三种图像融合方法实际操作与分析.docx

三种图像融合方法实际操作与分析.docx

《三种图像融合方法实际操作与分析.docx》由会员分享，可在线阅读，更多相关《三种图像融合方法实际操作与分析.docx（17页珍藏版）》请在冰豆网上搜索。

三种图像融合方法实际操作与分析

摘要：

介绍了遥感影像三种常用的图像融合方式。

进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。

　　关键字：

遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDASIMAGINE

　　1.引言

　　由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。

因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。

为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。

[1]

　　在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。

高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。

[2]

　　此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。

　　2.源文件

　　1、imagerycolor.tif，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。

　　2、imagery-5m.tif，SPOT图像，分辨率5米。

　　3.软件选择

　　在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ERMapper对于处理高分辨率影像效果较好，而ERDASIMAGINE的数据融合效果最好。

[3]

　　ERDASIMAGINE是美国Leica公司开发的遥感图像处理系统。

它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。

　　2012年5月1日，鹰图发布最新版本的ERDASIMAGINE，所有ERDAS2011软件用户都可以从官方网站上下载最新版本ERDASIMAGINE11.0.5.新版本包括之前2011服务包的一些改变。

相比之前的版本，新版本增加了更多ERDASIMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。

用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清晰的空间地理图像。

此文中，鉴于软件费用及需求考虑，实验采用ERDASIMAGINE8.7软件。

　　4.实验原理

　　遥感图像融合是处理遥感图像的一种重要方法。

图像融合是将2个或2个以上的传感器在同一时间（或不同时间）获取的关于某个具体场景的图像或和图像序列信息加以综合，生成一个新的有关此场景的解释，而这个解释是从单一传感器获取的信息中无法得到的[4]、[5]。

有时候图像融合的对象也可以是单一传感器在不同时间获取的图像数据[6]。

　　分辨率融合是对不同空间分辨率遥感图像的融合处理，使处理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。

通过进行图像融合，可以不同的类型的遥感图像的信息集合在一幅遥感图像上。

图像融合可以提高图像空间分辨率（图像锐化）、改善图像几何精度、增强特征显示能力、改善分类精度、提供变化检测能力、替代或修补图像数据的缺陷等。

　　图像分辨率融合的关键是融合前两幅图像精确地进行配准，才可能得到满意的融合效果；而对于融合方法的选择，则取决于被融合图像的特性以及融合的目的，同时，需要对融合方法的原理有正确的认识[7]。

　　本次实验选取在实际应用中常用的三种遥感图像融合方式：

　　a）主成分变换融合（PrincipleComponent）

　　主成份变换融合是建立在图像统计特征基础上的多维性变换，具有方差信息浓缩、数据量压缩的作用，可以更准确地揭示多波段数据结构内部的遥感信息，常常是以高分辨率数据替代多波段数据变换以后第一主成份来达到融合的目的。

该方法的最大优点是可以应用任意数目的波段，它对N个波段的低分辨率图像进行主成份分析（PCA:

PrincipalComponentAnalysis），将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值和方差和PCA变换第1分量图像一致；然后以拉伸过的高分辨图像代替第1分量图像，经过PCA逆变换还原到原始空间，融合后的图像包括两幅原始图像的高空间分辨率和多光谱信息特征。

融合图像上目标的细部特征更加清晰，光谱信息更加丰富，其理论基础是图像统计特征。

　　b）乘积变换融合（Mutiplicative）

　　乘积变换融合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合成。

将一定亮度的图像进行变换处理时，只有乘法变换可以使其颜色保持不变。

该融合算法是在原始图像上进行操作，结果将增强某些信息的表现，在很多城市和郊区环境研究城市规划，基础设施建设中，用户经常希望道路、农场等特征能够被识别出来，应用该方法将使上述特征得到增强，该方法简单，占用的机器资源少，但结果图像不保留输入的多光谱图像的辐射（反射）信息。

其融合公式如下

　　DTM×DSPOT=DTMnew

　　c）比值变换融合（BroveyTransform）

　　比值变换融合是将输入遥感数据的3个波段按照公式进行计算，获得融合以后各波段的数值。

Brovey变换融合方法是将遥感图像的3个波段，按照下列公式进行计算，获得融合后各波段的数值

　　[DR/（DR+DG+DB）]×Dhires=DRnew

　　[DG/（DR+DG+DB）]×Dhires=DGnew

　　[DB/（DR+DG+DB）]×Dhires=DBnew

　　其中，R、G、B为图像的红、绿、蓝波段数值，Dhires代表高分辨率遥感图像。

[7]、[8]

　　5.实验步骤

　　5.1几何校正与配准

　　由于此次进行的融合所采用的是基于象元的图像融合，所以将imagerycolor.tif与imagery-5m.tif进行几何校正的步骤是进行融合的基础。

　　5.1.1加入投影信息

　　在几何校正中，发现imagery-5m.tif没有提供投影信息，因此在进行几何校正前，必须加入投影信息，这里选择投影类型与坐标系统如图1、图2所示。

图1加入投影信息

图2选取投影类型与坐标系统

　　5.1.2几何校正

　　几何校正（GeometricCorrection）就是将图像数据投影到平面上，使其符合地图投影系统的过程；而将地图坐标系统赋予图像数据的过程，称为地理参考（Geo-referencing）。

[3]

　　a、GCP（groundcontrolpoints，地面控制点）选取：

　　这一步最为关键的，就是GCP的选取，需要非常小心、仔细。

因为这将关系到后面图像的形状与色彩的匹配程度及整个操作的精确度。

　　此次融合，共在图像中选取15个控制点。

仔细且小心的操作，并将RMS（配准误差，实际位置与配准位置之间地差异）控制在0.1象元以内，效果理想。

　　由于控制点误差比较小，略去采集地面检查点的过程，见图3。

图3选取GCP

　　b、图像重采样

　　进行选取GCP点后，要进行图像重采样。

　　重采样（Resample）过程就是依据未校正图像象元值计算生成一幅校正图像的过程，原图像中所有栅格数据层都将进行重采样。

有3种最常用的重采样方法：

NearestNeighbor（邻近点插值法）、BilinearInterpolation（双线形插值法）、CubicConvolution（立方卷积插值法）。

[7]

　　这里选择的图像重采样方法是NearestNeighbor（邻近点插值法）。

重采样后输出的图像文件名为rectify1.img，如图4所示。

图4经重采样处理图像

　　经过检验校正结果，发现此次几何校正误差在一个象元内，处理效果觉得满意。

　　5.2图像融合

　　经过校正后，rectify1.img与imagery-5m.tif就可进行图像融合了。

　　在ERDAS图标面板菜单条中，单击Main->ImageInterpreter->SpatialEnhancement->ResolutionMerge：

　　开始进行图像融合操作。

将三种融合方式各自操作一次，分别将文件保存名为：

merge_principle.img、merge_mutiplicative.img、merge_brovey.img。

　　在操作时，相关参数选定如图所示：

　　a）采用主成分变换融合（PrincipleComponent）

图5主成分变换融合参数设置

　　b）采用乘积变换融合（Mutiplicative）

图6乘积变换融合参数设置

　　c）采用比值变换融合（BroveyTransform）

图7比值变换融合参数设置

　　经三种不同融合方式处理的遥感图像，效果分别如下：

　　a）主成分变换融合（PrincipleComponent）

图8主成分变换融合图像，merge_principle.img

　　从影像空间分辨力、清晰度看，变换融合的影像在分辨力、清晰度都较原始多波段图像有很大提高。

在融合影像上能清晰分辨出田块边界、道路、居民地轮廓等线性地物和一些小的水体等（由于此文档较小，如拿原文件在ERDAS上，可清晰看见这些地物。

），而这些在原影像上就较难分辨。

一些小的水体在原始图像上几乎无法辨认，在融合的图像上则可以清晰的辨认出。

　　从光谱特征看，融合后的彩色合成图像的色彩整体同原多光谱彩色合成影像相似，但植被在采用主成份变换融合的影像上比采用HIS融合的影像上更容易识别。

总体来说，融合后的影像更利于目视解译。

[9]

　　不过，我觉得此种融合颜色的过渡差异过大，肉眼判断觉得不够自然、舒服。

　　b）乘积变换融合（Mutiplicative）

图9乘积变换融合图像，merge_mutiplicative.img

　　这种方法是三种常用融合方法中最简单、耗时最少的方法，但是这种方法改变了多光谱数据的辐射信息，图像的亮度成分被增加，所以在城市、郊区研究中，经常用这种方法把城市道路、人工特征等高反射特征地物突显出来。

[10]

　　通过乘积变换融合得到的融合图像，可看出其亮度成分得到了增加，增强影像的细节反差。

并且颜色过渡得较为自然，肉眼所看较为舒服。

　　c）比值变换融合（BroveyTransform）

图10比值变换融合图像，merge_brovey.img

　　这种方法融合结果色调非常良好，几乎完整地保持了原始影像的色调信息。

而且它可以增加图像直方图高低部分的比率，提供城市中阴影、水体和高反射地物的对比，因此它可以产生一幅更高程度反映图像直方图高低部分对比的RGB图像。

但是这种方法对多光谱图像的辐射信息有一定程度的改变。

[8]

　　经融合后，明显感觉分辨率得到大大的提高，地物更为突出。

　　6.总结

　　从此次融合结果比较来看：

　　a、主成份处理效果与比值变换处理效果（如下图）

　　merge_principle.img与merge_brovey.img

　　可以看出，右边的比值变换处理的色彩更为接近于我们平时所见（由于缺少蓝波段，所以与自然色彩仍有差距，可进行自然彩色变化，这里不作处理），而且色彩过渡也显得较为自然。

　　b、乘积变化处理效果与比值变换处理效果（如下图）

　　merge_mutiplicative.img与merge_brovey.img

　　明显的看出，虽然乘积变换处理的色彩同样的保持了不变，但是比值变换处理的图像更为清晰，且突出。

　　通过比较，为了兼顾色彩及分辨率，以使我们处理效果更为有价值，此次融合，最终选择比值变换融合。

　　参考文献：

　　[1]孙俊平，刘　扬；《基于独立分量分析的多分辨率遥感图像融合算法》；雷达科学与技术2007年4月

　　[2]闫　利，岳昔娟，崔晨风；《一种定量确定遥感融合图像空间分辨率的方法》武汉大学学报?

信息科学版2007年8月

　　[3]李斯泽.ENVI,ERDAS,PCI,ER_Mapper的特点与统计分类.电脑知识与技术[J],2008年26期

　　[4]MaiterH,BlochI.ImageFusion.VistasinAstronomy,1997,41（3）:

329-335.

　　[5]TaxtT,SolbergAHS.InformationFusioninRemoteSensing.VistasinAstronomy,1997,41（3）:

337-342.

　　[6]张林玲.TM及SPOT遥感图像融合算法研究[D].中国南京:

河海大学,2007

　　[7]党安荣,王晓栋,陈晓峰,张建宝.ERDASIMAGINE遥感图像处理方法[M].清华大学出版社,108页

　　[8]杨长保，姜琦刚，丘殿明，刘万崧；《多源遥感数据融合方法的新探索》吉林大学学报（信息科学版）2006年11月

　　[9]魏冠军，杨世瑜；《基于主成份变换的多源遥感数据融合》兰州交通大学学报（自然科学版）2005年6月

　　[10]卓静，李登科，邓凤东；《EOS/MODIS最优融合方法研究》测绘技术装备2007年第1期

　　作者简介：

　　梁婧娜，女，英国剑桥大学硕士，程序员，广州市城市规划自动化中心技术开发部