遥感毕业设计论文遥感融合技术

1、摘 要遥感图像融合是遥感领域中的关键技术之一。随着遥感的快速发展，尤其是传感器技术的发展，信息融合在遥感中发挥着越来越重要的作用。本文首先对遥感技术及遥感信息融合进行简要概述，接着从技术基础、原理及优缺点等方面对常用的遥感图像融合方法进行了阐述，主要包含PCA融合、HIS融合和小波融合。然后又介绍了如何评价融合的结果，提出了一些量化的评价方法。最后在传统图像融合方法的基础上提出了新的融合方法，如基于PCA与IHS融合的新的图像融合方法，并通过实验验证分析了新方法的可行性。关键词：遥感，遥感图像融合，PCA融合，HIS融合ABSTRACTRemote Sensing Image Fusion i

2、s one of the key techniques in the Remote Sensing(RS) domain.With the rapid development of the RS,information fusion has been playing an increasingly important role.After a brief introduction to the RS Technology and RS information fusion,this paper describes the multi-spectrum image fusion in detai

3、l,with the emphasis on the PCA Fusion,the HIS Fusion and the Wavelet Fusion approach,whose mathematical foundation,principle and traits are explored in turn.Finally in the traditional image fusion is proposed on the basis of a new fusion method based on PCA and HIS,such as the new image fusion metho

4、d fusion,and through experiment verification analyzed the new method is feasible.Keywords：Remote Sensing,Remote Sensing Image Fusion,PCA Fusion,HIS Fusion目 录1 前 言11.1 遥感图像融合方法研究目的与意义11.2 图像融合的研究和发展现状21.3 遥感融合技术亟待解决的问题32 遥感图像融合的基本理论62.1 遥感图像融合的特点62.2 遥感图像融合原理72.3 图像融合的层次及其比较73 ERDAS IMAGINE 介绍113.1 E

5、RDAS IMAGINE 软件图像处理特点113.2 ERDAS IMAGINE软件中遥感影像融合具体过程123.2.1 选择融合的影像文件如图3.2133.2.2 选择多光谱文件用来进行融合的波段号（Layer Selection）134 遥感图像融合方法144.1 PCA变换144.2 HIS变换144.3 小波分析164.3.1 小波融合流程164.4 各种方法的比较184.5 融合方法评价准则195 遥感图像融合方法的改进215.1 主成分分析与HIS变换的结合改进方法215.1.1 融合流程及实验分析215.1.2 常用评价参数225.1.3 客观评价235.1.4 主观评价246

6、结 论26致 谢27参 考 文 献281 前 言遥感图像融合就是将不同类型传感器获取的同一地区的图像数据进行空间配准，然后采用一定方法将各图像的优点或互补性有机结合起来产生新图像的技术。它是遥感图像应用和分析的一种重要的手段，特别是当前遥感技术的迅速发展，多源遥感数据(多传感器、多时相、多波段、多平台、多分辨率)的获取变得越来越方便，多源图像之间融合的意义也就显得越来越重要。将高分辨率的图像和低分辨率多光谱图像进行融合，已成为遥感应用研究领域的重要主题。研究者们从各个不同的应用领域，提出了多种不同的图像融合方法，具有代表性的方法有：PCA(主成分分析)变换法、HIS变换法、多分辨率小波分析法。

7、1.1 遥感图像融合方法研究目的与意义图像融合是将两个或者两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者图像序列信息加以综合，生成一个新的有关此场景的解释，从而使融合的图像更适应人眼感知或计算机后续处理，如图像分割、目标识别等。图像融合的目的是产生更可靠的数据并增加可用性，即数据可信度增加，不确定性减少，图像融合的主要应用体现在以下几个方面：1)提高空间分辨率图像融合可提高数据的空间分辨率。如将高分辨率单色图像SpotPAN与低分辨率多光谱图像LandSatTM进行融合，在保留多光谱信息的同时，图像空间分辨率得到提高，这就意味着更多图像细节可以显示。类似的还有SAR雷

8、达图像和TM的融合，同样可以提高多光谱图像的空间分辨率。2)图像增强综合来自多传感器(或者单一传感器在不同时间)的图像，获得比原始图像更高清晰度的新图像。如将融合技术用于同一数码相机在不同时间拍摄的对同一对象的聚焦点不同的图像，可以获得比原始图像更加清晰的图像。3)提高分类识别精度多源数据的复合可以显著提高图像分类识别的精度。如利用微波图像和光学图像相的补互信息可以识别一些地物，光学数据是依靠地物在图像上的光谱特征来分类，然而一些具有相似的光谱响应的植被很难被分开，因此雷达图像可用作辅助数据来识别难以区分的植被类型。在分类模型上，由于多源数据难以满足传统的概率统计模型的数据分布条件，因此人工神

9、经网络模型和证据推理理论在此领域具有更大的应用潜力。4)信息互补任何传感器都有自己的优势和不足。如多光谱传感器数据的光谱信息丰富，但它易受云雾的遮挡而不能获得相应的地面结构信息。有时地面的阴影也能产生解读的不准确性。SAR雷达数据纹理信息丰富，分辨率高，具有全天时全天候观测的优点，但易受地面起伏的影响，因此，不同类型传感器图像的融合可以弥补各自的不足，发挥各自的优势。此外，图像的融合在特征提取、去噪、目标识别跟踪以及三维重建等方面也有着积极的作用。1.2 图像融合的研究和发展现状图像融合技术最早是被应用于遥感图像的分析和处理中。1979年，Daliy等人首先把雷达图像和Landsat-MSS图

10、像的复合图像应用于地质解释，其处理过程可以看作是最简单的图像融合。1981年，Laner和Todd进行了LandsatRBV和MSS图像数据的融合试验。到80年代中后期，图像融合技术开始引起人们的关注，陆续有人将图像融合技术应用于遥感多谱图像的分析和处理，如多光谱遥感图像与SPOT卫星得到的高分辨率图像进行融合。90年代以后，随着多颗遥感雷达卫星JERS-1，ERS-I，Radarsat等的发射升空，图像融合技术成为遥感图像处理和分析中的研究热点之一。对遥感图像进行融合处理的目的主要有锐化、改善几何矫正、色彩矫正、改善分类特性、弥补某种图像中丢失的数据、检测观测大地环境的变化等等。其采取的融合

11、方法主要有IHS变换、平均、加权平均、差分及比率、PCA、高通滤波等。这些方法在进行融合处理时都不对参加融合的图像进行分解变换，融合处理只是在一个层次上进行的，因此均属于简单的图像融合方法。80年代中期，人们提出了基于金字塔方法的图像融合方法，其中包括拉普拉斯金字塔、梯度金字塔、比率低通金字塔等，并开始将图像融合技术应用于一般的图像处理(可见光图像、红外图像、多聚焦图像等)。90年代，小波理论的广泛应用，为图像融合提供了新的数学工具。小波变换具有良好的时域和频域的局部性以及多分辨性，因此在多分辨率图像融合应用中，小波分析技术己经取代了传统的高斯拉普拉斯金字塔技术。人们针对传统的Mallat方法

12、及选择不同的小波基函数和不同的融合算法进行了深入研究，取得了一些进展。同时，对Atrous算法，基于第二代小波、基于树状小波以及基于小波包等的融合技术进行了深入的研究。这使得图像融合技术的研究呈不断上升的趋势，应用的领域也遍及到遥感图像处理、计算机视觉、自动目标识别、机器人、医学图像处理等各个领域。如在医学上，可通过对CT与核磁共振图像的融合，以帮助对疾病的准确判断；图像融合还可以用于计算机辅助显微手术。另外，图像融合还可用于交通管理和航空管制。图像融合技术在美、英等技术发达国家受到高度重视并己取得相当的进展，如在海湾战争中发挥很好作战性能的“LANTIAN”吊舱就是一种可将前视红外、激光测距

13、、可见光摄像机等多种传感器信息迭加显示的图像融合系统。美国TI公司1995年底从美国夜视和电子传感器管理局(NVESD)获得将DSP为核心的图像融合设计集成到先进直升机驾驶(AHP)传感器系统的合同。在20世纪90年代，美国海军在SSN一&91(孟菲斯)潜艇上安装了第一套图像融合样机，可使操纵手在最佳位置上直接观察到各传感器的全部图像。1998年1月7日防务系统月刊电子版报道，美国国防部己授予BTG公司两项合同，其中一项就是美国空军的图像融合系统设计合同，此系统能给司令部一级的指挥机构和网络提供比较稳定的战场图像。在医学发展方面，2001年11月25日30日在美国芝加哥召开了每年一度的

14、RSNA北美放射学会年会，在会议上GE公司医疗系统部展销了其产品Discovery LS。Discovery LS是GE公司于2001年6月刚推出的最新PETCT，是世界上最好的PET(正电子发射断层扫描)与最高档的多排螺旋CT的一个完美结合，具有单体PET不能比拟的优势。1.3 遥感融合技术亟待解决的问题遥感图像融合经过近二十年的发展,已经取得了非常广泛的应用。但是还有一些问题亟待解决。（1）完善遥感图像融合理论和框架对遥感图像融合理论和框架进行进一步完善。目前遥感图像融合没有统一的融合模型,目前的融合模型大致可以分为空间域融合模型,颜色变换域融合模型和小波变换域融合模型三类。寻求一种更广义

15、的融合模型,为遥感融合确定广义的框架是一项非常有指导意义的工作。（2）构建合理的融合评价体系面对海量的遥感数据,要实现对图像的自动判读和解译,评价是一个至关重要的环节。然而,对遥感图像融合的评价是一个薄弱环节,建立更加合理的融合评价体系是构建遥感图像处理系统的一个非常重要的问题,迫切需要解决。（3）多尺度几何分析方法的应用（MGA）虽然小波等多分辨率分析方法在遥感图像融合中取得了成功,但是小波变换对于高频细节分量只有有限的感知能力(垂直、水平和对角线三个方向),遥感图像通常包含有丰富的纹理信息,高频细节分量多。多尺度几何分析方法(Multiscale Geometric Analysis,以下

16、简称MGA)工具使小波分析进入了后小波时代,近年来涌现出各种多尺度几何分析(Multiscale Geometric Analysis,简称MGA)算法,如Ridglet,Curvlet,Bandlet,Brush-let,Shearlet和Contourlet等。MGA变换的基本思想是将图像分解为一个多尺度多方向的表示形式。（4）不同传感器平台进行图像配准在遥感图像融合的过程中,融合算法一般对图像的配准要求非常严格。通常对于同一平台同一时刻获取的图像进行配准较容易，然而对不同的传感器平台,不同的时刻得到的图像进行准确的图像配准往往是一件较困难的事情,如何在图像配准存在较小的平移、旋转、缩放误

17、差的情况下,减小融合图像的失真度,为目标识别和解译奠定良好的基础有着非常重要的现实意义。具有平移不变性的多分辨率和多尺度多方向分析工具能够减小图像因未能严格配准所造成的失真,是未来研究的一个重要方向。（5）基于区域特征的遥感图像融合算法研究遥感图像融合通常是为目标识别和图像解译服务的,独立于图像之外的像素点并不能提供任何对目标识别和图像解译有用的信息,我们通常更关注的是图像中的区域,提取的区域特征信息应是像素信息的充分表示量或充分统计量,如边缘、形状、轮廓、角、纹理、相似亮度区域、相似景深区域等。基于区域分割的图像融合算法以包含有用信息的区域作为融合对象对图像进行融合处理。首先,用一些成熟的区

18、域分割算法对已经配准的图像进行分割,区域分割算法有很多,主要有基于图论的分割法、基于模糊集合的分割法、阈值分割法、像素分割法、区域提取法、边缘分割法、微分算子边缘检测法等,依据融合图像的实际情况合理选择区域分割算法;接着对分割的区域进行分析,产生一个联合区域作为融合的区域图;最后采用成熟的融合算法(如简单加权,小波分析和多尺度几何分析算法等)对联合区域图中各区域进行融合,得到融合图像。基于区域特征的遥感图像融合算法将目标识别和图像解译的需求予以提前考虑,是未来融合算法的一个趋势。（6）海量数据的处理遥感图像融合系统的实时性。由于遥感数据量非常大,现有的融合算法在普通的商用计算机上对遥感图像进行

19、实时处理是一件非常困难的事情。开发专用的遥感图像融合处理芯片,或者基于高端DSP 和FPGA 开发融合处理系统是解决实时性要求的趋势。在实时性要求不高的场合,对海量数据的处理依然是一件非常艰巨的工作,由于地面上不受空间的限制,我们可以开发更高效的融合算法,或者进行分布式并行处理。（7）基于遥感融合技术的三维成像技术基于遥感图像融合的三维成像技术研究。由于二维遥感图像融合只能看成是现实三维世界的一个投影,所能提供的信息有限,仅仅提供平面信息,因此越来越多的研究将集中于基于遥感融合技术的三维成像技术。2 遥感图像融合的基本理论2.1 遥感图像融合的特点尽管多源图像融合也属于多传感器数据融合的范畴，

20、但由于图像是一种特殊形式的信号，多传感器图像融合有其自身的特殊性和复杂性。其特殊性和复杂性主要表现为：（1）通常，图像是二维信号，图像信息数据量很大。例如仅一幅256*256的灰度图像，就要求约512kbits的数据量。因此，多传感器图像融合所面临的数据量是一般数据融合所无法比拟的。（2）由于图像的特征往往是由多个像素“集中”体现出来的，因此，在某一特定局部区域内的像素间往往具有相关性。例如，就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数有时可达0.9以上，而相邻两帧之间的相关性比帧内相关性可能还要大些。因此，图像融合并非是简单的大量“独立”像素间的融合。（3）通常情况下，

21、图像融合对参加融合图像的配准精度要求很高(尤其是像素级图像融合)，例如像素级图像融合的配准精度最好能达到像素级。而一般数据融合(如位置融合等)的配准精度要求就低得多。一般数据融合中，若传感器的分辨率不同，对融合处理的处理过程或许不会增加太多的负担(不少情况下仍可直接融合)；而在像素级图像融合的处理中，若两传感器图像的分辨率不同，则图像不能直接融合，必须进行预处理后方可融合。图像中包含了大量的信息。据估计，人从外界获取的信息中，约有80信息是通过视觉(以图像的形式)获得的。这就意味着图像融合的潜力很大，如何从图像中提取更多的有用信息，对图像融合技术提出了更高的要求。不同应用场合对图像融合的要求是

22、不同的。在不同应用场合可以采用不同的融合方法和融合规则，有时对图像的不同区域也可采用不同的融合方法及融合规则。那么，如何去评价某种融合方法的融合性能呢?这就需要建立合理的融合性能/融合效果的评价方法和准则。然而，这一问题至今仍未得到较好地解决。2.2 遥感图像融合原理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。对多源遥感数据进行融合，主要是进行影

23、像的空间配准和影像融合两步。影像的空间配准影像的空间配准是遥感影像数据融合的前提，对于两幅影像的空间配准，一般把其中一幅作为参考影像，以它为基准对另一幅影像进行校正。其操作步骤如下。1)特征选择。在欲配准的两幅影像上，选择明显特征点。2)特征匹配。采用一定配准算法，找出两幅影像上对应的明显地物点作为控制点。3)空间变换。根据控制点，建立影像间的映射关系。4)插值。根据映射关系，对非参考点影像进行重采样，获得同参考影像配准的影像。空间配准的关键问题是：通过特征匹配寻找对应的明显地物作为控制点。影像融合根据融合的目的和层次，选择合适的融合算法，将空间配准的遥感影像数据进行有机合成，得到目标更准确的

24、表示和估计。2.3 图像融合的层次及其比较图像融合根据其处理所处的阶段不同分为3个层次的融合,即像素级融合、特征级融合和决策级融合,3个层次所采用的融合算法各不相同,图像融合通常按照这3个层次相应地划分为3类：1)像素级图像融合像素级图像融合属于底层图像融合,在这种融合形式中,首先将全部传感器的观测数据融合,然后从融合的数据中提取特征向量,并进行判断识别。这便要求传感器是同质的(传感器观测的是同一物理现象),如果多个传感器是异质的(观测的不是同一个物理量),那么数据只能在特征层或决策层进行融合。像素级图像融合的优点在于尽可能多地保留了场景的原始信息,通过对多幅图像进行像素级图像融合,可以增加图

25、像中像素级信息,它提供了其他两个层次,即特征级图像融合和决策级图像融合所不具有的细节信息,进行融合的各图像可能来自多个不同类型的图像传感器,也可能来自单一的图像传感器。单一图像传感器提供的各个图像可能来自不同观测时间或空间(视角),也可能是同一时间和空间但光谱特性不同的图像(如多光谱照相机获得的图像)。与单一传感器获得的单帧图像相比,通过像素级图像融合后的图像包含的信息更丰富、精确、可靠、全面,更有利于图像的进一步分析、处理与理解。像素级图像融合的结构示意图,如图2.1所示图像2图像N图像1预处理预处理预处理图像配准基于决策的融合特征提取与分类最终结果用户决策增强后的图像配准后的图像像素级融合

26、融合后特征分类图2.1 像素级图像融合的结构示意图2)特征级图像融合特征级图像融合是中间层的融合处理过程,利用从各个传感器图像的原始信息中提取特征信息进行综合分析及融合处理,通过特征级图像融合不仅可以增加从图像中提取特征信息的可能性,还可能获取一些有用的复合特征。所谓主要特征是通过对图像数据进行空间或时间上的分割等处理获得的,而复合特征是通过对现有各个特征的综合得到的。从图像中提取并用于融合的典型特征信息有边缘、角、纹理、相似亮度区域、相似景深区域等。当在特定环境下的特定区域中,多传感器图像均具有相似的特征时,说明这些特征实际存在的可能性极大,同时对该特征的检测精度也可大大提高。融合处理后得到

27、的特征可能是各种图像特征的综合,如融合后的边缘是不同传感器检测得到的边缘段的综合,也可能是一种完全新型的特征,如对用立体照相机得到的各图像中的边缘信息进行融合处理形成的3维边缘。特征层图像融合的结构示意图,如图2.2所示图像1图像N图像2预处理预处理预处理特征提取特征提取特征提取图像配准基于决策的融合特征分类用户决策最终结果提取后的特征配准后的特征特征级融合融合后的分类特征图2.2 特征级图像融合的结构示意图3)决策级图像融合决策级的图像融合是在信息表示的最高层上进行的融合处理。在进行融合处理前,先对从各个传感器获得的图像分别进行预处理、特征提取、识别或判决,建立对同一目标的初步判决和结论；然

28、后对来自各个传感器的决策进行相关配准处理；最后进行决策级的融合处理,从而获得最终的联合判决。决策级融合是直接针对具体的决策目标,充分利用了来自各个图像的初步决策,因此在决策级图像融合中,对图像的配准要求很低,在某些情况下甚至是无须考虑,因为其各个传感器的决策已经符号化或数据化了。由于对传感器的数据进行了浓缩,这种方法产生的结果相对而言最不准确,但它对通信带宽的要求最低,融合中心常用的融合方法有Bayea方法、Demp-ster- shafter方法,广义推理理论或根据不同情况而专门设计的各种方法,决策级图像融合的结构示意图,如图2.3所示图像1图像2图像N预处理预处理预处理特征提取特征提取特征

29、提取特征分类特征提取特征提取图像配准基于决策的融合用户决策最终结果分类后的特征配准后的特征决策级融合融合后的分类特征图2.3 决策级图像融合的结构示意图表2.1中给出了图像融合在上述3个层次中的性能特点比较说明。从表中以及上面的表述中可知,在这3个层次中,像素级图像融合是最重要、最根本的多传感器图像融合方法,其获取的信息量最多,检测性能最好,而难度也是最大的。目前的图像融合,绝大多数的方法都属于像素级图像融合。表2.1 图像融合的3个层次性能比较表 性能 像素级融合 特征级融合 决策级融合 信息量最大 中等最小信息损失最小 中等最大容错值最差 中等最好抗干扰性最差 中等最好对传感器的依赖性最强

30、 中等最弱 预处理最小 中等最大分类性能最后 中等最差融合方法的难易性最难 中等最易系统的灵活性最差 中等最好3 ERDAS IMAGINE 介绍目前遥感图像处理软件繁多，主要有PCI GEOMATICA、ERDAS IMAGINE、ENVI、ER Mapper，本文以ERDAS IMAGINE为操作平台对遥感图像进行处理、分析、结果验证。3.1 ERDAS IMAGINE 软件图像处理特点1）方便和直观的操作步骤使用户操作非常灵活：ERDAS IMAGINE具有非常友好、方便地管理多窗口的功能。不论是几何校正还是航片、卫片区域正射校正以及其它与多个窗口有关的功能，IMAGINE都将相关的多个

31、窗口非常方便地组织起来，免去了用户开关窗口、排列窗口、组织窗口的麻烦，应用方便因而加快了产品的生产速度。IMAGINE的窗口提供了卷帘、闪烁、设置透明度以及根据坐标进行窗口联接的功能，为多个相关图像的比较提供了方便的工具。IMAGINE的窗口还提供了整倍的放大缩小、任意矩形放大缩小、实时交互式放大缩小、虚拟及类似动画游戏式漫游等工具，方便对图像进行各种形式的观看与比较。2）ERDAS IMAGINE为不同的应用提供了250多种地图投影系统。支持用户添加自己定义的坐标系统。支持不同投影间的实时转换、不同投影图像的同时显示对不同投影图像直接进行操作等。支持相对坐标的应用。另外有非常方便的坐标转换工

32、具，经纬度到大地坐标，反之亦然。3）常用的图像处理算法都可用图形菜单驱动，用户也可指定批处理方式(batch)，使图像处理操作在用户指定的时刻开始执行；4）图像的处理过程可以由图像的属性信息控制，而上层属性信息可存在于本层或任何其他数据层次；5）图像处理过程可以用于具有不同分辨率的图像数据上，输出结果的分辨率可由用户指定；6)支持对不同图像数据源的交集、并集和补集的图像处理；7)图解空间建模语言，EML和C语言开发包的应用使得解决应用问题的客户化更加容易与简单。用户可以对IMAGINE本身应用的功能进行客户化的编辑，满足自己专业的独特需求。还可以将自己多年探索、研究的成果及工作流程以模型的形式

33、表现出来。模型既可以单独运行也可以和界面结合像其它功能一样运行。更可以利用C Toolkit进行新型算法及功能的开发。8)独一无二的专家工程师及专家分类器工具，为高光谱、高分辨率图像的快速高精度分类提供了可能。此工具突破了传统分类只能利用光谱信息的局限，可以利用空间信息辅助分类。此工具可以把所有数字信息应用于分类，是分类应用的一大飞越。其功能强大且应用方便，其提供的游标功能使知识库的优化成为轻而易举的操作。其知识库的可移动性为其它非专业人员进行分类工作提供了方便，为成熟知识库的推广应用提供了方便易行的途径。利用专家的知识还可以建立决策支持系统，为决策人提供工具。3.2 ERDAS IMAGIN

34、E软件中遥感影像融合具体过程为了得到1米分辨率的彩色影像数据，将IKONOS影像的多光谱波段数据和其全色波段数据进行融合。ERDAS图标面板工具条，单击Interpreter图标|Spatial Enhancement|Resolution Merge命令，打开Resolution Merge对话框，如图3.1所示。图3.1 Resolution Merge对话框在Resolution Merge对话框中，需要设置下列参数： 选择融合的影像文件如图3.2图3.2 Resolution Merge1）高分辨率影像文件（High Resolution Input File），对于IKONOS影像来

35、说就是指全色波段的影像文件；2）多光谱影像文件（Multispectral Input File），这里指包含多个波段数据的影像文件。使用ERDAS IMAGIN软件提供的Layer Selection and Stacking功能（Image Interpreter|Utilities.|Layer Stack.）将IKONOS的多光谱波段的影像文件合成一个影像文件；3）融合后输出文件（Output File）的路径及文件名； 选择多光谱文件用来进行融合的波段号（Layer Selection）合成的多光谱影像会有几个波段的影像，在这里输入层名来选择要进行融合的波段。可以使用“，”来列举层名

36、，也可以使用“：”来表示参与融合的层的范围。4 遥感图像融合方法遥感图像信息中的一个主要研究内容是将高分辨率的图像和多光谱图像(低分辨率)进行融合，高分辨率图像的空间分辨率较高，但只有强度信息，没有光谱信息；而多光谱图像具有丰富的光谱信息，但空间分辨率较低。将这两幅图像融合，可以得到一幅同时具有较高空间分辨率和光谱信息的融合图像。有代表性的方法有IHS变换法、PCA变换等。4.1 PCA变换PCA(Principle Component Analysis)变换又称主成分分析,数学上也被称为KL变换,是在统计特征基础上进行的一种多维(多波段)正交线性变换。主成分变换是建立在图像统计特征基础上的多

37、维线性变换，具有方差信息浓缩，数据压缩的作用。变换后的第一主成分包含了总信息量的绝大部分(一般在80以上)，并且第一主成分相当于原来各波段的加权和，反映了地物总的辐射强度，而且降低了噪声，有利于细部特征的增强和分析。基于PCA变换的图像融合算法的最大优点是可以融合任意数目的波段,算法首先对N个波段的低分辨率图像进行PCA变换,将单个波段的高分辨率图像进行灰度拉伸,使其灰度值的均值与方差和PCA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PCA反变换得到融合图像。融合图像不仅包含了源图像的高空间分辨率和高光谱分辨特征,而且还保留了源图像的高频信息，使得融合图像的目标细节

38、特征更清晰,光谱信息更丰富。设有向量集X=,i=1,2,N,E(X)为X的数学期望,U是X的协方差矩阵C的特征向量按其特征根由大到小的顺序排列而构成的变换矩阵,则称=（4-1）和=（4-2）为主成分分析算法,其中Y=,i=1,2,N。4.2 HIS变换HIS变换融合是影像融合最常用的一种方法，融合影像保留了绝大部分的高空间分辨率影像的信息，使得其空间分辨率接近高空间分辨率影像，同时也保留了多光谱影像的光谱特征，提高了影像的判读、识别、分类能力，特别有利于视觉理解。HIS变换图像融合的原理：由HIS彩色系统可知,明度I、色度H与饱和度S等3种成份间的相关性很低，这就使我们能够对HIS空间中的3个

39、分量单独地进行处理。由于明度I主要反映地物辐射总的能量及其空间分布，即表现为几何特征；而H、S则主要反映地物的光谱信息。因此首先利用正变换将多光谱图像从RGB三原色空间变换到HIS彩色空间,得到亮度I(Intensity)、色度H(Hue)和饱和度S(Saturation)三个分量；然后将高分辨率全色图像与分离出的亮度I分量进行直方图匹配,使其灰度的均值和方差与分量I图像一致；最后用匹配好的全色波段代替I分量,与分离出的H、S分量进行IHS逆变换,重新回到RGB空间。其算法框图如图4.1所示IHS变换I融合图像IHS反变换全色图像 I分量多光谱图像H分量S分量图4.1 HIS融合变换算法HIS

40、变换融合法对高分辨率全色影像和低分辨率多光谱影像进行融合。解决了全色影像具有较高的空间分辨率但缺乏光谱信息；多光谱影像光谱分辨率高，光谱信息丰富，但其空间分辨率低的技术问题。通过试验对比表明使用该方法显著提高了多光谱影像的空间分辨率，同时也保留了丰富的光谱特征，提高了影像的判读、识别、分类能力，融合后图像的信息量比原始图像有明显增加，而且图像的细节反差、纹理和清晰度得到较大的提高，融合图像质量较好。4.3 小波分析小波变换是在短时傅立叶变换的基础上发展起来的一种新型变换方法。小波变换具有多分辨率分析的特点，在时域、频域都具有表征信号局部特征的能力，因此广泛地应用于图像处理和模式识别领域中，成为

41、信号强有力的处理工具。基于小波变换的图像融合就是将源图像首先进行小波分解，将其分解到不同频段的不同特征域上，然后在特征域上进行融合。根据分解形式的不同，基于小波变换的融合可分为塔型小波融合方法、树状小波融合方法和小波标架融合方法。 小波融合流程若对二维图像进行N层小波分解，最终将有(3N+1)个不同频带，其中包含3N个高频带和一个低频带。小波分解的层数越高，对应层图像的尺寸将越小，因此图像小波分解的各个图像具有金字塔形结构，故可以称为小波分解会字塔。图像的小波变换是一种图像的多分辨率、多尺度分解，因此可以用于图像的融合处理。开 始图像2图像1M层小波分解M层小波分解高频子带HL、LH、HH低频

42、子带 LL高频子带HL、LH、HHHL低频子带 LL融合图像的高频子带融合规则融合图像的低频子带融合规则融合后图像终止小波逆变换图4.2 基于小波变换的图像融合算法流程示意图图4.2中所示为基于小波变换的图像融合算法流程示意图。这里以两幅图像的融合为例，对于多幅图像的融合方法可由此类推。设A，B为两幅原始图像，F为融合后的图像。其融合处理的基本步骤如下：1)对每一源图像分别进行二维离散小波变换，建立图像的小波塔形分解；2)对各分解层分别进行融合处理，各分解层上的不同频率分量可采用不同的融合算子进行融合处理，最终得到融合后的小波金字塔；3)对融合后所得小波金字塔进行小波逆变换(即进行图像重构)，

43、所得到的重构图像即为融合图像。基于小波变换的图像融合的物理意义在于：1)通常图像中的物体、特征和边缘是出现在不同大小的尺度上的。也就是说，图像中的某些边缘或细节是在一定尺度范围内存在的。也正是因为如此，任何一幅特定比例尺(可看作“尺度”)的地图都无法清晰反映所有特征的细节信息，例如在较大尺度上，大陆、山脉、海洋等大的特征是可见的，而像城市街道等小的细节就在地图的分辨率之外了：而在较小尺度上，细节变得可见而较大的特征却不见了。图像的小波分解是多尺度、多分辨率分解，其对图像的多尺度分解过程，可以看作是对图像的多尺度边缘提取过程，同时，小波的多尺度分解还具有方向性。若将小波变换用于图像融合处理，就可

44、能在不同尺度上，针对不同大小、方向的边缘和细节进行融合处理；2)小波变换具有空间和频域局部性，利用小波变换可以将融合图像分解到一系列频率通道中，这样对图像的融合处理是在不同的频率通道分别进行的。而我们知道，人眼视网膜图像就是在不同的频率通道中进行处理的，因此基于小波变换的图像融合是可能达到更好的视觉效果的；3)小波变换具有方向性，人眼对不同方向的高频分量具有不同的分辨率，若在融合处理时考虑到这一特性，就可以有针对地进行融合处理，以获取良好的视觉效果；4)对参加融合的各图像进行小波塔形分解后，为了获得更好的融合效果并突出重要的特征细节信息，在进行融合处理时，不同频率分量、不同分解层、不同方向均可

45、以采用不同的融合规则及融合算子进行融合处理；另外，同一分解层上的不同局部区域上采用的融合算子也可以不同，这样就可能充分挖掘被融合图像的互补及冗余信息，有针对地突出/强化所感兴趣的特征和细节信息。4.4 各种方法的比较遥感影像融合的方法很多，近几年，HIS变换、PCA变换、小波变换等方法已应用于遥感影像融合中，如HIS变换与多分辨小波变换相结合的融合方法；小波的多分辨率分析与HIS变换相结合，提出了叠加融合的新方法。但在实际应用中，究竟选择那种方法最为有效？一般来说，基于HIS变换融合方法可以提高结果图像的地物纹理特性，同时在色彩上色度、饱和度与经过直方图拉伸的SPOT进行的反变换，基本保持了多

46、光谱的TM影像色调，但光谱信息有一定的损失，而且HIS融合方法只能对3波段进行融合；PCA是运用比较广泛的一种融合方法，它主要是针对超过三波段影像的融合变换，该融合算法的主要优点是：融合后的图像光谱特性保持比较好，尤其在波段数较多的情况下；缺点是：由于要对自相关矩阵求特征值和特征向量，计算量非常大，实时性比较差。可见，每种算法虽对融合有一定的效果，但是同样存在一定的局限性。为了提高融合质量，不同应用领域的学者都进行了相关探讨，对传统的融合算法提出了一些改进思路：有些学者认为，HIS变换法扭曲了原始多光谱影像的光谱特性而产生光谱退化，为了降低IHS变换的颜色偏差可采用以下方法：在替换之前将Pan

47、与强度分量I进行匹配。在反变换之前对色调和饱和度进行拉伸。根据具体的数据特点对I、H、S三个分量分别进行拉伸；PCA融合的问题是空间信息突出而色彩信息较弱，其原因是被替代的第一主成分通常具有最大的方差，这种替代将使Pan波段在融合影像中的效果最大，建议的解决方案有对主成分进行拉伸使其具有球形分布；替换前将Pan与PCA进行匹配；放弃第一主成分，改用其他主成分；另外，PCA变换后各主成分失去了原有的物理特性，且该方法对融合区域的选择非常敏感。近几年来由于小波具有变焦性，基于小波变换的遥感影像融合技术体现出以下其它方法所不可比拟的优势：融合处理时，不同的频率分量、不同分解层以及不同的方向均可采用不

48、同的融合法则和融合算子，这样既能充分挖掘被融合图像的互补信息和冗余信息，又能有针对性地强化感兴趣的特征信息和细节信息。对于基于小波的融合方法可以由多方面进行改进，如替代近似影像时采用的方法、高频成分的组合方法、小波分解的层数、小波基的选择等正是由于具有上述优势，小波变换在遥感影像融合中得到了广泛应用。4.5 融合方法评价准则如何判断某一种图像融合算法是否满足要求，需要具有说服力的评价标准。这些标准可分为两类，一类是主观评价；另一类是客观评价，建立量化评价公式，同时采用多种量化评价可以弥补各自方法上的缺陷，得到更正确的结论。量化评价一般有以下几种：相关系数(correlation coeffic

49、ients)：图像的相关系数反映了两幅图像的相关程度。光谱扭曲度(spectral distortion)：图像光谱扭曲程度直接反映了多光谱图像的光谱失真程度。扭曲度越小越好。熵(Entropy)：融合后图像的熵值的大小反映了融合图像所包含的平均信息量的多少。交叉熵(Cross entropy)：交叉熵可用来度量两幅图像间的差异。交叉熵越小，说明融合后图像与标准参考图像间的差异越小，即融合效果越好。均方根误差RMSE(Root Mean Square Error)：均方根误差越小，说明融合效果越好。5 遥感图像融合方法的改进5.1 主成分分析与HIS变换的结合改进方法 融合流程及实验分析（1）

50、综合HIS变换和主成分变换的优点,利用主成分变换对HIS变换法进行了改进，采用改进后方法进行融合的流程如图5.1所示低分辨率多光谱影像RGB高精度配准R，G，B进行HIS正变换I分量与Pan进行主成分变换，并提取第一主成分以I为基准对进行直方图匹配得到利用与H,S分量进行HIS反变换融合后的RGB影像高分辨率全色彩影像（Pan）图5.1 融合流程（2）试验结果与分析为了验证方法的正确性和优越性，选取了某地区Landsat-7TM的全色波段与4,3,2波段影像进行融合，选取的影像已经经过高精度空间配准，误差控制在1个像元之内，其中4,3,2波段分别被赋予R,G,B三原色;影像大小为512

51、5;512个像素，如图5.2、图5.3。采用HIS变换法和本文改进方法进行融合后的结果如图5.4、图5.5。 图5.2 原TM432 波段影像 图5.3 TM 全色影像 图5.4 HIS 变换融合后影像 图5.5 本文方法融合影像影像融合结果的评价分为主观评价和客观评价，一般两者结合使用。主观评价是通过目视效果进行分析，客观评价是利用影像的统计参数进行判定。对于遥感影像融合效果的评价，应该综合考虑细节信息的增强与光谱信息的保持。 常用评价参数影像融合评价中常用到以下参数，介绍如下：1）图像均值 图像均值是像素的灰度平均值，对人眼反映为平均亮度。其定义用公式（5-1）表示；（5-1）其中M,N为

52、像元的行列数。2）标准差 标准差反映了图像灰度相对于灰度平均值的离散情况，若标准差大，则图像灰度级分布分散，图像的反差大，可以看出更多的信息。标准差小，图像反差小，对比度不大，色调单一，看不出太多信息。其定义用公式（5-2）表示（5-2）3）平均梯度 平均梯度可敏感地反映图像对微小细节反差表达的能力，可用来评价图像的清晰程度，同时还可以反映出图像中微小细节反差和纹理变换特征。其计算公式为（5-3）（5-3）一般来说，g 越大，图像越清晰。4）信息熵 根据仙农(Shannon)信息论的原理，一幅8bit 表示的图像x 的信息熵用公式（5-4）表示（5-4）式中：x为输入的图像变量，为图像像元灰度

53、值为i的概率。熵越大，图像所包含的信息量越丰富。（5） 相关系数图像的相关系数反映了两幅图像的相关程度，可用来表示多光谱信息的改变程度。两幅图像的相关系数可用（5-5）表示（5-5）其中，分别为融合前后图像(i,j)点的灰度值，与分别为两幅图像的均值。 客观评价表 5.1 参数统计影像波段号熵平均梯度均值与原TM对应波段相关系数标准差LandSat-7TM多光谱影像44.73621.503960.4471.008.48035.28002.308050.5011.0014.04625.74693.004288.6471.0015.465原HIS变换影像44.77823.150960.5320.8

54、1287.51435.28483.33650.5400.946612.69426.00185.158389.0490.935217.251本文改进方法融合影像44.74332.293560.6010.94707.88235.29102.811950.7400.980713.69325.29893.965488.9470.979316.422利用各图像的亮度值I分别计算出了图像的统计参数，统计结果如表5.1。从表5.1的统计参数可以看出：（1）新方法融合影像的信息熵、均值、标准差与原HIS变换融合影像的对应参数值相差不大，并且更接近于原始多光谱影像的对应参数值，这说明该方法融合影像所包含的信息量与HIS变换相当，并且更接近于原始多光谱影像。（2）新方法融合后影像的各波段与原TM影像对应波段的相关系数明显高于原IHS变换融合后的对应相关系数，说明该方法在光谱特性的保持上有很大提高。（3）新方法融合后影像各波段的平均梯度比HIS变换的平均梯度要小，但是大于没有经过融合的原多光谱影像的平均梯度。这说明该