多源遥感影像数据融合技术研究
多源遥感数据的融合与空间分析技术
多源遥感数据的融合与空间分析技术近年来，遥感技术的发展使得我们可以通过卫星、飞机等航空器获取大量的远程感应信息，这些信息可以用于土地利用、自然资源、环境等领域的研究和应用。
其中，多源遥感数据的融合和空间分析技术在实际应用中占有重要的地位。
本文将从多源遥感数据的意义、融合方法和空间分析技术三个方面来探讨它们的重要性和应用。
一、多源遥感数据的意义多源遥感数据是指从不同的遥感传感器和平台中获取的遥感数据，包括高分辨率影像、全球遥感产品和公共数据等。
在实际应用中，多源遥感数据通常包含了丰富的地表信息，可以帮助我们进行更加细致全面的地理分析和数据挖掘。
同时，多源遥感数据也存在着一定的数据重叠和互补性，这就需要我们通过数据融合来综合利用这些信息。
利用多源遥感数据，我们可以更加准确地识别地物类型、获取地表参数和进行地理信息的提取和分析。
二、多源遥感数据的融合方法多源遥感数据的融合通常可以分为特征级融合、决策级融合和图像级融合三种方法。
特征级融合是指将多源遥感数据中不同的特征信息进行组合，从而获得更加全面的信息。
常用的特征包括红、绿、蓝、近红外等波段反射率，以及粗糙度、丰度、高程等地表参数。
特征级融合可以根据不同地物的光谱反射特征，对地物进行更加精细的分类和识别。
决策级融合是指将多源遥感数据中的不同决策进行组合，从而获得更加鲁棒的分析结果。
常用的决策包括分类器、阈值以及规则库等。
通过决策级融合，我们可以更加准确地分类和提取地物信息，从而获得更加精细的数据结果。
图像级融合是指直接对不同传感器所获取的图像进行融合，从而获得更加高分辨率、高精度的遥感影像。
常用的图像级融合方法包括基于变换的融合方法、基于像元级权重的融合方法和基于图像分解的融合方法。
通过图像级融合，我们可以获得更加全面、准确和详细的地表信息。
三、多源遥感数据的空间分析技术多源遥感数据的空间分析技术是指利用地理信息系统、遥感图像处理软件和数学模型等工具，对多源遥感数据进行空间分析和模拟。
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。
卫星遥感数据的多源融合与应用研究
卫星遥感数据的多源融合与应用研究随着现代科学技术的发展，卫星遥感技术在国防安全、环境监测、资源管理、城市规划、气象预报等方面发挥着越来越重要的作用。
卫星遥感数据的多源融合可以提高数据的可靠性和精度，从而更好地为各个领域的应用提供支持。
一、卫星遥感数据卫星遥感是指利用人造卫星对地球表面进行距离感知、物理参数测量、图像获取的技术。
卫星遥感数据可以被用于获取地球表面的许多信息，例如地表覆盖类别、气象信息、环境参数、地形高程、海洋参数等。
二、多源融合技术卫星遥感数据的多源融合是指将来自不同传感器、不同时间、不同角度、不同分辨率的遥感数据进行整合，从而提高数据的可靠性和精度。
多源融合技术可以是像素级别的融合、特征级别的融合和决策级别的融合。
多源融合技术可以实现以下几方面的目标：提高遥感数据的可靠性、提高遥感数据的精度、提高遥感数据的时空分辨率、扩展遥感数据的应用领域以及提高遥感数据处理的效率。
三、多源融合技术的应用领域卫星遥感数据的多源融合技术在天气预报、植被监测、海洋生态调查、土地利用、城市规划、环境监测等领域均有广泛的应用。
1. 气象预报卫星遥感数据的多源融合技术可以提高天气预报的准确率，增强预警能力，对于防范自然灾害具有重要意义。
利用多源融合技术可以提高气温、降雨、风速以及其他重要参数的空间和时间分辨率，并且可以提高对天气事件的检测能力。
2. 植被监测植被覆盖是评估生态环境质量和研究地球生态系统的重要指标。
卫星遥感数据可以获取植被指数、植被覆盖率、植被生态系统参数，但在某些情况下由于数据源的限制会导致数据准确性不足。
利用多源融合技术可以获得更全面的植被信息，提高监测准确率和动态监测能力。
3. 海洋生态调查随着人类经济和科技的发展，海洋生态环境遭到了长期的破坏。
卫星遥感在海洋生态保护和环境治理方面发挥了很大的作用。
多源融合技术可以获取海洋水体、悬浮颗粒、浮游植物等信息，帮助监测海洋污染和生态变化。
4. 土地利用土地利用是评估土地资源状况和制定土地管理政策的重要依据。
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理摘要:本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。
首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。
关键词: 遥感影像融合融合层次融合方法优缺点对比目录1、绪论 (1)2、多源遥感数据融合的基本理论 (1)2.1 多源遥感数据融合的概念 (3)2.2多源遥感数据融合的原理 (4)2.3多源遥感数据融合层次 (4)2.3.1 像元级融合 (4)2.3.2 特征级融合 (4)2.3.3 决策级融合 (5)3、多源遥感数据融合常用方法 (5)3.1 主成分变换（PCT） (5)3.2 乘积变换 (5)3.3 Brovey比值变换融合 (5)4、实验与分析 (6)5、结语 (8)参考文献 (9)致谢 (10)1、绪论随着遥感技术的发展，光学、热红外和微波等大量不同卫星传感器对地观测的应用，获取的同一地区的多种遥感影像数据（多时相|多光谱、多传感器、多平台和多分辨率）越来越多。
形成多级空间分辨率、时间分辨率和光谱分辨率影像序列的金字塔结构。
通常，同一传感器获得的遥感影像的光谱分辨率较高时，其空间分辨率相对来说要低。
多源遥感数据融合理论与方法
• 引言 • 多源遥感数据融合理论 • 多源遥感数据预处理 • 多源遥感数据融合方法 • 多源遥感数据融合应用案例 • 总结与展望
01
引言
背景与意义
背景
随着遥感技术的不断发展，多源遥感数据在各个领域得到了广泛应用。然而，由 于不同来源的遥感数据具有不同的空间、时间和光谱分辨率，如何将这些数据融 合起来，以获得更准确、更全面的信息，成为了亟待解决的问题。
意义
多源遥感数据融合不仅可以提高遥感数据的精度和可靠性，还可以扩展遥感数据 的时空覆盖范围，为地理信息系统、环境监测、城市规划等领域提供更为精准的 信息支持。
研究现状与问题
研究现状
目前，多源遥感数据融合的研究已经取得了一定的成果，主 要涉及像素级融合、特征级融合和决策级融合等方法。然而 ，现有的融合方法在处理复杂场景时仍存在一定的局限性， 如信息丢失、噪声干扰等问题。
将单波段数据转换为多波段数据，或 反之。
数据格式转换与标准化
数据重采样
01
调整数据的分辨率或大小，以匹配目标要求。
数据裁剪
02
根据应用需求，裁剪掉多余的数据部分。
数据格式转换
03
将数据从一种格式转换为另一种格式，如GeoTIFF、ENVI等。
04
多源遥感数据融合方法
基于像素级的融合方法
像素级融合
信息。
详细描述
数据融合可以分为像素级融合、特征级融合和决策级融合。像素级融合是将多源图像的 像素级信息进行融合，以获得更为准确的空间信息；特征级融合是在像素级融合的基础 上，提取图像的特征信息进行融合，以提高图像的识别和分类精度；决策级融合则是将
来自不同图像的特征信息进行综合分析，得出更为准确的分类和识别结果。
多元遥感影像数据融合研究
分辨率融合是对不 同空间分辨率遥感图像的融 合处理 ， 使用融合后的遥感 图像既具有较好 的空间 分辨率， 又具有多光谱特征， 从而达到图像增强的目 的。 从融合后的影像 与原影像 目视对 比可以得知：
图三 主成分变换融合后的影像 物理意义进行分析，进而提 出将强度分量用高分辨
般情况下， 多光谱图像 的光谱分辨率较高 ， 但空间分 根据融合 目的和融合层次智能地选择合适的融 辨率 比较低； 全色图像具有高空间分辨率， 但光谱分 合算法， 将空间配准的遥感影像数据（ 或提取的图像
辨率较低。为了增加图像信息提取的精确性和可靠 性， 可以将低空间分辨率的多光谱 图像和高空间分 辨率的全色图像进行融合， 使融合后的多光谱图像 特征或模式识别的属性说 明） 进行有机合成， 得到 目标的更准确表示或估计。 １ 融合 的基本模型 ． ２
方 图匹配， 然后进行反变换得到融合结果。 这样得到 的图像同时具有较好的空间分辨率和保 留较多的光
Ｉ Ｓ方法 由于 １ Ｈ 分量的直方图分布与全色 图像 直方图分布差异较大，造成与原图像 的整体色彩有 较大差异 ，但 同类地物基本具有接近 的色彩。而
多
７５ １
谱特性， 提高了图像识别和解译的精度， 如图一至图
多
兀
遥 感 影 像 数 据 融 合 研 究
Ｒ ｓ ａ ｃ ｏ ｕ ｉ ｌ ｅ ｏ ｅ Ｓ ｎ ｉ ９ Ｉ ａ ｅ ａ ａ ｎ ｅ ｒ ｔ Ｏ ｅ ｅ ｒ ｈ ｆ Ｍ ｌ ｐ ｅ Ｒ ｄ ｔ ｅ ｓ ｎ ｍ ｇ ｓ Ｄ ｔ Ｉ ｔ ｇ ａ ｉ ｎ ｔ
遥 感 影
像 数
Ｔｒ ｎｓｏ ｍａ ｉ ｎ；Ｒｅ ｏｌｔｏｎ ａ ｆ ｒ ｔｏ ｓ ｕｉ
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。
《多源遥感影像时空融合技术在区域变化检测中的应用》范文
《多源遥感影像时空融合技术在区域变化检测中的应用》篇一一、引言随着遥感技术的快速发展，多源遥感影像已经成为地球科学、环境监测、城市规划等多个领域的重要数据来源。
其中，时空融合技术是利用不同时间、不同来源的遥感影像进行时空融合，实现快速准确地对地表覆盖进行动态监测。
本文旨在探讨多源遥感影像时空融合技术在区域变化检测中的应用，以期为相关领域的研究提供参考。
二、多源遥感影像时空融合技术概述多源遥感影像时空融合技术是一种综合利用多种传感器、不同时间段的遥感影像数据，通过数据融合、分类与处理等手段，实现时空信息提取和表达的技术。
该技术能够提高遥感影像的分辨率、动态监测的准确性和效率，对地表覆盖变化进行全面而精准的监测。
三、多源遥感影像时空融合技术流程多源遥感影像时空融合技术主要包括以下几个步骤：1. 数据获取：根据研究需求，收集不同时间、不同来源的遥感影像数据。
2. 数据预处理：对收集到的遥感影像数据进行辐射定标、大气校正等预处理，以提高数据的准确性。
3. 图像配准与融合：通过图像配准技术将不同时间的遥感影像进行配准，然后利用图像融合技术将不同来源的遥感影像进行融合，得到时空融合后的影像。
4. 分类与处理：对时空融合后的影像进行分类与处理，提取出地表覆盖信息。
5. 变化检测：通过比较不同时间段的遥感影像，检测出地表覆盖的变化情况。
四、多源遥感影像时空融合技术在区域变化检测中的应用多源遥感影像时空融合技术在区域变化检测中具有广泛的应用，主要体现在以下几个方面：1. 城市扩张与土地利用变化监测：通过多源遥感影像时空融合技术，可以实时监测城市扩张和土地利用变化情况，为城市规划和管理提供重要依据。
2. 生态环境监测与评估：多源遥感影像时空融合技术可以用于监测生态环境的变化，如森林覆盖度、植被生长情况等，为生态环境保护和恢复提供科学依据。
3. 灾害监测与评估：在自然灾害如洪水、地震等发生后，多源遥感影像时空融合技术可以用于快速评估灾害影响范围和程度，为灾害救援和灾后重建提供重要支持。
多源异构遥感影像的拼接与融合技术研究
多源异构遥感影像的拼接与融合技术研究遥感影像在地质勘探、气象预测、环境监测等领域发挥着重要作用。
然而，由于遥感数据的特点，如数据来源的多样性、空间分辨率和光谱分辨率的不同、时序特性的不一致等，对于多源异构遥感影像的拼接与融合技术提出了挑战。
1. 异源影像的预处理在进行拼接与融合之前，需要对不同源的遥感影像进行预处理。
预处理的目标是消除影像之间的差异，以便更好地进行后续的数据融合。
预处理包括辐射定标、几何校正和大气校正等过程。
通过这些预处理步骤，可以将不同源的遥感影像转化为具有一致性的数据，为后续的影像拼接与融合奠定基础。
2. 基于特征点的影像拼接影像拼接是将多幅影像拼接成一幅连续的影像，以扩大观测范围或精确提取特定区域的信息。
基于特征点的影像拼接是目前较为常用的方法之一。
该方法通过提取影像中的特征点，并通过匹配这些特征点来获得拼接的结果。
常用的特征点提取算法有SIFT（尺度不变特征转换）和SURF（加速稳健特征）等。
通过这些算法，不同源的遥感影像可以找到共同的特征点，并实现拼接。
3. 基于空间变换的影像拼接除了基于特征点的方法，基于空间变换的影像拼接也是一种常用的方法。
该方法通过对影像进行几何变换，使得不同源的遥感影像可以在同一个坐标系统下进行拼接。
几何变换方法包括相似变换、仿射变换和投影变换等。
通过这些变换，不同源的遥感影像可以在空间上对齐，从而实现拼接。
4. 多源影像的融合技术除了拼接，融合是多源异构遥感影像处理中的另一个重要环节。
融合的目标是将不同源的遥感影像融合为一幅具有更多信息的影像。
常用的融合技术包括像素级融合、特征级融合和决策级融合等。
像素级融合是将不同源的遥感影像进行像素级的运算，以获取每个像素的新值。
特征级融合则是基于影像的特征进行融合，例如颜色、纹理、形状等。
决策级融合是基于像素级融合或特征级融合的结果进行决策，以获得最终的融合图像。
5. 多源异构遥感影像的应用多源异构遥感影像的拼接与融合技术在很多领域有着广泛的应用。
实验报告遥感影像融合(3篇)
第1篇一、实验背景随着遥感技术的发展，遥感影像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
然而，由于遥感传感器类型、观测时间、观测角度等因素的限制，同一地区获取的遥感影像往往存在光谱、空间分辨率不一致等问题。
为了充分利用这些多源遥感影像数据，提高遥感信息提取的准确性和可靠性，遥感影像融合技术应运而生。
遥感影像融合是将不同传感器、不同时间、不同分辨率的多源遥感影像进行综合处理，以获得对该区域更为准确、全面、可靠的影像描述。
本文通过实验验证了遥感影像融合技术在提高遥感信息提取准确性和可靠性方面的作用。
二、实验目的1. 了解遥感影像融合的基本原理和方法；2. 掌握常用遥感影像融合算法；3. 通过实验验证遥感影像融合技术在提高遥感信息提取准确性和可靠性方面的作用。
三、实验原理遥感影像融合的基本原理是将多源遥感影像数据进行配准、转换和融合，以获得具有更高空间分辨率、更丰富光谱信息的融合影像。
具体步骤如下：1. 影像配准：将不同源遥感影像进行空间配准，使其在同一坐标系下；2. 影像转换：将不同传感器、不同时间、不同分辨率的遥感影像转换为同一分辨率、同一波段的影像；3. 影像融合：采用一定的融合算法，将转换后的多源遥感影像数据进行融合，生成具有更高空间分辨率、更丰富光谱信息的融合影像。
四、实验方法1. 实验数据：选取我国某地区的高分辨率多光谱遥感影像和全色遥感影像作为实验数据；2. 融合算法：选用Brovey变换、主成分分析（PCA）和归一化植被指数（NDVI）三种常用遥感影像融合算法进行实验；3. 融合效果评价：采用对比分析、相关系数、信息熵等指标对融合效果进行评价。
五、实验步骤1. 数据预处理：对实验数据进行辐射校正、大气校正等预处理；2. 影像配准：采用双线性插值法对多光谱影像和全色影像进行配准；3. 影像转换：对多光谱影像进行波段合成，得到与全色影像相同分辨率的影像；4. 影像融合：分别采用Brovey变换、PCA和NDVI三种算法对转换后的多源遥感影像数据进行融合；5. 融合效果评价：对比分析三种融合算法的融合效果，并采用相关系数、信息熵等指标进行定量评价。
- 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)。
第32卷第2期2009年4月测绘与空间地理信息GEOMA TICS &SPA T I AL I N FORMA TI ON TECHNOLOGYVol .32,No .2Ap r .,2009收稿日期:2009-02-10基金项目:国家自然科学基金项目(40771195)资助作者简介:姜 芸(1980-),女,黑龙江哈尔滨人,在读硕士研究生,主要研究方向为遥感影像数据处理及3S 技术应用。
通讯作者:臧淑英(1963-),女,黑龙江哈尔滨人,教授,博士生导师,理学博士,出站博士后,主要从事地理信息系统和土地利用/土地覆盖变化的研究工作。
多源遥感影像数据融合技术研究姜 芸1,臧淑英1,王 军1,2(1.哈尔滨师范大学地理信息系统实验室,黑龙江哈尔滨150025;2.国家测绘局黑龙江基础地理信息中心,黑龙江哈尔滨150086)摘要:简述了多源遥感影像融合概念以及融合过程、三种融合层次及其优缺点;描述了常用的融合方法及步骤;探讨了遥感影像评价的主客观标准,并总结了多源遥感影像融合需进一步研究的关键技术,为类似的研究提供借鉴。
关键词:多源遥感影像;数据融合;融合算法;数据预处理;评价指标中图分类号:TP75 文献标识码:B 文章编号:1672-5867(2009)02-0046-05Research on the Technology of M ulti -source Re mote Sensi n gI mage Dat a Fusi onJ I A NG Yun 1,Z ANG Shu -ying 1,WANG Jun1,2(1.G I S Lab of Harb i n Nor ma l Un i versity,Harb i n 150025,Ch i n a;2.He ilongji a ng Geo ma ti cs Cen ter of SBS M ,Harb i n 150086,Ch i n a)Abstract:It su mmarized the multi p le s ource re mote sensing i m age fusi on concep t as well as the fusi on p r ocess,three kind of fusi on levels,and the advantages and de merits .Then it described the commonly used fusi on method and the step.It als o discussed the subjec 2tive and objective standard f or re mote sensing i m age assess ment .Finally,it su mmarized the key technol ogies in further research f ormul 2ti p le s ource re mote sensing i m age fusi on,p r ovided the reference f or si m ilar research and app licati ons .Key words:multi -s ource re mote sensing i m age;data fusi on;fusi on arithmetic;data p retreat m ent;evaluati on index0 引 言目前,随着遥感技术的发展,由各种卫星传感器获取的同一地区的多源影像数据越来越多,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数据[1]。
因此,如何把多源海量数据尽可能地作为一个整体来综合应用,从而充分、有效提取各种类型的综合信息,克服遥感影像自动解译中单一信息源不足的问题,即采用遥感数据融合技术,已成为当前遥感研究的热点问题之一。
多源数据融合是指把来自多个传感器和信息源的数据进行联合(ass ociati on )、相关(coorelati on )、组合(combi 2nati on )和估值的处理,产生比单一信息源更精确、更完全、更可靠的估计和判决,以获得满足某种应用的高质量信息[2],完成一个单一传感器独自所不能进行的推理。
本文将探讨多源遥感影像融合结构及相关技术。
1 多源数据融合的基本理论1.1 多源影像信息特点1)冗余性多源影像包括大量的冗余信息,其融合结果使得系统具有较强的容错性、可靠性、健壮性,减少了不确定性,提供了更高的检测精度,同时,也可以消除不相关的噪声影响,提高检测能力。
2)互补性从多个不同类型的传感器获得的图像,可以得到更多的互补信息,融合的结果使得多种数据优化整合,提供更多更丰富的信息[3]。
3)合作性不同传感器在观测和处理信息时对其他信息有依赖关系。
1.2 多源影像融合的层次多源遥感影像数据从层次上可分为:像素级(特征提取之前)、特征级(属性说明之前)和决策级(各传感器独立属性说明之后)(见表1)。
融合的层次决定了对多源原始数据的预处理程度,是信息融合研究的重要问题之一。
1)像素级融合像素级融合是指像素之间的直接数学运算,把每个像素孤立地看待,通常是一些简单变换域中的替换和空间域的逻辑或代数运算(包括差值/梯度/比值算、加权运算、多元回归或其他数学运算)。
优点:最大限度地保留了源图像的信息,在多传感器图像融合三个层次中精度最高,同时也是特征级和决策级融合的基础。
缺点:处理的数据量较大,对图像配准的精度要求高,要求达到一个像素。
2)特征级融合特征级影像融合属于中间层次上的融合,是对源图像先分别进行预处理和特征(边缘、形状、轮廓、纹理等)选择和提取,然后将其进行综合分析和处理,以实现对多传感器数据的分类、汇集和融合。
通过特征级影像融合可以在原始影像中挖掘相关特征信息、增加特征信息的可信度、排除虚假特征、建立新的复合特征等。
优点:实现了可观的信息压缩,加速了图像的解译过程,便于实时处理。
由于所提出的特征直接与决策分析有关,因而融合结果能最大限度地给出决策分析所需要的特征信息。
缺点:有些信息会损失,降低了融合的精度。
3)决策级融合决策级融合是最高层次的信息融合,它是在对影像特征提取基础上,在获得有关区域特征、空间结构、目标状态等决策信息后,再对这些多信息源的图像数据进行融合处理,决策级融合包含了检测、分类、识别和融合这几个过程。
其难点是分类特征组合与表达的机理难以量化与统一,这将是今后图像融合的主要发展方向。
优点:①通信及传输要求低;②容错性高;③数据要求低,对传感器的依赖性和要求降低;④分析能力强,能全方位有效反映目标及环境的信息,满足不同应用的需要。
缺点:对预处理及特征抽取有较高要求,所以决策级图像融合的代价较高。
表1 融合层次性能比较Tab.1 The co m par ison of perfor mance am ong d i fferen t fusi on levels融合性能信息量信息损失容错性抗干扰性对传感器依赖性融合方法预处理分类性能系统开放性像素级大小差差大难小好差特征级中中中中中中中中中决策级小大好好小易大差好1.3 数据融合的结构从数据流形式上来看,数据融合结构可分为3种:并联型数据融合、串联型数据融合、混联型数据融合[2]。
1)并联型结构并联型数据融合是指所有传感器数据都输入到同一个数据融合中心,原始数据经过匹配处理变换到同一坐标平面,并采用相同的坐标单元分量来处理,通过数据关联来确定观测数据的类型。
优点:结构简明、设计容易、处理简单。
缺点:系统鲁棒性差,中心融合节点一旦损坏,整个系统就不能正常工作,同时对数据通信带宽要求较高,在输入数据量很大时,要求数据融合中心的处理速度快。
2)串联型结构串联型数据融合是指先将两个传感器数据进行融合,再把融合结果与另一传感器数据进行融合,依次进行下去,直到将所有传感器数据都进行融合为止。
优点:具有系统生存能力强、融合节点之间通信量相对较小等多种优点。
缺点:在对单个数据源进行目标位置、运动速度等估计,生成状态矢量后有信息丢失,特别是原始数据中包含关于信号精度的信息,其在状态矢量中可能仅是近似显示,因此没有并联型数据融合结构精度高。
3)混联型结构混联型数据融合结构系统包括并联型和串联型数据融合,是并联和串联的综合。
对于给定的数据融合应用,没有最佳结构,实际选择时须考虑计算机资源、可用通信宽带、期望精度等因素。
2 融合流程及方法2.1 融合的基本流程多源遥感信息融合有三个核心处理步骤,即影像预处理、影像融合和融合效果评价。
融合的具体流程如图1所示。
2.2 融合的基本要求不同类型遥感影像之间的融合处理,必须具备四个条件:①融合影像数据应包括不同空间和光谱分辨率;②融合影像数据应是同一区域;③影像应精确配准;④在不同时间获取的影像中,其内容没有大的变化。
74第2期姜 芸等:多源遥感影像数据融合技术研究图1 多源遥感影像融合基本流程图F i g.1 The ba si c flowchart for m ulti resource re m ote sen si n g i m age fusi on2.3 常用的多源影像融合方法传统常用的算法有:加权平均法、I HS变换法、高通滤波法、B r ovey变换法、主成分分析法、小波变换法等。
下面将对常用影像融合算法进行概述说明。
1)加权平均法加权平均法是对参加融合的源图像不做任何变换或分解,将对应像素的灰度值进行加权平均,合成一幅融合影像。
这种方法优点在于简单易行,适合实时处理,融合速度快,提高了融合图像的信噪比。
缺点是平均融合实际上对像素的一种平滑处理,在提高图像信噪比的同时削弱了图像的对比度,在一定程度上使图像的边缘、轮廓变得模糊。
并且当融合图像的灰度差异很大时,还会出现明显的拼接痕迹,不利于人眼识别和后续的目标识别过程。
2)I HS变换法下面以高分辨率的全色图像Spot与低分辨率的多光谱图像Landsat T M融合为例,说明此融合方法的基本思路:①把分辨率低的多光谱图像T M的R,G,B三个波段,转换到I,H,S空间,得到I,H,S三个分量。
②将高空间分辨率的全色图像Spot进行直方图匹配,使之与T M的I分量具有相同的直方图,然后用高分辨率全色图像Spot替代T M的I分量,得到Inew。
③将Inew,H,S转换回RG B空间,最后得到融合结果图像。
I HS变换法虽然实现简单,但也有局限性:①该算法要求替换I分量的高分辨率图像与I之间具有较大的相关性,但是实际中并不能满足,如果相关性差,即使进行了直方图匹配,也可能带来很大的光谱扭曲现象,得不到好的融合效果[4]。