基于IHS变换的遥感影像融合方法
遥感影像融合方法分析
遥感影像融合方法分析遥感影像的融合是对来自同一区域的多源图像数据进行综合处理，以获得对该区域更为准确、全面、可靠的影像描述。
由于遥感影像融合的这一特点，使得这一技术在遥感中有着很重要的作用，这一技术也成为近几年国际遥感界的研究热点。
本文研究了目前学术界提出的几种较为流行的影像融合算法，对它们的特点进行了分析，同时给出了影像融合的效果的评价准则。
标签：遥感；影像；融合引言随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。
不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。
显然，影像融合为我们提供了一个很好的途径。
影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。
图像融合一般分为三个层次：①像素级融合。
像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。
是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。
是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。
图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。
下面本文将对其中一些算法进行介绍并分析。
1 目前较为流行的影像融合算法分析1.1 小波变换法1.2 Brovey变换法Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。
基于IHS变换和形态小波变换的遥感图像融合
３ 用第 ２ ） 步得到 的融 合分量代 替亮 度分 量
代 多光 谱 图像 的 亮度 分量 的 方式 ，利 用形 态 小 波变 像 ，并 同 Ｈ、ｓ 分量 图像 一 起 转 换 到 Ｒ 空 ，最 ＧＢ 换 融 合 方法来 融 合 多光谱 图像 的亮度 分 量 与＿＝ 图 后得到融合结果罔像 牟色
近 些 年 图像 融 合 的方 法 主要 有 Ｉ 变 换 融 合 方 步 骤 为 ： ＨＳ 法 、小 波 变换 融合 方 法 １ ｏ Ｉｕ ｌｔ 换 融 、Ｃ ｎｎ ｒ 变 ｅ １ 多 光 谱 像 的 Ｒ、（、ｌ 个 波 段 转 换 钊 ）将 ｛ 合 、形 态小 波变 换融 合 力 法 ‘ 。 ＝ 等 Ｉ Ｓ 问 ，得 到Ｉ Ｈ空 、Ｈ、 个 分 ． ． 在传 统 ＩＩ 变 换 融 合 方法 中 ， 由于 直接 采 用 ￣ ＨＳ Ｊ ２ 将 全 色 像 多光 谱 像 经 Ｉ 变 换 后 得 到 ） ｊ ＨＳ
像 ，提 出 了一种 基 于 Ｉ Ｓ 换 和形 态 小 波 变换 的遥 Ｈ变
［ 稿 日期 】２ １— — 收 ０ ２ １４
图像融合 过程 可 以描 述 为
【 基金项 目］ 尔省 Ｆ然科学基金项 ｆ（２ １ １２ ４ ０ ０ １ １ ＿９ ５ ７ ０ ０ ０ ０ ） １ ８ 【 作者简介】陈增 兵 （ ９ ８ １８ ～）， （ ），汀苏 迁人 ，钡 ¨研究生，— ａｌ ａ ｋｏ ｅｚ＠１ｍ ｉ 汉 １ ： Ｅ ｍｉ ：ｈ ｎ ａｋ ￣ｈ ｇ ａｌ ・ “ｍ
第１ 期
陈增兵 ，张基宏 ：基 于Ｉ 变换 和形 态小波变换的遥感 图像融合 ＨＳ
１基 于 Ｉ 变 换与 形态 小波 变换 的遥 感 图像 ＨＳ
融合 方 法
光学 罔像进 行 融合 ，使 融 合后 的多光 谱 图像具 有 较 １１ ＨＳ ． Ｉ 变换 融合 方法
融合算法算例
图像融合算法简介一、有关IHS变换的遥感图像融合算法及实例计算1.1 IHS算法u1=zeros(3,1);u2=zeros(3,1);v11=zeros(3,1);v12=zeros(3,1);AA=zeros(3,3);BB=zeros(3,3);AA=[1/sqrt(3),1/sqrt(3),1/sqrt(3)1/sqrt(6),1/sqrt(6),-2/sqrt(6)1/sqrt(2),-1/sqrt(2),0];BB=[1/sqrt(3),1/sqrt(6),1/sqrt(2)1/sqrt(3),1/sqrt(6),-1/sqrt(2)1/sqrt(3),-2/sqrt(6),0];RGB_up=imread('6.bmp');RGB_low=imread('5.bmp');[M,N,color]=size(RGB_up);R_up=RGB_up(:,:,1);G_up=RGB_up(:,:,2);B_up=RGB_up(:,:,3);[hang,lie,color]=size(RGB_up);for i=1:hangfor j=1:liev11(1)=double(RGB_up(i,j,1));v11(2)=double(RGB_up(i,j,2));v11(3)=double(RGB_up(i,j,3));v12(1)=double(RGB_low(i,j,1));v12(2)=double(RGB_low(i,j,2));v12(3)=double(RGB_low(i,j,3));u1=AA*v11;u2=AA*v12;u2(1)=u1(1);v12=BB*u2;RGB(i,j,1)=v12(1);RGB(i,j,2)=v12(2);RGB(i,j,3)=v12(3);endendr=RGB(:,:,1);g=RGB(:,:,2);b=RGB(:,:,3);RGB=uint8(round(RGB));imshow(RGB)1.2实例原MS图像/5 原PAN图像/6融合后图像二、有关NSCT变换的医学图像重构算法及实例计算2.1 NSCT算法function coeffs = nsct( im, option )if ~exist('im', 'var')im = imread ('015.png') ;elseif isstr(im)im = imread ( im ) ;elseerror('You shall input valid image name!');end% Parameteters:nlevels = [0, 1, 3] ; % Decomposition levelpfilter = 'maxflat' ; % Pyramidal filterdfilter = 'dmaxflat7' ; % Directional filter% Nonsubsampled Contourlet decompositioncoeffs = nsctdec( double(im), nlevels, dfilter, pfilter ); % Reconstruct imageimrec = nsctrec( coeffs, dfilter, pfilter ) ;disp(' ') ;% Show the reconstruction image and the original image figure;subplot(1,2,1), imagesc( im, [0, 255] );title('Original image' ) ;colormap(gray);axis image off;subplot(1,2,2), imagesc( imrec, [0, 255] );title('Reconstructed image' ) ;colormap(gray);axis image off;mse = sum( sum( (imrec - double(im)).^2 ) );mse = mse / numel(im);disp( sprintf('The mean square error is: %f', mse ) );disp(' ');2.2实例原图像重构后图像三、有关Brovey变换的融合算法及实例计算3.1 Brovey算法x0=imread('5.bmp');[a,b,c]=size(x0);x=double(x0)/255;y=imread('6.bmp');y1=double(y)/255;x1=zeros(a,b);x2=zeros(a,b);x3=zeros(a,b);for f=1:afor e=1:bxx(f,e)=x(f,e,1)+x(f,e,2)+x(f,e,3);x1(f,e)=x(f,e,1)*y1(f,e)/xx(f,e);x2(f,e)=x(f,e,2)*y1(f,e)/xx(f,e);x3(f,e)=x(f,e,3)*y1(f,e)/xx(f,e);endendfor i=1:afor j=1:bp(i,j,1)=x1(i,j);p(i,j,2)=x2(i,j);p(i,j,3)=x3(i,j);endendfu=uint8(round(p*255));%figure,imshow(fu);%%%%%%%%%%%%%%%%%%%%%%%% 第一主成分 %%%%%%%%%%%%%%%%%% h=x1(1,1);%最大值for i=1:afor j=1:bif x1(i,j)>hh=x1(i,j);elseendendendo=x1(1,1); % 最小值for i=1:afor j=1:bif x1(i,j)<oo=x1(i,j);elseendendendfor i=1:afor j=1:bxx1(i,j)=(x1(i,j)-o)./(h-o);endend%%%%%%%%%%%%%%%%%%%%%%%% 第二主成分 %%%%%%%%%%%%%%%%%% h=x2(1,1);%最大值for i=1:afor j=1:bif x2(i,j)>hh=x2(i,j);elseendendendo=x2(1,1); % 最小值for i=1:afor j=1:bif x2(i,j)<oo=x2(i,j);elseendendendfor i=1:afor j=1:bxx2(i,j)=(x2(i,j)-o)./(h-o);endend%%%%%%%%%%%%%%%%%%%%%%%% 第三主成分 %%%%%%%%%%%%%%%%%% h=x3(1,1);%最大值for i=1:afor j=1:bif x3(i,j)>hh=x3(i,j);elseendendendo=x3(1,1); % 最小值for i=1:afor j=1:bif x3(i,j)<oo=x3(i,j);elseendendendfor i=1:afor j=1:bxx3(i,j)=(x3(i,j)-o)./(h-o);endendfor i=1:afor j=1:bl(i,j,1)=xx1(i,j);l(i,j,2)=xx2(i,j);l(i,j,3)=xx3(i,j);endendfigure,imshow(l);title('融合后图像');3.2 实例原MS图像/5 原PAN图像/6融合后图像四、有关PCA变换的图像融合算法及实例计算4.1 PCA算法up=imread('6.bmp');low=imread('5.bmp');[up_R]=double(up(:,:,1));[up_G]=double(up(:,:,2));[up_B]=double(up(:,:,3));[low_R]=double(low(:,:,1));[low_G]=double(low(:,:,2));[low_B]=double(low(:,:,3));[M,N,color]=size(up);up_Mx=0;low_Mx=0;for i=1:Mfor j=1:Nup_S=[up_R(i,j),up_G(i,j),up_B(i,j)]';%生成由R，G， B组成的三维列向量up_Mx=up_Mx+up_S;low_S=[low_R(i,j),low_G(i,j),low_B(i,j)]';low_Mx=low_Mx+low_S;endendup_Mx=up_Mx/(M*N);% 计算三维列向量的平均值low_Mx=low_Mx/(M*N);up_Cx=0;low_Cx=0;for i=1:Mfor j=1:Nup_S=[up_R(i,j),up_G(i,j),up_B(i,j)]';up_Cx=up_Cx+up_S*up_S';low_S=[low_R(i,j),low_G(i,j),low_B(i,j)]';low_Cx=low_Cx+low_S*low_S';endendup_Cx=up_Cx/(M*N)-up_Mx*up_Mx';% 计算协方差矩阵low_Cx=low_Cx/(M*N)-low_Mx*low_Mx';[up_A,up_latent]=eigs(up_Cx);% 协方差矩阵的特征向量组成的矩阵[low_A,low_latent]=eigs(low_Cx);for i=1:Mfor j=1:Nup_X=[up_R(i,j),up_G(i,j),up_B(i,j)]';% 生成由R，G， B组成的三维列向量up_Y=up_A'*up_X;% 每个像素点进行PCA正变换up_Y=up_Y';up_R(i,j)=up_Y(1);% 高分辨率图片的第1主分量up_G(i,j)=up_Y(2);% 高分辨率图片的第2主分量up_B(i,j)=up_Y(3);% 高分辨率图片的第3主分量low_X=[low_R(i,j),low_G(i,j),low_B(i,j)]';low_Y=low_A'*low_X;low_Y=low_Y';low_R(i,j)=low_Y(1);% 低分辨率图片的第1主分量low_G(i,j)=low_Y(2);% 低分辨率图片的第2主分量low_B(i,j)=low_Y(3);% 低分辨率图片的第3主分量endendfor i=1:Mfor j=1:Nup_Y=[up_R(i,j),up_G(i,j),up_B(i,j)]';up_X=up_A*up_Y;% 每个像素点进行PCA反变换up_X=up_X';up_r(i,j)=up_X(1);up_g(i,j)=up_X(2);up_b(i,j)=up_X(3);low_Y=[up_R(i,j),low_G(i,j),low_B(i,j)]';low_X=low_A*low_Y;low_X=low_X';low_r(i,j)=low_X(1);low_g(i,j)=low_X(2);low_b(i,j)=low_X(3);endendRGB(:,:,1)=low_r;RGB(:,:,2)=low_g;RGB(:,:,3)=low_b;imshow(uint8(RGB))title('PCA转化后图像');4.2实例原MS图像/5 原PAN图像/6PCA转化后图像五、综合评价指标从上表中可以看出，IHS方法清晰度最高，Brovey方法的相对标准差和熵在三个方法中是最好的，而PCA方法的相对扭曲度是最低的，也就是最好的。
遥感影像像素级融合方法概述
遥感影像像素级融合方法概述摘要：本文介绍了6种不同的像素级遥感影像融合方法，并较为深入的探讨了几种融合方法的原理、实现过程和优缺点，并对几种融合方法进行了综合评价，得到了针对多光谱影像融合较好的方法，表明了不同传感器影像融合的潜力，同时论文也对融合影像的应用推广进行了初步的对比分析。
关键词：融合原理评价方法0 引言影像融合按照其水平和特点可以分为像素级、特征级和决策级融合[1]，本文讨论的是像素级的影像融合方法，像素级融合是对传感器的原始信息及预处理的各个阶段上产生的信息分别进行融合处理。
对不同卫星和不同传感器的遥感影像进行融合，可以取长补短，产生新的融合影像。
比较常见的影像融合是高分辨率全色影像和低分辨率多光谱影像的融合，生成的新的融合影像既具有全色影像的高分辨率，也一定程度上保持了多光谱影像的光谱信息。
目前比较成功的高分辨率商业卫星如QuickBird、IKONOS和SPOT5，都搭载有高分辨率全色和低分辨率的多光谱相机，能同时提供全色和多光谱影像，并提供两者的融合产品。
QuickBird、IKONOS和SPOT5的全色和多光谱影像分辨率之比都为1:4或1:2，而CBERS-02B星的全色和多光谱影像分辨率之比大约为1:8，虽然CBERS-02B星HR与CCD的融合影像能一定程度上保持HR的高空间分辨率和CCD的高光谱分辨率，但1:8的大比率给CBERS-02B星的全色和多光谱影像融合也带来了一些困难和问题，如全色和多光谱影像之间的配准精度难已保证、融合影像出现斑块效应等等。
1 像素级影像融合方法1.1 HSV融合方法 HSV融合方法属于一种颜色变换的融合方法，首先介绍一下HSV颜色变换，HSV颜色变换是把标准的RGB图像变换到为色度H (Hue)、饱和度S (Saturation)和亮度V (Value)图像。
HSV融合方法流程是对多光谱影像3个波段使用HSV颜色正变换为H、S和V三幅图像，然后用高分辨率影像替代H图像，最后对H、S和V图像实施HSV颜色变换的逆变换得到融合影像。
遥感图像融合
图像融合实验报告一、实验目的通过本实验熟练操作遥感图像处理的专业软件PCI，进行图像融合。
二、实验内容（1）、利用遥感图像处理的专业软件PCI的Xpace模块的Image Processing中的IHS进行IHS变换处理；（2）、利用遥感图像处理的专业软件PCI利用Xpace模块的Image Processing中的FUSE进行图像融合处理。
三、实验步骤(一)生成Pix文件先用ImageWorks Configuration打开B10.FST文件，在此之前先用记事本打开查看其参数，将其参数填在相应位置，确定生成一个aux文件，并load第一波段的图像即B10.FST。
将B10转为pix文件格式，并将其他波段（除了第八波段）都添加到这个pix 文件中，这里命名pix文件名为123-32.pix。
说明：B61，B62都为第六波段且为争议波段，这里选择一个即可，这里选的是B61 (二)HIS与RGB的转换打开生成的pix文件添加6个空通道，打开Xpace模块，进行IHS转换：在Image Processing（Pacages）中的IHS（Convert RGB to IHS）进行IHS正变换处理。
将7，4，1波段转为RGB 到8,9,10空通道加载图像，将7，4，1波段的与8，9，10通道的进行小窗口对比换用第二种模型转换，将其与第一种模型进行比较再添加6个空通道，利用RGB（Convert IHS to RGB）进行HIS逆变换处理，即将8,9,10通道的波段变回RGB模式加载图像，将其与原来的7,4,1通道的合成图像进行比较若是换第二种模型，将其转回去，得到的结果如下出现了明显差异用第5波段对7,4,1波段进行融合(三)图像融合加载第八波段的FST文件，将其转为pix文件，命名为123-32Pan.pix打开Xpace模块的Image Processing（Pacages）中的FUSE（Data Fusion），进行图像融合处理，在此之前先添加3个空通道。
基于IHS变换和亮度调节的遥感图像融合方法
１ 典型 的 遥感 图像 融合 方法
１ １ 基于 Ｉｓ变换的融合方法 ． ｌ ｌ Ｉ （ｎ ｎｉ ， ｕ ，ａｕａｏ ） ＨＳ Ｉｔ ｓｙ Ｈ ｅ． ｔｒｔ ｎ 表示 亮 度 、 调 和饱 和 度， ｅ ｔ Ｓ ｉ 色
基 于 ＩＳ变 换 和 亮度 调 节 的遥 感 图像 融 合 方 法 Ｈ
杨 俊 ， 忠 明 赵
（ 中国科学院 遥感应用研究所， 北京 １００ ） ０ １１
摘 要 ：为 了能更好 地将分 析 了几种 典 型 的遥 感 图像 融 合 方 法后 ， 在
基于 Ｉ ＨＳ变换 和 亮度调 节的 思想探 讨 了一种 新的 遥感 图像 融 合 方法 。通 过 两组 仿 真试 验 将 该 算 法与 Ｉ Ｓ融合 Ｈ 法、 于 Ｉ 基 ＨＳ变换和 小波 变换相 结合 的融 合方 法进行 了比较 ， 定性 和定 量 的评 价 分析表 明， 出的 融合 方 法获得 提 了基 于 Ｉ Ｓ变换 与小 波变换 相结合 的 融合 方法相 同甚 至更好 的 融合 效果 ， 算法 更加 简化 。 Ｈ 但 关键 词 ：图像 融合 ；亮度 、 色度 和饱 和度 变换 ；小波 变换 ；亮度 调 节 中图分 类号 ：Ｔ ７ １ Ｐ ５ 文献 标 志码 ：Ａ 文 章编 号 ：１０ － ６ ５ ２ ０ ）４ ０ ９ ．３ ０ １３ ９ （０ ７ ０ ． １５ ０
ｉ ｇ ｕ ｉｎ ｍｅ ｈ ｄ ． Ｉ ｐ ｏ ｏ ｅ ｅ ｕ ｉｎ ｍｅｈ ｄ ａ ｅ ｎ Ｉ ｒ ｎ ｆ ｒ ｎ ｎ ｅ ｓｔ ｄ ｌ ｔ ｎ Ｔｈ ｒ ｐ ｓ ｄ ｍａ ｅ ｆｓｏ ｔ ｏ ｓ ｔ ｒ ｐ ｓ ｄ ａ ｎ ｗ ｆ ｓ ｔ ｏ ｂ ｓ ｄ ｏ ＨＳ ｔａ ｓｏ ｏ ｍ ａ ｄ ｉ ｔ ｎ ｉ ｍｏ ｕ ａｉ ． ｙ ｏ ｅ ｐｏ ｏ ｅ ｍｅ ｈ ｄ ｗ ｓｃ ｍｐ ｒ ｄ ｗｉ ＨＳ ｆ ｓ ｎｍｅｈ ｄａ ｄ Ｉ ｎ ａ ｅｅ ｎｅ ｒ ｔ ｄ ｍｅｈ ｄ ｔ ｏ ａ ｏ ａｅ ｔ Ｉ ｕ ｉ ｔ ｏ ｎ ＨＳ ａ ｄ ｗ ｖ ｌｔ ｔｇ ａｅ ｔ ｏ ．Ｂ ｔ ｕ ｌ ａｉ ｅａ ｄ ｑ ａ ｔ ａｉ ｅｒ ｓ ｈ ｈ ｏ ｉ ｏ ｈ ｑ ａｉ ｔ ｎ ｕ ｎ ｉ ｔ ｅ ｕ ｓ ｔ ｖ ｔ ｖ ｓ ｏ ｅ ｈ ｔｕ ｉ ｇ ｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ａ ｅ ｄ ｎ ｉａ ｖ ｒ ｍｏ ｅ ｓ ｔ ｆ ｃｏ ｙ ｒ ｓ ｌ ｔ ａ ｓｎ ＨＳ ａ ｄ ｗ ｖ ｌｔｉ ｔｇ ａ ｅ ｈ ｗ ｄ ｔ ａ ｓｎ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ｃ ｎ ｇ ｔｉ ｅ ｔ ｌｅ ｅ ｒ ａ ｉ ａ ｔｒ ｅ ｕｔ ｈ ｎ ｕ ｉｇ Ｉ ｎ ａ ｅｅ ｎ ｅ ｒ ｔ ｄ ｈ ｃ ｓ ｍｅｈ ｄ，ｂ ｔｔ ｉ ｍｅｈ ｄ ｃ ｎ ｒ ｄ ｃ ｏ ｕ ｉ ｇ ｔ ｅ ｒ ａ ｌ ． ｔｏ ｕ ｈｓ ｔ ｏ ａ ｅ ｕ ｅ ｃ ｍｐ ｔｎ ｍｅ ｒ ｍａ ｋ ｂ ｙ ｉ Ｋｅ ｒ ｓ ｉ ｇ ｕ ｉｎ；Ｉ ｒ ｎ ｆ ｒ ｙ ｗｏ ｄ ： ｍａ ｅｆ ｓｏ ＨＳ ｔａ ｓｏ ｍ；ｗａ ｅｅ ｒ ｎ ｆ ｍ ；ｉｔ ｎ ｉ ｄ ｌｔ ｎ ｖ ｌｔ ａ ｓｏ ｔ ｎ ｅ ｓｔ ｍｏ ｕ ａｉ ｙ ｏ
一种基于IHS变换和小波变换的多源遥感影像融合新方法
性， 融合 的效果也会更好 。Ｉ Ｈ Ｓ变换方法得到的强 度 分量 Ｉ 与待 融合 的全 色影 像均 具有 类 似 的空 间 信
关键 词 多源遥感影像 小波 变换 中图分 类号 ： Ｐ ２ ３ ７ 低频 系数 局部方 差 融合 算法 文章编号 ： １ ６ ７ ２ —４ ０ ９ ７ （ ２ ０ １ ３ ） ０ ２ —０ ０ １ ６—０ ４ 文献标识码 ： Ａ
１ 引
言
为 了将 多光 谱 影像 通 过 数 学 变 换 将 其 转 换 到 其 他
图像进行 分解 ， 并且 可 以聚焦 到图像 上 的任意 细 节， 从 而将 一 幅图像 有 效 地 分解 成 低 频 部 分 和 高 频
部 分 。由于 同一 地 区 不 同传 感 器 遥 感 影 像 的 区 别
分解和快速重构算法进行图像融合［ ５ ］ 。用小波变换 可 以将 图像 分 解 为 更 低 分 辨 率 水 平 上 的 低 频 轮 廓 信息和原始信号在水平 、 垂直 和对角线方 向的高频 细 节信 息 ，且可 以对 图像 作 多 次 分 解 ， 形成 多 级 子
高频分量按局部方差最大的融合策略进行融合。
也 是一 种很 有发 展前 景 的算 法 。 小 波变 换 在 图像 融 合 中可 以根 据 实 际 需 要 来 引 入两 图 的 细 节 信 息 ， 这 样 更 加 有 实 用 性 和 针 对
２ Ｉ Ｈ Ｓ变换与小波变换相结合的融合算法
首先对两 幅全色影像与 多光谱 影像进行 精确 配准 ， 然后利用不 同的算法进行变换融合。主要是
由于多光谱影像含有丰富的光谱信息 ， 全色影像具 有很高的空 间分辨率 。本论文通 过将 多光谱影像 与全色 影像 进 行像 素 级 融 合 ［ ４ ］ ， 使 融 合 后 的图 像 在
遥感卫星数据的融合方法
北京揽宇方圆信息技术有限公司遥感卫星数据的融合方法多源数据的融合依据监测区情况不同、数据源的不同类型，其融合方法也不同。
但总体上分为以下几个步骤：融合前影像处理、融合单元的选择、最佳融合算法的选取及实现以及融合后的处理和效果检查。
数据融合技术路线图影像融合技术要求a)光学遥感数据之间的配准中误差应不超过1个像元素；b)融合后的图像影像中，各种地类特征应明显，边界应清晰，通过目视解译可以区分各种地类信息。
c)影像融合一般以景为单位，不同数据源也可采用完整辖区为单元。
d)相同季节融合后影像要色调基本一致，不同季节影像色彩应反映当时地类光谱特征。
e)根据影像波段的光谱范围、地物和地形特征等因素，选择能清晰表现土地利用类型特征和边界、色彩接近自然的融合算法。
f)融合影像应无重影、模糊等现象。
影像融合前影像处理对纠正、配准后满足精度要求的全色与多光谱数据，融合前还需要对其进行预处理。
一方面，提高全色数据的亮度，增强局部反差突出纹理细节，尽可能降低噪声；另一方面，对多光谱数据进行色彩增强，拉大不同地类之间的色彩反差，突出其多光谱彩色信息。
1、全色数据处理在融合中要突出全色数据的高分辨率特征，因此融合前处理的目的是为了增强局部灰度的反差从而突出纹理细节和加强纹理能量，通过细化来尽可能减少噪音。
特别强调在增强局部灰度反差时只是增加灰度的值，原灰度关系保持不变。
考虑到土地利用遥感监测需要从遥感影像上直接判读地类信息，从而发现新增建设用地图斑。
因此，在拉伸方法选择上不应采用非线性拉伸。
否则原灰度值的大小关系会发生变化，从而使影像产生灰度扭曲，增加含义不明确的伪信息，影响解译精度。
2、多光谱数据处理多光谱数据具有多个光谱波段和丰富的光谱信息，不同波段影像对不同地物有特殊的贡献。
因此在影像融合前需要进行最佳波段的选择组合和彩色合成，以最大程度地利用各波段的信息量，辅助影像的判读与分析。
在融合影像中，多光谱数据的贡献主要是光谱信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｒ ｓ ｌ ｔｏ ｎｄ ｓ ｃｒ ｌｉ ｆ ｒ ｔｏ ｎ ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｈ ａ ｓ ｈ ｅ ｐ ｎ ｈ ｏ ｔ ｍ ｇ ｓ ａｅ ｐ ｏｖｄ ｄ ｗｉ ｇ ｅ ｏ ｕ ｉ ｎ ａ ｐ ｔａ ｎ ｏ ｍａ ｎ ｉ ｅ ｉ ｅ ｔ ｅ ｓｎ ，ｔ ｔｉ，ｔ ａ ｃ ｒ ｍ ｉ ｉ ａ ｃ ａ ｅ ｌ ｒ ｉｅ ｔ ａ ｈ ｈ ｈ ｉ ｓ ａ ｉｌ ｒ ｓ ｌ ｔ ｎ ｂｕ ａ ｋ ｏ ｅ ｓ ｅ ｔａ ｉ ｆ ｒ ｔｏ ，ａ ｄ ｍｅ ｗｈ ｌ ｅ ｓ ｅ ｔａ ｅ ｏ ｕ ｉ ｎ ｏ ｌｉｓ ｅ ｔａ ｐ ｔ ｏ ｕ ｏ ｔｌ ｃ ｆ ｔ ｐ ｃ ｒ ｌ ｎ ｏ ｍａ ｉ ｎ ｎ ａ ｉ ｅ ｔ ｐ ｃ ｒ ｌｒ ｓ ｌ ｔｏ ｆ ｍｕ ｔ—ｐ ｃ ｒｌ ａ ｅ ｉ ｈ ｎ ｈ ｉ ｇ ｎ ｓｈ ｇ ｎ ｅ ｉｆ ｒ ｔ ｓ ｒｃ ｂｕ ｔ ｐ ｔａ ｅ ｏ ｕ ｉ ｎ ｉ ｏ ａ ｍ ｉ ｇ ｉ ｈ ａ ｄ ｔ ｎ ｏ ｍａ ｉ ｉ ｉｈ， ｔｉｓｓ ａ ｉｌｒ ｓ ｌ ｔｏ ｓｌ ｗ．Ｔｈ ｘ ｅ ｍｅ ｔｒ ｓ ｌ ｈ ｉ ｈ ｏｎ ｅｅ ｐ ｒ ｉ ｎ ｕ ｔｓ ｏｗｓｔ ａ ｅ ｅ ｔｔ ｈ ｈ ｓ ａ ｉ ｓ ｌ ｔｏ ｆ ｍｕ ｔ ｓ ｅ ｔａ ｍ ｇ ｓ ｉ ｉ ｎ ｆｃ ｔｙ ｅ ｈａ ｃ ｄ ａ ｄ ｅ ｒｃ ｐ ｃｒ ｍ ｈ ｒ ｃ ｒｓｉｓ ｉ ｌｏ ｐ ｔａ ｒ ｏ ｕ ｉ ｎ ｏ ｌｉ ｐ ｃ ｒ ｌｉ ｌ ｅ — ａ ｅ ｓ ｓｇ ｉ ａ ｌ ｎ ｎ ｅ ｉｎ ｎ ｈ ｉ ｔ ｈ ｓ ｅ ｔｕ ｃ ａ ａ ｔｉ ｔ ｓ ａｓ ｅ ｃ
关键 词 ：影像融合：ＩＳ Ｈ 融合方法；质量评价
中图分类号 ：Ｐ２ ８ ０
文献标识码 ：Ａ
Ｒｅ ｏ ｅ ｓ ｎｓｎ ｍ ａ ｅｆ ｓｏ ｅｈｏ ａ ｅ ｎ Ｉ Ｓ ｔａ ｓｏ ｍ ｍ ｔ ｅ ｉ ｇ ｉ ｇ ｕ ｉ ｎ ｍ ｔ ｄ ｂ ｓ ｄ ｏ Ｈ ｒ ｎ ｆ ｒ
ｅ ｅ ｖ ｄ Ｓ ｔｔ ａ ａ ｉ ｔ ｓ ｉ ｎ ｅ ｐ ｅ ｉ ，ｒｃ ｇ ｉ ，ｃａ ｓ ｉ ａｉ ｎ Ｏ Ｏ ｒ ｍｐ ｏ ｅ ，ｔｏ ｈ ｒ ｓ ｒ ｅ Ｏ ｔ ａ ｅ ｃ ｐ ｂ ｌ ｅ ｎ ｉｔ ｒ ｒ ｔｔ ｎ ｅ ｏ ｎｔ ｎ ｌｓ ｉ ｃ ｔ ｎ ａ ｄ Ｓ Ｎ ａｅ ｉ ｒ ｖ ｄ ｏ ．Ｔ ｅ ｈ ｈ ｉ ｉ ａ ｏ ｉ ｏ ｆ ｏ ｉｆ ｒ ｔ ｎ ｑ ａ ｔ ｙ ｏ ｕ ｅ ｍａ ｅ ｓ ｉｃ ｅ ｓ ｄ ｄ ｓｉｃ ｌ ｏ ａ ｅ ｔ ｅ ｏ ｇ ｎ ｌ ｉ ｇ ｓ ｎ ｅ ｄ ｔｉ ｎ ｏ ｍａｉ ｕ ｎ ｔ ｆ ｆ ｓ ｄ ｉ ｇ ｓ ｉ ｎ ｒ ａ ｅ ｉｔ ｔ ｃ ｍｐ ｒ ｄ ｗｉ ｔ ｒ ｉ ａ ｍａ ｅ ，ａ ｄ ｔ ｅ ａｌ ｏ ｉ ｎ ｙ ｈ ｈ ｉ ｈ ｃ ｎｒ ｓ， ｘ ｕ ｅ ａ ｄ ｄ ｆ ｉ ｏ ｆ ｍ ｇ ｓ ｒ ｒ ａ ｌ ｒ ｖ ｄ Ｓ ｅ ｆ ｓ ｇ ｕ ｌ ｙｉ ｓ ｎ ｆ ａ ｔ ｒ ｖ ｄ ｏ ｔ ｔ ｔ ｔ ｒ ｅ ｎｔ ｎ ｏ ａ ｅ ｎ ｉ ｉ ｉ ａ ｅ ｅ ｇ ｅ ｔ ｉ ｏ ｅ Ｏ ｔ ｅ ｉ ａ ｙ ｍｐ ｈ ｕ ｄ ｍ ｅ ｑ ａｉ ｉ ｉ ｃ ｎ ｌ ｉ ａ ｔ ｓ ｇ ｉ ｙ ｍｐ ｏ ｅ ． Ｋｅ ｒ ｓ ｉ ｇ ｕ ｉ ｎ Ｉ ｕ ｉ ｎ ｍｅ ｏ ； ｑ ａ ｉ ｖ ｌ ａ ｉ ｎ ｙ ｗｏ ｄ ： ｍａ ｅｆ ｓｏ ； ＨＳ ｆ ｓｏ ｔ ｄ ｈ ｕ ｌ ｙ ｅ ａｕ ｔ ｔ ｏ
２０ ０ ８年 ６月 Ｊ ｎ ２ ｏ Nhomakorabea ． ０ ８
文章 编号 ｛１０－５２２０）３ ３０ ３ ０ ８０６ （０ ８０— ５ － ０ ０
基于 Ｉ ＨＳ变 换 的遥 感 影像 融 合 方法
张 军 ，张建平 ，王崇倡
（ ．辽宁科技大学 土木与交通工程学院， １ 辽宁 鞍山 １４ ４ ：２ １０４ ．辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 １３ ０ ） ２００
Ａｎ ｈ ｎ１ ４ ４ ， ｈｎ ； ．ｃ ｏ ｌ ｅ ｍａｉ ， ａ ｎｎ ｅｈ ｃｌ ｉｅｓ ｙ Ｆ ｘｎ１ ３ ０ ， ｈｎ ） ｓ ａ １ ０ ４ Ｃ ｉａ ２Ｓ ｈ ｏ Ｇ ｏ ｔ ｓ Ｌｉｏ ｉｇＴ ｃ ｎ ａ ｖ ｒｉ ， ｕ ｉ ２ ０ ０ Ｃ ｉａ ｆ ｏ ｃ ｉ Ｕｎ ｔ
维普资讯
第２ ７卷第 ３期
Ｖｂ ．７ １ ２ Ｎｏ ３ ．
辽宁 工程 技 术 大学学报 （自然科 学版 ）
Ｊ ｕｎ ｌ ｆ ａ ｎｎ ｅ ｈ ｉａ ｉｅｓｔ （ ｔｒｌ ｃｅ ｃ ｏ ｒ ａ ｏ ｉｇＴ ｃ ｎｃ ｌ ｖ ｒｉ ｏ Ｌｉ Ｕｎ ｙ Ｎａｕ ａ ｉｎ ｅ） Ｓ
摘 要 ：为了解决遥感影像空间分辨率与光谱信息不能兼顾的问 题，即全色影像具有较高的空间分辨率但缺乏光谱信息，多光谱影
像光谱 分辨 率高 ，光谱 信息 丰 富，但其 空 间分辨 率低 的问题 ，采 用 ＭＡ Ｌ Ｂ实 验工 具 ，基 于 Ｉ Ｓ原 理对遥 感 影像数 据进 行融 合处理 ， ＴＡ Ｈ 试验 结果表 明使用 该 融合方 法显 著提 高 了多光 谱影 像的空 间分 辨率 ，同时保 留 了丰富 的光 谱特征 ，提高 影像 的判读 、识别 、分 类 能力， 融合 后图像 的信 息量 比原始 图 像有 明显增 加 ，而且 图像 的细节 反差 、纹理 和 清晰度 得到 较大 的提 高，融 合 图像质量 明 显改善 。
ＺＨＡＮＧ ｕ ＺＨＡＮＧ ｉ ｎ ｉ ｇ ，ＷＡＮＧ ｏ ｇ ｈ ｎ Ｊｎ ， Ｊａ ｐ ｎ Ｃｈ ｎ ｃ ａ ｇ
（ ． ｌ ｇ ｆＣｉｉ Ｅｎ ｉ ｅ ｒｎ ｎ ｒ ｆ ｃＥｎ ｉｅ ｒｎ ， ａ ｎ ｎ ｉ ｅ ｓｔ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ， １Ｃｏｌ ｅｏ ｖｌ ｇｎ ｅ ｉ ｇ ａ ｄ Ｔ ａ ｇｎ ｅ ｉ ｇ Ｌｉｏ ｉ ｇ Ｕｎ ｖ ｒ ｉ ｏ Ｓ ｉｎ ｅａ Ｔ ｃ ｎ ｌｇ ｅ ｉ ｙｆ ｄ