(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210355617.X (22)申请日 2022.04.06 (71)申请人 哈尔滨航天恒星数据系统科技有限 公司 地址 150028 黑龙江省哈尔滨市高新 技术 产业开发区科技创新城创新路1616号 5号楼 申请人 哈尔滨工业大 学 (72)发明人 张朋永　张云　王众娇　宿丽　 魏茂盛　高磊　邵文杰　 (74)专利代理 机构 北京君恒知识产权代理有限 公司 11466 专利代理师 姜有维 (51)Int.Cl. G06V 10/80(2022.01)G06K 9/62(2022.01) G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) (54)发明名称 基于PCGP的多源遥感影像融合识别方法及 其中PCGP的应用 (57)摘要 本发明涉及遥感图像处理领域， 更具体的说 是基于PCGP的多源遥感影像融合识别方法及其 中PCGP的应用。 所述识别方法， 包括PCGP算 法、 多 源遥感影像融合架构设计、 遥感影像预处理和光 学与SAR影像融合识别四个部分； PCGP算法部分 给出PCGP算法的具体原理， 多源遥感影像融合架 构设计部分阐明融合架构设计具体细节， 遥感影 像预处理部分完成数据处理并提取数据信息， 光 学与SAR影像融合识别部分基于PCGP算法、 所设 计的多源遥感影像融合架构和遥感影像的预处 理， 对光学与 SAR影像进行测试， 实现融合识别功 能。 权利要求书2页 说明书4页 附图5页 CN 114708476 A 2022.07.05 CN 114708476 A 1.基于PCGP的多源遥感影 像融合识别方法， 包括以下步骤： S1、 对高分二号RGB波段数据和高分六号红边波段数据进行预处理后再应用PCGP算法， 得到融合影 像一； S2、 对高分三号SA R影像和高分二号全色影像先进行预处理再应用PCGP算法， 得到融合 影像二； 其中， PCGP算法包括PCA变换和梯度金字塔分解融合； S3、 将融合影 像一以及融合影 像二提取特征， 以组成特 征向量； S4、 将所述特征向量输入到SVM分类器、 RFM分类器和CNN分类器中进行影像分类， 基于 不同分类 器输出的分类识别结果， 分别得到识别结果； S5、 所述识别结果应用D S证据理论决策级融合 算法， 得到最终的识别影 像。 2.根据权利要求1所述的识别方法， 所述S1中预处 理包括以下步骤： A1、 对高分二 号多光谱影 像利用ENVI软件进行辐射定标、 大气校正和正 射校准； A2、 对所述A 1中得到的高分二号多光谱影像提取其RGB波段， 得到预处理后的高分二号 多光谱融合数据； A3、 对高分二号全色影像利用ENVI软件进行辐射定标和正射校准， 得到预处理后的高 分二号全色融合数据。 3.根据权利要求2所述的识别方法， 所述S1中： 所述高分六号红边波段数据通过对高分六号多光谱影像提取五、 六红边波段， 并对其 求和取平均得到 。 4.根据权利要求3所述的识别方法， 所述S1中预处 理还包括以下步骤： B1、 对高分六号多光谱影 像利用ENVI软件进行辐射定标、 大气校正和正 射校准； B2、 对所述B1中得到的高分六号多光谱影像提取红边波段， 并对两个红边波段取平均， 得到预处 理后的高分六号多光谱影 像融合数据。 5.根据权利要求1所述的识别方法， 对所述S2中预处 理包括： 对高分三号SAR影像进行双边滤波， 抑制相干斑噪声， 得到预处理后的高分三号SAR融 合数据。 6.根据权利要求1所述的识别方法， 所述 提取特征包括纹 理特征、 hog特 征和矩特 征。 7.根据权利要求1所述的识别方法， 应用PCGP算法得到融合影 像时， 包括以下步骤： D1、 对遥感影 像一进行PCA变换， 得到第一主成分变量； D2、 对遥感影 像二进行PCA变换， 得到第一主成分变量； D3、 对遥感影像二的第一主成分变量与遥感影像一的第一主成分变量进行直方图匹 配； D4、 将两个第一主成分变量应用梯度金字塔分解融合算法， 得到遥感影像一的新的第 一主成分变量； D5、 对所述新的第一主成分变量和遥感影像一的主成分变量一起进行PCA逆变换， 最终 得到融合影 像。 8.根据权利要求7所述的识别方法， 所述梯度 金字塔分解融合算法包括： 获取金字塔每 层影像四个方向上的梯度信息， 将不同的分解层以及不同方向细节影像采用不同的融合算 子进行融合处 理， 所述四个方向分别是横向、 纵向以及两个对角线方向。权　利　要　求　书 1/2 页 2 CN 114708476 A 29.根据权利要求8或1所述的识别方法： 所述PCGP算法的实现过程包括以下步骤： E1、 对原始图像进行变换： F＝AT[‑E(f)] 其中f为原始图像， A为原始图像f的协方差矩阵的特征向量构成的变换矩阵， F为原始 图像f变换后的图像； E2、 设所述变换后的图像F作为高斯金字塔的零层G0， 对变换后的图像F进行塔形分解： GL＝[GL‑1*w(m,n)] ↓2 其中0<L<N， N为金字塔总层数， w(m,n)为5 ×5的窗口函数； E3、 对图像高斯金字塔的最高层除外的各分解层分别进行梯度方向滤波： DLK＝dK*(GL+w0*GL) 0<L<N,K＝1,2,3,4 其中dK表示第K方向梯度滤波算子， w0为3×3的核， DLK表示第L层第K 方向梯度塔形图像； E4、 对金字塔图像每一层各方向分别融合后， 将梯度金字塔转换为FSD型拉普拉斯金字 塔： E5、 将FSD型拉普拉斯金字塔图像 变换为拉普拉斯金字塔图像： LPL＝(I+w)*LL E6、 引入Expan d算子， 由拉普拉斯金字塔图像重构所述变换后的图像F1， 获得重构原图 像F1； F1＝LP0+Expand(LP1)+Expand(Expand(LP2))+…+Expand(Expand(LPN))； E7、 对重构原图像F1与其他主成分变量进行逆变换， 得到融合图像f1： f1＝AF+E(f)。 10.一种根据权利要求9所述的PCGP在光学与SAR影 像融合识别上的应用。权　利　要　求　书 2/2 页 3 CN 114708476 A 3