国内多源遥感数据融合研究综述

本文主要针对广泛应用的多源遥感数据融合方法,如IHS变换、主成分变换、小波变换法、神经网络法等进行简要介绍.概括了国内学者的主要研究成果,指出了遥感图像融合技术的关键是图像之间的空间配准,发展方向是多源遥感数据融合模型的普遍适用性.     

多源卫星生态环境遥感数据的融合方法比较

运用厦门本岛的SPOT-5全色波段数据和LANDSAT-7多光谱数据、德化地区的JERS-1雷达数据和LANDSAT-7多光谱数据，通过对两组多源遥感数据融合方一IHS变换和主成分分析(PCA)进行试验和比较分析。试验表明，PCA变换的结果保留更多ETM图像的色彩信息，但纹理细节被光滑，图像清晰度低于IHS变换的结果。而IHS变换则更好地保留SPOT图像的纹理信息，但色彩信息不如PCA方法来得丰富。在实际的遥感数据融合中，应根据不同的目的和需求，从具体领域出发，选择合适的融合方法，才能取得好的效果。     

CBERS-02B星HR高分辨率遥感数据融合研究分析

在阐述遥感影像融合原理的基础上,以贵州省贵阳市部分区域为研究区,应用PCA,Brovey,SVR,IHS共4种融合方法对CBERS-02B星HR数据与CCD数据进行融合实验。从光谱信息和空间信息两个方面对融合效果进行分析,对比4种融合方法对CBERS-02B星影像数据的适用程度,同时与SPOT-5融合数据进行对比分析。研究表明:(1)4种融合方法中,SVR变换法最适合CBERS-02B星遥感数据的融合,融合数据的各评价指标均高于其他融合方法,空间信息丰富,图像细节效果良好;(2)CBERS-02B星同源遥感数据融合影像的质量低于SPOT-5影像融合数据;(3)CBERS-02B星CCD数据的质量低是导致融合影像质量不高的主要原因,所以在CBERS-02B星HR数据的使用过程中应尽量寻求其他来源的多光谱数据进行融合。     

四种用于雷达遥感图像融合的空间分量提取方法

使用光学多光谱遥感图像对雷达图像进行空间增强,需要从光学多光谱图像中提取其空间分量。提取空间分量的基本方法有两种：主成分分析(PCA)和IHS变换法,PCA法可以对多光谱图像的所有波段进行分析,得到的第一主成分PC-1代表原始多光谱图像的空间信息,而IHS法只能输入多光谱图像的3个波段,经IHS变换得到的I分量代表原图像的空间信息;将用两种方法提取的PC-1和I分量直接与雷达遥感图像融合,发现PCA法的空间增强效果更为显著,而IHS法的色调保持效果更好。将PC-1和I分量分别进行0～255线性拉伸,然后与雷达遥感图像融合,发现二者对雷达图像的空间增强效果都显著增加,而色调保持水平均有所下降,但PCA法的空间增强效果仍然优于IHS法,而IHS法的色调保持水平仍然优于PCA法。该项研究为用户进行雷达图像融合提供了四种可供选择的提取空间分量的方法。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。     

一种改进的RS图像融合方法用于土地利用调查

常用的遥感图像融合的方法如IHS变换法在实施图像融合时,会产生色彩扭曲现象,本文探讨了一种新的光谱保持型的高通滤波融合算法(HPFF融合法)。HPFF融合法先对参与融合的全色波段进行高通滤波,尔后将滤波后的全色波段替换多光谱经IHS正变换后的强度分量,再进行IHS逆变换便得到融合图像。HPFF融合法的光谱保持性能优于IHS变换法,HPFF融合后的图像的色彩与TM影像相近,HPFF融合后图像的分类精度高于IHS融合后的图像,HPFF融合法是一种能较好地保持光谱特性的融合方法。     

一种基于IHS变换的改进型图像融合的算法

常用的遥感图像融合的方法如IHS变换法、Brovey变换法和主成分变换法实施图像融合时，均会有不同程度的光谱扭曲的现象，该文探讨了一种新的光谱保持型的DFF融合算法。DFF融合法先对参与融合的全色波段进行方向滤波，而后将滤波后的全色波段替换IHS正变换后的明度分量，再进行IHS逆变换便得到融合图像。DFF融合后的图像色彩与TM影像一致，光谱保持性能也优于IHS变换法，DFF融合图像的分类精度也高于IHS融合图像。     

基于ARSIS策略的SAR影像与多光谱遥感小波融合

针对南方多云多雨、光学遥感数据不易获取的特点,在江苏省宝应县设置了区域试验,探索了ENVISAT/SAR影像与HJ-1A星多光谱遥感融合的模式与效果。基于ARSIS策略,利用Mallat小波变换和波段间交互构造模型IBSM,对SAR影像和HJ-1A/CCD影像进行小波分解与低频、高频系数重构,然后通过小波逆变换得到信息融合影像。针对低频与高频影像的不同区域特征使用不同的融合规则,以增强融合过程的自适应性。对融合影像进行了主观与相应的定量评价,并与PCA变换、IHS变换等传统方法进行比较。最后,利用GPS矢量样点提取了小波融合前后影像的波段值与NDVI信息,对融合效果做了进一步的分析与说明。结果表明,小波融合、IHS变换、PCA变换影像光谱扭曲度平均值分别为0.1016、0.3261、1.2772,其中小波融合方法的值最小。三者的信息熵平均值分别为14.7015、11.8993和13.2293,以小波融合方法的值最高。说明小波融合方法在提高空间分别率的同时,较好的增强了光谱保持能力,信息解译效果明显优于PCA变换和IHS变换2种方法。     

彩色空间变换在DEM与遥感影像复合中的应用研究

非遥感数据与遥感数据复合是提高遥感影像解译精度的重要方法之一。以延河流域1997年TM影像和1∶5万DEM为数据基础,在遥感影像处理软件ERDAS IMAGINE 8.4支撑下,研究了遥感数据与非遥感数据的复合方法。研究表明,利用彩色空间变换能取得较好的效果。把遥感影像从RGB颜色模式通过彩色空间变换变换到IHS颜色模式,利用DEM代替IHS模式的色度(H)分量并通过逆变换变回到RGB模式。变换后各地类间颜色对比度增大,有利于监督分类中分类模板的建立和提高分类精度。     

多源多时相遥感数据融合在煤矿塌陷地中应用研究

因地下煤炭开采导致的矿区塌陷是目前矿区的主要问题之一,这些塌陷造成土地资源破坏,在高水位甚至出现积水。为此,需要掌握塌陷地随开采活动的扩展规律、塌陷区面积、破坏程度和积水区范围等数据资料。对于这些资料的采集,常规的技术方法已无法满足需要,而通过遥感数据融合能快速、准确地反映相关信息。因此采用HIS、PCA等几种不同增强信息的遥感融合方法对山东省某矿区的塌陷地进行试验研究,并对实验结果从定性和定量两个方面进行了融合评价。结果表明,HIS变换融合不仅能增大影像信息量和提高空间分辨率,减少模糊性,还能很好地保持光谱特征,提高了影像数据的利用率。     

生猪轮廓红外与光学图像的融合算法

该文针对生猪红外热图像和光学图像的融合,提出一种基于非子采样轮廓波的图像融合算法。在图像多尺度、多方向分解的基础上,设计了基于邻域平均能量和邻域方差的低频子带系数加权融合规则,以及基于邻域能量最大的带通系数融合规则。针对亮度-色度-饱和度变换法(intensity-hue-saturation transform,IHS)、小波变换法(discrete wavelet transform,DWT)、轮廓波变换法(contourlet transform,CT)等融合方法以及非子采样轮廓波变换(nonsubsampled contourlet transform,NSCT)域下不同融合规则进行了对比试验,试验结果表明该文算法具有较好的融合效果。定量融合评价指标中,平均梯度指标高于IHS、DWT、CT等方法25%以上,边缘信息保持指标高于其他3种方法23%以上。该文方法的提出对于改善生猪异常视觉监测中的前景轮廓提取具有较大意义;同时,对进一步开展猪体部位区域温度特征提取,建立生猪多源特征融合的计算机视觉异常监测系统,提高生猪异常预警可靠性具有积极意义。     

基于分量替换高分辨率遥感图像融合方法的对比研究

基于分量替换的高分辨率遥感图像融合是一种十分重要的融合方法,但对该方法的融合原理的深入分析在国内还鲜有报道。为此对分量替换融合方法进行原理探究和实验对比分析。首先从线性代数的角度来阐述分量替换融合算法的实质,并对两种典型的构造可替换波段的分量替换方法（基于光谱响应函数模拟低分辨率全色波段的Gram-Schmidt融合法（GS1）和基于多元一次线性回归拟合低分辨率全色波段的Gram-Schmidt（GS2）融合法进行原理说明;其次,选取QuickBird全色与多光谱图像数据,进行三种有代表性的基于分量替换的融合方法（PCA,GS1,GS2）的对比分析。通过对比融合前后典型地物的光谱特性变化来评价融合影像的光谱保真性也是该研究的一大特色。结果表明:3种融合方法都具有很高的光谱保真性,GS2融合方法具有最优的光谱保真性,PCA和GS1融合算法次之,尤其是GS1融合处理后的图像存在部分光谱失真的现象,GS2算法的光谱保真性明显优于GS1。从基于分量替换融合方法的实质可以诠释出造成GS1融合图像光谱失真的根本原因,GS1融合算法使用的只是实验室理想环境下所获取的名义上的光谱响应特征。传感器的实际成像过程受到诸多因素的影响,如传感器在轨工作环境、大气、观测角度不同等的影响。GS1算法单纯通过不同波段光谱响应函数的线性组合来模拟低分辨率全色波段并不十分准确,GS2直接利用MS和Pan波段像元灰度值进行线性回归,克服了上述不确定性问题。通过以上对比研究发现,如何利用多光谱数据准确地模拟低分辨率全色波段,直接影响到融合后影像的光谱保真性,是目前高分辨率遥感图像融合的关键技术。     

不同光照条件下农作物图像Contourlet域融合方法

为了更好地实现不同光照条件下的农作物图像融合,在Contourlet变换(contourlet transform,CT)的基础上采用了适合农作物图像的融合规则进行了融合处理。首先,采用Contourlet变换对源图像进行多尺度、多方向分解,得到低频子带系数和带通方向子带系数。然后,针对低频子带系数的选择,采用了一种改进的线性加权融合方法,以期减小噪声对融合结果的影响;针对带通方向子带系数的选择,结合人眼视觉特性,采用了一种基于梯度最大化规则的系数选择方案,得到待融合图像的系数。最后,经过Contourlet逆变换得到融合图像。与小波变换方法(wavelet transform,WT)进行了融合结果的比较,结果表明,与WT方法相比,该文方法在互信息量(mutual information,MI)、空间频率(spatial frequency,SF)、均方差(mean square error,MSE)、信息熵(entropy,Ent)、相关系数(correlation coefficient,CC)、平均梯度(average gradient,G’)和峰值信噪比(peak signal to noise ratio,PSNR)指标上均有了较大提升,表明利用该方法可以取得优于WT的融合效果;在此基础上,利用CT常见融合规则与文中融合规则进行了比较,同样表明CT方法可以有效提高图像融合的效果。研究表明,将文中所采用的融合规则应用于不同光照条件下的农作物图像融合是有效的、可行的。该研究可为变光照条件下的作物图像融合技术提供参考。     

词袋特征PCA多子空间自适应融合的黄瓜病害识别

针对颜色纹理特征结合单一分类器的传统识别方法对于多种黄瓜病害的识别精度较低的问题,该文提出基于词袋特征PCA(principal component analysis)多子空间自适应融合的黄瓜病害识别方法。该方法首先对多种病害建立类别相关词袋模型,提取病害图像的高维词袋特征,然后用主成分分析法将病害高维特征降维到多个不同维数子空间,并在各子空间上分别训练BP(back propagation)神经网络;通过设置自适应阈值对待分类图像在各子空间上的分类得分进行融合得到识别结果。采集黄瓜角斑病、棒孢霉叶斑病、白粉病、霜霉病和炭疽病等5种常见病害部位图像共246幅,每类病害子图像中任意选择20幅作为训练集(共100幅),其余146幅作为测试集进行病害识别试验。结果表明在2个主成分子空间融合分类的平均准确率为90.38%,比传统颜色特征、纹理特征和颜色纹理混合特征识别率分别高6.97、26.15和13.02个百分点,且算法对不同类别病害的分类准确率更稳定,为温室黄瓜病害诊断提供了一种有效方法。     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法.首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析(PCA)、小波变换以及可见光图像H分量与近红外图像NIR的算术组合(NIR/H)等方式进行融合处理:然后,对融合图像进行形态学重构分水岭分割.多幅苹果和番茄图像的同标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性.     

结合非子采样轮廓变换和形态收缩算子的多源遥感影像配准

针对多源遥感影像自动配准中难以提取大量同名特征点的问题,提出了一种结合非子采样轮廓变换和形态收缩算子的自动配准算法。结合非子采样轮廓变换和形态收缩算子的特征提取算法能够克服角度和尺度偏差,在多方向、多尺度空间精确提取强边缘上的关键结构特征点;基于低频波段的归一化互信息匹配算法和三角形一致检验算法能够提取到大量高可靠性的同名特征点对,保证了多源遥感影像的高精度配准。文中选取角度和尺度偏差显著的SPOT-5(P)和ASTER影像组合进行试验,结果证明以上算法能够检测到大量分布均匀的同名特征点对,配准模型精度趋近于1个像元。该研究可为多源遥感数据的融合和目标识别提供前提条件。     

基于小波分解的油菜多光谱图像与深度图像数据融合方法

将多源数据融合分析可以降低单一图像造成的误判读,利用多源数据之间的冗余部分进行配准,利用互补信息完成融合,能够提高数据的信息量和可靠性。该文利用近地面遥感模拟平台分别获取油菜的多光谱图像和深度图像,将2种图像进行配准和融合。该文分别针对多光谱图像和光程差深度图像的成像特点,进行相机内外参计算与图像矫正。采用 SIFT（scale invariant feature transform）算法计算2源图像上的 SIFT 点,并依据关键点描述子进行匹配,之后通过关键点位置计算仿射变换矩阵对图像进行缩放、平移和旋转,从而实现变换后图像的配准。分别对 harr,Db2,Db4,Sym2, Sym4,Bior2.2,Bior2.4,Coif2,Coif 等9种小波基融合后的结果计算其相应的交叉熵、峰值信噪比和互信息量等5个参量进行评价,得出小波基 harr 和 sym4融合效果较好,各项指标均衡性较好。用 haar 小波基对配准后图像在3、4、5、6层分解融合,通过观察得出在多光谱与深度图像融合中第3层小波分解和第4层分解的融合效果较好。最终将深度图像的高程数据归一化之后进行植株三维构建,得到三维点云并进行可视化。