基于pcgp的多源遥感影像融合识别方法及其中pcgp的应用
技术领域
1.本发明涉及遥感图像处理领域，更具体的说是基于pcgp的多源遥感影像融合识别方法及其中pcgp的应用。
背景技术：2.目标信息获取、融合与识别是国家优先发展领域，为适应未来应用多种传感器对目标进行智能识别的应用需求。
3.其中，多种传感器融合的目的是将多个不同传感器的影像特征融合到单一影像上，弥补单一传感器的不足，增加影像信息量，但由于不同传感器在成像原理和影像特点上存在较大差异，所以为多源遥感影像的融合带来一定的困难。
4.传统的pca变换融合法直接将第一主分量进行替换，再与其余分量重新组合进行pca逆变换获得融合影像，得到的融合效果具有较好的光谱分辨率优势，然而清晰度却很一般；传统的梯度金字塔分解融合算法将图像进行多尺度、多分辨率分解，且每一分解层包含4个方向细节信息，将金字塔图像每一层各方向分别融合，再重构原图像得到融合图像，融合效果空间分辨率较高，细节保持良好，然而光谱信息会存在一定的损失。近年来，如何在多源异构遥感影像融合中把空间分辨率和光谱分辨率同时保留下来，且不损失传感器独特的优势信息一直是研究的热门问题。
技术实现要素：5.本发明提供基于pcgp的多源遥感影像融合识别方法及其中pcgp的应用，目的是可以提高识别准确率。
6.上述目的通过以下技术方案来实现：
7.基于pcgp的多源遥感影像融合识别方法，包括以下步骤：
8.s1、对高分二号rgb波段数据和高分六号红边波段数据进行预处理后再应用pcgp算法，得到融合影像一；
9.s2、对高分三号sar影像和高分二号全色影像先进行预处理再应用pcgp算法，得到融合影像二；
10.其中，pcgp算法包括pca变换和梯度金字塔分解融合；
11.s3、将融合影像一以及融合影像二提取特征，以组成特征向量；
12.s4、将所述特征向量输入到svm分类器、rfm分类器和cnn分类器中进行影像分类，基于不同分类器输出的分类识别结果，分别得到识别结果；
13.s5、所述识别结果应用ds证据理论决策级融合算法，得到最终的识别影像。
14.一种采用上述pcgp在光学与sar影像融合识别上的应用。
附图说明
15.图1显示了基于pcgp的多源遥感影像融合识别方法；
16.图2为pcgp算法流程图；
17.图3为多源遥感影像融合架构图；
18.图4为多源遥感影像的预处理流程图；
19.图5为光学与sar影像融合识别流程图；
20.图6显示了实测遥感影像基于pcgp算法的融合结果。
具体实施方式
21.一种基于pcgp的多源遥感影像融合识别方法，其中包括pcgp算法、多源遥感影像融合架构设计、遥感影像预处理和光学与sar影像融合识别。
22.其中，如图1所示，pcgp算法的实现过程如下：
23.(1)对原始图像进行变换：
24.f＝a
t
[f-e(f)]
[0025]
其中f为原始图像，a为原始图像f的协方差矩阵的特征向量构成的变换矩阵，f为原始图像f变换后的图像；
[0026]
(2)设所述变换后的图像f作为高斯金字塔的零层g0，对变换后的图像f 进行塔形分解：
[0027]gl
＝[g
l-1
*w(m,n)]
↓2[0028]
其中0《l《n，n为金字塔总层数，w(m,n)为5
×
5的窗口函数；
[0029]
(3)对图像高斯金字塔的最高层除外的各分解层分别进行梯度方向滤波：
[0030]dlk
＝dk*(g
l
+w0*g
l
)
[0031]
0《l《n,k＝1,2,3,4
[0032]
其中dk表示第k方向梯度滤波算子，w0为3
×
3的核，d
lk
表示第l层第k 方向梯度塔形图像；
[0033]
(4)对金字塔图像每一层各方向分别融合后，将梯度金字塔转换为fsd型拉普拉斯金字塔：
[0034][0035]
(5)将fsd型拉普拉斯金字塔图像变换为拉普拉斯金字塔图像：
[0036]
lp
l
＝(i+w)*l
l
[0037]
(6)引入expand算子，由拉普拉斯金字塔图像重构所述变换后的图像f1，获得重构原图像f1；
[0038]
f1＝lp0+expand(lp1)+expand(expand(lp2))+
…
+ expand(expand(lpn))；
[0039]
(7)对重构原图像f1与其他主成分变量进行逆变换，得到融合图像f1：
[0040]
f1＝af+e(f)。
[0041]
所述pcgp算法包括pca变换和梯度金字塔分解组成，适用于不同传感器影像的融合，融合效果既能保留影像各自的优势特征，也可以突出具有特有数据信息的目标。
[0042]
其中，如图2所示，多源遥感影像融合架构设计包括对多源异构遥感影像应用pcgp算法，首先获取各个影像数据的主成分变量，再将其中的第一主分量进行直方图匹配，消除起伏特征等造成的影响，再利用算法中的梯度金字塔分解第一主分量并获取金字塔每层影
像四个方向上的梯度信息，将不同的分解层、不同方向细节影像采用不同的融合算子进行融合处理，再进行逆塔形变换，对得到重构的新的第一主分量和影像其他主分量一起应用逆变换，最终实现多源遥感影像的融合；
[0043]
具体的：
[0044]
(1)对遥感影像一进行pca变换，得到第一主分量；
[0045]
(2)对遥感影像二进行pca变换，得到第一主分量；
[0046]
对(2)中所得的遥感影像二的第一主分量以及(1)中所得的遥感影像一的第一主分量进行直方图匹配；
[0047]
(3)将(2)中得到匹配后的两个第一主分量应用梯度金字塔分解融合算法，得到遥感影像一的新的第一主分量；
[0048]
(5)得到的新的主成分变量(主分量)和影像其他主成分变量进行pca逆变换，最终得到融合影像。
[0049]
该架构应用于光学与sar影像的融合，充分利用了光学影像的分辨率优势以及sar影像的强散射特性，具有较好的融合效果。
[0050]
其中，如图4所示，多源遥感影像的预处理部分的具体步骤为：
[0051]
(1)对高分二号多光谱影像和高分六号多光谱影像利用envi软件进行辐射定标、大气校正和正射校准；
[0052]
对(1)中得到的高分二号多光谱提取其rgb波段，得到预处理后的高分二号多光谱融合数据；
[0053]
对(1)中得到的高分六号多光谱提取五、六红边波段，并对两个红边波段取平均，得到预处理后的高分六号多光谱影像融合数据；
[0054]
对高分二号全色影像利用envi软件进行辐射定标和正射校准，得到预处理后的高分二号全色融合数据；
[0055]
对高分三号sar影像进行双边滤波，抑制相干斑噪声，得到预处理后的高分三号sar融合数据。
[0056]
其中，如图5所示，光学与sar影像融合识别部分的具体步骤为：
[0057]
(1)对预处理后的高分二号rgb波段数据与预处理后的高分六号红边波段数据应用pcgp算法，得到融合影像一；
[0058]
(2)对预处理后的高分三号sar影像与预处理后的高分二号全色影像应用 pcgp算法，得到融合影像二；
[0059]
(3)将(1)和(2)中得到的融合影像提取纹理特征、hog特征和矩特征，组成特征向量；
[0060]
(4)将(3)中所得的特征向量输入到向量机分类器(svm)、随机森林分类器(rfm)、和cnn分类器中进行训练，分别得到识别结果；
[0061]
(5)将(4)中得到的识别结果应用ds证据理论决策级融合算法，得到最终的识别影像。
[0062]
上述中，光学与sar影像融合识别部分具体分为两个阶段：
[0063]
(1)在特征提取分类识别阶段；(2)应用pcgp算法融合、特征提取分类识别。
[0064]
其中，在应用pcgp算法融合阶段，利用pcgp算法对高分二号多光谱rgb 波段数据
与高分六号红边波段数据进行融合得到融合影像一，突出了作物信息的同时提高影像的光谱分辨率；对高分二号全色影像和高分三号sar影像进行融合得到融合影像二，保留sar影像强散射特性目标的同时增强影像的空间分辨率。
[0065]
最后，实测光学与sar影像基于pcgp算法的融合结果如图6所示，本技术利用遥感影像处理技术、深度学习技术，更好的满足了多源异构遥感影像的融合识别需求，充分利用不同传感器的影像特征融合到单一影像上，弥补单一传感器的不足，增加影像信息量，为遥感目标的判读和分析带来极大方便。
技术特征：1.基于pcgp的多源遥感影像融合识别方法，包括以下步骤：s1、对高分二号rgb波段数据和高分六号红边波段数据进行预处理后再应用pcgp算法，得到融合影像一；s2、对高分三号sar影像和高分二号全色影像先进行预处理再应用pcgp算法，得到融合影像二；其中，pcgp算法包括pca变换和梯度金字塔分解融合；s3、将融合影像一以及融合影像二提取特征，以组成特征向量；s4、将所述特征向量输入到svm分类器、rfm分类器和cnn分类器中进行影像分类，基于不同分类器输出的分类识别结果，分别得到识别结果；s5、所述识别结果应用ds证据理论决策级融合算法，得到最终的识别影像。2.根据权利要求1所述的识别方法，所述s1中预处理包括以下步骤：a1、对高分二号多光谱影像利用envi软件进行辐射定标、大气校正和正射校准；a2、对所述a1中得到的高分二号多光谱影像提取其rgb波段，得到预处理后的高分二号多光谱融合数据；a3、对高分二号全色影像利用envi软件进行辐射定标和正射校准，得到预处理后的高分二号全色融合数据。3.根据权利要求2所述的识别方法，所述s1中：所述高分六号红边波段数据通过对高分六号多光谱影像提取五、六红边波段，并对其求和取平均得到。4.根据权利要求3所述的识别方法，所述s1中预处理还包括以下步骤：b1、对高分六号多光谱影像利用envi软件进行辐射定标、大气校正和正射校准；b2、对所述b1中得到的高分六号多光谱影像提取红边波段，并对两个红边波段取平均，得到预处理后的高分六号多光谱影像融合数据。5.根据权利要求1所述的识别方法，对所述s2中预处理包括：对高分三号sar影像进行双边滤波，抑制相干斑噪声，得到预处理后的高分三号sar融合数据。6.根据权利要求1所述的识别方法，所述提取特征包括纹理特征、hog特征和矩特征。7.根据权利要求1所述的识别方法，应用pcgp算法得到融合影像时，包括以下步骤：d1、对遥感影像一进行pca变换，得到第一主成分变量；d2、对遥感影像二进行pca变换，得到第一主成分变量；d3、对遥感影像二的第一主成分变量与遥感影像一的第一主成分变量进行直方图匹配；d4、将两个第一主成分变量应用梯度金字塔分解融合算法，得到遥感影像一的新的第一主成分变量；d5、对所述新的第一主成分变量和遥感影像一的主成分变量一起进行pca逆变换，最终得到融合影像。8.根据权利要求7所述的识别方法，所述梯度金字塔分解融合算法包括：获取金字塔每层影像四个方向上的梯度信息，将不同的分解层以及不同方向细节影像采用不同的融合算子进行融合处理，所述四个方向分别是横向、纵向以及两个对角线方向。
9.根据权利要求8或1所述的识别方法：所述pcgp算法的实现过程包括以下步骤：e1、对原始图像进行变换：f＝a
t
[-e(f)]其中f为原始图像，a为原始图像f的协方差矩阵的特征向量构成的变换矩阵，f为原始图像f变换后的图像；e2、设所述变换后的图像f作为高斯金字塔的零层g0，对变换后的图像f进行塔形分解：g
l
＝[g
l-1
*w(m,n)]
↓2其中0<l<n，n为金字塔总层数，w(m,n)为5
×
5的窗口函数；e3、对图像高斯金字塔的最高层除外的各分解层分别进行梯度方向滤波：d
lk
＝d
k
*(g
l
+w0*g
l
)0<l<n,k＝1,2,3,4其中d
k
表示第k方向梯度滤波算子，w0为3
×
3的核，d
lk
表示第l层第k方向梯度塔形图像；e4、对金字塔图像每一层各方向分别融合后，将梯度金字塔转换为fsd型拉普拉斯金字塔：e5、将fsd型拉普拉斯金字塔图像变换为拉普拉斯金字塔图像：lp
l
＝(i+w)*l
l
e6、引入expand算子，由拉普拉斯金字塔图像重构所述变换后的图像f1，获得重构原图像f1；f1＝lp0+expand(lp1)+expand(expand(lp2))+
…
+expand(expand(lp
n
))；e7、对重构原图像f1与其他主成分变量进行逆变换，得到融合图像f1：f1＝af+e(f)。10.一种根据权利要求9所述的pcgp在光学与sar影像融合识别上的应用。
技术总结本发明涉及遥感图像处理领域，更具体的说是基于PCGP的多源遥感影像融合识别方法及其中PCGP的应用。所述识别方法，包括PCGP算法、多源遥感影像融合架构设计、遥感影像预处理和光学与SAR影像融合识别四个部分；PCGP算法部分给出PCGP算法的具体原理，多源遥感影像融合架构设计部分阐明融合架构设计具体细节，遥感影像预处理部分完成数据处理并提取数据信息，光学与SAR影像融合识别部分基于PCGP算法、所设计的多源遥感影像融合架构和遥感影像的预处理，对光学与SAR影像进行测试，实现融合识别功能。能。能。
技术研发人员：张朋永 张云 王众娇 宿丽 魏茂盛 高磊 邵文杰
受保护的技术使用者：哈尔滨工业大学
技术研发日：2022.04.06
技术公布日：2022/7/4
