本发明涉及遥感影像处理技术领域,尤其涉及一种sar影像融合方法。
背景技术:
星载合成孔径雷达sar不同于被动光学成像机理,是一种主动的雷达成像系统,近年来随着sar成像技术的快速发展,其成像分辨率已经可以达到米级,比如国产高分三号卫星的最高成像分辨率已经达到一米,高分sar影像具有空间分辨率高、不受天气影像,能够快速应急等特点,这些都是传统的多光谱影像所欠缺的,但是,由于成像机理的不同,对sar影像的直接解译非常困难,因此有必要开展sar影像与传统光学遥感影像的多源影像融合方法,已有的sar相关多源影像融合方法大都没有考虑光谱保真问题,导致应用受限,借鉴全色锐化的gram-schmidt融合算法、pca融合算法和ihs融合算法等一定程度上保持了多光谱的光谱特征,但是雷达散射特征描述有限。
本发明提出一种基于交叉皮质神经网络(icm)模型的sar与多光谱遥感影像融合方法,旨在使融合影像能够同时具有sar影像散射特征和多光谱的光谱特征,本发明融合结果较传统算法sar雷达散射信息注入更丰富,光谱信息保持更好。
技术实现要素:
为了克服上述现有技术的不足,本发明提供了一种基于icm模型的sar影像融合方法,icm模型数学描述如下:
在icm模型中图像的每一像素均代表一个神经元,kl表示当前神经元ij的邻域神经元,s为输入的外部激励,n为当前迭代次数,w表示神经元与邻域之间的突触连接权重,f为反馈输入,e为活动阈值门限,g和f分别为活动阈值和反馈输入的衰减系数,h表示活动阈值增加的标准化常量,y表示最终的输出脉冲,当前神经元的如果反馈输入f在本次迭代中大于活动阈值e则产生输出脉冲。
基于icm模型的sar影像与多光谱影像融合步骤包括输入sar与多光谱影像预处理、“àtrous”小波细节散射影像提取、icm模型非规则区域分割、细节散射影像权重因子计算、多通道融合计算等步骤。具体的sar影像融合方法流程图如图1所示。
首先,计算sar影像与多光谱影像的空间尺度差异,将低分辨率影像插值到同一空间分辨率,同时将输入归一化到[0,1]区间,获得标准化后的多光谱影像im和sar影像i1。
其次,利用遥感影像中常用的“àtrous”小波对sar影像进行散射细节提取获得细节散射影像isar。
利用icm模型对多光谱影像进行分割,其中神经网络的输入s为标准化后的多光谱影像im,下标m表示多光谱影像的第m个通道,不同迭代次数n下的输出y即为分割结果。
对分割的不同区域进行细节散射影像权重因子计算,计算公式如下:
其中,cov表示协方差计算。
最终,可以获得融合结果如下式所示:
图2给出了本发明实施例中输入的sar影像和多光谱影像,其中图2(a)和图2(b)分别为高分三号卫星拍摄的hh极化和hv极化的5m分辨率sar影像,图2(c)为16m分辨率的多光谱影像。
采用本发明融合方法对图2的输入影像进行融合处理结果如图3所示,由图3所示sar影像中地物的散射特征较好的表现在了多光谱影像中,多光谱影像的轮廓也获得了增强。
表1所示为本方法与传统gram-schmidt融合算法、pca融合算法和ihs融合算法等遥感影像融合方法的评价对比结果,评价指标采用图像信息熵指标h和光谱扭曲度指标sam,图像信息熵能够反映图像的信息丰富程度可以用来评价融合影像中散射信息量的多少,其值越大融合到的散射信息越多,光谱扭曲度指标sam可以评价融合后影像的光谱信息遭破坏程度,其值越小表明光谱扭曲越少。由表1可以看出,本发明方法较传统方法的融合的散射信息更多,光谱扭曲更少。
与现有技术相比,本发明的有益效果是多源影像融合结果中sar雷达散射信息注入更丰富,光谱信息保持更好,有益于推进复杂遥感影像解译等工作。
附图说明
图1为本发明的sar影像融合方法流程图。
图2为本发明的输入示例影像。
图3为本发明的融合结果示例影像。
1.一种基于交叉皮质神经网络(icm)模型的sar影像融合方法,融合具体步骤为:
步骤1:计算sar影像与多光谱影像的空间尺度差异,将低分辨率影像插值到同一空间分辨率,同时将输入归一化到[0,1]区间,获得标准化后的多光谱影像im和sar影像i1;
步骤2:利用“àtrous”小波变换提取sar影像细节散射特征isar;
步骤3:利用icm模型对多光谱影像进行分割,其中神经网络的输入s为标准化后的多光谱影像im,下标m表示多光谱影像的第m个通道,不同迭代次数n下的输出y即为分割结果;
步骤4:对分割的不同区域进行散射细节影像权重因子计算,计算公式如下:
cov表示协方差计算;
步骤5:融合结果rm如下式所示: