C++实现遥感图像PCA融合

最新推荐文章于 2023-03-02 09:31:11 发布

VIP文章 MrJGao

最新推荐文章于 2023-03-02 09:31:11 发布

阅读量1.4w

点赞数 25

分类专栏：心路历程学习笔记文章标签： c++ 算法 PCA融合

本文链接：https://blog.csdn.net/deirjie/article/details/41410163

版权

前段时间由于项目需要，用C++实现了基于PCA的图像融合算法。一开始低估了这个算法在遥感图像上的实现难度，对算法的详细流程没有完全的了解清楚，因为PCA的实现是非常简单的，仅仅需要计算特征值和特征矩阵就能够实现图像的PCA变换。而实现遥感图像的PCA融合，还有一个步骤非常重要，就是遥感图像的直方图匹配问题。网上绝大多数图像直方图匹配的算法都是基于256阶灰度值的，最后计算出来的图像变换映射是整型数据，因此可以直接放在变换数组中作为下标使用，达到映射的效果（这里太细节的东西看不懂没关系，我后面会详细阐述）。而遥感图像往往并不是8位图像，也就不是256个灰度级，其中还有很大一部分图像是浮点型的数据，因此并不能完全依照网上的很多方法实现。需要一些变换处理，而这也是当时困扰我的一个因素。还好后来简单变换一下实现了，虽然变换比较简单，但是我也分享出来，希望能够对读者有所帮助。

PS:我永远都调不好CSDN博客文章的排版。。。怎么这么难用的排版工具。

为了连贯起见，下面我将会把整个算法的流程都详细阐述一遍，并附上我的相应代码。对算法流程已经比较了解的读者，可以直接往下看完整的代码。需要说明的是：代码只用到GDAL库，因此不用担心别的依赖库的问题。

PCA(Principal Component Analysis,主成分分析)，简单点说就是利用计算出来的较少的主成分变量，来代替原始数据所有维度，以达到数据降维的目的。关于PCA的文章和原理的介绍网上非常多，这里我就不做详细的描述了，推荐一个李民录博客里的PCA吧：http://blog.csdn.net/liminlu0314/article/details/8957009

图像融合，就是将低空间分辨率的影像和高空间分辨率的单波段全色影像进行融合，以充分利用不同数据的信息。经过融合后的影像，既具有了高空间分辨率，又较好的保留了原始的多个波段的信息。PCA融合只是众多融合算法当中的一种，可能也是原理最直观、简单的一种。理解了PCA，对于理解PCA融合就非常容易了。将原始遥感影像进行PCA变换后，得到的第一主成分，是包含信息量最大的主成分，图像呈现灰度全色图像样子。于是产生了PCA融合的直观想法：如果利用灰度值信息更丰富，空间分辨率更高的遥感全色影像来替换原始影像经PCA变换后得到的第一主成分，再进行PCA反变换，是不是就能够丰富原始遥感影像的空间分辨率信息呢？事实上，基于PCA的图像融合技术，正是这么一个直观的思路。所以算法的流程非常简单：

原始图像--->重采样到全色图像大小---> PCA变换得到主成分图像------>用全色图像“替换”第一主成分----->PCA反变换

这里的“替换”被打上双引号并加粗是有意而为的，因为这里的替换并不是简单的将图像波段换一下就能行的（事实上我一开始在没有完全了解算法流程的时候就只是简单换掉第一主成分，后来得到的结果总是不对）。一幅图像要能够替代另外一幅图像，它们之间包含的信息应该尽可能的相似，而体现图像信息的正是图像的灰度值分布，也就是图像的直方图，若两幅图像的直方图大致一样，则这两幅图像中灰度值分布也就大致一样，才能够进行“替换”。了解到这里，就能知道PCA融合的关键除了PCA算法，还有就是图像的直方图匹配。（如果有不了解直方图以及直方图匹配原理的同学，在网上搜一下，有很多。）

下面我们开始进入算法的流程，我会边将原理，边附上我的代码帮助大家理解。

1、首先，是GDAL读取遥感影像并判断数据类型，以及代融合的两幅影像是否大小相等，我想这个我就不再啰嗦了吧，直接给大家附上代码吧。（说明：由于是特殊要求，需要4个波段的影像，我才把波段数也作为判断的一个条件，而读者使用时下面的波段数完全可以更改）

    GDALAllRegister();
    CPLSetConfigOption( "GDAL_FILENAME_IS_UTF8", "NO" );
    
    // 打开多波段图像
    multiDataset = ( GDALDataset* )GDALOpen( multiFilename.c_str(), GA_ReadOnly );
    if( multiDataset == NULL )
    {
        cout << "打开多波段图像失败！" << endl;
        throw multiFilename + "file not valid";
        return;
    }
    int multiWidth = multiDataset->GetRasterXSize();
    int multiHeight = multiDataset->GetRasterYSize();
    int multiBandCount = multiDataset->GetRasterCount();
    
    
    // 验证是否为4波段数据
    if ( multiBandCount != 4 )
    {
        cout << "图像波段数有误，目前只能处理4波段图像！" << endl;
        throw multiFilename + "file not valid";
        return;
    }
    
    // 打开高分辨率图像
    highResDataset = ( GDALDataset* )GDALOpen( highRSFilename.c_str(), GA_ReadOnly );
    if( highResDataset == NULL )
    {
        cout << "打开高分辨率图像失败！" << endl;
        throw highRSFilename + "file not valid";
        return;
    }
    int highResWidth = highResDataset->GetRasterXSize();
    int highResHeight = highResDataset->GetRasterYSize();
    
    // 判断两幅图像是否等大小
    if ( highResHeight != multiHeight || highResWidth != multiWidth )
    {
        cout << "图像大小不一致" << endl;
        throw multiFilename + "and" + highRSFilename + "don't match...";
        return;
    }

2、PCA变换

a.计算原始影像的协方差矩阵

    double* bandMean = calMean( multiDataset );// 计算波段均值
    double* covMatrix = calCovMatrix( multiDataset, bandMean );// 计算协方差矩阵

</pre><pre code_snippet_id="529492" snippet_file_name="blog_20141123_4_200424" name="code" class="cpp">/// <summary>
/// 计算图像波段均值.
/// </summary>
/// <param name="dataset">图像数据集.</param>
/// <returns>double * 图像均值向量.</returns>
double* PcaFusion::calMean( GDALDataset * dataset )
{
    double* bandMean = new double [this->bandCount];
    for ( int i = 0; i < this->bandCount; i++ )
    {
        double dMaxValue, dMinValue;
        multiDataset->GetRasterBand( i + 1 )->ComputeStatistics( FALSE, &dMinValue, &dMaxValue, bandMean + i, 0, NULL, NULL );
    }
    if ( bandMean == NULL )
    {
        cout << "统计波段均值失败！" << endl;
        return NULL;
    }
    return bandMean;
}

/// <summary>
/// 计算协方差矩阵.
/// </summary>
/// <param name="dataset">图像数据集.</param>
/// <param name="bandMean">图像波段均值向量.</param>
/// <returns>double * 图像协方差矩阵.</returns>
double* PcaFusion::calCovMatrix( GDALDataset * dataset, double * bandMean )
{
    double *dCovariance = new double[this->bandCount * this->bandCount];
    int index = 0;
    for ( int i = 0; i < this->bandCount; i++ )
    {
        float* poData1 = new float[ this->height * this->width];
        int bandList = {i + 1};
        multiDataset->RasterIO( GF_Read, 0, 0, this->width, this->height, poData1, this->width, this->height, GDT_Float32, 1, &bandList, 0, 0, 0 );
        
        for ( int j = 0; j < this->bandCount; j++ )
        {
            float* poData2 = new float[ this->height * this->width];
            int bandList = {j + 1};
            multiDataset->RasterIO( GF_Read, 0, 0, this->width, this->height, poData2, this->width, this->height, GDT_Float32,  1, &bandList, 0, 0, 0  );
            double sum = 0;
            
            for ( int pix = 0; pix < this->height * this->width; pix++ )
            {
                sum += ( poData1[pix] - bandMean[i] ) * ( poData2[pix] - bandMean[j] );
            }
            dCovariance[index++] = sum * 1.0 / (  this->height * this->width - 1 );
        }
    }
    return dCovariance;
}

b.计算协方差矩阵的特征值、特征向量。这里采用雅格比(Jacobi)方法求实对称矩阵的全部特征值及特征向量。（计算函数为李民录提供）

// 计算协方差所形成的矩阵的特征值与特征向量
    double eps = 0.0001;   //控制精度要求
    double *eigenVector = new double[this->bandCount * this->bandCount];
    eejcb( covMatrix, this->bandCount, eigenVector, eps, 100000 );

/// <summary>
/// 利用雅格比(Jacobi)方法求实对称矩阵的全部特征值及特征向量.
/// </summary>
/// <param name="a">长度为n*n的数组，存放实对称矩阵，返回时对角线存放n个特征值.</param>
/// <param name="n">矩阵的阶数.</param>
/// <param name="v">长度为n*n的数组，返回特征向量(按列存储).</param>
/// <param name="eps">控制精度要求.</param>
/// <param name="jt">整型变量，控制最大迭代次数.</param>
/// <returns>返回false表示超过迭代jt次仍未达到精度要求，返回true表示正常返回.</returns>
bool PcaFusion::eejcb( double a[], int n, double v[], double eps, int jt )
{
    int i, j, p, q, u, w, t, s, l;
    double fm, cn, sn, omega, x, y, d;
    
    l = 1;
    //初始化特征向量矩阵使其全为0
    for( i = 0; i <= n - 1; i++ )
    {
        v[i * n + i] = 1.0;
        for( j = 0; j <= n - 1; j++ )
        {
            if( i != j )
                v[i * n + j] = 0.0;
        }
    }
    
    while( true ) //循环
    {
        fm = 0.0;
        for( i = 0; i <= n - 1; i++ )   // 出, 矩阵a( 特征值 ), 中除对角线外其他元素的最大绝对值
        {
            //这个最大值是位于a[p][q] ,等于fm
            for( j = 0; j <= n - 1; j++ )
            {
                d = fabs( a[i * n + j] );
                
                if( ( i != j ) && ( d > fm ) )
                {
                    fm = d;
                    p = i;
                    q = j;
                }
            }
        }
        
        if( fm < eps )   //精度复合要求
            return true; //正常返回
            
        if( l > jt )     //迭代次数太多
            return false;//失败返回
            
        l ++;       //   迭代计数器
        u = p * n + q;
        w = p * n + p;
        t = q * n + p;
        s = q * n + q;
        x = -a[u];
        y = ( a[s] - a[w] ) / 2.0;		//x y的求法不同
        omega = x / sqrt( x * x + y * y );	//sin2θ
        
        //tan2θ=x/y = -2.0*a[u]/(a[s]-a[w])
        if( y < 0.0 )
            omega = -omega;
            
        sn = 1.0 + sqrt( 1.0 - omega * omega );
        sn = omega / sqrt( 2.0 * sn );		//sinθ
        cn = sqrt( 1.0 - sn * sn );			//cosθ
        
        fm = a[w];   //   变换前的a[w]   a[p][p]
        a[w] = fm * cn * cn + a[s] * sn * sn + a[u] * omega;
        a[s] = fm * sn * sn + a[s] * cn * cn - a[u] * omega;
        a[u] = 0.0;
        a[t] = 0.0;
        
        //   以下是旋转矩阵,旋转了了p行,q行,p列,q列
        //   但是四个特殊点没有旋转(这四个点在上述语句中发生了变化)
        //   其他不在这些行和列的点也没变

最低0.47元/天解锁文章

MrJGao

关注

25
点赞
踩
132

收藏

觉得还不错? 一键收藏
26
评论
C++实现遥感图像PCA融合

前段时间由于项目需要，用C++实现了基于PCA的图像融合算法。一开始低估了这个算法在遥感图像上的实现难度，对算法的详细流程没有完全的了解清楚，因为PCA的实现是非常简单的，仅仅需要计算特征值和特征矩阵就能够实现图像的PCA变换。而实现遥感图像的PCA融合，还有一个步骤非常重要，就是遥感图像的直方图匹配问题。网上绝大多数图像直方图匹配的算法都是基于256阶灰度值的，最后计算出来的图像变换映射是整型数...
复制链接

扫一扫