高光譜圖像的同步彩色動態顯示

劉丹鳳，王立國，趙亮

（哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱150001）

高光譜圖像的同步彩色動態顯示

劉丹鳳，王立國，趙亮

（哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱150001）

高光譜數據的CMF加權封裝方法是目前由高光譜數據獲取近真彩色圖像的主要方法，同時也因其計算簡便而受到廣泛關注。針對CMF圖像分辨率較低問題進行改進，加入時間維，采用位移循環加權方法，變靜止圖像為動態圖像，建立了一種適用于高光譜圖像的同步彩色動態顯示模型，使觀察者在相同觀察時間內獲得盡可能多的信息。實驗表明，生成的圖像不僅能夠產生接近于真彩色的圖像，而且使得不同地物呈現不同色彩和不同的色彩變化率，增強了視覺感官效果。同時該方法也滿足計算簡便這一設計目標，適用于對高光譜數據進行實時性觀察。

遙感；高光譜圖像；可視化；顏色匹配方程；彩色視覺；動態顯示

高光譜圖像（hyperspectral image，HSI）不僅覆蓋范圍廣，同時包含海量的地物空間及光譜信息，而高光譜圖像的顯示問題已成為遙感可視化技術深入發展的重要障礙。高光譜圖像彩色顯示方式不同于普通圖像的三信道顯示，像素顏色未必是地物實際顏色，而是能準確生動地反映出圖像中不同地物的類別分布，或滿足不同的特殊需求。

在彩色空間中顯示出高光譜圖像中所含的大量信息是一件具有挑戰性的難題。目前常用的高光譜彩色可視化技術按所利用數據源的不同可大致分為2類：1）直接對高光譜立方體數據進行簡單變換后進行顯示；2）對高光譜數據分析處理后的結果進行顯示。第2類方法能夠保留較多的有用信息且地物特征顯示得更為直觀，但是顯示效果依賴于數據處理的方法及精度，且計算復雜度較高，無法用于實時顯示。第1類方法雖然會丟失有用信息，且生成圖像對地物的視覺可分性相對較差，但相對于前一類方法，其無前期處理誤差，且具有計算較為簡便，耗時少等優點，更加適用于高光譜數據的實時顯示。

對高光譜圖像進行彩色顯示最簡單的方式是，選取3個光譜波段作為RGB通道進行假彩色合成，如通過選擇3通道的均衡信噪比來得到一個彩色圖像［1］。Robertson使用簡單的線性變換來將原始數據變換為3信道，然后將3信道合成為1個感知彩色空間，以獲得彩色圖像［2］。Jacobson等提出基于固定線性光譜加權封裝的方法［3］用于高光譜彩色顯示。另一種常用方法是壓縮多信道信息使其成為攜帶近乎全部信息的3個主要信道進而獲得RGB彩色空間，如PCA［4］和NAPCA［5］等，或者利用融合方法根據某種策略進行融合［6-8］。還有一種遵循距離保持準則的優化策略，該方法將HSI直接優化到彩色空間，如文獻［9］中提出的方法，及M.Mignotte提出的M4ICD［10］及其改進方法BCOCDM［11］，但此類方計算也較為耗時。

計算較復雜的方法雖然生成的圖像視覺效果更優，但在對其算法高效簡化上的技術難度較高，短時間內很難用于對高光譜數據的同步處理。而現存的快速可視化方法又因視覺效果不佳而很難滿足觀察者要求。

在實際應用中，直接獲得的彩色圖像經常會發生模糊且色彩失真，獲取的地物圖像質量也欠佳，因此，將高光譜圖像彩色化可顯著提高原圖像的分辨能力。但是在遙感圖像處理中，通常使用的假彩色圖像只能定性地描述地物，很難定量地描述，而且僅得到假彩色圖像，不能真實再現出其本來的顏色，為此有必要對高光譜圖像的真彩色還原進行研究。利用彩色匹配方程（color matching functions，CMFs）（后文簡稱CMF方法，此方法生成的圖像簡稱CMFHSI）對光譜加權封裝［3］，這種方法計算簡便，且生成的圖像更接近于真彩色圖像，但由于對光譜的分辨率較低，尤其是在對光譜特征較為相近的地物類別進行顯示時，生成的圖像的可分性較差。因此針對以上問題，提出了一種彩色動態顯示方法，可對高光譜數據進行同步顯示。

1 顯示策略及相關理論

1.1 高光譜圖像

成像光譜儀提供的連續窄波段成像技術包含了豐富的表征地物生物理化特性的光譜信息，它所生成的圖像即成為一個擁有多個層面、按波段順序疊合構成的三維數據立方體。

高光譜圖像有以下3個特點［12］：1）高光譜圖像具有高的光譜分辨率；2）相鄰譜帶間存在較強的相關性，這一特點為其降維處理和譜間壓縮提供可能；3）高光譜圖像隨著維數的增加，超立方體的體積集中于角端，超球體和橢球體的體積集中在外殼，該特點進一步為高光譜圖像的降維和壓縮處理提供了理論依據。

1.2 顯示策略

CMF計算簡便，且生成的圖像較接近于真彩色圖像，但由于其生成圖像的類間可分性較差所以限制了其在高光譜可視化中的應用。

現存的高光譜圖像的可視化方法中，生成的圖像都為靜止圖像，也就是說，自觀察者觀看起圖像便沒有變化，而觀察者觀看圖像時都需連續觀看圖像一段時間后才能獲得有用信息。通常人眼對色彩的變化十分敏感，因此對生成的CMF-HSI增加時間軸，形成多幀連續動畫，利用相同地物不同的顏色變化來增強生成圖像的可分性。同時，作為第1幀的CMF-HSI又保留了地物的自然色調特性。

由于高光譜圖像波段數多，狹窄且連續，從而使得數據量巨大、數據之間相關性大，尤其在相鄰的波段之間具有很大的數據冗余。因此僅需提取一部分波段作為動態顯示的多幀圖像，以便減少計算量。而在高光譜數據中，相鄰譜帶間存在較強的相關性，根據相關性的強弱可將原數據劃分為幾個獨立子空間，然后再分別提取波段。分別在子空間中提取波段，能夠保證動態顯示中各波段圖像顯示特征的均衡，更能夠突出數據中地物的特性，獲得更好的視覺效果。為彌補CMF-HSI低光譜分辨率的缺陷，可將原數據各波段位移后加權，利用CMFs函數對不同區域數據敏感度的不同，增強光譜的可分辨性。同時為滿足視覺感官特性，需要保證動態顯示的連續性，因此位移應順位依次循環。最后將保留的波段位移循環后與CMFs函數進行加權，得到一組彩色圖像即為該高光譜數據動態顯示的一組幀。高光譜圖像的同步彩色動態顯示策略示意圖如圖1所示。

圖1 高光譜圖像的同步彩色動態顯示策略示意圖Fig.1 Dynamic display strategy schematic diagram of synchronized HSI

2 同步彩色動態顯示

2.1 波段間粗去不相關

首先將原高光譜圖像波段進行粗提取，去掉含有信息量較低的波段。在高光譜圖像中，相鄰波段間被認為有較高的冗余，因此當某些波段不符合該標準時，則被認為是噪聲過高或信息量較低，而這些波段應被去除［13］。

相鄰波段間的互信息可用于譜間相關性的粗計算，其移動窗口內的均值即可作為局部閾值。此處選擇香濃熵作為測量信息量的方法，其表達式為

式中：x為X中元素，Ξ（X）為X的整體概率，pX（x）為X的概率密度，b值通常取10。

將印第安納州數據進行計算，得到每個波段的熵的曲線圖如圖2中實線所示。圖2中虛線即為熵的局部均值，第i波段計算公式為

圖2 印第安納數據波段間除去不相關Fig.2 Exclusion of irrelevant bands for the Indian forestry image

圖3 即為上述數據中去除波段的灰度圖像，其波段數分別為第4、142、195波段。由圖中可以看出，本方法能夠將原數據中低相關及高噪聲的波段去除。

圖3 去除的波段示例Fig.3 Example of excluded bands

2.2 子空間劃分及波段提取

高光譜圖像數據波段之間的相關性相差很多，不同波段間的相關性隨著波段間隔的增加而減弱。自適應子空間分解算法（adaptive subspace decomposition，ASD）是根據圖像不同波段之間相關性的特點對原圖像進行劃分。對于任意2個波段Bi、Bj的相關系數為

式中：rij為相關矩陣R中的各元素相關系數，取值范圍為［-1，1］，rij越接近于1、2波段間的相關性越強，越接近于0，相關性越弱。mi、mj分別為Bi、Bj的均值。通過計算不同波段間的相關系數把整個數據空間自適應地分解成多個子空間。圖4（a）為印第安納洲農林數據波段間相關性示意圖，圖4（b）為不同波段間的近鄰可傳遞相關曲線。

圖4 200波段AVRIRS數據相關性Fig.4 The 200 band AVRIRS data correlation

如圖4（a）所示，可將原200維數據分為（1～35）、（36～80）和（80～200）3部分。將圖像數據進行子空間劃分后，分別在每個子空間內進行等數量的波段提取。有效波段可根據各波段的共信息進行提取［13］，即尋找高信息量低冗余波段；或者是提取細節及邊緣信息較多的波段，如利用1-bit變換［14］或雙邊濾波［15］；或者選取互信息量最大的幾個波段。此處選用平均概率的隨機波段抽取，在各子空間內所保留波段中，隨機抽取等數量的波段作為有效波段。

2.3 基于CMFs的高光譜圖像色彩還原

在波段數為N，高光譜圖像H的第i行j列的光譜三刺激值可表示為

由CIE1964三刺激顏色匹配函數可以得到各個波段的光譜三刺激值，帶入上式中，即可得到高光譜圖像在某一個像素點的顏色。CIE1964標準光譜三刺激函數曲線如圖5所示。

圖5 CMF曲線Fig.5 Color matching functions

拉伸CMFs可以在可用于高光譜圖像色彩還原，此方法滿足確定光譜權重、易于計算目標，將其進行歸一化處理，即可以滿足等能量白點的要求［3］。

2.4 移位循環加權

將原高光譜數據中除上文選出的有效波段數據保留外，其余置零。然后分別以每個非零波段的下一波段為起始波段，后位循環補全，如圖6所示。然后以CMF函數為系數進行加權，直到所有波段循環一周期為止，此時若選取的有效波段數為N，那么最終得到的CMF-HSI中含有的幀數為N+1。此時由于僅有有限個波段上的數據有效，因此極大的簡化了計算量。又由于有效波段是在各子空間內等量取得，因此保證了不同地物特征顯示的均衡。

圖6 移位循環加權Fig.6 Weighted circulate shift

3 實驗及結果

以下共對3組由AVIRIS傳感器獲取高光譜遙感數據進行實驗。實驗數據分別為印第安納州農林地物（HSI-1）、圣地亞哥軍事圖像（HSI-2）和莫菲特地區（HSI-3）。以上數據皆己經過大氣校正和去除噪聲較大波段等預處理。印第安納州農林地物實驗數據圖像大小為（144×144）像素，200個數據波段。該數據為含有16個類別的有監督圖像，實際地物分布見圖7（a），其第120波段的灰度圖像見圖7（b），經PCA降維用于RGB顯示的圖像如圖7（c）。其余用于實驗的數據大小分別為HSI-2（200× 200×128）和HSI-3（200×200×100）。將以上數據用于本方法在MATLAB中進行仿真測試。

在去除低相關波段時，系數s、δ的取值應根據圖像熵的平滑度決定，s、δ越大，保留下的波段越多，s、δ越小，保留下的圖像信息量越接近平均值，但過小時也會損失掉含有高有用信息的波段。根據各數據特性，人工選取2參數，鄰域大小s取值為11，各個數據中閾值系數δ分別取值5%、0.9%和1.6%。HSI-2和HSI-3數據去除波段情況分別如圖8所示。

圖7 印第安納州農林地物圖像Fig.7 Indiana Forestry Feature Image

圖8 閾值曲線Fig.8 Exclusion of irrelevant bands

數據波段間的近鄰可傳遞相關曲線如圖9所示，因此2數據可分別劃分為3個子空間，之后在每個子空間內提取等量波段作為有效波段。

圖9 各波段間的近鄰可傳遞相關曲線Fig.9 The neighbors transitive correlation curve of different bands

有效波段數量過小則動態圖像幀數變少，易丟失含有高有用信息的波段，而且會降低光譜分辨率。另外，過少的幀數將導致動態圖像變化將過于迅速，人眼難以準確捕捉有用信息，也易產生視覺疲勞；數量過多則計算量也會增大，每幀間區別減小，影響視覺對地物顏色變化的敏感程度。此外還需注意每個子空間內含有的波段數不能小于該子空間需提取的有效波段數，否則，可適當調整每個子空間選取有效波段的數量。此處選擇有效波段的數量區間為［20，40］，各數據有效波段分別選取32、24和24個。

將以上數據進行移位循環且以CMFs系數進行加權，分別得到33、25和25幀圖像，最終得到各數據動態顯示中每幀的情況如圖10。

圖10 動態顯示中每幀的情況Fig.10 The status of frames in the dynamic color visualization

由圖10可看出，每幀圖像顏色變化連續，每種色調圖像數量較為均衡，且不同地物顏色變化特性互不相同。各數據的CMF-HSI如圖11所示。

圖11 CMF-HSIFig.11 CMF-HSI

將以上圖像進行動態顯示，每個數據截取4幀放大顯示，即為圖12～14，幀數見每幅圖像右下角。每組圖像的第1幅皆為該動態圖像的第1幀，即無位移加權的彩色圖像，該圖像也是最為接近CMFHSI的圖像。實際應用時，可把CMF-HSI作為動態顯示的第1幀，在無動態命令時靜止顯示。

圖12 HSI-1數據截取4幀顯示圖Fig.12 Four enlargement frames for HSI-1

圖13 HSI-2數據截取4幀顯示圖Fig.13 Four enlargement frames for HSI-2

圖14 HSI-3數據截取4幀顯示圖Fig.14 Four enlargement frames for HSI-3

圖15 為3組數據每幀圖像與各自CMF-HSI的相關系數曲線，由此可得本方法產生的動態圖像，越是臨近首尾的幀，其圖像越接近于真彩色圖像。

圖15 各幀與CMF-HSI圖像的平均相關系數Fig.15 The correlation coefficient curve between each frame of three data and CMF-HSI

4 結束語

本方法將原CMF-HSI加入了時間維，即變靜止圖像為動態圖像，使觀察者在相同時間內視覺獲得的信息量增多。本方法保留了CMF-HSI圖像接近于真彩色圖像的性質，并且利用位移循環加權增強了光譜分辨率，使得不同地物呈現不同色彩變化率的圖像，增強了視覺感官效果。同時本方法計算簡便，適用于對高光譜數據進行實時性觀察。

［1］BEAUCHEMIN M，FUNG K B.On statistical band selection for image visualization［J］.Photogrammetric Engineering and Remote Sensing，2001，67（5）：571-574.

［2］ROBERTSON P K，O’CALLAHAN J F.The application of perceptual color spaces to the display of remotely sensed imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，26（1）：49-59.

［3］JACOBSON N P，GUPTA M R.Design goals and solutions for display of hyperspectral images［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43（11）：2684-2693.

［4］TYO J S，KONSOLAKIS A，DIERSEN D I，et al.Principal-components-based display strategy for spectral imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（3）：708-718.

［5］CAI S，DU Q，MOORHEAD R，et al.Noise-adjusted principal component analysis for hyperspectral remotely sensed imagery visualization［C］／／Proceedings of IEEE Visualization 2005（VIS 2005）.［S.l.］，2005：119-120.

［6］GUO Baofeng，GUNN S，DAMPER B，et al.Hyperspectral image fusion using spectrally weighted kernels［C］／／2005 8th International Conference on Information Fusion.［S.l.］，2005：25-28.

［7］WILSON T A，ROGERS S K，KABRISKY M.Perceptualbased image fusion for hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（4）：1007-1017.

［8］KOTWAL K，CHAUDHURI S.Visualization of hyperspectral images using bilateral filtering［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（5）：2308-2316.

［9］CUI Ming，RAZDAN A，HU Jiuxiang，et al.Interactive hyperspectral image visualization using convex optimization［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（6）：1673-1684.

［10］MIGNOTTE M.A multiresolution Markovian fusion model for the color visualization of hyperspectral images［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（12）：4236-4247.

［11］MIGNOTTE M.A Bicriteria-optimization-approach-based dimensionality-reduction model for the color display of hyperspectral images［J］.IEEE Transactions on Geoscience and Remote Sensing，2012，50（2）：501-513.

［12］JIMENEZ L O，LANDGREBE D A.Supervised classification in high-dimensional space：geometrical，statistical，and asymptotical properties of multivariate data［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part C：Applications and Reviews，1998，1：9-54.

［13］Le MOAN S，MANSOURI A，VOISIN Y，et al.A constrained band selection method based on information measures for spectral image color visualization［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（12）：5104-5115.

［14］DEMIR B，CELEBI A，ERTURK S.A low-complexity approach for the color display of hyperspectral remote-sensing images using one-bit-transform-based band selection［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（1）：97-105.

［15］LEE J H，HEO A，CHOI W C，et al.Visualization of hyperspectral images using bilateral filtering with spectral angles［C］／／Proceedings of SPIE Signal Processing Sensor Fusion and Target Recognition.［S.l.］，2011，4：80501X-1-80501X-6.

Dynamic display of the hyperspectral image synchronized colors

LIU Danfeng，WANG Liguo，ZHAO Liang
（College of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China）

The spectral weighting envelopes using the color matching function are the current mainstream method of obtaining approximate true-color images for representing hyperspectral image.Meanwhile this method has attracted widespread attention because of its easy computation.An improved method is detailed in this paper.This method changes still images into dynamic images by adding time dimension so that observers can obtain as much information as possible within the same amount of time.This proposed method can obtain approximate true-color images，and this displacement cycle weighted method can also enhance the spectral resolution of the images，so different ground objects present different colors and different rates of change to improve the visual effects.Simultaneously，this method also satisfies the design goal of easy computation，and would be appropriate for real-time observations of hyperspectral imagery.Experiments with the real ground object data show that the color images produced by the model have good visual effects and good separability，and the method adapts to the hyperspectral imagery′s visualization.Keywords：remote sensing；hyperspectral image（HSI）；visualization；color matching functions（CMFs）；color vision；dynamic display

10.3969／j.issn.1006-7043.201306008

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006-7043.201306008.html

TN911.73

A

1006-7043（2014）06-0760-06

2013-06-03.網絡出版時間：2014-05-14 15：50：25.

國家自然科學基金資助項目（61275010）；黑龍江省自然科學基金重點資助項目（ZD201216）.

劉丹鳳（1987-），女，博士研究生；王立國（1974-），男，教授，博士生導師.

劉丹鳳，E-mail：liudanfeng＠hrbeu.edu.cn.