改进投影梯度NMF提升NSST多光谱全色图像融合质量

本文主要探讨了改进投影梯度非负矩阵分解（Improved Projected Gradient Non-negative Matrix Factorization, IPGNMF）在非下采样Shearlet变换（Non-subsampled Shearlet Transform, NSST）领域的应用，以提升多光谱和全色图像的融合质量。多光谱图像因其丰富的光谱信息而广泛用于遥感领域，而全色图像则提供良好的空间细节。为了有效地结合两者的优势，作者提出了一种创新的融合策略。 首先，对多光谱图像进行亮度-色度-饱和度（IHS）变换，将图像分为亮度、色度和饱和度三个部分。作者特别关注亮度分量，因为它与全色图像在视觉效果上关联密切。通过直方图匹配技术，增强全色图像的对比度，使其能更好地与多光谱图像的亮度信息匹配。 接着，对多光谱图像的亮度分量和全色图像进行NSST变换，这种变换可以捕捉到不同尺度和方向的信息。在NSST的低频子带中，使用改进的投影梯度NMF进行融合，这有助于保留更多的空间结构信息，使得融合后的图像在保持光谱精确性的同时，展现出更丰富的纹理和细节。 对于高频子带，作者采用了改进的脉冲耦合神经网络（Improved Pulse Coupled Neural Network, IPCNN）融合技术，这种方法能够进一步增强图像的细节特征，如边缘和纹理，从而提高融合图像的整体视觉效果。 最后，通过非下采样Shearlet逆变换，恢复融合后的亮度分量，再进行IHS逆变换以得到最终的融合图像。实验结果证明，这种方法相较于传统的基于IHS变换、非下采样Contourlet变换（NSCT）和NMF，以及基于NSCT和PCNN的融合方法，能够更有效地结合多光谱图像的光谱信息和全色图像的空间细节，从而显著提高融合图像的质量。 该研究对于多光谱和全色图像的融合技术具有重要意义，特别是在光学成像和遥感领域，能够提升图像分析的精度和视觉效果，为后续的图像处理和应用提供了新的可能。