一种面向高光谱遥感图像融合的无参考质量评估方法

本发明属于遥感图像融合的质量评估领域，尤其涉及一种面向高光谱遥感图像融合的无参考质量评估方法。

背景技术：

1、随着卫星成像技术和机载高光谱成像技术的发展，高光谱(hs,hyperspectral)图像以其更高的应用价值受到广泛关注，hs图像融合技术随之蓬勃发展。hs图像融合技术的目标就是提高hs图像的空间分辨率，具体而言就是利用具有高空间分辨率的全色(pan,panchromatic)图像或多光谱(ms,multispectral)图像来提升hs图像的空间分辨率。然而，不同融合方法得到的hs融合图像质量存在差异，甚至有的融合图像从主观视觉上难以区分其质量的优劣，需要借助客观评估方法对融合质量进行客观和定量化的精准评估。随着hs融合图像(产品)在遥感领域的广泛应用，针对hs融合图像的质量评估技术显得十分必要和紧迫。通常情况下，可以从空间信息和光谱信息两个方面分别对遥感图像融合质量进行客观评估，从而得到具体的数值结果。客观、准确的hs融合图像质量评估方法能够减少相关从业者的工作量，协助计算机或机器人完成各项实际下游任务如图像分类、目标检测与识别等，评估结果也可以作为融合产品的属性提升商业价值。

2、遥感图像融合的整体质量评估可以分为主观评估和客观评估。主观评估往往需要付出大量的人力和物力，导致评估工作的成本巨大而繁琐。客观评估则通过程序或算法得到数值结果，具有更强的实用性和通用性。根据评估过程中是否有参考图像，客观评估又可以分为有参考质量评估和无参考质量评估。通常来说，有参考质量评估更为准确，设计更加简单，但是实用性较差，因为有参考质量评估需要高空间分辨率hs图像(即理想的融合图像)作为参考图像，而实际应用中高空间分辨率hs图像是没有的或难以获取。相比之下，无参考质量评估具有更高的实用性，但是算法设计较为困难。目前针对遥感图像融合的质量评估研究仍关注在全色锐化图像的质量评估上，即对ms图像和pan图像的融合结果进行质量评估。随着机载、星载hs传感器的快速发展，hs融合图像不断涌现，对hs融合图像的评估将成为遥感信息处理领域的研究热点之一。

3、虽然目前研究人员已经提出了大量的hs图像融合方法，但是现有的融合图像质量评估方法仍停留在针对全色锐化图像的质量评估，很少有适用于hs融合图像的质量评估方法。由于hs图像数据本身的特点，导致一些全色锐化图像质量评估算法难以直接应用在hs图像的融合质量评估上。当前，有研究人员尝试使用无参考的全色锐化图像质量评估算法对hs图像融合的结果进行质量评估。例如，客观评估方法qnr+(the quality with noreference+)是一种用于全色锐化图像质量的无参考评估方法(参见文献l.alparone,a.garzelli and g.vivone."spatial consistency for full-scale assessment ofpansharpening",igarss 2018-2018ieee international geoscience and remotesensing symposium.valencia,spain,2018,pp.5132-5134.)，该方法设计了空间失真指标ds和光谱失真指标dλ分别对融合图像的空间失真和光谱失真进行融合质量的评估。随后，rocco等人将qnr+方法应用在多卫星平台的高光谱融合质量评估上，作为一种hs融合图像的无参考评估方法进行对比(参见文献r.restaino,g.vivone,p.addesso andj.chanussot,"hyperspectral sharpening approaches using satellitemultiplatform data",in ieee transactions on geoscience and remote sensing,vol.59,no.1,pp.578-596,jan.2021)。此外，mqnr(multivariate gaussian distributionqnr)是一种基于多元高斯分布模型的全色锐化图像质量评估方法，它分别从融合图像的空间和光谱部分提取特征，并与标准(参考图像)分布进行对比从而得到评估结果。meng等人将mqnr方法应用在了高光谱融合图像的质量评估上，验证了该评估方法的有效性(参见文献x.meng et al.,"a blind full-resolution quality evaluation method forpansharpening",in ieee transactions on geoscience and remote sensing,vol.60,pp.1-16,2022,art no.5401916)。

4、现有的hs融合图像质量评估方法都是借用适用于全色锐化图像的有参考的评估指标，如ergas(erreur relative globale adimensionnellede synthèse)、q2n、sam(spectral angle mapper)等，有参考质量评估选择高空间分辨率hs图像(理想的融合图像)作为参考，而实际应用中具有高空间分辨率的hs图像是不存在的(或难以获取)，因此有参考质量评估往往先对原始的低空间分辨率hs图像和高空间分辨率ms图像使用调制传输滤波器(mtf,modulation transfer functions)进行空间退化，得到退化后的hs图像和ms图像，然后将退化后的hs图像和ms图像进行图像融合，最后将原始的低空间分辨率的hs图像作为参考对融合结果进行评估。尽管有参考评估方法能够实现对hs融合图像质量的评估但是其有效性存在不确定，因为实际应用当中并没有高空间分辨率hs图像(理想的融合图像)作为融合结果的参考，因此融合图像无法使用有参考的方法进行实时的评估。此外，一些其它因素如有参考评估的空间退化策略所遵循的尺度不变(scale invariance)假设具有局限性，退化使用的mtf滤波器参数获取十分有限等等，导致有参考评估的理论体系仍不完善。

5、现有的全色锐化图像质量的无参考评估方法直接应用在hs融合图像上时效果较差。常用的全色锐化图像融合质量评估方法如qnr,fqnr(filter-based qnr),hqnr(hybridqnr)等都是根据ms和pan图像融合过程以及全色锐化图像特点专门设计的方法，将其应用在hs融合图像上时的有效性、准确性和实时性均存在局限。例如，qnr类方法需要两两波段间进行数值计算，而高光谱图像具有数十甚至上百个波段，使用qnr方法来评估hs融合图像需要大量的计算，时效性差。另一方面，全色锐化过程和hs融合过程有很大区别，两种融合所涉及的mtf滤波器不同，且全色锐化过程的融合输入的ms和pan图像一般来自同一个卫星平台，而现有的hs融合，其输入图像(包括ms图像、pan图像和hs图像)大多来自不同的卫星平台，因此全色锐化图像质量评估方法直接应用在hs融合图像评估上时的有效性和准确性并不可靠。

技术实现思路

1、本发明的目的是提供一种面向高光谱遥感图像融合的无参考质量评估方法，以解决现有技术需要两两波段间进行数值计算进而导致评估时间过长，以及全色锐化无参考评估方法无法直接应用到融合图像的问题。

2、本发明采用以下技术方案：一种面向高光谱遥感图像融合的无参考质量评估方法，包括：

3、步骤1：将原始低空间分辨率的高光谱图像和原始高空间分辨率的多光谱图像进行融合得到融合图像；

4、步骤2：利用波段质心计算算法分别计算出融合图像和多光谱图像的每个波段的质心值，然后利用波段分组算法将融合图像和多光谱图像的波段进行分组并得到多个分组；

5、步骤3：提取各分组的高频系数、低频系数的奇异值和ds系数；

6、步骤4：对高频系数、低频系数的奇异值和ds系数的fdd特征分别进行提取fdd特征并级联得到综合fdd特征，计算综合fdd特征与标准fdd特征的距离，最后根据该距离值判断融合图像的质量。

7、进一步地，步骤4包括：

8、步骤401：统计高频系数、低频系数的奇异值和ds系数的首位数字相同的数量；

9、步骤402：计算首位数字不同的高频系数、低频系数的奇异值和ds系数在总数的各个占比，并得到有关占比的高频系数、低频系数的奇异值和ds系数的fdd特征，并级联得到综合fdd特征。

10、进一步地，步骤402中计算首位数字不同的高频系数、低频系数的奇异值和ds系数在总数的各个占比的计算方法为：

11、

12、式中，qi(a)为第gi组中高频系数中首位数字为a的系数数量，a＝1,2,…,9，ki为第gi组中高光谱图像的波段数量，k为波段分组的数量，ph(a)为各系数中a作为首位数字所占比例，s为波段图像的行数，w为波段图像的列数。

13、进一步地，步骤4中计算综合fdd特征与标准fdd特征分布间的距离的方法为：

14、

15、式中，qfdd为综合fdd特征与标准fdd特征分布间的距离，kl(·)为计算两向量之间的kl散度，vfdd为综合fdd特征，vbf为标准fdd特征。

16、本发明的有益效果是：

17、本发明利用本福德定律首先对融合图像在多个变换域上提取首位数字分布特征，再将这些特征和标准本福德定律进行对比，最后得到客观评估结果；

18、本发明表明原始高空间分辨率的多光谱图像的高频系数、离散小波变换低频系数的奇异值和ds系数的fdd特征符合标准本福德定律；

19、本发明考虑了hs融合图像的特点，将hs融合图像和ms图像分为多个组，并对每个组进行特征提取，避免了hs融合图像多个波段间大量的无效计算，因此本发明计算量少，时效性高；

20、本发明判断融合图像的质量时，将图像中提取的fdd特征和标准fdd特征进行对比得到结果，无需借助高空间分辨率的hs图像作为参考，实现了hs融合图像的无参考质量评估。