數(shù)據(jù)同化框架下基于差分進化的遙感圖像融合

本文格式為Word版，下載可任意編輯——數(shù)據(jù)同化框架下基于差分進化的遙感圖像融合

alos

第362023年3月

ACTAAUTOMATICASINICA

March,2023

數(shù)據(jù)同化框架下基于差分進化的遙感圖像融合

陳榮元1,2,3

林立宇3

王四春1,2

秦前清3

摘要針對現(xiàn)有融合方法的結(jié)果圖像不易根據(jù)后續(xù)處理的要求進行自適應(yīng)調(diào)整,不同方法的優(yōu)點不易綜合的問題,借鑒氣象領(lǐng)域中的數(shù)據(jù)同化系統(tǒng)能綜合其模型算子和觀測算子兩者優(yōu)點的思想,提出一個基于差分進化的遙感圖像融合框架.在該框架下,將基于對比度α`trous的Contourlet變換作為模型算子,獨立分量分析和α`trous小波變換作為觀測算子,用差分進化(Dierentialevolution,DE)算法來優(yōu)化由圖像定量評價指標組成的目標函數(shù),從而獲取更適合的圖像.二組試驗從視覺效果和定量指標兩方面驗證了該框架的有效性.關(guān)鍵詞DOI

遙感,圖像融合,數(shù)據(jù)同化,差分進化算法10.3724/SP.J.1004.2023.00392

RemoteSensingImageFusionBasedonDierentialEvolutionAlgorithmunder

DataAssimilationFramework

CHENRong-Yuan1,2,3

LINLi-Yu3

WANGSi-Chun1,2

QINQian-Qing3

AbstractImagesobtainedviaexistingimagefusionmethodscouldnotbeadjustedadaptivelyaccordingtosuccessiveimageprocessingstepsanditwashardtointegrateadvantagesofdierentfusionalgorithms.Inordertosolvetheseproblems,aremotesensingimagefusionframeworkbasedondataassimilationanddierentialevolution(DE)algorithmwasproposedinviewoftheadvantageofdataassimilationsystemcombiningthemeritsofitsmodeloperatorandobservationoperator.Underthisframework,contrastα`trouswaveletcontourlettransformwasusedasthemodeloperator,andindependentcomponentanalysisandα`trouswavelettransformastheobserveroperator.TheobjectivefunctionwascomposedofweightsumofindicesandDEwasemployedtoobtainaproperimage.Twogroupsofexperimentshaveveriedthefeasibilityoftheframeworkintermsofbothvisualqualityandobjectiveevaluationcriteria.Keywords

Remotesensing,imagefusion,dataassimilation,dierentialevolutionalgorithm

尋常一個成像系統(tǒng)很難獲得空間分辯率和光譜分辯率都很高的圖像,因此利用全色圖像與多光譜圖像進行信息加工以獲得同時具有兩種圖像特性的融合結(jié)果,從而有利于后續(xù)處理應(yīng)用,是遙感圖像預(yù)處理的重要內(nèi)容.融合后的圖像用于目視解譯,比源圖像有著更好的視覺效果,用于分類則有助于提高分類精度.

錄用日期2023-07-24

ManuscriptreceivedFebruary23,2023;acceptedJuly24,2023國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)(2023CB701303),國家高技術(shù)研究發(fā)展計劃(863計劃)(2023AA12Z132),湖南省教育廳資助科研項目(08C485,09C567),長沙市軟科學計劃(K0802190-41),應(yīng)用型本科院?！笆晃濞晣艺n題(FIB070335-A8-17)資助

SupportedbyNationalBasicResearchProgramofChina(973Program)(2023CB701303),NationalHighTechnologyRe-searchandDevelopmentProgramofChina(863Program)(2023AA12Z132),ScienticResearchFundofHunanProvin-cialEducationDepartment(08C485,09C567),SoftScienceofChangshaCity(K0802190-41),andApplication-orientedCol-legesandUniversities“EleventhFive-Year〞NationalProgram(FIB070335-A8-17)

1.湖南商學院信息學院長沙4102052.湖南商學院管理工程研究所長沙4102053.武漢大學測繪遙感信息工程國家重點試驗室武漢430079

1.CollegeofInformation,HunanUniversityofCommerce,Changsha4102052.ManagementEngineeringInstituteofHunanUniversityofCommerce,Changsha4102053.StateKeyLaboratoryofInformationEngineeringinSurveying,Map-pingandRemoteSensing,WuhanUniversity,Wuhan430079收稿日期2023-02-23

現(xiàn)有的遙感圖像融合方法可大致分為3類:基于色調(diào)空間變換的方法,如IHS變換、Lab變換、YUV變換等[1];基于統(tǒng)計的方法如主成份分析,Brovey變換、獨立分量分析等[23];以及基于多尺度分析融合的方法,如金字塔變換、小波變換、Contourlet變換等[45].這些方法往往是單獨工作,不同方法的優(yōu)點不易綜合;并且這些方法的融合規(guī)則均需事先給定,所獲結(jié)果圖像不易根據(jù)后續(xù)處理的需要進行自適應(yīng)調(diào)整,融合圖像的應(yīng)用受到限制.本文借鑒氣象領(lǐng)域中的數(shù)據(jù)同化思想[68],即把新觀測數(shù)據(jù)和數(shù)值模擬數(shù)據(jù)通過某種方法有效地結(jié)合起來,最終得到更加客觀的接近自然的分析結(jié)果,提出一個基于差分進化的遙感圖像融合框架,來解決上述問題,最終通過二組試驗證明白該框架的有效性.

1數(shù)據(jù)同化系統(tǒng)

數(shù)據(jù)同化是指在考慮數(shù)據(jù)時空分布以及觀測場和背景場誤差的基礎(chǔ)上,在數(shù)值模型的動態(tài)運行過程中融合新的觀測數(shù)據(jù)的方法.數(shù)據(jù)同化的本質(zhì)就是將觀測數(shù)據(jù)和數(shù)值模擬數(shù)據(jù)通過某種方法有效地結(jié)合起來,最終得到更加客觀的、接近自然的分析結(jié)

alos

果[78].

數(shù)據(jù)同化系統(tǒng)一般由模型算子、觀測算子、目標函數(shù)、優(yōu)化算法等組成,以優(yōu)化目標函數(shù)為目標.目標函數(shù)可以用式(1)(見本頁下方)等形式來表示.式(1)中,J(x(t0))是目標函數(shù)(泛函);ti表示時刻;x(t0)是狀態(tài)矢量的初始值,它是被同化或被反蛻變量組成的列矩陣,下標0表示同化周期開始時的狀態(tài);xb(t0)是背景場;yoi是i時刻的觀測值,它可以是與x不同物理意義、不同維數(shù)的矢量.M是模型算子;Hi被稱為觀測算子,Ri是觀測誤差的協(xié)方差矩陣;B是背景場誤差的協(xié)方差矩陣.其一般運行流程如圖1所示[9].據(jù)同化系統(tǒng)的預(yù)計數(shù)據(jù),其流程如下[10].

1)分別對多光譜圖像的三個波段(R、G、B)和全色圖像做基于對比度α`trous小波的Contourlet變換,從而得到相應(yīng)的不同分辯率、不同方向上的低頻及高頻分量系數(shù);

2)對于高頻的Contourlet分量系數(shù),由全色圖像的高頻分量全部替代R、G、B三個波段對應(yīng)的高頻分量;

3)對于低頻的Contourlet分量系數(shù),則采用多光譜圖像的低頻分量;

4)進行基于對比度α`trous小波的逆Con-tourlet變換后得到預(yù)計圖像.

1.2觀測算子

在氣象領(lǐng)域中,數(shù)據(jù)同化的觀測算子是被用來獲取當前的觀測值.由于獨立分量分析能很好地去除波段間的相關(guān)性,得到的結(jié)果波段間是相互獨立的,利用基于獨立分量分析的遙感圖像融合方法得到的結(jié)果包含了比基于PCA變換的融合結(jié)果圖像更多的信息量,但保光譜特性不太好[10].本文把基于獨立分量分析和α`trous小波變換的融合方法作為觀測算子,基本步驟如下[3,11]:

步驟1.對源圖像進行確切的幾何配準;步驟2.進行R、G、B三個波段的多光譜圖像的獨立分量分析,得到三個彼此間相互獨立的波段.這里用IC1,IC2,IC3來表示;

步驟3.將全色圖像進行相應(yīng)的去除均值與標準差的歸一化處理,運用α`trous小波變換,得到相應(yīng)的高頻分量,即α`trous小波面和近似的冗余分量,并用下式進行表達:

圖1

Fig.1

數(shù)據(jù)同化流程圖

Workowofdataassimilation

基本的同化過程如下[7]:l)以模式預(yù)報場作為初估場;2)對更新后的場作初值化處理;3)模式向前預(yù)報若干步,并將新的預(yù)報場作為下一次更新的初估場,然后再返回到l),如此反復(fù),形成了一個循環(huán)過程:插入觀測–更新預(yù)報場–初值化–模式預(yù)報–插入觀測–更新預(yù)報場–初值化–模式預(yù)報.

1.1模型算子

在氣象領(lǐng)域中,數(shù)據(jù)同化的模型算子利用當前時刻的驅(qū)動數(shù)據(jù),做出下一個時刻的短期預(yù)報.基于α`trous小波變換方法的融合圖像的邊緣細節(jié)信息較模糊,整體對比度較低;基于Contourlet變換方法的融合圖像雖然整體對比度較高,但有明顯的Gibbs塊狀效應(yīng),因而會產(chǎn)生一些虛影模糊;基于對比度α`trous的Contourlet變換的融合方法,能在一定程度上綜合兩者的優(yōu)點,戰(zhàn)勝兩者的缺點.本文選擇基于對比度α`trous的Contourlet變換的融合方法作為本文的模型算子,其所獲得的圖像作為數(shù)

PAN=

ni=1

Wpi+PANr

式中PAN代表源全色圖像,n一般為2

或3,表示進行2至3層的α`trous小波分

`trous小解,Wpi代表全色圖像的第i層α

波面,PANr代表全色圖像的近似冗余分量;

步驟4.為了將高分辯率圖像的結(jié)構(gòu)信息疊加到低分辯率多光譜圖像中,采用加法的融合規(guī)則進行融合,把全色圖像的α`trous小波面直接加到三個獨立分量上,即:

N

11τ1obτ1b

J(x(t0))=[x(t0)x(t0)]B[x(t0)x(t0)]+[Hi(M(xi))yoi]Ri[Hi(M(xi))yi]22i=0

(1)

alos

IC1=nIC2=nIC3=n

ni=1ni=1ni=1

Wpi+IC1Wpi+IC2Wpi+IC3

步驟5.進行逆獨立分量分析變換,所得圖像作

Ui(t+1),若F(Ui(t+1))≤F(Xi(t))

Xi(t+1)=

Xi(t),其他

(4)

步驟7.選出當前最好的個體,假使其目標函數(shù)值比Xbest的好,就用它取代Xbest;

步驟8.判斷是否達到終止條件或進化代數(shù)達到最大,若是則進化終止,將此時的最正確個體作為解輸出;否則,進化代數(shù)t=t+1,轉(zhuǎn)步驟3.

為預(yù)計數(shù)據(jù).

1.3優(yōu)化算法

在氣象領(lǐng)域中,利用優(yōu)化算法來優(yōu)化目標函數(shù),從而求得目標解.差分進化(Dierentialevolution,DE)算法是由Price首先提出的一種基于種群并行隨機探尋的新型進化算法,該算法從原始種群開始,通過變異、雜交、選擇幾種遺傳操作來衍生出新的種群,經(jīng)過逐步迭代,不斷進化,可實現(xiàn)全局最優(yōu)解的探尋[12].由于標準DE的變異操作簡單造成中間結(jié)果圖像的像素值越界,本文把改造后的DE用作數(shù)據(jù)同化系統(tǒng)的優(yōu)化算法.設(shè)在一個n維的目標探尋空間中(n為每幅圖像像素的個數(shù)),有m個個體(每個個體代表一幅圖像)組成種群X={X1,X2,,Xm},具體流程描述如下[12]:

步驟1.生成m個維數(shù)為n的個體作為DE的初始種群,每個個體表示為:

Xi(t),i=1,2,,m

步驟2.對初始種群進行評價,即計算初始種群中每個個體的目標函數(shù)值,確定具有最好目標值的Xbest;

步驟3.對每個個體從集合{1,2,,m}中隨機選取一個不等于i的隨機數(shù)r,依照式(2)執(zhí)行變異操作,以獲得相對應(yīng)的變異個體;

Vi(t+1)=Xr(t)+λ(Xbest(t)Xr(t))(2)

步驟4.對每個個體和其對應(yīng)的變異個體依照式(3)執(zhí)行交織操作,以獲得試驗個體

vi,j(t+1),若rand(j)≤CRu(t+1)=

或j=randn(i),

i,jj=1,2,,nxi,j

(t),其他

(3)

步驟5.計算試驗每個個體的目標函數(shù)值;

步驟6.在個體和其試驗個體之間依照式(4)執(zhí)行選擇操作,以生成新一代的種群

以上算法中,i表示個體在種群中的序號;t表示當前進化的代數(shù);m為種群規(guī)模;Vi(t+1)為第i個個體在t+1代時對應(yīng)的變異個體;當0≤λ≤1且Xr(t)和Xbest(t)的值都在[0,255]范圍內(nèi)時,利用式(2)所產(chǎn)生的Vi(t+1)的像素值也在[0,255]范圍內(nèi);rand(j)是第j個獨立的0到1之間均勻分布的隨機變量;randn(i)是在集合{1,2,,n}中隨機選取的隨機數(shù);CR為0到1之間的交織參數(shù);控制種群的分散度;F(Ui(t+1))為Ui(t+1)的目標函數(shù)值;F(Xi(t+1))為Xi(t))的目標函數(shù)值.

2數(shù)據(jù)同化框架下的圖像融合

圖像融合一般可看成是兩(多)幅圖像的綜合,結(jié)果圖像的像素值是所有源圖像的對應(yīng)像素值的某種特定的加權(quán)和,可看成是源圖像相互向?qū)Ψ娇繑n而成的結(jié)果,這正是文獻[6]所介紹的第3種數(shù)據(jù)同化方式.

2.1融合流程

本文把源圖像作為數(shù)據(jù)同化的驅(qū)動數(shù)據(jù),利用基于對比度α`trous的Contourlet變換的融合方法(模型算子)產(chǎn)生的圖像作為預(yù)計數(shù)據(jù);利用獨立分量分析和α`trous小波變換的方法(觀測算子)產(chǎn)生的圖像作為觀測數(shù)據(jù);圖像的定量評價指標作為目標函數(shù);利用DE來優(yōu)化目標函數(shù),目標函數(shù)的解作為最終結(jié)果圖像.具體算法流程如圖2所示:

算法步驟如下:

步驟1.運行模型算子,把利用基于對比度α`trous的Contourlet變換的融合方法產(chǎn)生的圖像作為預(yù)計數(shù)據(jù);

步驟2.運行觀測算子,把利用基于獨立分量分析和α`trous小波變換的方法產(chǎn)生的圖像作為觀測數(shù)據(jù);

步驟3.構(gòu)造數(shù)據(jù)同化的目標函數(shù),不同的后續(xù)處理對圖像的各項屬性所依靠的程度是不同的,因此可以用屬性的權(quán)重來反映該屬性對后續(xù)處理影響的程度,由多個評價指標的加權(quán)和來組成目標函數(shù),

alos

目標函數(shù)可寫成:

f=a1index1+a2index2++anindexn(5)

式中,index1,index2,,indexn表示圖像的各個評價指標,指標可以是標準方差、平均梯度、熵、空間頻率、均方根交織熵、結(jié)構(gòu)相像度、相關(guān)系數(shù)等;a1,a2,,an表示各個指標的權(quán)重.當用平均梯度為目標函數(shù)時,上式就變成了:

f=averageGradient

其中,averageGradient表示圖像的平均梯度,在這種狀況下,只有平均梯度的權(quán)重為1,其余指標的權(quán)重都為0.本文分別單獨選取了融合圖像的平均梯度和空間頻率作為目標函數(shù).

步驟4.初始化優(yōu)化算法,把步驟1和步驟2得到的每個圖像再復(fù)制4份,共10幅圖像一起作為DE的初始種群;確定終止規(guī)則(最大迭代30次或連續(xù)5次迭代中獲得的全局最優(yōu)個體的適應(yīng)度值都沒有進步).

考慮到利用多種方法分別產(chǎn)生個體來增加初始種群多樣性的方案會帶來過大的計算開銷,本文采用復(fù)制方式來擴大初始種群規(guī)模.

步驟5.運行同化算法,即利用差分進化算法來優(yōu)化目標函數(shù),得到最終結(jié)果圖像.

圖2

算法流程

Fig.2

Workowofourproposedalgorithm

2.2算法繁雜度分析

假設(shè)每幅圖像有n個像素,如把加、減、乘、除、賦值都看成一個單位運算,則算法優(yōu)化部分的時間繁雜度為:

每個變異操作需要4n個運算,每個交織操作需

要3n個運算,選擇操作需要n個運算,計算標準方差、平均梯度、熵、和空間頻率的時間繁雜度都小于O(10n),本文方法的時間繁雜度為O(18mtn),其中m為種群中個體的數(shù)目,t為優(yōu)化最多迭代的次數(shù),本文中m和t分別為10和30,即本文方法的優(yōu)化部分時間繁雜度為O(5400n);而傳統(tǒng)的小波包的繁雜度O(nlog2n),典型的非下采樣Contourlet一次變換繁雜度為O(1536n)[13].本文方法總的時間繁雜度相對于傳統(tǒng)的融合方法沒有太大的增加.

空間繁雜度:設(shè)存儲每幅多光譜圖像(n個像素)需要一個單位的空間,優(yōu)化算法有10個初始個體;在優(yōu)化過程中,每個初始個體產(chǎn)生1個交織個體和1個變異個體,即每個個體共需要3個單位的空間;加上一個保存全局最優(yōu)解的空間,由此可知本文共需要31個單位空間,即空間繁雜度為常數(shù)31.

從上述的分析可知,本文方法的時空繁雜度只是在傳統(tǒng)融合方法的基礎(chǔ)上分別增加了線性和常數(shù)的繁雜度,正常狀況下是可以得到滿足的.

3試驗及結(jié)果分析

為驗證本文算法的有效性,試驗通過兩組全色與多光譜圖像的融合進行,圖像的大小均為256256,每組試驗都分別采用基于對比度α`trous的Contourlet變換的融合方法、基于獨立分量分析和α`trous小波變換的融合方法、數(shù)據(jù)同化框架下的分別以平均梯度和空間頻率作為目標函數(shù)的4種融合方法.

第1組試驗采用SPOT全色圖像和TM多光譜圖像,分辯率分別為2.5m和10m,多光譜圖像經(jīng)過了最鄰近重采樣,重采樣后的分辯率為2.5m,源圖像及各種方法融合圖像如圖3所示,第2組試驗采用IKONOS的全色圖像和多光譜圖像,分辯率分別為1m和4m,多光譜圖像經(jīng)過了最鄰近重采樣,重采樣后的分辯率為1m,源圖像及各種方法融合圖像如圖4所示,從視覺上可看出4種方法融合所得圖像其空間分辯率都有一定的提高,地物邊界等信息更加明了,更有利于判讀.

本文采用標準方差、平均梯度、熵、和空間頻率、均方根交織熵等定量指標來評價融合圖像的質(zhì)量.其中,標準差是由圖像灰度值相對于均值的分散度測定,其值越大則圖像的灰度階調(diào)變化范圍越大,圖像的反差越大,圖像的信息量也越大,分辯率越高.平均梯度能夠反映出圖像中微小細節(jié)反差和紋理特征,一般說來,其值越大,圖像就越顯得明了.熵反映了信息量,熵越大,圖像所含的信息越豐富.空間頻率反映了一幅圖像空間的總體活躍程度.均方根交織熵表示源圖像與融合圖像間的綜合差異,其值越小,表示融合圖像與源圖像差異越小[1415].兩組融

alos

合圖像的定量指標值分別如表1和表2所示(見下頁).

表1和表2中的方法1～4分別表示基于對比度α`trous的Contourlet變換的融合方法、基于獨立分量分析和α`trous小波變換的融合方法、數(shù)據(jù)同化框架下分別以平均梯度和空間頻率作目標函數(shù)的方法.

(a)源全色圖像(b)源多光譜圖像(a)Panchromaticimage

(b)Multispectralimage

(c)基于對比度α`trous的

(d)基于獨立分量分析和Contourlet變換的融合

α`trous小波變換的融合

算法結(jié)果

算法結(jié)果

(c)Fusedimageofusing(d)Fusedimageofusingcontrastα`trouswaveletindependentcomponentcontourlettransform

analysisandα`trouswavelet

transform

(e)數(shù)據(jù)同化框架下平均梯度作(f)數(shù)據(jù)同化框架下空間頻率作為目標函數(shù)的融合算法結(jié)果

為目標函數(shù)的融合算法結(jié)果

(e)Averagegradientas(f)Spatialfrequencyasobjectivefunctionunder

objectivefunctionunder

dataassimilationframeworkdataassimilationframework

圖3第1組試驗圖像的融合Fig.3

Therstgroupofimages

(a)源全色圖像(b)源多光譜圖像(a)Panchromaticimage

(b)Multispectralimage

(c)基于對比度α`trous的

(d)基于獨立分量分析和α`trousContourlet變換的融合算法結(jié)果小波變換的融合算法結(jié)果(c)Fusedimageofusing(d)Fusedimageofusingcontrastα`trouswaveletindependentcomponentcontourlettransform

analysisandα`trouswavelet

transform

(e)數(shù)據(jù)同化框架下平均梯度作(f)數(shù)據(jù)同化框架下空間頻率作為目標函數(shù)的融合算法結(jié)果

為目標函數(shù)的融合算法結(jié)果

(e)Averagegradientas(f)Spatialfrequencyasobjectivefunctionunder

objectivefunctionunder

dataassimilationframeworkdataassimilationframework

圖4第2組試驗圖像的融合Fig.4

Thesecondgroupofimages

從兩個表中可看出,當以平均梯度為目標函數(shù)

時,所得到的對應(yīng)圖像的平均梯度較基于對比度α`trous的Contourlet變換和基于獨立分量分析和α`trous小波變換兩種方法的結(jié)果有了較大的提高.這說明通過構(gòu)造適合的目標函數(shù),可以獲得特定屬性更優(yōu)的融合結(jié)果,而這很有利于后續(xù)處理的特定需要.以空間頻率作為目標函數(shù)方法也有類似的結(jié)論,這里就不再贅述.本文與模型算子及觀測算子在

alos

均方根交織熵這個指標上的表現(xiàn)相差甚微,這說明本文算法在優(yōu)化目標函數(shù)的過程中沒有明顯地引入虛假信息.

表1

第1組圖像融合試驗的客觀性能指標

Table1

Performancesofdierentfusionschemesforthe

rstgroupofimages

融合方法波段標準方差平均梯度熵空間頻率均方根交織熵

R

64.781938.17497.679783.00660.52331

G59.973238.75517.702383.05900.7035B

55.442628.71407.355566.2832

0.2858

R

67.040323.96417.543850.25550.71282

G58.979623.44427.539150.20000.4312B

65.598519.87807.465443.8575

0.3252

R

69.084644.22607.665196.91050.54353

G65.506644.97277.718496.62350.6181B

54.903832.87157.363475.7777

0.3279

R

69.084044.22567.664996.91080.54374

G65.506344.97257.718596.62400.6182B

54.903532.87127.363475.7765

0.3278

表2

第2組圖像融合試驗的客觀性能指標Table2

Performancesofdierentfusionschemesforthe

secondgroupofimages

融合方法波段標準方差平均梯度熵空間頻率均方根交織熵

R

58.530418.00467.683127.06770.16921

G57.893717.92687.666627.14020.1112B

58.988217.96337.505027.5300

0.1772

R

56.481017.39817.653226.62500.15232

G55.792717.31297.640626.67240.0890B

56.958517.37557.515427.0343

0.1563

R

62.211120.89567.699831.24610.19213

G61.700720.85767.680131.38680.1565B

62.689820.78597.451331.7920

0.2268

R

62.176120.85717.696831.25690.19094

G61.671420.81997.679031.39990.1539B

62.698020.75847.454531.8117

0.2254

當式(5)中的a1,a2,,an取不同的組合,會

有不同的結(jié)果,總之是那些大權(quán)重所對應(yīng)的屬性指標會得到較大的提高,而小權(quán)重對應(yīng)的屬性指標會得到較小的提高,有時小權(quán)重所對應(yīng)的指標還會有所下降.各個屬性指標的權(quán)重大小不僅要考慮各屬性指標對后續(xù)處理影響的程度,還要考慮到各個屬性指標值的大小,也就是各個屬性指標值要進行歸一化處理,不同的歸一化處理方法對最終結(jié)果也會有一定的影響.

4結(jié)論與展望

本文的方法在一定程度上解決了現(xiàn)有融合模型的建立不夠客觀,參數(shù)選取隨意性大,不易根據(jù)后續(xù)處理目的對融合規(guī)則進行自適應(yīng)調(diào)整的缺點,也解決了不同融合方法的優(yōu)點不易綜合的問題,能夠更簡單地獲取適合的結(jié)果圖像.

選取適合的融合方法作為數(shù)據(jù)同化系統(tǒng)的模型算子和觀測算子是一個難點和重點,適合的模型算子和預(yù)計算子有利于獲取好的預(yù)計數(shù)據(jù)和觀測數(shù)據(jù),而好的預(yù)計數(shù)據(jù)和觀測數(shù)據(jù)有助于最終適合數(shù)據(jù)的獲取[1617].如何在機理上和試驗上分析各度量指標的相互關(guān)系,綜合考慮多個屬性對圖像后續(xù)處理的協(xié)同影響,選取適合的指標權(quán)重來構(gòu)造適合的目標函數(shù),選擇適合的優(yōu)化方法以充分利用所選模型算子和觀測算子的各自優(yōu)點,以及滿足特定的后續(xù)應(yīng)用需要,是下一步研究的重點.

References

1Gonzalez-AudicanaM,SaletaJL,CatalanRG,GarciaR.Fusionofmultispectralandpanchromaticimagesusingim-provedIHSandPCAmergersbasedonwaveletdecomposi-tion.IEEETransactionsonGeoscienceandRemoteSensing,2023,42(6):12911299

2WuJ,LiuJ,TianJW,YinBK.Wavelet-basedremotesensingimagefusionwithPCAandfeatureproduct.In:Proceedingsofthe2023InternationalConferenceonMecha-tronicsandAutomation.Luoyang,China:IEEE,2023.20532057

3ChenMi,XuanJian-Hui,LiDe-Ren,QinQian-Qing,JiaYong-Hong.Imagefusionalgorithmbasedonindependentcomponentanalysis.Opto-ElectronicEngineering,2023,34(6):8287

(陳蜜,伭劍輝,李德仁,秦前清,賈永紅.獨立分量分析的圖像融合算法.光電工程,2023,34(6):8287)

4MiaoQi-Guang,WangBao-Shu.Multi-sensorimagefusionbasedonimprovedLaplacianpyramidtransform.ActaOp-ticaSinica,2023,27(9):16051610

(苗啟廣,王寶樹.基于改進的拉普拉斯金字塔變換的圖像融合方法.光學學報,2023,27(9):16051610)

5TangL,ZhaoZG.Multiresolutionimagefusionbasedonthewavelet-basedcontourlettransform.In:Proceedingsofthe10thInternationalConferenceonInformationFusion.Quebec,Canada:IEEE,2023.184189

6WangYue-Shan.Dataassimilation—itscause,itsmeaningandmainprocedures.MarineForecasts,1999,16(1):1120(王躍山.數(shù)據(jù)同化—它的緣起、含義和主要方法.海洋預(yù)報,1999,16(1):1120)

alos

7BachH,MauserW.Methodsandexamplesforremotesensingdataassimilationinlandsurfaceprocessmodel-ing.IEEETransactionsonGeoscienceandRemoteSensing,2023,41(7):162916378HuangChun-Lin,LiXin.Areviewoflanddataassimilationsystem.RemoteSensingTechnologyandApplication,2023,19(5):424430

(黃春林,李新.陸面數(shù)據(jù)同化系統(tǒng)的研究綜述.遙感技術(shù)與應(yīng)用,2023,19(5):424430)9LiX,ToshioK,http://.77putersandGeosciences,2023,30(3):23924810ChenMi.ResearchonMethodsandApplicationsofImage

DataFusionBasedonIndependentComponentAnalysis[Ph.D.dissertation],WuhanUniversity,China,2023

(陳蜜.基于獨立分量分析的影像信息融合方法與應(yīng)用研究[博士學位論文],武漢大學,中國,2023)11MitianoudisN,StathakiT.Optimalcontrastforcolorim-agefusionusingICAbases.In:Proceedingsofthe11thInternationalConferenceonInformationFusion.Cologne,Germany:IEEE,2023.1712LiuBo,WangLing,JinYi-Hui.Advancesindierentialevo-lution.ControlandDecision,2023,22(7):721729

(劉波,王凌,金以慧.差分進化算法研究進展.控制與決策,2023,22(7):721729)13daCunhaAL,ZhouJP,DoMN.Thenonsubsam-pledcontourlettransform:theory,design,andapplications.IEEETransactionsonImageProcessing,2023,15(10):3089310114LiuGui-Xi,ChenWen-Jin,YangWan-Hai.Studyonthein-uenceoffusionparametersontheperformanceofcontrastpyramiddecomposition-basedimagefusionscheme.JournalofCircuitsandSystems,2023,11(1):3945

(劉貴喜,陳文錦,楊萬海.融合參數(shù)比較較度塔形分解圖像融合方法性能的影響研究.電路與系統(tǒng)學報,2023,11(1):3945)15DeAA,MoschittaA,RussoF,CarboneP.Imagequality

assessment:anoverviewandsomemetrologicalconsidera-tions.In:Proceedingsofthe2023IEEEInternationalWork-shoponAdvancedMethodsforUncertaintyEstimationinMeasurement.Trento,Italy:IEEE,2023.475216ChenRY,LiS,YangR,Qin