基于PCA变换与小波变换的多源图像融合算法.doc

基于 PCA 变换与小波变换的多源图像融合算法陈丹（华东交通大学， 南昌 330013）摘要 基于 PCA 变换与小波变换的多源图像融合算法 陈 丹 （华东交通大学， 南昌 330013） 摘 要：在多尺度分解的框架下，针对像素级的多源图像融合，提出一种基于 PCA 变换与小波变换的图像融合算法。 首先将低分辨率的多光谱图像进行主分量变换， 得到各主分量； 然后将高分辨率图像的信息与第一主分量进行融 合，得到新的融合了高分辨率图像信息的第一主分量；最后新的第一主分量与其他主分量进行反变换 ，得到一幅具 有高空间分辨率的多光谱图像。 关键词：PCA 变换；小波变换；图像融合 中图分类号：TP301 文献标识码：A 文章编号：1673-1980（2010）02-0156-03 图像融合指根据某种算法，对从不同传感器得 到的图像进行综合处理，得到一幅新的满足某种要 求的图像。 融合后的图像应该比原图像更加清晰， 易于分辨，可用于图像锐化、图像分割、目标识别等。 多源图像的融合有 IHS 变换融合算法、PCA 变换融 合算法、高通滤波(HPF)融合算法与小波变换融合算 的思想运用到多传感器融合的，是 Chavez P S［1,2］等 人提出的， 他们将 Land sat TM 与 SPOT PAN 进行 融合，且效果良好。 在用 PCA(主成分分析)融合方法 ［3,4］ 对低分辨率多光谱图像与高分辨率图像进行融 合时， 首先对低分辨率多光谱图像进行 PCA 变换， 获得其成分变量；然后，对高分辨率图像进行线性拉 伸， 使之与低分辨率多光谱图像第一主成分分量具 有相同的均值与方差；最后，用拉伸后图像替换第一 主成分，再通过 PCA 反变换回到 RGB 空间，即得到 最终的融合结果图像。 1.2 小波变换融合方法 小波变换可将图像分解为不同频道上的近似信 号和多分辨率层的细节信号，使其能充分反映原始图 像的局部变化特征， 从而为图像数据融合提供了有利 条件 。 通过小波变换可将图像分解为一个低频分量 和一系列的高频分量，其中低频分量为近似图像，而 图像的显著细节特征，如边缘、亮线、区域边界等则 分布在高频分量中， 其小波系数绝对值的大小反映 变化的剧烈程度。基于这些图像的表征，就可以选择 不同的融合算法在对应分辨率下进行融合。 基于上 述原理， 应用融合对象为低分辨率图像和高分辨率 图像，可得到最基本的小波变换模型。 步骤如下：（l） 首先把配准的低分辨率图像和高分辨率图像分别进 行小波变换，获得各自的低频图像和细节纹理图像； （2）用高分辨率图像的高频分量替代低分辨率图像的 高频分量， 对替换后的高频分量和低分辨率图像的 法等。 其中 PCA 算法提高了多频道图像如（低分辨 率图多光谱图像）的空间分辨率。 但 PCA 主成分(包 含了多光谱波段的大多数信息)的信息量比较高，用 全色波段影像的灰度值替代 PCA，再进行反变换得 到的增强后的多光谱波段影像，其信息量易受到损 失。 与传统的数据融合方法相比，小波变换融合具 有多分辨率的特性，是一类很重要的融合算法。 小 波变换融合虽然能使融合图像在获得高空间分辨率 的同时，较好地保持原始光谱信息，但由于舍弃了高 分辨率图像的低频分量， 故很容易出现分块效应。 笔者在此提出一种基于 PCA 变换与小波变换的多 源图像融合算法，并给出了图像融合结果的定性评 价和定量评价。 该算法能得到较好的融合效果。 1 基于 PCA 变换与小波变换的图像融合方法 1.1 主成分分析(PCA)法 PCA（Principal Component Analysis）变换也叫主 分量分析、 K_L 变换， 是统计特征基础上的多维正 交线性变换。 PCA 变换广泛应用于图像压缩、随机 噪声信号的去除以及图像旋转等。 最早将 PCA 变换 收稿日期：2009-09-08 作者简介：陈丹（1981- ），女，江西抚州人，讲师，硕士，主要从事计算机图像处理教学研究工作。 陈丹：基于 PCA 变换与小波变换的多源图像融合算法低频分量进行小波逆变换，得到融合结果。1.3 新的融合方法新的融合方法基于 PCA 变换与小波变换。 在遥 感影像融合中,小波变换法和 PCA 法具有很强的互 补性：（1）低分解层数的小波变换法能有效地保留图 像融合前后的光谱特性, 陈丹：基于 PCA 变换与小波变换的多源图像融合算法 低频分量进行小波逆变换，得到融合结果。 1.3 新的融合方法 新的融合方法基于 PCA 变换与小波变换。 在遥 感影像融合中,小波变换法和 PCA 法具有很强的互 补性：（1）低分解层数的小波变换法能有效地保留图 像融合前后的光谱特性, 但增强后多光谱图像的空 间细节表现能力较差,容易出现地物纹理模糊。