[发明专利]一种基于区域划分和插值的多光谱和全色图像融合方法

说明书

技术领域

本发明属于图像处理领域，具体涉及一种基于区域划分和插值的多光谱和全色图像融合方法，可用于到气象监测、军事目标识别、环境监测、城市规划以及防灾减灾等多个领域的技术。

背景技术

随着遥感技术的发展，由各种卫星传感器对地观测获取同一地区的多源遥感图像数据越来越多，为军事目标的识别、环境监测等提供了丰富而又宝贵的资料。目前遥感技术应用的主要障碍，是从广阔的数据源中提取更丰富、更有用和更可靠信息的能力大小。这就要求我们对多源图像数据之间的冗余性进行充分利用，以降低多源图像融合的误差和不确定性，提高识别率和精确度。多源遥感图像融合，尤其是多光谱和全色图像的融合，被认为是现代多源图像处理和分析中非常重要的一步。

目前，市场上使用的多光谱和全色图像融合方法主要有三类，一类是传统的空间变换的融合方法，一类是基于多尺度变换的融合方法，还有一类是目前很多学者在研究的基于字典学习的融合方法。

基于空间变换的传统融合方法主要有HIS变换、PCA变换，Gram-Schmidt变换，以及Brovery变换等。这几种方法因其较低的计算复杂度，所以常被用于多个商业软件中。这几种方法能够有效的提高融合图像的空间分辨率，但是它们在融合过程中产生的光谱失真情况，虽然通过自适应的HIS、P+XS方法对于融合图像的光谱扭曲情况有一定的改善，但是仍不能达到好的效果。

基于变换域的方法主要有基于拉普拉斯变换的融合方法、基于Wavelet变换的融合方法，以及基于多尺度几何分析的融合方法，如Contourlet、Bandlet和Shearlet等。这类方法对于空域变换所产生的光谱失真情况具有较好的改善作用，但是其空间分辨率收到所采用的方法额制约，如Wavelet变换只能将图像分解为三个方向，Contourlet变换等虽然能够对图像分解的方向数较Wavelet多，但还数目仍然是有限的。面对变化多样的图像的线条，有限的方向很难达到最优的逼近，从而影响了融合图像的细节信息。

第三类是基于字典学习的融合方法。该类方法的产生就是为了克服固定的基，如Wavelet基、Contourlet基，难以达到图像的最优逼近而提出的。字典学习能够根据图像的内容学习字典，以达到对图像的最优的、最稀疏的表示，该类方法能够达到融合图像细节信息的提高，同时保持融合图像的光谱质量。但是该类方法在字典训练方面，需要较高的时间复杂度，很难满足市场的要求。

发明内容

本发明的目的是克服现有技术中对低分辨率多光谱图像和高分辨率全色图像融合过程中光谱信息和空间分辨率难以平衡的缺点，提出了一种基于区域划分和插值的多光谱和全色图像融合方法，以解决融合图像中光谱信息失真或者空间分辨率不足的缺点，提高融合图像的质量。

为此，本发明提供了一种基于区域划分和插值的多光谱和全色图像融合方法，包含如下步骤：

步骤1：提取高分辨率全色图像的Primal Sketch图；

步骤2：根据步骤1得到的Primal Sketch图中线段的方向，以线段上的点为中心，沿着该条线段的方向设计大小为7×7的方向窗口，构造几何模版；

步骤3：对步骤1中得到的Primal Sketch图，根据构造的几何模板，得到划分高分辨率全色图像为结构区域和非结构区域的区域映射图；

步骤4：将步骤3中得到的非结构区域，根据图像的方差统计特性，将非结构区域划分为纹理区域和光滑区域，从而得到划分结构区域、纹理区域和光滑区域的区域映射图；

步骤5：对低分辨率多光谱图像采用最近邻插值方法，得到图像大小和高分辨率全色图像相同大小的初始的多光谱图像，其计算公式为：

f_HR(2i+m,2j+l)＝f_LR(i,j)(i＝1,...,W，j＝1,...,H，m＝0,1，l＝0,1)  (1)

其中W表示低分辨率多光谱图像的宽，H表示低分辨率多光谱图像的高，f_LR表示低分辨率多光谱图像，f_HR表示初始的多光谱图像；

步骤6：根据步骤4中得到的区域映射图，将初始的多光谱图像划分为结构区域、纹理区域和光滑区域；