卫星数据图像预处理方法研究

日本 ALOS 卫星数据图像预处理方法研究 RS 应用 2010-10-08 15:39:22 阅读 107 评论 0 字号：大中小 订阅 引言 随着航天遥感技术的发展，多星种、多波段、多分辨率的卫星影像数据不断出现，人们对高分 辨率遥感数据的使用，已经有了很大的选择空间。为了更好的开发利用遥感数据图像信息，提高对多源遥 感数据的认知能力，需要对各类遥感图像数据进行处理方法的研究，日本 ALOS 卫星数据就是其中之一。 关键词：有效灰阶动态度，色强度空间变换模式，线性加权乘积变换模式，乘积变换模式，主 分量组分变换模式，三次卷积算法，双线性内插算法，波段同步性，曲向错位。 一.ALOS 卫星简介 ALOS 卫星又称高级陆地观测卫星(Adcanced Land Obsering Satellite，以下简称 ALOS)，是 日本宇航研究开发机构于 2006 年 1 月，在日本南部的种子岛航天发射中心(Tanegashima Space Center， NTSC)发射的一颗陆地观测卫星，是日本在 1992 年发射的地球资源卫星 1 号和 1996 年发射的 改进型地球观测卫星之后，发射的又一颗自称“更加先进的”陆地观测技术卫星。 ALOS 卫星携带有三种遥感传感器： 全色立体测图传感器(PRISM)，具有 2.54 米的空间几何分辨率，能分别沿轨道方向的前视、 垂直下视、和后视快速获取高精度的地面立体信息； 新型可见光和近红外辐射计(AVNIR-2)，具有 10.00 米的空间几何分辨率、 0.420.69m 可 见光谱段波谱分辨率，以及 0.760.89m 近红外谱段波谱分辨率，主要用于地表面覆盖观测； 相控阵型 L-波段合成孔径雷达(PALSAR)，具有 24.0089.00 米微波谱段极化分辨率，主要 用于全天候陆地观测。 PRISM 具有独立的三个观测相机，分别用于星下点、前视和后视观测，沿轨道方向获取立体影 像，星下点空间分辨率为 2.54 米。其观测区域在北纬 82至南纬 82之间，其数据主要用于建立高精度的 数字高程模型。 表 1. PRISM 基本参数 波段数 1(全色 ) 波长 0.520.77m 观测镜 3(星下点成像、前视成像、后视成像) 基高比 1.0(在前视成像与后视成像之间) 空间分辨率 2.5m(星下点成像) 幅宽 70km(星下点成像模式) 35km(联合成像模式) 指向角 -1.5 度 to +1.5 度 观测模式 模式 1 星下点、前视、后视(35km) 模式 2 星下点(70km) + 后视(35km) 模式 3 星下点(70km) 模式 4 星下点(35km) + 前视(35km) 模式 5 星下点(35km) + 后视(35km) 模式 6 前视(35km) + 后视 (35km) 模式 7 星下点(35km) 模式 8 前视(35km) 模式 9 后视(35km) 新型 AVNIR-2 传感器的观测区域在北纬 88.40至南纬 88.50之间，主要用于陆地和沿海地区 观测，为区域环境监测提供土地覆盖图和土地利用分类图。为了灾害监测的需要，AVNIR-2 还提高了交 轨方向的指向能力，侧摆指向角度为44，从而缩短了重访周期，能够及时观测受灾地区。 PALSAR 是一种主动式微波传感器，它不受云层、天气和昼夜影响，可全天候对地观测。波长 为 22 厘米，这一波段被定义为 L 波段，该波段特点是可以穿透树叶和树干，适用于森林监测。在侧视角 度为 41.50时， PALSAR 观测区域在北纬 87.80南纬 75.90之间。 表 3. PALSAR 传感器的基本参数 模式 高分辨率模式 扫描式合成孔径雷达 极化(试验模式) 中心频率 1270MHz(L 波段 ) 线性调频宽 度 (Chirp Bandwidth) 28MHz 14MHz 14MHz,28MHz 14MHz 极化方式 HH or VV HH+HV or VV+VH HH or VV HH+HV+VH+VV 入射角 8 to 60 8 to 60 18 to 43 8 to 30 100m 空间分辨率 744m 1488m (多视) 2489m 幅宽 4070km 4070km 250 350km 2065km 量化长度 5bit 5bit 5bit 3 或 5bit 数据传输速 率 240Mbps 240Mbps 120Mbps,240Mbps 240Mbps ALOS 卫星在亚太地区以上行太阳同步轨道方式提供观测数据。 二.对 ALOS 影像数据的预处理 我们以 ALOS 数据 B1 产品为试验对象，在 ERDAS IMAGINE、PHOTOSHOP 图像处理系统 上进行 ALOS 影像数据的预处理，并对其原数据进行了基本的测试分析。 1.ALOS 卫星原始影像数据的特点： ALOS 卫星数据有两个获取源，一是通过日本官方媒介直接获取，二是通过中国科学院地面卫 星接收站获取。源数据皆以 1B 格式提供，同时随附概要说明，指示每一景数据的接收日期、轨道编号、 观测模式、行列数目、存储深度等参数。源数据在到达用户手中时，已经进行了必要的大气辐射订正和必 要的地理坐标定位，提供每一景数据的廓角经纬度和中心点经纬度。 以下以 ALOS 卫星的全色立体测图传感器(PRISM) 、可见光和近红外辐射计(AVNIR-2) 数据预 处理为例，进行简要说明。 全色立体测图传感器(PRISM)数据： PRISM 数据为全色影像，光谱范围在 0.520.77m 可见光波谱段，空间几何分辨率为 2.54 米，提交给用户时，被重新采样为 2.50 米。 PRISM 是四带光栅扫描式 CCD 传感器，CCD 构像密度为 7000 点阵即 4900 万像素，每一扫 描带宽为 5090 个像元，共 20360 个像元，由于 CCD 传感器点阵宽度的限制，按星轨运动方向从左边起 算： 从图 1 分析： 第一扫描带分为四个数据段：0 33 个像元为系统噪声，34 3551 个像元为空信号， 35525025 个像元为影像数据，5026 5090 个像元为系统噪声。 第二扫描带分为三个数据段：0 33 个像元为系统噪声，34 5025 个像元为影象数据， 50265090 个像元为系统噪声。 第三扫描带分为三个数据段：0 33 个像元为系统噪声，34 5025 个像元为影象数据， 50265090 个像元为系统噪声。 第四扫描带分为四个数据段：0 33 个像元为系统噪声，34 3169 个像元为影像数据， 31704986 个像元为空信号，4987 5090 个像元为系统噪声。 因此， PRISM 提供的有效影像数据扫描宽度为 14590 个像元，按其像素的空间几何分辨率尺 度计算，覆盖宽度为 37058.60 米，即 37 公里。产品化保障性覆盖宽度为 35 公里。单景轨向长度为 16000 个像元，去除首尾各一个像元，按其像素的空间几何分辨率尺度计算，覆盖长度为 40634.92 米， 即 40.5 公里。产品化保障性覆盖长度为 40 公里。每一景全色波段影像的理论地表覆盖面积为 1400 平方 公里，为同景多光谱波段影像的 25即四分之一。 可见光和近红外辐射计(AVNIR-2)数据： AVNIR-2 数据为四波段多光谱影像，其中光谱范围在 0.420.69m 分为蓝、绿、红三个可见 光波谱段，空间几何分辨率为 10.00 米；光谱范围在 0.760.89m 为一个近红外波谱段，空间几何分辨 率也为 10.00 米； AVNIR-2 是光栅扫描式 PMOS 传感器，PMOS 构像密度也为 7100 点阵即 5041 万像素，每一 扫描带宽为 7100 个像元。 AVNIR-2 实际提供的影像宽度为 7100 个像元，按其像素的空间几何分辨率尺度计算，覆盖宽 度为 71000.00 米，即 71.00 公里。保障性覆盖宽度为 70.00 公里。 AVNIR-2 提供的多光谱影像数据，单景在轨向的长度为 8000 个像元，按其像素的空间几何分 辨率尺度计算，覆盖长度为 80000.00 米，即 80.00 公里。 每一景 ALOS 可见光全色波段影像覆盖地表的理论面积为 5600 平方公里，为同景全色波段影 像的 400即四倍。 全色波段影像数据质量： 据 ALOS 卫星数据提供商介绍，源数据在到达用户手中时，已经进行了必要的大气辐射订正。 但我们在分别比较了分别来自中国科学院卫星地面站和日本 RESTEC 公司所提供的安徽芜湖、广东汕头 的同景 ALOS 与 SPOT5 数据后，发现其源数据并不像其所介绍得那样好。 源影像的数据动态范围检测： 分别观察来自中国科学院卫星地面站与日本 RESTEC 公司所提供的安徽芜湖、广东汕头的同 景 ALOS 卫星 PRISM 影像全色波段数据，其共同特点均是灰度动态范围极小，在信息处理的过程中，其 可量化的空间比较狭窄： 分析 ALOS 卫星源影像的灰度值范围，我们将源影像进行了分步处理，包括对原始数据、镶嵌 数据两方面的分析，从中发现： 从图 2 观察，进行了镶嵌后的原始影像，像面灰朦如 (a)，将其按实际像素尺度放大如 (b)后， 灰度层次不明显，再放大到极限即扫描线可视的状态如(c)后，其局部灰度无显著视觉改善。分析其灰度 直方图，其有效灰度值均集中在 10155 之间，动态度仅有 56.86。 观察如此全色波段数据，直接感觉就似未进行过任何大气订正的数据。回复分析原始分带扫描 数据，从第一扫描带至第四扫描带，其灰度直方图分别表现为图 3 所示： 观察从第一至第四扫描带影像并计算其各自的灰度值范围，分别为 62110、55135 、60148、60125 ，即相对的灰阶动态度分别为 32.50、 31.37、34.51 、35.72，其动态度的表现平均为 33.53，加权后为 52.16，与镶嵌后 的全景有效灰阶动态度 56.86基本一致。 显然，比对同景范围 SPOT5 全色波段数据的 76.47有效灰阶动态度来说，ALOS 卫星影像全色波 段源数据所表现的信息承载能力比较差，见图 4(a)、(b)。 源影像数据的表面噪声检测： 将源数据放大至象元级进行观察，在软件系统默认的实际像素分辨尺度下，能够观察到 ALOS 卫星 PRISM 传感器在成像过程中的扫描痕迹，其扫描间隔恰好是隔行痕迹。对比同景的 SPOT5 卫星影像， 其痕迹噪声十分明显，见图 5(a)、(b)。 由于这种信号噪声的性状是属于高频系列的，因此，在数据预处理过程中几乎无法予以消除。虽然 我们并不对卫星数据本身提出质疑，但这种信号噪声的确影响 ALOS 数据的深度应用，根据剖析过若干 种卫星传感器的专家分析，这类信号噪声的产生原因，当主要是 PRISM 传感器在成像过程中，由于扫描 光栅的机械抖动所造成。其 AVNIR-2 的各波段也有相同的问题。 在常规的“ 变化信息提取”所需要的屏幕显示尺度即极限像素尺度下(一般为 1:20001:4000)，其扫 描痕迹就更加明显，见图 6： 这种扫描痕迹所带来的结果，就是使得在今后遥感图像数字化处理的实际应用过程中，无法对 ALOS 卫星数据进行计算机自动分类和其它模式识别一类的运算。 多光谱波段影像的数据质量： 源影像的数据动态范围检测： 仔细观察分别来自中国科学院卫星地面站与日本 RESTEC 公司所提供的安徽芜湖、广东汕头的同 景 ALOS 卫星影像多光谱波段数据，能够发现其与全色波段数据有相同的问题，即灰阶实际上分布在十 分狭小的值域范围内，无信噪声十分明显。这说明，ALOS 卫星影像的源数据在大气辐射订正方面有十分 明显的缺陷，见图 7。 从图 7(d)中可以观察到，灰度值域从 034 基本无值，这是造成 ALOS 卫星影像数据质量差的原因 之一。我们分析，这主要是由垂直大气通道内的米氏散射现象所造成的，而其灰度分布曲线的“驼峰” 曲象， 则主要是与垂直大气通道前后交叉的瑞利散射所造成的。因此，唯一可解释的，就是以日本方面所提供的 ALOS 卫星 0.7633 透视参量进行大气辐射订正，仅适于海洋性区域的大气通道，而对内陆地区的大气通 道状况则有所不逮。 对于 ALOS 卫星的大气辐射订正缺陷，除了我们，一些有关方面如台湾省“ 国立中央大学太空及遥 测研究中心”的李国光教授等人在内的其他业内人士，也都发现了此问题。 源数据的波段同步性检测： 在相同的原始影像数据坐标下，检查 ALOS 卫星多波段影像中四个波段的原像素坐标的一致性，以 确认各波段数据的同步性能。经检查发现，不论是安徽芜湖景，还是广东汕头景，其红光波段( 第三波段) 与蓝光波段 (第一波段 )、绿光波段( 第二波段)、红外波段(第四波段) 的数据均不同步，可造成 1525 米的 地表面距离差，因此，在合成的彩色影像上有明显的几何位置曲向错位即“ 双眼皮”现象，其错位方向： Y 方向即星轨运动方向超前 2 个像元，X 方向的光栅回程扫描成像方向滞后 1 个像元，使得整体影 像在第一象限 45角北东方向超前 1 个像元，在第四象限 315角北西方向上超前 2.24 个像元，使彩色合 成影像整体在北东、北西方向上出现绿光曲向错位，见图 8。 2 ALOS 卫星原始影像数据的预处理： 对 ALOS 卫星原始影像数据的预处理包括四个方面：对四个全色波段影像数据进行线性归一化灰 度值量化；准确进行“四带镶嵌 ”，既进行四个全色波段影像数据的拼接；重新调整第二波段影像的几 何位置，使之与其它波段同步； 对多光谱波段影像数据进行灰度值进行线性归一化灰度值量化。 以下分别予以简述。 对四个全色波段影像数据进行归一化灰度值量化： 在将四个扫描带的影像镶嵌起来之前，必须检查各扫描带的影像灰度值域范围，并将其统一到同一 的灰度值动态度上，否则，后面拼接起来的整景全色波段影像就会成为“大条花布”，如图 9： 第一扫描带的灰度值域与第二、三扫描带的灰度值域量化得不一致，因此就形成了明显“ 亮”与旁边 影像的“大条花布” 情形。 分析灰度值： 在裁取了各扫描带的有效数据后，即可进行各带扫描数据的灰度值分析。工程化分析可以仅注意三 个基本参数：第一是有效灰度的起始阈值 Gmin，第二有效灰度的终止阈值 Gmax，第三是有效灰阶动态度 Gd。为一百分比值，为无量纲系数，其值愈高，说明影像数据的灰度质量愈好，信息承载量也就愈大。 灰度值量化： 在裁取了各扫描带的有效数据后，就可以进行各带影像数据的灰度值统一归一化量化处理了。这个 处理过程可以在普通的 PHOTOSHOP 图象处理系统中进行。 处理过程中要注意使各扫描带的影像数据的有效灰阶动态度 Gd 一致。 Gd 为：G d(G maxG min)/g(S1S2) 100 其中：G max 为截取的最大灰度阈值 Gmin 为截取的最小灰度阈值 g(S1S2) 为根据需要攫取的 0255 值域。 具体的量化处理方法是： 设 G1、G 2 为输入影像的嵌位控制值，S 1、S 2 为拉伸后影像的最低、最高灰度值，如图 7，于是输 入影像的灰度值域 G1G 2 被拉伸至 S1S 2 区间范围，其中输入灰度 0G 1 及 G2255 分别被变换为 S1、S 2，如果 S10 、S 2255，则扩大了输入影像的灰度值的动态范围，从而使影像的信息得到增强。 这是嵌位控制的结果，基本上保持了与原输入影像的线性关系： 余不赘述。 进行四个全色波段影像数据的拼接： 裁取源影像： 在对四个全色波段影像数据进行归一化灰度值量化之前，必须将各扫描带中的有效影像裁剪出来， 这可以在任何图像处理系统软件中进行。 各扫描带的影像扫描宽度是一致的，但有效影像的尺寸大小是不同的，因此要非常仔细地将有效影 响裁剪出来。 每个扫描带的第一行、最末行是无效数据，要裁剪掉；有效影象的第一列、最末列都紧挨着系统噪 声或空信号，也要裁剪掉；这样裁取出来的有效影像，除了列数不同外，其起始位置和终结位置在成像扫 描行上都是相同的行位。 实验中要注意的是： 第一，不能在列上过多裁剪，因为各扫描带之间仅有 20 列的重叠区，裁剪过多，一是镶嵌不上， 二是给镶嵌操作带来不易进行位置判断的问题。 第二，必须裁剪掉紧挨非有效影象的那一列(第一、最末列) ，否则会因为噪声、空信号的交互影响 (积分效应影响)，在镶嵌接线的列位置上形成一条黑线，见图 12(a)(e)。 第三，不得在裁取有效影响数据的过程中进行任何尺寸、分辨率变换等重采样处理，保持源数据的 原始性。 影像镶嵌： 四带影像数据的镶嵌(拼接) 工作可以在类如 PHOTOSHOP 之类的图像处理软件系统中进行。 在镶嵌过程中，先至少要将成果“画布” 的宽度定义为四倍扫描成像带宽，即 5090420360 个像元， 高度则固定在 16000 个像元，这样在逐带进行影像镶嵌的时候，非常容易准确第确定垂直位置，只需调 整各带影像的左右位置即可。 每镶嵌上一带影像，即应予以画板合并，直至全景影像镶嵌完毕。最后，进行有效影像数据的剪取 后，即可存储为最终成果。 要注意的是：切不可在镶嵌拼接过程中，随意修改某一扫描带影像数据的像元参数，类如分辨率、 灰度等。 余略。 重新调整第三波段影像的几何位置： 据我们分析，造成多光谱第三波段影像与其它波段影像不同步的原因，主要是多光谱成像扫描设备 的第三扫描光栅在回扫过程中与其它扫描光栅不同步所造成，无法再进行预先弥补了。只有在对其数据的 预处理过程中予以修订。 由于第三波段的错位偏差为非线性的，其成像偏差可以用一个正切三角的函数描述，所以不能简单 地用坐标平移的算法进行复位操作。 以 ALOS 卫星轨道方向为基准，其错位偏差函数为： 其中：X d 为传感器回扫方向的偏差量，Y d 为星轨运动方向的偏差量。 我们提出的第三波段纠偏方法是：在专业遥感图像处理软件中，先将 ALOS 卫星 AVNIR-2 多光谱 影像数据中的第三波段数据分离出来，然后以其它波段数据为基准，使用二次多项式算法对其进行一次像 元坐标的几何重配准，之后再将其合成回原多波段数据中，即可解决此问题。 在进行几何配准的过程中，尤其要注意控制点应按“三角网” 模式均匀布设，以保障第三波段的影像 数据不产生几何位置失真，见图 13。 在几何校正的过程中，必须均匀布设“零差控制点” ，然后按误差中数控制法则，将各控制点向原控 制点的 tg方向进行 F(d)函数量的调整，进行校正计算后重新进行多波段合成操作。 要注意的是，须仍然保障校正后的各波段影像数据的像元几何尺度与原数据一致。见图 14。 对多光谱波段影像数据进行灰度值量化处理： 在前述中，分析过 ALOS 卫星多光谱影像原数据质量问题的主要原因，这从图 7(d)中可以观察到， 因此，可以采用如同对全色波段数据进行灰度值归一化处理一样的方法，对多光谱数据进行灰度值域线性 量化，以改善多光谱影像数据质量，见图 15，量化后的 ALOS 多光谱波段影像的灰阶动态度为 84.23。 三影像数据融合处理 1.数据融合中对计算机处理与存储数位的确定： 我们在应用计算机进行遥感影像数据的融合处理中，对信息数位(Bit)的确定有几种基本的选择，那 就是：有 /无符号 8 位数位、有/无符号 16 位数位、有/无符号 32 位数位、单/双精度实数数位、单/双精度 复数数位等。对于两个以上乃至七个波段的数据融合，本文以选取无符号 8 位数位来进行成果存储。 但在使用计算机专用图像处理软件平台如 ERDAS IMAGINE、ENVI 、PCI 、GeoImage 等进行数据 融合的操作过程中，若直接使用无符号 8 位数位进行数据操作，则由于上述诸软件平台对数据融合的关键 算法是在两个 8 位数位存储交换层面上进行的，实际上对 SPOT-V、IKONOS-、QuickBird-I 影像数据 使用的是 16 位数位的逻辑运算交换深度来支持各类运算，因此会对数据融合结果造成较大的信息压缩， 如对小数位表达的数值予以取整或忽略，这种结果将给后续的融合数据应用带来无法估量的损失。 因此，我们在这里提出使用单精度实数位进行数据融合操作，然后再将其结果转换到无符号 8 位数 位进行成果存储的方法，由此能够将源数据光谱信息的损失量降至最小。 通过对融合结果进行分波段直方图分析，可以在比较这两种处理方法中发现： .使用 8 位数位进行数据融合： 直接使用 8 位数位进行数据融合处理时，由于各类目前软件系统算法器的限位作用，原始信息的灰 度值值域经处理后被强行压缩了，见下图 16 中多光谱各波段的灰度值域在处理过程中的显现： 从上可见，在以绿光波段与全色波段数据融合的情况下，绿光波段信息损失量 g16.38，蓝光 波段信息损失量 b22.53 ，红光波段信息损失量 r21.65，总的光谱信息损失量 d 为： 对照使用融合处理中不同的数据交换作业波段，例如，分别使用红光波段、蓝光波段与全色波段进 行数据融合，也可以观察到与上述检测结果类似的情况，其各自波段光谱信息的损失量有所不同，但信息 的总损失量基本上是一个比较接近的数量值。 这种结果在处理后的影像目视过程中，会发现整体影像面有灰暗的观感。当数据交换作业波段如绿 光波段，其高灰度值信息被压缩得愈严重，则融合后的影像则显现得愈加暗淡，而低灰度值信息被压缩得 愈严重，则融合后的影像则显现得愈灰朦即模模糊糊。但相对而言，由于绿光波段处于可见光谱波谱段的 峰值频段，作为融合处理的数据交换作波段，相对于其它光谱波段信息损失最小，因此，进行光谱信息与 全色信息的数据融合，以绿光波段作为融合对象为好。 .使用实数数位进行数据融合： 使用单精度实数数位进行数据融合操作，然后再将其结果转换到无符号 8 位数位，由于软件平台的 算法器不对实数数位进行限制，保留了源信息的数位，因此，其结果没有明显的光谱信息损失，见图 17 所示相同的影像数据三个波段处理后的灰度值域： 比照直接使用 8 位数位的数据融合处理方法，采用实数数位处理后转换为 8 位数位的红、绿、蓝三 个光波段的信息损失量，对于不同融合物理模式略有不同，但均极其微少，总的光谱信息基本无损失。因 此，采用这种方法，能够尽可能完整地保留数据融合前源数据的光谱信息。 这里要提请注意的是，使用这种数位置换方法进行数据融合，需要增加至少四倍以上的计算机逻辑 运算空间和物理存储空间。 2数据融合的物理模式与数学算法选择： 使用不同的物理模式，会对同一遥感影像的数据融合结果产生不同的效果。我们在实验中所使用的 影像数据融合物理模式主要有：色强度空间变换模式(IHS) ， 乘积变换模式(MM)，线性加权乘积变 换模式(BTM)，主分量组分变换模式 (PCM)等。 .色强度空间变换模式(IHS，Intensity Hue Saturation Mode)： 色强度空间变换模式(IHS) 是一种基于 HIS 色彩模型的影像数据融合变换方法。HIS 色彩模型是不同 于 RGB 色彩模型的另一种色彩模型系统，其物理原理是将源影像的颜色与红、绿、蓝三原色(RGB)脱离， 分割为色相 H、色彩强度 I 和色饱和度 S 三个分量，对色彩的描述则根据色相、强度和饱和度三个要素来 实现。 色强度 I 表示单色光强度的大小，色度 H 表示单色的纯度，而色饱和度 S 表示具有相同亮度的单色 离开中性值即灰度的强度。由于 IHS 的数学编码能把色彩强度和颜色分开，因此，色强度空间变换模式 能有效地将 RGB 色彩模型系统中影像光强度 I 与其光谱信息 H、S 相分离，这与人类眼睛视网神经的颜 色感知函数密切相关，其模型见图 18a、18b。 我们的实验采用圆锥 IHS 变换模型。 对于国土资源遥感应用来说，本实验使用以绿光波段数据作为色强度变换的操作对象，其最常用的 波段组合对 SPOT-V、ALOS 卫星影像来说，用于植被覆盖监测为“ 红、绿、蓝3，2，1”；用于建设用 地监测为“ 红外、绿、蓝4，2， 1”，这样组合的影像，其标志信息即植被信息通常显现为绿色，土壤信 息通常为棕褐色，建筑信息通常为蓝灰色。 .乘积变换模式 (MM，Multiplicative Mode)： 当多光谱影像与高分辨率全色影像的数据在前期已经进行过灰度值调整或拉伸后，其灰度值偏移量 可默认为零，即上述公式变为乘积算法： 其中：P alosmusi 为多光谱影像数据的灰度值 Palospani 为高分辨率全色影像数据的灰度值) 乘积变换模式(MM)，就是将高分辨率全色影像数据与多光谱影像数据两个灰度值矩阵进行矩阵相乘， 结果矩阵与多光谱影像数据矩阵差别很大，直接反映在影像上为光谱变化大、纹理不如全色影像数据清晰。 乘积变换模式融合方法对于表现精细地貌类型一般是不合适的，但对于较粗略、较均匀和较大的地貌类型， 如高起伏地区、荒漠区域、大面积耕地区域、草场区域等土地类型，其增强效果还是比较理想的。 对上述的算法可以进行进一步的修订，即将乘积变化与线形变换结合起来，即： 其中：P 为变化偏移量。 K 为灰度乘积因子。 .线性加权乘积变换模式(BTM，Brovey Transform Mode)： 线性加权乘积变换模式(BTM) 实际上是对乘积变换模式的改良，主要是将通过归一化处理后的多光 谱影像数据三个波段与高分辨率全色影像的乘积，来增强影像的表现信息，我们的方法是： 其中：P i 表示第 I 波段的灰度值。 Palospani 表示全色波段灰度值。 Xalosmusni 表示第 I 波段的多光谱影像灰度值。 线性加权乘积变换模型的融合过程由于有线性比例因子的参与，其结果一般表现为影像色调范围完 好，几乎完整保持了高分辨率全色影像的要素信息，同时兼容了多光谱影像数据的大部分光谱能量信息。 这种方法对于建筑体、山地、水体、植被等诸类地物均表现得非常明显，对建筑密集的城区色调反 映相对要压抑一些，但其间的绿地能够比较明显反映出来，建筑物与构筑物的纹理细节也能够突出显现。 在建筑密集区内部还可以依据不同的色调表现来区分不同建筑物和构筑物的差异。这在国土资源遥感中对 以卫星影像制图为目的影像数据处理能够提供较逼真的融合成果。 .主分量组分变换模式(PCM ，P rincipal Component Mode) 主分量组分变换模式(PCM)，亦称主成分变换模式(K-L)，是目前运用比较广泛的一类数据融合方法。 主分量组分变换模式主要用来针对超过三个波段影像的数据融合。 前述三种模式在超过三个波段的影像数据融合时均会受到限制，只能抽取和选择多光谱影像中的三 个波段参与变换，这无疑会使其它波段的信息被丢失，不利于影像信息的全机利用。主分量组分变换模式 中参与变换的多光谱数据则不受波段数量的限制，可以接受三个以上波段的多光谱数据与高分辨率全色影 像数据进行融合变换，从而将各个波段的纹理信息都分离出来加以显现。 主分量组分变换模式(PCM)在数学方法上，是将各波段数据的灰度值矩阵展开，分解为其协方差矩 阵特征向量的加权，对于源影像数据而言，主分量组分变换模式是将影像按照特征向量在其特征空间上分 解为多元空间，再经过 IPC 变换将不需要的特征向量剔除掉，以保证融合影像信息度在指定向量空间的 纯度。 在对源影像数据进行分解时，由于第一、二主分量一般占其影像承载信息总量(方差值) 的 97以上， 而其余各分量的总和最多也不过 3。所以，利用一般的 PC 变换就能够很方便的将影像的主体结构信息 通过第一主分量表达出来。显见，主分量组分变换模式(PCM)的优点，就是将庞杂的多波段数据用尽可能 少的波段表达出来，而且数据信息量损失得很少，从而可以方便地实现对数据总量的压缩目的。 主分量组分变换模式(PCM)在进行影像数据融合中有两种基本的变换方法： 将参与变换的各波段包括全色波段在内统一进行主分量变换，然后进行逆主分量变换； 将源多光谱影像的多个波段先做主分量变换，然后用高分辨率全色影像数据替换源影像数据的第 一主分量，再进行逆主分量变换，得到最终的融合影像。 这两种变换方法的区别是：高分辨率全色影像数据在变换中是替代还是参与主分量的变换。主分量 组分变换模式(PCM) 融合后的合成影像色彩突出，各种地类的色彩较少丢失和偏移，影像纹理由于全色高 分辨率影像数据的参与，使