基于平移評價優(yōu)選的光譜圖像數(shù)據(jù)融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于超光譜圖像數(shù)據(jù)融合技術(shù)領(lǐng)域，主要設(shè)及光譜圖像數(shù)據(jù)立方體融合成 一幅偽彩色圖像的融合方法，尤其設(shè)及一種多幅窄帶光譜圖像數(shù)據(jù)融合成一幅易于人眼識 別的偽彩色圖像的融合方法。
【背景技術(shù)】
[0002] 超光譜成像傳感器基于成像光譜技術(shù)，同時獲取被探測場景的空間二維和光譜信 息。任何物質(zhì)，由于組成成分、物理和化學(xué)性質(zhì)的不同，其光譜特性存在著差異。利用該種 差異可W對物質(zhì)進(jìn)行調(diào)查和鑒別，已經(jīng)在遙感、地質(zhì)、環(huán)境等領(lǐng)域得到廣泛應(yīng)用。
[0003] 超光譜成像傳感器獲取的原始光譜數(shù)據(jù)立方體數(shù)據(jù)量大，很難被終端用戶直接使 用，實際使用過程中必須經(jīng)過融合處理，得到簡單直觀有效的融合結(jié)果。針對不同的應(yīng)用環(huán) 境和使用目的，人們提出了不同的光譜數(shù)據(jù)融合方法，通過監(jiān)督或非監(jiān)督分類、光譜目標(biāo)異 常檢測等方法，得到最終的融合目標(biāo)數(shù)據(jù)、光譜曲線、灰度圖像、偽彩色圖像等。其中偽彩色 圖像顯示是最為直觀有效的方法，利用色彩表示目標(biāo)的光譜屬性，顏色的形狀和大小反映 目標(biāo)的空間屬性。
[0004] 《Journal of Information F^ision》在 2000 年發(fā)表了 一 篇《ACon州rrent Spectral-Screening PCX Algorithm for Remote Sensing Application》論文，文章中提 出將光譜數(shù)據(jù)立方體進(jìn)行主成分變換，將得到的=大主分量分配給對色顏色空間的亮度通 道、紅綠通道、黃藍(lán)通道，再轉(zhuǎn)換到0?255范圍的RGB顏色空間進(jìn)行映射顯示。
[0005] 《IE邸 TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》2003 年發(fā)表了一篇 《Principal-Components-Based Display Strategy for Spectral Imagery》論文，文章中 提出將主成分變換得到的S大主分量轉(zhuǎn)換到服V顏色空間，即將第一主分量賦給V通道，將 第=主分量和第二主分量的夾角值賦給H通道，將第=主分量和第二主分量的平方根除W 第一主分量的值賦給S通道，最后將HVS顏色空間轉(zhuǎn)換到RGB顏色空間進(jìn)行顯示。
[0006] 上述融合方法將PCA變換的主分量轉(zhuǎn)換到RGB顏色空間后，數(shù)值壓縮至0?255 范圍進(jìn)行映射，融合圖像的整體亮度偏暗，每個顏色通道的不同目標(biāo)背景間的灰度差異變 小、對比度較低，存在相似光譜目標(biāo)特別是真假目標(biāo)的顯示結(jié)果顏色區(qū)分度差，不易區(qū)別的 缺陷。

【發(fā)明內(nèi)容】

[0007] 針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種基于平移評價優(yōu)選的光譜圖像數(shù)據(jù)融 合方法，W提高融合圖像對比度和顏色色彩區(qū)分度。
[000引本發(fā)明的技術(shù)方案為；
[0009] 一、所述一種基于平移評價優(yōu)選的光譜圖像數(shù)據(jù)融合方法，其特征在于：包括W下 步驟：
[0010] 步驟1;載入數(shù)據(jù)矩陣；讀取光譜數(shù)據(jù)立方體，并整合成二維數(shù)據(jù)矩陣x(i，j)，其 中i = l、2、…、P，j = l、2、…、以？為圖像的像素數(shù)，其值等于圖像高度H與圖像寬度W 的乘積，L為光譜波段數(shù)；
[0011] 步驟2;數(shù)據(jù)矩陣像素分類獲取類矩陣；對數(shù)據(jù)矩陣X(i，j)的像素向量X(i，：） = 技(i，l)X(i，2)...X(i，L)]進(jìn)行分類，從每類像素向量中提取一個像素向量構(gòu)成類矩陣 Y化，j)，其中i = l、2、…、P，j = l、2、…、L，k=l、2、…、Pc，P。為像素向量分類后的類 數(shù)；
[0012] 步驟3 ;類矩陣主成分變換獲取降維數(shù)據(jù)矩陣；利用類矩陣Y(k，j)光譜維主成 分變換得到的降維投影矩陣！'。〇，11)，投影變換數(shù)據(jù)矩陣《(1^)的光譜向量《（:^)= 技(1，_j)X(2, j). . . X(P，j)]T，得到降維數(shù)據(jù)矩陣Xn(i，n)，其中 k = 1、2、…、Pc;j = 1、2、…、 L，n 二 l、2、3，i 二 1、2、???、？；
[001引步驟4 ;降維數(shù)據(jù)矩陣經(jīng)過對色空間轉(zhuǎn)換到sRGB顏色空間，得到R通道顏色分量 數(shù)據(jù)Rs (:)、G通道顏色分量數(shù)據(jù)Gs (:)、B通道顏色分量數(shù)據(jù)Bs (:);
[0014] 步驟5;采用R通道顏色分量數(shù)據(jù)Rs(:)和R通道平移步長Am,，通過平移評價優(yōu) 選方法，得到R通道的最優(yōu)平移量Me;采用G通道顏色分量數(shù)據(jù)G ,(:)和G通道平移步長 AIV通過平移評價優(yōu)選方法，得到G通道的最優(yōu)平移量M。;采用B通道顏色分量數(shù)據(jù)B ,(:) 和B通道平移步長A nib，通過平移評價優(yōu)選方法，得到B通道的最優(yōu)平移量Mb;
[0015] 所述平移評價優(yōu)選方法包括W下步驟：
[0016] 步驟5. 1 ;將輸入本方法的顏色分量數(shù)據(jù)存入數(shù)組V(j)，j = 1、2、…、P ;求出顏 色分量數(shù)據(jù)數(shù)組的最大值Vmay和最小值Vmi。，計算平移總步數(shù)Nm= [ / Am]+1，其中 Am為輸入本方法的平移步長；初始化w下數(shù)組為0 ;平移量M(i)，標(biāo)準(zhǔn)差Ed(i)，滴Ee(i)， 平均梯度Eg (i)，標(biāo)準(zhǔn)差分值Sd (i)，滴分值S。(i)，平均梯度分值Sg (i)，綜合評價值S。(i)，其 中 i = 1、2、…、Nm;
[0017] 步驟5. 2 ;循環(huán)標(biāo)記i等于1，開始平移循環(huán)；
[0018] 步驟5. 3 ;判斷循環(huán)標(biāo)記i是否小于等于平移總步數(shù)Nm，如果為假，跳出平移循環(huán)， 執(zhí)行步驟5. 6 ;如果為真，執(zhí)行步驟5. 4 ;
[0019] 步驟5. 4;采用"分段平移、數(shù)字映射、單項評價"方法，得到平移量M(i)、標(biāo)準(zhǔn)差 Ed(i)、滴Ee(i)、平均梯度Eg(i);所述"分段平移、數(shù)字映射、單項評價"方法包括W下步驟：
[0020] 步驟5.4. 1 ;計算平移量Ma) = Vmh+(i-l) X Am,得到平移后的顏色分量數(shù)據(jù) VmU) = V(j)-M(i)，且 j = 1、2、…、P ;
[0021] 步驟5. 4. 2 ;數(shù)字映射平移后的顏色分量數(shù)據(jù)Vm(:)的每個像素，得到平移后的數(shù) 字圖像Vb(:)，即VbO) = Map(Vm(j))，且j = 1、2、…、P，其中，函數(shù)y = Map(x)為數(shù)字映 射函數(shù)；
[00巧步驟5. 4. 3 ;計算平移后的數(shù)字圖像Vb(:)的單項評價值；標(biāo)準(zhǔn)差Ed(i)、滴EeW、 平均梯度Eg (i):
[002引計算標(biāo)準(zhǔn)差，其計算公式為；
【主權(quán)項】
1. 一種基于平移評價優(yōu)選的光譜圖像數(shù)據(jù)融合方法，其特征在于：包括以下步驟： 步驟1 :載入數(shù)據(jù)矩陣：讀取光譜數(shù)據(jù)立方體，并整合成二維數(shù)據(jù)矩陣x(i，j)，其中i =1、2、"·、Ρ，」_ = 1、2、"·α，Ρ為圖像的像素數(shù)，其值等于圖像高度H與圖像寬度W的乘 積，L為光譜波段數(shù)； 步驟2:數(shù)據(jù)矩陣像素分類獲取類矩陣：對數(shù)據(jù)矩陣X(i，j)的像素向量X(i，：）= [X(i，l) X(i，2) ... X(i，L)]進(jìn)行分類，從每類像素向量中提取一個像素向量構(gòu)成類矩陣 ￥&，」_)，其中1 = 1、2、一、？，」_ = 1、2、一、1^，1^=1、2、一、？。，？。為像素向量分類后的類 數(shù)； 步驟3 :類矩陣主成分變換獲取降維數(shù)據(jù)矩陣：利用類矩陣Y (k，j)光譜維主成分變換 得到的降維投影矩陣Tn(j，n)，投影變換數(shù)據(jù)矩陣X(i，j)的光譜向量X(:，j) = [X(l，j) X(2，j)…X(P，j)]T，得到降維數(shù)據(jù)矩陣Xn(i，n)，其中k=l、2、"'PcJ = Il…丄 η = 1、2、3, i = 1、2、…、P ; 步驟4 :降維數(shù)據(jù)矩陣經(jīng)過對色空間轉(zhuǎn)換到sRGB顏色空間，得到R通道顏色分量數(shù)據(jù) Rs (:)、G通道顏色分量數(shù)據(jù)Gs (:)、B通道顏色分量數(shù)據(jù)Bs (:); 步驟5 :采用R通道顏色分量數(shù)據(jù)Rs (:)和R通道平移步長Arv通過平移評價優(yōu)選方 法，得到R通道的最優(yōu)平移量Mk;采用G通道顏色分量數(shù)據(jù)G s (:)和G通道平移步長Λ mg， 通過平移評價優(yōu)選方法，得到G通道的最優(yōu)平移量Me;采用B通道顏色分量數(shù)據(jù)B s (:)和B 通道平移步長△ mb，通過平移評價優(yōu)選方法，得到B通道的最優(yōu)平移量Mb; 所述平移評價優(yōu)選方法包括以下步驟： 步驟5. 1 :將輸入本方法的顏色分量數(shù)據(jù)存入數(shù)組V(j)，j = 1、2、…、P ;求出顏色分 量數(shù)據(jù)數(shù)組的最大值Vmax和最小值Vmin，計算平移總步數(shù)Nm= [(Vmax-Vmin)/Am]+1，其中Am 為輸入本方法的平移步長；初始化以下數(shù)組為〇 :平移量M (i)，標(biāo)準(zhǔn)差Ed (i)，熵艮(i)，平均 梯度Eg (i)，標(biāo)準(zhǔn)差分值Sd (i)，熵分值Se (i)，平均梯度分值Sg (i)，綜合評價值Sa (i)，其中i =1、2、...、Nm; 步驟5. 2 :循環(huán)標(biāo)記i等于1，開始平移循環(huán)； 步驟5. 3 :判斷循環(huán)標(biāo)記i是否小于等于平移總步數(shù)Nm，如果為假，跳出平移循環(huán)，執(zhí)行 步驟5. 6 ;如果為真，執(zhí)行步驟5. 4 ; 步驟5. 4 :采用"分段平移、數(shù)字映射、單項評價"方法，得到平移量M(i)、標(biāo)準(zhǔn)差Ed(i)、 熵艮(i)、平均梯度Eg(i);所述"分段平移、數(shù)字映射、單項評價"方法包括以下步驟： 步驟5.4. 1 :計算平移量M(