IHS遙感影象融合演算法綜述
一、多光譜影象MS和全色影象PAN
大部分衛星提供的遙感影象分為兩類,一類是
多光譜影象,另一類是
全色影象。
有四個通道,分別為
,即紅、綠、藍、近紅外。
多光譜影象和普通的
影象是一樣的,只不過多了一個近紅外的通道。
只有一個全色通道,其中全色是指全部可見光波段
,全色影象為這一波段範圍的混合影象。因為
只有一個通道,所以為灰度圖片,但
具有較高的空間解析度,其解析度在長和寬上一般是
的4倍,共16倍。一個具體的例子為:多光譜影象 4@800x800,全色影象 1@3200x3200。
由於
具有較高的頻譜解析度(共四個通道),
具有較高的空間解析度(尺寸為16倍),所以我們嘗試融合
和
,得到頻譜解析度、空間解析度均較高的融合影象,一般稱這種過程為
銳化(Pan-sharpening)
,為了直觀,我們下面均將這種過程稱為
融合。
近年來,許多優秀的融合演算法被提出。它們大致可以分為四類:分量替換(CS)[包括IHS變換,GS,主成分分析PCA],多解析度分析(MRA),變數運算(VO)以及深度學習(DL)。本文主要對分量替換中的IHS變換作出綜合敘述。
二、IHS色彩空間與RGB色彩空間
是我們最常見的一種色彩空間,其是Red-Green-Blue的縮寫,意即RGB有
紅-綠-藍
三個通道。
也是一種色彩空間,是Intensity-Hue-Saturation的縮寫,意即IHS有
強度-色調-飽和度
三個通道。
色彩空間轉換為
色彩空間稱為
正變換,反之則稱為
反變換。
正變換:
反變換:
其中,
為強度分量,
為中間變數,色調分量
和飽和度分量
由下式得到:
在影象融合中,一般是對
進行
變換,但
變換隻能對
三通道的影象進行,而
有
四通道。如何解決這個問題將在後文具體闡述,我們先暫且認為
只有
三個通道,作為第 三小節的基本前提。
三、融合的基本思想
對
進行
正變換之後,我們認為強度分量
剔除了影象的顏色資訊,只包含影象的空間資訊。 於是我們大膽地假設
的強度分量
和
具有類似的空間結構,直接用
替換強度分量
,再進行
反變換,得到最終的融合影象。
具體的流程如下:
① 將
上池化,提高影象尺寸至與
一致。之後通常也會進行直方圖匹配。
② 對
作
正變換。
③ 用
替換強度分量
④ 對替換後的三分量作
反變換
四、FIHS
Te-Ming Tu等人於2004發表的《A fast intensity-hue-saturation fusion technique with spectral adjustment for IKONOS imagery》對基礎的IHS變換在銳化上的應用作出了開創性的改進,拓展到了
通道,即任意通道。其數學原理非常簡單,只是對第三小節的過程作了些許改寫。
我們將③④步歸併,有:
我們把
展開,有:
在沒有用
替換強度分量
時,我們也將公式展開:
對比兩式得到,做完矩陣乘法後兩式的
均相同,於是可以得到:
上式即為融合影象與原始影象之間的關係,這個式子可以很方便地拓展到
通道:
其中
表示
的第
個通道。
這樣我們就解開了之前的疑惑,對於四通道的
,有:
我們發現
融合方法,只用到了強度分量
,而與
無關。而事實上,強度分量
是
四個通道的平均值,所以我們不再需要變換矩陣
,也不用再做正變換反變換,直接用上式求出
後即可完成影象融合。
五、AIHS
根據第三小節和第四小節的思想,我們可以很順利地完成融合,計算效率很快,融合結果的空間解析度好但光譜失真嚴重,部分原因是強度分量
是
四個通道的平均值,與
圖差異過大。
Sheida Rahmani等人在2010年發表的《An Adaptive IHS Pan-Sharpening Method》中基於
儘可能逼近強度分量
可減少光譜失真的假設,欲令:
其中
為自適應引數,透過約束方程求解:
在該文獻中,還引入了邊沿檢測運算元
來提取
的邊緣資訊,以便更好地融合:
其中
。
最後利用得到的邊沿檢測運算元完成影象融合:
下面放出原始影象融合式作對比:
可見邊沿檢測運算元
是對
的平滑處理,在一定程度上減少了光譜失真。
六、IAIHS
在第五小節的AIHS方法中,邊沿檢測運算元
僅僅考慮了
的邊緣資訊,而沒有考慮
的邊緣資訊。在2014年發表的《An Improved Adaptive Intensity–Hue–Saturation Method for the Fusion of Remote Sensing Images》中,引入基於
的邊緣檢測運算元
:
其中
代表第
個通道。
與上文提到的基於
的邊沿檢測運算元
互相對稱:
透過權衡
和
,得到一個加權的邊緣檢測運算元
:
。
其中
是超引數,需要手動調參。
最後利用得到的全新邊緣檢測運算元
完成融合:
七、IAIHS with
在2015年發表的《An improved adaptive IHS method for image fusion》中,在IAIHS的基礎上更進一步,提出了全新的邊緣檢測運算元
:
相比於IAIHS,運算元固定的超引數
換成了
,即上文最佳化目標函式
中的
,接又把前面隨著通道數
而固定的
換成了一個可以隨著通道數
變化的的衰減因子
(不同
可以取不同的
)。
最後利用得到的邊緣檢測運算元
完成融合:
八、AWIHS
以往發表的文獻中,都僅僅致力於
的資訊融合到
中,得到一個融合影象。而在2021年發表的《A Novel Adaptive Hybrid Fusion Network for Multiresolution Remote Sensing Images Classification》中,提出了
和
雙融合演算法,得到彼此加強的兩個融合影象。
① 在
資訊融合到
的支路中,邊緣檢測運算元
為:
此式無任何超引數,均為自適應引數,在一定程度上進一步減少了光譜失真。
最後利用得到的邊緣檢測運算元
完成融合:
② 在
資訊融合到
的支路中:
當
時,上式就會退化成下式:
此公式以另一種形式對稱地重現了
這個因子,其中
也可以類比作邊緣檢測運算元。
另,頭圖即為AWHIS的流程圖,不過本文為了統一符號,將圖中的
替換成了
,
在上面的特殊情況下為
。
九、參考文獻
[1] IHS遙感影象融合演算法及其相關的演算法_Chaolei3的部落格-CSDN部落格
[2] 王萬同, 李 銳。 基於IHS的高解析度遙感影像自適應融合演算法[J]。 計算機工程與應用, 2010, 46(31): 22-24。
[3] Te-Ming Tu, Shun-Chi Su, Hsuen-Chyun Shyu, Ping S。 Huang, A new look at IHS-like image fusion methods, Information Fusion, Volume 2, Issue 3, 2001。
[4] Te-Ming Tu, P。 S。 Huang, Chung-Ling Hung and Chien-Ping Chang, “A fast intensity-hue-saturation fusion technique with spectral adjustment for IKONOS imagery,” in IEEE Geoscience and Remote Sensing Letters, vol。 1, no。 4, pp。 309-312, Oct。 2004, doi: 10。1109/LGRS。2004。834804。
[5] S。 Rahmani, M。 Strait, D。 Merkurjev, M。 Moeller and T。 Wittman, “An Adaptive IHS Pan-Sharpening Method,” in IEEE Geoscience and Remote Sensing Letters, vol。 7, no。 4, pp。 746-750, Oct。 2010, doi: 10。1109/LGRS。2010。2046715。
[6] Y。 Leung, J。 Liu and J。 Zhang, “An Improved Adaptive Intensity–Hue–Saturation Method for the Fusion of Remote Sensing Images,” in IEEE Geoscience and Remote Sensing Letters, vol。 11, no。 5, pp。 985-989, May 2014, doi: 10。1109/LGRS。2013。2284282。
[7] Ting Wang “An improved adaptive IHS method for image fusion”, Proc。 SPIE 9817, Seventh International Conference on Graphic and Image Processing (ICGIP 2015), 98170D (9 December 2015)。
[8] W。 Ma et al。, “A Novel Adaptive Hybrid Fusion Network for Multiresolution Remote Sensing Images Classification,” in IEEE Transactions on Geoscience and Remote Sensing, vol。 60, pp。 1-17, 2022, Art no。 5400617, doi: 10。1109/TGRS。2021。3062142。