基于分布变换的多传感器图像融合方法技术

基于分布变换的多传感器图像融合方法，它涉及多传感器图像融合方法。它为解决现有多信源数据融合过程难以建立统一的数据分布模型，缺少能有效的分析不同信源的联合特性的合适方法的问题而提出。它由以下几个步骤实现：１．数据格式转换，使待融合图像的灰度值转换为向量形式；２．图像数据特性分析，建立ＰＤＦ模型；３．建立多源数据的联合概率密度函数模型；４．估计运算；５．基于分布变换的数据融合结果，通过贝叶斯准则进行分类计算；６．个别分类精度较低的计算结果，采用补偿算法进行补偿计算；它在多信源数据融合过程建立了统一的数据分布模型，有效的分析不同信源的联合特性并进行融合。

【技术实现步骤摘要】

本专利技术涉及一种多传感器图像融合方法。
技术介绍
随着遥感技术的发展，SAR(Synthetic Aperture Radar，合成孔径雷达)、光学、红外、激光和微波等大量不同卫星传感器对地观测的应用，获取的同一地区的多种遥感 影像数据(多时相、多光谱、多传感器、多平台和多分辨率)越来越多，而各种传感器 提供的遥感影像数据各有其特点。目前，SAR的发展受到人们的广泛关注，它能够穿 透云层和雨区，具有全天时、全天候工作特性，可以深入地穿入植被，改变SAR的波长 可以得到植被上层甚至地下的信息。SAR获得的图像信息取决于物体的介电特性与几 何特性，具有较高的分辨率和较多的纹理信息，但对于物体的结构边缘描述不清，图像 中往往有比较多杂波。而多光谱遥感技术是利用景物在紫外、可见光和近红外区各光谱 区反射特性差异及人眼彩色视觉分辨特性来增加图像的信息量。多光谱属于光学传感器 成像，对目标场景及轮廓描述清晰，但不善于识别由于伪装或天气等原因造成的目标模 糊，一般分辨率较低。由于实际应用需要，仅仅利用一种遥感影像数据是难以满足技术要求的，多传 感器图像融合技术是对多源信息进行综合处理、从不同数据源中获得有效信息的有效途 径之一。所谓图像融合，是指综合两个或多个源图像的信息，其目的是通过对多幅图像 信息的提取与综合，从而获得对同一场景或目标的更为准确、更为全面的图像描述，使 融合后的图像更符合人或机器的视觉特性，以利于对该图像的进一步分析、理解以及目 标的检测、识别或跟踪。与由单一传感器获得的图像相比，可以提高分辨率、灵敏度、 作用距离、测量精度、抗干扰能力等，减少对场景中目标感知的不完全性、不确定性以 及误差。其中，针对SAR与多光谱的图像融合可以得到地物的多层次信息，进一步提高 某些地物的分类精度。多传感器图像融合技术最早是被应用于遥感图像的分析和处理中。1979年， Dally等人首先把雷达图像和Landsat-MSS图像的复合图像应用于地质解释，其处理过程 可以看作是最简单的图像融合。1981年，Laner和Todd进行了 Landsat-RBV和MSS图 像数据的融合试验。到80年代中后期，图像融合技术开始引起人们的关注，陆续有人将 图像融合技术应用于遥感多谱图像的分析和处理。90年代以后，随着多颗遥感雷达卫星 JERS-U ERS-U Radarsat等的发射升空，图像融合技术成为遥感图像处理和分析中的 研究热点之一。到80年末，人们才开始将图像融合技术应用于一般图像处理(可见光图 像、红外图像等)。90年代后，图像融合技术的研究呈不断上升趋势，应用的领域也遍 及遥感图像处理、可见光图像处理、红外图像处理、医学图像处理等。尤其是近几年， 多传感器图像融合技术已成为计算机视觉、自动目标识别、机器人等领域的热点研究问 题。遥感图像分类就是把图像中的每个像元或区域划归为若干个类别中的一种，分类过程就是模式识别。遥感图像分类主要任务是利用计算机通过对遥感图像中各类地物 的光谱信息和空间信息进行分析、选择特征，并用一定的手段将特征空间划分为互不重 叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。遥感图像 分类中的特征就是能够反映地物光谱信息，并可用于遥感图像分类处理的变量，如多波 段图像的各个波段都可以作为特征，多波段图像比值处理或线性变换结果也可以作为分 类的特征。由特征变量组成的高维空间就是特征空间。按照地物分类时是否需要训练样本，可以大致分为两类有监督分类和无监督 分类。有监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变 量，确定判别函数或判别式，进而把图像中的各个像元点规划到各个给定的类别中去， 有监督分类首先给定类别。无监督分类是在没有先验类别知识的情况下，根据图像本身 的统计特征及自然点群的分布情况来划分地物类别的分类方法。不需要训练样本，没 有使用任何关于数据的先验信息，所以分类效果通常较差，而且无法给出数据类别的含 义，往往被用于遥感图像分类中的预分类，但是在不能准确获得数据概率分布的场合， 非监督的分类方法仍然存在大量的应用。以下简要介绍无监督分类和有监督分类。遥感 图像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下，应当具有相同或相 近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地 物，光谱信息特征不同，归属于不同的光谱空间区域。这是无监督分类的理论依据。常 用的无监督分类方法有多级切割法，也称为平行六面体法，以像元的特征曲线的类似 进行分类；聚类法，也称为等级分类或集群分析，把特征相似的数据作为类似的样本进 行聚类，是较为常用的统计分析方法，如K-均值法和ISODATA法。而目前针对多信源 的数据融合过程中难于建立统一的数据分布模型，缺少能有效的分析不同信源的联合特 性的合适方法。
技术实现思路
本专利技术为了解决现有多信源数据融合过程难以建立统一的数据分布模型，缺少 能有效的分析不同信源的联合特性的合适方法的问题，而提出的基于分布变换的多传感 器图像融合方法。，它由以下几个步骤实现步骤一将准备融合的合成孔径雷达图像和多光谱图像文件分别进行数据格式 转换，使各个待融合图像的灰度值转换为相应的向量形式；步骤二 对各个转换后的待融合图像数据进行特性分析，并分别建立合成孔径 雷达图像的PDF模型和多光谱图像的PDF模型；步骤三应用分布变换理论，根据多信源之间的相关性，建立多源数据的联合 概率密度函数模型；步骤四根据步骤三得到的联合概率密度模型中的尺度参数及形状参数进行估 计运算；步骤五将步骤四得到的各参数代入步骤三的联合概率密度模型中得到数据融 合结果，通过贝叶斯准则进行分类计算；设定类别ke{l，K，K},定义多变量概率密 度函数fk(x)描述类别k中的样本矢量χ的概率密度分布，定义21表示像素i的类别，基于贝叶斯准则的分类判别函数为权利要求1.，其特征在于它由以下几个步骤实现 步骤一将准备融合的合成孔径雷达图像和多光谱图像文件分别进行数据格式转换，使各个待融合图像的灰度值转换为相应的向量形式；步骤二对各个转换后的待融合图像数据进行特性分析，并分别建立合成孔径雷达 图像的PDF模型和多光谱图像的PDF模型；步骤三应用分布变换理论，根据多信源之间的相关性，建立多源数据的联合概率 密度函数模型；步骤四根据步骤三得到的联合概率密度模型中的尺度参数及形状参数进行估计运算；步骤五将步骤四得到的各参数代入步骤三的联合概率密度模型中得到数据融合结 果，通过贝叶斯准则进行分类计算；设定类别ke{l，K，K},定义多变量概率密度函 数fk(x)描述类别k中的样本矢量χ的概率密度分布，定义21表示像素i的类别，基于贝叶斯准则的分类判别函数为^ = argmax, (χ)，式中参数η k表示像素i属于种类k的先验概率；步骤六对步骤五中针对训练集中样本数目不足及误差超出预定误差值的类别进行 整体改进，采用补偿算法进行补偿计算；所述补偿算法采用Adaboost算法；它由如下步 骤完成步骤 A :给定训练集(Xl，Yl)，K，(xm, ym)，其中 X1 e X，Yl e γ = {1，K，k}；带有角标的χ代表训练集中的m个样本矢量，y代表样本文档来自技高网...

【技术保护点】
基于分布变换的多传感器图像融合方法，其特征在于它由以下几个步骤实现：步骤一：将准备融合的合成孔径雷达图像和多光谱图像文件分别进行数据格式转换，使各个待融合图像的灰度值转换为相应的向量形式；步骤二：对各个转换后的待融合图像数据进行特性分析，并分别建立合成孔径雷达图像的ＰＤＦ模型和多光谱图像的ＰＤＦ模型；步骤三：应用分布变换理论，根据多信源之间的相关性，建立多源数据的联合概率密度函数模型；步骤四：根据步骤三得到的联合概率密度模型中的尺度参数及形状参数进行估计运算；步骤五：将步骤四得到的各参数代入步骤三的联合概率密度模型中得到数据融合结果，通过贝叶斯准则进行分类计算；设定类别ｋ∈｛１，Ｋ，Ｋ｝，定义多变量概率密度函数ｆ↓［ｋ］（ｘ）描述类别ｋ中的样本矢量ｘ的概率密度分布，定义ｚ↓［ｉ］表示像素ｉ的类别，基于贝叶斯准则的分类判别函数为＊↓［ｉ］＝ａｒｇｍａｘ↓［ｋ］π↓［ｋ］ｆ↓［ｋ］（ｘ），式中参数π↓［ｋ］表示像素ｉ属于种类ｋ的先验概率；步骤六：对步骤五中针对训练集中样本数目不足及误差超出预定误差值的类别进行整体改进，采用补偿算法进行补偿计算；所述补偿算法采用Ａｄａｂｏｏｓｔ算法；它由如下步骤完成：步骤Ａ：给定训练集（ｘ↓［１，ｙ↓［１］），Ｋ，（ｘ↓［ｍ］，ｙ↓［ｍ］），其中ｘ↓［ｉ］∈Ｘ，ｙ↓［ｉ］∈Ｙ＝｛１，Ｋ，ｋ｝；带有角标的ｘ代表训练集中的ｍ个样本矢量，ｙ代表样本矢量的类别标号；步骤Ｂ：初始化Ｄ↓［ｔ］（ｉ）＝１／ｍ；步骤Ｃ：循环Ｆｏｒ　ｔ＝１，Ｋ，Ｔ；Ｔ代表循环次数，循环执行步骤Ｄ到步骤Ｈ；步骤Ｄ：利用权值Ｄ↓［ｔ］（ｉ）训练弱学习算法；步骤Ｅ：得到弱假设ｈ↓［ｔ］：Ｘ×Ｙ→［０，１］；步骤Ｆ：计算ｈ↓［ｔ］的误差ｅ↓［ｔ］＝１／２＊Ｄ↓［ｉ］（ｉ）（１－ｈ↓［ｔ］（ｘ↓［ｉ］，ｙ↓［ｉ］）＋ｈ↓［ｔ］（ｘ↓［ｉ］，ｙ））；步骤Ｇ：令β↓［ｔ］＝ｅ↓［ｔ］／（１－ｅ↓［ｔ］）；步骤Ｈ：Ｄ↓［ｔ＋１］（ｉ）＝Ｄ↓［ｔ］（ｉ）／Ｚ↓［ｔ］β↓［ｔ］↑［１／２（１＋ｈ↓［ｔ］（ｘ↓［ｉ］，ｙ↓［ｉ］）－ｈ↓［ｔ］（ｘ↓［ｉ］，ｙ））］，其中Ｚ↓［ｔ］为归一化常数，使得Ｄ↓［ｔ＋１］为一概率分布；步骤Ｉ：输出Ｈ（ｘ）＝＊（ｌｏｇ１／β↓［ｔ］）ｈ↓［ｔ］（ｘ，ｙ），α↓［ｔ］＝ｌｏｇ１／β↓［ｔ］。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张钧萍，孙毓，赵宏磊，张晔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93