[发明专利]一种基于光谱特性的Shearlet域多光谱与全色图像融合方法

摘要

本发明涉及一种基于光谱特性的Shearlet域多光谱与全色图像融合方法，其包括以下步骤(1)对多光谱影像进行IHS变换；(2)将BIMFs和全色图像分别进行Shearlet变换分解，并获得其各自的一个低频子带和若干高频子带；(3)建立融合规则选择融合系数低频系数利用拉普拉斯金字塔分解，通过比较取大法选择低频融合系数；通过基于双通道脉冲耦合神经网络(PCNN)的融合规则融合对应的高频系数；(4)通过IHS逆变换，得到最终融合后图像。本发明融合算法在增强空间细节表现能力的同时尽可能保护了图像的光谱信息，改善了融合效果。

主权项

一种基于光谱特性的Shearlet域多光谱与全色图像融合方法，其特征在于，包括以下步骤：(1)对多光谱影像进行IHS变换，得到亮度分量PI、色度分量PH、饱和度分量PS，将多光谱影像的亮度分量PI通过二维经验模态分解BEMD得到频率从高到低排列的n‑1个二维内蕴模函数BIMFt,t＝1,2,...n‑1,n>3和余量res；(2)计算n‑1个二维内蕴模函数BIMFt的能量并排序，统计能量排序前三的分量之和BMS，将BMS和全色图像IPAN分别通过Shearlet变换分解，分解层数为三层，获得各自的一个低频子带：和三层高频子带：m＝1,2,3，二维内蕴模函数BIMFt能量的计算公式如式(1)所示：E(BIMFt)=(Σx=1iΣy=1jD(x,y)2t)---(1)]]>其中，D(x,y)t为BIMFt的系数，i,j分别表示BIMFt的行数和列数；(3)建立融合规则选择融合系数：利用拉普拉斯金字塔分解低频系数，得到对应分解系数LMS,ij和LPAN,ij，通过式(2)所示的比较取大法选择低频融合系数LF,ij：LF,ij=LMS,ij,if(LMS,ij≥LPAN,ij)LPAN,ij,if(LMS,ij<LPAN,ij)---(2)]]>通过基于双通道脉冲耦合神经网络制定的融合规则融合对应的高频系数，具体如下：①将分别输入双通道脉冲耦合神经网络的两个输入端，利用式(3)计算系数的对比敏感度因子CSF作为双通道脉冲耦合神经网络的外部激励；CSF(f)＝2.6×(0.0192+0.114f)exp[‑(0.114f)1.1]   (3)其中，是空间频率；fx、fy分别是水平和竖直方向的空间频率，fx=1MNΣi=0M-1Σj=1N-1[f(i,j)-f(i,j-1)]2---(4)]]>fy=1MNΣi=1M-1Σj=0N-1[f(i,j)-f(i-1,j)]2---(5)]]>其中，M为源图像行数，N为源图像列数；②根据公式(6)比较得到各方向子带的融合系数：HF,ijm,k=BMS,ijh,m,ifCSF(BMS,ijh,m)>CSF(IPAN,ijh,m)IPAN,ijh,m,ifCSF(BMS,ijh,m)<CSF(IPAN,ijh,m)---(6)]]>其中，m和k分别指第m层分解，第k个方向子带，是高频子带在(i,j)点的系数；③利用Shearlet反变换重构LF,ij和得到融合系数FI，利用公式(7)得到新亮度分量PI':PI'＝FI+res   (7)其中，res是步骤(1)得到的余量；(4)将新亮度分量PI'、色度分量PH、饱和度分量PS进行IHS逆变换，得到最终融合图像。