基于AGIHS及低通滤波器的遥感图像融合方法

摘要

本发明涉及遥感图像融合技术，具体是一种基于AGIHS及低通滤波器的遥感图像融合方法。本发明解决了现有遥感图像融合方法容易产生光谱损失现象、容易产生细节成分模糊现象的问题。基于AGIHS及低通滤波器的遥感图像融合方法，该方法是采用如下步骤实现的：1)针对源多光谱图像进行自适应广义IHS变换，由此得到最优亮度分量；2)采用低通滤波器获取高频分量；3)将高频分量加入到源多光谱图像的各个波段中，由此得到新的融合图像。本发明适用于遥感卫星图像、雷达图像、一般的自然图像和医学图像的融合。

权利要求

1.一种基于AGIHS及低通滤波器的遥感图像融合方法，其特征在于：该方法是采用如下步骤实现的：

1)针对源多光谱图像进行自适应广义IHS变换，由此得到最优亮度分量；所述自适应广义IHS变换的具体步骤包括：

1.1)针对源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段进行加权求和，由此得到亮度分量；具体求和公式如下：式(1)中：I_wight为亮度分量；w1、w2、w3、w4均为权值，且其范围均为(0，1)；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

1.2)计算亮度分量和源全色图像的差值；具体计算公式如下：

d_wight＝img_pan-I_wight     (2)；

式(2)中：d_wight为亮度分量和源全色图像的差值；img_pan为源全色图像；I_wight为亮度分量；

1.3)将亮度分量和源全色图像的差值加入到源多光谱图像的各个波段中，由此得到新的多光谱图像；具体公式如下：式(3)中：img_wight(R)、img_wight(G)、img_wight(B)、img_wight(N)分别为新的多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_wight为亮度分量和源全色图像的差值；

1.4)计算新的多光谱图像的全局质量指数，并将全局质量指数作为适应度函数，然后，采用粒子群算法来寻找适应度函数的最优适应度值，由此得到最优权值；

1.5)将最优权值代入式(1)，由此得到最优亮度分量；具体公式如下：式(8)中：I_opt为最优亮度分量；wopt，1、wopt，2、wopt，3、wopt，4均为最优权值；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

2)采用低通滤波器获取高频分量；具体步骤包括：

2.1)针对源全色图像和最优亮度分量进行灰度直方图匹配，由此得到匹配好的全色图像；

2.2)计算匹配好的全色图像和最优亮度分量的差值；具体计算公式如下：d_opt＝img_pan_matched-I_opt      (9)；

式(9)中：d_opt为匹配好的全色图像和最优亮度分量的差值；img_pan_matched为匹配好的全色图像；I_opt为最优亮度分量；

2.3)采用低通滤波器对匹配好的全色图像和最优亮度分量的差值进行滤波，由此分别得到高频分量和低频分量；低通滤波器的系数矩阵具体表示如下：

3)将高频分量加入到源多光谱图像的各个波段中，由此得到新的融合图像；具体公式如下：式(11)中：img_fus(R)、img_fus(G)、img_fus(B)、img_fus(N)分别为新的融合图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_high为高频分量。

2.根据权利要求1所述的基于AGIHS及低通滤波器的遥感图像融合方法，其特征在于：所述步骤1.4)中，新的多光谱图像的全局质量指数的具体计算公式如下：式(4)中：Q4为新的多光谱图像的全局质量指数； 为源多光谱图像的四元数表示和新的多光谱图像的四元数表示的协方差； 为源多光谱图像的四元数表示的方差； 为新的多光谱图像的四元数表示的方差；z1为源多光谱图像的四元数表示；z2为新的多光谱图像的四元数表示；a、b、c、d均为实数；i、j、k均为虚数，且i2＝j2＝k2＝ijk＝-1；

适应度函数具体表示如下：

fitness＝-Q4(img_wight)    (5)；

式(5)中：fitness为适应度函数；Q4为新的多光谱图像的全局质量指数；img_wight为新的多光谱图像。

3.根据权利要求2所述的基于AGIHS及低通滤波器的遥感图像融合方法，其特征在于：所述步骤1.4)中，粒子群算法的具体步骤包括：

1.4.1)假设加速度常数c1和c2，Tmax为最大迭代数；设当前迭代次数t＝1，在定义空间内随机产生m个粒子的位置矢量po1,po2,...,pom，其中每个粒子的位置矢量均为一个4维向量，具体表示如下：m个粒子的位置矢量组成初始种群Po(t)；

同时，随机产生m个粒子的速度矢量v1,v2,...,vm，m个粒子的速度矢量组成速度矩阵V(t)；

1.4.2)按照步骤1.1)-1.3)，每个粒子的位置矢量均对应得到一个新的多光谱图像然后，将每个新的多光谱图像均代入式(5)，由此计算出初始种群Po(t)中每个粒子在其相对应的位置矢量上的适应度值；

1.4.3)比较初始种群Po(t)中每个粒子在其相对应的位置矢量上的适应度值，并选择最优适应度值作为最优位置矢量optM，然后将最优位置矢量optM对应的粒子的位置记为在n维空间中的当前位置；

1.4.4)根据m个粒子的速度矢量对m个粒子的位置矢量进行更新，由此产生新的种群Po(t+1)；具体更新公式如下：式(6)-(7)中： 为更新后的位置矢量； 为第k次迭代时第d个粒子的位置矢量；

为更新后的速度矢量； 为第k次迭代时第d个粒子的速度矢量；c1和c2为加速度常数；r1和r2为0和1之间的随机数； 为第k次迭代时第d个粒子的最优位置矢量；

1.4.5)检测终止条件，如果满足条件，则结束优化过程；否则，设t＝t+1并转向步骤

1.4.2)，直到终止条件达到最大迭代数Tmax，或者评估值小于给出的精度ε；

1.4.6)根据最优适应度值，输出最优位置矢量opt＝(wopt,1,wopt,2,wopt,3,wopt,4)，由此得到最优权值。

说明书

基于AGIHS及低通滤波器的遥感图像融合方法

技术领域

[0001] 本发明涉及遥感图像融合技术，具体是一种基于AGIHS及低通滤波器的遥感图像融合方法。

背景技术

[0002] 作为多源数据融合的一个重要分支，遥感图像融合已成为近年来图像工程领域的研究热点。遥感图像融合具体是指一种对不同来源的图像进行综合处理的新技术，其目的是为了从多幅源图像中进行信息提取与综合，从而获得对同一场景或目标更为准确、全面和可靠的图像描述。利用遥感图像融合技术可以提高目标识别的可靠性和自动化水平。遥感图像可分为如下两种类型：多光谱图像(Multi-Spectral，MS)和全色图像(Panchromatic，PAN)。其中，多光谱图像具有光谱特性，且其包含红、绿、蓝及近红外四个波段。全色图像含有较高的空间分辨率却无光谱特性。因此，为了更好地表达目标的地域特性，将多光谱图像与全色图像融合从而获得一幅既具有光谱特性又含有较高空间分辨率的图像便是一条经济有效的途径。融合后的图像常常被应用于地物分类、制图、光谱分析及其他遥感数据应用。

[0003] 现有的遥感图像融合方法主要分为如下两种类型：第一类是传统的遥感图像融合方法，其主要分为如下三种类型：分量代替法、光谱分析法、改进的空间分辨率增加框架法(Amélioration de la Résolution Spatiale par Injection de Structures，ARSIS)。其中，分量代替法主要分为如下四种类型：基于亮度-色调-饱和度(Intensity-Hue-Saturation，IHS)变换的融合方法、基于主分量分析(Principal Component Analysis，PCA)的融合方法、基于施密特正交法的融合方法、基于广义IHS变换(Generalized IHS，GIHS)的融合方法。光谱分析法主要是指基于Brovey变换的融合方法，该方法中得到的新的光谱子带是由源多光谱子带在整个多光谱图像中所占的比例得出。改进的空间分辨率增加框架法也称为多尺度模型法，常见的多尺度工具包括小波、Curvelets、Contourlets、支撑值变换等。以上各种方法的优点是简单易行，但其共同存在的问题是：在追求增加细节信息的同时，容易产生光谱损失现象。第二类是对传统遥感图像融合方法的改进，其主要分为如下两种类型：基于自适应IHS变换的融合方法和基于非线性IHS变换的融合方法。第二类图像融合方法的基本思想是：改进IHS变换中亮度I分量的得到方法，使获得一幅与源全色图像更为接近的亮度分量，从而避免光谱损失现象。第二类图像融合方法共同存在的问题是：无法很好地挖掘图像中的细节信息，容易产生细节成分模糊现象。基于此，有必要发明一种全新的遥感图像融合方法，以解决现有遥感图像融合方法存在的上述问题。

发明内容

[0004] 本发明为了解决现有遥感图像融合方法容易产生光谱损失现象、容易产生细节成分模糊现象的问题，提供了一种基于AGIHS及低通滤波器的遥感图像融合方法。

[0005] 本发明是采用如下技术方案实现的：基于AGIHS及低通滤波器的遥感图像融合方法，该方法是采用如下步骤实现的：

[0006] 1)针对源多光谱图像进行自适应广义IHS变换，由此得到最优亮度分量；所述自适应广义IHS变换的具体步骤包括：

[0007] 1.1)针对源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段进行加权求和，由此得到亮度分量；具体求和公式如下：

[0008]

[0009] 式(1)中：I_wight为亮度分量；w1、w2、w3、w4均为权值，且其范围均为(0，1)；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

[0010] 1.2)计算亮度分量和源全色图像的差值；具体计算公式如下：

[0011] d_wight＝img_pan-I_wight  (2)；

[0012] 式(2)中：d_wight为亮度分量和源全色图像的差值；img_pan为源全色图像；I_wight为亮度分量；

[0013] 1.3)将亮度分量和源全色图像的差值加入到源多光谱图像的各个波段中，由此得到新的多光谱图像；具体公式如下：

[0014]

[0015] 式(3)中：img_wight(R)、img_wight(G)、img_wight(B)、img_wight(N)分别为新的多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_wight为亮度分量和源全色图像的差值；

[0016] 1.4)计算新的多光谱图像的全局质量指数，并将全局质量指数作为适应度函数，然后，采用粒子群算法来寻找适应度函数的最优适应度值，由此得到最优权值；

[0017] 1.5)将最优权值代入式(1)，由此得到最优亮度分量；具体公式如下：

[0018]

[0019] 式(8)中：I_opt为最优亮度分量；wopt，1、wopt，2、wopt，3、wopt，4均为最优权值；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

[0020] 2)采用低通滤波器获取高频分量；具体步骤包括：

[0021] 2.1)针对源全色图像和最优亮度分量进行灰度直方图匹配，由此得到匹配好的全色图像；

[0022] 2.2)计算匹配好的全色图像和最优亮度分量的差值；具体计算公式如下：

[0023] d_opt＝img_pan_matched-I_opt  (9)；

[0024] 式(9)中：d_opt为匹配好的全色图像和最优亮度分量的差值；img_pan_matched为匹配好的全色图像；I_opt为最优亮度分量；

[0025] 2.3)采用低通滤波器对匹配好的全色图像和最优亮度分量的差值进行滤波，由此分别得到高频分量和低频分量；低通滤波器的系数矩阵具体表示如下：

[0026]

[0027] 3)将高频分量加入到源多光谱图像的各个波段中，由此得到新的融合图像；具体公式如下：

[0028]

[0029] 式(11)中：img_fus(R)、img_fus(G)、img_fus(B)、img_fus(N)分别为新的融合图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_high为高频分量。

[0030] 与现有遥感图像融合方法相比，本发明所述的基于AGIHS及低通滤波器的遥感图像融合方法具有如下优点：其一，与第一类图像融合方法相比，本发明所述的基于AGIHS及低通滤波器的遥感图像融合方法通过采用自适应广义IHS变换，实现了在追求增加细节信息的同时避免光谱损失，由此有效克服了第一类图像融合方法容易产生光谱损失现象的问题。其二，与第二类图像融合方法相比，本发明所述的基于AGIHS及低通滤波器的遥感图像融合方法通过采用低通滤波器，实现了很好地挖掘图像中的细节信息，由此有效克服了第二类图像融合方法容易产生细节成分模糊现象的问题。测试实验表明，本发明所述的基于AGIHS及低通滤波器的遥感图像融合方法针对遥感图像的融合结果的四个融合指标分别优于基于广义IHS变换的融合方法、基于主分量分析的融合方法、光谱分析法、折中参数法的融合结果的四个融合指标，如图2a-2g、图3a-3g、图4a-4g所示。

[0031] 本发明有效解决了现有遥感图像融合方法容易产生光谱损失现象、容易产生细节成分模糊现象的问题，适用于遥感卫星图像、雷达图像、一般的自然图像和医学图像的融合。

附图说明

[0032] 图1是本发明的实现流程图。

[0033] 图2a-2g是采用不同方法对遥感图像进行融合得到的比较结果示意图：

[0034] 图2a是待融合的源多光谱图像示意图；

[0035] 图2b是待融合的源全色图像示意图；

[0036] 图2c是采用基于广义IHS变换的融合方法得到的结果示意图；

[0037] 图2d是采用基于主分量分析的融合方法得到的结果示意图；

[0038] 图2e是采用光谱分析法得到的结果示意图；

[0039] 图2f是采用折中参数法得到的结果示意图；

[0040] 图2g是采用本发明得到的结果示意图。

[0041] 图3a-3g是采用不同方法对遥感图像进行融合得到的比较结果示意图：

[0042] 图3a是待融合的源多光谱图像示意图；

[0043] 图3b是待融合的源全色图像示意图；

[0044] 图3c是采用基于广义IHS变换的融合方法得到的结果示意图；

[0045] 图3d是采用基于主分量分析的融合方法得到的结果示意图；

[0046] 图3e是采用光谱分析法得到的结果示意图；

[0047] 图3f是采用折中参数法得到的结果示意图；

[0048] 图3g是采用本发明得到的结果示意图。

[0049] 图4a-4g是采用不同方法对遥感图像进行融合得到的比较结果示意图：

[0050] 图4a是待融合的源多光谱图像示意图；

[0051] 图4b是待融合的源全色图像示意图；

[0052] 图4c是采用基于广义IHS变换的融合方法得到的结果示意图；

[0053] 图4d是采用基于主分量分析的融合方法得到的结果示意图；

[0054] 图4e是采用光谱分析法得到的结果示意图；

[0055] 图4f是采用折中参数法得到的结果示意图；

[0056] 图4g是采用本发明得到的结果示意图。

具体实施方式

[0057] 基于AGIHS及低通滤波器的遥感图像融合方法，该方法是采用如下步骤实现的：

[0058] 1)针对源多光谱图像进行自适应广义IHS变换，由此得到最优亮度分量；所述自适应广义IHS变换的具体步骤包括：

[0059] 1.1)针对源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段进行加权求和，由此得到亮度分量；具体求和公式如下：

[0060]

[0061] 式(1)中：I_wight为亮度分量；w1、w2、w3、w4均为权值，且其范围均为(0，1)；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

[0062] 1.2)计算亮度分量和源全色图像的差值；具体计算公式如下：

[0063] d_wight＝img_pan-I_wight  (2)；

[0064] 式(2)中：d_wight为亮度分量和源全色图像的差值；img_pan为源全色图像；I_wight为亮度分量；

[0065] 1.3)将亮度分量和源全色图像的差值加入到源多光谱图像的各个波段中，由此得到新的多光谱图像；具体公式如下：

[0066]

[0067] 式(3)中：img_wight(R)、img_wight(G)、img_wight(B)、img_wight(N)分别为新的多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_wight为亮度分量和源全色图像的差值；

[0068] 1.4)计算新的多光谱图像的全局质量指数，并将全局质量指数作为适应度函数，然后，采用粒子群算法来寻找适应度函数的最优适应度值，由此得到最优权值；

[0069] 1.5)将最优权值代入式(1)，由此得到最优亮度分量；具体公式如下：

[0070]

[0071] 式(8)中：I_opt为最优亮度分量；wopt，1、wopt，2、wopt，3、wopt，4均为最优权值；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；

[0072] 2)采用低通滤波器获取高频分量；具体步骤包括：

[0073] 2.1)针对源全色图像和最优亮度分量进行灰度直方图匹配，由此得到匹配好的全色图像；

[0074] 2.2)计算匹配好的全色图像和最优亮度分量的差值；具体计算公式如下：

[0075] d_opt＝img_pan_matched-I_opt  (9)；

[0076] 式(9)中：d_opt为匹配好的全色图像和最优亮度分量的差值；img_pan_matched为匹配好的全色图像；I_opt为最优亮度分量；

[0077] 2.3)采用低通滤波器对匹配好的全色图像和最优亮度分量的差值进行滤波，由此分别得到高频分量和低频分量；低通滤波器的系数矩阵具体表示如下：

[0078]

[0079] 3)将高频分量加入到源多光谱图像的各个波段中，由此得到新的融合图像；具体公式如下：

[0080]

[0081] 式(11)中：img_fus(R)、img_fus(G)、img_fus(B)、img_fus(N)分别为新的融合图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；img_ms(R)、img_ms(G)、img_ms(B)、img_ms(N)分别为源多光谱图像的红色光波段、绿色光波段、蓝色光波段、近红外波段；d_high为高频分量。

[0082] 所述步骤1.4)中，新的多光谱图像的全局质量指数的具体计算公式如下：

[0083]

[0084] 式(4)中：Q4为新的多光谱图像的全局质量指数； 为源多光谱图像的四元数表示和新的多光谱图像的四元数表示的协方差； 为源多光谱图像的四元数表示的方差；为新的多光谱图像的四元数表示的方差；z1为源多光谱图像的四元数表示；z2为新的多光谱图像的四元数表示；a、b、c、d均为实数；i、j、k均为虚数，且i2＝j2＝k2＝ijk＝-1；

[0085] 适应度函数具体表示如下：

[0086] fitness＝-Q4(img_wight)  (5)；

[0087] 式(5)中：fitness为适应度函数；Q4为新的多光谱图像的全局质量指数；img_wight为新的多光谱图像。

[0088] 所述步骤1.4)中，粒子群算法的具体步骤包括：

[0089] 1.4.1)假设加速度常数c1和c2，Tmax为最大迭代数；设当前迭代次数t＝1，在定义空间 内随机产生m个粒子的位置矢量po1,po2,...,pom，其中每个粒子的位置矢量均为一个4维向量，具体表示如下：

[0090]

[0091] m个粒子的位置矢量组成初始种群Po(t)；

[0092] 同时，随机产生m个粒子的速度矢量v1,v2,...,vm，m个粒子的速度矢量组成速度矩阵V(t)；

[0093] 1.4.2)按照步骤1.1)-1.3)，每个粒子的位置矢量均对应得到一个新的多光谱图像 然后，将每个新的多光谱图像均代入式(5)，由此计算出初始种群Po(t)中每个粒子在其相对应的位置矢量上的适应度值；

[0094] 1.4.3)比较初始种群Po(t)中每个粒子在其相对应的位置矢量上的适应度值，并选择最优适应度值作为最优位置矢量optM，然后将最优位置矢量optM对应的粒子的位置记为在n维空间中的当前位置；

[0095] 1.4.4)根据m个粒子的速度矢量对m个粒子的位置矢量进行更新，由此产生新的种群Po(t+1)；具体更新公式如下：

[0096]

[0097]

[0098] 式(6)-(7)中： 为更新后的位置矢量； 为第k次迭代时第d个粒子的位置矢量； 为更新后的速度矢量； 为第k次迭代时第d个粒子的速度矢量；c1和c2为加速度常数；r1和r2为0和1之间的随机数； 为第k次迭代时第d个粒子的最优位置矢量；

[0099] 1.4.5)检测终止条件，如果满足条件，则结束优化过程；否则，设t＝t+1并转向步骤1.4.2)，直到终止条件达到最大迭代数Tmax，或者评估值小于给出的精度ε；

[0100] 1.4.6)根据最优适应度值，输出最优位置矢量opt＝(wopt,1,wopt,2,wopt,3,wopt,4)，由此得到最优权值。

[0101] 本发明的优点可以通过以下仿真实验说明：

[0102] 本发明所有的实验结果都是如下运行环境下获得的：Windows 7 64位专业版，E5-1603双核2.8GHz CPU，8G内存，MATLAB R2012a。

[0103] 实验一，基于AGIHS及低通滤波器的遥感图像融合方法仿真实验：

[0104] 本实验用来检测本发明对遥感图像融合的性能。实验中用到的遥感图像均来自于QuickBird卫星，QuickBird卫星图像包括多光谱图像和全色图像。其中，多光谱图像包括近红外波段、红色光波段、绿色光波段和蓝色光波段，其空间分辨率为2.4m，全色图像空间分辨率为0.6m。本实验中，将粒子群算法中加速度常数c1设为1，c2设为1，最大迭代数Tmax为50，随机产生10个粒子。

[0105] 为了检验实验结果的有效性，采用了多组融合评价指标：相关系数(Correlative Coefficient，CC)、光谱损失(Spectral Distortion，SD)、相对平均光谱误差(Relative Average Spectral Error，RASE)和无量纲全局相对合成误差(the erreur relative globale adimensionnelle de synthése，ERGAS)、平均质量指数Qavg(其值分别在大小为16×16、32×32、64×64以及128×128像素的滑动窗口内计算获得)以及全局质量指数Q4。

[0106] A)相关系数(Correlation Coefficient，CC)。相关系数定义的是源多光谱图像与融合后的多光谱图像之间的关系：

[0107]

[0108] 式(12)中： 和 分别表示融合后的多光谱图像各个波段的均值和源多光谱图像各个波段的均值。相关系数的最优值为1，其值越接近1表示融合后的多光谱图像的光谱损失越小。

[0109] B)光谱损失度(Spectral Distortion，SD)。光谱损失度描述的是源多光谱图像与融合后获得的多光谱图像之间的差异：

[0110]

[0111] 式(13)中：Bn表示源多光谱图像的各个波段，n＝1,2,3,4。Fus(Bn)表示融合后获得的多光谱图像，多光谱图像中的一个波段大小为M×N。SD值越小表示融合后获得的多光谱图像的光谱性能越好。

[0112] C)相对平均光谱误差(Relative Average Spectral Error，RASE)和无量纲全局相对合成误差(the erreur relative globale adimensionnelle de synthése，ERGAS)。这两个指标的值越小，表明融合得到的多光谱图像具有越好的光谱性能：

[0113]

[0114] 式(14)中：rad是源多光谱图像的各个波段Bn的平均辐射率，RMSE由下式获得：

[0115] RMSE2[Fus(Bn),Bn]＝bias2[Fus(Bn),Bn]+STD2[Fus(Bn),Bn]  (15)；

[0116] 指标ERGAS描述的是相对全局的光谱误差：

[0117]

[0118] 式(16)中：high是具有高空间分辨率的全色图像的分辨率，low是源多光谱图像的分辨率。

[0119] D)平均质量指数Qavg。平均质量指数Qavg是在全局质量指数Q的基础上获得的，指数Q表示的是两幅图像之间相关性的损失、亮度失真和对比度失真的差异。平均质量指数Qavg即为分别在大小为16×16、32×32、64×64以及128×128像素的滑动窗口内计算获得的Q的平均值。Qavg的值越接近1表示融合图像的光谱性能越好：

[0120]

[0121] 式(17)中：u表示Fus(Bn)，v代表Bn，n＝1,2,3,4为多光谱图像的各个波段，及 为u和v的均值， 和 便是u和v的方差，σuv表示u和v之间的协方差。

[0122] E)Q4。Q4是一个描述光谱图像的质量指数，是表示光谱性能的全局质量指数。Q4适合于具有四个光谱子带的多光谱图像，且多光谱图像由超复杂的数字理论或四元子：如式子z＝a+ib+jc+kd来定义。其中，a、b、c、d为实数，i、j、k为虚数且i2＝j2＝k2＝ijk＝-1。且设z1＝a1+ib1+jc1+kd1和z2＝a2+ib2+jc2+kd2分别表示源多光谱图像和融合后的多光谱图像。质量指数Q4定义如下：

[0123]

[0124] 式(18)中：Q4的计算公式由三个部分组成，第一部分表示z1和z2的相关系数，第二部分描述了两幅图像标准差的相似度，第三部分表达的是两幅图像之间均值的相似度。Q4的理想值为1。当用Q4测量融合图像的质量时，通过大小为N×N的子块分别计算Q4的值(N＝32)，最后获得Q4的值为均值。因此，针对多光谱图像融合性能评价的准则为：对于同一组融合实验，若某种融合方法获得的图像的偏差、标准差、光谱损失度、RASE和ERGAS越小，SAM越趋向于零，同时CC、Qavg和Q4越接近于1，则说明该融合方法获得的融合结果光谱性能相对较好。

[0125] 表1

[0126]

[0127]

[0128] 图2a-2g为不同方法对遥感图像融合结果示意图，图2a与图2b分别为源多光谱图像与全色图像的示意图，图中所示区域为印度Sundarbans公园。实验图含有大量的线性信息，多为道路和轨道，以及部分建筑物。图2c是基于传统的广义IHS变换(GIHS)得到的结果示意图，图中道路等信息较为清晰，然而绿色区域存在光谱损失现象，与源图中绿色区域有较大差别；图2d是基于自适应广义IHS变换(AGIHS)得到的结果示意图，从直观上与图2c相比较差别不大，但是从多组融合评价指标上来看，光谱保持度优于图2c所示的结果；图2e为基于光谱分析法(Spectral Analysis，SA)得到的结果示意图，该方法是通过比较源多光谱图像中红色光波段、绿色光波段、蓝色光波段以及近红外波段分别在源多光谱图像中所占的比例来计算得出亮度分量，并结合全色图像来获得融合结果，其绿色区域仍存在光谱损失现象；图2f是基于折中参数法(Tradeoff Parameters，TP)得到的结果示意图，TP为折中参数，为了在空间分辨率增加与光谱损失之间找到均值，从图中所示的结果可以看到，与前几种方法比较已减少了绿色区域的光谱损失；图2g是本发明图像融合方法得到的融合结果示意图，几种方法比较，本发明图像融合结果中光谱与源多光谱图像最为接近，且细节保存较好。表1给出了几种融合方法结果的评价指标，加粗数字为相对最优值。

[0129] 表2

[0130]

[0131] 图3a-3g同为不同方法对遥感图像融合结果示意图，图3a与图3b分别为源多光谱图像与全色图像的示意图，图中所示区域为印度Sundarbans公园。实验图主要包含一座大桥以及河岸建筑物、道路信息。与图2a-2g中所示结果示意图相同，图3c是基于GIHS得到的结果示意图，图中线条较为清晰，但是光谱与源图有差；图3d是基于AGIHS得到的结果示意图，从直观上与图3c相比较差别不大；图3e为基于SA得到的结果示意图，其光谱结果优于图3c和图3d的结果；图3f是基于TP得到的结果示意图，无论从光谱还是细节均优于图3c-图3e结果；图3g为本发明图像融合方法得到的融合结果示意图，仍可得出与图2a-2g同样的结论：本发明图像融合结果中光谱与源多光谱图像最为接近，且细节保存较好。表2给出了图
3a-3g所示结果的融合评价指标，加粗数字为相对最优值。

[0132] 图4a-4g中给出的遥感图像融合结果示意图中所用到的遥感图像与图2a-2g及图3a-3g中的遥感图像来自于同一个遥感卫星，且描述的同样为印度Sundarbans公园。图4a与图4b分别为源多光谱图像与全色图像的示意图，实验图主要是建筑物集中的区域，包含部分树木以及道路。与图2a-2g和图3a-3g相同，图4c是基于GIHS得到的结果示意图；图4d是基于AGIHS得到的结果示意图；图4e为基于SA得到的结果示意图；图4f是基于TP得到的结果示意图；图4g为本发明图像融合方法得到的融合结果示意图。表3给出了图4a-4g 所示结果的融合评价指标，加粗数字为相对最优值。

[0133] 表3

[0134]