基于NSCT的SAR和多光谱图像融合

■王毅 黄同新

（河南省航空物探遥感中心 河南郑州 450053）

基于NSCT的SAR和多光谱图像融合

■王毅 黄同新

（河南省航空物探遥感中心 河南郑州 450053）

图像融合技术是图像处理和计算机视觉领域一项重要的技术。在遥感领域，图像融合能够实现不同传感器，不同尺度信息源的结合，能够提供比单一信息源更为丰富的信息。SAR影像纹理信息丰富，具有一定的穿透性，能够提供普通全色影像没有的信息。通过SAR影像和多光谱影像的融合，能够提高图像空间分辨率和光谱分辨率。

SAR影响去噪图像融合非向下采样Contourlet变换

1 SAR影像融合起源与发展

1.1 影像融合起源

图像融合（Image Fusion）是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率。

早在上世纪70年代，Daily等人首次把雷达影像和Landsat-MSS图像进行复合应用到地质解释。把两幅不同传感器采集的图像进行融合得到一幅图像的处理过程，这就是图像融合技术的起源。80年代中后期，影像融合技术逐渐被用于多光谱图像的分析和处理。自90年代至今，多源影像融合技术逐渐成为在遥感、军事、医学等多个领域的研究热点。

1.2 SAR影像融合发展

SAR能够获取传统光学传感器不能获取的地物微波信息，是一种微波数据源，已在地质，水文，地质勘探等领域发挥了重要的作用，很好地补充了传统光学传感器的不足。上世纪80年代开始，以空间域进行滤波的算法对相干波噪声进行抑制，随着小波变换的提出，SAR影像噪声能够被一定程度上抑制，加之合成孔径雷达的性能提高，雷达影像的空间分辨率不断提升，SAR影像与多光谱影像的融合逐渐成为研究热点。自2000年以来，Contourlet变换及其改进算法的提出又弥补了小波变换的不足，将Contourlet变换用于SAR影像的去噪和融合相关的算法也越来越多。

2 非向下采样Contourlet变换原理

Contourlet变换优点具有良好的多尺度性，良好的空间域和频率域局部特性和方向特性，相对于小波变换，能够用更少的系数更精确的表现曲线的特征，被广泛运用到图像处理中。但Contourlet进行拉普拉斯金字塔分解时，存在降采样模块，Contourlet变换因此不具有平移不变性，会引起部分子带信息的丢失，在奇异点处会发生伪吉布斯现象，影响影像融合质量。而非向下采样Contourlet变换（NSCT）去掉了LP和DFB中信号分析滤波后的下采样和综合滤波前的上采样，具体方式是用非向下采样塔式滤波器NSP代替了拉普拉斯金字塔对图像进行多尺度分解，用非向下采样滤波器组NSDFB代替了方向滤波器组DFB对图像进行多方向分解。由于NSCT没有执行Contourlet变换中的下采样操作，所有子带和源图像大小都相同，具有平移不变性，因此能够更好地表示图像的特征。NSCT的滤波器组构成如图1所示。

3 SAR图像斑点噪声滤波算法

3.1 基于Contourlet变换的SAR影像滤波

由于处理二维信号时，小波变换方向性不足，而Contourlet变换作为一种多尺度，多方向性的变换方式，能够更好地表示SAR影像的细节信息，能够更加有效去除噪声，保留图像的边缘信息。与小波变换类似，利用Contourlet变换进行SAR影像去噪的基本流程是：用类似小波变换的Contourlet分解，对SAR影像进行多尺度多方向分解，将图像分解为低频系数和高频系数。利用Contourlet第一层高频子带系数，计算第一层高频子带的噪声标准差δ，以每一层阈值作为硬阈值函数，对绝对值小于阈值的Contourlet系数归零，大于阈值的系数进行保留。对处理后的Contourlet系数进行Contourlet逆变换，得到去噪后SAR图像。这种方法能够很好地保持图像的边缘特征，但是由于选取的阈值函数结构，函数存在不连续性，会导致一定程度上的图像模糊。

图1 非向下采样Contourlet变换滤波器组结构

3.2 基于NSCT变换的影像滤波

非向下采样Contourlet变换与Contourlet变换类似，都是利用类似于线段的基结构对图像进行逼近，再对影像进行多层次和多方向分解，不同点在于NSCT移除了下采样操作，利用更多的系数换取图像去噪过程中需要的平移不变性。由于SAR影像的斑点噪声为乘性噪声，而NSCT去噪方法一般是针对加性噪声进行滤波。首先通过对图像进行数处理将噪声转变为加性噪声，从而保证NSCT变换能够取得较好地去噪效果。其次，通过NSCT变换后，图像被分解为一个低频分量和多个高频分量，由于噪声集中在高频区域，而低频区域主要表现图像的轮廓信息，因此针对高频分量进行噪声抑制即可，从而减少了算法的冗余度。

为比较几种算法在SAR影像图像去噪中的实际效果，对以下几个区域的影像进行简单的比对。

图2 各种滤波算法滤波后效果图

NSCT滤波方式能够保持图像的亮度信息，并且在均质区域和边缘区域滤波均有较好的效果，这一点在图像中的河流区域和农田区域体现的尤为明显。

河流区域对比图：

图3 各种滤波算法在河流区域效果对比图

由图3目视判读可知，与相比其他方法，本文采用的滤波方式确实能够较好抑制均质区域噪声，小波滤波和NSCT滤波同为频率域，也能够完成对SAR影像的滤波，但是牺牲空间分辨率过大。

农田区域对比图：

图4 各种滤波算法在农田区域效果对比图

在对农田等细节信息较为明显的区域进行滤波时，本算法虽然一定程度上削弱了细节信息，但是相比传统数字图像处理方式，能够保持原图像的灰度信息，相比同为频率域滤波的小波滤波，能够更好地去除异质区域噪声。

4 基于HIS变换和NSCT变换结合的SAR影像和多光谱影像融合方法

4.1 低频融合规则由于成像原理的不同，多光谱影像的对地物的可见光信息采集

更多，而SAR影像具有的穿透性和波长导致使能够更好反映地物的微波反射信息。单一的使用权值或替代，都是基于图像频率域能量信息作为根据进行图像融合，都无法最大化保证图像融合后的信息能被最大保留。而基于遗传算法的鱼群算法，选择自适应权值参数对图像的低频信息进行处理。

4.2 高频融合规则

高频分量包含了图像的细节信息和边缘信息，系数绝对值较大的部分，对应该方向区间的直线，边缘，区域边界等显著特征，能够很好地显示图像本身的结构信息。由NSCT变换图可知，对图像进行NSCT金字塔分解的最高尺度，即图像的最高分解层上，图像细节信息相对更加独立，因而直接采用对各方向NSCT系数绝对值进行比较，两幅图像中绝对值系数大的高频系数，融合后高频系数。图像在最高分解尺度上，高频系数的融合规则采用基于区域能量特征和投票法的结合方法对分解层进行融合。

5 结束语

数字图像融合技术在遥感、自动目标识别及军事指挥等领域发挥着越来越重要的作用。本文提出的基于NSCT的SAR和多光谱图像合技技术方法，能有效的能有效的提取图像的边缘特征信息，获取高质量的融合图像。该方法适用于对图像质量要求较高的场合，如遥感监测、激光制导及军事侦察等，为适应复杂环境下全天候作业需求提供了技术保障。

[1]王楠，遥感图像融合算法研究， [D]，北京，北京化工大学，2004

[2]孙家炳，遥感原理与应用，武汉，武汉大学出版社，2009.

[3]李晓铃，基于TerraSAR_X和CBERS影像融合的水体信息自动提取研究 [D]西南交通大学2007.

[4]徐青，张艳等.遥感影像融合与分辨率增强技术 [M].科学出版社.2007.

[5]张强.基于非采样Contourlet变换的遥感图像融合算法 [J].光学学报。2008，1，28（1）：74-75.

P62[文献码]B

1000-405X（2015）-10-192-3

王毅，男，2006年毕业于解放军信息工程大学遥感科学与技术专业，研究方向为测绘管理。