基于目标检测的多源遥感图像融合技术研究
目 识别的层面上， 标 它也弥补了 传统 中仅仅关注于 “ 模式类别定
、“ 、“ 、“ 聚类 将遥感 技术 多元 化， 是将原本遥感 技术实行丰 富、 拓展 的 义” 感知环境 ” 模 式表示 ” 特征 提取和选 择”、“ 分析、 分类 器的设计与学习、 ”“ 训练 ” 等层面话题 的不足 之 方式 。 多源遥 感图像 的功 能下， 在 即使对 于同样 的 目标也能够
即并不能完全排除外界因子的介入。 就建筑设施而言， 本论文主要是在 基于 目标检测的前提性 的论析上， 将研 究 分明显 ， 因此 ， 在与其周边 的非建筑 群的 的对象 聚焦于多源遥 感图像 融合技 术的层面 。 具体方法 工具 其本身具有 较大 的灰度 参数 ， 在
因而进 一步 导致 漏警 现 象的发 生 。 此 的借用 上， 本文基 于分析图像本 身所具有 的坐标信息之 上 ， 着 区分程 度 上并不显 现 ， 训练 基地的测量 数据 也并不能完全达 到纯粹的程度 ， 尤其 眼于对于可见光的数据的测试 情况 ， 采取相关 的样本进行本体 外， 化特 征化的分析， 根据 实际情况展开 了 单源遥 感图像的融合及 是灰度与纹理的维度上则显示出更为错杂的状况。 其次 ， ａ ａ ｓ ｔ ｉＡ 图像本身具有揭示 内部真实情况 ， Ｒ ｄ ｒ ａ－ Ｓ Ｒ 时研究 ， 并合理地提 出了与之匹配的融合技术方案 。
实验研 究 ・
基于 目标检 测 的多源遥 感图像 融合术研究
毛 颖
成都 ６ ０ ０） １０ ｏ （ 四川大学电子信息学院， 四川
摘 要： 多源遥感图像在当代社会中起着越来越重要 的地位， 无论是在民用领域抑或是军事领域。 遥感图像具有自身的牦最， ｐ ｔ 而ｓ ｏ图像与
Ｒ ｄ ｒａ—ｌＡ 图像 正 是其中２ ａ ａｓｔ ｓＲ 种主要 的类型 多源遥感 图像 融合 技 术 的成功也 正是 基于 目 标特 征的前提下而获得 的。 本论丈 正是对此 话题 展开了 一定程度 的分析与研 究。 关键词 ： 标 检 测； 元 遥 感图像 ； 目 多 融合 技 术； ｐ ｔ Ｓｏ ￣像 ； ａ ａｓ ｔ ｉＡ ￣像 Ｒｄ ｒａ－ Ｓ Ｒ ］
到双 向的效 果 ， 既能保留原 本信息的真实性 ， 又能够 对其中干
学性更为明显。
为了更 好地说明遥 感图像 目标的特征 ， 我们具体 以其运用 介的是 自然 是交 通运输 。 交通 整体性部分主要含纳了训练 基地
在军事 战争过程 中， 起着重 要媒 扰的无用信息进行一定程度的删汰， 从而使得信息精确性的科 于军事方面的情况加 以分析。
１ 前言
地理、 光学、 计算机等学科上都已经被广泛地 运用。 其中， 民 在
都具有较为广泛的使用 。 前者如天文气象、 像素 级、 征级 、 策级“等 组成了 息融合 过程 的主要 用与军用等领域 内， 特 决 信
环境 监控等 ， 者则主要运 用于战略 侦 后 方面。 而在 这三者 中， 征级又处 于极其 关键与引人瞩 目的焦 地形 地势 、防旱 防涝、 特 察、 战术侦察、 军事 测绘 以及海洋监测等范畴。 尤其在后者中， 点。 从当前 的科 学技术 的发展情况来看， 新型、 发达 已经成为了
它关注上述 几个层面之间 内在 的关系及其 内部所包孕的深 提取 出迥 异的信息， 过这些 信息资料 ， 以从不 同的层面 上 处。 通 可 从信息数据 的文件 大小 、 目、 种 形态上看， 也是以往 得到 目标多元化 的特征 。 当然 ， 由于信息提取本身存在着一定的 层次信息 。 误差 ， 因而， 将这些不 同的信息进行优化流程 的融合， 则能够起 传统型系统所不能 比拟的。
但却能够精准地其进行定位、 判断、 识别 。 从地域 克战争 （ ０ ４ 等 。 ２０ ） 在信 息战中， 过 卫星遥 感技 术实行 图像 直接 的关系 ， 通 遥感技术也不局限于一 国 内， 之 而是全球一体化的。 在 的融合是其 中主要的途 径之一， 能够有 效地对军事 目标进行 定 上来看， 位、 监视敌情动态 ， 根据实情进行调整战略模式。
一
首先 ， 于Ｓ ｏ 图像而言， 对 ｐｔ 由于其在 目标 地域上 的分类 显
因此 ， 对于区域的定位 捕捉也 显得 比较精 项 充满技术性 的环 节， 而这一点也同样无法轻 易地在传统 的 示 出细致化 的特点 ， 确， 包括其大小比例、 外形等指标 内容。 然而， 其不足之处也十 高精度配准 方法中实现。
从方法 论上看， 多源遥感 图像配准的方法工具在光学遥 感 以及 围绕训练基地 为核心的建 筑设 施。由于建 筑设施本 身在空 在 以及Ｓ Ｒ Ａ 图像 的融合 的技术 中占据着 十分重要的地位 。 从具体 间方位上处于 一种互相平行且保持一定距离 的特征 ， 几何关 在具体遥 感图像 的分布上 ， 通 的作用 而言， 通过 多元 遥感配准 的研 究工具快 捷地而又有机 实 系上也具有 中心均 衡化 的特点。 种不同分 辨率的图像一 一 即图像分辨率５ 的Ｓ ｏ 图像 以及 ｍ ｐｔ 现 光学遥 感以及 图像 融合 的技术， 并能够保证 目标 的精确度。 过２ ． ５ 的Ｒ ｄ ｒ ａ－ Ｓ Ｒ 虽 然通过传统高精度配准 的途径也能够达 到万ｘ 万像素 的要 图像分辨率为６ ２ ｍ ａ ａ ｓ ｔ ｉＡ 图像来具体分辨其迥异 数 求， 但在 时间上则要远远 地大于运用新型 的高 科技方 式， 这也 的特征： 无妨满足 多源遥 感技术 迅捷 的要求 。 外， 制点的搜寻也是 此 控
航天器等 工具效用 的最大化发挥与遥感图像 自动化 个 国家 自身强大 的关键 因素及 其制胜点 。 同时， 从军 事的层 侦察卫星、 的程度密切相关。 只有当遥 感图像的接受以及处理２ 个环节上都 面上看， 高新技 术亦是促进 武器装 备改进、 提高 的重 要方式 。
一
才 从上个世纪６ 年代以来， ０ 利用信息作为军事 战争的重要方式也 达到 了高效率 的时候， 能够起到遥感 图像本身的实际作用。 从特点上看， 感图像融合技术虽然不 与监测的 目标发生 遥 层出不穷， 例如海湾战争 （９ １ 科索沃 战争 （９ ９ 还有伊拉 １９ ）、 １９ ）
遥感图像融合的关键技术研究
Technology Analysis技术分析DCW107数字通信世界2019.111 引言目前在图像处理领域出现的图像融合技术，能够结合各单幅图像中与识别目标相关的显著信息，使得来自于不同图像的显著信息特征得以互补，获取与识别目标相关的更全面的信息，从而提高目标识别的准确性、确定性，以及快捷性[1]。
在过去的几年，MSI 和SAR 遥感数据的融合被有效用于改进的土地覆盖制图[2]，土地分类[3]，以及森林分类[4]等。
这些研究结果表明多源图像的融合在具体应用中具有一系列的优势，己被广泛地应用于资源、环境、灾害调查与监测等领域。
2 图像融合概念Pohl 和Genderen 对图像融合做了如下定义：图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像[5]（如图1所示），从而使融合的图像可信度更高，模糊较少，可理解性更好，更适合人的视觉及计算机检测、分类、识别、理解等处理[6]。
融合的多源图像之间具有互补性，能够从多个视点获取信息，扩大时空的传感范围，提高观测的准确性和鲁棒性[7]。
图1 图像融合原理3 图像融合的关键技术图像融合研究的内容主要围绕融合的对象、层次、方法、效果（评价）以及应用五个方面展开，如图2所示。
图2 图像融合研究的内容目前这些基于图像融合的应用研究大多停留在实验验证阶段，主要运用一些现成的融合算法将不同源的数据集成起来。
针对具体应用时，应该考虑这些融合方案的适宜性和有效性。
如何针对具体应用设计高效的融合方案以提高多源图像在具体应用上的互补性非常必要。
在进行融合之前以及融合过程中，有如下一些问题需要考虑。
（1）面向具体的应用任务，如何选择数据源。
（2）从融合方法来看，针对具体应用，目前理论上比较成熟的一些融合算法是否可以成功地将不同数据源的优势信息结合起来。
如果不能，需要开发什么样的融合方法才能够最大化地集成不同数据源在针对具体问题上的优势信息和互补信息。
（3） 当前的融合评价是否适用于遥感图像融合。
基于多源遥感数据的图像配准与融合技术指南
基于多源遥感数据的图像配准与融合技术指南引言遥感技术已经在各个领域得到广泛应用，尤其是在地理信息系统、环境监测、农业和城市规划等方面。
然而，不同数据源的遥感图像通常存在不同的误差和变换，这给图像配准和融合带来了一定的挑战。
本文旨在介绍基于多源遥感数据的图像配准与融合技术，并提供一些实用的指南和建议。
一、图像配准图像配准是指将不同数据源的遥感图像进行几何、空间和光谱变换，使其能够在同一坐标系和分辨率下比较或融合。
在进行图像配准之前，首先需要选择合适的参考影像和待配准影像。
然后，通过以下几个步骤进行图像配准:1. 特征提取首先对参考影像和待配准影像进行特征提取，常用的特征包括角点、线特征和纹理特征等。
可以使用SIFT（尺度不变特征变换）或SURF（速度增强的尺度不变特征变换）等算法进行特征提取。
2. 特征匹配将参考影像和待配准影像的特征进行匹配。
通常采用RANSAC（随机抽样一致性）算法去除误差匹配，得到更准确的对应关系。
3. 几何变换根据特征匹配的结果，通过几何变换方法对待配准影像进行几何校正，常用的方法有相似性变换和仿射变换。
相似性变换可以处理平移、旋转和比例变换，仿射变换可以处理更复杂的几何变换。
4. 像素插值在进行几何变换后，需要对待配准影像进行像素插值处理，以保证像素点之间的连续性。
二、图像融合图像融合是指将多源遥感图像的信息融合到同一幅图像中，以增强图像的视觉效果和信息提取能力。
常用的图像融合方法包括以下几种：1. 基于像素的融合将多源图像的像素按照一定的权重进行组合，常用的方法有加权平均法、最大像素法和PCA（主成分分析）等。
2. 基于变换的融合将多源图像进行频域或时域变换，然后将变换域的系数进行线性或非线性组合，还原成多源图像。
常用的方法有小波变换、多分辨率分析和拉普拉斯金字塔等。
3. 基于特征的融合提取多源图像的特征，然后将特征进行组合，构建融合图像。
特征可以是几何特征、光谱特征或纹理特征等。
基于深度学习的遥感图像融合方法
• 语义理解和目标识别：结合深度学习和遥感图像处理技术，未来可以开展面向 遥感图像的语义理解和目标识别研究，实现对地物目标的自动识别和分类，为 遥感监测提供更多智能化应用。
ABCD
长短期记忆网络（LSTM）
通过引入记忆单元解决RNN在处理长序列时的 梯度消失问题。
循环神经网络的应用
文本生成、语音识别、情感分析等。
03
基于深度学习的遥感图像融合 方法
基于卷积神经网络的遥感图像融合方法
卷积神经网络（CNN）是一种深度学习算法，可以自动提取 图像的特征。在遥感图像融合中，可以利用CNN对多源遥感 图像进行特征提取和融合，提高融合图像的质量。
RNN可以通过捕捉序列数据中的时间依赖性信息，对时序遥感图像进行有效的特征提取和融合。同时，RNN还可以通过长短 期记忆（LSTM）等改进技术，解决传统RNN在处理长序列数据时存在的梯度消失和梯度爆炸等问题。
基于生成对抗网络的遥感图像融合方法
生成对抗网络（GAN）是一种深度学习算法，可以生成新的数据样本。在遥感图像融合中，可以利用 GAN生成新的融合图像，提高融合图像的多样性和丰富性。
池化层
对卷积层的输出进行降采样， 减少参数数量并提高特征的鲁 棒性。
全连接层
用于对特征进行分类或回归预 测。
卷积神经网络的应用
图像识别、目标检测、语义分 割等。
ቤተ መጻሕፍቲ ባይዱ
循环神经网络
序列建模
RNN能够处理序列数据，如文本、语音和时间 序列等。
门控循环单元（GRU）
多源遥感图像融合方法研究
文章编号 ：０ ６— ３ ８ ２ １ ） ２— ２ ９— ４ １０ ９ ４ （０ １ １ ０ ８ ０
计
算
机
仿
真
２１年１月 ０ １ ２
多源遥 感 图像 融 合 方 法研 究
郑 影
（ 齐齐哈尔 大学计算机与控制工程学 院， 黑龙江 齐齐哈尔 １ １０ ） ６ ０ ６ 摘要 ： 研究多源遥感图像的融合技术 ， 不同传感 器获取 的遥感 图像像 素信息有很大差 异。当所要融合 的图像 是多源遥 针对 感图像 时 ， 应提取多图像 的有效信 息， 组合 出高质量 的图像 。传统 Ｉ Ｓ图像 融合方法无法避 免多源图像像 素不 匹配带来的 Ｈ 有效像 素丢失 ， 造成融合 图像模糊 ， 清晰度不 高的问题 。提 出一种基 于 Ｃ ｎ ｕｌ 变换 的遥感 图像 融合方法 ， 过对图像进 ｏｔ ｒ ｔ ｏ ｅ 通 行 Ｃ ｎ ｕ ｅ 变换后提取各 源图像 的特征信息 ， ｏｔ ｒ ｔ ｏｌ 并计算提取特征所包含 的信息 量， 选取高信息量 的特征进行融合 ， 最后 通过 进行 Ｃ ｎ ｕ ｅ逆变换 即得 到多源融合 图像 ， ｏｔ ｒ ｔ ｏｌ 利用信息量融合配准的方法就避免 了直接对不 匹配像 素运算而造成 的有 效像
后提取各源 图像 的特征信息 ， 并计算提取特征 所包含 的信 息 量， 选取高信息量的特征 进行融合 ， 最后 通过进 行 Ｃ ｎ ｕｌｔ ｏｔ ｒ ｏ ｅ 逆变换 即得 到多源融合 图像 ， 这样 利用信息量 融合配准 的方
的遥感 图像融 合方 法 ， 过对 图像进行 Ｃ ｎｏｒ ｔ 通 ｏ ｔ ｌ 变换 后提 ｕｅ 取各 源图像 的特征 信息 ， 并计 算提 取特征 所包含 的信息 量 ， 选取 高信息量 的特 征进行 融合 ， 最后通 过进 行 Ｃ ｎ ｕｌｔ ｏｔ ｒ 逆 ｏ ｅ 变换 即得 到多源融合 图像 ， 这样 利用信息量融合 配准的方法
多源遥感图像融合技术综述
多源遥感图像融合技术综述摘要：本文针对遥感图像分析的具体实践需要,论述了几种常用的基于像素级遥感图像融合方法的原理、特点、作用及限制条件,描述了其主要步骤,进行了定性分析,归纳并阐明了遥感数据融合效果定量评价指标及其意义,展望了遥感图像融合方法的发展与应用前景。
关键词：遥感图像融合、像素级、主成份分析法、小波变换分析法Abstract：According to the analytical practice of remotely sensed image, the paper introduces some popular fusion methods based on pixel-level, mainly discusses the principals,features, functions, conditions, qualitatively analyses the steps of the methods,generalizes and illustrates quantitative appreciation of the fusion effects, and explainthe development of image fusion techniques for remote sensing application, as well asit’s foregrounds in application.Key words: remote sensing image fusion, pixel-level,principal components analysis, wavelets analysis.0.引言遥感平台和传感器的发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的海量影像资料。
一般来说，多光谱图像的光谱分辨率较高，但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，但光谱分辨率较低。
遥感envi图像镶嵌和融合心得体会
遥感envi图像镶嵌和融合心得体会遥感 envi 图像镶嵌和融合心得体会，通过对 envi 软件与遥感图像处理的有机结合使二者相互匹配完成的。
遥感图像在很大程度上取决于该地区图像资料数据质量的优劣和丰富程度。
因此对于遥感图像镶嵌是有效的处理方法。
而遥感图像的分类标准也为遥感图像融合打下基础。
本文将对如何运用遥感 envi 进行图像拼接和融合做详细介绍，最后再次总结遥感 envi 软件的特点以及其应用。
关键词：遥感;遥感 envi;图像;拼接;融合遥感 envi 图像融合简介遥感 envi图像融合，就是根据不同来源的遥感影像信息的空间分布和特征属性，利用遥感数字图像分析处理技术（即计算机视觉）和专业知识对遥感影像数据进行处理，使之成为具有一定内容的图像或视频流，可供研究人员加工利用。
同时，还要对这些图像流的某种空间变化规律和模式进行揭示和解释，并且产生新的信息内涵的技术和方法。
由于影像数据采集主体的多样性、影像格式与内容的复杂性等原因，传统遥感数据与空间数据库系统结合已不能满足实际需求。
基于遥感技术和网络技术的新型遥感数据管理与服务平台的出现，为解决这一问题带来了契机。
由此可见，借助遥感影像融合，将多源遥感数据整合到一个有序的框架中，为用户提供快速获取所需数据服务是一条切实可行的途径。
遥感图像拼接原理1.1目标检测首先选择一幅较小的空白遥感图像作为待处理的源图像。
1.2图像拼接在所述待处理的源图像上进行像素的选择和排列，并调整图像大小，从而达到所期望的效果。
然后执行所述的空白遥感图像检测算法，以确保源图像能够满足拼接的需求。
1.3像素间的空间配准在确定源图像无冗余或冗余很少情况下，通常采用直线配准法进行像素的位置和几何尺寸的预处理，以达到理想的配准精度。
在拼接中也需要进行配准操作。
通过遥感数据拼接技术将空间分辨率相近的卫星影像进行叠加合成，最终形成满足要求的影像拼接。
遥感图像融合简介遥感图像融合，就是根据不同来源的遥感影像信息的空间分布和特征属性，利用遥感数字图像分析处理技术（即计算机视觉）和专业知识对遥感影像数据进行处理，使之成为具有一定内容的图像或视频流，可供研究人员加工利用。
遥感图像的目标检测方法研究
检测结果后处理
边缘检测：提取目标边缘， 提高检测精度
滤波处理：去除噪声和干扰， 提高图像质量
阈值分割：设定阈值，将图 像分为目标和背景两部分
形态学处理：去除小目标， 填补空洞，改善图像结构
遥感图像目标检测的性能评估
评价指标
准确率：预测结果与实际结果的一致性 召回率：预测结果中正确结果的比例 F1分数：准确率和召回率的调和平均值
的过程。
目标检测包括 目标定位、目 标分类和目标 识别三个步骤。
目标检测技术 广泛应用于遥 感图像处理、 地理信息系统、 军事侦察等领
域。
目标检测方法 包括传统方法 （如边缘检测、 阈值分割等） 和深度学习方 法（如卷积神
经网络、 YOLO等）。
遥感图像目标检测的应用场景
城市规划：检测城市中的建筑物、道路等 农业监测：检测农田中的农作物、病虫害等 环境监测：检测大气污染、水质污染等 灾害监测：检测地震、洪水、火灾等自然灾害
遥感图像的目标检测方法研究
汇报人：
单击输入目录标题 遥感图像目标检测概述
遥感图像目标检测的主要方法 遥感图像目标检测的算法流程 遥感图像目标检测的性能评估 遥感图像目标检测的未来展望
添加章节标题
遥感图像目标检测概述
遥感图像目标检测的定义
遥感图像目标 检测是指从遥 感图像中识别 和定位感兴趣 的目标或特征
基于稀疏表示的方法
稀疏表示：将图 像分解为多个稀 疏表示，每个表 示对应一个目标
特征提取：提取 图像中的特征， 如颜色、纹理、 形状等
目标检测：通过 比较特征与目标 特征的相似度， 确定目标位置
应用领域：遥感 图像、医学图像、 人脸识别等
遥感图像目标检测的算法流程
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。
土地利用动态遥感监测中多源遥感影像融合方法比较研究
1 概 述
土地利用动态遥感 监测是建立在现有计算机 软、 硬件基础上, 充分利用不同时相的卫星遥感资料 对土地利用的变更进行动态遥感分析 , 利用地图对 土地利用变化做到及时、 有效的动态监测 , 为国家、 省市的土地管理提供快速、 准确、 可靠的资料依据。 土地利用的动态遥感分析就是将不同时相的多种卫 星 ( 航空 ) 资料数据进行组合、 融合、 分析对比 , 从中 提取出土地利用变化信息 , 并结合实地调查和现有 土地变更调查资料对监测变化的信息进行核检 , 从 而得到监测时段内的变化信息。 其中数据融合是遥 感动态监测的重要组成部 分 , 它直接为信息提取提供数据资料 , 是动态监测的 重要数据基础。
2 遥感影像融合及其原理
遥感数据的融合是指“ 采用一种复合模型结构, 将不同传感器遥感影像数据源所提供的信息加以综 合 , 以获取高质量的影像信息, 同时消除多传感器信 息间的信息冗余和矛盾 , 加以 互补, 降低其不确定 性 , 减少模糊度, 以增强影像中信息清晰度, 改善解 译精度、 可靠性和使用率, 以形成对目标相对完整一 致的信息描述。 ” 源影像的质量是融合中最初始的关键因素 , 良 好的数据源有助于提高融合影像的色调和细节。源
( 中国测绘科学 研究院 , 北京 100039) 【 摘要】 列 举了土地利用动态 遥感监测中常用的 影像融合方 法 , 并 选定实验区 对各方法 进行了光谱 分辨率、 空间分 辨率比较 , 最后定量计算出各种方法融合结果的均值、 标准方差、 偏差系数、 相关系数、 融合指数和信 息熵等七个参 数。并且总结了不同的融合方法在六种典型的土 地利用类型上的表 现 , 旨在为动 态监测中的影像融 合方法的选择 提供参考。 【 关键词】 遥感 ; 遥感技术 ; 土地利用 ; 动态监测 ; 影像融合 ; 信息熵 【 中图分类号】P 237 【 文献标 识码】A 【 文章编号】1009- 2307( 2000) 03- 0046- 05
多源遥感图像融合算法研究
ｆ ｓｏ ｕ ｉｎ，ｍｕ ｔ ｓ ｕ ｃ ｅ ｔ ｅ ｓｎ ｍａ ｅ ｆ ｓｏ ａ ｔｒ ｃ ｅ ｎ ｔｅ ｔｏ ｓ ｉ ｅ ｔ ｅ ｓｎ ｉｌ ．Ａｃ ｏ ｄ ｎ ｏ ｌｉ ｏ ｒ ｅ ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉｎ ｈ ｓ ａ ｔ ａ ｔ ｄ ｍａ ｙ ａ ｔ ｎ ｉ ｎ ｎ ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｆｅｄ — ｃ ｒ ｉ ｇ ｔ ｔ ｅ ｒ ｓ ａ ｃ ｆｍｕ ｔ ｓ ｕ ｃ ｅ ｔ ｅ ｓｎ ｍａ ｅ ｆ ｓｏ ｅ ｈ ｏ ｏ ｙ，ｔ ｅ ｐ ｐ ｒ ｓ ｍｍａ ｉ ｓ ｔ ｅ ｃ ｎ ｅ ｔ ｎ ｏ ｅ ｔ ｈ ｅ ｅ ｒ ｈ ｏ ｌｉ ｏ ｒ ｅ ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉｎ ｔ ｃ ｎ ｌｇ — ｈ ａ ｅ ｕ ｒｚ ｈ ｏ ｃ ｐ ｉ ｆ ｒ ｍｏ ｅ ｅ ｏ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉｎ Ｆ ｏ ｔ ｅ ｂ ｇ ｎ ｉ ｇ ｏ ｈ ｒｎ ｉ ｌ ｆ ｔ ｅ ａ ｇ ｒｔ ｍｓ ｉ ａ ｓ ｅ ｅ ｒ ｈ ｓ ａ ｄ ａ ａｙ ｅ ｈ ｅ ｓｎ ｍａ ｅ ｆ ｓｏ ． ｒ ｍ ｈ ｅ ｉ ｎ ｎ ｆ ｔ ｅ ｐ ｉ ｃｐ ｅ ｏ ｈ ｌｏ ｉｈ ， ｔ ｌｏ ｒ ｓ ａ ｃ ｅ ｎ ｎ ｌｚ ｓ ｔ ｅ ａ ｖ ｎ ａ ｅ ｎ ｉａ ｖ ｎ ａ ｅ ｆ ｔ ｅ ａｇ ｒｔ ｍｓ ｏ ｌ — ｏ ｒ ｅ ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉｎ，ｓ ｃ ｓ Ｉ ｒ ｎ ｆ ｒ ｄ ａ ｔ ｇ ｓａ ｄ ｄ ｓ ｄ ａ ｔｇ ｓ ｏ ｈ ｌ ｏ ｉ ｈ ｆｍｕ ｔ ｓ ｕ ｃ ｅ ｔ ｅ ｓｎ ｍａ ｅ ｆ ｓｏ ｉ ｕ ｈ ａ ＨＳ ｔ ａ ｓ ｏ ｍ ｍｅ ｈ ｄ Ｂ ｏ ｅ ｔ ａ ｓ ｏ ｍ ｍｅ ｈ ｄ ｐ ｉ ｃｐ ｌ ｏ ｏ ｅ ｔ ｎ ｌ ｓｓ ｔｏ ， ｒ ｖ ｙ ｒｎ ｆｒ ｔ ｏ ， ｒｎ ｉ ａ ｃ ｍｐ ｎ ｎ ａ ａ ｙ ｉ ｍｅ ｈ ｄ ｗａ ｅｅ ｔａ ｓｏ ｍ ｍｅ ｈ ｄ ｅ ｃ ａ ｄ ｔｏ ， ｖ ｌｔ ｒ ｎ ｆ ｒ ｔｏ ， ｔ； ｎ ｄ ｓ ｕ ｓ ｓ ａ ｓ ｓ ｍｅ ｔｉ ｄ ｘ ｏ ｅ ｔ ｅ ｓｎ ｍａ ｅ ｆ ｓｏ ． Ｆｉａ ｌ ，ｉ ｉ ｄ ｃ ｔ ｓ ｔ ｅ ｄ ｖ ｌ ｐ ｎ ｉｅ ｔｏ ｆｒ ｍｏ ｅ ｉｃ ｓ ｅ ｓ ｅ ｓ ｎ ｅ ｆｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉ ｎ ｎ ｎｌ ｙ ｔ ｎ ｉａ ｅ ｈ ｅ ｅｏ ｍｅ ｔｄ ｒ ｃ ｉ ｎ ｏ ｅ ｔ ｓ ｎ ｉｇ ｉ ｇ ｕ ｉｎ ｅ ｓｎ ｍａ ｅｆ ｓｏ ．Ｔｈ ａ ｅ ｒ ｖ ｄ ｓ ｃ ｎ ｕ ｔ ｔｏ ｎ ｅ ｅ ｅ ｃ ｏ ｕ ｕ ｅ ｒ ｓ ａ ｃ ． ｅ ｐ ｐ ｒ ｐ ｏ ｉ ｅ ｏ ｓ ｌ ｉｎ ａ ｄ ｒ ｆ ｒ ｎ ｅｆ ｒｆ ｔ ｒ ｅ ｅ ｒ ｈ ａ Ｋｅ ｗｏ ｄ ： ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｕ ｉ ｎ ｆ ｓ ｎ ａ ｉ ｍｅ ｉ ；ｕ ｉ ｎ ｅ ａｕ ｔ ｎ ｙ ｒ ｓ ｅ ｔ ｅ ｓｎ ｍａ ｅ ｆ ｓ ； ｕ ｉ ｒｔ ｏ ｏ ｈ ｔ ｆ ｓｏ ｖ ｌ ａ ｉ ｃ ｏ