图像融合基于matlab高分辨率全色图PCA图像融合（含评价指标）含Matlab源码 2407期

Posted 2023-03-08 海神之光

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了图像融合基于matlab高分辨率全色图PCA图像融合（含评价指标）含Matlab源码 2407期相关的知识，希望对你有一定的参考价值。

⛄一、PCA图像融合简介

1 PCA变换
主成分分析是近年来在图像分析与模式识别领域研究较多的一种统计特征提取方法, 它是基于K-L分解, 是一种正交变换。PCA充分利用数据中的二阶的统计信息进行特征提取和降维, 旨在数据空间中找出一组正交向量, 这组向量能最大地表示数据的方差, 通过一个特殊的向量矩阵, 将原始数据从原来的高维空间投影到这组正交向量所张成的一个较低维的向量空间中, 从而达到对数据的降维, 降维后保留了数据的主要信息, 从而使数据更易于处理。PCA方法的优势在于数据压缩及对多维数据的降维, 它将原来具有一定相关性的多个指标, 重新组合成一组新互相无关的综合指标, 用这个新的指标来代替原来的指标[10]。

2 PCA变换的图像融合的算法
主成分分析 (PCA) 是一种常用的融合准则。使用PCA方法进行图像融合的常用方法有两种, 其一是用于高分辨率全色图像与低分辨率多光谱图像的融合, 用高分辨率全色图像代替由低分辨率多光谱图像提取出的第一主成分而得到同时具有高空间分辨率和高光谱分辨率的融合图像;其二是用于同分辨率图像的融合, 多以文献[10]的方法处理, 文献[11]将PCA应用于近似图像的融合, 其中, PCA方法决定了各近似图像融合时的权重, 当融合源图像相似时, 该方法近似于均值融合;当融合源图像之间具有某些共同特征时, 能够得到较好的融合效果;若融合图像之间的共同特征较少时, 则容易导致融合结果失真[12]。

⛄二、部分源代码

clear
clc
up=imread(‘0.tif’); %读图像
low=imread(‘1.tif’);
[low_R]=double(low(:,:,1)); %将每一页都转化为双精度（matlab读的图像为unite 8 8位无符号整数）
[low_G]=double(low(:,:,2));
[low_B]=double(low(:,:,3));

[M,N,color]=size(up);
low_Mx=0;
for i = 1 : M
for j = 1 : N
low_S = [low_R(i,j),low_G(i,j),low_B(i,j)]'; % 生成由R，G， B组成的三维列向量
low_Mx = low_Mx + low_S;
end
end

low_Mx = low_Mx / (M*N); % 计算三维列向量的平均值

low_Cx=0;

for i = 1 : M
for j = 1 : N
low_S = [low_R(i,j),low_G(i,j),low_B(i,j)]‘; % 生成由R，G， B组成的三维列向量
low_Cx = low_Cx + low_S*low_S’; %low_s’为转置
end
end