基于平移评价优选的光谱图像数据融合方法

摘要

本发明公开了一种基于平移评价优选的光谱图像数据融合方法，属于超光谱图像数据融合技术领域。本发明首先对数据矩阵的像素向量进行分类，得到类矩阵；采用类矩阵主成分变换的降维投影矩阵，对数据矩阵进行投影，获得降维数据矩阵；再分配给对色空间黑白、红绿和黄蓝通道，转换至sRGB颜色空间，获得R、G、B通道颜色分量数据；通过平移映射颜色分量数据，综合评价系列数字图像，获取每个通道的最优平移量；最后利用三个最优平移量分别平移映射各通道颜色分量数据，得到融合结果图像。本发明采用最优平移量融合的方法，获得了高亮度的伪彩色融合图像，提高了图像的对比度和色彩区分度，便于人眼从复杂背景中快速识别目标。

主权项

一种基于平移评价优选的光谱图像数据融合方法，其特征在于：包括以下步骤：步骤1：载入数据矩阵：读取光谱数据立方体，并整合成二维数据矩阵X(i,j)，其中i＝1、2、…、P,j＝1、2、…、L，P为图像的像素数，其值等于图像高度H与图像宽度W的乘积，L为光谱波段数；步骤2：数据矩阵像素分类获取类矩阵：对数据矩阵X(i,j)的像素向量X(i,:)＝[X(i,1) X(i,2) ... X(i,L)]进行分类，从每类像素向量中提取一个像素向量构成类矩阵Y(k,j)，其中i＝1、2、…、P,j＝1、2、…、L，k＝1、2、…、P_c，P_c为像素向量分类后的类数；步骤3：类矩阵主成分变换获取降维数据矩阵：利用类矩阵Y(k,j)光谱维主成分变换得到的降维投影矩阵T_n(j,n)，投影变换数据矩阵X(i,j)的光谱向量X(:,j)＝[X(1,j) X(2,j) ... X(P,j)]^T，得到降维数据矩阵X_n(i,n)，其中k＝1、2、…、Pc；j＝1、2、…、L，n＝1、2、3，i＝1、2、…、P；步骤4：降维数据矩阵经过对色空间转换到sRGB颜色空间，得到R通道颜色分量数据R_s(:)、G通道颜色分量数据G_s(:)、B通道颜色分量数据B_s(:)；步骤5：采用R通道颜色分量数据R_s(:)和R通道平移步长Δm_r，通过平移评价优选方法，得到R通道的最优平移量M_R；采用G通道颜色分量数据G_s(:)和G通道平移步长Δm_g，通过平移评价优选方法，得到G通道的最优平移量M_G；采用B通道颜色分量数据B_s(:)和B通道平移步长Δm_b，通过平移评价优选方法，得到B通道的最优平移量M_B；所述平移评价优选方法包括以下步骤：步骤5.1：将输入本方法的颜色分量数据存入数组V(j)，j＝1、2、…、P；求出颜色分量数据数组的最大值V_max和最小值V_min，计算平移总步数N_m＝[(V_max‑V_min)/Δm]+1，其中Δm为输入本方法的平移步长；初始化以下数组为0：平移量M(i)，标准差E_d(i)，熵E_e(i)，平均梯度E_g(i)，标准差分值S_d(i)，熵分值S_e(i)，平均梯度分值S_g(i)，综合评价值S_a(i)，其中i＝1、2、…、N_m；步骤5.2：循环标记i等于1，开始平移循环；步骤5.3：判断循环标记i是否小于等于平移总步数N_m，如果为假，跳出平移循环，执行步骤5.6；如果为真，执行步骤5.4；步骤5.4：采用“分段平移、数字映射、单项评价”方法，得到平移量M(i)、标准差E_d(i)、熵E_e(i)、平均梯度E_g(i)；所述“分段平移、数字映射、单项评价”方法包括以下步骤：步骤5.4.1：计算平移量M(i)＝V_min+(i‑1)×Δm，得到平移后的颜色分量数据V_m(j)＝V(j)‑M(i)，且j＝1、2、…、P；步骤5.4.2：数字映射平移后的颜色分量数据V_m(:)的每个像素，得到平移后的数字图像V_b(:)，即V_b(j)＝Map(V_m(j))，且j＝1、2、…、P，其中，函数y＝Map(x)为数字映射函数；步骤5.4.3：计算平移后的数字图像V_b(:)的单项评价值：标准差E_d(i)、熵E_e(i)、平均梯度E_g(i)：计算标准差，其计算公式为：其中${\bar{V}}_b=\sqrt{\underset{j=1}{\overset{P}{\Sigma }}{V}_b\left(j\right)}/P;$计算熵，其计算公式为：q(j)表示灰度值为j的像素数n_j与图像的像素数P之比；计算平均梯度，首先将平移后的数字图像V_b(:)转换为二维数组形式V_2b(m,n)＝V_b(m×W+n)，其中m＝1、2、…、H，n＝1、2、…、W；然后计算平均梯度，公式为：$E_g\left(i\right)=\frac{1}{(H-1)(W-1)}\underset{m=1}{\overset{H-1}{\Sigma }}\underset{n=1}{\overset{W-1}{\Sigma }}\sqrt{{(V_{2b}(m,n+1)-V_{2b}(m,n))}^2+{(V_{2b}(m+1,n)-V_{2b}(m,n))}^2};$步骤5.5：循环标记i加1，返回执行5.3步骤；步骤5.6：采用单项打分方法，分别对标准差E_d(:)、熵E_e(:)和平均梯度E_g(:)进行单项打分，得到标准差分值S_d(:)、熵分值S_e(:)和平均梯度分值S_g(:)；所述单项打分方法包括以下步骤：步骤5.6.1：初始化N_m行3列的二维数组Buf(i,j)和Out(i,j)，其中i＝1、2、…、N_m，j＝1、2、3,二维数组Buf(i,j)和Out(i,j)的第一列Buf(:,1)、Out(:,1)存储单项评价值的序号，第二列Buf(:,2)、Out(:,2)存储单项评价值，第三列Buf(:,3)、Out(:,3)存储单项评价值的分值；步骤5.6.2：对单项评价值即Buf(:,2)进行排序，并且单项评价值的序号Buf(:,1)随着Buf(:,2)顺序的变化而变化；步骤5.6.3：取Buf(1,3)等于1，循环标记i等于2，开始循环；步骤5.6.4：判断i是否小于等于N_m，如果为假执行步骤5.6.6；如果为真，再判断Buf(i,2)是否等于Buf(i‑1,2)，如果为真，取Buf(i,3)等于Buf(i‑1,3)，如果为假Buf(i,3)等于i；步骤5.6.5：循环标记i加1，并返回执行步骤5.6.4；步骤5.6.6：循环标记i等于1；步骤5.6.7：判断i是否小于等于N_m，如果为真，Out(Buf(i,1),1)等于Buf(i,1)，Out(Buf(i,1),2)等于Buf(i,2)，Out(Buf(i,1),3)等于Buf(i,3)；如果为假，执行5.6.9步骤；步骤5.6.8：循环标记i加1，并返回执行步骤5.6.7；步骤5.6.9：输出Out数组的第3列数据Out(:,3)作为对应单项评价值的分值；步骤5.7：计算综合评价值S_a(i)＝S_d(i)+S_e(i)+S_g(i),其中i＝1、2、…、N_m；步骤5.8：将最大综合评价值S_max初始化为S_a(1)，最优平移量M_o初始化为M(1)，循环标记i等于1，开始循环；步骤5.9：判断i是否小于等于N_m，如果为假，跳出循环，执行步骤5.11；如果为真，再判断S_a(i)是否大于等于S_max，如果为真，最大综合评价值S_max等于S_a(i)，最优平移量M_o等于M(i)，如果为假，执行步骤5.10；步骤5.10：循环标记i加1，并返回执行5.9步骤；步骤5.11：输出最优平移量M_o；步骤6：融合结果图像：根据R通道的最优平移量M_R，平移R通道颜色分量数据R_s(:)；根据G通道的最优平移量M_G，平移G通道颜色分量数据G_s(:)；根据B通道的最优平移量M_B，平移B通道颜色分量数据B_s(:)，并分别数字映射，得到最终的融合图像I_m(i,1:3)，其计算公式如下：I_m(i,1)＝Map(R_s(i)‑M_R)；I_m(i,2)＝Map(G_s(i)‑M_G)；I_m(i,3)＝Map(B_s(i)‑M_B)；其中i＝1、2、…、P，y＝Map(x)为数字映射函数。