[发明专利]一种基于方向权值经验模式分解的遥感图像融合方法

说明书

本发明首先运用方向权值经验模式分解方法对采集到的源图像进行多尺度分解，获得每幅源图像的多级尺度的高频内蕴模式分量，对各级分量按照权值规则进行融合处理，保留了所有源图像的细节信息和能量分布，最后反向重构获取融合图像。本发明有益效果：与传统经验模式分解相比，克服了运算速度慢和分解结果有暗斑和边缘重叠的问题。获得各级分量按照权值规则进行融合处理，可最大化的融合细节信息，减少非细节信息的影响，保留各分量的能量分布。

技术领域

本发明涉及图像融合技术领域，具体地说是一种基于方向权值经验模式分解的遥感图像融合方法。

背景技术

目前，基于多分辨率、多尺度分解的融合算法，在图像融合中得到广泛应用。各国研究者提出Wavelet变换、Ridgelet变换、Curvelet变换、Contourlet变换和Bandelet变换等多种小波和超小波变换的处理方法，就是这方面的重要研究成果。但无论是基于那种小波，在图像融合中都存在一个问题：融合后的图像会在局部位置出现畸变。因此，工程界和数学界从未停止过探索更好的分解算法。

1999年，美国宇航局的Norden E.Huang教授发明了经验模式分解算法(EmpiricalMode Decomposition，EMD)，能将非稳定非线性信号按频率做自适应分解。二维经验模式分解是一维EMD分解算法在二维平面上的推广，可用于图像数据的分析和处理，通过将原始图像自适应的分解为有效数量的子图像，可以将图像从高频到低频的局部窄带细节信息内蕴模式分量分解出来，剩余分量表示图像的趋势。分解出来内蕴模式分量具有当前图像的纹理信息。但传统二维经验模式分解有两个缺陷：一是循环迭代次数太多，影响运算速度；分解得到的内蕴模式分量图像中有暗斑或边缘重叠。因此两缺陷严重影响了传统二维经验模式分解在图像处理领域中的应用。快速经验模式分解算法可有效解决传统二维经验模式分解的缺陷，又保留了传统二维经验模式分解自适应分解特性。但方向权值经验模式分解算法其应用还处于起步阶段，少有关于图像融合的讨论，基于方向权值经验模式分解算法的融合规则也少有具体实现，需深入探索。

综上，目前现有的融合技术应用于遥感图像融合，还存在一些不足：基于小波、超小波的融合图像会出现局部畸变，传统经验模式分解方法分解得到的内蕴模式分量图像暗斑或双边缘都对融合结果有很大的影响。

发明内容

本发明所要解决的技术问题是提供一种基于方向权值经验模式分解的遥感图像融合方法，解决传统经验模式分解方法出现局部畸变，导致融合效果不够理想等缺陷。

本发明为解决上述技术问题所采用的技术方案是：一种基于方向权值经验模式分解的遥感图像融合方法，包括以下步骤：

步骤一、运用方向权值经验模式分解算法将匹配好的待融合源图像分别进行相同级数的分解，得到源图像的多尺度多向的内蕴模式函数分量imf_ij和剩余分量r_i其中i＝1,2,…,m，m为待融合图像的数量，j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数；

步骤二、将相同级的待融合图像的内蕴模式函数分量imf_ij和剩余分量r_i进行融合处理，产生融合图像的第j级内模分量IMF_j和剩余分量R；

步骤三、将IMF_j和R反向重构得到融合图像I′：

优选的，本发明所述步骤一中对每个待融合图像进行分解的方法为：

(1)初始化：令r₀＝I,j＝1，I表示的是源图像；

(2)根据分解层数，进行以下操作：

(a)令h₀＝r_j-1,i＝1，其中i表示内部第i次筛选，j为分解第j级内蕴模式分量；