基于广义亮度调制的陆地卫星ETM教材.docx

基于广义亮度调制的陆地卫星ETM教材.docx

《基于广义亮度调制的陆地卫星ETM教材.docx》由会员分享，可在线阅读，更多相关《基于广义亮度调制的陆地卫星ETM教材.docx（9页珍藏版）》请在冰豆网上搜索。

基于广义亮度调制的陆地卫星ETM教材

基于广义亮度调制的陆地卫星ETM+和SAR图像融合

摘要

本文提出了一种新颖的多传感器图像融合算法，通过亮度调制将多光谱（MS）数据的panchrmomatic锐化扩展到MS和合成孔径雷达（SAR）图像的一体化。

这种方法依赖于SAR纹理，由其低通近似比去噪的SAR图像中提取。

SAR纹理用来调节MS图像的广义亮度（GI），由扩展亮度-色调-饱和度变换到任意数目波段的线性变换给出。

在调制前，通过注射根据“à-trous”小波分解从可获得的panchrmomatic图像提取的高通细节增强GI。

纹理调制panchrmomatic锐化GI替换从重采样的原始MS数据计算的GI。

然后，应用逆变换得到融合的产物。

一个城市地区的Landsat7ETM+和ERS2卫星图像给出实验结果。

结果显示，在植被覆盖地区，裸土，及纹理地区（建筑和道路网）准确保持光谱，SAR纹理信息增强融合的产物，可有效地进行视觉分析和分类目的。

1引言

多源图像融合是进行遥感影像数据的一体化产品最复杂的任务之一。

红外-可见（VIR）图像与合成孔径雷达（SAR）图像数据融合是最相关的应用之一。

VIR图像中所包含的信息依赖于太阳光照射的目标的多光谱（MS）反射率，而SAR图像的反射率主要取决于表面靶的特性，如粗糙度和湿度，以及照射的电磁辐射的频率和入射角。

虽然该解决方案可能不是直接的，给出的数据的物理异质性，VIR和SAR图像数据的融合可能有助于更好地理解成像的场景内所观察到的物体[1]。

图像融合的经典方法，在过去的二十年中，广泛用于通过较高分辨率全色（Pan）观察的MS数据空间增强，都是基于亮度-色调-饱和度（IHS）变换，主成分分析（PCA），高通滤波（HPF）技术和Brovey变换[2]。

后者介绍了亮度调制的概念：

每一频谱成分（一次三个信道被认为是RGB分量）乘以高分辨率配准的Pan图像到MS数据的亮度的比例。

针对多传感器图像融合的不同方法都是基于决策级融合或多源分类器[3]，[4]。

用户往往针对提高融合产品中与应用相关的功能。

因此，如在MS和Pan融合的情况下，已开发应用特定的方法而不仅仅使用一般的技术[5]。

最近研究高光谱和合成孔径雷达图像融合的挑战性的任务出现有前途的结果[6]。

在本文中，提出了一种新的多传感器图像融合算法，扩展现有的MS数据Pan锐化解决方案[7][8]集成SAR和MS图像。

对原始MS数据应用可逆线性变换获得SAR纹理调制广义亮度。

调制亮度替代MS数据原始亮度和逆线性变换得到融合的MS图像。

对一个城市和郊区的Landsat-7增强型专题制图仪（ETM+）和欧洲遥感2（ERS-2）卫星图像讨论并得出实验结果。

定量测量表明植被的地区，赤裸的土壤及有纹理的区域（建筑物和道路网络）保持非常精确的光谱，其中来自SAR的信息增强了用于显示和分类目的的融合产品。

本文的其余部分是由四部分组成的。

第二部分对亮度调制的基本原理进行了回顾，并指出了其依照SAR纹理在MS波段增强中的应用。

第三部分概述了整体融合的过程，介绍了其组成部分。

第四部分记录Landsat-7ETM+和ERS-2影像在帕维亚和意大利的有关实验，并讨论随工作参数变化的结果。

结论是在第五部分中得出。

2.亮度调制的概念

关于MS的图像融合方法的一个理想功能是保存光谱信息，作为整个光谱波段的变化，或者有时等价为三波段复合表现的颜色色调，在空间增强后保证。

因此，各种方法都是基于以下步骤：

1）光谱波段的变换，以全色图像的尺度重采样为IHS的坐标；2）用锐化的全色图像置换平滑I分量；3）逆变换回到光谱域。

然而，由于全色图像的低通分量影响融合产品[10]，IHS融合方法[9]可能会在锐化的MS波段中引入严重的辐射畸变（例如，偏置在局部均值）。

为了克服这种不便，IHS融合扩展到多分辨率（只有I分量被全色影像的I分量代替）[11]。

在恰好三个光谱波段的情况下基于IHS的方法可直接利用。

当大量的分量相关[例如，IKONOS和QuickBird有四个光谱波段，包括蓝色，绿色，红色，和近红外（NIR）]，IHS方法应用到三波段，其融合产品用真彩色或假彩色显示。

虽然一般标记方法具有相对光谱的贡献[1]，Brovey变换[2]是基于色度变换[12]，从实践的角度提出了对三波段图像的空间增强亮度调制的概念。

Brovey变换可以用于校准的RGB图像，即表达为辐射值，由下面的关系[7]：

（1）

其中R，G和B是光谱波段的图像显示为红色，绿色和蓝色通道，P是一个更高的空间分辨率的图像亮度调制，。

所有的粗分辨率的数据进行初步重采样到增强的P图像更精细的尺度，这将是最终的融合产品的尺度。

如果亮度替代（或调制）图像的频谱范围不同于用于颜色复合三波段覆盖的光谱范围[2]，[13]，[7]，Brovey变换可能造成颜色失真。

在颜色复合中不使用连续光谱波段，这种缺点是不可避免的。

这些融合技术引入的光谱失真是不受控制的，不容易量化的，因为图像一般是由不同的传感器在不同的日期获取。

最近，刘先生提出了依照另一幅具有较高的空间分辨率图像来锐化MS数据的基于平滑滤波器的亮度调制（SFIM）技术[7]。

融合结果得到地形图和高分辨率图像纹理的产品，以及原来的低分辨率图像的低分辨率的光谱反射率产品。

该方法的目的是通过保持用于亮度调制的高分辨率图像光谱特性结果的独立来保留图像的光谱特性。

这是SFIM相对于IHS和Brovey变换融合技术[14]的主要优势。

依照配准的SPOT全色（P）图像对陆地卫星专题制图仪（TM）锐化的SFIM处理公式如下：

（2）

其中TMi是MS图像重采样的第i波段，

是P图像在一个n×n滑动窗口（n≥3）的平均。

因为由公式

（2）给出空间增强的光谱波段通过全色纹理调制的光谱信息，作者提出SFIM技术并不能直接适用于合并不同照明和成像几何的图像，如VIR和SAR。

然而，作者本人以前尝试过不同物理数据合并，如VIR和热成像[15]。

拉特里等人最近推出了一种针对从SPOT5[8]MS数据的全色锐化亮度调制融合算法。

校准10米的MS图像（HX）并重采样四个因素后，获得2.5米的像素尺寸的HX图像，该方法包括以平滑2.5米的HX波段的IHS变换，保持色调和饱和度不变，乘以THR（从两未对准的5m像素阵列合成2.5米分辨率全色图像）和低通滤波THR之间的亮度比值，即软THR。

这种低通THR的近似应该有相同的空间频率内容为HX波段；因此，只有当THR比HX带来更多的空间信息，亮度调制因素不同于统一。

以逆IHS变换产生的最终产品，命名为THX。

本文的目标是扩展亮度调制的概念到VIR和SAR图像的融合。

我们提出了一种新的融合算法，将主要来自建成区SAR图像的纹理特征集成到配准的N波段MS图像，N任意，通过VIR数据传达的光谱辐射信息无明显扭曲。

3.融合过程

图1说明了所提出的多传感器图像融合算法。

输入数据集是由一幅SAR图像，一幅N波段的配准的MS图像，即，以及一幅由SAR图像配准的全色图像组成。

合成孔径雷达和全色图像比MS波段具有更好的空间分辨率。

合成孔径雷达图像滤波以减轻散斑，同时保持纹理，从而获得SARds影像。

去斑后，通过“à-trous”小波算法获得的SARds和其低通近似的比值M作为L水平近似得到计算。

全色图像的高通分量（Pan的水平l=0的“à-trous”小波变换（ATWT））“注入”（即，添加）到由空间恒定增益期均衡后的重采样MS波段，通过匹配原始亮度的直方图和平滑（低通）Pan计算。

图1一幅低分辨率N波段MS图像及一幅高分辨率全色图像和的和高分辨率SAR图像融合过程流程图

A.ATWT

Mallat[16]提出的针对数字图像的倍频程多分辨率分析的未保持平移不变性。

也就是说，原信号的转化并不一定意味着对应的小波系数的转化。

此属性在图像处理中是必不可少的。

相反，小波系数所产生的图像的不连续性可以任意消失。

这种非平稳性的表征是每个过滤阶段的采样操作的直接后果。

为了保持转换不变性，下采样操作受到抑制，但滤波器是由2l上采样，即通过在任意两个连续系数之间插入2l-1零进行扩张。

非抽样域[17]一个有趣的特性是在第l分解水平，近似Al（n）序列和Wl（n）细节系数由一堆等效滤波器通过过滤原始信号直接获得，通过分析库低通滤波器h和高通滤波器g的递归上采样版本的卷积给出。

（3）

ATWT[18]是由一个滤波器组{hi}和{gi=δi-hi}定义的一个非抽样非正交多分辨分解，克罗内克算子δi表示一个全通滤波器。

在不抽样的情况下，处理第l水平前低通滤波器由2l上采样；因此得名“àtrous”，意思是“有孔”。

在二维滤波器组变成{hihj}和{δiδj-hihj}，即二维（2-D）细节信号是由两个连续的近似值之间的像素差给出，这都是同样的尺度20，即1。

图2描绘了一个样本图像的ATWT，L=3。

第l水平的ATWT（l=1,...,L）是用一个可分离的二维版本的第l等效滤波器（3）通过过滤原始图像获得。

对一个L级分解来说，“àtrous”小波可以容纳比像素数多L+1倍的大量系数。

图2Landsat-5TM图像（5波段）

由于缺少抽样，以及对零相位和6dB振幅滤波器的截止，通过总结所有细节层次得到的近似获得合成。

（4）

其中AL（i,j）和Wl（i,j）,l=0,...L-1是通过二维和，l=0,...L-1可分离线性卷积（3）得到的。

分解层数L直接定义了等效低通滤波器，给出了半波段原型滤波器{hi}，低通近似值平滑规则。

图3显示等效低通滤波器近似值AL，L=1,2,3,4，的频率响应，从23-tap半波段原型滤波器得到开始[17]。

图3L=2,3,4的ATWT的等效低通分析滤波器和23系数原型滤波器

B.合成孔径雷达纹理提取

去斑是融合过程中的一个关键点。

一个有效的去除斑点噪声的过滤器要求减少增加的噪声对均匀区域的影响，而点目标，特别是纹理必须仔细保存。

因此，一个去噪SAR图像的低通近似的比例，低通近似构成调节纹理的信号，实际上等于某一特定领域恒定后向散射系数（例如，在农业领域），而它显著变化从统一高度纹理区域（城市建成区）[19]。

在这些地区，亮度调制特别有效：

SAR图像可检测的空间特征只可适当引入融合过程到VIR图像，而不降低其光谱特征和辐射精度，提供补充信息。

由于在非抽样小波域去噪表现无偏性不诉诸对数[20]，[21]，比率图像具有统一的平均值，如图4所示。

在平均值m=1附近的同质区域虚假的波动，由于去噪不完善，粗糙表面的内在信号的变化及图像比值法的不稳定在图5（a）清晰可见。

图4调制SAR纹理直方图。

强调阈值是。

通过δt指示在调制SAR纹理M分布的标准偏差，用软阈值θ=kδt应用于M：

在[1-kδt,1+kδt]区间外的值是由系数kδt减少和保留，在这个区间内的值设置为平均值（参见图4）。

由此产生的纹理图Mθ，如图5所示（b），包含的空间特征，很容易被SAR检测到，并通过调制MS图像的亮度可以适当地整合到MS图像数据。

C.广义IHS变换

任何N光谱波段B1,B2,...,BN的线性组合，权重求和统一，可以采取在原则上作为一个亮度的概括。

如果一个Pan图像需要提高空间分辨率，考虑到重采样MS波段和全色图像之间产生的广义亮度的相关系数（GI），其中。

一个线性变换T被应用到原来的MS像素矢量给定为

如果所有的αi是非零的，（5）是非奇异的，因此可逆。

广义IHS变换产生的GI和N-1广义谱差异Cn封装的光谱信息。

如果T被应用到一个N波段的图像，N是任意的，并且只有分量被控制，例如，由全色细节锐化并由由合成孔径雷达纹理调制，质谱信息的数据集被保存，一旦调制的GI替代原来的GI及逆变换T-1被应用得到融合的MS图像，如图1所示。

4.实验结果

该融合方法已在帕维亚市（意大利）2000年10月28日获得的ERS-2SAR图像，2000年9月22日获得的Landsat-7ETM+30米波段（1，2,3，4，5，7）图像，及15米的全色图像测试。

所有的光学数据已配准到ERS图像，其是用12.5×12.5平方米像素尺寸进行地理编码。

通过对光学和SAR平台[22]，[23]获得几何进行合适的建模，重要地形的缺失会有自动注册的可能。

图6显示了在12.5米像素大小的512×512的细节。

图6（c）和（d）显示真彩色（波段3红，2绿，1蓝）和假彩色（波段5红，4绿，3蓝）的复合。

图6帕维亚市的原始数据集（所有的光学数据重采样到12.5米尺度的地理编码ERS）。

（a）ERS-2SAR（三振幅）。

（b）Landsat-7ETM+全色。

（c）Landsat-7ETM+真彩色（3–2–1RGB组成）。

（d）Landsat-7ETM+假彩色（5–4–3RGB组成）。

图7分别显示了真彩色和假彩色复合的512×512融合结果。

城市建成区，以及公路和铁路明显增强；从图6（c）和（d）比较可见光谱特征得到几乎完美的保存。

图7L=3,k=1.25时ETM+与ERS融合的结果。

（a）3，2，1真彩色合成。

（b）5，4，3假彩色合成。

为提供对这两个参数更深入地了解，即近似深度L驱动SAR纹理的粗糙和常数k调整软阈值，通过SAR纹理规则GI的调制，图8用200×200的影像片段记录不同的融合结果。

L的三个值（L=2,3,4）和四个阈值，即，k=0,1,2,3，已被认为（k=0表示没有阈值）。

最值得注意的融合结果如图8所示。

对于图7的案例研究，选择L=3和k=1.25似乎在MS波段视觉增强和准确的SAR纹理集成之间提供了最好的权衡。

然而，选择的参数L和k（1≤k≤2,L=2或L=3是最佳的结果）取决于景观和应用。

如何保存原始MS图像的光谱信息用记录在表一中的平均光谱角制图（SAM）显示的值表示。

如果表示一个像素的原始光谱向量并且表示融合后得到的向量，SAM被定义为两个向量之间的绝对角度

图8真彩色融合产品200×200细节。

（a）L=2和k=1。

（b）L=3和k=1。

（c）L=2和k=1.5。

（d）L=3和k=1.5。

表1光谱失真（重采样的原始和融合的MS像素之间的平均SAM）与近似水平L，以及调制纹理的软阈值

看来，增加L和/或减少k可能导致过度增强，这伴随着融合产品的光谱保真度的亏损。

当SAR纹理的软阈值缺失，这种效果是特别明显的。

平均原始波段和融合波段之间的差异有一个类似的趋势。

然而，从全色和SAR提高贡献的高通特性造成辐射畸变，即平均偏差，在所有情况下都是小到可以忽略不计的。

通过一个标准的最大似然（ML）分类进行监督分类以证明融合的好处。

已经选择了建成区和植被区这两类，包括水。

详细的地面真实图是来自于一个地籍图，并描绘在图9（a）。

建筑和人造结构被高亮显示为像素总数的17.5%。

地图是手动配准到可获得的数据；因此，碎裂类引起细节的误读，如在郊区被植被区包围的建筑物和镶嵌在城市中心的小植被斑块，及混合像元的很大一部分，从而使自动执行分类成为一个具有挑战性的任务。

从融合数据获得的分类图在图9（b）中显示并且相当匹配的非常详细的地面真实地图代表建成区子类的一个异构混合，包括工业区。

图9（a）详细的建筑物和人造结构的地面实况图。

（b）MS的六波段融合与全色和SAR的ML分类得到的地图。

表II记录三个不同实验的混淆矩阵，其中六个融合波段的分类比较八个图像--六个MS波段加全色和SAR图像--重采样的六个MS波段。

所选择的训练区既具有不同程度的建筑密度，又有不同类型的领域（包括水），以更好地代表城市和植被类的内在异质性。

训练像素的百分比是7.5%。

当测试集独立于训练集时，上表二输入显示结果，其大小等于剩余92.5%的像素。

当使用合成孔径雷达数据时，整体精度明显大于3%，而不是仅从MS数据中获得。

然而，SAR的引进并没有提高植被的分类，但显著增强（近15%）城市地区的歧视能力。

在融合和非融合光学性能及SAR数据之间的差异比较微妙：

分类的总体精度为0.2%，城市区域精度为1.2%。

表二较低的输入显示，只衡量训练像素时分类准确率显著较高。

测试集（92.5%的像素）所获得的值有较大的差异显示地面真实地图可能已经发生一定的误读。

表二三种情况下的城市（U）和植被（V）的混淆矩阵，MS波段与全色和SAR融合，MS+Pan+SAR分离，及只有MS波段。

上表：

训练集7.5%像素，测试集为92.5%像素。

下表：

训练集7.5%像素；测试集是7.5%像素。

5.结论

亮度调制已经证明是SAR和多波段光学数据多传感器图像融合的前景。

建议的融合程序允许均匀的数据（MS和全色）与物理异质性的合成孔径雷达后向散射有效地整合。

该方法不能直接融合光谱辐射和合成孔径雷达反射率；相反，通过调节MS波段的亮度可组合，通过全色高通细节注入进行锐化，通过提取SAR纹理。

可以处理任意数量的光谱波段，根据MS和全色数据的谱相关定义一个广义的亮度。

LANDSAT-7ETM+和ERS数据的城市地区进行的实验显示在植被区，赤裸的土壤，及建成区（建筑物和道路网络）仔细的保持光谱特征，从SAR纹理信息提高融合产品的可视化分析和分类目的。

客观评价融合结果的质量已被提出作为与原始数据光谱保真度分数，并作为融合或不融合得到的分类精度。

多亏了光学数据中引入的最小的光谱失真，融合不会被惩罚，因为它有时可能会发生，但略有回报的整体精度。

融合程序产生小而稳定的好处，即人为的结构典型的城市区域的自动识别。