间畸变。其中，HCS结合MRA的方法在CC、ERGAS、RASE和RMSE上取得了较好的效果，说明SR的引入较好地保留了图像的低频信息，相比于MRA方法和CS方法光谱失真较小。在UIQI和IE方面HCS结合MRA的方法同样要优于CS方法和MRA方法，说明它们的融合结果获得了较好的整体视觉效果，并且保留了更多的空间细节及纹理细信息。从算法的计算复杂度上来看，CS方法的整体耗时最小，MRA由于本身在多分辨率的分解与重构上就十分耗时，且对每个波段分别处理导致计算复杂度进一步提升。HCS结合MRA的各种方法虽然整体上计算复杂度要大于CS方法，但是相比各自对应的MRA方法，计算效率明显提高。在所有算法中H＿NSCT的融合效果是最好的，因为NSCT可以更好地捕捉影像的几何特性、纹理和边缘等信息，但是复杂的计算使得它在遥感图像融合上的应用有所限制。


本文编号：3486799