基于梯度滤波和PCA的无人机影像与多光谱影像融合方法

摘要

本发明公开一种基于梯度滤波和PCA的无人机影像与多光谱影像融合方法。其首先经过影像配准、重采样至相同像元尺寸，裁剪得到相同空间范围的两套独立的多波段影像，分别为波段数目大但空间分辨率低的多光谱遥感影像与三波段高空间分辨率的无人机影像；然后对两套多波段影像采用相关系数矩阵分别进行主成分变换；进一步地，对无人机影像的全部主成分选取特定的滤波算子进行梯度滤波获取其三个主成分的纹理信息，并将其以一定权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强；最后对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果。本方法扩展了传统融合方法的单波段全色数据与多光谱影像融合的局限性，可以使更多样的数据参与影像融合，实现融合结果更丰富的空间细节信息。

权利要求

1.一种基于梯度滤波和主成分变换的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，包括：S11.经过影像配准、重采样至相同像元尺寸，裁剪得到相同空间范围的两套独立的多波段影像，分别为波段数目大但空间分辨率低的多光谱遥感影像与三波段高空间分辨率的无人机影像；

S12.对两套多波段影像采用相关系数矩阵分别进行主成分变换；

S13.对无人机影像的全部主成分选取预设的滤波算子进行梯度滤波获取其三个主成分的纹理信息；

S14.对无人机影像主成分的纹理信息以预设的权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强；

S15.对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果。

2.根据权利要求1所述的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，对无人机影像的全部主成分选取预设的滤波算子进行梯度滤波获取其三个主成分的纹理信息的步骤为：S21.采用预设的滤波算子，与无人机影像第一主成分进行卷积，其结果即为第一主成分的空间纹理信息；

S22.以此类推，采用相同滤波算子获取无人机影像第二、三主成分的空间纹理信息。

3.根据权利要求2所述的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，对无人机影像的全部主成分选取预设的滤波算子进行梯度滤波获取其三个主成分的纹理信息之前还包括：根据无人机影像主成分的空间信息特征或人为地选取空间滤波算子。

4.根据权利要求1所述的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，对无人机影像主成分的纹理信息以预设的权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强的步骤为：S31.将无人机影像第一主成分的空间纹理信息以预设的权重增强，然后与多光谱遥感影像的第一主成分相加，获取多光谱遥感影像增强后的第一主成分，其公式为：式中： 为增强后的多光谱遥感影像第i主成分， 为无人机影像第i主成分的纹理信息， 为原始的多光谱遥感影像第i主成分；w为预设的权重，i为主成分位次，在这里i＝1；

S32.以此类推，采用相同权重获取多光谱遥感影像增强后的第二、三主成分。

5.根据权利要求4所述的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，对无人机影像主成分的纹理信息以预设的权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强之前还包括：根据融合结果的信息质量与光谱保持性决定融合所需的预设的权重。

6.根据权利要求1所述的三波段无人机光学影像与多光谱遥感影像融合方法，其特征在于，对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果的方法为：将增强后的多光谱遥感影像第一、二、三主成分与多光谱遥感影像剩余未参与增强的主成分按位次重新排列为新的主成分序列，并对其进行主成分逆变换。

说明书

基于梯度滤波和PCA的无人机影像与多光谱影像融合方法

技术领域

[0001] 本发明涉及遥感影像处理数据融合领域，更具体地，涉及一种多波段影像与多波段影像融合技术，是一种采用梯度滤波技术与主成分分析(Principal Component Analysis,PCA)的扩展后的融合技术。技术背景

[0002] 遥感数据是遥感领域研究的基础，然而由于遥感平台与传感器的限制，遥感影像的空间分辨率与多光谱信息难于兼容，为此一般传感器设计为同时获取空间分辨率较高的单波段全色数据以及空间分辨率较低但多波段的多光谱数据；这种生产模式极大程度上刺激了遥感领域研究中一项技术的快速发展——影像融合技术。影像融合技术发展已久，其技术手段上可分为像素级、特征级和决策级三个级别，并在算法上可归为CS模式和MRA模式两大类。近期研究中，CS模式的研究热点在于HCS等新型空间变换理论的应用，而MRA模式的研究热点则在于稀疏矩阵和感知压缩等技术手段的引入。此外，广义上的融合，包括SAR、NIR等数据与多光谱数据的融合也有极大程度的发展。

[0003] 然而由于数据种类或融合目的的局限性，目前绝大部分融合方法的理论模式局限于单波段与多光谱的融合(狭义或者广义上)，包括全色影像、SAR、NIR或其他数据源。这种局限性继承于传统的数据生产模式，体现在整个融合领域的技术发展历程中，并且在相当长的时间内满足了用户的融合需求。然而近期无人机技术在遥感领域内的兴起，使得单波段与多光谱融合的思路受到了挑战，也为融合技术在广义上的发展提供了新的契机。无人机可以提供具有极高空间分辨率的红绿蓝三波段遥感影像，其空间分辨率高，但光谱分辨率不够精细，可以考虑与WorldView-2(或3)等数据进行融合。这需要融合技术满足多波段影像与多波段影像的融合，也是目前绝大部分融合算法无法满足的要求。

发明内容

[0004] 为了克服现有技术的不足，本发明公开一种基于梯度滤波和PCA的无人机影像与多光谱影像融合方法，是基于主成分变换并具有极强空间信息增强功能的一种融合方法，该方法在利用主成分变换与逆变换较高光谱保持性的同时，可以尽可能地增强植被信息的纹理信息和单株边界信息。

[0005] 为了实现上述目的，本发明的技术方案为：

[0006] 一种基于梯度滤波和PCA的无人机影像与多光谱影像融合方法，是通过梯度滤波实现无人机影像全部信息融入多光谱遥感影像的融合方法，所述方法的步骤为：

[0007] S11.经过影像配准、重采样至相同像元尺寸，裁剪得到相同空间范围的两套独立的多光谱影像，分别为波段数目大但空间分辨率低的多光谱遥感影像与三波段高空间分辨率的无人机影像；

[0008] S12.对两套多波段影像采用相关系数矩阵分别进行主成分变换；

[0009] S13.对无人机影像的全部主成分选取特定的滤波算子进行梯度滤波获取其三个主成分的纹理信息；

[0010] S14.对无人机影像主成分的纹理信息以一定权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强；

[0011] S15.对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果。

[0012] 优选地，所述的对无人机影像的全部主成分选取特定的滤波算子进行梯度滤波获取其三个主成分的纹理信息的步骤为：

[0013] S21.采用特定的滤波算子，与无人机影像第一主成分进行卷积，其结果即为第一主成分的空间纹理信息；

[0014] S22.以此类推，采用相同滤波算子获取无人机影像第二、三主成分的空间纹理信息。

[0015] 优选地，所述的对无人机影像的全部主成分选取特定的滤波算子进行梯度滤波获取其三个主成分的纹理信息之前还包括：根据无人机影像主成分的空间信息特征或人为地选取空间滤波算子。

[0016] 优选地，所述的对无人机影像主成分的纹理信息以一定权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强的步骤为：

[0017] S31.将无人机影像第一主成分的空间纹理信息以特定权重增强，然后与多光谱遥感影像的第一主成分相加，获取多光谱遥感影像增强后的第一主成分，其公式为：

[0018]

[0019] 式中： 为增强后的多光谱遥感影像第i主成分， 为无人机影像第i主成分的纹理信息， 为原始的多光谱遥感影像第i主成分；w为特定权重，i为主成分位次，在这里i＝1；

[0020] S32.以此类推，采用相同权重获取多光谱遥感影像增强后的第二、三主成分。

[0021] 优选地，所述的对无人机影像主成分的纹理信息以一定权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强之前还包括：根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。

[0022] 优选地，所述的对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果的方法为：将增强后的多光谱遥感影像第一、二、三主成分与多光谱遥感影像剩余未参与增强的主成分按位次重新排列为新的主成分序列，并对其进行主成分逆变换。

[0023] 上述的基于梯度滤波和PCA的无人机影像与多光谱影像融合方法中，主成分变换实现了两套多光谱影像信息的重构，使不同波段数目的影像的信息融合成为可能；同时，基于主成分变换的特性，多光谱数据的光谱信息可以很好地保留下来；另一方面，基于梯度滤波，无人机影像的全部空间信息都被整合进遥感影像，使遥感影像的空间细节信息得到了极大程度的增强。

[0024] 上述的基于梯度滤波和PCA的无人机影像与多光谱影像融合方法，可以生产具有无人机影像类似空间分辨率并具有更精细光谱分辨率的多光谱融合影像。这种数据在精细的遥感定量研究中，尤其是植被覆盖地区较多的红树林地区，非常有利于其单株植被的界定以及生物量的反演，并且成本远低于直接的具有高空间分辨率的高光谱数据获取，具有非常重要的应用前景。

附图说明

[0025] 图1为本发明的流程图。

[0026] 图2为实施例1中三波段0.125m空间分辨率无人机影像图。

[0027] 图3为实施例1中八波段0.500m空间分辨率WorldView-2融合产品。

[0028] 图4为实施例1中决定特定权重依据的平均梯度和Qn折线图。

[0029] 图5为实施例1中本发明最终融合结果图。

具体实施方式

[0030] 实施例1

[0031] 图1给出了上述的基于梯度滤波和PCA的无人机影像与多光谱影像融合方法的流程图，包括以下步骤：

[0032] 经过影像配准、重采样至相同像元尺寸，裁剪等预处理步骤，得到相同空间范围的两套独立的多光谱影像，分别为波段数目大但空间分辨率低的“多光谱遥感影像”与高空间分辨率的“三波段无人机影像”。

[0033] 在步骤“主成分变换”中，对两套多波段影像采用相关系数矩阵分别进行主成分变换，得到遥感影像第一、二、三主成分，无人机影像第一、二、三主成分，以及遥感影像其他主成分。

[0034] 在步骤“梯度滤波”中，对无人机影像的全部主成分选取特定的滤波算子进行梯度滤波获取其三个主成分的纹理信息。其具体方法为：采用特定的滤波算子，与无人机影像第一主成分进行卷积，其结果即为第一主成分的空间纹理信息；以此类推，采用相同滤波算子获取无人机影像第二、三主成分的空间纹理信息。在这之前，需要根据无人机影像主成分的空间信息特征或人为地选取空间滤波算子。

[0035] 在步骤“纹理叠加”中，对无人机影像主成分的纹理信息以一定权重叠加至波段数目大但空间分辨率低的多光谱影像的前三个主成分中进行增强。其具体方法是将无人机影像第一主成分的空间纹理信息以特定权重增强，然后与多光谱遥感影像的第一主成分相加，获取多光谱遥感影像增强后的第一主成分，其公式为：

[0036]

[0037] 式中： 为增强后的多光谱遥感影像第i主成分， 为无人机影像第i主成分的纹理信息， 为原始的多光谱遥感影像第i主成分；w为特定权重，i为主成分位次，在这里i＝1；以此类推，采用相同权重获取多光谱遥感影像增强后的第二、三主成分。在这之前，需要根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。

[0038] 在步骤“主成分逆变换”中，对增强后的主成分进行主成分逆变换获得波段数目大同时空间分辨率高的多光谱融合结果。其具体方法为：将增强后的多光谱遥感影像第一、二、三主成分与多光谱遥感影像剩余未参与增强的主成分按位次重新排列为新的主成分序列，并对其进行主成分逆变换。由此既可以得到所需的融合结果。

[0039] 下面结合一个实施例来阐述基于梯度滤波和PCA的无人机影像与多光谱影像融合方法：该实施例中，三波段无人机影像为普通红绿蓝照片，经过几何校正，理论上空间分辨率0.125m，其预览图详见图2；多光谱遥感影像为八波段WorldView-2遥感影像，经过FLAASH大气校正和HCS Resolution Merge融合，理论上空间分辨率0.5m，其预览图详见图3，采用红绿蓝真彩色合成(5、3、2波段)。研究区域位于广东省珠海市唐家镇淇澳岛红树林自然保护区，空间范围256m x 256m，主要地表覆被类型为植被，尤其是无瓣海桑，影像大小为2048x2048像元，数据深度为单精度浮点型。

[0040] 在具体的实现过程中，主成分变换与其逆变换基于数据的相关系数矩阵实现，无人机影像主成分变换后有3个主成分，而WorldView-2影像有8个，取WorldView-2影像前3个主成分为待增强的主成分，第4到第8主成分为遥感影像其余主成分。在“梯度滤波”步骤中，依据实验效果人为选取LoG算子为梯度滤波算子，其具体分布如下：

[0041]-2 -4 -4 -4 -2
-4 0 8 0 -4
-4 8 24 8 -4
-4 0 8 0 -4
-2 -4 -4 -4 -2

[0042] 在步骤“纹理叠加”中，依据实现效果的信息质量和光谱保持性后向确定特定权重。在这里我们依据平均梯度，即融合影像的清晰程度来代表融合结果的信息质量；同时，以Qn指数，即一种结构化的相关系数来代表融合结果的光谱保持性。在0.25-1.50区间以0.25步长测试了6组特定权重下融合结果的这两个因子，其结果详见图4。由图可知，两条曲线在1.00左右存在交叉，表明1.00的权重可以有效兼顾融合结果的信息质量与光谱保持性。因此本实施例中特定权重取1.00。

[0043] 最终融合结果详见图5，采用红绿蓝真彩色合成(5、3、2波段)。如图所示，融合结果非常好地继承了无人机影像的空间细节信息和WorldView-2遥感影像的光谱信息。影像中，无瓣海桑树冠的边界和单株树木的边界清晰可见，其他如纹理信息、斑点信息非常丰富；另一方面，融合结果真彩色合成的色调与真实情况，即无人机影像的色调非常一致，可以良好地表现真实情况中植被的颜色信息。

[0044] 对于最终的融合结果，我们采用信息质量和光谱保持性两方面的5个指标来进行定量评价，信息质量包括标准差、信息熵和平均梯度3个指标，分别代表融合结果的信息量、信息丰富程度和清晰程度；光谱保持性包括与多光谱遥感影像相关系数(CC-Mul)和Qn指数，分别代表单纯的相似性和结构化的光谱相似性。为了方便比较和定位，我们采用无人机影像的三个波段分别作为全色数据进行传统的基于主成分变换的融合方法，基于ENVI5.2classical实现，并在此基础上进行相同的定量评价和比较。最终结果详见表1：

[0045] 表1：融合结果定量评价表

[0046]

[0047] 由表1的定量评价结果可知，与传统的基于主成分变换的方法相比，本申请提出的方法无论在信息质量还是光谱保持性方面，均存在明显的优势：由于继承了无人机影像全部三个波段的空间细节信息，本申请中的方法无论在信息量(标准差)、信息丰富程度(信息熵)和清晰程度(平均梯度)上均优于以单一波段参与融合的融合结果；同时，由于三个波段参与融合使得信息相似程度与原始多光谱遥感影像更接近，本申请中的方法的光谱保持性(CC-Mul和Qn)亦优于以单一波段参与融合的融合结果；尤其是测量光谱相似性的Qn指数方面，在传统方法几乎丧失相关性(绝对值小于0.3)的情况下，仍能保持0.8547的强相关性，更表明了本申请中的方法在光谱保持性方面的强大优势。

[0048] 上述的基于梯度滤波和PCA的无人机影像与多光谱影像融合方法中，主成分变换实现了两套多光谱影像信息的重构，使不同波段数目的影像的信息融合成为可能；同时，基于主成分变换的特性，多光谱数据的光谱信息可以很好地保留下来；另一方面，基于梯度滤波，无人机影像的全部空间信息都被整合进遥感影像，使遥感影像的空间细节信息得到了极大程度的增强。

[0049] 上述的基于梯度滤波和PCA的无人机影像与多光谱影像融合方法，可以生产具有无人机影像类似空间分辨率并具有更精细光谱分辨率的多光谱融合影像。这种数据在精细的遥感定量研究中，尤其是植被覆盖地区较多的红树林地区，非常有利于其单株植被的界定以及生物量的反演，并且成本远低于直接的具有高空间分辨率的高光谱数据获取，具有非常重要的应用前景。

[0050] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。