基于Gram-Schmidt的图像融合方法概述

基于Gram-Schmidt的图像融合方法概述

摘 要 遥感图像融合的目的是综合来自不同空间分辨率和光谱分辨率的遥感信

息，生成一幅具有新空间特征和波谱特征的合成图像。它具有重要的意义和广泛的应用前景。而由于采用的算法或变换方法的不同，融合方法有多种。在众多的融合方法相互比较的过程中，我们发现Gram-Schmidt具有较高的图像保真效果，是一种高效的图像融合方法。由于该算法在遥感图像融合中的应用尚处于起步阶段，对于Gram-Schmidt光谱锐化高保真的影像融合算法的了解尚不全面。对此，对Gram-Schmidt的原理、方法、优势等做了较为详尽的介绍。

关键词 遥感 融合 保真 Gram-Schmidt 概述

1 引 言

对于光学系统的遥感影像，其空间分辨率和光谱分辨率一直存在着不可避免矛盾。在一定的信噪比的情况下，光谱分辨率的提高必然导致牺牲空间分辨率为代价。然而，通过将较低空间分辨率的多光谱影像和较高空间分辨率的影像的全色波段影像的融合，可以产生多光谱和高空间分辨率的影像。因此，各种基于不同算法的融合方法得到了迅速地发展和广泛地应用。

随着遥感技术的发展，由于对图像解译和反演目标参数的需要，一些简单的融合方法在很大程度上已经无法满足对于光谱信息保持，空间纹理信息增加的迫切需求。例如，对于检测植被活力和生长状态，反演陆地生产力，进行环境评价和矿产勘测等，如果融合后的图像信息的保真度无法满足要求，将会导致错误结果的产生。

通常采用的遥感图像融合方法有IHS变换、Brovey变换、主成分变换、小波变换等。虽然，这些融合方法都能够增加多光谱影像的空间纹理信息特征。但IHS、Brovey、主成分变换等方法易使融合后的影像失真；小波变换光谱信息虽保真相对较好，但小波基选择困难，且计算相对复杂（李存军等，2004）。

基于Gram-schmidt算法的图像融合方法既能使融合影像保真度较好，计算又较为简单。本文将对该影像融合算法的原理、方法以及所具备的优势做较为详尽的介绍。

2 算法简介

- 1 -

Gram-Schmidt算法，即Gram-Schmidt正交化算法，是数值线性代数中的基本算法之一。在数学上，该算法经常用于计算矩阵A∈Rm×n的QR分解，其中Q是正交矩阵，R是上三角矩阵。（赵韬等，2007）

数学上一种优良的算法的产生，往往意味着其它相关技术领域的一次新的革命。然而，这样的算法普及需要经历较为漫长的阶段，Gram-Schmidt算法也不例外。该算法最早于上世纪70年代初由Schmidt提出，而真正应用于遥感领域始于21世纪初，最初的算法称为经典Gram-Schmidt算法(Class Gram-Schmidt,CGS)。随后，为了提高CGS算法的数值稳定性，人们提出很多改进的Gram-Schmidt算法。例如，修正的Gram-Schmidt(MGS)算法和迭代的classical Gram-Schmidt(ICGS)算法。由于经典和修正Gram-Schmidt正交化算法基于level 1/2 BLAS运算，低级BLAS运算对cache的利用率比较低，从而限制了算法性能。

构造正交基经常是Krylov子空间方法求解线性代数问题的关键步骤。一般地，可以通过经典Gram-Schmidt(CGS)算法或修正Gram-Schmidt(MGS)算法计算矩阵A的QR分解从而获得正交基。CGS和MGS在数学上等价，然而由于舍入误差的存在，这2种Gram-Schmidt算法产生的矩阵Q的正交性在应用上往往不能达到机器精度。（赵韬等，2009）文献【10】对该算法进行了改进，提高了应用中的机器精度。

以下对Gram-Schmidt正交化过程做详尽介绍（同济大学数学系，2007）：

设{u1，u2，…，un}是一组相互独立的向量，通过Gram-Schmidt可构造正交向量{v1，v2，…，vn}。取

v1?u1；[v1,u2]v1；[v1,v1]??????v2?u2-vn?un-

[v1,un][v2,un][vn-1,un]v1-v2-...vn-1，[v1,v1][v2,v2][vn-1,vn-1]容易验证{v1，v2，…，vn}两两正交，且{v1，v2，…，vn}与{u1，u2，…，un}等价。上述从相互独立的向量{u1，u2，…，un}导出正交向量组{v1，v2，…，vn}的过程，称为Gram-Schmidt正交化过程。

通过这样的正交化变换过程，可以消除矩阵的冗余信息。同时，由于Gram-Schmidt正交化具有良好的数值稳定性而被广泛应用于各个领域。本文主要探讨其在遥感领域的应用。

3 Gram-Schmidt光谱锐化方法介绍

GS光谱锐化方法（Gram-Schmidt Spectral Sharpening）是一种图像融合方法。将Gram-Schmidt算法应用到遥感图像处理上始于1998年，GS光谱锐化方法随着诞生。该图像融合方

- 2 -

法为Laben和Brover所创，最终成为Eastman Kodak（柯达公司）专利。它借助ENVI遥感图像处理软件，依靠组件更替战略，使得该融合方法得以广泛地推广和应用。（Bruno等，2006）

运用GS融合方法，如同其发明者所描述的那样：由于高空间分辨率全色图像和低空间分辨率多光谱图像的融合，多光谱图像的空间分辨率被提高。(Laben等，2000)

需了解GS光谱锐化方法，首先引入介绍经典的遥感图像融合方法：主成分变换（PC变换）。主成分变换是摇感数字影像处理中运用比较广泛的一种算法，是一种建立在统计基础上的多波段的正线性变换，变换中它将一组相关变量转化为一组原始变量不相关的线性组合。

而GS变换与传统的PC变换的区别在于：

（1）PC变换的第一分量PC1包含信息最多，而后面的分量信息含量依次减少，GS变换产生的各个分量只是正交，各分量间的信息量差异不十分明显；

（2）GS变换的另一个特点是变换后的第1个分量仍然为原变换前的第一个分量。其数值没有变化。

Gram-Schmidt光谱锐化融合具体步骤如下图(Laben等，2000)：

图1 Gram-Schmidt图像融合流程图

Gram-Schmidt光谱锐化图像融合的关键步骤可表述如下：

（1）使用多光谱低空间分辨率影像对高分辨率波段影像进行模拟（图1（1））。 模拟的方法有以下两种：?将低空间分辨率的多光谱段影像，根据权重Wi进行模拟，即

k模拟的全色波段影像灰度值P??Wi?1i?Bi（Bi为多光谱影像第i波段灰度值）；?将全色

波段影像模糊（可通过低通滤波或局域均值化处理，使其具有与多光谱图像相似的分辨率），然后取子集，并将其缩小到与多光谱影像相同的大小。

- 3 -

上述两种融合方法的融合结果，方法?空间信息增强效果较好，但由于光谱特征与GS反变换采用的全色波段存在差异，融合图像光谱特征存在一定扭曲；方法?的光谱保真度较好，而空间信息增强效果较差。为了改进融合图像的质量，既达到较好的空间信息增强效果，又保证较高的光谱保真度，利用高光谱图像的相关波段进行光谱重采样，以模拟全色地分辨率图像。

模拟的高分辨率波段影像信息量特性与高分辨率全色波段影像的信息量特征比较接近。模拟的高分辨率波段影像在后面的处理中被作为Gram-Schmidt第一分量进行GS变换。由于在GS变换中第一分量GS1没有变换，故模拟的高分辨率波段影像将被用来与高分辨率全色波段影像进行交换，这样可使信息失真少。

（2）利用模拟的高分辨率波段影像作为GS变换的第一个分量来对模拟的高分辨率波段影像和低分辨率波段影像进行GS变换（图1（2））。

该算法在运用到图像处理时，对GS变换进行了修改，将第T个GS分量由前T-1个GS分量构造，具体修改公式如下（李存军等，2004）：

T?1GST(i,j)?(BT(i,j)?uT)???(BT,GSl)?GSl(i,j)

i?1其中，GST是GS变换后产生的第T个分量，BT是原始多光谱影像的第T个波段影像，uT

是第T个原始多光谱波段影像灰度值的均值。

cRT??BuT?j?1i?1(i,j)(均值)C?R?(BT,GSl)??cR??(BT,GSl)?(协方差) 2??(GS,GS)ll??T（B??(i,j)?uT)(标准差)?T?j?1i?1C?R（3）通过调整高分辨率波段影像的统计值来匹配GS变换后的第一个分量GS1，以产生经过修改的高分辨率波段影像。修改方式见上式。该修改有助于保持原多光谱波段影像的光谱特征。

（4）将经过修改的高分辨率波段影像替换GS变换后的第一个分量，产生一个新的数据集。

（5）将新的数据集进行反GS变换（图1（3）），即可产生空间分辨率增强的多光谱影像。

- 4 -

GS反变换的公式如下（李存军等，2004）：

T?1BT(i,j)?(GST(i,j)?uT)????Bi?1T,GSl??GSl(i,j)

本算法有以下两个优点： ?一次处理得波段数没有限制；

?产生的搞空间分辨率多光谱影像不仅保持了低空间分辨率光谱的特新，且信息失真小。

4 应用优势

GS光谱锐化图像融合处理方法在遥感影像的融合处理中所表现的优势非常明显，以下是相关文献通过与其它融合方法比较后，得到的相关结论：

文献【3】中谈到，经过GS融合处理后的图像能够使图像有更高的对比度，比如植被覆盖地区能够更容易从耕地和建筑物中区分出来。（Konstantinos G.2009）

文献【4】通过比较得出：对于所有的空间信息评价指标来说，GS图像融合处理方法是最好的融合方法。主成分变换方法虽然不及GS图像融合方法，但是在这五种融合方法中也是较好的方法。对于ALOS(日本对地观测卫星)图像来说，PCA和GS是最好的选择。

另外，对于ALSO来说，GS图像融合方法优于其它方法的原因，不仅在于它能有效提高融合后的信息，还能保持包含在AVNIR-2(ALSO携带的一种具有高空间分辨率的新型传感器)影像中原有的光谱信息。（X. Chen等,2008）

文献【5】通过以Gram-Schmidt正交化算法作为基础，对传统的支SVM（Support Vector Machine）算法进行了改进，改进后通过比较发现，运用基于GS正交化的支持向量机降维方法是十分有效的。（冯甲策，2009）

文献【6】通过对各融合方法的比较，得出采用GS方法的融合图像与原图相比均值差异较小；从与原图像的相关性来看，GS方法融合后的影像相关性最强；从相对偏差来看，在几种融合方法中GS方法相对偏差较小。最后得出GS变换融合方法能在提高空间信息的同时又能保证高保真的光谱信息。同时，该文献通过对5种地物光谱曲线及其相关变化比较，各种融合后的影像光谱与原始光谱比较，GS变换同一地物的波谱曲线形状没有发生明显变化。（李存军等，2004）

文献【8】通过改进GS变换高光谱遥感图像融合方法，图像效果得到明显改善。改进后的GS变换图像融合方法融合的图像中水体等地物的色调编译较小，接近原始高光谱图像。图像中的桥梁、道路、建筑物的边缘等信息较为清晰。同时，改进后的GS变换融合方法标准差最接近原始图像，信息熵最大。（于海洋等，2007）

5 结 语

- 5 -

遥感影像融合有着广泛的应用前景。定量遥感不仅要求影像融合提高空间分辨率, 更重要的是保持影像光谱信息, 减少失真。

本文介绍了一种融合效果显著，但在遥感中应用尚不广泛的图像融合方法——基于Gram-Schmidt的图像融合方法。首先通过引入介绍Gram-Schmidt正交变换算法，再介绍基于该算法的光谱锐化图像融合处理方法的原理及相关步骤。最后综合其它相关文献资料表现GS图像融合处理方法在图像融合应用中的显著优势。基于Gram-Schmidt的图像融合方法具有保持原有影像光谱信息，并具有高保真等一系列特点。

有资料提及，虽然Gram -Schmidt 方法光谱信息保真很好，变换后同一地物光谱的波形也没有发生变化，但存在部分不同地物的光谱相互关系发生变化的问题。这就需要对Gram -Schmidt算法进行再一步的改进，以弥补其不足。

【参考文献】

[1]Bruno Aiazzi, Stefano Baronti, Massimo Selva. Enhanced Gram-Schmidt Spectral Sharpening Based[J]. IEEE Geoscience and Remote Sensing Symposium,2006,6:3806-3809.

[2]C. A. Laben, B. V. Brower. Process for enhancing the spatial resolution of multispectral imagery using Pan-sharpening[M]. U.S. Patent Tech. Rep., Eastman Kodak Company,2000,4.

[3]Konstantinos G. Nikolakopoulos. Spatial Resolution Enhancement of Hyperion Hyperspectral Data[J]. IEEE Hyperspectral Image and Signal Processing:Evolution in Remote Sensing,2009,8:1-4. [4]X. Chen, J. Wu, Y. Zhang. Comparison of Fusion Algorithms for ALOS Panchromatic and Multispectral

Images[J].

IEEE

International

Workshop

on

Geoscience

and

Remote

Sensing,2008,10:167-170.

[5]冯甲策,叶明,王惠文.Gram-Schmidt过程的支持向量机降维方法[J].计算机技术和发展,2009,19(11):7-10.

[6]李存军,刘良云,王纪华,王人潮.两种高保真遥感影像融合方法比较[J].中国图像图形学报,2004，9(11):1376-1385.

[7]同济大学数学系.工程数学-线性代数[M].北京:高等教育出版社,2007,5:113-115.

[8]于海洋,柏琨,甘甫平,迟文学,武法东.基于Gram Schmidt变换的高光谱遥感图像改进方法[J].地理与地理信息科学,2007,23(5):39-42.

[9]赵韬,刘俊,迟学斌.Gram-Schmidt算法及其并行实现[J].微电子学与计算机,2007,24(9):137-140. [10]赵韬,姜金荣.分块Gram-Schmidt正交化算法及其应用.中国科学院研究生院学报.2009,26(2):224-229.

- 6 -

遥感影像融合有着广泛的应用前景。定量遥感不仅要求影像融合提高空间分辨率, 更重要的是保持影像光谱信息, 减少失真。

本文介绍了一种融合效果显著，但在遥感中应用尚不广泛的图像融合方法——基于Gram-Schmidt的图像融合方法。首先通过引入介绍Gram-Schmidt正交变换算法，再介绍基于该算法的光谱锐化图像融合处理方法的原理及相关步骤。最后综合其它相关文献资料表现GS图像融合处理方法在图像融合应用中的显著优势。基于Gram-Schmidt的图像融合方法具有保持原有影像光谱信息，并具有高保真等一系列特点。

有资料提及，虽然Gram -Schmidt 方法光谱信息保真很好，变换后同一地物光谱的波形也没有发生变化，但存在部分不同地物的光谱相互关系发生变化的问题。这就需要对Gram -Schmidt算法进行再一步的改进，以弥补其不足。

【参考文献】

[1]Bruno Aiazzi, Stefano Baronti, Massimo Selva. Enhanced Gram-Schmidt Spectral Sharpening Based[J]. IEEE Geoscience and Remote Sensing Symposium,2006,6:3806-3809.

[2]C. A. Laben, B. V. Brower. Process for enhancing the spatial resolution of multispectral imagery using Pan-sharpening[M]. U.S. Patent Tech. Rep., Eastman Kodak Company,2000,4.

[3]Konstantinos G. Nikolakopoulos. Spatial Resolution Enhancement of Hyperion Hyperspectral Data[J]. IEEE Hyperspectral Image and Signal Processing:Evolution in Remote Sensing,2009,8:1-4. [4]X. Chen, J. Wu, Y. Zhang. Comparison of Fusion Algorithms for ALOS Panchromatic and Multispectral

Images[J].

IEEE

International

Workshop

on

Geoscience

and

Remote

Sensing,2008,10:167-170.

[5]冯甲策,叶明,王惠文.Gram-Schmidt过程的支持向量机降维方法[J].计算机技术和发展,2009,19(11):7-10.

[6]李存军,刘良云,王纪华,王人潮.两种高保真遥感影像融合方法比较[J].中国图像图形学报,2004，9(11):1376-1385.

[7]同济大学数学系.工程数学-线性代数[M].北京:高等教育出版社,2007,5:113-115.

[8]于海洋,柏琨,甘甫平,迟文学,武法东.基于Gram Schmidt变换的高光谱遥感图像改进方法[J].地理与地理信息科学,2007,23(5):39-42.

[9]赵韬,刘俊,迟学斌.Gram-Schmidt算法及其并行实现[J].微电子学与计算机,2007,24(9):137-140. [10]赵韬,姜金荣.分块Gram-Schmidt正交化算法及其应用.中国科学院研究生院学报.2009,26(2):224-229.

- 6 -

本文来源：https://www.bwwdw.com/article/djh7.html