專利名稱：基于分布變換的多傳感器圖像融合方法
技術領域：
本發明涉及一種多傳感器圖像融合方法。
背景技術：
隨著遙感技術的發展，SAR(Synthetic Aperture Radar，合成孔徑雷達)、光學、
紅外、激光和微波等大量不同衛星傳感器對地觀測的應用，獲取的同一地區的多種遙感 影像數據(多時相、多光譜、多傳感器、多平臺和多分辨率)越來越多，而各種傳感器 提供的遙感影像數據各有其特點。目前，SAR的發展受到人們的廣泛關注，它能夠穿 透云層和雨區，具有全天時、全天候工作特性，可以深入地穿入植被，改變SAR的波長 可以得到植被上層甚至地下的信息。SAR獲得的圖像信息取決于物體的介電特性與幾 何特性，具有較高的分辨率和較多的紋理信息，但對于物體的結構邊緣描述不清，圖像 中往往有比較多雜波。而多光譜遙感技術是利用景物在紫外、可見光和近紅外區各光譜 區反射特性差異及人眼彩色視覺分辨特性來增加圖像的信息量。多光譜屬于光學傳感器 成像，對目標場景及輪廓描述清晰，但不善于識別由于偽裝或天氣等原因造成的目標模 糊，一般分辨率較低。由于實際應用需要，僅僅利用一種遙感影像數據是難以滿足技術要求的，多傳 感器圖像融合技術是對多源信息進行綜合處理、從不同數據源中獲得有效信息的有效途 徑之一。所謂圖像融合，是指綜合兩個或多個源圖像的信息，其目的是通過對多幅圖像 信息的提取與綜合，從而獲得對同一場景或目標的更為準確、更為全面的圖像描述，使 融合后的圖像更符合人或機器的視覺特性，以利于對該圖像的進一步分析、理解以及目 標的檢測、識別或跟蹤。與由單一傳感器獲得的圖像相比，可以提高分辨率、靈敏度、 作用距離、測量精度、抗干擾能力等，減少對場景中目標感知的不完全性、不確定性以 及誤差。其中，針對SAR與多光譜的圖像融合可以得到地物的多層次信息，進一步提高 某些地物的分類精度。多傳感器圖像融合技術最早是被應用于遙感圖像的分析和處理中。1979年， Dally等人首先把雷達圖像和Landsat-MSS圖像的復合圖像應用于地質解釋，其處理過程 可以看作是最簡單的圖像融合。1981年，Laner和Todd進行了 Landsat-RBV和MSS圖 像數據的融合試驗。到80年代中后期，圖像融合技術開始引起人們的關注，陸續有人將 圖像融合技術應用于遙感多譜圖像的分析和處理。90年代以后，隨著多顆遙感雷達衛星 JERS-U ERS-U Radarsat等的發射升空，圖像融合技術成為遙感圖像處理和分析中的 研究熱點之一。到80年末，人們才開始將圖像融合技術應用于一般圖像處理(可見光圖 像、紅外圖像等)。90年代后，圖像融合技術的研究呈不斷上升趨勢，應用的領域也遍 及遙感圖像處理、可見光圖像處理、紅外圖像處理、醫學圖像處理等。尤其是近幾年， 多傳感器圖像融合技術已成為計算機視覺、自動目標識別、機器人等領域的熱點研究問 題。遙感圖像分類就是把圖像中的每個像元或區域劃歸為若干個類別中的一種，分類過程就是模式識別。遙感圖像分類主要任務是利用計算機通過對遙感圖像中各類地物 的光譜信息和空間信息進行分析、選擇特征，并用一定的手段將特征空間劃分為互不重 疊的子空間，然后將影像內各個像元劃分到各個子空間中去，從而實現分類。遙感圖像 分類中的特征就是能夠反映地物光譜信息，并可用于遙感圖像分類處理的變量，如多波 段圖像的各個波段都可以作為特征，多波段圖像比值處理或線性變換結果也可以作為分 類的特征。由特征變量組成的高維空間就是特征空間。按照地物分類時是否需要訓練樣本，可以大致分為兩類有監督分類和無監督 分類。有監督分類是在已知類別的訓練場地上提取各類別訓練樣本，通過選擇特征變 量，確定判別函數或判別式，進而把圖像中的各個像元點規劃到各個給定的類別中去， 有監督分類首先給定類別。無監督分類是在沒有先驗類別知識的情況下，根據圖像本身 的統計特征及自然點群的分布情況來劃分地物類別的分類方法。不需要訓練樣本，沒 有使用任何關于數據的先驗信息，所以分類效果通常較差，而且無法給出數據類別的含 義，往往被用于遙感圖像分類中的預分類，但是在不能準確獲得數據概率分布的場合， 非監督的分類方法仍然存在大量的應用。以下簡要介紹無監督分類和有監督分類。遙感 圖像上的同類地物在相同的表面結構特征、植被覆蓋、光照條件下，應當具有相同或相 近的光譜特征，從而表現出某種內在的相似性，歸屬于同一個光譜空間區域；不同的地 物，光譜信息特征不同，歸屬于不同的光譜空間區域。這是無監督分類的理論依據。常 用的無監督分類方法有多級切割法，也稱為平行六面體法，以像元的特征曲線的類似 進行分類；聚類法，也稱為等級分類或集群分析，把特征相似的數據作為類似的樣本進 行聚類，是較為常用的統計分析方法，如K-均值法和ISODATA法。而目前針對多信源 的數據融合過程中難于建立統一的數據分布模型，缺少能有效的分析不同信源的聯合特 性的合適方法。
發明內容
本發明為了解決現有多信源數據融合過程難以建立統一的數據分布模型，缺少 能有效的分析不同信源的聯合特性的合適方法的問題，而提出的基于分布變換的多傳感 器圖像融合方法。基于分布變換的多傳感器圖像融合方法，它由以下幾個步驟實現步驟一將準備融合的合成孔徑雷達圖像和多光譜圖像文件分別進行數據格式 轉換，使各個待融合圖像的灰度值轉換為相應的向量形式；步驟二 對各個轉換后的待融合圖像數據進行特性分析，并分別建立合成孔徑 雷達圖像的PDF模型和多光譜圖像的PDF模型；步驟三應用分布變換理論，根據多信源之間的相關性，建立多源數據的聯合 概率密度函數模型；步驟四根據步驟三得到的聯合概率密度模型中的尺度參數及形狀參數進行估 計運算；步驟五將步驟四得到的各參數代入步驟三的聯合概率密度模型中得到數據融 合結果，通過貝葉斯準則進行分類計算；設定類別ke{l，K，K},定義多變量概率密 度函數fk(x)描述類別k中的樣本矢量χ的概率密度分布，定義21表示像素i的類別，基于貝葉斯準則的分類判別函數為
權利要求
1.基于分布變換的多傳感器圖像融合方法，其特征在于它由以下幾個步驟實現 步驟一將準備融合的合成孔徑雷達圖像和多光譜圖像文件分別進行數據格式轉換，使各個待融合圖像的灰度值轉換為相應的向量形式；步驟二對各個轉換后的待融合圖像數據進行特性分析，并分別建立合成孔徑雷達 圖像的PDF模型和多光譜圖像的PDF模型；步驟三應用分布變換理論，根據多信源之間的相關性，建立多源數據的聯合概率 密度函數模型；步驟四根據步驟三得到的聯合概率密度模型中的尺度參數及形狀參數進行估計運算；步驟五將步驟四得到的各參數代入步驟三的聯合概率密度模型中得到數據融合結 果，通過貝葉斯準則進行分類計算；設定類別ke{l，K，K},定義多變量概率密度函 數fk(x)描述類別k中的樣本矢量χ的概率密度分布，定義21表示像素i的類別，基于貝葉斯準則的分類判別函數為^ = argmax, (χ)，式中參數η k表示像素i屬于種類k的先驗概率；步驟六對步驟五中針對訓練集中樣本數目不足及誤差超出預定誤差值的類別進行 整體改進，采用補償算法進行補償計算；所述補償算法采用Adaboost算法；它由如下步 驟完成步驟 A :給定訓練集(Xl，Yl)，K，(xm, ym)，其中 X1 e X，Yl e γ = {1，K，k}；帶有角標的χ代表訓練集中的m個樣本矢量，y代表樣本矢量的類別標號； 步驟B:初始化Dt (i) = 1/m；步驟C:循環Fort=I, K，Τ； T代表循環次數，循環執行步驟D到步驟H; 步驟D:利用權值Dt (i)訓練弱學習算法； 步驟Ε:得到弱假設ht: XXY- [O, 1]；步驟 F 計算 ht 的誤差
2.根據權利要求1所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟二 中合成孔徑雷達圖像的PDF模型采用瑞利_指數模型；設定數據強度ν服從指數分布， 幅度r服從瑞利分布，其概率密度函數為
3.根據權利要求1所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟二 中合成孔徑雷達圖像的PDF模型采用瑞利_指數模型；設定數據強度分布服從Gamma分 布，概率密度函數為
4.根據權利要求1所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟二 中合成孔徑雷達圖像的PDF模型采用K分布模型；設定數據強度服從K分布，概率密度 函數為
5.根據權利要求1所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟二 中合成孔徑雷達圖像的PDF模型采用兩種經典分布模型；韋伯分布概率密度函數為
6.根據權利要求1所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟二 中合成孔徑雷達圖像的PDF模型采用非參數核密度估計模型；分布密度函數f(x)的核密 度為
7.根據權利要求2、3、4、5或6所述的基于分布變換的多傳感器圖像融合方法，其 特征在于步驟二中多光譜圖像的PDF模型為
8.根據權利要求7所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟三 中建立多源數據的聯合概率密度函數模型由如下步驟實現；參數χ代表訓練集中的樣本 矢量，參數y代表變換分布中的變量；a、設P幅圖像的像素合成矢量χ=(Xl，K，xp),其中參數、的邊緣概率密度為S， 累計分布函數為(V參數、是@分布的特征參量，定義y(x; Y) = (Yl(Xl ； Y1),… yp (xp; ΥΡ))Τ,其中Y = (Y1, - Yp),并設％均服從標準高斯分布；b、正變換由χ 到 y 的變換為y」=Yj (Xj ； Yj) = Φ(G^xj ； Yj))；C、通過相關矩陣C得到y聯合概率密度函數為= ^——J7r ；
9.根據權利要求8所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟四 中的聯合概率密度模型中的尺度參數及形狀參數的估計運算采用基于最大似然準則的ML 法；基于分布變換的聯合概率密度公式，可得對數似然函數為
10.根據權利要求8所述的基于分布變換的多傳感器圖像融合方法，其特征在于步驟 四中的聯合概率密度模型中的尺度參數及形狀參數的估計運算采用估計方程法設定P個 圖像元素不相關；將特征參數矩陣Y和相關矩陣C分別估計，對于Meta-Gaussian分布，設θ = (γ，C)，則估計值可通過如下方程計算
全文摘要
基于分布變換的多傳感器圖像融合方法，它涉及多傳感器圖像融合方法。它為解決現有多信源數據融合過程難以建立統一的數據分布模型，缺少能有效的分析不同信源的聯合特性的合適方法的問題而提出。它由以下幾個步驟實現1.數據格式轉換，使待融合圖像的灰度值轉換為向量形式；2.圖像數據特性分析，建立PDF模型；3.建立多源數據的聯合概率密度函數模型；4.估計運算；5.基于分布變換的數據融合結果，通過貝葉斯準則進行分類計算；6.個別分類精度較低的計算結果，采用補償算法進行補償計算；它在多信源數據融合過程建立了統一的數據分布模型，有效的分析不同信源的聯合特性并進行融合。
文檔編號G06T5/50GK102013095SQ20101058067
公開日2011年4月13日 申請日期2010年12月9日 優先權日2010年12月9日
發明者孫毓, 張曄, 張鈞萍, 趙宏磊 申請人:哈爾濱工業大學