基于PCA的遥感图像和红外图像融合的研究

摘 要：文章在原有的PCA算法的为核心的基础上，加入了IHS变换。充分利用两个算法的优点。并对整个图像融合过程进行新的改进和优化。文章将新的改进分别应用于遥感图像和红外图像的融合。对图像的融合得到了较为理想的结果。

关键词：PCA算法；遥感图像；红外图像

引言

图像融合技术，是指将两个或者更多的对同一特定场景的图像进行融合，产生一个对场景的新的诠释图像。在遥感图像中，多光谱图像和全色图像是最重要的两类。然而，多光谱图像分辨率不高，全色图携带着极为多彩的空间信息。实际应用中需要提取两者的优点，解决之道是利用图像融合技术对两者进行处理[1]。 红外图像和可见光图像则是在不同的拍摄工具下对特定物体的不同表现，通过融合技术可以让人们在一幅图中获取到更多的信息量，便于人眼的观察和判断。本文使用主成份分析法（Principal Component Analysis）[2]，进行研究。主要步骤为：（1）图像前期预处理；（2）图像的配准；（3）图像的融合；（4）图像分析。

1 PCA算法介绍和IHS变换

图像融合的层次分为：像素级、特征级和决策级[3]。对融合后的图像分析有两种方法，一种是主观法，另一种是客观法。主观法根据观察者对融合后的图像总体印象感知。客观法是通过一系列的对比参数数据对图像的结果进行评价。

1.1 PCA算法介绍

PCA是对数据的一种分析方法。又称K-L变换。通过对一组数据的线性变换，将一组多维的数据转换成低维度的一组线性无关的数据，从而实现降维的过程。可以通过分析低维度的数据，得到对高维度数据信息的理解。过程如下：

1.2 IHS变换

IHS变换中，I表示亮度，H表示色调，S表示饱和度。通过转换将RGB图像分解成I、H、S[4]。三个分量互相独立。图像的RGB和IHS的相互转换是相互可逆的过程。目前IHS变换有好几种方式。有基于球体、柱体、三角形和单六角锥变换。主要区别是在于选取的坐标系和主颜色采用的色调等。贾永红经过大量实验证明出球体和柱体的变换较其他的变换有优势。

IHS变换分为两种：正变换和逆变换。正变换图像的RGB空间转换为IHS空间。逆变换则相反。处理过程是：（1）将多光谱RGB空间与IHS转换矩阵相乘，得到I，H，S三个分量。2.将高分辨率图像补充1中I的亮度的不足，得到新的I。3.将新的I与H、S分量进行IHS逆变换。

2 基于改进的IHS和PCA算法的图像融合过程

算法过程流如下：（1）对多光谱图像进行IHS变换，得到I、H、S三个分量。（2）对高分辨率图像进行PCA变换，取得三个主成份进行IHS变换得到I0。（3）对I和I0进行直方图匹配。（4）ζヅ浜蟮慕峁菇行IHS逆变换。算法流程图如图1。

得到的实验结果如图2。

3 融合结果分析

第一组实例是用卫星对同一场景的遥感图像的融合实验，（a）是高分辨率全色图像，（b）是低分辨率多光谱图像，（c）是PCA融合的结果图。（d）是本文中使用的算法融合结果。第二组是红外和可见光的融合，（a）是红外图像，（b）是可见光图像，（c）是PCA融合结果图，（d）是本文中使用的算法融合结果。由目测可以看出PCA融合的结果容易造成光谱失真，融合后的图像精确度不好。利用本算法图像的色彩畸变不严重。本算法的光谱保真度很好。克服了单纯的IHS融合和PCA融合的不足。从对比参数如信息熵、均值、方差、平均梯度、信噪比等对比，都要比单一的IHS、PCA融合的结果参数都要高。图像具有很好的空间信息。本文算法得到的图像细节突出、纹理丰富、清晰度也好。

4 结束语

本文结合了IHS变换和PCA算法的优点进行结合，分别对遥感图像和红外图像进行了融合，得出了比较理想的结果，证明本文算法对图像融合有一定的适应性。在针对图像光谱不一致，容易引起色彩畸变的现象，后期考虑加入小波变换来对图像配准。

参考文献

[1]胡冰.遥感图像PCA融合的并行算法研究与实现[D].国防科技大学.

[2]王文武.应用主成分分解（PCA）法的图像融合技术[J].微计算机信息，2007，23：285-286.

[3]孙岩.基于多分辨率分析的多传感器图像融合算法研究[D].哈尔滨：哈尔滨工程大学，2012：16-24.

[4]杨俊，赵忠明.基于IHS变换和亮度调节的遥感图像融合法[D].