[发明专利]带有薄云的多光谱和全色图像融合方法

摘要

本发明提供了一种带有薄云的多光谱和全色图像融合方法，主要解决带有薄云的多光谱和全色图像融合后云雾区域受到云层干扰的问题。其实现步骤是：对带有薄云的多光谱图像进行采样和滤波，得到多光谱和全色图像的背景图像；分别对带有薄云的多光谱和全色图像去除薄云；对去云的多光谱图像进行PCA变换，并对变换后的第一主分量图像和全色图像进行Shearlet分解；将第一主分量的低频系数作为融合分量的低频系数，将全色图像的高频系数加权作为融合分量的高频系数；对融合分量和PCA变换的其余分量进行逆PCA变换，得到融合图像。本发明具有融合图像薄云区域清晰度高，光谱保持性好的优点，可用于军事目标识别、气象及环境监测、土地利用、城市规划以及防灾减灾。

主权项

一种带有薄云的多光谱和全色图像融合方法，包括如下步骤：1)对带有薄云的多光谱图像进行上采样，采样后的多光谱图像的大小与带有薄云的全色图像的大小相同；2)对采样后的多光谱和全色图像依次分别进行下采样、高斯低通滤波和上采样，得到多光谱图像的背景图像B₁和全色图像的背景图像B₂，其中多光谱图像的背景图像的波段数和多光谱图像的波段数相同；3)对多光谱图像的每个波段和全色图像分别进行去除薄云操作：3.1)计算多光谱图像每个波段图像的灰度均值和全色图像的灰度均值，即对图像中所有的像素的灰度值求和，再除以图像的像素总数；3.2)对多光谱图像的每个波段，减去背景图像B₁的相应波段，再加上相应波段的灰度均值，得到去除薄云的多光谱图像I₁；3.3)对全色图像，减去其背景图像B₂，再加上其灰度的均值，得到去除薄云的全色图像I₂；4)对去除薄云后的多光谱图像I₁进行PCA变换，得到各个分量图像其中表示多光谱图像经过PCA变换后得到的第i主分量，i＝1,2,…,n，n为分量的总数；5)对经过PCA变换后得到的第一主分量图像和去除薄云的全色图像I₂，分别进行Shearlet变换分解，将第一主分量图像分解为一个低频系数x₁和多个方向子带系数y₁,y₂,…,y_m，将去除薄云的全色图像I₂分解为一个低频系数x₂和多个方向子带系数z₁,z₂,…,z_m；6)对步骤2)得到的多光谱图像的每一个波段的背景图像，通过下式计算其灰度平均值，得到多光谱图像的合成背景图像B′₁：其中表示背景图像B₁的第k波段在坐标(p,q)处的灰度值，B′₁(p,q)表示合成的背景图像B′₁在坐标(p,q)处的灰度值，N是多光谱图像的波段数 ；7)根据多光谱图像的合成背景图像B′₁，建立权值矩阵w₁：7.1)建立合成背景图像B′₁的缓存矩阵M₁，初值为零，其大小和多光谱图像的背景图像相同，将多光谱图像的合成背景图像B′₁的每一个位置的灰度值，直接赋值给其缓存矩阵M₁的相应位置；7.2)统计合成背景图像B′₁的缓存矩阵M₁中所有值的最大值和最小值，分别记作和7.3)根据最大值和最小值计算合成背景图像B′₁的阈值T₁：7.4)将多光谱图像的合成背景图像B′₁中每一个像素的灰度值与其阈值T₁进行比较，将灰度值大于其阈值T₁的像素分为一类，并将这类像素组成的区域记作S₁₁；将灰度值小于其阈值T₁的像素分为另一类，并将这类像素组成的区域记作S₁₂；7.5)分别计算区域S₁₁和S₁₂中的所有像素灰度值的均值，分别记作和计算合成背景图像B′₁的缓存矩阵M₁的压缩取值范围的阈值R₁：；7.6)对所述缓存矩阵M₁中所有的值进行归一化处理，得到归一化矩阵M′₁，该归一化矩阵M′₁中所有的值都在[0,1]区间内；7.7)对归一化矩阵M′₁中的每一个值乘以其压缩取值范围的阈值R₁，使归一化矩阵M′₁中的所有的值压缩到[0,R₁]范围内，压缩后的矩阵就是权值矩阵w₁；8)根据全色图像的背景图像B₂，建立权值矩阵w₂：8.1)建立全色图像的背景图像B₂的缓存矩阵M₂，初值为零，其大小和全色图像的背景图像相同，将背景图像B₂的每一个位置的灰度值，直接赋值给其缓存矩阵M₂的相应位置；8.2)统计全色图像的背景图像B₂的缓存矩阵M₂中所有值的最大值和最小值， 分别记作和8.3)根据最大值和最小值计算全色图像的背景图像B₂的阈值T₂，8.4)将全色图像的背景图像B₂中每一个像素的灰度值与其阈值T₂进行比较，将灰度值大于其阈值T₂的像素分为一类，并将这类像素组成区域记作S₂₁；将灰度值小于其阈值T₂的像素分为另一类，并将这些像素组成的区域记作S₂₂；8.5)分别计算区域S₂₁和S₂₂中所有像素灰度值的均值，分别记作和计算全色图像的背景图像B₂的缓存矩阵M₂的压缩取值范围的阈值R₂：；8.6)对所述缓存矩阵M₂中所有的值进行归一化处理，得到归一化矩阵M′₂，该归一化矩阵M′₂中所有的值都在[0,1]区间内；8.7)对归一化矩阵M′₂中的每一个值乘以其压缩取值范围的阈值R₂，使归一化矩阵M′₂中的所有的值压缩到[0,R₂]范围内，压缩后的矩阵就是权值矩阵w₂；9)对全色图像I₂的每一个方向子带系数z₁,z₂,…,z_m，乘以权值矩阵w₁和w₂，得到融合的第一分量图像的方向子带系数l₁,l₂,…,l_m，将第一主分量图像的低频系数x₁作为融合后第一主分量图像的低频系数k；10)对融合后的第一主分量图像的低频系数k和多个方向子带系数l₁,l₂,…,l_m，进行逆Shearlet变换，得到融合后的第一主分量图像11)将融合后的第一主分量图像和步骤4)得到的除第一主分量外的其他分量图像组成新的数据集，并对该新的数据集进行逆PCA变换，得到融合后的图像I。