一种基于小波变换和多通道PCNN的高光谱图像融合方法

摘要

本发明涉及一种基于小波变换和多通道PCNN的高光谱图像融合方法，其特征在于：首先，对待融合的N个波段的高光谱图像进行配准和灰度调整的预处理，并进行小波变换，得到低频子带图像和高频子带图像；然后，利用多通道PCNN模型分别对低频子带图像和高频子带图像进行初步的非线性融合处理，得到相应的点火频率图，对低频子带图像，将点火频率图进行相应系数范围的线性映射，直接将映射结果作为融合结果；对各方向高频子带图像，利用点火频率图进行区域分割，并对不同区域采用不同的融合规则进行融合处理；最后，进行小波重构，得到最终的融合结果图像。通过以上方法，可以实现高光谱多个波段的图像融合，并能够得到更好的融合效果。

主权项

1.一种基于小波变换和多通道PCNN的高光谱图像融合方法，其特征在于：步骤1：预处理：利用基于互信息的图像配准方法对待融合的N个波段的高光谱图像进行图像配准，并利用线性变换方法将待融合的N个波段的高光谱图像的灰度范围映射到一个一致的灰度区间，得到预处理后的N个波段的高光谱图像；步骤2：小波变换：利用Mallat算法对预处理后的每一个波段的高光谱图像分别进行小波变换，对预处理后的第d个波段的高光谱图像得到小波变换系数所述的L^d为预处理后的第d个波段的高光谱图像的低频子带图像；所述的为预处理后的第d个波段的高光谱图像的尺度t下p方向的高频子带图像；所述的d为图像序号，d＝1，2，…，N；所述的t为小波变换的分解尺度，t≥1；所述的p表示每个分解尺度下的不同方向，p＝1，2，3，p＝1表示水平方向，p＝2表示垂直方向，p＝3表示对角方向；步骤3：融合处理：利用多通道PCNN模型对低频子带图像L^d和高频子带图像分别进行初步的非线性融合处理，得到低频子带图像的点火频率图T^L和高频子带图像的点火频率图所述的多通道PCNN模型为：$\left\{\begin{array}{c}{F}_{\mathrm{ij}}^d\left[n\right]=V_F\underset{k=i-1}{\overset{i+1}{\Sigma }}\underset{l=j-1}{\overset{j+1}{\Sigma }}{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}[n-1]+I_{\mathrm{ij}}^d\\ L_{\mathrm{ij}}\left[n\right]=e^{-{\alpha }_L}{L}_{\mathrm{ij}}[n-1]+V_L\underset{k=i-1}{\overset{i+1}{\Sigma }}\underset{l=j-1}{\overset{j+1}{\Sigma }}{W}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}[n-1]\\ U_{\mathrm{ij}}\left[n\right]=(1+\beta L_{\mathrm{ij}}[n\left]\right)\underset{d=1}{\overset{N}{\Pi }}(1+C^d{F}_{\mathrm{ij}}^d[n\left]\right)\\ {\theta }_{\mathrm{ij}}\left[n\right]=e^{{\alpha }_{\theta }}{\theta }_{\mathrm{ij}}[n-1]+V_{\theta }{Y}_{\mathrm{ij}}[n-1]\\ Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1& U_{\mathrm{ij}}\left[n\right]\ge {\theta }_{\mathrm{ij}}\left[n\right]\\ 0& U_{\mathrm{ij}}\left[n\right]<{\theta }_{\mathrm{ij}}\left[n\right]\end{array}\right.\\ T_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}n& Y_{\mathrm{ij}}\left[n\right]=1\\ T_{\mathrm{ij}}[n-1]& Y_{\mathrm{ij}}\left[n\right]=0\end{array}\right.\end{array}\right.$所述的下标ij表示图像中像素的位置为i行j列，i＝1，2，…，P，j＝1，2，…，Q，P为图像总的行数，Q为图像总的列数；所述的下标kl表示图像中像素的位置为k行l列；所述的上标d表示输入图像的序号，d＝1，2，…，N；所述的n为迭代次数；所述的[n]表示第n次迭代；所述的I^d表示输入的低频子带图像L^d或高频子带图像所述的F^d表示多通道PCNN模型的输入；所述的Y表示多通道PCNN模型的输出；所述的L表示以位于i行j列的像素为中心的周围3×3邻域内像素的耦合连接；所述的U为内部活动信号；所述的θ表示动态阈值；所述的T为点火频率；所述的V_F为F的放大系数，V_F＞0；所述的V_L为L的放大系数，V_L＞0；所述的V_θ为θ的放大系数，V_θ＞0；所述的α_L为L的衰减系数，α_L≥0；所述的α_θ为θ的衰减系数，α_θ≥0；所述的C^d为输入耦合系数，C^d≥0且所述的β为连接耦合系数，β≥0；所述的M为F的大小为3×3的反馈连接权矩阵；所述的W为L的大小为3×3的反馈连接权矩阵；对低频子带图像，利用线性变换方法将点火频率图T^L的像素范围映射到N个低频子带图像L^d的像素范围的并集区间，直接将映射结果作为融合后的低频子带图像L^F；对高频子带图像将点火频率图作为区域分割的依据，先对高频子带图像进行区域分割，具体步骤如下：步骤a：求取点火频率图的直方图H(φ)；步骤b：利用计算得到直方图H(φ)的矢量重心利用计算得到直方图H(φ)的偏差s，并利用和计算得到分割阈值T1和T2；所述的φ表示离散灰度级，φ＝1，2，…，Φ；所述的Φ为图像总的灰度级数，Φ≥1；步骤c：利用分割阈值T1和T2将高频子带图像分割成三种区域：点火频率图中小于T1的像素对应着高频子带图像的均匀区域AreaJ，点火频率图中大于T2的像素对应着高频子带图像的边缘区域AreaB，而点火频率图中介于T1和T2之间的像素对应着高频子带图像的纹理区域AreaW；然后，对高频子带图像区域分割后的三种区域采用不同的融合规则进行融合处理，得到融合后的高频子带图像具体为：a.均匀区域AreaJ：按计算得到高频子带图像的融合结果；所述的i表示像素位于图像的第i行；所述的j表示像素位于图像的第j列；所述的为位于融合后的高频子带图像i行j列的像素值，为位于高频子带图像i行j列且属于均匀区域AreaJ的像素值，d＝1，2，…，N；s^d为按计算得到的均匀区域的融合加权系数；所述的σ_d为高频子带图像的标准差；b.纹理区域AreaW：按计算得到高频子带图像的融合结果；所述的为位于高频子带图像i行j列且属于纹理区域AreaW的像素值；所述的为按计算得到的纹理区域的融合加权系数；所述的为高频子带图像中以位于i行j列的像素为中心的3×3邻域内像素的标准差；c.边缘区域AreaB：按$H_{p,t}^F(i,j)=\arg \underset{H_{B_{p,t}}^d(i,j)}{\max }\left\{\right|H_{B_{p,t}}^d(i,j)|,H_{B_{p,t}}^d(i,j)\in \{H_{B_{p,t}}^d(i,j),d=1,...,N\left\}\right\}$取模极大值对应的高频子带图像中的像素值作为高频子带图像的融合结果；所述的为位于高频子带图像i行j列且属于边缘区域AreaB的像素值；所述的$\arg \underset{H_{B_{p,t}}^d(i,j)}{\max }\left\{\right|H_{B_{p,t}}^d(i,j)|,H_{B_{p,t}}^d(i,j)\in \{H_{B_{p,t}}^d(i,j),d=1,...,N\left\}\right\}$表示使取得最大值的那个步骤4：小波重构：将融合处理后得到的低频子带图像L^F和高频子带图像进行小波重构，得到最终的融合结果图像。