北京揽宇方圆信息技术有限公司
遥感卫星数据的融合方法
多源数据的融合依据监测区情况不同、数据源的不同类型，其融合方法也不同。但总体上分为以下几个步骤：融合前影像处理、融合单元的选择、最佳融合算法的选取及实现以及融合后的处理和效果检查。
数据融合技术路线图
影像融合技术要求
a)光学遥感数据之间的配准中误差应不超过1个像元素；
b)融合后的图像影像中，各种地类特征应明显，边界应清晰，通过目视解译可以区
分各种地类信息。
c)影像融合一般以景为单位，不同数据源也可采用完整辖区为单元。
d)相同季节融合后影像要色调基本一致，不同季节影像色彩应反映当时地类光谱特
征。
e)根据影像波段的光谱范围、地物和地形特征等因素，选择能清晰表现土地利用类
型特征和边界、色彩接近自然的融合算法。
f)融合影像应无重影、模糊等现象。
影像融合前影像处理
对纠正、配准后满足精度要求的全色与多光谱数据，融合前还需要对其进行预处理。一方面，提高全色数据的亮度，增强局部反差突出纹理细节，尽可能降低噪声；另一方面，对多光谱数据进行色彩增强，拉大不同地类之间的色彩反差，突出其多光谱彩色信息。
1、全色数据处理
在融合中要突出全色数据的高分辨率特征，因此融合前处理的目的是为了增强局部灰度的反差从而突出纹理细节和加强纹理能量，通过细化来尽可能减少噪音。特别强调在增强局部灰度反差时只是增加灰度的值，原灰度关系保持不变。考虑到土地利用遥感监测需要从遥感影像上直接判读地类信息，从而发现新增建设用地图斑。因此，在拉伸方法选择上不应采用非线性拉伸。否则原灰度值的大小关系会发生变化，从而使影像产生灰度扭曲，增加含义不明确的伪信息，影响解译精度。
2、多光谱数据处理
多光谱数据具有多个光谱波段和丰富的光谱信息，不同波段影像对不同地物有特殊的贡献。因此在影像融合前需要进行最佳波段的选择组合和彩色合成，以最大程度地利用各波段的信息量，辅助影像的判读与分析。在融合影像中，多光谱数据的贡献主要是光谱信息。融合前以色彩增强为主，调整亮度、色度、饱和度，拉开不同地类之间的色彩反差，对局部的纹理要求不高。有时为了保证光谱色彩，还允许削弱纹理信息来确保融合影像图的效果。
影像融合方法
选取融合方法的原则：
1．能清晰地表现纹理信息，能突出主要地类（如水体、建筑群、耕地、道路等）。
2．影像光谱特征还原真实、准确、无光谱异常；
3．各种地类特征明显，边界清晰，通过目视解译可以区分各种地类信息。
4．融合影像色调均匀、反差适中、色彩接近自然真彩色。
在遥感影像处理过程中，通常采用的融合方法有IHS变换、主成分变换、加权乘积、比值变换、小波变换、高通滤波、BROVERY、结合GRB与IHS变换的PANSHARP融合等多种方法，其中IHS变换和PANSHARP融合方法对图像融合有较好的效果。BROVERY通常用于低植被、高度发暗的影像。
（1）高通滤波变换法
高通滤波和低通滤波常用于影像纹理和细节处理方面。影像的细节提取往往是通过对影像进行高通滤波来实现，影像细节与多光谱影像的色彩信息相加是融合的最基本原理。
高通滤波变换目的是提高影像高频细节，突出影像结构信息。各种高层板状建筑表现非常明显，交通和水体的边缘规则、无模糊。由于在突出高频信息同时，部分低频信息会受到压制，往往整体影像的结构比较细碎。色彩表现上，高通滤波变换效果一般，色调的层次感不强。
（2）主成分变换（PCA）
主成分变换在数学上是将矩阵展开分解为其协方差矩阵的特征向量的加权，对于图像而言主分量变换是图像按照特征向量在其特征空间上分解为多元空间。经过变换可将噪音向量剔除掉，保证融合图像信息度的良好。遥感影像进行分解时，第一、二主分量往往占总信息量（即方差）的90%以上，而其余各分量总和最多也不过10%。利用PC变换可很方便地将影像的结构信息通过第一主分量表达出来。主分量变换显著优点是将庞杂的多波段数据用尽可能少的波段表达出来，而且数据信息量几乎没有损失，从而达到数据压缩的目的。
主分量变换在进行融合中有两种变换方法，一种将参与变换的各波段包括高光谱在内统一进行主分量变换，然后反变换。另一种是指将多光谱的多个波段先做主分量变换，用高光谱影像全色波段替换第一主分量。再进行反主分量变换。得到融合影像。
主分量变换中参与变换的多光谱数据不受波段数限制，可以接受三个以上波段的多光谱数据和高光谱数据进行变换。主分量变换合成的影像色彩突出，各种地类的色彩能够较少的丢失和偏移。影像纹理信息结构明显、突出。
（3）IHS变换法
IHS变换是一类基于IHS色彩模型的基础、应用广泛的融合变换方法。IHS色彩是不同于RGB的另一种色彩模型系统，它将RGB图像转换色相H、亮I和饱和度S三个分量，图像的描述依据色相、亮度和饱和度三个要素来实现。I表示图像亮度，H代表色度，S表示饱和度。IHS变换能有效地将RGB系统中影像代表纹理的亮度I与其光谱信息H、S相分开。
运用IHS变换技术融合的原理为：用另一影像替代IHS三个分量中的某一分量，其中亮度分量被替代最为常用。当高分辨率全色影像与多光谱影像融合时，首先将多光谱的影像根据输入图像的RGB值利用正变换式从RGB系统变换至IHS彩色空间，得到亮度I、色度H及饱和度S的三个分量，将高分辨率全色影像与亮度进行直方图匹配，然后去掉I，并用预处理准备好的高分辨率全色影像代替。与H、S一起利用相应的逆变换式变换至RGB系统，得到融合后的影像。
IHS变换的融合方法只在亮度通道上进行，图像的色调和饱和度保持不变。因此，通过变换、替代、逆变换获得的融合图像，既具有全色图像高分辨率的纹理，又保持了多光谱图像的色调和饱和度。
（4）基于小波变换法
在众多图像融合技术中，基于小波变换的图像融合方法已成为多数图像处理系统的标准算法之一。这类算法主要是利用人眼对局部对比度的变化比较敏感这一事情，根据一定的融合规则，在多幅原图像中选择出最显著的特征，例如边缘、线段等，并将这些特征保留在最终的合成图像中。
在一幅图像的小波变换中，绝对值较大的小波系数对应于边缘这些较为显著的特征，所以大部分基于小波变换的图像融合算法主要研究如何选择合成图像中的小波系数，也就是三个方面上的高频系数，从而达到保留图像边缘的目的。虽然小波系数（高频系数）的选择对于保留图像的边缘等特性具有非常主要的作用，同时尺度系数（低频系数）决定了图像的轮廓，因此正确地选择尺度系数对提高合成图像的视觉效果具有举足轻重的作用。通过基于小波变换图像融合中小波基的选取或融合规则及融合算子的不同选择，可得到满意的融合图像。
（5）Pan Sharpening（全色锐化）融合算法
Pan Sharpening（全色锐化）融合算法是由加拿大新布伦瑞克大学的张云博士（2002）开发的。Pan Sharpening（全色锐化）融合算法相比较其他融合方法，与众不同的地方主要体现在两方面：一方面它是基于最小二乘算法对参与融合影像波段的灰度值进行最佳匹配，使原始多光谱、全色数据与融合后多光谱、全色数据之间的灰度值关系达到近似，融合后影像在色彩保真的同时，同时保留了地物纹理细节和空间分布细节；另一方面算法还对参与运算的所有波段进行特有的统计分析运算，通过分析来消除融合效果对操作员经验的依赖以及数据自身质量的优劣，提高融合过程的效率。
融合后影像增强处理
1．基于直方图的图像增强
融合后影像处理是保证成果质量的重要技术环节，融合后影像通常亮度偏低、灰阶分布动态范围小，色彩不够丰富。直方图均衡化算法是图象增强空域法中常用的算法之一，它以概率理论作基础，通过对已知灰度概率密度的图像进行某种变换使其变成一幅概率密度服从均匀分布的新图像，这样调节了灰度取值的动态范围，增强了图像的对比度，从而达到图像增强的目的。此外，采用线性或非线性拉伸、亮度对比度、色彩平衡、色度、饱和度和明度调整等方法进行色调调整。处理后的影像要达到灰阶分布具有较大动态范围，纹理清晰、色调均匀、反差适中，色彩接近自然真彩色，可以清晰判别耕地等重要地类类型。
较小灰度动态范围图较大灰度动态范围图
为了形成完整的监测区影像文件，对分块融合的影像须进行色调调整。色调调整时应保留多光谱影像的光谱信息和全色影像的纹理细节，以便进行变化信息分析。同时，注意视觉效果，为去除杂色保证整体反差，必要时牺牲部分光谱信息和纹理，达到自然真彩色的效果，但要区分不同地类边界。
2．去云雾
采用数字图像处理技术对遥感图像进行去雾处理的方法有很多种，这里采用图像增强算法，即从遥感图像呈现的低亮度和低对比度的特征考虑，按照特定需要突出图像中的某些信息，削弱或去除某些不需要的信息来完成的。我们通过灰度直方图变换方法把有雾图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围达到增强雾天图像整体对比度的效果。
11.1.4公司形象展示
11.2信誉证书、荣誉证书、相关资质证书
11.2.1卫星遥感影像技术服务ISO（9001）认证证书复印件
11.2.2卫星影像质量快速检验系统著作权登记证
11.2.3历史遥感图像检验系统著作权登记证
11.2.4锁眼卫星影像处理软件著作权登记证
11.2.7多时空多光谱数据处理系统著作权登记证
11.2.8高新技术企业认定证明文件
北京揽宇方圆信息技术有限公司
信息融合算法 1 概述 信息融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。 1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。 2、综合：信息优化处理中的一种获得明确信息的有效方法。 例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。 3、融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。 4、相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
2 技术发展现状 信息融合技术的方法，概括起来分为下面几种： 1)组合：由多个传感器组合成平行或互补方式来获得多组数据 输出的一种处理方法，是一种最基本的方式，涉及的问题有 输出方式的协调、综合以及传感器的选择。在硬件这一级上 应用。 2)综合：信息优化处理中的一种获得明确信息的有效方法。例： 在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原 出一个准确的有立体感的物体的图像。 3)融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。 4)相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理，获悉传感器数据组 之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息 进行综合和优化。 3 算法描述 3.1 Bayes融合 Bayes融合是融合静态环境中多传感器低层数据的一种常用方法。
1 绪论 1.1研究目的及意义 20世纪90年代中后期以后，搭载许多新型传感器的卫星相继升空，使得同一地区的遥感数据影像数目不断增多。如何有效地利用这些不同时相、不同传感器、不同分辨率的遥感数据便成为了遥感工作者研究的瓶颈问题，然而解决这一问题的关键技术就是遥感影像数据融合。 遥感数据融合就是对多个遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定法则（算法）进行处理，获得比单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。 遥感是不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一遥感器的遥感数据都不能全面的反映目标对象的特征，也就是有一定的应用范围和局限性。各类非遥感数据也有它自身的特点和局限性。影像数据融合技术能够实现数据之间的优势互补，也能实现遥感数据与地理数据的有机结合。数据融合技术是一门新兴的技术，具有十分广阔的应用前景。所以，研究遥感影像数据融合方法是非常必要的。 1.2研究现状及发展的趋势 1.2.1研究现状 20世纪美国学者提出“多传感器信息融合”的概念认为在多源遥感影像数据中能够提取出比单一遥感影像更丰富、更有效、更可靠的信息。之后由于军事方面的要求，使得遥感影像数据融合技术得到了很大的发展，美、英，德等国家已经研制出了实用的遥感数据融合处理的系统和软件，同时进行了商业应用。 1）、融合结构 融合的结构可分为两类：集中式和分布式。集中式融合结构：各传感器的观测数据直接被送到中心，进行融合处理，用于关联、跟踪、识别等。分布式融合结构：每个传感器独立完成关联、识别、跟踪，然后由融合中心完成配准、多源关联的融合。 2）、融合的层次 图像融合可分为：像元级融合、特征级融合和决策级融合。 像元级融合是最低级的信息融合，可以在像素或分辨单位上进行，又叫做数据级融合。它是对空间配准的遥感影像数据直接融合，然后对融合的数据进行特征提取和属性说明。 特征级融合是由各个数据源中提取特征信息进行综合分析和处理的过程，是中间层次的融合。特征级融合分为目标状态信息融合和目标特征融合。 决策级融合是在信息表示的最高层次上进行融合处理。首先将不同传感器观测同一目标获得的数据进行预处理、特征提取、识别，以建立对所观测目标的初步理论，然后通过相关处理、决策级融合判别，最终获得联合推断结果，从而为决策提供依据。
北京揽宇方圆信息技术有限公司 常见国产卫星遥感影像数据的简介 本文介绍了常见国产卫星数据的简介、数据时间、传感器类型、分辨率等情况。 中国资源卫星应用中心产品级别说明 ◆1A级和1C级产品均为相对辐射校正产品,只是不同卫星选用的生产参数不同。 ◆2级，2A级和2C级产品均为系统几何校正产品,只是不同卫星选用的生产参数不同。 其中: ■GF-1卫星和ZY3卫星归档产品为1A级，ZY1-02C卫星数据归档产品级别为1C级，其他卫星归档级别为2级! ◆归档产品是指:该类产品已经存在于系统中,仅需要从存储系统中迁移出来.即可供用户下载的数据。 ◆生产产品是指:该类产品不是已经存在的产品,需要对原始数据产品进行生产,然后再提供给用户下载的数据。
■当用户需要的产品级别是上述归档的级别,直接选择相应的产品级别，然后查询即可！ ■当用户需要的产品级别不是上述归档的级别,就需要进行生产.本系统提供GF-1卫星和ZY3卫星2A级的生产产品,ZY1-02C卫星2C级的生产产品,在选择需要的级别查询后,无论有没有数据,在查询结果页上方有一个“查询0级景”按钮,点击此按钮后,进行数据查询,如果有数据，选择需要的产品直接订购,即可选择需要的产品级别。 国产卫星 一、GF-3(高分3号) 1.简介 2016年8月10日6时55分，高分三号卫星在太原卫星发射中心用长征四号丙运载火箭成功发射升空。 高分三号卫星是中国高分专项工程的一颗遥感卫星，为1米分辨率雷达遥感卫星，也是中国首颗分辨率达到1米的C频段多极化合成孔径雷达（SAR）成像卫星，由中国航天科技集团公司研制。 2.数据时间 2016年8月10日-现在 3.传感器 SAR：1米 二、ZY3-02（资源三号02星） 1.简介 资源三号02星（ZY3-02）于2016年5月30日11时17分，在我国在太原卫星发射中心用长征四号乙运载火箭成功将资源三号02星发射升空。这将是我国首次实现自主民用立体测绘双星组网运行，形成业务观测星座，
多聚焦图像融合方法综述 摘要：本文概括了多聚焦图像融合的一些基本概念和相关知识。然后从空域和频域两方面将多聚焦图像融合方法分为两大块，并对这两块所包含的方法进行了简单介绍并对其中小波变换化法进行了详细地阐述。最后提出了一些图像融合方法的评价方法。 关键词：多聚焦图像融合；空域；频域；小波变换法；评价方法 1、引言 按数据融合的处理体系，数据融合可分为：信号级融合、像素级融合、特征级融合和符号级融合。图像融合是数据融合的一个重要分支，是20世纪70年代后期提出的概念。该技术综合了传感器、图像处理、信号处理、计算机和人工智能等现代高新技术。它在遥感图像处理、目标识别、医学、现代航天航空、机器人视觉等方面具有广阔的应用前景。 Pohl和Genderen将图像融合定义为：“图像融合是通过一种特定的方法将两幅或多幅图像合成一幅新图像”，其主要思想是采用一定的方法，把工作于不同波长范围、具有不同成像机理的各种成像传感器对同一场景成像的多幅图像信息合成一幅新的图像。 作为图像融合研究重要内容之一的多聚焦图像融合，是指把用同一个成像设备对某一场景通过改变焦距而得到的两幅或多幅图像中清晰的部分组合成一幅新的图像，便于人们观察或计算机处理。图像融合的方法大体可以分为像素级、特征级、决策级3中，其中，像素级的图像融合精度较高，能够提供其他融合方法所不具备的细节信息，多聚焦融合采用了像素级融合方法，它主要分为空域和频域两大块，即： （1）在空域中，主要是基于图像清晰部分的提取，有梯度差分法，分块法等，其优点是速度快、方法简单，不过融合精确度相对较低，边缘吃力粗糙； （2）在频域中，具有代表性的是分辨方法，其中有拉普拉斯金字塔算法、小波变换法等，多分辨率融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。 2、空域中的图像融合 把图像f(x,y)看成一个二维函数，对其进行处理，它包含的算法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法等。 2.1 逻辑滤波器法 最直观的融合方法是两个像素的值进行逻辑运算,如:两个像素的值均大于特定的门限值,
北京揽宇方圆信息技术有限公司 (一）遥感卫星数据类型有哪些？ 北京揽宇方圆卫星公司可提供多种遥感数据类型供用户选择，目前来说是国内遥感数据最多的遥感数据中心，分辨率从0.3米到30米的光学卫星影像，还有各种极化方式的雷达卫星影像，高光谱卫星影像，还有解密的1960年至1980年的锁眼卫星影像，根据自己的情况来定，也可以把自己的卫星数据需求告诉我们，给您推荐合适的卫星数据类型。如果您想获取高程信息DEM、DLG等信息，需要购买的就是卫星影像立体像对数据，并不是所有卫星都有立体像对哦。 (二）遥感卫星数据影像有哪些级别？ 卫星公司北京揽宇方圆销售的都是1A级别原始卫星影像，光学卫星影像原始数据都是以全色+多光谱捆绑形式提供，卫星影像一般可以经过一定的处理，形成各级别的影像数据，不同的级别可以针对不同的用户需求，在订购时需特别注意。 *名词（全色就是黑白数据，多光谱是指红绿蓝近红外） （三）遥感卫星数据影有没有最小数量起订的说法？ 北京揽宇方圆提醒您在购买卫星影像时，都要确认购买面积大小或景数。对于高分辨率影像来说，一般是按面积大小来计算，单位为平方公里。但是往往有个最小购买面积，例如，WorldView影像的存档数据最低起购面积为25平方公里，且需要满足四边形两边相距大于等于5公里；而中低分辨率影像则往往按景数来计算，景是一幅卫星影像的通俗讲法，例如，一景高分一号卫星影像，范围大小为32.5×32.5公里。 （四）遥感卫星存档数据是指什么？ 北京揽宇方圆详解遥感卫星存档数据：是指先前卫星已经拍摄过的某区域的影像数据，已存档在数据库中，是现成品。该种影像的购买价格相对较低，订购时间较快。但是订购前需要对既定需求区域做出确认，即确认所需区域是否有卫星影像数据存档、卫星影像存档数据的拍摄时间、拍摄质量（包含了云量、拍摄倾角等因素）等。 （五）遥感卫星编程数据是什么意思? 北京揽宇方圆遥感公司对遥感卫星编程数据的解释是指地面编程控制卫星对需求区域拍摄最新的影像，可以让用户得到需求区域最新的影像。但是编程影像的拍摄周期通常较长，订购初期需要先向卫星运营公司申请拍摄区域的拍摄周期，然后由卫星公司反馈计划拍摄周期。在这个拍摄周期中，并不能够保证拍摄成功，这与所拍摄地的天气情况、拍摄数据的优先级权重以及需求数据范围有关。 （六）遥感卫星影像数据价格如何一般是多少？ 目前市面上的商业遥感卫星数量较多，北京揽宇方圆是国内遥感数据资源最多的公司，不同的行业根据自己的遥感项目业务要求，对各卫星影像的分辨率、波段数量、质量以及影像拍摄的时间要求各异，而卫星
图像融合的研究背景和研究意义 1概述 2 图像融合的研究背景和研究意义 3图像融合的层次 像素级图像融合 特征级图像融合 决策级图像融合 4 彩色图像融合的意义 1概述 随着现代信息技术的发展，图像的获取己从最初单一可见光传感器发展到现在的雷达、高光谱、多光谱红外等多种不同传感器，相应获取的图像数据量也急剧增加。由于成像原理不同和技术条件的限制，任何一个单一图像数据都不能全面反应目标对象的特性，具有一定的应用范围和局限性。而图像融合技术是将多种不同特性的图像数据结合起来，相互取长补短便可以发挥各自的优势，弥补各自的不足，有可能更全面的反映目标特性，提供更强的信息解译能力和可靠的分析结果。图像融合不仅扩大了各图像数据源的应用范围，而且提高了分析精度、应用效果和使用价值，成为信息领域的一个重要的方向。图像配准是图像融合的重要前提和基础，其误差的大小直接影响图像融合结果的有效性。 作为数据融合技术的一个重要分支，图像融合所具有的改善图像质量、提高几何配准精度、生成三维立体效果、实现实时或准实时动态监测、克服目标提取与识别中图像数据的不完整性等优点，使得图像融合在遥感观测、智能控制、无损检测、智能机器人、医学影像(2D和3D)、制造业等领域得到广泛的应用，成为当前重要的信息处理技术，迅速发展的军事、医学、自然资源勘探、环境和土地、海洋资源利用管理、地形地貌分析、生物学等领域的应用需求更有力地刺激了图像融合技术的发展。 2 图像融合的研究背景和研究意义 Pohl和Genderen对图像融合做了如下定义：图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。它的主要思想是采用一定的算法，把
遥感影像融合处理方法 摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。 关键词：遥感影像融合融合评价 1、前言 将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。 2、遥感影像融合一般步骤 遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。 图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 3 常用融合方式 3.1 IHS融合 IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS 色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。 3.2 小波融合 小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
数据融合方法 随着交通运行状态评价研究的不断发展，对数据的准确性和广泛覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D．S理论等方法。 1现有方法应用范围 结合数据融合层次的划分，对数据融合方法在智能交通领域的应用作以下归纳总结： 表数据融合层次及对应的方法 2各种融合方法的优缺点 主要指各种融合方法的理论、应用原理等的不同，呈现出不同的特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺点的比较分析，具体内容如下： (1)理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻辑的理论已经基本趋于成熟；D—S证据推理在合成规则的合理性方
面还存有异议；表决法的理论还处于逐步完善阶段。 (2)运算量方面：运算量较大的有贝叶斯方法、D．S证据推理和神经网络，其中贝叶斯方法会因保证系统的相关性和一致性，在系统增加或删除一个规则时，需要重新计算所有概率，运算量大；D．S证据推理的运算量呈指数增长，神经网络的运算量随着输入维数和隐层神经元个数的增加而增长；运算量适中的有卡尔曼滤波、模糊逻辑和表决法。 (3)通用性方面：在这六种方法中，通用性较差的是表决法，因为表决法为了迁就原来产生的框架，会割舍具体领域的知识，造成其通用性较差；其他五种方法的通用性相对较强。 (4)应用难度方面：应用难度较高的有神经网络、模糊逻辑和表决法，因为它们均是模拟人的思维过程，需要较强的理论基础；D．S证据推理的应用难度适中，因其合成规则的难易而定：卡尔曼滤波和贝叶斯方法应用难度较低。 3 适用的交通管理事件 之前数据融合技术在交通领域中的应用多是在例如车辆定位、交通事件识别、交通事件预测等交通事件中，但是几乎没有数据融合技术在交通运行状态评价的应用研究，而本文将数据融合技术应用在交通运行状态评价中，为了寻找到最适用于交通运行状态评价的数据融合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术进行评价比较。 表2 各种融合方法适用的交通管理事件的比较
包头师范学院 本科学年论文 论文题目：高分辨率遥融图像融合方法比较院系：资源与环境学院 专业：地理信息系统 学号：0912430022 姓名：郭殿繁 指导教师：同丽嘎 撰写学年：2010 至2011 学年 二零一零年十二月
摘要：目前，遥感中高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。本文通过对遥感影像四种融合方法的研究，并且用呼和浩特市快鸟影像图像融合举例，加深对四种融合方法的理解和理论应用，最后通过截取呼和浩特市快鸟影像的原始多波段彩色影像和原始高分辨率全色波段影像的一部分进行四种融合方法来进行精度的比较，以ENVI4.7软件作为平台，最终得出，Gram-Schmidt变换效果最好，HSV变换融合效果最差。 关键词：图像融合；PCA变换；Gram-Schmidt变换；Brovey变换；HSV变换；精度比较 Abstract: At present, the remote sensing high resolution full-color remote sensing image and low spatial resolution multi-spectral remote sensing image fusion is image fusion technology application of mainstream. This article through to four kinds of remote sensing image fusion method with the principle and analysis, and in Hohhot, fast image image fusion for example, the bird to deepen the understanding of four fusion method and theory, and finally by intercepting the original image Hohhot fast bird multichannel color image and primitive high-resolution full-color band image on the part of four fusion method for precision compared to ENVI4.7 software as a platform to finally arrive, the best effect, Schmidt transform - the worst. Fusion result transformation HSV. Key words: image fusion, PCA transform; Schmidt transform; the - Brovey transform; HSV transform; Precision；
常见遥感卫星基本参数 前言： 遥感传感器是获取遥感数据的关键设备，由于设计和获取数据的特点不同，传感器的种类也就繁多，就其基本结构原理来看，目前遥感中使用的传感器大体上可分为如下一些类型： （1）摄影类型的传感器； （2）扫描成像类型的传感器； （3）雷达成像类型的传感器； （4）非图像类型的传感器。 无论哪种类型遥感传感器，它们都由如下图所示的基本部分组成： 1、收集器：收集地物辐射来的能量。具体的元件如透镜组、反射镜组、天线等。 2、探测器：将收集的辐射能转变成化学能或电能。具体的无器件如感光胶片、光电管、光 敏和热敏探测元件、共振腔谐振器等。 3、处理器：对收集的信号进行处理。如显影、定影、信号放大、变换、校正和编码等。具 体的处理器类型有摄影处理装置和电子处理装置。 4、输出器：输出获取的数据。输出器类型有扫描晒像仪、阴极射线管、电视显像管、磁带 记录仪、XY彩色喷笔记录仪等等。 虽然不同卫星的基本组成部分是相同的，但是由于，各个组成部分的具体构造的精细度又是不同的，的，所以不同的卫星具有不同的分辨率。 一、 CBERS中巴资源卫星CBERS-1 中巴资源卫星由中国与巴西于1999年10月14日合作发射，是我国的第一颗数字传输型资源卫星 卫星参数： 太阳同步轨道轨道高度：778公里,倾角:98.5o 重复周期：26天平均降交点地方时为上午10：30 相邻轨道间隔时间为4 天扫描带宽度:185公里星上搭载了CCD传感器、IRMSS红外扫描仪、广角成像仪，由于提供了从20米-256米分辨率的11个波段不同幅宽的遥感数据， 成为资源卫星系列中有特色的一员。 红外多光谱扫描仪：波段数：4波谱范围：B6：0.50 –1.10(um)B7：1.55 – 1.75(um)B8：2.08 – 2.35(um)B9：10.4 – 12.5(um)覆盖宽度：119.50公里空间分辨率：B6 – B8：77.8米B9：156米CCD相机：波段数：5波谱范围：B1：0.45 – 0.52(um)B2：0.52 – 0.59(um)B3：0.63 –0.69(um)B4：0.77 – 0.89(um)B5：0.51 – 0.73(um)覆盖宽度：113公里空间分辨率：19.5米(天 底点)侧视能力：-32 士32 广角成像仪：波段数：2波谱范围：B10：0.63 – 0.69(um)B11：0.77 – 0.89(um)覆盖宽度：890
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。
北京揽宇方圆信息技术有限公司 常用的遥感卫星影像数据有哪些 公司拥有WorldView、QuickBird、IKONOS、GeoEye、SPOT、高分一号、资源三号等卫星的代理权，与国内多家遥感影像一级代理商长期合作，能够为客户提供全天候、全覆盖、多分辨率、多尺度的影像产品 WorldView，分辨率0.5米 WorldView卫星系统由两颗(WorldView-I和WorldView-II)卫星组成。WorldView-I全色成像系统每天能够拍摄多达50万平方公里的0.5米分辨率图像，并具备现代化的地理定位精度能力和极佳的响应能力，能够快速瞄准要拍摄的目标和有效地进行同轨立体成像。WorldView-II多光谱遥感器具有8个波段，平均重访周期为一天，每天采集能力达到97.5万平方公里。
QuickBird，分辨率0.61米 QuickBird具有较高的地理定位精度,每年能采集7500万平方公里的卫星影像数据，在中国境内每天至少有2至3个过境轨道，有存档数据约500万平方公里，重访周期为1-6天，每天采集能力达到21万平方公里。 IKONOS，分辨率0.8米 IKONOS卫星是世界上第一颗高分辨率卫星，开启了商业高分辨率卫星的新时代，同时也创立了全新的商业化卫星影像标准。全色影像分辨率达到了0.8米，多光谱影像分辨率4米，平均重访周期3天。
Geoeye，分辨率0.41米 GeoEye-1卫星具有分辨率最高、测图能力极强、重返周期极短的特点。全色影像分辨率达到了0.41米，多光谱影像分辨率1.65米，定位精度达到3米，重访周期2-3天，每天采集能力70万平方公里。
ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。
遥感图像处理实习报告 实验内容：影像融合与增强 班级：测绘1102班 学号：13 姓名： 指导老师：陈晓宁、黄远程、竞霞、史晓亮 西安科技大学 测绘科学与技术学院 二零一三年一月 实习三影像融合与增强
一、实习内容： 1.掌握ENVI中各种影像融合方法，并比较各方法的优缺点； 2.熟悉ENVI图像增强操作； 3.本实习的数据源为上节已经过校正的资源三号多光谱和全色影像。 二、实习目的： 1.了解和认识各种图像融合方法的原理、内容及要点； 2.熟悉、熟练操作ENVI软件中各种图像融合的方法、步骤并学会加以比较； 3.学习利用ENVI软件进行各种图像增强处理操作； 4.学会定性、定量分析比较图像融合的差异。 三、实习步骤： 1.图像融合： 三波段融合： HSV和Color Normalized (Brovey)变换： 1）从ENVI主菜单中，选择File → Open Image File，分别加载校正后的资源三号多光谱与全色影像到可用波段列表Available Bands List中； 2）选择多光谱3,2,1波段（可以根据需要选择）对应R，G，B，点击Load RGB将多光谱影像加载到显示窗口display#1； 3）在ENVI的主菜单选择Transform → Image Sharpening → HSV； 4）在Select Input RGB Input Bands对话框中，选择Display #1，然后点击OK。 5）从High Resolution Input File对话框中选择全色影像，点击OK。 6）从HSV Sharpening Parameters对话框中，选择重采样方法，并输入输出路径和文件名，点击OK。即可完成HSV变换融合；
常见的遥感卫星的介绍及具体参数 遥感卫星(remote sensing satellite )用作外层空间遥感平台的人造卫星。用卫星作为平台的遥感技术称为卫星遥感。通常，遥感卫星可在轨道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间覆盖整个地球或指定的任何区域，当沿地球同步轨道运行时，它能连续地对地球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站，卫星获得的图像数据通过无线电波传输到地面站，地面站发出指令以控制卫星运行和工作。以下列出较为常见的遥感卫星: 一、Landsat卫星 美国NASA的陆地卫星(Landsat)计划(1975年前称为地球资源技术卫星——ERTS )，从1972年7月23日以来，已发射7颗（第6颗发射失败）。目前Landsat1—4均相继失效，Landsat 5仍在超期运行（从1984年3月1日发射至今）。Landsat 7于1999年4月15日发射升空。其常见的遥感扫描影像类型有MMS影像、TM图像。 （一）、MSS影像 MSS影像为多光谱扫描仪（MultiSpectral Scanner）获取的图像，第一颗至第三颗地球卫星（Landsat）上反光束导管摄像机获取的三个波段摄影相片分别称为第1、2、3波段，多光谱扫描仪有4个波段获取的扫描影像被命名为4、5、6、7波段，两个波段为可见光波段，两个波段为近红外波段，此外，第三颗地球卫星上还供有热红外波段影像，这个影像称为第8波段，但使用不久，就因为一起的问题二关闭了。 表 1 ：Landsat上MSS波段参数
(二)、TM影像 TM影像是指美国陆地卫星4～5号专题制图仪（thematic mapper）所获取的多波段扫描影像。 影像空间分辨率除热红外波段为120米外，其余均为30米，像幅185×185公里2。每波段像元数达61662个（TM-6为15422个）。一景TM影像总信息量为230兆字节），约相当于MSS影像的7倍。 因TM影像具较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度，成为20世纪80年代中后期得到世界各国广泛应用的重要的地球资源与环境遥感数据源。能满足有关农、林、水、土、地质、地理、测绘、区域规划、环境监测等专题分析和编制1∶10万或更小比例尺专题图，修测比例尺地图的要求。 表 2 ：Landsat上TM波段参数 （三）、ETM 1999年4月15日，美国发射了Landsat-7，它采用了增强-加型专题绘图仪（ETM）遥感器来获取地球表层信息，它与TM的区别在于增加了全色波段，分辨率为15米，并改进了热红外波段影像的分辨率。
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；ERDAS IMAGINE 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，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE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ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 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ERDAS IMAGINE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
北京化工大学 学士学位论文 遥感图像的假彩色合成 姓名：刘晓璐 班级：信息与计算科学0304班 学号：200362102
遥感图像的假彩色合成 摘要：遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内及其我国的许多政府部门，科研单位和公司得到了广泛的应用。在遥感数据源向着更高光谱分辨率和更高空间分辨率发展的同时，处理技术也更加成熟；在应用上，结合了地理信息系统（GIS）和全球定位系统（GPS），向着更系统化，更定量化方向发展，使遥感数据的应用更加广泛和深入。 假彩色增强是将一幅彩色图像映射为另一幅彩色图像，从而达到增强彩色对比，使某些图像达到更加醒目的目的。 本文的主要目的就是大遥感的多光谱图像用自然彩色显示。在遥感的多光谱图像中，有些是不可见光波段的图像，如近红外，红外，甚至是远红外波段。因为这些波段不仅具有夜视能力，而且通过与其他波段的配合，易于区分地物。 用假彩色技术处理多光谱图像，目的不在于使景物恢复自然的彩色，而是从中获得更多的信息。为了实现这样的目的，本文采用了MATLAB数学软件编程的方法以及运用Envi4.2 软件直接编辑图像这两种方法，并对其进行对比，得出最优的合成图像。 关键词：图像融合，假彩色合成，彩色增强，灰度级，RGB图像，
False color mapping for image fusion Abstract: A pixel-based color-mapping algorithm is presented that produces a fused false color rendering of two gray-level images representing different sensor modalities. The resulting images have a higher information content than each of the original images and retain sensor specific image information. The unique component of each image modality is enhanced in the resulting fused color image representation. First, the component of two original input images is determined. Second, the common component of each image. Third, the unique component of each image modality is subtracted from the image of the other modality. This step serves to enhance the representation of sensor-specific details in the final fused result. Finally, a fused color image is produced by displaying the images resulting from the last step through, respectively, the red and green channels of a color display. The method is applied to fuse thermal and visual images. The results show that the color mapping enhances the visibility of certain details and preserves the specificity of the sensor information. The fused images also have a fairly natural appearance. The fusion scheme involves only operations on corresponding pixels. The resolution of the input images. Before fusing, the contrast of the images can be enhanced and their noise can be reduced by standard image processing techniques. The color mapping algorithm is computationally simple. This implies that the investigated approaches can eventually be applied in real time and that the hardware needed is not too complicated or too voluminous(an important consideration when it has to fit in an airplane, for instance). Key words: image fusion, false color mapping, color enhances, gray-level, RGB images
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库