遥感影像融合及质量评价研究总结
遥感影象融合效果的客观分析与评价
遥感影象融合效果的客观分析与评价摘要：遥感图像融合技术作为遥感图像分析的一种有效手段，近年来已经得到了快速发展。
目前，虽然已经存在许多经典的融合算法，但这些算法的融合结果会在不同程度上出现光谱失真、色调变异等现象。
如何使得融合结果在具有较高的空间分辨率的同时，降低图像光谱失真程度，已成为现在遥感领域研究的热点问题之一。
关键词：遥感影响；融合效果；评价引言随着遥感对地观测技术的快速发展，其空间分辨率、时间分辨率、光谱分辨率等多方面的性能都得到了很大的改善，实现了多波段、多角度、多平台的综合立体观测。
遥感技术与众多专业模型相结合，其定量化的专题产品已在军事国防、农业估产、矿物探测、灾害监测、气象预报、资源调查、城市规划、通信导航、环境污染、计算机视觉、医学图像分析等众多领域得到应用，推动了国民经济的快速发展。
然而，人们可以获取和利用的图像资源也随之急剧增加并呈现出多样性和复杂性，但是从任何单一传感器所获取的数据都存在自身的局限性，比如在几何特性、光谱特性和分辨率等方面，不能够全面的描述目标特性，往往难以满足实际应用的需求。
如何综合利用不同平台的海量遥感数据，充分发挥各自优势，降低数据冗余度，获取比任何单一数据更准确、更丰富的图像信息，增强特征显示能力，提高图像分类精度，已成为当今遥感实用化的重要研究内容。
遥感图像融合的概念图像融合是数据融合中一个很重要的分支，是20 世纪70 年代后期才提出的一种新概念，并在80 年代后才逐渐发展起来的一门新兴技术。
图像融合是信息融合和图像处理的一个交叉的新学科，是指把那些在空间或时间上冗余或者互补的多源数据，按照一定的融合算法或规则，将不同传感器、不同方式、同一方式不同时相下获取的两幅或多幅图像的信息进行多方面、多级别、多层次的处理，利用其各自的优势，获取对同一目标对象更丰富、更精确、更可靠、可理解性更好、更高解译度和识别度、更适合人的视觉观察、模糊更少、更适合计算机的分类和识别的一幅新图像。
遥感图像融合心得体会
遥感图像融合心得体会遥感图像融合是一种将多源遥感图像合并为一幅具有更多信息的图像的技术。
通过将多源遥感图像中具有相同地理空间分辨率的特征融合，可以获得更高质量、更丰富的信息，对于遥感图像的应用具有重要的意义。
在学习和研究遥感图像融合的过程中，我得到了以下几点心得体会。
首先，在进行遥感图像融合时，选择合适的融合方法非常关键。
常用的遥感图像融合方法包括基于像素的融合、基于变换的融合和基于区域的融合等。
不同的融合方法适用于不同的情况，需要根据具体的应用目标和数据特点来选择最合适的方法。
例如，在对高光谱图像和高分辨率图像进行融合时，可以选择基于小波变换的融合方法，通过将高光谱图像的光谱信息和高分辨率图像的空间信息融合，得到更丰富的特征信息。
因此，选择适合的融合方法是实现遥感图像融合的首要任务。
其次，在进行遥感图像融合时，需要考虑到多源遥感图像的配准问题。
由于不同遥感图像的获取方式和时间不同，存在一定的配准误差。
为了使融合后的图像更加精确和准确，需要进行图像配准操作，将多源图像投影到同一坐标系下。
目前，常用的图像配准方法有基于特征点的配准和基于控制点的配准等。
配准后的图像在融合时能够更好地保持特征的一致性和稳定性，提高了融合结果的质量。
再次，在进行遥感图像融合时，需要充分考虑融合结果对后续应用的影响。
遥感图像融合的最终目的是为了更好地支持决策和应用，因此，在选择融合方法和参数时，需要根据融合后图像的特性和需求进行合理的选择。
例如，在农业领域，可以通过融合多源遥感图像来提取农田土壤水分信息，进而进行农田水分管理和灌溉调度。
因此，在进行遥感图像融合时，需要充分考虑应用需求，确保融合结果具有可操作性和可解释性。
最后，在进行遥感图像融合时，需要充分利用遥感图像的多光谱、多尺度和多角度信息。
随着遥感技术的不断发展，现代遥感图像具有多光谱、多尺度和多角度等多源信息。
通过综合利用这些信息，可以获得更全面、更准确的遥感图像融合结果。
遥感影像处理中的数据融合技术研究
遥感影像处理中的数据融合技术研究引言：遥感影像处理技术的发展为我们提供了获取大规模地理信息的重要手段。
然而，由于不同传感器获取的影像数据可能具有不同的空间分辨率、光谱分辨率和时间分辨率，因此需要将这些多源数据进行融合，以提高数据的综合利用效率和精度。
本文主要在遥感影像处理中的数据融合技术方面进行研究，探讨其原理、方法和应用。
一、数据融合原理数据融合是指将多个数据源的不同信息进行合并，得到具有更高质量的数据结果。
在遥感影像处理中，数据融合主要包括光谱融合、空间融合和时间融合。
光谱融合是将不同波段的光谱信息进行融合，以获取更全面的光谱信息；空间融合是将不同空间分辨率的影像进行融合，以提高空间分辨率；时间融合是将不同时相的影像进行融合，以获取时间序列的信息。
二、数据融合方法1.基于像元级的数据融合方法：像元级的数据融合方法是将不同传感器的数据转换为相同的空间分辨率和光谱分辨率，然后进行像素级别的融合。
常见的方法有直接融合、加权融合和突变融合。
直接融合方法是将不同波段的像素值直接相加或取平均值；加权融合方法是给不同波段的像素赋予不同的权重，然后求加权平均值；突变融合方法是将不同波段的像素值进行分段，并根据分段的结果进行融合。
2.基于特征级的数据融合方法：特征级的数据融合方法是通过提取不同波段或传感器的特征，然后将这些特征进行融合。
常见的特征包括纹理、形状、统计特征等。
方法包括主成分分析法、小波变换法和特征选择法。
主成分分析法是通过对不同波段的数据进行主成分分析，得到主成分，然后将主成分进行融合；小波变换法是将不同波段的数据进行小波变换，然后将小波系数进行融合；特征选择法是通过对不同波段的数据进行特征选择，然后将选取的特征进行融合。
三、数据融合应用数据融合在遥感影像处理中具有广泛的应用。
一方面，数据融合可以提高遥感影像的空间分辨率和光谱分辨率，从而提高地物识别和分类的精度；另一方面，数据融合可以提取不同波段的信息，用于地物变化监测、资源调查和环境监测等领域。
遥感图像融合实验报告
遥感图像融合实验报告遥感图像融合实验报告一、引言遥感图像融合是指将多个不同传感器获得的遥感图像融合为一幅综合图像的过程。
通过融合不同传感器获取的图像，可以获得更全面、更准确的地物信息。
本实验旨在探究遥感图像融合的原理和方法，并通过实验验证其效果。
二、实验目的1. 了解遥感图像融合的原理和意义；2. 掌握常用的遥感图像融合方法；3. 进行实验验证，比较不同融合方法的效果。
三、实验步骤1. 数据准备：选择两个不同传感器获取的遥感图像，如光学图像和雷达图像；2. 图像预处理：对两幅图像进行预处理，包括辐射校正、几何校正等；3. 图像配准：通过图像配准算法将两幅图像对齐，使其具有相同的空间参考系；4. 图像融合：选择合适的融合方法，如基于像素级的融合方法或基于特征级的融合方法，对两幅图像进行融合；5. 结果评价：通过定量和定性的评价指标，对融合结果进行评估。
四、实验结果与分析经过实验，我们得到了融合后的遥感图像。
通过对比融合前后的图像，可以发现融合后的图像在空间分辨率和光谱信息上都有所提高。
融合后的图像能够更清晰地显示地物的边缘和细节，且具有更丰富的颜色信息。
在融合方法的选择上，我们尝试了基于像素级的融合方法和基于特征级的融合方法。
基于像素级的融合方法将两幅图像的像素直接进行融合，得到的结果更加保真，但可能会导致信息的混淆。
而基于特征级的融合方法则通过提取图像的特征信息，再进行融合，可以更好地保留地物的特征，但可能会引入一定的误差。
通过对比不同融合方法的结果，我们可以发现不同方法在不同场景下的效果差异。
在某些场景下，基于像素级的融合方法可能会产生较好的效果，而在其他场景下，基于特征级的融合方法可能更适用。
因此，在实际应用中，需要根据具体场景和需求选择合适的融合方法。
五、实验总结通过本次实验，我们深入了解了遥感图像融合的原理和方法，并进行了实验验证。
遥感图像融合可以提高图像的空间分辨率和光谱信息，使得地物信息更全面、更准确。
遥感图像处理中的图像融合方法与精度评价
遥感图像处理中的图像融合方法与精度评价遥感图像处理是一门研究如何获取、处理和应用遥感图像信息的学科。
遥感图像融合是其中的一个重要研究方向，它旨在通过将多个遥感图像融合为一个具有更高空间、光谱分辨率和更丰富信息量的图像，来提高遥感图像的解译和应用能力。
本文将探讨遥感图像融合的方法和精度评价。
一、遥感图像融合方法1. 传统融合方法传统的遥感图像融合方法主要包括像素级融合和特征级融合。
像素级融合是指将不同分辨率的遥感图像通过插值方法将其像素一一对应，然后对对应像素进行加权平均得到融合图像。
常用的插值方法有最邻近插值、双线性插值等。
这种方法简单易实现，但无法利用各个波段之间的相关性。
特征级融合是指通过提取多个图像的不同特征，然后将这些特征融合到同一个图像中。
常见的特征包括边缘信息、纹理信息、频谱信息等。
特征级融合方法可以更好地保留各个图像的特征，但对特征的提取和融合过程较为复杂。
2. 基于变换的融合方法基于变换的融合方法是指通过对多个遥感图像进行变换操作，然后将变换后的图像进行融合。
常见的变换包括小波变换、主成分分析、时频分析等。
小波变换是一种时频分析方法，可以将图像分解为不同频率和方向的小波系数。
通过对小波系数进行加权平均，可以实现遥感图像的融合。
小波变换融合方法能够提取图像的局部特征，能更好地保留图像的细节信息。
主成分分析是一种基于统计的方法，通过分析遥感图像的协方差矩阵，提取出图像的主要成分。
然后将这些主成分按照一定的权重进行线性组合，得到融合图像。
主成分分析融合方法可以更好地提取遥感图像的空间信息，对图像的纹理特征具有较好的保留效果。
以上只是其中的两种常见的基于变换的融合方法，实际上还有很多其他的方法，如独立分量分析、稀疏表示等。
二、图像融合精度评价图像融合精度评价是指对融合图像质量进行定量评估的方法。
常用的融合图像质量评价指标有以下几种：1.谱信息准确度谱信息准确度评价主要针对于融合图像的光谱特征，常用的指标有谱变异性、谱角等。
遥感影像融合及质量评价研究总结.docx
遥感图像融合及质量评价总结总结分两大部分：融合部分和评价部分。
图像融合阶段包括图像的预处理，最佳波段的选择，以及融合方法的选择。
图像的预处理主要有对接收图像质量的控制，几何校正，正射校正。
论文中列出的算法均为常用算法。
而后是对重采样后图像像素亮度的处理，有直方图均衡化，直方图匹配。
最后对多源影像进行影像匹配。
最佳波段的选择主要是根据多波段图像间各波段图像中信息含量多、相关性小、地物光谱差异大、可分性好的波段，进行波段组合，进行后续的图像融合。
融合方法的选择方面除了常规方法以外，作者提出了2种改进型融合算法：在像素级的融合方面（1）将HIS变换与小波变换结合算法；（2）小波变换的改进算法。
在突出边缘的融合方面采用将突出边缘的特征级融合图像与像素级融合图像再融合的改进算法。
图像质量的评价这几篇论文进采用主客观相结合的评价方式，最终以评分的形式确定图像的质量。
主要有1、基于人眼视觉系统HVS的评分系统；（1）基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法这种方法基于人类视觉系统感兴趣性的原理，在对比度计算时考虑视觉感兴趣区域与背景区域权重系数，实现了一种基于HVS的感兴趣特性和对比度的遥感图像无参考质量评价方法。
并利用遥感图像专家库的图像和数据进行实验，实验结果表明本章方法更加符合主观评价的结果。
（2）基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法该方法以盲测量图像模糊算法作为理论基础，将HVS的空间复杂度掩盖模型、亮度掩盖模型引入到图像质量评价过程中，并对人眼灰度敏感度进行建模，建模过程依据人类视觉系统对灰度具有差异的敏感性这一特性。
实现了基于HVS 和模糊的改进的遥感图像无参考质量评价体系。
2、基于模糊集的评分系统；该方法基于模糊度理论，选取若干个图像质量参数，确定图像模糊度，由模糊度级隶属函数划分图像一级等级，然后再按二级隶属函数划分二级等级。
次方法过程较复杂，工作量较大，结果相对精确。
遥感图像融合实验报告
遥感图像融合实验报告遥感图像融合实验报告一、引言遥感技术在现代科学研究和应用中发挥着重要的作用。
遥感图像融合是将多个遥感图像的信息融合为一个综合图像的过程，可以提供更全面、更准确的地理信息。
本实验旨在通过遥感图像融合技术，对不同分辨率的遥感图像进行融合，以获得更高质量的图像。
二、实验方法1. 数据收集我们使用了两个不同分辨率的遥感图像，一个是高分辨率的卫星图像，另一个是低分辨率的无人机图像。
这两个图像分别代表了不同的空间分辨率。
为了保证数据的准确性，我们选择了同一地区的图像进行比较。
2. 图像预处理在进行图像融合之前，需要对图像进行预处理，以提高融合效果。
我们首先对两个图像进行边缘增强处理，以增强图像的边缘信息。
然后，对图像进行直方图均衡化，使图像的灰度分布更均匀。
最后，对图像进行尺度匹配，以确保两个图像的尺度一致。
3. 图像融合算法本实验使用了一种基于小波变换的图像融合算法。
该算法通过将两个图像的低频部分和高频部分进行融合，得到一个综合图像。
具体步骤如下：a. 对两个图像进行小波变换，得到它们的低频部分和高频部分。
b. 对两个图像的低频部分进行加权平均，得到融合后的低频部分。
c. 对两个图像的高频部分进行加权平均，得到融合后的高频部分。
d. 将融合后的低频部分和高频部分进行逆小波变换，得到最终的融合图像。
4. 实验结果分析通过对融合后的图像进行视觉和定量分析，我们可以评估融合效果。
视觉分析可以通过观察图像的细节和边缘来判断融合效果的好坏。
定量分析可以通过计算图像的信息熵、互信息和均方误差等指标来评估融合效果。
三、实验结果与讨论经过实验，我们得到了融合后的图像。
通过对比原始图像和融合图像，我们可以看到融合后的图像在细节和边缘方面有明显的提升。
融合后的图像更清晰、更丰富，能够提供更多有用的地理信息。
在定量分析方面，我们计算了融合图像的信息熵、互信息和均方误差。
结果显示，融合图像的信息熵和互信息较高，均方误差较低，说明融合效果较好。
遥感影像特征的综合分析与评价
遥感影像特征的综合分析与评价一、概述遥感影像特征的综合分析与评价是遥感技术应用领域中的关键环节，它涉及到对遥感影像数据的深入解读和有效利用。
随着遥感技术的快速发展，遥感影像数据的获取和处理能力得到了显著提升，使得我们能够获取到更为丰富、细致的地球表面信息。
如何准确、高效地提取遥感影像中的特征信息，并对其进行综合分析和评价，以服务于实际应用需求，仍是当前遥感领域亟待解决的问题。
遥感影像特征的综合分析旨在通过对影像数据的定性和定量分析，揭示地球表面的空间分布规律、变化趋势以及与其他地理要素之间的关系。
这需要对遥感影像进行预处理、特征提取、分类识别等一系列操作，以获得准确、可靠的特征信息。
还需要结合地理信息系统、空间统计学等方法，对提取出的特征信息进行进一步的整合和分析，以形成对地球表面现象的全面认识。
评价遥感影像特征的准确性和有效性是确保遥感应用效果的关键。
评价过程中需要考虑多个方面，包括特征的代表性、稳定性、可解释性等。
通过对特征信息的定量评价，可以评估遥感影像在特定应用中的适用性和可靠性，为实际应用提供科学依据。
遥感影像特征的综合分析与评价是一个复杂而重要的过程，它涉及到遥感影像数据的处理、分析、评价等多个环节。
通过深入研究和探索，我们可以不断提高遥感影像特征提取和分析的准确性和效率，为地球科学研究和实际应用提供更为精准、可靠的数据支持。
1. 遥感技术的概述及其应用领域作为一种无接触的远距离探测技术，通过搭载在飞机、飞船、卫星等飞行物上的遥感器，收集地面数据资料，进而识别地面上的各类物体。
它依赖于不同物体对波谱产生不同响应的原理，获取并解析电磁波、可见光、红外线等特性，实现对目标的探测和识别。
遥感技术自20世纪60年代初以航空摄影技术为基础发展而来，随着人造地球卫星的成功发射，其应用领域得到了极大的拓展。
遥感技术的核心组成部分是遥感器，其种类繁多，包括照相机、电视摄像机、多光谱扫描仪、成像光谱仪、微波辐射计、合成孔径雷达等。
- 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)。
遥感图像融合及质量评价总结总结分两大部分：融合部分和评价部分。
图像融合阶段包括图像的预处理，最佳波段的选择，以及融合方法的选择。
图像的预处理主要有对接收图像质量的控制，几何校正，正射校正。
论文中列出的算法均为常用算法。
而后是对重采样后图像像素亮度的处理，有直方图均衡化，直方图匹配。
最后对多源影像进行影像匹配。
最佳波段的选择主要是根据多波段图像间各波段图像中信息含量多、相关性小、地物光谱差异大、可分性好的波段，进行波段组合，进行后续的图像融合。
融合方法的选择方面除了常规方法以外，作者提出了2种改进型融合算法：在像素级的融合方面（1）将HIS变换与小波变换结合算法；（2）小波变换的改进算法。
在突出边缘的融合方面采用将突出边缘的特征级融合图像与像素级融合图像再融合的改进算法。
图像质量的评价这几篇论文进采用主客观相结合的评价方式，最终以评分的形式确定图像的质量。
主要有1、基于人眼视觉系统HVS的评分系统；（1）基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法这种方法基于人类视觉系统感兴趣性的原理，在对比度计算时考虑视觉感兴趣区域与背景区域权重系数，实现了一种基于HVS的感兴趣特性和对比度的遥感图像无参考质量评价方法。
并利用遥感图像专家库的图像和数据进行实验，实验结果表明本章方法更加符合主观评价的结果。
（2）基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法该方法以盲测量图像模糊算法作为理论基础，将HVS的空间复杂度掩盖模型、亮度掩盖模型引入到图像质量评价过程中，并对人眼灰度敏感度进行建模，建模过程依据人类视觉系统对灰度具有差异的敏感性这一特性。
实现了基于HVS和模糊的改进的遥感图像无参考质量评价体系。
2、基于模糊集的评分系统；该方法基于模糊度理论，选取若干个图像质量参数，确定图像模糊度，由模糊度级隶属函数划分图像一级等级，然后再按二级隶属函数划分二级等级。
次方法过程较复杂，工作量较大，结果相对精确。
3、针对土地利用项目的各个阶段质量对应控制的质量评价方式。
这种质量控制方法从阶段到整体对图像处理的每一步均进行质量检验，确保每一阶段图像质量均在可接受范围之内，最后再对结果进行整体检验，确定图像质量。
其针对的是土地利用变更遥感监测项目，针对性较强。
遥感图像融合及质量评价总结 (1)一、融合阶段总结： (3)1、遥感影像预处理 (3)1.1几何校正 (3)1.2基于影像直方图的预处理 (3)1.3 影像配准 (4)2、多波段遥感影像最佳波段选择 (5)2.1遥感影像最佳波段选择指标 (5)2.2分析试验数据 (6)2.3 试验数据最佳波段选取 (7)3、图像融合方法 (8)3.1像素级融合处理方法 (8)3.2 突出边缘信息的影像融合方法 (9)二质量评价阶段总结 (10)1基于HVS的主客观相结合的评价方法 (10)1.1建立主观评分数据库 (10)1.2基于HVS和SSIM的遥感图像全参考质量评价方法 (11)1.3基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法 (11)1.4基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法 (12)2基于模糊集理论的主客观相结合评价方法 (13)2.1评价参数选取 (13)2.2建立基于模糊集的评分系统 (14)2.3评分并评级 (16)3阶段性与整体性图像质量控制方法 (16)3.1图像接收阶段 (17)3.2 图像预处理阶段 (18)3.3 图像融合阶段 (18)3.4 整体性图像质量检验 (18)小结 (19)一、融合阶段总结：1、遥感影像预处理1.1几何校正1.1.1位置校正1.1.2重采样论文列举方法有最邻近内插法,双线性内插法及三次卷积内插法。
最邻近内插法的优点是不破坏原来的像元值，处理速度快,但会使原影像中的某些线状特征变粗成块。
双线性与三次卷积内插法则可以减少线状特征的块状化现象，但两种方法均具有低通滤波性质，校正后滤掉信号中的部分高频分量。
在实际工作中，应依据具体的影像和应用目标选择不同的内插算法。
1.2基于影像直方图的预处理1.2.1 直方图均衡化直方图均衡化又称直方图平坦化，是将一已知灰度概率密度分布的影像，经过某种变换，变成一幅具有均匀灰度概率密度分布的新影像，其结果是扩展了像元取值的动态范围。
其实质是对影像进行非线性拉伸，重新分配影像像元值，使一定灰度范围内的像元的数量大致相等。
直方图均衡后每个灰度级的像元数理论上应相等，但实际上为近似相等，直接从影像上看，直方图均衡效果是：1、各灰度级所占影像的面积近似相等，因为某些灰度级出现高的像素不可能被分割。
2、原影像上出现频率小的灰度级被合并，频率高的灰度级被保留，因此可以增强影像上大面积地物与周围地物的反差。
3、如果输出数据分段级较少，则会产生一些大类地物的近似轮廓。
1.2.2 直方图匹配直方图匹配是通过非线性变换使得一个影像的直方图与另一个影像直方图类似。
直方图匹配对在不同时间获取的同一地区或邻接地区的影像，或者由于太阳高度角或大气影响引起差异的影像处理很有用，特别是对影像镶嵌或变化检测。
为了使影像直方图匹配获得好的结果,两幅影像应有相似的特性:1、影像直方图总体形状应类似。
2、影像中明暗特征应相同。
3、对某些应用，影像的空间分辨率应相同。
4、影像上地物分布应相同,尤其是不同地区的影像匹配。
如果一幅影像里有云，而另一幅没有云，那么在直方图匹配前，应将其中一幅进行去云处理。
直方图匹配在HIS变换融合、主成分变换融合和小波变换融合中用得较多，且能起到辐射增强的效果。
许多研究表明：直方图匹配能够在尽量保持光谱信息的情况下提高融合影像的细节信息，增大信息量。
1.3 影像配准影像配准为对从不同传感器、不同时相、不同角度所获得的两幅或多幅影像进行最佳匹配的处理过程。
其中的一幅影像是参考影像数据,其它影像则作为输入影像与参考影像进行相关匹配。
影像配准是影像融合处理中最关键的一个步骤。
在影像融合的各项预处理过程中，多幅影像的几何配准精度对融合影像的质量影响最为显著。
主要有两类像素层影像配准算法：基于区域的配准算法和基于控制点的配准算法。
基于区域的影像配准算法已广泛的应用于各种影像配准领域，它运用的是整个区域的影像像素灰度值来进行配准。
基于区域的像素层配准算法主要分为三类：灰度相关类算法、快速相关算法（如变灰度级相关算法、FFT相关法、序贯相似性检测算法(SSDA)、变分辨率相关算法等、以及相位相关算法）。
这类配准技术目前发展较为成熟，在没有太大的畸变情况下具有较好的配准性能且对各种影像场景都有较好的适应性。
由于基于区域的配准是以像素的灰度值为基础，当存在较大的灰度畸变时，这类算法就难免失效。
此外，整个区域的影像灰度值难以正确描述影像的结构信息，当存在较为复杂的结构畸变时，基于区域的配准算法也很难得到正确的配准结果。
针对以上两种情况，目前研究较多的是基于控制点的影像配准算法。
基于控制点的影像配准方法通过选取影像间明显的控制点对，利用它们之间的对应关系来获得配准结果，从而解决了无法掌握灰度畸变成因而失配的难题。
控制点的选择分为人工选点和自动选点两种，两种选点方法的选点精度都受到影像质量影响，例如在低分辨率或噪声干扰大的影像中选取的控制点的精度都会有所降低。
而影像配准效果在很大程度上取决于控制点选取的好坏，因此，如何选取高精度的控制点是基于控制点的配准算法的关键所在。
2、多波段遥感影像最佳波段选择2.1遥感影像最佳波段选择指标通常,波段选择考虑三个方面的因素：(1)波段或波段组合信息含量的多少；(2)各波段间相关性的强弱；(3)研究区内欲识别地物的光谱响应特征如何。
那些信息含量多、相关性小、地物光谱差异大、可分性好的波段组合就是最佳组合。
因此常选用下列指标判断最佳波段。
2.1.1均值、标准差、信息嫡和联合嫡1）均值均值就是像素的平均灰度值，对人眼反映为平均亮度；标准差反映了相对灰度均值的离散状况，标准差越大，灰度分布越分散。
一般认为平均灰度接近128和更大方差的图像有较好的视觉效果。
2）标准差标准差反映了图像灰度相对于灰度平均值的离散情况。
在某种程度上，标准差也可用来评价图像信息量的大小。
若标准差大，则图像灰度级分布分散，图像的反差大，可以看出更多的信息。
标准差小，图像反差小，对比度不大，色调单一均匀，看不出太多的信息。
3）信息嫡图像的嫡值是衡量图像信息丰富程度的一个重要指标，嫡值的大小表示图像所包含的平均信息量的多少。
对于一幅单独的图像，可以认为其各像素的灰度值是相互独立的样本，则这幅图像的灰度分布为p={p0，p1，…，p i，…，p L-1}，p i为灰度值等于i的像素数与图像总像素数之比。
根据shamrnon信息论的原理，一幅图像的信息嫡为4）联合嫡两幅图像的联合嫡为:式中P i1i2是图像X 1像元亮度值为i 1与图像X 2中同名像元亮度值为i 2时的联合概率。
一般来说联合嫡值越大，图像信息量越大。
2.1.2 相关系数及最佳指数1）相关系数融合图像与源图像的相关系数能反映两幅图像光谱特征的相似程度，其定义如下：式中， f _和a _分别为融合图像与源图像的均值。
通过比较融合前后的图像相关系数可以看出图像的光谱信息的改变程度。
融合的影像与相应多光谱影像的相关系数p 能反映融合影像同原多光谱影像光谱特征相似程度，即保光谱特性能力。
同样，通过比较融合增强前后的图像相关系数可以看出融合影像与高分辨率影像的空间分辨率改善程度。
2）最佳指数美国查维茨提出的最佳指数OIF 的概念，即其中，S i 为第i 个波段的标准差，R ij 为i ，j 两波段的相关系数。
对n 波段图像数据，计算其相关系数矩阵，再分别求出所有可能三组合波段对应的OIF 。
OIF 越大，则相应组合图像的信息量越大。
对OIF 按照从大到小的顺序进行排列，即可选出最优组合方案。
2.2分析试验数据以议论文中选取IKONOS 和QUICKBIRD 影像试验为例QUICKBIRD影像是2005年5月份合肥地区256平方公里的数据，IKONOS影像是2001年5月份北京地区100平方公里数据。
由表可以看出：QUICKBIRD标准差Ⅱ>Ⅱ>Ⅲ>Ⅰ，IKONOS标准差Ⅳ>Ⅲ>Ⅱ>Ⅰ，标准差越大越好，则图像灰度级分布分散，图像的反差大，说明信息量丰富；QUICKBIRD信息嫡Ⅳ>Ⅲ>Ⅱ>Ⅰ，IKONOS信息嫡Ⅳ>Ⅲ>Ⅱ>Ⅰ，墒值的大小表示图像所包含的平均信息量的多少，信息嫡越大说明信息量越丰富。
2.3 试验数据最佳波段选取一般来说,波段选择有两点原则：①所选择的波段和波段组合的信息量最大；②所选的波段和波段组合使得某些地物类别之间最容易区分。