论文部分内容阅读
【摘 要】随着遥感技术的发展，多遥感器、多分辨率、多时相的海量数据袭来，这些数据各自都有自身的优势和局限。如何充分开发和利用这些数据资源，遥感数据融合为我们提供了方便。本文阐述了遥感影像数据融合常见的三种方法以及融合过程。
【关键词】遥感；数据融合；融合算法
0.引言
如今，遥感技术迅速发展，SPOT、Landsat/TM、SAR等不同遥感器，为我们提供了大量的不同时相、不同波段、不同角度、不同分辨率的遥感影像。由于技术条件的限制，成像原理的不同，单一遥感器的遥感数据都不会全面的反映目标特征。因此，将不同特征的数据（非遥感的或遥感的）结合起来，既可以发挥各单一遥感数据的优势，又可以弥补不足，相互取长补短。数据融合应运而生。
数据融合是对多遥感器的图像数据和其他信息的处理过程。它是按照一定的规则和算法，去除掉时间或空间上冗余或互补的多源数据，使其获得比任意单一数据更精确、更丰富信息的新合成图像。
1.融合的基本要求和融合前的图像预处理
1.1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。
1.2融合前的图像预处理[1]
融合前，各种单一的数据必须先进行几何校正、辐射校正、去除坏线条带。由于不同来源的遥感图像数据会因为平台、观测角度、轨道等的不同，特征差异较大，必须进行空间配准，即保证同一区域的图像转换到统一坐标系下。其次是保证数据关联，即各类数据转换成统一的表达形式。
2.融合类型
图像数据的融合可分为三个不同层次：
2.1基于像元层次的融合
基于像元的图像数据融合指对测量的物理参数合并，即直接在采集的原始数据上进行融合。基于像元的融合往往具有一定的盲目性，但由于基于最原始的图像数据，能够更多的保留图像原有的真实感，提供其他融合层次所不能提供的细微信息。
2.2基于特征层次的融合
基于特征的图像数据融合指运用不同的算法、对各种数据源进行目标识别的特征提取。基于特征层次的融合强调了特征之间的对应，并不突出像元之间的对应，在处理上避免了像元重采样等造成的人为误差。但是正因为它不是基于最原始的图像数据而是特征，所以在特征提取过程中不可避免的会丢失部分信息，从而难以提供细微信息。
2.3基于决策层次的融合
基于决策层的图像数据融合指在图像理解和图像识别基础上的融合，也就是经过特征提取和特征识别后的融合。它具有很高的灵活性，对前期的处理要求很高，是一种高层次的融合，往往直接面向应用，为决策支持服务。
3.常用数据融合方法
3.1 HIS变换
在图像数据融合中，主要运用两种HIS技术。一种是直接法，即将3波段图像直接变换到指定的HIS空间。第二种是替代法，即首先将由RGB3个波段数据组成的数据集变换到相互分离的HIS彩色空间中用以上公式变换。
3.2主成分分析（PCA）
主成分分析就是一种除去波段之间的多余信息，将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。即在尽可能不丢失信息的情况下，用几个综合性的波段代表多波段的原图像，使数据量减少。
主分量变换在进行融合中有两种变换方法[3]，一种是直接法：将参与变换的各波段。包括高空间分辨率数据在内，统一进行主分量变换，然后进行反主分量变换。另一种是替换法：将多光谱的多个波段先做主分量变换，并且与HIS变换相似，将高分辨率全色影像与第一主分量进行直方图匹配，使之与第一主分量有相同的均值与方差，然后用匹配后的高分辨率影像代替第一主分量，最后进行反主分量变换，得到空间分辨率提高了的多光谱影像的融合影像[4]。
3.3小波变换
由于同一目标在不同数据源之间是非线性关系，所以必须引入非线性理论和模型。小波变换具有信息保持性、变焦性、小波基选择的灵活性等优点。因此，从上个世纪九十年代开始，小波变换作为新的数学工具，被誉为“数学显微镜”[5]。
经小波变换，图像可分解为一些具有不同空间分辨率、方向特性和频率特征的子信号。利用高分辨率影像数据的高频成份和相应的多光谱影像数据的低频成份组合进行小波重建，可得到融合影像。小波变换后的图像能有效地增强多光谱图像的空间细节表现能力。
4.结束语
随着遥感技术和应用的迅速发展，遥感理论在不断完善，遥感研究方法在不断充实和更新。遥感影像数据的融合方法虽不少，但每一种方法都存在着各自的局限性，很难建立一个统一的图像融合理论和方法系统。目前，数据融合算法趋向于把知识理解和统计信息相结合，以及多传感器或多时相数据的特征融合处理，今后还将向智能化、实时化方向发展。
【参考文献】
[1]赵英时，等.遥感应用分析原理与方法[M].北京：科学出版社，2013：44-46.
[2]Harris J R，et al.IHS transform for the integration of radar imagery with Other remotely sensed data.Phote Engin & Remote Sens，1990，36（12）：1631-1641.
[3]CPOHL J L.Van genderen multisensor image fusion in remote sensing：Concepts，methods and applications[J].1998，19（5）：823-854.
[4]Pat S Chavez.Comparison of three different methods to merge multiresolution and multispectral data：Landsat TM and SPOT panchromatic[J].PE&RS 1991，57（3）：259-303.
[5]王智均，李德仁，李清泉.利用小波变换对影像进行融合的研究.武汉测绘科技大学学报，2000，25（2）：137-141.
【关键词】遥感；数据融合；融合算法
0.引言
如今，遥感技术迅速发展，SPOT、Landsat/TM、SAR等不同遥感器，为我们提供了大量的不同时相、不同波段、不同角度、不同分辨率的遥感影像。由于技术条件的限制，成像原理的不同，单一遥感器的遥感数据都不会全面的反映目标特征。因此，将不同特征的数据（非遥感的或遥感的）结合起来，既可以发挥各单一遥感数据的优势，又可以弥补不足，相互取长补短。数据融合应运而生。
数据融合是对多遥感器的图像数据和其他信息的处理过程。它是按照一定的规则和算法，去除掉时间或空间上冗余或互补的多源数据，使其获得比任意单一数据更精确、更丰富信息的新合成图像。
1.融合的基本要求和融合前的图像预处理
1.1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。
1.2融合前的图像预处理[1]
融合前，各种单一的数据必须先进行几何校正、辐射校正、去除坏线条带。由于不同来源的遥感图像数据会因为平台、观测角度、轨道等的不同，特征差异较大，必须进行空间配准，即保证同一区域的图像转换到统一坐标系下。其次是保证数据关联，即各类数据转换成统一的表达形式。
2.融合类型
图像数据的融合可分为三个不同层次：
2.1基于像元层次的融合
基于像元的图像数据融合指对测量的物理参数合并，即直接在采集的原始数据上进行融合。基于像元的融合往往具有一定的盲目性，但由于基于最原始的图像数据，能够更多的保留图像原有的真实感，提供其他融合层次所不能提供的细微信息。
2.2基于特征层次的融合
基于特征的图像数据融合指运用不同的算法、对各种数据源进行目标识别的特征提取。基于特征层次的融合强调了特征之间的对应，并不突出像元之间的对应，在处理上避免了像元重采样等造成的人为误差。但是正因为它不是基于最原始的图像数据而是特征，所以在特征提取过程中不可避免的会丢失部分信息，从而难以提供细微信息。
2.3基于决策层次的融合
基于决策层的图像数据融合指在图像理解和图像识别基础上的融合，也就是经过特征提取和特征识别后的融合。它具有很高的灵活性，对前期的处理要求很高，是一种高层次的融合，往往直接面向应用，为决策支持服务。
3.常用数据融合方法
3.1 HIS变换
在图像数据融合中，主要运用两种HIS技术。一种是直接法，即将3波段图像直接变换到指定的HIS空间。第二种是替代法，即首先将由RGB3个波段数据组成的数据集变换到相互分离的HIS彩色空间中用以上公式变换。
3.2主成分分析（PCA）
主成分分析就是一种除去波段之间的多余信息，将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。即在尽可能不丢失信息的情况下，用几个综合性的波段代表多波段的原图像，使数据量减少。
主分量变换在进行融合中有两种变换方法[3]，一种是直接法：将参与变换的各波段。包括高空间分辨率数据在内，统一进行主分量变换，然后进行反主分量变换。另一种是替换法：将多光谱的多个波段先做主分量变换，并且与HIS变换相似，将高分辨率全色影像与第一主分量进行直方图匹配，使之与第一主分量有相同的均值与方差，然后用匹配后的高分辨率影像代替第一主分量，最后进行反主分量变换，得到空间分辨率提高了的多光谱影像的融合影像[4]。
3.3小波变换
由于同一目标在不同数据源之间是非线性关系，所以必须引入非线性理论和模型。小波变换具有信息保持性、变焦性、小波基选择的灵活性等优点。因此，从上个世纪九十年代开始，小波变换作为新的数学工具，被誉为“数学显微镜”[5]。
经小波变换，图像可分解为一些具有不同空间分辨率、方向特性和频率特征的子信号。利用高分辨率影像数据的高频成份和相应的多光谱影像数据的低频成份组合进行小波重建，可得到融合影像。小波变换后的图像能有效地增强多光谱图像的空间细节表现能力。
4.结束语
随着遥感技术和应用的迅速发展，遥感理论在不断完善，遥感研究方法在不断充实和更新。遥感影像数据的融合方法虽不少，但每一种方法都存在着各自的局限性，很难建立一个统一的图像融合理论和方法系统。目前，数据融合算法趋向于把知识理解和统计信息相结合，以及多传感器或多时相数据的特征融合处理，今后还将向智能化、实时化方向发展。
【参考文献】
[1]赵英时，等.遥感应用分析原理与方法[M].北京：科学出版社，2013：44-46.
[2]Harris J R，et al.IHS transform for the integration of radar imagery with Other remotely sensed data.Phote Engin & Remote Sens，1990，36（12）：1631-1641.
[3]CPOHL J L.Van genderen multisensor image fusion in remote sensing：Concepts，methods and applications[J].1998，19（5）：823-854.
[4]Pat S Chavez.Comparison of three different methods to merge multiresolution and multispectral data：Landsat TM and SPOT panchromatic[J].PE&RS 1991，57（3）：259-303.
[5]王智均，李德仁，李清泉.利用小波变换对影像进行融合的研究.武汉测绘科技大学学报，2000，25（2）：137-141.