结合HSV和小波包变换的高光谱影像融合及信息识别研究

杨可明，钱小丽，王林伟，刘士文，孙阳阳

(中国矿业大学(北京) 地球科学与测绘工程学院，北京 100083)

一、引 言

常见的遥感图像融合是指将高空间分辨率的全色影像与低分辨率的多光谱影像综合成一幅新的高空间分辨率彩色影像[1]。高光谱遥感由于具有分辨率高、波段窄、波谱连续、图谱合一等优势而成为当今研究的热点[2]。其中，高空间分辨率影像与高光谱影像的融合技术已成为近几年图像融合技术的热点与难点。

传统的HIS变换、PCA变换、HSV变换、Brovey变换等遥感影像融合方法会产生严重的光谱退化和损失现象,不适合高光谱影像的融合。如高光谱影像在HIS空间中的I分量及HSV空间中的V分量与高分辨率图像的灰度值是两种具有不同光谱特性的频道数据，完全性地替代会导致HIS和HSV反变换后得到的融合图像产生光谱信息的丢失和扭曲[3]；PCA变换会使高光谱影像第一主成分中的一些反映光谱特征的有用信息有所丢失。

小波包变换(wavelet packet transform，WPT)的多尺度多分辨率特点使得它可以对不同频带的图像采用不同的融合规则，从而很好地保留各原始影像的空间信息和波谱特征。近年来，将传统的遥感图像融合技术与小波包变换相结合的遥感影像融合方法研究日益广泛，如基于HSV和红黑小波变换的多光谱图像融合[4]、基于trous小波与广义HIS变换的SAR与多光谱影像融合[5]、基于小波变换改进PCA变换的融合方法[6]，这些研究的对象大多是全色波段和多光谱影像的融合。本文运用HSV变换与WPT结合的方法对全色波段和高光谱影像进行融合，并对融合结果进行二进制编码监督分类，最后与传统的PCA变换融合法及Gram-Schmidt融合法比较，验证和评价了HSV+WPT融合法在高光谱影像融合及信息识别应用方面的可行性与优越性。

二、融合原理与方法

1. HSV变换

H、S、V分别代表色调、饱和度和明度。HSV色彩空间模型如图1所示，其中圆锥的顶面对应于V=1，代表的颜色较亮，色调H由绕V轴的旋转角度表示，饱和度S由轴心向锥体圆周过度，表示饱和度由低到高[7]。

图1 HSV色彩空间

传统HSV变换融合法的基本原理是：对高光谱图像进行HSV色彩空间的转换，使用高分辨率的图像代替颜色明度值，自动用最邻近、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，最后进行HSV逆变换。从HSV变换融合原理可以看出，由于高光谱在HSV空间中的V分量和高分辨率图像中的灰度值是两种具有不同光谱特性的频道数据，这种完全性的替代使HSV反变换后得到的融合图像产生光谱信息的丢失和扭曲。试验证明，用该方法对高空间分辨率和高光谱影像进行融合后，融合图像仅是一幅只有3个波段的RGB图像，波谱信息严重丢失。

2. 基于小波包变换的遥感影像融合

(1) 小波包的定义

(1)

递归定义的函数μn，n= 1，2，…，称为由正交尺度函数μ0(t)=φ(t)确定的小波包。其中，gk=(-1)kh1-k，当n=0时，由式(1)得到

式中，hk、gk分别称为低通滤波系数和高通滤波系数；t为时间参数；k为平移参数。

式中，{Vj}是由尺度函数u0=φ生成的L2(R)的多分辨率分析；{Wj}是由小波u1=ψ生成的正交小波子空间序列。因此，有

(4)

(2) 融合原理

WPT是在小波变换的基础上发展起来的一种变换方法。图2为信号的2层小波包分解的二叉树结构示意图， 图中A为低频部分， 代表信号的近似信息，D为高频信息，代表信号的细节信息。在对遥感图像进行基于小波包变换的图像融合时，可以对高频分量和低频分量使用不同的融合规则，从而能很好地保持原始图像的空间信息和光谱特征[10]。基于小波包变换的图像融合流程如图3所示，图中图像a为高空间分辨率影像，图像b为配准后的多光谱或高光谱遥感影像，图像f为融合后图像。

图2 信号的2层小波包分解树

图3 基于WPT的图像融合流程

(3) 融合规则

WPT应用于图像融合的优势在于它可以对不同频率域的图像运用不同的选择规则，从而在合成图像中保留原始图像在不同频率域的显著特征。常见的高频域和低频域图像融合规则如下[11]：

1) 低频部分融合规则：低频图像反映原图像的近似和平均比数特性，最常见的融合规则是取加权平均值。

2) 高频部分融合规则：高频图像反映原图像的亮度突变特性，而小波包分解后的高频系数中，绝对值较大的系数对应于原始图像的突变特性，因此对于高频部分的融合规则是绝对值取大法。

3. HSV变换和WPT的高光谱影像融合原理

HSV色彩空间中的平共3个分量H、S、V是相互独立的，人眼对明度的分辨率比对色别和饱和度的分辨率高，而彩色图像的空间分辨率主要由明度图像的空间分辨率决定。传统的HSV变换融合法使融合图像产生光谱信息的严重丢失，而WPT能很好地保持地物的波谱特征。因此采用将HSV变换和WPT相结合的融合技术对高光谱影像和高空间分辨率影像进行融合，可以很好地保留原始图像的空间信息和波谱特征，具体流程如图4所示。

图4 基于HSV和WPT的图像融合

三、试验及结果分析

1. 试验数据

试验数据为美国EO-1卫星的Hyperion高光谱影像和ALI高空间分辨率全色影像，地区为有“美国粮仓”之称的艾奥瓦州的一个小镇，如图5所示，该地区主要地物是植被、居民区和水体，其中植被面积很广。该地区的Hyperion数据共有157个波段，光谱范围为400—2400 nm，光谱分辨率达到10 nm，地面空间分辨率为30 m；高级陆地成像仪ALI全色数据有1个波段，地面分辨率为10 m。在进行融合前，数据已经过预处理并达到很好的配准。

图5 试验数据

2. 基于HSV变换与WPT的高光谱影像融合

本试验中，基于HSV变换与WPT的高光谱影像融合的主要步骤如下：

(1) 高光谱影像的HSV变换

对高光谱影像进行HSV变换，获得HSV，以及H、S、V 3个分量，如图6所示。从图6(d)中可以看出V分量的空间分辨率不高。

(2) 对V分量和高空间分辨率影像进行基于WPT的融合

对V分量和高空间分辨率影像进行小波包变换，对不同频域的小波包系数采用不同的融合规则进行融合，最后进行小波包重构，获得重构后的V分量，如图7所示。从图7中可以看出，融合后的V分量亮度较融合前弱，但对于人眼视觉效果来说更加合适，并且空间分辨率有很大提高，验证了对V分量进行基于WPT的融合具有良好效果。

图6 HSV和H、S、V分量

(3) 进行HSV逆变换，输出结果

将HSV+WPT融合后的图像与传统PCA变换及Gram-Schmidt变换融合后的图像进行比较，如图8所示。并分别提取了原始高光谱影像、PCA变换、Gram-Schmidt变换及HSV+WPT变换融合后影像中的植被、居民区和水体3种地物的波谱曲线，如图9所示。

为了更加直观地查看不同融合方法对地物信息识别效果的影响，本文对原始高光谱影像及图8所示的3幅影像进行二进制编码监督分类，分类结果如图10所示。

图8 不同融合方法的融合结果比较

图9 不同融合方法典型地物的光谱曲线

图10 二进制监督分类结果

四、融合效果评价

1. 定性评价

从图8可以看出，这3种融合方法都可以提高图像的空间分辨率，但与原始的高光谱影像相比，都存在一定的色彩变化。其中，PCA变换融合对植被和水体识别效果不佳，部分植被、水体、部分居民区之间颜色差异较小； Gram-Schmidt融合能很好地将植被信息识别出来，但部分居民区和水体颜色比较接近；HSV+WPT融合中，3种地物的差异则比较明显。从图9可以看出，PCA融合下植被、居民区和水体的光谱在保真度上都较其他融合方法小；Gram-Schmidt融合中植被光谱特征保持较好，但居民区和水体的光谱曲线比较接近；HSV+WPT融合中，植被和水体的光谱特征与原始曲线最为接近，居民区稍差一些。从图10的分类结果可以看出，PCA融合对植被、居民区和水体的识别效果都不佳；Gram-Schmidt融合对植被识别效果较好，但对居民区和水体识别较差，HSV+WPT融合对植被和水体融合效果很好，对居民区识别效果不理想。这与图8和图9获取的信息在一定程度上是一致的。

2. 定量评价

本文选取了均值、标准差和平均梯度3个评价因素对不同融合方法的融合结果进行定量的评价，见表1。其中，均值指像素的灰度平均值；标准差用于衡量图像灰度值相较于均值的离散情况，标准差越大，图像反差越大，图像的空间细节信息越丰富；平均梯度代表图像的清晰程度，平均梯度越大，则图像的信息层次越丰富，图像的清晰度越高。从表1中可以看出，HSV+WPT融合后的标准差和平均梯度较传统的PCA融合和Gram-Schmidt融合大，说明该方法具有良好的融合效果。

表1 图像信息评价结果

五、结束语

本文基于HSV和小波包变换对高空间分辨率和高光谱遥感影像进行融合，并提取了融合结果中3种典型地物的波谱曲线，最后对融合结果进行了二进编码监督分类。通过与传统的PCA融合法和Gram-Schmidt融合法结果的比较，发现采用HSV+WPT融合法对高光谱影像进行融合，不仅可以提高图像的空间分辨率，而且在地物的波谱特征保留和信息识别方面具有可行性与优越性。

参考文献：

[1] 吴连喜,梁波,刘晓梅，等.保持光谱信息的遥感图像融合方法研究[J].测绘学报,2005,34(2): 118-122.

[2] 杨国鹏,余旭初,冯伍法，等.高光谱遥感技术的发展与应用现状[J].测绘通报,2008(10):1-4.

[3] 夏明军,何友,欧阳文.像素级图像融合方法与融合效果评价[J].遥感技术与应用,2002,12(4): 224-226.

[4] 祝青,刘斌.基于HSV和红黑小波变换的多光谱图像融合[J].计算机工程,2012,38(3)：287-289.

[5] 黄等山,杨敏华,姚学恒，等.基于trous小波与广义HIS变换的SAR与多光谱影像融合[J].遥感信息, 2011(1)：9-13.

[6] 尚英红.遥感图像数据融合的小波变换方法研究[D].北京:中国地质大学, 2008: 64.

[7] GONZALES R C, WOODS R E, EDDINS S L. Digital Image Processing Using Matlab [M]. 北京:电子工业出版社,2005:194-215.

[8] 孙煜,范万春,许进，等.基于小波包变换的地震事件分类[J].核电子学与探测技术,2005,25(1): 32-36.

[9] 王云松,林德杰.基于小波包分析的图像去噪处理[J].计算技术与自动化,2005,24(4): 99-101.

[10] 李洋,焦淑红,孙新童.基于IHS和小波变换的可见光与红外图像融合[J].智能系统学报, 2012,7(6):554-559.

[11] 晁锐,张科,李言俊.一种基于小波变换的图像融合算法[J].电子学报,2004,32(5)：750-753.