Random Walks for Synthetic Aperture Radar Image Fusion in Framelet Domain

摘要

提出了一种用于合成孔径雷达（SAR）图像融合的基于小框架的随机游走（RWs）新方法，包括SAR可见图像，SAR红外图像和多波段SAR图像。在这种方法中，我们基于小框架系数的统计特性建立了一个新颖的RWs模型，以融合高频和低频系数。该模型转换融合问题，以估计每个小帧系数被分配给每个输入图像的概率。实验结果表明，所提出的方法在提高对比度的同时保留边缘，并且在定性和定量分析中都执行了许多传统的和最先进的融合技术。
索引词-图像融合，框架变换，随机游走，SAR图像，红外图像，可见图像。

一，引言

随着传感器技术的发展，多传感器图像融合吸引了越来越多学者的研究兴趣。多传感器图像融合的目的是通过合并来自同一场景中多个传感器的图像信息来获得合成图像[1]。SAR是一种有源微波遥感器系统，可以在任何时间，任何天气下工作，并提供高分辨率的雷达图像。它已被广泛用于军事和民用领域。可见（VIS）图像包含丰富的高频细节，可以反映整个场景的空间细节信息。红外（IR）图像可以通过物体的热辐射强度显示物体的形状轮廓信息。另外，高波段SAR图像主要显示场景的外观，接近光学成像。同时，低波段SAR图像具有更强的穿透力，因此可以对隐藏的地面目标成像。因此，可以通过SAR图像融合（SAR-VIS，SAR-IR和多波段SAR）提供图像的全貌，这已经成为SAR图像分类，检测，土地利用制图和市区提取的基础[ 2] – [10]。

近几十年来，已经提出了许多SAR图像融合方法[1]，[11]-[25]。最简单的方法是计算所有原始图像的平均值[11]，但是这种方法会降低融合图像的对比度和清晰度。为了解决这个问题，已经提出了许多基于多尺度变换（MST）的方法，例如低通金字塔（RLP）[12]，梯度金字塔（GP）[11]，拉普拉斯金字塔（LAP）[11]，离散小波变换（DWT）[1]，[13]，“小”小波变换（AWT）[14]，[15]，曲线小波变换（CVT）[16]，[17]，双树复小波变换（DTCWT）[18]，非子采样轮廓波变换（NSCT）[19]，[20]和非子采样剪切波变换（NSST）[21]。另外，已经开发了许多其他图像融合技术。例如，论文[22]提出了一种卡尔曼滤波器融合方法来对干涉式合成孔径雷达图像的相位进行滤波和解包。文献[23]提出了一种局部非负矩阵分解方法来融合SAR和可见光图像。

最近，李[24]提出了一种基于导引滤波（GF）的简单有效的图像融合方法。但是，它可能会降低对比度并易于使某些边缘变平滑。徐[25]应用反馈稀疏分量分析（FSCA）方法进行遥感图像融合。可以通过FSCA方法提取图像的稀疏分量，而忽略噪声。
尽管这对融合过程有益，但此方法需要更多的计算。Kumar [26]提出了一种基于交叉双边滤波器（CBF）的新颖图像融合方法。他使用CBF从输入图像中提取的细节图像来计算融合权重，这有助于提高融合性能。但是，该方法可能会产生融合伪像。
刘[27]使用MST和稀疏表示（SR）来构建新的图像融合框架。在提出的框架中，SR融合方法用于融合低通子带。融合图像的对比度得到改善。但是这种方法不涉及有关高通子带的全局或局部统计信息。

Grady [28] – [30]首先提出了用于图像分割的随机游走方法。他分析了该方法的优点，例如弱边界检测，噪声鲁棒性等。[30]之后，提出了一些基于随机游走的图像处理方法[31]-[34]。其中，论文[32]提出了一种用于多曝光图像融合的通用随机游走融合方法。然后，论文[33]提出了一种基于随机游走融合框架的新颖的多焦点图像融合方法[32]。在这些方法中，所有输入图像都被赋予了标签。他们专注于解决标记问题，以估计每个输入图像像素被分配每个标记输入图像的概率。通过这些概率可以计算出图像融合的合并权重。

论文[32]和[33]是空间域方法。它们可能会过度平滑合并的权重，这对图像融合不利。为了解决这个问题，我们通过执行非下采样帧变换（NFT）将输入图像变换到多尺度帧域。

作为正交基础的一般化，小框架放宽了正交性和线性独立性的要求，从而带来了冗余[35]。因此，在提取空间信息方面比小波更为精确。此外，平移不变性是图像处理中的理想属性[36]。可以通过在框架分解中进行非子采样来实现。另外，小框架变换可以提供包括丰富纹理的图像的有效稀疏表示。更重要的是，这种变换还具有快速分解和完美重构的特性[37]。近年来，它已广泛用于图像处理中，例如图像修复[38]，图像去模糊环[35]，图像去噪[36]，[39]，pansharping [40]，[41]和图像稀疏 解混[42]。

在我们提出的方法中，我们首先对输入图像执行NFT以获得其小框架系数。SAR图像固有的斑点噪声会影响后续处理。
因此，我们提出了一种基于硬阈值高频系数的斑点减少方法。然后，在去噪的小框架域中建立了一个新颖的随机游走融合模型。在该模型中，我们可以通过找到全局最优解来获得为每个输入图像分配小框架系数的概率。然后，分别通过这些概率来估计高频系数和低频系数的融合权重。最后，通过对合并的小框架系数采用相应的逆NFT来重建融合图像。
在随机游走模型中，我们首先采用建立加权无向图的方式对小框架系数的统计特征等值线进行建模。对于高通子带融合，选择绝对高频系数值以测量高频系数节点与输入图像节点的兼容性，这有利于融合输入图像的边缘轮廓信息。对于低通子带融合，我们将邻域信息考虑在内。提出了低频系数的局部方差来构造兼容函数，这有助于提高对比度并避免伪影。

本文的主要贡献是提出了一种基于小波域随机游走的SAR图像融合模型。该模型提供了一种解决高通或低通子带融合问题的方法，该方法可以作为优化问题进行模拟。它不仅考虑了小框架系数的相关性，而且考虑了系数的局部特征，这对于合并小框架系数是有好处的。此外，我们在三个不同的图像集上使用传统方法和最新方法提供了主观和客观比较。与以前的方法相比，我们的方法可以获得更好的融合图像。

本文的其余部分安排如下。在第二部分中，我们简要介绍了框架变换和随机游走。第三节提出了一种新颖的随机游走方法，用于小波域中的SAR图像融合。实验结果在第四部分给出。最后，第五节总结了本文的主要结论。

二。前提条件

在本节中，我们将简要回顾一些有关框架变换和随机游走的概念和原理。

A.框架转换

为简单起见，我们仅在单变量设置中显示框架，而双变量框架可以通过单变量框架的张量积获得。