浅析多源遥感数据融合原理及应用.docx

浅析多源遥感数据融合原理及应用.docx

《浅析多源遥感数据融合原理及应用.docx》由会员分享，可在线阅读，更多相关《浅析多源遥感数据融合原理及应用.docx（10页珍藏版）》请在冰豆网上搜索。

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

1、绪论1

2、多源遥感数据融合的基本理论1

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。

因此如何将不同传感器获得的遥感影像结合起来，以实现优势互补和冗余控制，成为遥感工作者要解决的关键问题，也是未来遥感面临的重要问题。

于是，遥感数据融合技术，以成为当前遥感研究的热点问题之一。

多源遥感数据融合的目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提起的及时性和可靠性，提高数据的使用率。

简单地说，多源遥感数据融合的目的是：

①简化图像处理。

②便于图像特征提取。

③实现图像压缩。

④从概念上增强对图像信息的理解。

多源遥感数据融合的意义：

单一遥感手段获取的信息具有一定的局限性和差异性。

应用范围有限。

多源遥感图像所提供的信息具有冗余性、互补性和合作性。

多源遥感图像数据融合则是汇集这些多源遥感图像最有效的途径之一，通过同一地区不同数据源间的信息互补为多源遥感图像的处理、分析和应用提供最有效的应用，有力于减少单一信息源对被感知对象或环境解译中可能存在的不确定性、不完全性和误差，最大限度地利用各种数据所包含的信息做出决策。

这样不仅扩大了个数据的应用范围，而且提高了分析精度、应用效果和使用价值。

2、多源遥感数据融合的基本理论

2.1多源遥感数据融合的概念

美国国防部从军事应用的角度将数据融合定义为这样一个过程：

把来自多个传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，以及对战场情况和威胁及其重要程度进行适时的完整评价。

目前，一般认为多源遥感影像数据融合是将同一环境或对象的多源遥感影像数据综合的方法和工具的框架，以获得满足某种应用的高质量信息，产生比单一信息源更精确、更完全、更可靠的估计和判决。

因此，多源遥感影像数据融合的数据源可来自各个层次，既可以是同一传感器的不同波段和不同时间获取的影像，还可以是来自不同处理水平的数据。

2.2多源遥感数据融合的原理

多源数据融合是把来自多个传感器和信息源的数据进行联合、相关、组合和估值的处理。

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，完成一个单一传感器独自所不能进行的推理。

相对于单源遥感影像数据，多源遥感影像数据所提供的信息具有以下特点：

（1）冗余性：

表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同。

（2）互补性：

指信息来自不同的自由度且互相独立。

（3）合作性:

不同传感器在观测和处理信息时对其它信息有依赖关系。

（4）信息分层的结构特性：

数据融合所处理的多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可以保证系统的实时性。

2.3多源遥感数据融合层次

多源遥感影像数据融合从层次上可分为：

像素级（特征提取之前）、特征级（属性说明之前）和决策级（各传感器数据独立属性说明之后）。

2.3.1像元级融合

像元的融合方法主要是像元之间的直接数学运算，包括差值梯度比值运算、加权运算、多元回归或其他数学运算，如孙家柄等根据不同的应用需要，分别将TM与侧视雷达，TM与航片进行了加权融合。

像元级融合的优点是最大限度的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，同时也特征级和决策级融合的基础。

但也存在一定的局限性如：

处理数据量较大，对图像配准的精度要求高，要求达到一个像素。

2.3.2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。

特征级融合可分为目标状态信息融合和目标特征融合。

目标状态信息融合主要应用于多传感器目标跟踪领域；目标特征融合就是特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是融合前必须先对特征进行相关处理，对特征矢量进行分类组合。

2.3.3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的基础上，在获得有关地区特征、空间结构、目标状态等决策信息后再对这些多信息源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。

决策级融合是在信息表示的最高层次上进行融合处理。

首先将不同类型传感器观测同一目标获得的数据在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而直接为决策提供依据。

因此，决策级融合是直接针对具体决策目标，充分利用特征级融合所得出的各类目标特征信息，并给出简明而直观的结果。

决策级融合除了实用性最好之外，还具有一个重要优点，即在一个或几个传感器失效时仍能给出最终决策，因而具有良好的容错性。

当然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。

3、多源遥感数据融合常用方法

3.1主成分变换（PCT）

主成分分析也称W-L变换，数学上称为主成分分析（PCA）。

主成分变换是应用于遥感诸多领域的一种方法，包括高光谱数据压缩、信息提取与融合及变化检测等。

它是将N个波段的低分辨率图像进行KL变换，将单波段的高分辨率图像经过灰度拉直，使其灰度的均值与方差和KL变换第一分量图像一致；然后以拉伸过的高分辨率图像代替第一分量图像，经过KL逆变换还原到原始空间。

经过融合的图像包括了原始二幅图像的高空间分辨率与高光谱分辨率特征，保留了原图像的高频信息。

融合图像上目标的细部特征更加清晰，光谱信息更加丰富。

这种融合方法也是目前遥感影像融合处理的主要方法之一,它克服了基于IHS变换融合方法只能同时对3个波段多光谱影像进行融合的局限,可以融合多个多光谱波段,在保持多光谱特性的能力上也较强,这种融合方法适用范围较广。

3.2乘积变换

乘积性融合法是应用最基本的乘积组合算法,直接对两种空间分辨率的遥感数据进行融合,其运算法则为:

Bi_new=Bi_m×B_h式中:

Bi_new代表融合以后的波段数值；Bi_m代表多光谱图像中的任意一个波段数值:

B_h代表高分辨率遥感数据波段值。

将一定亮度的图像进行变换处理时,只有乘积变换可以使其色彩保持不变。

3.3Brovey比值变换融合

Brovey融合也称为色彩标准化融合,是美国科学家Brovey建立的一种模型并将其推广的,是目前一种应用广泛的RGB彩色融合变换方法。

该方法能够保留每个像素的相关光谱特性,并且将所有的亮度信息变换成高分辨率的全色影像融合。

但由于Brovey影像融合对影像的要求比较高,为减少数据冗余和非光谱信息,融合前必须预先进行相关预处理和噪声滤波处理,采用Brovey融合会导致光谱信息的失真。

4、实验与分析

数据来源：

文中使用的影像数据主要来自ERDAS系统，位于\examples。

图4-1高空间分辨率图像SPOT.img图4-2多光谱图像dmtm.img原图

在ERDAS软件中对图4-1和图图4-2进行主成分变换、乘积变换和Brovey比值变换融合。

所得到的成果图如下：

图4-3主成分变换后成果图

图4-4乘积变换后成果图

图4-5Brovey比值变换融合后成果图

由成果图4-3、成果图4-3和成果图4-5可以看出：

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。

5、结语

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,目的之一是获取空间分辨率增强的多光谱影像,而且不应使原多光谱影像的光谱特征产生变化。

但实际上,通过融合多光谱影像空间分辨率增强,必然会产生多光谱影像光谱特征或多或少的变化。

为保证地物在原始影像数据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,以适于计算机影像判读和分类等后续处理,高空间分辨率全色影像和低空间分辨率多光谱影像融合时,应该在保持原多光谱影像的光谱特性变化小,以至人眼察觉不到或不影响计算机后续处理的前提下,尽量提高多光谱影像空间分辨率,满足实际应用的要求。

经过PCT融合的图像包括了原始两幅图像的高空间分辨率和高光谱分辨率特征，保留了原图的高频信息。

融合图像上目标的细部特征更加清晰，光谱信息更加丰富。

由于光谱信息的变化，使融合图像不能用于地物识别和反演工作。

乘积运算优点是对于大的地貌类型,如高起伏地区、荒漠区域类型增强效果是比较理想的。

缺点是光谱变化大,纹理不如高分辨率影像清晰,此类融合方法对于表现细碎地貌类型是不合适的。

Brovey变换优点是多光谱图像的方空间分解为色彩和亮度成分进行计算,锐化影像的同时能够保持原多光谱信息内容。

缺点是只能抽取和选择多光谱影像中的三个波段参与变换,使其他波段的信息丢失。

不利于影像信息的综合利用。

融合过程中包括归一化处理,融合影像像元灰度值一般要比其他方法的小。

没有解决波谱范围不一致的全色影像和多光谱影像融合的问题。

参考文献

[1]李德仁，摄影测量与遥感的现状及发展趋势[J]武汉测绘科技大学学报，2000，2.5

（1）

1-5.

[2]刘卫光，图像信息融合与识别（M）.北京：

电子工业出版社，2008.

[3]孙家柄，刘继琳，李军。

多源遥感影像融合[J].遥感学报，1998，2

（1）：

47-50.

[4]魏冠军，杨世瑜．基于主成份变换的多源遥感数据融合[J]．兰州交通大学学报：

自然科学版，2005，24（3）：

57—60．

[5]赵英时.遥感应用分析原理与方法[M].北京:

科学出版社,2003.

[6]杨肖琪,林嵩,金斌,等.高分辨率卫星遥感数据的融合比较研究[J].集美大学学报,2005,（4）:

338-342.

[7]党安荣，贾海峰，陈晓峰，等．ERDASIMAGINE遥感图像处理教程fM]．北京：

清华大学出版社，2010．

[8]孔庆楠.多源遥感影像数据的融合方法探讨[J].测绘与空间地理信息2008,5

（2）:

130-134.

[9]全斌，杨肖琪．多源卫星生态环境遥感数据的融合方法比较[J]．水土保持研究，2005，12（3）：

123—124．

致谢

本篇论文虽然凝聚着自己的汗水，但却不是个人智慧的产品，没有导师的指引和赠予，没有父母和朋友的帮助和支持，我在大学的学术成长肯定会大打折扣。

当我打完毕业论文的最后一个字符，涌上心头的不是长途跋涉后抵达终点的欣喜，而是源自心底的诚挚谢意。

首先我要感谢我的导师崔老师对我的论文的构思以及内容不厌其烦的指导和悉心指点，使我在完成论文的同时也深受启发和教育，特别是他广博的学识、深厚的学术素养、严谨的治学精神和一丝不苟的工作作风使我终生受益，在此表示真诚地感谢和深深的谢意。

同时，我还想感谢我的父母，他们对我的养育之恩永生难忘，他们含辛茹苦把我养大，又供我读书，我真的很感激他们为我做的一切，我想对他们说句：

“爸妈，我爱你们！

”当然，我远离家乡在外求学，得到了很多同学的帮助和关心，我很感谢他们一直以来对我的无微不至的关怀。

最后再一次感谢所有在毕业设计中曾经帮助过我的良师益友和同学，以及在设计中被我引用或参考的论著的作者，感谢学校三年来对我的栽培！

最后，向在百忙中抽出时间对本文进行评审并提出宝贵意见的各位专家表示衷心地感谢！