多尺度遥感影像融合技术及其算法研究进展
遥感数据融合与多尺度地物分类方法与应用研究
遥感数据融合与多尺度地物分类方法与应用研究遥感技术的发展为地球资源的监测与管理提供了重要的技术手段。
通过遥感数据融合和多尺度地物分类方法，可以更准确地获取地球表面的信息，并为环境监测、城市规划、资源管理等方面提供更有效的支持。
一、遥感数据融合方法的研究与应用遥感数据融合是指将不同传感器获得的多源多光谱遥感影像进行整合，提取出更为准确的地物信息。
在遥感数据融合中，常用的方法包括基于像素级的融合和基于特征级的融合。
基于像素级的融合方法主要利用多个传感器观测的同一地物像元之间的相互关系，通过像素级运算对不同传感器的数据进行融合。
这种方法能够充分利用多个传感器的信息，提高地物分类的准确性。
例如，在农业遥感中，结合多谱段的高分辨率影像和偏振SAR数据，可以实现作物生长状况和土壤湿度的监测。
基于特征级的融合方法则基于不同传感器提供的特征信息，通过特征提取和组合的方式进行数据融合。
这种方法能够更好地利用多个传感器的优势，提高地物分类的分类精度。
例如，在城市规划中，结合光学、雷达和激光雷达数据，可以实现对城市中不同建筑物的识别与分类。
二、多尺度地物分类方法的研究与应用地物分类是遥感数据处理中的重要任务之一，其目标是将遥感影像中的像元分配给不同的地物类别。
随着遥感技术的发展，传感器分辨率不断提高，地物分类任务也面临着更多的挑战。
传统的地物分类方法主要基于像元级别的特征提取和分类器的训练，其精度受到地物空间分布的限制。
随着多尺度地物分类方法的提出，可以更好地利用不同层次的信息，提高地物分类的准确性。
多尺度地物分类方法主要分为基于像素级的多分辨率分割方法和基于对象级的多尺度目标识别方法。
基于像素级的多分辨率分割方法主要通过分割算法将高分辨率遥感影像分割为多个子图像，然后对每个子图像进行地物分类，最后将分类结果进行合并。
这种方法可以充分利用不同分辨率下的特征信息，提高地物分类的准确性。
例如，在森林资源调查中，可以利用多分辨率的遥感影像进行森林类型的分类和监测。
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。
遥感图像一次多尺度分析与多维融合方法研究
遥感图像一次多尺度分析与多维融合方法研究遥感技术的快速发展为地球观测提供了大量的高分辨率遥感图像数据，为地理信息系统和环境监测等领域提供了重要的数据支持。
然而，由于传感器的差异、观测条件的不同以及图像的大尺度多时相特点，遥感图像的分析和融合变得十分复杂和具有挑战性。
为了更好地利用遥感图像数据，在一次多尺度分析和多维融合方面的研究变得越来越重要。
一次多尺度分析技术是指对遥感图像进行不同尺度级别的分析，将图像的不同空间和时间特征进行提取和表达。
这种方法可以帮助我们从不同的尺度上了解地球表面的变化和特征。
在一次多尺度分析中，常用的方法包括基于像元的分析、基于对象的分析和基于场的分析。
基于像元的分析是指通过对遥感图像中的每个像素进行分析和处理来获取地物信息。
这种方法可以精确地获取每个像素的特征，但可能会忽略地物的上下文信息。
基于对象的分析则是将像素组成的对象作为分析的基本单位，通过提取对象的形状、纹理、颜色等特征来获取地物的分类和识别结果。
基于场的分析是指通过对遥感图像进行分割和分类，生成地理信息场来表示地物的空间分布和相互关系。
这种方法可以更好地利用图像的上下文信息，但对于大规模的遥感图像，计算成本较高。
多维融合方法在遥感图像分析中起到了至关重要的作用。
由于遥感图像融合能够提供更丰富的空间、光谱和时间信息，因此可以提高图像的分辨率和准确性。
常用的融合方法包括基于变换的融合和基于模型的融合。
基于变换的融合方法是通过对不同传感器获取的图像进行变换，将它们融合在一起。
常用的变换包括主成分分析、小波变换和非负矩阵分解等。
这些变换可以提取图像的不同特征，并进行加权融合，从而提高图像的质量和信息量。
基于模型的融合方法则是通过建立数学模型，将不同传感器获取的图像进行融合。
这种方法能够更好地利用图像的物理特性和统计信息，提供更准确的信息。
综上所述，遥感图像一次多尺度分析与多维融合方法的研究对于有效地利用遥感图像数据具有重要意义。
基于遗传算法的多尺度融合技术研究
基于遗传算法的多尺度融合技术研究多尺度融合技术是指将多尺度下的不同特征信息融合在一起，以提高目标检测、目标跟踪、目标识别等应用场景下的性能。
遗传算法是一种优化算法，它模拟自然进化原理，在解决优化问题上有广泛的应用。
本文将探讨如何利用遗传算法实现多尺度融合技术，其应用前景和研究进展。
一、多尺度融合技术的意义随着计算机视觉的发展，多尺度融合技术受到越来越多的关注。
在图像处理中，不同尺度下的图像特征信息是不同的。
比如，低尺度下的图像特征信息更加稳定，而高尺度下的图像特征信息更加丰富。
融合这些不同尺度下的特征信息，可以提高图像处理的精度和鲁棒性。
在目标检测中，多尺度融合技术可以应对目标出现尺度不同的情况，提高检测的准确率。
在目标跟踪中，多尺度融合技术可以应对目标跟踪过程中尺度变化的问题，提高跟踪的稳定性和准确率。
在目标识别领域，多尺度融合技术可以应对目标在不同尺度下的变化，提高识别的鲁棒性和准确率。
二、多尺度融合技术的实现方法目前，多尺度融合技术主要有以下几种实现方法：1、特征金字塔法特征金字塔法是一种基于图像金字塔的多尺度技术，它通过缩小图像尺寸，获得不同尺度下的图像特征信息。
特征金字塔法将图像分解成多个尺度的分辨率，在每个尺度上提取特征，并将不同尺度下的特征进行融合。
由于特征金字塔法需要计算多个尺度的特征，计算量较大，运行速度较慢。
2、小波变换法小波变换法是一种基于小波分析的多尺度技术，它可以将信号分解成不同频率的小波系数。
在原始信号的多个尺度分析中，小波变换法可以提供不同尺度下的多尺度信息，从而实现多尺度融合。
由于小波变换法的计算量较小，可以快速地计算出不同尺度下的特征信息。
3、卷积神经网络法卷积神经网络法是一种基于神经网络的多尺度技术，它可以通过网络的卷积层和池化层对图像进行分析，并从不同尺度下提取特征信息。
卷积神经网络法最大的优点在于可以自动学习特征，对于一些复杂的特征无需手动设计，但同时也需要有大量的训练数据来训练网络。
遥感影像的多尺度分析方法研究
遥感影像的多尺度分析方法研究一、引言遥感技术的快速发展为我们获取地球表面信息提供了丰富的数据资源。
遥感影像作为这些数据的主要表现形式，包含了大量关于地理、生态、环境等方面的有价值信息。
然而，要从这些海量且复杂的数据中准确提取有用的信息并非易事，这就需要采用有效的分析方法。
多尺度分析方法便是其中一种重要的手段，它能够帮助我们更好地理解和处理遥感影像。
二、多尺度分析的基本概念多尺度分析，简单来说，就是在不同的尺度上对对象进行观察和分析。
在遥感影像中，尺度可以理解为分辨率或者观察的细节程度。
例如，高分辨率的遥感影像能够提供更详细的地物特征，而低分辨率的影像则能展现更宏观的地理格局。
多尺度分析的核心思想是，不同的地物和现象在不同的尺度上表现出不同的特征和规律。
通过在多个尺度上进行分析，可以更全面、准确地认识和理解遥感影像所反映的现实世界。
三、多尺度分析方法的分类（一）基于图像金字塔的方法图像金字塔是一种常见的多尺度表示方法。
它通过对原始影像进行一系列的降采样操作，生成不同分辨率的影像层，从而构建出一个金字塔结构。
在分析时，可以从金字塔的不同层次获取相应尺度的信息。
（二）基于小波变换的方法小波变换是一种能够将信号分解为不同频率和尺度成分的数学工具。
应用于遥感影像分析时，它能够有效地提取影像在不同尺度和方向上的特征。
（三）基于分形理论的方法分形理论用于描述具有自相似性的复杂对象。
在遥感影像中，一些地物的分布和形态可能具有分形特征，通过分形分析可以揭示这些地物在不同尺度下的规律。
（四）基于多分辨率模型的方法这类方法通过建立不同分辨率的模型来描述遥感影像，例如多分辨率网格模型等。
四、多尺度分析方法在遥感影像中的应用（一）地物分类不同类型的地物在不同尺度上具有不同的特征。
例如，城市中的建筑物在高分辨率下可以清晰地看到其轮廓和细节，而在低分辨率下则表现为成片的块状区域。
通过多尺度分析，可以综合利用不同尺度的信息，提高地物分类的准确性。
遥感影像分类算法及数据融合技术
遥感影像分类算法及数据融合技术随着遥感技术的不断发展，遥感影像分类成为了遥感数据处理的重要任务之一。
遥感影像分类算法的研究不仅能提高遥感数据的后续应用效果，也为资源调查、环境监测等领域提供了可靠的数据支持。
本文将主要探讨遥感影像分类算法的发展以及数据融合技术的应用。
一、遥感影像分类算法的发展遥感影像分类算法是指将遥感影像数据划分为不同的类别或类型的方法。
在遥感影像分类中，常用的算法包括传统的基于像元的分类算法和基于对象的分类算法。
1.1 基于像元的分类算法基于像元的分类算法是按照图像的像素信息直接进行分类判定的方法。
常见的基于像元的分类算法有最大似然法、支持向量机、随机森林等。
这些算法主要依靠像素的统计特性、频域分析等方法进行分类。
最大似然法是一种经典的分类算法，它基于像素的概率分布模型进行分类判定。
该方法利用已知训练样本的统计特征，计算待分类像素在每个类别中出现的概率，并选择概率最大的类别作为分类结果。
支持向量机是一种常用的监督学习算法，它通过找到一个最优的超平面将不同类别的样本间隔最大化来实现分类任务。
该算法具有强大的分类性能和泛化能力，广泛应用于遥感影像分类领域。
随机森林是一种基于决策树的分类算法，它通过构建多个决策树并对其结果进行投票来实现分类。
随机森林具有较好的鲁棒性和准确性，对于遥感影像的非线性分类任务有良好的效果。
1.2 基于对象的分类算法基于对象的分类算法是将邻域像素合并为对象，以对象为基本单位进行分类。
与基于像元的分类算法相比，基于对象的分类算法能更好地捕捉到地物的空间信息和上下文特征。
常见的基于对象的分类算法包括分水岭算法、形态学算法、区域生长算法等。
这些算法通常通过分割影像图像得到对象，然后通过计算对象的特征参数进行分类。
分水岭算法是一种基于区域的图像分割算法，它通过模拟灌水过程将图像分割为不同的区域。
分水岭算法具有较好的分割效果和边界保持能力，常用于遥感影像目标提取和分类。
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遥感影像处理是一项广泛应用于地质勘探、土地利用、环境监测、气象预测、水文调查等领域的技术。
遥感影像数据具有广阔的应用场景和多样的数据类型，如何将这些数据整合起来实现更加精准的地理信息分析和预测成为了人们所关注的问题。
本文将从数据融合技术的发展、应用场景、常见方法、技术评价等方面，探讨遥感影像数据融合技术在地理信息分析和预测中的重要作用。
一、数据融合技术的发展数据融合是指从多源数据获取、处理和利用过程中，将多个数据源的信息进行整合和统一，以达到数据更完整、更准确、更可靠的目的。
遥感技术的应用范围广泛而复杂，数据也多来自于多个平台、多个手段、多个分辨率、多个时段等，为了最大程度地提高数据的利用价值，数据融合技术得到了广泛应用。
随着卫星遥感、航空摄影、地面监测等技术的不断发展，融合各类传感器、各类分辨率、以及多个环境状态下的遥感数据的研究也逐渐增加。
在发展过程中，数据融合技术经历了多个阶段，从最初的像元级融合，到基于特征信息融合，再到随机场融合、模型融合和多尺度融合，不断提高了数据融合的效率和精度，为地理信息分析和预测提供了强大的支持。
二、数据融合技术的应用场景数据融合技术在地理信息分析和预测中具有广泛的应用场景。
以下几个方面是数据融合技术的应用场景。
1. 土地利用和土地覆盖土地利用和土地覆盖是地理信息分析的重要内容。
通过数据融合技术，可以将卫星和地面的遥感影像数据进行融合分析，实现土地利用和土地覆盖的数据整合和智能分析，辅助政府、公共事业和农业企业制定土地开发、建设和管理计划，提高城市规划、土地资源利用效率和精准农业生产质量。
2. 环境监测和预警环境监测和预警涉及到大范围的数据采集和分析，数据融合技术可以将大量的地面监测数据和遥感数据融合分析，快速、准确地进行污染源追踪、热岛效应和自然灾害等问题的监测和预警，为城市规划和环境保护提供服务。
3. 气象预测和防灾减灾气象预测和防灾减灾涉及到气象数据、空间数据、卫星数据和机场数据的处理，数据融合技术可以将多种不同数据源的数据进行整合，实现更准确的气象预测，以及对汽车、飞机等交通工具的智能预警，为人们的出行、运输、避险提供保障。
遥感影像信息提取中的多尺度分割算法研究
遥感影像信息提取中的多尺度分割算法研究遥感技术在现代的资源管理、城市规划、农业等各个领域中已经广泛应用。
其中遥感影像信息提取是遥感技术应用中比较重要的一部分，它能够从遥感影像中提取出一些有价值的信息，如道路、建筑、水体等。
然而，由于遥感影像分辨率较高，单一分割算法往往难以有效地提取出有价值的信息。
多尺度分割算法的研究对于解决这一问题具有重要的意义。
一、多尺度分割算法的概念多尺度分割算法是一种利用不同的尺度对遥感影像进行分割的算法。
在进行图像分割时，往往需要对彩色或灰度图像中像素点进行聚类，以便提取出相似的像素点并将其归为一类。
随着遥感影像分辨率的提高，图像中的像素数目也随之增加，这就导致了聚类算法计算的复杂度增大。
而采用多尺度分割算法则可以在保持精度的前提下实现快速计算。
二、多尺度分割算法的主要应用1. 遥感影像分析与判读多尺度分割算法可以通过分析遥感影像，提取出其中的有用信息，如土地利用、土地覆盖、冰雪覆盖等。
这样就可以对地理环境进行诊断和监测，有效地优化资源管理。
2. 环境监测多尺度分割算法可以通过遥感影像提取水体、植被、土地利用等信息，为城市规划、土地利用规划等环境监测提供科学依据，为保护生态环境提供有力支持。
3. 地球科学研究多尺度分割算法可以将遥感影像中的类别分割得更加精确，从而为地球科学的研究提供可靠的基础数据，如洪水监测、气象预报等。
三、多尺度分割算法的实现原理目前常用的多尺度分割算法主要有基于小波变换、基于金字塔和基于局部自适应阈值（Local Adaptive Threshold, LAT）。
1. 基于小波变换基于小波变换的多尺度分割算法是一种对遥感影像进行多尺度分割的有效方法。
它可以将图像进行小波分解，然后根据不同的尺度进行分割，最终通过小波重构得到分割后的影像。
2. 基于金字塔基于金字塔的多尺度分割算法使用了一个多分辨率表示的图像金字塔，并依次分解到不同的尺度。
在不同的分辨率下，对图像进行分割，然后对每个尺度进行汇总，最终得到所有尺度的分割结果。
- 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)。
多尺度遥感影像融合技术及其算法研究进展培东①,②,曾永年①,②,历华①,②(①中南大学信息物理工程学院,长沙410083;②辽宁工程技术大学地理空间信息技术与应用实验室,阜新123000)摘要:随着传感器光谱分辨率和空间分辨率的提高,现代遥感技术提供了金字塔状的可利用遥感数据。
与此同时,也给遥感技术应用提出了挑战———如何充分、有效地利用多源、多尺度的遥感影像数据。
影像融合技术为充分利用多源、多尺度的遥感影像数据提供了有效的途径。
本文对目前多尺度影像融合技术及其算法的发展进行了系统分析,在此基础上,对影像融合技术的发展进行了简要的分析。
关键词:多尺度影像;影像融合;融合算法;进展中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)88-0067-05收稿日期:2006-04-11 修订日期:2006-06-12基金项目:辽宁工程技术大学地理空间信息技术与应用实验室基金资助(编号2005012)作者简介:培东(1977～),男(汉),内蒙古集宁市人,硕士生,研究方向为遥感影像处理及其应用研究。
E 2m ail :yunpeidong @1 引 言随着遥感技术的发展,多源、多尺度的遥感影像已广泛应用于对地观测及其信息的获取。
为了有效地利用多源、多尺度遥感数据,最大限度地获取感兴趣目标的信息,影像融合技术得到了应有的重视,并成为目前遥感影像处理领域的一个重要的研究课题。
影像融合是指把来自不同传感器或同一传感器不同尺度的同一场景的两幅或多幅影像,采用一定的算法生成一组新的信息或合成影像,以提高影像的清晰度和可识别性,获得单一影像所不能提供的特征信息[1]。
影像融合不仅仅是多源、多尺度的遥感影像的简单复合,而是采用一定的算法来强调信息的优化、突出专题信息、提高影像所表达信息量、抑制或消除冗余信息,从而增加影像解译可靠性,减少模糊性、多义性、不确定性和误差。
通过综合利用多种数据资料的不同优势,达到优势互补的效果。
目前影像融合的方法很多,不同的融合算法适合于不同的应用目的,有多波段影像融合、多时相影像融合、不同传感器影像融合、不同分辨率影像之间的融合[2～6]。
方法虽然不同,但最终目都是要提高影像空间分辨率、改善影像的几何精度、增强特征显示能力、改善分类精度、提高变化检测能力、替代或修补影像数据的缺陷[7～10]。
本文针对不同尺度影像融合技术的发展,对其算法研究进展进行了较系统分析与总结,并对影像融合的评价方法进行了归纳。
在此基础上,对影像融合技术今后的发展进行了简要的分析。
2 影像融合技术的发展多尺度影像融合一般是指多光谱影像与高分辨率全色波段影像之间的融合,它既保留了多光谱影像的光谱特性,又可提高多光谱影像的空间信息。
在融合后的新影像上,地物纹理清晰、颜色区别明显,地类的边界清晰,有利于影像的解译和分类精度的提高[11]。
目前影像融合的方法很多,从信息表征层次上可分为三个层次:像元级融合,特征级融合,决策级融合[12]。
像元级融合是低层次的融合技术,是直接在采集的原始数据层或其变换数据层上进行的融合,是为了补充、丰富和强化融合影像中的有用信息,使融合影像更符合人或机器的视觉性,更有利于对影像的进一步分析与处理。
融合算法可分为以光谱域为主的融合和以空间域为主的两类。
目前光谱域主要的融合算法有代数运算法[13～15]、Brovey 变换[16]、IHS 变换法[17～21]、主成分变换法[13];空间域主要的算法有高通滤波[18～21]、基于平滑滤波的融合[22]、Gram-Schimdt 变换法[23]、合成变量系数法[15]以及现在热门的小波分析法[24～26]等。
特征级的融合是较高层次的融合,这类融合技术首先对各种数据源进行目标识别的特征提取、分类等,然后对这些特征进行综合分析和融合处理。
融合结果能体现大部分信息,同时使计算过程中的数据量大大减少,缺点是由于不是基于原始影像的数据,在特征提取过程中难免出现部分信息的丢失,并难以提供细微信息。
主要有Bayesian 统计决策理论[27-28]、Dempster 2Shafer 证据理论[29～30]、模糊推理[31～32]和人工神经网络[33～34],基于统计特征[35]、基于空间自适应融合等[36]。
决策级的融合是最高层次的融合技术,是基于影像的理解和识别的基础上的融合。
首先是对原始影像进行特征提取以及一些辅助信息的参与,再对有价值的数据运用判别准则、决策规则加以判断、识别、分类,然后再将这些有用的信息进行融合。
所以融合后的影像能很好的为决策分析提供信息。
主要有马尔可夫随机场模型加入多源决策分类[37～39]、贝叶斯法则的分类理论与方法[40]、基于统计融合方法[41]、基于光谱特征融合[42]、基于分类融合等[43]。
3 主要影像融合算法及其发展3.1 基于HIS 变换的融合算法HIS 变换法是遥感影像融合算法中最常用的算法之一。
它将遥感影像从红(R )、绿(G )、蓝(B )三种颜色组成的色彩空间转换到以亮度(I )、色度(H )、饱和度(S )作为定位参数的色彩空间,然后用高分辨率全色影像代替I 分量,最后通过HIS 逆变换得到最终的融合影像。
HIS 变换法简单而且容易操作,被广泛用于彩色增强、特征增强、改善空间分辨率、融合分离的数据集等影像处理和分析中。
但由于在变换过程中是直接用高分辨率影像代替第一分量,这样就导致了原始影像的光谱扭曲,不利于影像的正确识别和分类[44]。
为了减少光谱扭曲,Pellemans 等(1993)提出用球体坐标系方法来进行IHS 变换(图1,式(1)、(2)),与原HIS 变换相比,融合影像的标准差由4.34提高到4.59,均值由48.08提高至48.72,与高分辨率影像的相关系数由0.54降低到0.45[19];武鹃等(2004)提出的HIS 变换与直方图匹配法相结合的算法,与HIS 变换法相比融合后影像的光谱扭曲度由10.33降低到7.99[45];肖刚等(2005)提出了基于小波统计特性的遥感影像像素与特征联合最优融合方法,该方法最大限度的降低了融合影像的色彩失真,均衡了空间信息和光谱信息两项指标[35]。
图1 球面坐标系与RG B 空间的关系I =R 2+G 2+B23(1)H =arctanGR S =arctanB R 2+G 2(2) 3.2 基于主成分分析的融合算法主成分分析法是遥感数字影像处理中常用的一种方法。
基于主成分分析的融合算法常用的方法有两种:①首先对多光谱影像进行主成分变换,获得影像的主分量影像。
然后以第一分量影像为参考对高分辨率影像进行直方图匹配,匹配后,用高分辨率影像代替多光谱影像的第一主成分影像,最后通过主成分逆变换得到最终融合影像;②是对参与融合的多光谱影像和高分辨率影像统一进行主成分变换,接下来用变换后的高分辨率影像代替多光谱影像的第一主成分影像,最后通过主成分逆变换得到最终融合影像。
基于主成分分析的融合算法是直接用高分辨率影像直接代替了第一主分量,而第一主分量包含了多光谱影像的大部分光谱信息,这导致了融合影像空间信息较丰富,而色彩信息却较弱。
针对这一缺陷,董毓敏(2002)提出了基于小波叠加的主成分变换遥感数据融合方法,与主成分变换法相比,融合影像的信息熵由3.994提高至4.102;光谱扭曲度有13.638降低到6.753[46]。
基于主成分分析的融合方法对成像机理相同的不同尺度影像之间的融合可以得到较好的效果,如果影像来自成像机理互不相同的传感器,比如SAR 和Landsat TM ,由于其传感器成像机理不同,导致影像所包含的数据信息不同,这时如果用其他影像代替第一主成分,就会丢失大量光谱信息。
针对这一问题,杨存建等(2001)在利用SAR 和TM 数据融合时,通过用SAR 影像分别代替各个主成分进行融合,获得不同的融合影像。
然后对各个融合影像进行比较分析,得出的结论认为替换第四主分量或第五主分量可获得比替换第一主分量好的融合效果[47]。
从这一结论可以看出:同一融合算法可能适合于不同的影像融合,但要根据参与融合的影像的光谱特性对算法作适当的调整,以取得最佳的融合效果。
3.3 基于小波变换的融合算法小波理论是20世纪80年代提出的,是一种把时域和频域信号局部化分析的方法,在影像融合、数据压缩、特征提取中得到广泛使用。
小波变换就是把多光谱影像在小波域中进行变换,然后经过一定的卷积运算,接着用高分辨率影像的高频信息代替多光谱影像的高频信息等,最后经过小波反变换得到最终融合影像。
与HIS 变换类似,小波变换融合算法是直接丢弃高空间分辨率影像的低频分量,所以融合影像中空间信息较弱,同时小波分解的阶数对融合效果有较大的影响,针对这一缺点:曹闻等(2003)提出了小波包与PCA 变换相结合的方法,与小波变换法相比,融合结果使得光谱的扭曲程度由4.355降低到3.02,偏差指数由0.064降低到0.044[48];王广军等(2004)提出HIS 变换和小波分解叠加的融合算法,最大限度地保留光谱信息和空间信息[49]。
但这些方法在面对更高空间分辨率影像如Ikonos 、Quickbird 等效果欠佳,主要表现在色彩失真比较严重。
针对这一情况,刘春等(2004)提出了基于小波变换的快鸟影像数据融合[50],该方法削弱了由于直接用高分辨率影像的高频部分代替小波分解后的高频信息所导致的光谱扭曲,同时最大限度的降低了融合影像的色彩失真。
3.4 基于平滑滤波的亮度变换法基于平滑滤波的亮度变换法是最新提出的像元级融合算法之一[22],该方法利用低通滤波可以有效地消除全色波段影像的高频信息,而保留其光谱信息的特性进行融合的。
该方法的主要融合步骤如下:首先对全色波段影像进行低通滤波处理,然后在全色波段影像、多光谱影像及低通滤波影像之间进行算术运算得到最终的融合影像。
从基于平滑滤波的亮度变换法的融合原理中可以看出,经过低通滤波的全色波段影像可以有效地去掉该影像的高频信息,而保留了光谱信息,所以,经过处理的模拟影像和原全色波段影像比值运算可以有效地消除两幅影像之间的低频信息和地形反差,并较好地保留了原全色波段影像的结构纹理信息,然后将此信息加入到原始低分辨率多光谱影像中。
所以,可以认为该方法是在低分辨率的影像中加入高分辨率影像的空间纹理特征的算法,因此它既可以较好地保留原始影像的光谱信息,又可以保留原始全色波段影像的纹理信息。
但低通滤波变换核的选择会直接影响该算法的融合效果,所以该算法对操作者的经验依赖性较强,不容易得到最佳的融合效果。
3.5 Gram-Schimdt变换法Gram-Schimdt变换法也是最新提出的像元级的融合算法之一[23],该方法利用数学上的Gram-Schimdt(GS)变换进行变换的。