1.一种遥感图像融合质量评价方法,其特征在于包括训练阶段和测试阶段两个过程;
所述的训练阶段过程的具体步骤如下:
步骤①_1、选取N幅宽度为W且高度为H的原始的多光谱影像,每幅原始的多光谱影像包含B个不同的波段图像,将第u幅原始的多光谱影像的第γ个波段图像记为 第u幅原始的多光谱影像的第1个波段图像 为红波段的波段图像,第u幅原始的多光谱影像的第2个波段图像 为绿波段的波段图像,第u幅原始的多光谱影像的第3个波段图像 为蓝波段的波段图像,第u幅原始的多光谱影像的第4个波段图像 为近红外波段的波段图像;其中,N为正整数,N>1,B为正整数,u为正整数,1≤u≤N,γ为正整数,1≤γ≤B,γ同时作为波段图像的波段标记;
步骤①_2、从每幅原始的多光谱影像的所有波段图像各自中同坐标位置截取一个尺寸大小为96×96的子块,并对在同一幅原始的多光谱影像的所有波段图像各自中相同坐标位置截取的子块标记相同的块索引号,不同的原始的多光谱影像的相同波段标记的波段图像中相同坐标位置截取的子块的块索引号不同,对在同一幅原始的多光谱影像的所有波段图像各自中相同坐标位置截取的子块用波段标记进行标记以指示其来源,以随机截取方式,重复截取的过程,共截取M次后从每幅原始的多光谱影像的所有波段图像各自中截取了共M个子块;然后将截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量;再将截取的相同波段标记的M'个子块对应的列向量构成一个列向量集合,将截取的波段标记为γ的M'个子块对应的列向量构成的列向量集合记为 将截取的波段标记为γ=1的M'个子块对应的列向量构成的列向量集合 定义为训练红波段列向量集合,将截取的波段标记为γ=2的M'个子块对应的列向量构成的列向量集合 定义为训练绿波段列向量集合,将截取的波段标记为γ=3的M'个子块对应的列向量构成的列向量集合 定义为训练蓝波段列向量集合,将截取的波段标记为γ=4的M'个子块对应的列向量构成的列向量集合 定义为训练近红外波段列向量集合;其中,M为正整数,M≥1,M'=N×M,m为正整数,1≤m≤M',m同时作为训练阶段过程中的子块的块索引号, 表示 中的第m个列向量,也即表示波段标记为γ且块索引号为m的子块对应的列向量, 的维数均为(96×96)×1, 表示 中的第m个列向量,也即表示波段标记为γ=1且块索引号为m的子块对应的列向量, 表示 中的第m个列向量,也即表示波段标记为γ=2且块索引号为m的子块对应的列向量, 表示 中的第m个列向量,也即表示波段标记为γ=3且块索引号为m的子块对应的列向量, 表示中的第m个列向量,也即表示波段标记为γ=4且块索引号为m的子块对应的列向量;
步骤①_3、根据训练红波段列向量集合 训练绿波段列向量集合和训练蓝波段列向量集合 计算得到亮度分量的训练样
本集合,记为{Ym|1≤m≤M'}, 其中,Ym的维数为(96×96)×1,符号 为向下取整操作符号;
步骤①_4、计算{Ym|1≤m≤M'}中的每个列向量对应的子块中的所有像素点的LBP特征统计直方图,将{Ym|1≤m≤M'}中的第m个列向量对应的子块中的所有像素点的LBP特征统计直方图记为Fm;其中,Fm的维数为8×1;
步骤①_5、采用Canny边缘检测算子提取出{Ym|1≤m≤M'}中的每个列向量对应的子块的边缘图;然后计算{Ym|1≤m≤M'}中的每个列向量对应的子块的边缘图中的所有像素点的边缘直方图,将{Ym|1≤m≤M'}中的第m个列向量对应的子块的边缘图中的所有像素点的边缘直方图记为Gm;其中,Gm的维数为2×1;
步骤①_6、根据训练红波段列向量集合 训练绿波段列向量集合训练蓝波段列向量集合 和训练近红外波段列向量集合
计算所有相同块索引号的子块的光谱特征,将所有块索引号为m的子块的光谱特征记为Hm;其中,Hm的维数为6×1;
步骤①_7、根据{Ym|1≤m≤M'}中的每个列向量对应的子块中的所有像素点的LBP特征统计直方图、{Ym|1≤m≤M'}中的每个列向量对应的子块的边缘图中的所有像素点的边缘直方图、所有相同块索引号的子块的光谱特征,获得所有相同块索引号的子块的特征矢量,T T T T将所有块索引号为m的子块的特征向量记为Vm,Vm=[Fm ,Gm ,Hm] ;其中,Vm的维数为16×1,T T T T T T T T T[Fm ,Gm ,Hm]表示将Fm、Gm 和Hm连接起来形成一个向量,Fm为Fm的转置,Gm 为Gm的转置,HmT T T T T T T为Hm的转置,[Fm ,Gm ,Hm]为[Fm ,Gm ,Hm]的转置;
步骤①_8、根据步骤①_7获得的共M'个特征向量,构造所有原始的多光谱影像的所有波段图像的原始多元高斯模型,记为 其中,表示 的均值向量, 表示 的协方差矩阵;
所述的测试阶段过程的具体步骤如下:
步骤②_1、任意一幅宽度为W'且高度为H'的测试遥感融合影像包含B个不同的波段图(γ)像,将测试遥感融合影像的第γ个波段图像记为{S (x',y')};测试遥感融合影像参考的宽度为W'/2且高度为H'/2的多光谱影像也包含B个不同的波段图像,将测试遥感融合影像(γ)参考的多光谱影像的第γ个波段图像记为{R (x”,y”)};其中,1≤x'≤W',1≤y'≤H',1≤(γ)x”≤W'/2,1≤y”≤H'/2,1≤γ≤B,γ同时作为波段图像的波段标记,S (x',y')表示{S(γ) (γ) (γ)(x',y')}中坐标位置为(x',y')的像素点的像素值,R (x”,y”)表示{R (x”,y”)}中坐标位置为(x”,y”)的像素点的像素值;
步骤②_2、计算测试遥感融合影像的全分辨率质量评价预测值,记为Qfull,具体过程为:步骤②_2a、采用窗口尺寸大小为96×96且窗口移动步长为1像素的移动窗口,在测试遥感融合影像的所有波段图像各自中移动以截取同坐标位置的尺寸大小为96×96的子块,并对测试遥感融合影像的所有波段图像各自中相同坐标位置截取的子块标记相同的块索引号,对在测试遥感融合影像的所有波段图像各自中截取的每个子块用波段标记进行标记以指示其来源,共移动M”次后从测试遥感融合影像的所有波段图像各自中截取了M”个子块;然后将截取的每个子块中的所有像素点的像素值按序排列构成该子块对应的列向量;
再将截取的每种波段标记的M”个子块对应的列向量构成一个列向量集合,将截取的波段标记为γ的M”个子块对应的列向量构成的列向量集合记为 将截取的波段标记为γ=1的M”个子块对应的列向量构成的列向量集合 定义为测试红波段列向量集合,将截取的波段标记为γ=2的M”个子块对应的列向量构成的列向量集合定义为测试绿波段列向量集合,将截取的波段标记为γ=3的M”个子块对应的列向量构成的列向量集合 定义为测试蓝波段列向量集合,将截取的波段标记为γ=4的M”个子块对应的列向量构成的列向量集合 定义为测试近红外波段列向量集合;其中,M”为正整数,1<M”≤(W'‑96)×(H'‑96),m”为正整数,1≤m”≤M”,m”同时作为测试阶段过程中的子块的块索引号,的维数为(96×96)×1, 表示 中的第m”个列向量,也即表示波段标记为γ且块索引号为m”的子块对应的列向量, 表示 中的第m”个列向量,也即表示波段标记为γ=1且块索引号为m”的子块对应的列向量, 表示中的第m”个列向量,也即表示波段标记为γ=2且块索引号为m”的子块对应的列向量, 表示 中的第m”个列向量,也即表示波段标记为γ=3且块索引号为m”的子块对应的列向量, 表示 中的第m”个列向量,也即表示波段标记为γ=4且块索引号为m”的子块对应的列向量;
步骤②_2b、按照步骤①_3至步骤①_7的过程,以相同的方式获得所有相同块索引号的子块的特征矢量,将所有块索引号为m”的子块的特征向量记为Vtest,m”;其中,Vtest,m”的维数为16×1;
步骤②_2c、根据步骤②_2b获得的共M”个特征向量,按照步骤①_8的过程,以相同的方式构造测试遥感融合影像的所有波段图像的原始多元高斯模型,记为 其中,表示 的均值向量, 表示 的协方差矩阵;
步骤②_2d、根据 和 计算Qfull,
其中, 为 的转置,
为 的逆;
步骤②_3、计算测试遥感融合影像的降分辨率质量评价预测值,记为Qredu,具体过程为:步骤②_3a、对测试遥感融合影像的每个波段图像进行下采样操作,得到对应的宽度为(γ)W'/2且高度为H'/2的下采样波段图像,将对{S (x',y')}进行下采样操作后得到的宽度为W'/2且高度为H'/2的下采样波段图像记为 其中,1≤x”≤W'/2,1≤y”≤H'/2,表示 中坐标位置为(x”,y”)的像素点的像素值;
步骤②_3b、计算测试遥感融合影像参考的多光谱影像的所有波段图像与测试遥感融合影像的所有波段图像经下采样操作后得到的下采样波段图像的光谱相似性,记为Qspe,其中,Rx”,y”表示测试遥感融合影像参考的多光谱影像的所有波段图像中坐标位置为(x”,y”)的像素点的像素值按序连接起来构成的向量,Sx”,y”表示测试遥感融合影像的所有波段图像经下采样操作后得到的下采样波段图像中坐标位置为(x”,y”)的像素点的像素值按序连接起来构成的向量,Rx”,y”和Sx”,y”的维数均为B×1,符号“<>”为内积操作符号,acrcos()为反余弦函数,符号“|| ||2”为求取矩阵的2‑范数符号;
步骤②_3c、计算测试遥感融合影像参考的多光谱影像的所有波段图像与测试遥感融合影像的所有波段图像经下采样操作后得到的下采样波段图像的空间相似性,记为Qspa,其中,表示Rx”,y”中的所有元素的值的均值, 表示Sx”,y”中的所有元素的值的均值,表示Rx”,y”中的所有元素的值的标准差, 表示Sx”,y”中的所有元素的值的标准差,表示Sx”,y”中的所有元素的值与Rx”,y”中的所有元素的值的协方差,ω1和ω2为控制参数;
η 1‑η
步骤②_3d、根据Qspe和Qspa,计算Qredu,Qredu=(Qspe) ×(Qspa) ;其中,η为权重系数;
步骤②_4、根据Qfull和Qredu,计算测试遥感融合影像的客观质量评价预测值,记为Qtest,其中,λ为权重系数。
2.根据权利要求1所述的一种遥感图像融合质量评价方法,其特征在于所述的步骤①_
6中,Hm的获取过程为:
步骤①_6a、计算 与 的光谱特征,记为d12 ,其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差,表示计算 中的所有元素的值的均值, 表示计算 中的所有元素的值的均值,表示计算 中的所有元素的值的标准差, 表示计算 中的所有元素的值的标准差;
步骤①_6b、计算 与 的光谱特征 ,记为d13 ,其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差,表示计算 中的所有元素的值的均值, 表示计算 中的所有元素的值的标准差;
步骤①_6c、计算 与 的光谱特征,记为d14,
其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差,表示计算 中的所有元素的值的均值, 表示计算 中的所有元素的值的标准差;
步骤①_6d、计算 与 的光谱特征,记为d23 ,其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差;
步骤①_6e、计算 与 的光谱特征,记为d24,
其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差;
步骤①_6f、计算 与 的光谱特征,记为d34,
其中,
表示计算 中的所有元素的值与 中的所有元素的值的协方差;
T
步骤①_6g、根据d12、d13、d14、d23、d24和d34,获得Hm,Hm=[d12,d13,d14,d23,d24,d34] ;其中,Hm的维数为6×1,[d12,d13,d14,d23,d24,d34]表示将d12、d13、d14、d23、d24和d34连接起来形成一T个向量,[d12,d13,d14,d23,d24,d34]为[d12,d13,d14,d23,d24,d34]的转置。
3.根据权利要求1或2所述的一种遥感图像融合质量评价方法,其特征在于所述的步骤①_8中, 的获取过程为:步骤①_8a、根据步骤①_7获得的共M'个特征向量,获取所有相同块索引号的子块的特T征矩阵,记为V, 其中,V的维数为M'×16,(V1) 为V1的转置,V1表示将所有块索T引号为1的子块的特征向量,(V2) 为V2的转置,V2表示将所有块索引号为2的子块的特征向T T量,(Vm) 为Vm的转置,(VM') 为VM'的转置,VM'表示将所有块索引号为M'的子块的特征向量;
步骤①_8b、计算V中的列向量的均值向量,记为
其中,的维数为1×16,V
(m,1)表示V中第m行第1列的元素的值,V(m,2)表示V中第m行第2列的元素的值,V(m,16)表示V中第m行第16列的元素的值;
并计算V中的 列向量的协方差矩阵,记为
其中, 的维数为16×
16,cov(a,b)表示计算向量a中的所有元素的值与向量b中的所有元素的值的协方差;
步骤①_8c、将 作为 的均值向量,将 作为 的协方差矩阵,构造得到