一種面向水質(zhì)定量遙感應(yīng)用的遙感影像融合方法
【專利摘要】一種面向水質(zhì)定量遙感應(yīng)用的遙感影像融合方法，最大限度保持水域提取精度以及水域光譜特性，結(jié)合PCA融合、SSVR融合設(shè)計了針對水質(zhì)定量遙感應(yīng)用的兩級融合方法，融合過程引入決策級面向?qū)ο蟮牡匚锓诸惤庾g方法，處理結(jié)果具備保持精準水體對象像素輪廓和水域光譜特性的特點。大量的實驗結(jié)果表明。本發(fā)明得到水域解譯精度達到90%，水域定量反演結(jié)果與直接利用高光譜/多光譜影像反演結(jié)果類似。
【專利說明】一種面向水質(zhì)定量遙感應(yīng)用的遙感影像融合方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種面向水質(zhì)定量遙感應(yīng)用遙感影像融合方法，屬于衛(wèi)星影像處理【技術(shù)領(lǐng)域】，用于水利遙感應(yīng)用中多光譜/高光譜遙感影像和高分全色影像的融合。
【背景技術(shù)】
[0002]現(xiàn)代遙感技術(shù)為對地觀測提供了多空間、多光譜、多時相分辨率的海量遙感影像數(shù)據(jù)，廣泛用于地形測繪與地圖更新、土地利用、城市識別、農(nóng)業(yè)與森林調(diào)查、地質(zhì)與洪澇災(zāi)
害以及軍事領(lǐng)域等。
[0003]多源遙感影像所提供的信息具有冗余性、互補性和合作性，冗余性表示它們對環(huán)境或目標的表示、描述或解譯結(jié)果相同；互補性是指信息來自不同的自由度且相互獨立；合作性是不同傳感器在觀測和處理信息時對其它信息有依賴關(guān)系。多源遙感影像數(shù)據(jù)融合是匯集多源遙感影像的最有效途徑之一，通過同一地區(qū)不同數(shù)據(jù)源間的信息互補為多源遙感影像的處理、分析和應(yīng)用提供最有效的應(yīng)用。
[0004]通常，多光譜/高光譜影像光譜分辨率高、光譜信息豐富，但是空間分辨率低；高分全色影像具有較高的空間分辨率但缺乏光譜信息。如何將高光譜/多光譜影像和高分辨率全色影像結(jié)合起來開展應(yīng)用，以實現(xiàn)優(yōu)勢互補和冗余控制，成為遙感要解決的關(guān)鍵問題，也是未來遙感面臨的重要問題。
[0005]影像融合主要指在統(tǒng)一的地理坐標系中，將對同一目標檢測的多幅遙感影像數(shù)據(jù)進行空間配準，再采用一定的算法，生成一幅新的、更能有效表達該目標的影像信息。通過融合能夠消除多傳感器之間的冗余性、增加數(shù)據(jù)間的互補性，從而提高影像的空間分辨率、清晰度等，以便能夠最有效地利用各種遙感影像數(shù)據(jù)，獲得更加有用的信息。
[0006]遙感影像融合從融合層次分為三級:像元級融合、特征級融合、決策級融合。像素級融合是在兩幅或多幅影像實現(xiàn)空間配準的基礎(chǔ)上，將各影像的像元的物理量加權(quán)求和，該值對應(yīng)為同一坐標上的新影像的像元值，其作用是增加影像中的有用信息成分，以便改善如分割與特征提取等處理效果，在該層次的融合沒有信息損失，因此這種處理提供了一種最優(yōu)決策和識別性能；特征級融合是對于不同影像進行特征提取，按照各自影像相同類型的特征進行融合處理，其使得能夠以高的置信度來提取有用的影像特征；決策級融合是高水平的融合，主要是先按照應(yīng)用的要求對影像進行分類，確定各個類別中的特征影像，然后進行融合處理。
[0007]像元級融合方法處理信息量大、費時、實時性差，是最低級的融合技術(shù)，但其是信息損失最少的技術(shù)，精度較高，但決策級融合普遍不夠成熟，人工干預(yù)高。對于以水質(zhì)定量遙感應(yīng)用目的而言，一方面需要保持盡可能真實的光譜信息滿足定量遙感應(yīng)用，另一方面還需保持獲取水體的精確邊緣為后續(xù)水利應(yīng)用做好基礎(chǔ)工作。因此，針對具體行業(yè)應(yīng)用和定量遙感的融合方法采用多級融合方式，一方面重點保證了興趣對象的光譜特性，另一方面可在融合時對興趣對象的興趣特征進行輸出。
[0008]自80年代以來，我國在洪澇干旱災(zāi)害的監(jiān)測與評估，水土流失調(diào)查與動態(tài)監(jiān)測，水利工程前期規(guī)劃，大型水庫工程的地質(zhì)調(diào)查，生態(tài)環(huán)境及水資源、水污染調(diào)查，干旱沙漠區(qū)的水資源調(diào)查以及有效灌溉面積調(diào)查等水利遙感應(yīng)用方面開展了大量的應(yīng)用與研究。從應(yīng)用需求分析，水域提取精度和水域光譜信息是水利遙感應(yīng)用需要重點關(guān)注的問題。
[0009]如何針對水利遙感應(yīng)用需求，克服單一融合方法使用范圍都比較狹窄的缺陷，建立統(tǒng)一的數(shù)據(jù)融合模型，保持精準水體對象像素輪廓和最大限度的保持水域的光譜特性是重點解決的問題。目前尚未有相關(guān)的文獻報道。

【發(fā)明內(nèi)容】

[0010]本發(fā)明的技術(shù)解決問題是:克服現(xiàn)有遙感影像融合技術(shù)的不足，提供一種面向遙感水質(zhì)定量遙感的兩級遙感影像融合方法，在精確保持水體對象像素輪廓的同時，最大限度的保持了高光譜/多光譜影像的光譜特征。
[0011]本發(fā)明的技術(shù)解決方案是:一種面向水質(zhì)定量遙感應(yīng)用的遙感影像融合方法，實現(xiàn)步驟如下:
[0012]一種面向水質(zhì)定量遙感應(yīng)用遙感影像融合方法，包含以下步驟:
[0013](I)基于高分全色影像I1的地理信息，對高光譜/多光譜遙感影像I2進行配準和重采樣，并對兩幅影像的地理位置重疊區(qū)域進行裁剪，得到具有同一地理區(qū)域且相同大小的高分全色影像I1和高光譜/多光譜影像I2，兩幅影像分辨率一致，都為高分全色影像的分辨率；所述高分影像為高空間分辨率遙感影像，高光譜影像為影像波段數(shù)一般多于100個的遙感影像，多光譜影像為影像波段數(shù)一般多于3個少于100個的遙感影像；
[0014](2)計算高光譜/多光譜影像I2的波段相關(guān)矩陣和矩陣的特征向量，進行主成分分析，得到主成分分量影像Ipca ；
[0015](3)將高分全色影像I1和主成分影像IrcA的第一波段影像進行直方圖匹配，并用直方圖匹配的結(jié)果I' i替換IrcA的第一主成分，即替換掉IrcA的第一波段為I' i，得到替換后的主成分結(jié)果；
[0016](4)將替換后的主成分結(jié)果進行主成分分析逆變換，得到保持高光譜/多光譜影像光譜信息和全色影像空間信息的初步融合影像Im ；
[0017](5)將初步融合影像Im進行均值漂移聚類，提取初步融合影像Im的邊緣影像Iedge,邊緣影像為二值影像，其中邊緣像素標記為I，非邊緣像素標記為0 ;
[0018](6)針對獲取的邊緣影像Iedge中可能存在的邊緣輪廓不完全閉合的情況，采用3X3的圓形結(jié)構(gòu)元素對地物邊緣影像16_進行閉運算處理，得到邊緣完全閉合的閉合邊緣
影像I;
[0019](7)在閉合邊緣影像內(nèi)逐一對每一個非邊緣像素進行不同的標記N，N為取值
大于等于I的整數(shù)，將這些像素作為種子點進行區(qū)域生長，在區(qū)域生長中已被其他像素區(qū)域生長過的像素不作為種子點；全圖遍歷完成后，每一個閉合邊緣內(nèi)部都被唯一標記給標識，不同閉合邊緣內(nèi)部像素的標識不同，邊緣像素標識為0，得到標識影像g ；
[0020](8)基于標識影像g對初步融合影像Im進行分水嶺分割，得到同質(zhì)影像對象；針對同質(zhì)影像對象細碎的情況，計算影像對象及其鄰接影像對象的光譜異質(zhì)性指數(shù)和形狀異質(zhì)性指數(shù)，作為衡量影像對象性質(zhì)相似程度，對細碎影像對象性質(zhì)相似的進行反復(fù)迭代合并，當無法再合并時，此時同質(zhì)影像對象合并得到具有明確地理意義的地物影像對象；
[0021](9)對影像對象合并后的影像計算合并后影像對象的光譜特征、形狀特征和紋理特征，基于人工解譯信息訓練粗判定貝葉斯分類器，并保存訓練結(jié)果，相同類型影像只需要訓練一次，對水體對象和非水體對象進行粗判定，得到判定后的水體對象和非水體對象的影像光譜特征；(粗判定貝葉斯分類器指判定對象為影像對象的貝葉斯分類器，影像對象包括水體對象和非水體對象等)
[0022](10)對判定的水體對象和非水體對象的光譜特征作為訓練對象，訓練精分類貝葉斯分類器，對水體對象中每個像素進行精判定，并輸出水域影像IwatCT;所述精分類貝葉斯分類器指分類對象為影像像素的貝葉斯分類器，即此分類器對每個像素進行分類；
[0023]( 11)輸入高光譜/多光譜影像每個波段寬度和全色影像波段寬度，計算水域影像每個像素的能量值，對水域影像IwatOT的水體像素進行像素級的SSVR融合，保證水域像素的光譜特性，形成水域融合影像 Im-water ;SSVR為 Simplified Synthetic Variable Ratio 的縮寫，即簡易合成變量比；
[0024]( 12)基于初步融合影像Im和水域融合影像Im_watOT進行鑲嵌處理，得到最終的融合影像。
[0025]所述步驟(5)和(6)具體實現(xiàn)如下:
[0026](2.1)將全圖進行遍歷，將未進行分割的像素選擇為樣本點的特征，設(shè)Ixi I i=l，2，...，N}為圖像像素灰度值集合，其中Xi為圖像第i個位置灰度值，N為圖像像素個數(shù)，其分割步驟如下:
[0027](2.1.1)選擇存儲的第一個像素灰度值為C1，此時令聚類中心集合C= {Cl}；
[0028](2.1.2)計算Xi與Cj G C的歐式距離，Cj為第j個聚類中心，如果| Ix1-CjI |〈T，T為距離閾值，則把像素分到Sj類中，Sj是第j類的灰度值集合，繼續(xù)下一個像素的計算；
[0029](2.1.3)如果I |X1-Cj| I >T，則把Xi定義為新的聚類中心，繼續(xù)下一個像素的計算；
[0030](2.1.4)分類結(jié)束時，更新聚類中心
【權(quán)利要求】
1.一種面向水質(zhì)定量遙感應(yīng)用遙感影像融合方法，其特征在于包含以下步驟: (1)基于高分全色影像I1的地理信息，對高光譜/多光譜遙感影像I2進行配準和重采樣，并對兩幅影像的地理位置重疊區(qū)域進行裁剪，得到具有同一地理區(qū)域且相同大小的高分全色影像I1和高光譜/多光譜影像12，兩幅影像分辨率一致，都為高分全色影像的分辨率；所述高分影像為高空間分辨率遙感影像，高光譜影像為影像波段數(shù)一般多于100個的遙感影像，多光譜影像為影像波段數(shù)一般多于3個少于100個的遙感影像； (2)計算高光譜/多光譜影像I2的波段相關(guān)矩陣和矩陣的特征向量，進行主成分分析，得到主成分分量影像Ipca ； (3)將高分全色影像I1和主成分影像IrcA的第一波段影像進行直方圖匹配，并用直方圖匹配的結(jié)果I' i替換IrcA的第一主成分，即替換掉IrcA的第一波段為I' i，得到替換后的主成分結(jié)果； (4)將替換后的主成分結(jié)果進行主成分分析逆變換，得到保持高光譜/多光譜影像光譜信息和全色影像空間信息的初步融合影像Im ; (5)將初步融合影像Im進行均值漂移聚類，提取初步融合影像Im的邊緣影像Iralge,邊緣影像為二值影像，其中邊緣像素標記為1，非邊緣像素標記為0 ; (6)針對獲取的邊緣影像Iedge中可能存在的邊緣輪廓不完全閉合的情況，采用3X3的圓形結(jié)構(gòu)元素對地物邊緣影像I6dg6進行閉運算處理，得到邊緣完全閉合的閉合邊緣影像7* (7)在閉合邊緣影像Irf,內(nèi)逐一對每一個非邊緣像素進行不同的標記N，N為取值大于等于I的整數(shù)，將這些像素作為種子點進行區(qū)域生長，在區(qū)域生長中已被其他像素區(qū)域生長過的像素不作為種子點；全圖遍歷完成后，每一個閉合邊緣內(nèi)部都被唯一標記給標識，不同閉合邊緣內(nèi)部像素的標識不同，邊緣像素標識為0，得到標識影像g ； (8)基于標識影像g對初步融合影像Im進行分水嶺分割，得到同質(zhì)影像對象；針對同質(zhì)影像對象細碎的情況，計算影像對象及其鄰接影像對象的光譜異質(zhì)性指數(shù)和形狀異質(zhì)性指數(shù)，作為衡量影像對 象性質(zhì)相似程度，對細碎影像對象性質(zhì)相似的進行反復(fù)迭代合并，當無法再合并時，此時同質(zhì)影像對象合并得到具有明確地理意義的地物影像對象； (9)對影像對象合并后的影像計算合并后影像對象的光譜特征、形狀特征和紋理特征，基于人工解譯信息訓練粗判定貝葉斯分類器，并保存訓練結(jié)果，相同類型影像只需要訓練一次，對水體對象和非水體對象進行粗判定，得到判定后的水體對象和非水體對象的影像光譜特征；(粗判定貝葉斯分類器指判定對象為影像對象的貝葉斯分類器，影像對象包括水體對象和非水體對象等) (10)對判定的水體對象和非水體對象的光譜特征作為訓練對象，訓練精分類貝葉斯分類器，對水體對象中每個像素進行精判定，并輸出水域影像IwatCT;所述精分類貝葉斯分類器指分類對象為影像像素的貝葉斯分類器，即此分類器對每個像素進行分類； (11)輸入高光譜/多光譜影像每個波段寬度和全色影像波段寬度，計算水域影像每個像素的能量值，對水域影像Iwate的水體像素進行像素級的SSVR融合，保證水域像素的光譜特性，形成水域融合影像 Im_water ;SSVR 為 Simplified Synthetic Variable Ratio 的縮寫，即簡易合成變量比；(12)基于初步融合影像Im和水域融合影像Im_wat?進行鑲嵌處理，得到最終的融合影像。
2.根據(jù)權(quán)利要求1的面向水質(zhì)定量遙感應(yīng)用遙感影像融合方法，其特征在于:所述步驟(5)和(6)具體實現(xiàn)如下: (2.1)將全圖進行遍歷，將未進行分割的像素選擇為樣本點的特征，設(shè)Ixi I i=l，2，...，N}為圖像像素灰度值集合，其中Xi為圖像第i個位置灰度值，N為圖像像素個數(shù)，其分割步驟如下: (2.1.1)選擇存儲的第一個像素灰度值為C1，此時令聚類中心集合C= {Cl}； (2.1.2)計算Xi與Cj e C的歐式距離，Cj為第j個聚類中心，如果I |X1-Cj| |T，T為距離閾值，則把像素分到S」類中，Sj是第j類的灰度值集合，繼續(xù)下一個像素的計算； (2.1.3)如果I |X1-Cj| I T，則把Xi定義為新的聚類中心，繼續(xù)下一個像素的計算； (2.1.4)分類結(jié)束時，更新聚類中心
3.根據(jù)權(quán)利要求1的面向水質(zhì)定量遙感應(yīng)用遙感影像融合方法，其特征在于:所述步驟(9)和(10)具體實現(xiàn)如下: (3.1)基于相同影像只需要進行一次水體對象特征訓練，基于貝葉斯分類器對水體影像對象進行粗提取。水體對象特征包括光譜特征、形狀特征、紋理特征，紋理特征包括灰度-梯度共生矩陣提取結(jié)果，其中有能量、相關(guān)、梯度平均、混合熵、慣性矩和逆差矩；和Gabor小波濾波提取結(jié)果,包括Gabor小波均值和Gabor小波方差；(3.2)基于獲取的水體影像對象和非水體對象的光譜特征，對貝葉斯分類器進行訓練，對水體內(nèi)每個像素進 行二次判定和識別，以精確提取水體像素，獲取水體區(qū)域影像。
【文檔編號】G06T5/50GK103679675SQ201310629667
【公開日】2014年3月26日 申請日期:2013年11月29日 優(yōu)先權(quán)日:2013年11月29日
【發(fā)明者】姚堯, 鄒同元, 吳俊 , 王瑋哲, 王文亮 申請人:航天恒星科技有限公司