摘要：傳感器技術的進步使測繪遙感工程擁有了更多類型的衛星影像可以選擇，影像具有各自的幾何和光譜特征，融合使用能達到更高的測量精度。文章探究了一條基于IHS變換和NSCT變換的方法融合SAR影像與傳統多光譜影像，利用人工魚群算法進行低頻融合，用區域能量特征和投票法進行高頻融合，最終在盡量減少損失空間分辨率的情況下獲得了更好的光譜信息保持度。

　　關鍵詞：核心論文發表,SAR,IHS,NSCT,多光譜影像融合,傳感器技術,人工魚群算法

　　1 概述

　　隨著遙感科學的進步，越來越多的傳感器被用于地物信息探測。對同一個地區而言，存在多種分辨率、多種波段、多種傳感器和多種平臺的海量數據。相對于一個地區單一的數據源而言，海量數據具有數據量大、冗余性強、來源眾多等特點，各種數據對同一地區的信息表達有大量相同之處。由于不同傳感器對地物信息的收集和表達有所差異，影像融合的目的就是根據實際需要，突出感興趣的信息，對無關信息進行抑制或者去除，從而獲得比單一數據源信息量更大，更符合實際需要的新影像。SAR影像與多光譜影像融合，有以下四種較有代表性的融合方式：

　　1.1 IHS變換融合法

　　該方法可以顯著提高影像的紋理特性，但多光譜影像的亮度信息被完全舍棄，光譜失真嚴重。

　　1.2 主分量變換融合法

　　該方法相對IHS變換融合法，對融合后影像的光譜特征扭曲較小，而且清晰度和空間分解力有一定提高。

　　1.3 小波變換融合法

　　相對于前面兩種基于空間域的融合方法，該方式具有更好的光譜信息保持能力和細節表現力。但是由于該方法對多光譜影像的光譜信息帶入小波變換運算中，并與SAR影像進行了一定的中和，因此一定程度上仍然損失了影像的光譜特征。

　　1.4 IHS變換和小波變換結合融合法

　　該方法能夠很好地結合IHS變換和小波變換的優點，提高了影像的空間分辨率，保持了影像的光譜特征。然而小波變換本身方向性有限，不能充分挖掘影像的幾何信息。該方法在對頻率域的分解方式選擇和融合規則的選擇方面，還有一定可提升空間。

　　本文通過對上述方法的研究，提出了一種基于IHS變換和非向下采樣Contourlet變換(NonSubsampled Contourlet Transform，NSCT)的融合算法。利用IHS變換對多光譜影像進行顏色空間變換，提取多光譜影像的光譜信息(主要存儲于H，S分量內)，對包含多光譜影像空間信息的I分量，與去噪后的SAR分別進行NSCT變換，獲得兩者多尺度、多方向上的分量，按照一定的融合規則對各層分量進行融合，再通過NSCT逆變換和IHS逆變換獲得融合后影像。

　　2 融合規則與流程

　　SAR影像和多光譜影像通過N層NSCT分解，可以得到對應的低頻分量和高頻分量。其中低頻分量包含了影像主要的能量信息，高頻分量包含了影像主要的細節信息。本文將采用基于遺傳算法的人工魚群算法對低頻信息進行融合處理。

　　2.1 低頻融合規則

　　由于成像原理的不同，多光譜影像對地物的可見光信息采集更多，而SAR影像具有的穿透性和波長能夠更好反映地物的微波反射信息。單一的使用權值或替代，都是基于影像頻率域能量信息作為根據進行影像融合，無法保證影像融合后的信息能被最大保留。本文利用基于遺傳算法的人工魚群算法，選擇自適應權值參數對影像的低頻信息進行處理。

　　2.1.1 基于遺傳算法的人工魚群算法原理。2002年，浙江大學李曉磊博士首先提出基于行為的人工智能思想――人工魚群算法。該算法的核心在于，通過自下而上的方式對目標函數進行尋優操作。通過模仿魚群在尋找食物時的覓食，聚群和追尾行為，構造單條人工魚個體的行為，再把個體行為擴大到整個魚群中，在不同個體中尋找局部尋優，最終確定整體最優值。

　　人工魚群算法的實現步驟如下：

　　第一，對各項參數進行初始化，設置人工魚數量N，人工魚每次移動步距Step，人工魚視野Visual，人工魚嘗試次數Try-number，兩條人工魚之間距離d，擁擠度因子δ，食物濃度與位置關系Y=F(X)。

　　第二，在目標區域內隨機投放人工魚數量N，并計算每條人工魚所在位置食物濃度Yi=F(Xi)。計算出食物濃度最大的Xi和Yi取值，記錄在公告板上。

　　第三，按照魚所在的位置信息，對魚群中單條魚在覓食行為，聚群行為，追尾行為和隨機行為四種行為中進行選擇。

　　第四，計算每次迭代過程中魚所在位置Xi和食物濃度Yi，一旦食物濃度值高于公告牌所示食物濃度，更新公告牌信息。

　　第五，判斷停止條件是否滿足：(1)單條魚周圍視野范圍內魚群數目大于限定值，說明該視野范圍內必有一條魚達到全局食物濃度最大值;(2)迭代次數超過一定值，公告板未更新，說明當前公告板所示為全局最大值。

　　2.1.2 人工魚群算法評價指標選擇。人工魚群算法需要函數Y=F(X)，即確立一個指標，能夠將魚的位置，將變量(a，b)與融合后影像的質量聯系起來。本小節將確定一個評價指標，作為人工魚群算法的目標函數。2007年，清華大學閆莉萍等提出一種新的影像融合評價方法：綜合熵。該方法對基于信息量的評價指標―交叉熵進行重新定義，得到了綜合熵。在可見光-紅外，可見光-雷達影像融合中，該評價方法相對熵和綜合交叉熵，能夠更加有效地選取最優權值。

　　2.1.3 人工魚群算法用于低頻融合。對于SAR影像和多光譜影像，主要的能量反映集中在低頻子帶系數上。通過NSCT分解得到的低頻分量，反映了地物在SAR影像和多光譜影像上的輪廓信息。由于采集傳感器不同，多光譜影像更好地表現了地物在可見光波段的光譜特性，而SAR影像很好地反映了地物的回波信息，單一的基于頻率域的加權算法無法保證融合后的影像能夠較好保留以上兩類地物信息。本文基于人工魚群算法，對低頻信息進行融合，采用的主要策略如下： 　　F的函數是基于融合前兩張影像和融合后結果的綜合熵評價法，通過對三張影像聯合計算綜合熵，確定評價不同權值下融合效果的評價準則。由此本文確立基于人工魚群算法的低頻融合方式流程：

　　第一，設置人工魚群所在“池塘”初始值。該“池塘”位于二維空間內，橫坐標為SAR影像和多光譜影像I分量經NSCT變換后低頻分量AB均值加權系數a，縱坐標為AB差值加權系數b，根據經驗值設置“池塘”大小a∈[0，1]，b∈[0，1]。

　　第二，設置人工魚群目標函數初始值，即利用權值a，b進行加權融合得到融合影像F，對融合影像F和低頻分量AB進行聯合求解，計算融合影像的綜合熵。綜合熵數值為目標函數值，即魚群所在位置食物濃度。

　　第三，人工魚初始值，人工魚每次移動步距0.1，人工魚視野0.15，人工魚嘗試次數20次，兩條人工魚距離函數為歐氏距離，擁擠度因子δ=0.3。

　　第四，設置一個空公告板[a0，b0，G0]，分別記錄權值和綜合熵數值。

　　第五，在a，b所在二維區間內隨機投放數量為20的人工魚，計算魚群初始狀況下各人工魚所在位置和食物濃度，進行排序找到食物濃度最大值。記下該位置人工魚坐標和相應位置食物濃度，記錄在公告板上。

　　第六，按照人工魚所在的位置信息，對魚群中單條人工魚在覓食行為，聚群行為，追尾行為和隨機行為四種行為中進行選擇。

　　第七，計算每次迭代過程中人工魚所在位置Xi和食物濃度Yi，一旦食物濃度值高于公告牌所示食物濃度，更新公告牌信息。

　　第八，判斷停止條件是否滿足：(1)單條魚周圍視野范圍內魚群數目大于限定值，說明該視野范圍內必有一條魚達到全局食物濃度最大值;(2)迭代次數超過一定值，公告板未更新，說明當前公告板所示為全局最大值。此時算法收斂，公告板上a，b取值即為全局最優值。

　　2.2 高頻融合規則

　　高頻分量包含了影像的細節信息和邊緣信息，系數絕對值較大的部分，對應該方向區間的直線、邊緣、區域邊界等顯著特征，能夠很好地顯示影像本身的結構信息。對影像進行NSCT金字塔分解的最高尺度，即影像的最高分解層上，影像細節信息相對更加獨立，因而直接采用對各方向NSCT系數絕對值進行比較，兩幅影像中絕對值系數大的高頻系數，融合后高頻系數。影像在最高分解尺度上，高頻系數的融合規則為：

　　2.3 融合流程

　　本文進行影像融合的主要流程如圖1：

　　2.3.1 對多光譜影像M進行IHS變換，得到多光譜影像的三分量：亮度Mi，色調Mh和飽和度Ms。

　　2.3.2 對SAR影像利用NSCT進行噪聲抑制，獲得去噪后SAR影像S。

　　2.3.3 對去噪后的SAR影像與多光譜的亮度分量Mi進行直方圖匹配，得到匹配后的SAR影像S1和多光譜的亮度分量Mi。

　　2.3.4 對SAR影像S1和亮度分量Mi進行NSCT分解，得到相應的低頻部分和高頻部分，低頻部分按照人工魚群算法選擇權值進行融合。高頻部分按照最高層絕對值最大，其他層通過區域能量特征和投票法的結合的算法進行高頻融合。

　　2.3.5 將融合后的低頻分量和高頻分量NSCT逆變換，得到變換后的亮度分量Mi'。對亮度Mi'，色調Mh和飽和度分量Ms進行IHS逆變換，得到融合后影像。

　　第一，影像的空間分辨率和清晰度方面，平均梯度和邊緣強度體現了影像具有的灰度變化率大小，可以客觀代表融合后影像的多維方向上的密度變化速率，反映了影像的清晰度信息。PCA融合與IHS融合都是直接將多光譜影像的邊緣信息用SAR影像邊緣信息代替，因而在平均梯度和邊緣強度兩個值都較大。本文提出算法的清晰度與小波變換結果類似，在傳統方法中處于平均水平。

　　第二，影像噪聲方面，通過影像峰值信噪比的對比可發現，基于頻率域的融合方法能夠有效抑制噪聲，本文所用的算法在去噪方面略優于小波+IHS融合與小波+主分量融合，PCA融合和IHS雖然具有較高的影像清晰度，但是所含噪聲明顯高于平均水平。

　　第三，光譜特征保持方面，交叉熵反映了融合后影像與原影像之間的差異性信息，交叉熵越小，影像與原影像的光譜信息越小，影像的特征保持得越好。本文算法具有比小波變換更好的影像光譜信息保持度。

　　4 結語

　　本文提出的算法相比于傳統融合算法，得到影像的清晰度屬于中等水平，但能夠很好地抑制融合后影像噪聲，融合后影像在色彩上更接近原多光譜影像的效果，表明本文采用算法對光譜特征扭曲程度更小。綜合分析可見，本文采用的融合算法融合的影像效果優于傳統方法進行融合，相對于小波變換的融合效果，在噪聲抑制和影像光譜信息保持方面也有一定提升。

　　參考文獻

　　[1] 胡召玲，侯飛，張海榮.Landsat7衛星多光譜影像與

　　全色影像的數據融合[J].中國礦業大學學報，2004，

　　(1).

　　[2] 賈永紅.TM和SAR影像主分量變換融合法[J].遙感技術與應用，1998，13(1).

　　[3] 田養軍，薛春紀.基于小波變換的遙感影像融合與邊緣檢測[J].地球科學與環境學報，2007，29(1).

　　[4] 李曉磊.一種新型的智能優化方法――人工魚群算法[D].浙江大學，2003.