多源遥感影像像素级融合技术
多源遥感数据融合的处理方法与实践
多源遥感数据融合的处理方法与实践近年来，随着遥感技术的飞速发展，各种遥感卫星不断发射，大量的遥感数据被获取。
而这些数据的处理与利用成为了一个重要的挑战。
多源遥感数据融合作为一种重要的处理方法，被广泛应用于地球科学、环境监测、城市规划等领域，为我们提供了宝贵的信息。
本文将结合实例，探讨多源遥感数据融合的处理方法与实践。
首先，我们来看看多源遥感数据融合的定义。
多源遥感数据融合是将多个遥感传感器获取的数据进行组合，以获得更全面、准确的信息的过程。
它可以通过将不同源的数据进行组合，来克服单一遥感数据的局限性以及提高数据的可靠性和准确性。
因此，它对于了解地球表面的变化、监测环境变化以及进行城市规划等具有重要意义。
在多源遥感数据融合的处理方法中，最常见的是基于像素级别的融合方法。
假设我们有两个遥感传感器A和B，它们获取的数据可以表示为A(x, y)和B(x, y)，其中(x, y)为图像的坐标。
在像素级别的融合方法中，我们可以使用加权平均法，在每一个像素点上按一定的权重将两个传感器的数据进行融合，得到融合后的数据C(x, y)。
权重的选择可以根据不同的需求来确定，例如可以使用传感器的空间分辨率、光谱响应等因素来决定权重的大小。
通过像素级别的融合方法，我们可以获得更全面、准确的图像信息。
除了像素级别的融合方法，多源遥感数据融合还可以采用特征级别的融合方法。
在特征级别的融合方法中，我们不再将两个传感器的数据直接融合，而是先对每一个传感器的数据进行特征提取，然后再将提取到的特征进行融合。
特征可以包括颜色、纹理、形状等。
通过特征级别的融合方法，我们可以获得更多维度的数据，从而更好地反映地表的特征。
实践中，多源遥感数据融合可以应用于多个领域。
例如，对于地球科学研究来说，多源遥感数据融合可以帮助我们更好地理解地表的变化。
例如，通过融合来自不同传感器的数据，可以更准确地检测地表的植被覆盖变化、土地利用变化等。
此外，多源遥感数据融合还可以应用于环境监测。
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。
多源遥感影像像素级融合方法综述
多源遥感影像像素级融合方法综述摘要：在众多学者的研究成果和工程技术人员的实际应用的基础之上，对目前已经提出的多源遥感影像像素级融合算法进行了简要介绍和总结，分析和比较了每种算法的优缺点，并指出其适用范围。
结果表明，特定的一种融合算法具有特定的适用面，实际应用中应根据影像特点和融合目的选择合适的融合算法。
关键词：多源遥感；多分辨率；影像融合；像素级1引言随着遥感技术的发展，光学、红外、微波和激光雷达等大量不同卫星传感器的应用，获取同一地区的多源遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率）越来越多，为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。
与单源遥感影像数据相比，多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。
通过影像融合可以从不同的遥感影像中获取更多的有用信息，补充单源影像信息的不足。
在遥感中，遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中，按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。
多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面，还表现在利用多源遥感影像信息进行目标识别决策上。
它能提高影像的空间分解力和清晰度，平面测图精度、分类精度与可靠性，增强解释和动态监测能力，减少影像模糊度，有效提高遥感影像数据的利用率[3][10]。
多源遥感影像融合可以分为像素级、特征级和决策级三个层次。
这三个层次上所采用的融合算法各不相同，像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法（PCA）、分量替换法及小波分析融合法；特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。
像素级融合直接在原始数据层上进行融合，该层次的融合准确性最高，能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理与理解。
遥感影像处理中的多源数据融合算法研究
遥感影像处理中的多源数据融合算法研究多源数据融合算法在遥感影像处理中的研究遥感影像处理是利用遥感技术获取的影像进行分析、解译以及提取有用信息的过程。
在遥感影像处理过程中，多源数据融合算法扮演着重要的角色。
本文将探讨多源数据融合算法在遥感影像处理中的应用和研究。
多源数据融合算法的主要目的是将来自不同传感器的影像数据融合起来，以获取更全面、准确的信息。
在遥感影像处理中，由于不同传感器的影像具有不同的空间分辨率、光谱分辨率和时间分辨率等特征，因此需要针对不同的应用场景选择合适的融合算法。
一种常见的多源数据融合算法是基于像素级别的融合。
这种算法直接将来自不同传感器的像素进行融合，可以将不同传感器的信息整合在一起，提高影像的空间分辨率和光谱分辨率。
例如，将高分辨率的光学影像与低分辨率的雷达影像融合，可以同时获得高分辨率的图像细节和雷达的穿透能力。
另一种常见的多源数据融合算法是基于特征级别的融合。
这种算法通过提取不同传感器的特征，并将特征进行融合来实现对影像的提取和分析。
例如，将可见光传感器和红外传感器的特征进行融合，可以得到更准确的土地利用分类结果。
除了像素级别和特征级别的融合算法外，还有一种常见的多源数据融合算法是基于决策级别的融合。
这种算法通过将来自不同传感器的决策进行融合，以获取更可靠的遥感分析结果。
例如，在遥感图像中进行目标检测，可以将来自不同传感器的目标检测结果进行融合，从而优化检测结果。
多源数据融合算法在遥感影像处理中的应用广泛。
其中一个重要的应用领域是地物提取。
通过将不同传感器的影像进行融合，可以准确提取地面上的不同地物信息，如建筑物、道路、水体等。
这对于城市规划、灾害监测等领域具有重要意义。
另一个重要的应用领域是环境监测。
通过将多种传感器的数据进行融合，可以实时监测空气质量、水质、植被覆盖等环境参数，为环境保护提供科学依据。
此外，多源数据融合算法在农业、林业和水资源管理等领域也有广泛应用。
如何进行遥感影像的数据融合
如何进行遥感影像的数据融合遥感影像的数据融合是将多源的遥感信息融合在一起，以提高遥感数据的空间分辨率和地物分类精度。
在综合利用多源遥感数据的基础上，实现对地表覆盖信息的准确提取和监测。
本文将从数据源的选择、融合方法的选择和数据融合的应用领域三个方面，探讨如何进行遥感影像的数据融合。
一、数据源的选择数据源的选择是进行遥感影像的数据融合的第一步，准确选择数据源可以保证数据融合的有效性和准确性。
1. 遥感影像数据遥感影像数据是进行数据融合的基础数据，可以通过卫星、航空摄影等方式获取。
选择高质量的遥感影像数据对融合结果有重要影响，因此在选择遥感影像数据时，要考虑数据的空间分辨率、光谱分辨率和时间分辨率等因素。
同时，还要注意遥感数据的几何校正和辐射校正情况，以保证数据的一致性和准确性。
2. 地面观测数据地面观测数据是进行遥感影像数据融合的重要补充。
常见的地面观测数据包括气象站观测数据、地面遥感观测数据等。
地面观测数据可以提供高时空分辨率的地表信息，与遥感影像数据融合可以提高地物识别的准确性。
二、融合方法的选择数据融合方法的选择是进行遥感影像数据融合的关键环节，不同的融合方法适用于不同的数据和应用场景。
常见的数据融合方法包括像素级融合、特征级融合和决策级融合。
1. 像素级融合像素级融合是将多源遥感影像数据的像元进行组合，生成高光谱或高光谱数据立方体。
常用的像素级融合方法有主成分分析、合成波段和带通滤波等。
像素级融合可以提高遥感影像的空间分辨率和光谱分辨率，对地物分类和变化检测具有重要意义。
2. 特征级融合特征级融合是将多源遥感影像数据的特征进行组合，提取地物的空间、光谱、纹理等特征。
常用的特征级融合方法有多特征组合、特征选择和特征转换等。
特征级融合可以提高地物分类的准确性和分类精度。
3. 决策级融合决策级融合是将多源遥感影像数据的分类结果进行组合，生成最终的分类结果。
常用的决策级融合方法有基于权重的融合、基于逻辑运算的融合和基于模型的融合等。
遥感影像数据融合原理与方法
遥感影像数据融合原理与方法遥感影像数据融合是将不同波段或不同传感器的遥感影像数据融合在一起，以获取更全面、准确、可靠的信息。
它在农业、林业、城市规划、环境监测等领域具有广泛的应用。
下面将对遥感影像数据融合的原理和方法进行详细介绍。
一、遥感影像数据融合原理遥感影像数据融合的原理是通过将多个波段或多个传感器的影像数据进行组合，以获取多波段或多传感器数据的综合信息。
融合后的影像数据能够提供更多的数据维度和更丰富的信息内容，从而增强地物辨别能力和特征提取能力。
1.时空一致性：遥感影像数据融合要求融合后的影像数据在时域和空域上具有一致的特性，即不同时间或空间的影像数据融合后要保持一致性，以便进行准确的信息提取和分析。
2.特征互补性：不同波段或传感器的影像数据通常具有不同的特征信息，例如，光学影像可以提供颜色信息，而雷达影像可以提供物体的形状和纹理信息。
融合时要充分利用不同波段和传感器的特征互补性，使融合后的影像数据包含更全面、准确的信息。
3.数据一致性：遥感影像数据融合应保持数据的一致性，即融合后的影像数据应在不改变原始数据的情况下，能够反映出原始数据的真实信息。
在融合过程中要注意去除噪声和图像畸变等因素，以保持数据的一致性。
二、遥感影像数据融合方法1.基于像素的融合方法：基于像素的融合方法是将不同波段或传感器的影像数据进行像素级别的融合。
常用的方法有像素互换法和加权平均法。
像素互换法是将一个波段或传感器的像素值替换到另一个波段或传感器的影像上，以增加信息的表达能力。
加权平均法是对不同波段或传感器的像素值进行加权平均，得到融合后的像素值。
2.基于特征的融合方法：基于特征的融合方法是针对不同波段或传感器的特征进行分析和融合。
常用的方法有主成分分析法和小波变换法。
主成分分析法是通过对不同波段或传感器的影像数据进行主成分分析，提取出影像数据中的主要特征，然后将主成分进行融合。
小波变换法是利用小波变换来分析和提取不同波段或传感器的影像数据中的特征，然后通过小波系数的线性组合对影像数据进行融合。
如何进行多源遥感数据融合与分析
如何进行多源遥感数据融合与分析随着科技的不断进步和遥感技术的成熟，多源遥感数据融合与分析在环境监测、农业、城市规划等领域中起着重要的作用。
本文将从数据融合方法、分析技术和应用实例三个方面探讨如何进行多源遥感数据融合与分析。
一、数据融合方法数据融合是指将来自不同传感器、时间和空间分辨率的遥感数据进行合并，以获得更全面、准确的信息。
常用的数据融合方法有像元级融合和特征级融合。
1. 像元级融合像元级融合将多源遥感影像的像素值进行加权平均，以实现不同源数据的整合。
这种方法通常适用于传感器分辨率相似的情况下，如将多个高分辨率影像进行融合。
通过像元级融合，可以得到更高分辨率、更清晰的影像。
2. 特征级融合特征级融合是将多种遥感数据的特征信息进行融合，如光谱、空间、时间、极化等特征。
通过特征级融合，可以提取出不同源数据的优势，并获得更丰富、更全面的信息。
例如，将高光谱和雷达数据融合，可以克服光谱信息的局限，实现对目标的更准确识别和分类。
二、分析技术融合多源遥感数据后，如何进行有效的分析是关键。
在数据分析过程中，可以利用图像处理、模型建立和统计分析等技术手段。
1. 图像处理图像处理是多源遥感数据分析的基础。
通过图像处理技术，可以实现影像的增强、去噪和边缘检测等操作，更好地展现数据的特征和信息。
同时，图像处理还包括影像配准、几何纠正和尺度转换等操作，保证不同源数据的一致性和可比性。
2. 模型建立模型建立是利用多源遥感数据进行定量分析的重要手段。
通过构建相应的数学模型，可以利用数据的特征和关系进行目标识别、分类和定量测量。
例如，基于遥感数据的土地利用/覆盖分类模型，可以对不同类型的地物进行识别和判别，为城市规划和环境管理提供依据。
3. 统计分析统计分析是多源遥感数据分析的重要环节之一。
通过统计方法，可以对融合后的数据进行分布特征、相关关系和变化趋势等方面的分析。
例如，利用统计分析，可以研究不同遥感数据在不同时间尺度下的变化规律，为环境变化的监测和预测提供依据。
多源遥感影像融合技术研究
多源遥感影像融合技术研究随着遥感技术的飞速发展，航空遥感和卫星遥感技术不断提升，遥感图像的识别和解译技术也取得了很大的进步。
但是，由于不同遥感平台的图像具有不同的特点和分辨率，仅使用单一源数据进行图像处理往往无法满足实际需求。
因此，多源遥感影像融合技术日益受到人们的关注和重视。
一、多源遥感影像融合技术概述多源遥感影像融合技术是指通过将来自不同遥感传感器的遥感数据集成功地组合在一起，以创造出优于单个数据源的遥感图像。
它是一种共存技术，目的是提高遥感图像质量，增强遥感图像的信息和特征，并使其适应更广泛的应用领域。
多源遥感影像融合技术的实际应用有很多，例如农作物遥感监测、城市土地覆盖分类、自然灾害分析等方面。
多源遥感影像融合技术通常包括以下三个步骤：（1）数据预处理数据预处理是遥感影像融合的第一步，包括去噪、几何校正和辐射校正等过程。
对于不同传感器所获取的遥感影像，其几何定位、坐标系统和数据范围可能存在不同，因此需要进行几何校正和辐射校正，以确保不同数据源之间的一致性。
去噪是为了提高遥感图像的质量，消除影响图像分析和处理的噪声干扰。
（2）特征提取特征提取是指从多个遥感影像中提取具有代表性的特征信息。
在遥感图像的融合过程中，需要根据要求选择相似或互补的影像来融合，特征提取是实现此目的的关键。
这些特征可以包括纹理特征、形状特征、频谱特征等。
（3）融合算法融合算法是指对不同传感器所获取的遥感影像进行相应的加权组合，生成新的遥感影像的方法。
这种方法的目的是获得优于单一图像源的遥感图像，从而可以更好地提取地物信息。
常用的融合方法有像元水平融合、特征水平融合、决策水平融合等。
二、多源遥感影像融合技术的应用（1）农作物遥感监测在农作物遥感监测方面，多源遥感影像融合技术可以提高农作物信息提取的精度和可靠性，根据不同时间段和不同波段遥感影像的融合，可以得到更准确的作物种植面积、作物生长状态和作物产量等信息。
在实践中，多源遥感影像融合技术已经被成功应用于农作物估产、农作物分类、灾害检测等领域。
- 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)。
多源遥感影像像素级融合技术摘要:中国的遥感技术从七十年代起步,经过了几十年的过程,随着现代遥感技术的发展,可获得的遥感数据也越来越丰富。
遥感所具有的宏观、动态、快速、精确和综合的优势,使得从遥感影像获取信息已经成为一种非常重要的信息获取手段。
为合理、有效地综合使用这些多源海量数据,遥感图像处理技术随之应运而生,而遥感图像融合技术更成为其重要的组成部分。
在未来一段时间内,同一地区不同时相、不同分辨率、不同成像机理的遥感影像数据将呈指数递增。
因此,研究如何从这些影像源中获取更丰富、更有用和更可靠信息的处理技术,是当前遥感应用研究的重点之一。
关键词:图像融合多源遥感影像像素级图像处理随着遥感技术的发展,越来越多携带不同类型传感器的遥感卫星获得的多传感器、多时相、多空间分辨率、多光谱分辨率的遥感图像数据被用于对地观测。
为进行地形测绘与地图更新、土地利用分类、冰/雪/洪涝灾害监测等提供了丰富的数据。
现代遥感卫星都具备一套多光谱和高空间分辨率全色影像的性能,但如何获取多光谱高空间分辨率影像满足植被研究、土地利用和城市资源调查等的要求,是亟待解决的问题。
多源遥感影像数据像素级融合的研究则是解决这一问题的有效途径之一。
1 基本概念图像融合一般可分为像素级、特征级、决策级。
像素级图像融合主要是针对初始图像数据进行的,其目的主要是图像增强、图像分割和图像分类,从而为人工判读图像或进一步的特征级融合提供更佳的输入信息;特征级图像融合能以高的置信度来提取有用的图像特征。
决策级图像融合允许来自多源数据在最高抽象层次上被有效的利用。
不同层次的图像融合研究内容均十分广泛。
多源遥感影像像素级融合是指采用某种算法将覆盖同一地区的两幅或多幅空间配准影像生成满足某种要求的影像技术。
它是多源遥感影像数据融合的内容之一,是富集多源遥感影像信息的重要技术手段之一。
从影像类型划分,多源遥感影像像素级融合包括:单一传感器的多时相影像融合、多传感器的多时相影像融合、单一平台多传感器的多空间分辨率影像融合、多平台单一传感器的多时相影像融合和同一时相多传感器影像融合。
2 像素级影像融合过程与特点基于像素的多源遥感影像融合的过程大致可分为三步:(1)根据实际应用目的、融合方法和相关技术从现有影像数据中选取出来,并进行预处理。
预处理主要包括影像几何校正、影像辐射校正、高精度空间配准和重采样。
其中空间配准是多源遥感影像融合最重要的一步,其误差大小直接影响融合结果。
高、低空间分辨率影像融合之前的空间配准,一般以高分辨率影像为参考影像,对低分辨率影像进行几何校正并重采样,然后与高分辨率影像的地面分辨率匹配。
(2)根据实际应用目的选择合适的融合方法。
(3)需对融合的影像进行评价。
一般来说,像素级融合的优点是对原始的观测数据进行处理,融合的影像保留了尽可能多的原始影像信息,避免了特征提取过程中的信息损失。
3 多源遥感影像的空间配准方法图像配准是多传感器系统中的关键环节。
在对相同或相近类型传感器获得的图像进行配准中,很多方法已经研究和应用,但不同类型传感器获得的图像给传统的图像配准方法增加了难度。
多源遥感影像融合的基础是影像间的空间配准。
一般的方法是先进行人工选点,然后进行多项式校正。
这个方法的缺点是人工选点的数目有限,影响了配准的精度和融合的效果,效率也较低。
遥感影像配准的方法目前主要有基于数字地面模型的精纠正、多项式纠正、基于三角网的纠正和小面元微分纠正。
4 像素级影像融合方法及其特点对于高空间分辨率全色影像和低空间分辨率多光谱影像的融合而言,目的是获取空间分辨率增强的多光谱影像。
理论上要求融合的影像分辨率达到具有的高空间分辨率的影像的标准,而且不应使原多光谱影像的光谱特性产生变化。
但实际上,在融合增强多光谱影像分辨率时,或多或少的产生多光谱影像光谱特性的变化。
为保证地物在原始影像数据的光谱可分离性经融合后仍保持不变,即融合影像仍具有可分离性,适于计算机影像判读和分类等后续处理,应该保持在原多光谱影像的光谱特性变化小,以致人眼察觉不到或不影响计算机后续处理的前提下,将高空间分辨率全色影像和低空间分辨率多光谱影像融合,尽量增强多光谱影像的分辨率,改善后续处理效果,达到预期目的。
多源遥感影像像素级融合方法有很多,从作用域出发,可将像素级遥感影像融合法分为空间域融合和变换域融合两类。
空间域融合法一般是直接在图像的像素灰度空间上进行融合;变换域融合法是先对待融合的多源图像进行图像变换,融合处理是对变换后的系数进行组合。
基于二者不是完全独立的关系,在许多算法中有相互结合。
目前基于变换域的图像融合算法是研究热点。
5 像素级遥感图像融合算法介绍像素级遥感图像融合算法主要有基于IHS变换法、小波变换法、主分量变换法(PCA)和Brovey变换法。
这几种融合算法理论比较成熟,并且在特定方面都有很好的融合效果。
(1)基于IHS变换法IHS变换是融合多源遥感数据最常用的方法,在图像处理中常用的有两种彩色坐标系:一种是由红(Red)、绿(Green)和蓝(Blue)三原色构成的RGB彩色空间;另一种是由亮度(Intensity)、色调(Hue)、饱和度(Saturation)三个变量构成的IHS 彩色空间。
IHS变换将图像处理常用的RGB彩色空间变换到IHS空间用亮度、色调、饱和度表示。
一般用高分辨率数据替代亮度值实现融合。
当高分辨率全色影像与多光谱影像融合时,先把多光谱影像利用IHS变换从RGB系统变换为IHS,同时将单波段的高分辨率图像进行灰度拉伸,使得它的灰度的均值与反差和IHS 中亮度分量一致;然后将拉伸过的高分辨率影像作为新的亮度分量代入到IHS,经过反变换还原到原始空间。
这样融合所得到的影像既有高的空间分辨率又有与原影像相同的色度和饱和度。
从遥感的角度讲,IHS变换可以把图像的亮度、色调和饱和度分开,图像融合只在亮度通道上进行,图像的色调和饱和度保持不变。
变换后的I分量与地物表面粗糙度相对应,代表地物的空间几何特征;色调分量H代表地物的主要频谱特征;饱和度分量S表征色彩的纯度。
IHS变换的公式如下:式中,0I’HS;5)将I’HS逆变换到RGB空间,即得到融合图像。
通过变换、替代、逆变换获得的融合图像既具有全色图像高分辨的优点,又保持了多光谱图像的色调和饱和度。
融合后,图像清晰度虽然提高了,但光谱信息损失严重,即产生颜色失真。
如果融合结果图像应用以光谱分析为主就不太适合选择该方法。
(2)小波变换法小波变换具有变焦性、信息保持性和小波基选择的灵活性等优点。
经小波变换可将图像分解为一些具有不同空间分辨率、频率特性和方向特性的子图像。
它的高频特征,相当于高、低双频滤波器,图像经小波分解后其频率特性得到了有效分离,低频部分反映的是图像的整体视觉信息,高频成分反映的是图像的细节特征。
同时又不失原图像所包含的信息。
因而可以用于以非线性的对数映射方式融合不同类型的图像数据,使融合后的图像即保留原高分辨率遥感图像的结构信息,又融合了多光谱图像丰富的光谱信息,提高图像的解译能力和分类精度。
利用高分辨率图像数据的高频成分和相应的多光谱影像数据的低频成分组合进行小波重建,可得到融合影像。
但它在图像融合中有两个缺点:一是容易产生较为明显的分块效应;二是直接用低分辨率图像的低频部分去替换高分辨率图像的低频部分,在一定程度上损失了高分辨率图像的细节信息。
基于小波变换的遥感图像融合基本步骤如下:l)对配准后的多光谱和全色波段图像分别进行小波正变换,获得各自的低频图像和细节、纹理图像;2)用小波变换后的多光谱图像的低频成分代替全色波段图像的低频成分;3)用替换后的多光谱图像的低频成分与全色波段图像的高频成分进行小波逆变换得到融合结果图像。
(3)主分量变换法(PCA)主分量变换又称为K-L变换。
采用主分量变换融合法融合的影像不仅清晰度和空间分辨率比原多光谱影像提高了,而且在保留原多光谱影像的光谱特征方面优于IHS融合法,即光谱特征的扭曲程度小。
主分量变换法克服了IHS变换只能同时对3个波段影像融合的局限性。
主分量变换法首先由多光谱数据的三个或三个以上波段数据求得影像间的相关系数矩阵,再由相关系数矩阵计算特征值和特征向量,求得各主分量影像;然后同IHS变换法一样将空间分辨率影像数据进行对比拉伸,使之与第一主分量影像数据具有相同的均值和方差;最后用拉伸的高分辨率影像代替第一主分量,将它同其它主分量经反主分量变换得到融合的一影像。
试验结果表明,基于相关矩阵的主分量变换融合法效果更好。
主分量变换法(PCA)的遥感图像融合基本步骤如下:1)对配准后的多光谱图像进行PCA,提取第一主分量PC1;2)将全色波段图像拉伸到PC1的方差和均值;3)用拉伸后的全色波段图像代替PC1,进行逆PCA,得到融合后图像。
基于PCA的图像融合在保持图像的清晰度方面有优势,光谱信息损失比IHS 方法稍好。
在图像有需要更好的光谱特性时,PCA变换为更好的选择。
(4)Brovey变换法Brovey变换融合方法是一种通过归一化后的三个波段多光谱影像与高分辨率影像乘积的融合方法,它可以应用于不同传感器的影像数据融合。
Brovey变换既一定程度上保持多光谱数据的完整性又增强了图像的细节。
Brovey变换是基于色度的一种颜色变换,并且比RGB到IHS的变换更简单。
Brovey变换也可应用于单个波段。
Brovey变换可用来融合具有不同空间特征和光谱特征的图像。
但是,如果亮度替换(或调节)图像(即全色波段)的光谱范围与3个空间分辨率较低波段的光谱范围不同时,那么RGB到Brovey变换可能引起色彩畸变。
Brovey变换是为了从视觉上提高图像直方图低端和高端的对比度而提出的。
所以,如果原始图像中的辐射信息较为重要而需要保留时,就不能使用Brovey变换。
但是,对于生成直方图中低高端具有较高对比度的RGB图像以及生成视觉效果满意的图像而言,这是个不错的方法。
它建立在如下亮度调节的基础上:其中I=(R+C+B)/3,R、G、B多光谱图像的红、绿、蓝波段。
P是已经配准好的更高空间分辨率的数据。
6 结束语目前,数据融合算法趋向于把知识理解和统计信息相结合,以及多传感器或多时相数据的特征融合处理。
随着遥感传感器的改进、计算机水平的发展和数学算法的不断更新,图像融合系统开始由实验室走向实际应用,实施动态图像融合系统的开发。
但图像融合作为一个新兴的研究领域,还存在许多理论和技术问题有待解决。
今后还将向智能化、实时化方向发展。
引入GIS的专家系统,以支持数据融合,并将实时动态融合用于数据更新和动态监测,随着遥感传感器的不断改进,遥感数据融合将为地球环境监测、土地利用分类、地球资源开发和利用提供更多的新的途径。