高光谱图像的同步彩色动态显示

刘丹凤，王立国，赵亮

（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001）

高光谱图像的同步彩色动态显示

刘丹凤，王立国，赵亮

（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001）

高光谱数据的CMF加权封装方法是目前由高光谱数据获取近真彩色图像的主要方法，同时也因其计算简便而受到广泛关注。针对CMF图像分辨率较低问题进行改进，加入时间维，采用位移循环加权方法，变静止图像为动态图像，建立了一种适用于高光谱图像的同步彩色动态显示模型，使观察者在相同观察时间内获得尽可能多的信息。实验表明，生成的图像不仅能够产生接近于真彩色的图像，而且使得不同地物呈现不同色彩和不同的色彩变化率，增强了视觉感官效果。同时该方法也满足计算简便这一设计目标，适用于对高光谱数据进行实时性观察。

遥感；高光谱图像；可视化；颜色匹配方程；彩色视觉；动态显示

高光谱图像（hyperspectral image，HSI）不仅覆盖范围广，同时包含海量的地物空间及光谱信息，而高光谱图像的显示问题已成为遥感可视化技术深入发展的重要障碍。高光谱图像彩色显示方式不同于普通图像的三信道显示，像素颜色未必是地物实际颜色，而是能准确生动地反映出图像中不同地物的类别分布，或满足不同的特殊需求。

在彩色空间中显示出高光谱图像中所含的大量信息是一件具有挑战性的难题。目前常用的高光谱彩色可视化技术按所利用数据源的不同可大致分为2类：1）直接对高光谱立方体数据进行简单变换后进行显示；2）对高光谱数据分析处理后的结果进行显示。第2类方法能够保留较多的有用信息且地物特征显示得更为直观，但是显示效果依赖于数据处理的方法及精度，且计算复杂度较高，无法用于实时显示。第1类方法虽然会丢失有用信息，且生成图像对地物的视觉可分性相对较差，但相对于前一类方法，其无前期处理误差，且具有计算较为简便，耗时少等优点，更加适用于高光谱数据的实时显示。

对高光谱图像进行彩色显示最简单的方式是，选取3个光谱波段作为RGB通道进行假彩色合成，如通过选择3通道的均衡信噪比来得到一个彩色图像［1］。Robertson使用简单的线性变换来将原始数据变换为3信道，然后将3信道合成为1个感知彩色空间，以获得彩色图像［2］。Jacobson等提出基于固定线性光谱加权封装的方法［3］用于高光谱彩色显示。另一种常用方法是压缩多信道信息使其成为携带近乎全部信息的3个主要信道进而获得RGB彩色空间，如PCA［4］和NAPCA［5］等，或者利用融合方法根据某种策略进行融合［6-8］。还有一种遵循距离保持准则的优化策略，该方法将HSI直接优化到彩色空间，如文献［9］中提出的方法，及M.Mignotte提出的M4ICD［10］及其改进方法BCOCDM［11］，但此类方计算也较为耗时。

计算较复杂的方法虽然生成的图像视觉效果更优，但在对其算法高效简化上的技术难度较高，短时间内很难用于对高光谱数据的同步处理。而现存的快速可视化方法又因视觉效果不佳而很难满足观察者要求。

在实际应用中，直接获得的彩色图像经常会发生模糊且色彩失真，获取的地物图像质量也欠佳，因此，将高光谱图像彩色化可显著提高原图像的分辨能力。但是在遥感图像处理中，通常使用的假彩色图像只能定性地描述地物，很难定量地描述，而且仅得到假彩色图像，不能真实再现出其本来的颜色，为此有必要对高光谱图像的真彩色还原进行研究。利用彩色匹配方程（color matching functions，CMFs）（后文简称CMF方法，此方法生成的图像简称CMFHSI）对光谱加权封装［3］，这种方法计算简便，且生成的图像更接近于真彩色图像，但由于对光谱的分辨率较低，尤其是在对光谱特征较为相近的地物类别进行显示时，生成的图像的可分性较差。因此针对以上问题，提出了一种彩色动态显示方法，可对高光谱数据进行同步显示。

1 显示策略及相关理论

1.1 高光谱图像

成像光谱仪提供的连续窄波段成像技术包含了丰富的表征地物生物理化特性的光谱信息，它所生成的图像即成为一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。

高光谱图像有以下3个特点［12］：1）高光谱图像具有高的光谱分辨率；2）相邻谱带间存在较强的相关性，这一特点为其降维处理和谱间压缩提供可能；3）高光谱图像随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳，该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。

1.2 显示策略

CMF计算简便，且生成的图像较接近于真彩色图像，但由于其生成图像的类间可分性较差所以限制了其在高光谱可视化中的应用。

现存的高光谱图像的可视化方法中，生成的图像都为静止图像，也就是说，自观察者观看起图像便没有变化，而观察者观看图像时都需连续观看图像一段时间后才能获得有用信息。通常人眼对色彩的变化十分敏感，因此对生成的CMF-HSI增加时间轴，形成多帧连续动画，利用相同地物不同的颜色变化来增强生成图像的可分性。同时，作为第1帧的CMF-HSI又保留了地物的自然色调特性。

由于高光谱图像波段数多，狭窄且连续，从而使得数据量巨大、数据之间相关性大，尤其在相邻的波段之间具有很大的数据冗余。因此仅需提取一部分波段作为动态显示的多帧图像，以便减少计算量。而在高光谱数据中，相邻谱带间存在较强的相关性，根据相关性的强弱可将原数据划分为几个独立子空间，然后再分别提取波段。分别在子空间中提取波段，能够保证动态显示中各波段图像显示特征的均衡，更能够突出数据中地物的特性，获得更好的视觉效果。为弥补CMF-HSI低光谱分辨率的缺陷，可将原数据各波段位移后加权，利用CMFs函数对不同区域数据敏感度的不同，增强光谱的可分辨性。同时为满足视觉感官特性，需要保证动态显示的连续性，因此位移应顺位依次循环。最后将保留的波段位移循环后与CMFs函数进行加权，得到一组彩色图像即为该高光谱数据动态显示的一组帧。高光谱图像的同步彩色动态显示策略示意图如图1所示。

图1 高光谱图像的同步彩色动态显示策略示意图Fig.1 Dynamic display strategy schematic diagram of synchronized HSI

2 同步彩色动态显示

2.1 波段间粗去不相关

首先将原高光谱图像波段进行粗提取，去掉含有信息量较低的波段。在高光谱图像中，相邻波段间被认为有较高的冗余，因此当某些波段不符合该标准时，则被认为是噪声过高或信息量较低，而这些波段应被去除［13］。

相邻波段间的互信息可用于谱间相关性的粗计算，其移动窗口内的均值即可作为局部阈值。此处选择香浓熵作为测量信息量的方法，其表达式为

式中：x为X中元素，Ξ（X）为X的整体概率，pX（x）为X的概率密度，b值通常取10。

将印第安纳州数据进行计算，得到每个波段的熵的曲线图如图2中实线所示。图2中虚线即为熵的局部均值，第i波段计算公式为

图2 印第安纳数据波段间除去不相关Fig.2 Exclusion of irrelevant bands for the Indian forestry image

图3 即为上述数据中去除波段的灰度图像，其波段数分别为第4、142、195波段。由图中可以看出，本方法能够将原数据中低相关及高噪声的波段去除。

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

2.2 子空间划分及波段提取

高光谱图像数据波段之间的相关性相差很多，不同波段间的相关性随着波段间隔的增加而减弱。自适应子空间分解算法（adaptive subspace decomposition，ASD）是根据图像不同波段之间相关性的特点对原图像进行划分。对于任意2个波段Bi、Bj的相关系数为

式中：rij为相关矩阵R中的各元素相关系数，取值范围为［-1，1］，rij越接近于1、2波段间的相关性越强，越接近于0，相关性越弱。mi、mj分别为Bi、Bj的均值。通过计算不同波段间的相关系数把整个数据空间自适应地分解成多个子空间。图4（a）为印第安纳洲农林数据波段间相关性示意图，图4（b）为不同波段间的近邻可传递相关曲线。

图4 200波段AVRIRS数据相关性Fig.4 The 200 band AVRIRS data correlation

如图4（a）所示，可将原200维数据分为（1～35）、（36～80）和（80～200）3部分。将图像数据进行子空间划分后，分别在每个子空间内进行等数量的波段提取。有效波段可根据各波段的共信息进行提取［13］，即寻找高信息量低冗余波段；或者是提取细节及边缘信息较多的波段，如利用1-bit变换［14］或双边滤波［15］；或者选取互信息量最大的几个波段。此处选用平均概率的随机波段抽取，在各子空间内所保留波段中，随机抽取等数量的波段作为有效波段。

2.3 基于CMFs的高光谱图像色彩还原

在波段数为N，高光谱图像H的第i行j列的光谱三刺激值可表示为

由CIE1964三刺激颜色匹配函数可以得到各个波段的光谱三刺激值，带入上式中，即可得到高光谱图像在某一个像素点的颜色。CIE1964标准光谱三刺激函数曲线如图5所示。

图5 CMF曲线Fig.5 Color matching functions

拉伸CMFs可以在可用于高光谱图像色彩还原，此方法满足确定光谱权重、易于计算目标，将其进行归一化处理，即可以满足等能量白点的要求［3］。

2.4 移位循环加权

将原高光谱数据中除上文选出的有效波段数据保留外，其余置零。然后分别以每个非零波段的下一波段为起始波段，后位循环补全，如图6所示。然后以CMF函数为系数进行加权，直到所有波段循环一周期为止，此时若选取的有效波段数为N，那么最终得到的CMF-HSI中含有的帧数为N+1。此时由于仅有有限个波段上的数据有效，因此极大的简化了计算量。又由于有效波段是在各子空间内等量取得，因此保证了不同地物特征显示的均衡。

图6 移位循环加权Fig.6 Weighted circulate shift

3 实验及结果

以下共对3组由AVIRIS传感器获取高光谱遥感数据进行实验。实验数据分别为印第安纳州农林地物（HSI-1）、圣地亚哥军事图像（HSI-2）和莫菲特地区（HSI-3）。以上数据皆己经过大气校正和去除噪声较大波段等预处理。印第安纳州农林地物实验数据图像大小为（144×144）像素，200个数据波段。该数据为含有16个类别的有监督图像，实际地物分布见图7（a），其第120波段的灰度图像见图7（b），经PCA降维用于RGB显示的图像如图7（c）。其余用于实验的数据大小分别为HSI-2（200× 200×128）和HSI-3（200×200×100）。将以上数据用于本方法在MATLAB中进行仿真测试。

在去除低相关波段时，系数s、δ的取值应根据图像熵的平滑度决定，s、δ越大，保留下的波段越多，s、δ越小，保留下的图像信息量越接近平均值，但过小时也会损失掉含有高有用信息的波段。根据各数据特性，人工选取2参数，邻域大小s取值为11，各个数据中阈值系数δ分别取值5%、0.9%和1.6%。HSI-2和HSI-3数据去除波段情况分别如图8所示。

图7 印第安纳州农林地物图像Fig.7 Indiana Forestry Feature Image

图8 阈值曲线Fig.8 Exclusion of irrelevant bands

数据波段间的近邻可传递相关曲线如图9所示，因此2数据可分别划分为3个子空间，之后在每个子空间内提取等量波段作为有效波段。

图9 各波段间的近邻可传递相关曲线Fig.9 The neighbors transitive correlation curve of different bands

有效波段数量过小则动态图像帧数变少，易丢失含有高有用信息的波段，而且会降低光谱分辨率。另外，过少的帧数将导致动态图像变化将过于迅速，人眼难以准确捕捉有用信息，也易产生视觉疲劳；数量过多则计算量也会增大，每帧间区别减小，影响视觉对地物颜色变化的敏感程度。此外还需注意每个子空间内含有的波段数不能小于该子空间需提取的有效波段数，否则，可适当调整每个子空间选取有效波段的数量。此处选择有效波段的数量区间为［20，40］，各数据有效波段分别选取32、24和24个。

将以上数据进行移位循环且以CMFs系数进行加权，分别得到33、25和25帧图像，最终得到各数据动态显示中每帧的情况如图10。

图10 动态显示中每帧的情况Fig.10 The status of frames in the dynamic color visualization

由图10可看出，每帧图像颜色变化连续，每种色调图像数量较为均衡，且不同地物颜色变化特性互不相同。各数据的CMF-HSI如图11所示。

图11 CMF-HSIFig.11 CMF-HSI

将以上图像进行动态显示，每个数据截取4帧放大显示，即为图12～14，帧数见每幅图像右下角。每组图像的第1幅皆为该动态图像的第1帧，即无位移加权的彩色图像，该图像也是最为接近CMFHSI的图像。实际应用时，可把CMF-HSI作为动态显示的第1帧，在无动态命令时静止显示。

图12 HSI-1数据截取4帧显示图Fig.12 Four enlargement frames for HSI-1

图13 HSI-2数据截取4帧显示图Fig.13 Four enlargement frames for HSI-2

图14 HSI-3数据截取4帧显示图Fig.14 Four enlargement frames for HSI-3

图15 为3组数据每帧图像与各自CMF-HSI的相关系数曲线，由此可得本方法产生的动态图像，越是临近首尾的帧，其图像越接近于真彩色图像。

图15 各帧与CMF-HSI图像的平均相关系数Fig.15 The correlation coefficient curve between each frame of three data and CMF-HSI

4 结束语

本方法将原CMF-HSI加入了时间维，即变静止图像为动态图像，使观察者在相同时间内视觉获得的信息量增多。本方法保留了CMF-HSI图像接近于真彩色图像的性质，并且利用位移循环加权增强了光谱分辨率，使得不同地物呈现不同色彩变化率的图像，增强了视觉感官效果。同时本方法计算简便，适用于对高光谱数据进行实时性观察。

［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.网络出版时间：2014-05-14 15：50：25.

国家自然科学基金资助项目（61275010）；黑龙江省自然科学基金重点资助项目（ZD201216）.

刘丹凤（1987-），女，博士研究生；王立国（1974-），男，教授，博士生导师.

刘丹凤，E-mail：liudanfeng＠hrbeu.edu.cn.