IHS遥感图像融合算法及其相关的算法

前言

在遥感图像融合领域，说到已经投入到商业运用，并且其变种还十分多的融合算法，恐怕IHS算法要算其中之一了。对于初学者，比如我，也经常在论文中看到IHS及其变种的身影。故在此就目前自己对IHS算法的了解做个笔记。

IHS算法简介

IHS即是Intensity–Hue–Saturation的缩写，同我们熟知的RGB一样，也是一种颜色空间。3者的意思为，强度，色调，饱和度。通常IHS算法只对强度分量I进行操作，而无关其他2个分量。确切地说，进行IHS变换之后，强度分量I只包含图像的结构信息而去除了其他的信息，剔除掉的信息主要是颜色信息。而IHS所属的成分替代方法假设Pan图所包含的结构同强度分量I是一样的，所以实践中能够使用Pan图直接替换强度分量I得到融合结果。
那么如何计算强度分量I呢？由于IHS算法假设(assumption)强度分量I是多光谱图像(MS)各波段的线性组合，所以我们可以使用低分辨MS(LRM)图像各波段的线性组合得到强度分量I。虽然根据光谱响应函数来看，即使Pan图与多光谱各波段存在某种关系，也绝对不是线性的。换句话说，假设强度分量I是多光谱各波段的线性组合是不精确的，但是由于其在建模和求解上更易实现，而且效果也不错，所以仍不失为一种解决问题的方法。其特点是计算效率很快，融合结果的空间分辨率好，但是光谱失真(color distortion)严重。部分原因可在【2006】《A New Intensity Hue-Saturation Fusion Approach to Image Fusion With a Tradeoff Parameter》一文中找到，Choi指出：IHS算法的光谱失真严重主要是因为Pan和强度分量I之间差异过大，所以通过 m i n I n e w { ∣ P a n − I n e w ∣ 2 + ∣ I n e w − I ∣ 2 } min_{I_{new}}\{|Pan-I_{new}|^2+|I_{new}-I|^2\} minInew​​{ ∣Pan−Inew​∣2+∣Inew​−I∣2}获得一个新的强度分量。其结果就是在光谱保持和空间细节注入方面取得权衡。当$I_{new}$更加逼近Pan时，融合结果的空间分辨率更高，当然光谱失真就愈严重。而当$I_{new}$更逼近I时，则融合结果的光谱保持更好，但是空间分辨率便不理想。需要注意的是，原始的IHS算法只适用于RGB3个通道的图像，后来有很多IHS的扩展算法将其扩展到4通道乃至n通道。最一般的确定n通道MS图像对应的强度分量的I的公式如下。$$I=\sum _{i=1}^N{\alpha }_i{M}_i(1)$$
其中${\alpha }_i$表示各波段的系数，$M_i$表示上采样的LRM，N表示MS的通道总数。通常我们都取${\alpha }_i=\frac{1}{N}$ 。当然也有更加精确的确定I的公式，比如choi在【2006】年发表的《A new intensity-hue-saturation fusion approach to image fusion with a tradeoff parameter》中指出强度分量I等于$$I=\frac{1}{3}(0.3\ast R+0.75\ast G+0.25\ast B+1.7\ast NIR)$$；而Tu在[2004]《A fast intensity-hue-saturation fusion technique with spectral adjustment for IKONOS imagery》[FIHS模型]一文中指出IKONOS中的强度分量I为 I = 1 3 ( R + 0.75 ∗ G + 0.25 ∗ B + N I R ) I=\frac{1}{3}(R+0.75*G+0.25*B+NIR)