基于HSI的高光谱遥感图像融合方法研究

程传阳

（1.研祥智能科技股份有限公司，广东 深圳 518107；2.国家特种计算机工程技术研究中心，广东 深圳 518107）

0 引言

高光谱遥感主要以数以百计波段数、纳米级的光谱分辨率以及“图谱合一”的特点成为一门新型的综合对地观测技术，越来越受到广大遥感学者的青睐。传统的基于高光谱遥感图像本身的图像融合和预处理的方法主要有：平均与加权平均法、非线性方法、逻辑滤波法，直方图均衡化、平滑处理、归一化处理等[1-4]。随着波段的增加，传统处理方法往往导致数据出现大量冗余，使数据处理的复杂性急剧增高。本文针对传统的方法的缺陷，使用了基于HSI的高光谱遥感图像融合方法：HSI以色调（Hue）、饱和度（Saturation）和亮度（Intensity）三种基本特征量来获取对颜色的感知，通过单波段遥感图像预处理，光谱图像的融合以及改进的基于小波变换的边缘检测等，使图像融合和预处理效果更好。

1 单波段遥感数据的预处理

非正常像元的分类：HSI数据是标准的BSQ（BIP,BIL）格式，且带有头文件说明，可直接从ENVI软件中读取。图像数据类型一般为32位的浮点数，主要通过飞行姿态的校正与辐射校正[5]。HSI图像上非正常像元大致分为4类：未定标波段；坏线；条纹；水汽影响波段。

完整性处理：对星载高光谱成像仪数据进行完整性处理，即根据非主要数据对现存的图像进行时间分析，进而查找且补充漏行[6]。缺失两行以内的数据往往使用插值法来判断，若丢失行数多于三行，则作为数据缺失来处理。本文所用的算法为改进的拟合插值法，该方法是在拟合插值法的基础上，对任意选取的几个波段进行处理，如表1所示。

表1 波段插值误差表波段数

由上表可知，改进的拟合插值法可以使波段插值误差减小，为多波段融合做好必要的准备。

条纹修复：星载高光谱传感器是推扫型成像光谱仪，面阵CCD器件上的上万个探测原件的标定很困难，致使图像除了坏线之外，大多波段都不同程度地存在许多条纹，尤其是SWIR（短波红外）。条纹的像元DN值一般都接近于零。条纹的存在严重影响了图像的质量以及图像在水体、森林、山地等方面的应用[7]。如何去除或者修复条纹是基于HSI高光谱遥感图像预处理[8]的一项重要工作，本文中采用了一种成为“局部与全局相结合去条纹”的方法。图1为条纹修复前后的对比图。

图1 条纹修复前后对比图

背景处理：对于已知原始干涉数据的每一帧均进行降噪处理以及相位校正和相对辐射校正：能较好地防止重建光谱曲线的产生，避免掩盖微弱信号，消除虚假的光谱信号。降噪处理主要是对于原始数据上的随机噪声点予以去除，进行像元之间响应度的归一化处理[9],通过校正算法使得原始干涉数据的质量有了显著提高。图2为对原始干涉数据进行背景处理前后的对比图。

图2 背景处理前后数据对比图

光谱复原：传统的高光谱图像复原方法一般是将背景处理后的原始干涉数据经过傅里叶变换得到光谱图像数据，如下面公式（2）所示：

本文所采用的是基于EM算法的图像复原，该方法主要是利用探测器探测到的准确的地物位置继而用一定规律的概率密度函数表示，对测量结果进行多次迭代，最终得到地物的准确位置，从而较好地恢复原始图像。具体的算法如下：

2 多波段图像融合及融合后图像处理

图像融合能够有效提高图像数据信息的分析及提取能力，具体过程表现为通过一个特定的数学模型将来自多个不同传感器的多幅图像整合成一幅能够满足特定需求的图像。图像融合的目的是提高图像的可靠性与清晰度，具体过程为通过多幅不同图像间的冗余数据与图像间互补信息来处理。

本文在基于原有的HSI变换法、高通滤波变换法以及小波变换法的基础上，将三种方法改进和结合，利用HSI变换来增强融合图像的空间细节表现力，利用小波变换来保留高光谱图像的光谱特性。使用小波变换中的高通滤波法对其低频部分进行融合。该算法对于融合图像的空间细节表现力，图像的光谱信息以及信息量与清晰度，都有明显改善。该方法的融合流程如下图所示：

图3 改进的像素级图像融合

该方法的具体过程为：（a）高光谱图像和全色图像经过HSI变换融合，融合后得到的图像既具有相对较高的空间分辨率，而且拥有与原影像相同的饱和度和色度。（b）高分辨率图像和高光谱图像经过小波变换融合，可以克服傅里叶变换的局限性。通过数据融合，可以消除冗余，完成单一波段和多波段的融合运算，且时频分辨率可变，有较大的灵活性，同时图像的清晰度、解译能力和可判读性都得到了很大的改善。（c）高分辨率图像和高光谱图像经过高通滤波变换融合后，影像的高频细节得以提高，线性特征和边缘信息更为突出，有效地保留了高光谱信息。（d）将上述三种变换得到的图像按照像素级的方式进行图像融合，得到最终融合图像。下图分别为HSI变换融合，小波变换融合，高通滤波融合以及最终的改进融合效果图：

图4 各方法图像融合效果图

由上图可知，最终的融合图像综合了三种变换融合的优点，使水体与非水体的地物类型可以清楚地显示出来。

高光谱图像融合处理主要包括线性变换，中值滤波，改进的基于小波变换的边缘检测等。线性变换主要指按比例扩大原始灰度级的范围，使得变换后的图像直方图的两端达到饱和，增加图像的对比度。中值滤波能够有效抑制图像噪声，大大减少了模糊图像的边缘，对孤立噪声点的消除以及稍密集的噪声点降噪均有良好效果。本文采用基于小波变换的边缘检测方法,实质是信号被高斯平滑函数低通滤波后的一种函数。设表示二维可微的高斯平滑函数，令：

上式中，n0和nd分别代表理想与实际测出的边缘分布图上的点数；为比例系数，可以调节与理想边缘点有偏差的Pl；di为实际检测出的第i点边缘点到理想边缘线的法线距离，单位为像元数。如表2所示，列出了当=0.1时各种方法对应的优质系数Pl以及该方法所花时间。

表2 各种边缘检测方法的优质系数的大小

由上表可知，本文改进的基于小波变换的边缘检测方法对图像的边缘提取效果最好，为最终的图像处理做好了充分的准备工作。

3 结语

本文主要介绍了单个波段的遥感数据预处理、多波段图像进行融合和融合后高光谱图像处理。通过MATLAB编程得到了经过融合后的结果，与原始图像相比，融合得到的图像更加清晰，图像对比度也更强。通过图像融合技术使得遥感图像的空间分辨率得以提高、图像的目标特征大大增强、分类精度和动态监测以及信息互补的能力也显著提升。