SAR图像与多光谱图像融合方法研究

不同滤波方法的SAR与多光谱图像融合算法孙越; 黄国满; 赵争; 刘本强【期刊名称】《《遥感信息》》【年(卷),期】2019(034)004【总页数】7页(P114-120)【关键词】Radarsat-2; 多光谱影像; 影像融合; 斑点噪声; 质量评价【作者】孙越; 黄国满; 赵争; 刘本强【作者单位】山东科技大学测绘科学与工程学院山东青岛 266590; 中国测绘科学研究院北京 100036【正文语种】中文【中图分类】TP750 引言随着遥感技术的发展，从不同遥感平台获得的遥感影像形成了多级多分辨率的影像金字塔序列，给遥感用户提供了海量的对地观测数据源[1]。

然而，在现有卫星发射成本和传感器硬件技术的限制下，卫星成像指标之间是相互制约的，单一遥感器对地观测所获取的信息并不全面。

合成孔径雷达(synthetic aperture radar，SAR)能反映不同地物的后向散射信息，具有全天时、全天候、大范围、长时间和周期性的对地观测能力，影像包含丰富的纹理、几何和地形特征信息，对地物识别具有显著优势，但缺乏光谱信息。

光学遥感数据能反映不同地物的反射光谱信息，但成像过程易受天气影响，特别是在多云雨雾的地区，数据采集较困难，限制了光学图像的应用。

在遥感成像系统中，很难同时获得高分辨率的光谱、空间和时间信息，制约了遥感影像的应用[2]。

为了解决遥感卫星无法同时获得具有多属性高分辨率的遥感影像这一难题[3]，图像融合技术应运而生，它能极大地提高影像间的利用率，获得时-空-谱分辨率最优的遥感数据，提高影像的解译能力[4]。

图像融合早期概念始于20世纪70年代初，其理论方法研究始于20世纪80年代以后[5]。

图像融合作为一种有效的图像应用手段，在时代变迁中得到了井喷式的发展。

国内的图像融合技术相比国外而言起步较晚，直到20世纪80年代才有少量文献提及这一概念，90年代才在国内形成研究热潮[6]。

目前，遥感影像融合可分成像素级融合、特征级融合和决策级融合3个层次，其中基于像素级的影像融合在图像融合领域中应用较早也较为广泛，它是直接对传感器采集获得的原始数据或经过预处理的数据采用适当的融合策略进行融合处理。

协同多光谱和sar影像的高时空分辨率地表水体提取方法
协同多光谱和SAR影像的高时空分辨率地表水体提取方法是
一种利用多种数据源的综合分析方法，结合多光谱和SAR影
像的特点，实现对地表水体的精确提取和监测。

具体的方法步骤如下：
1. 数据获取：获取多光谱和SAR影像数据，确保数据具有高
时空分辨率和覆盖目标区域。

2. 预处理：对多光谱和SAR影像进行预处理，包括大气校正、辐射校正、几何校正、滤波等操作，以提高数据质量和减少噪声。

3. 特征提取：从多光谱影像中提取出与水体相关的特征，如水体的反射率、光谱、植被指数等；从SAR影像中提取出与水
体相关的特征，如水体的散射系数、极化参数等。

4. 特征融合：将多光谱和SAR影像的特征进行融合，可以使
用组合方法，如加权融合、逻辑回归融合等，将两种数据源的信息相互补充，提高水体提取的准确性。

5. 分类与提取：利用分类算法对融合后的特征进行分类，常用的算法有支持向量机(SVM)、随机森林(RF)等，将地表水体和
其他地物进行区分，得到水体提取结果。

6. 精度评价：对提取结果进行精度评价，可以使用误差矩阵、
准确性指标等方法，评估提取结果的准确性和可靠性。

通过协同多光谱和SAR影像的高时空分辨率地表水体提取方法，可以克服单一数据源的局限性，利用多种数据的优势互补，提高水体提取的准确性和可信度。

这种方法在水资源管理、环境监测等领域具有重要的应用价值。

光学与sar融合算法
SAR（Synthetic Aperture Radar）图像与光学图像的融合方法可以分为频域融合和时域融合两类。

其中，频域融合方法主要包括傅里叶变换、小波变换等，时域融合方法包括基于区域分割的融合、基于特征融合的融合等。

以下是这些融合方法的介绍：- 傅里叶变换法：傅里叶变换法是一种广泛使用的频域融合方法。

它通过将SAR图像和光学图像进行傅里叶变换，将它们转换到频域，然后在频域中进行融合。

该方法的优点是算法简单、速度快，但难以保留地物的空间信息。

- 小波变换法：小波变换法是一种多尺度分析方法，能够提供图像的多尺度分解。

它通过将SAR图像和光学图像进行小波变换，得到不同尺度的分解系数，然后将这些系数进行融合，最后进行反变换得到融合后的图像。

该方法的优点是能够保留地物的空间信息和细节信息，但算法复杂度较高。

- 基于区域分割的融合法：基于区域分割的融合法是一种时域融合方法。

它首先对SAR 图像和光学图像进行区域分割，然后将相同区域的像素进行融合。

该方法的优点是能够充分利用地物的空间信息和颜色信息，但需要解决如何准确地进行区域分割和特征匹配的问题。

- 基于特征融合的融合法：基于特征融合的融合法也是一种时域融合方法。

它首先从SAR图像和光学图像中提取特征，然后将这些特征进行融合。

该方法的优点是能够充分利用地物的特征信息，但需要解决如何准确地进行特征提取和匹配的问题。

基于区域分割和特征融合的算法能够实现SAR图像与光学图像的深度融合，提高遥感图像的质量和实用性。

基于小波纹理信息的星载SAR图像与TM图像的数据融合
基于小波纹理信息的星载SAR图像与TM图像的数据融合
遥感图像的数据融合是当前遥感界研究的热点问题之一.论述利用小波变换提取合成孔径雷达(SAR)图像的多尺度纹理信息,基于小波纹理信息将SAR图像与TM图像进行融合.选取徐州市南郊风景区的Radarsat卫星SAR图像和TM图像进行试验研究,并与颜色变换法融合图像进行对比分析,结果表明,无论是目视解译还是定量分析,该融合方法与颜色变换法相比,将获得更理想的高空间分辨率多光谱的融合图像.
作者：胡召玲郭达志张海荣作者单位：胡召玲,张海荣(徐州师范大学,GIS实验室,江苏,徐州221116;中国矿业大学,测绘与空间信息工程研究所,江苏,徐州,221008)
郭达志(中国矿业大学,测绘与空间信息工程研究所,江苏,徐州,221008)
刊名：测绘学报 ISTIC EI PKU英文刊名：ACTA GEODAETICA ET CARTOGRAPHICA SINICA 年，卷(期)：2002 31(4) 分类号：P237 关键词：SAR图像小波变换纹理数据融合。

专利名称：一种改进的SAR图像与多光谱光学图像融合方法专利类型：发明专利
发明人：荆林海,丁海峰,马华东,朱炳玉,王威,戈文艳,唐韵玮,李慧,苗中杰
申请号：CN201810209500.4
申请日：20180314
公开号：CN108549902A
公开日：
20180918
专利内容由知识产权出版社提供
摘要：本发明公开了一种改进的SAR图像与多光谱光学图像融合方法，包括以下步骤：步骤1：将原始SAR图像和多光谱光学图像进行立方重采样得到相同图像大小的SAR图像和多光谱光学图像；步骤2：将重采样后的多光谱光学图像分解为n个波段，计算各波段中的雾霾值，将雾霾值从重采样后的多光谱光学图像中去除；步骤3：将步骤1中重采样得到的SAR图像与步骤2中去除雾霾后得到的多光谱光学图像进行初步融合，然后将步骤2中去除的雾霾值加入到初步融合的图像中；最大化的减少了雾霾对图像融合质量的影响，使得到的合成图像中既最大程度地保持了地物光谱的形状，又将地物光谱的强度替换为对应的SAR像元亮度，从而又尽可能地包含了丰富的地形、纹理信息。

申请人：中国科学院遥感与数字地球研究所
地址：100094 北京市海淀区邓庄南路9号
国籍：CN
代理机构：北京纽乐康知识产权代理事务所(普通合伙)
代理人：白明珠
更多信息请下载全文后查看。

基于集成分类器的SAR图像与多光谱图像协同分类算法摘要：随着遥感技术的发展，不同遥感成像传感器也越来越多，所携带的图像信息也各不相同。

面对如此多的遥感数据信息，如何达到更好的分类效果已经成为当今遥感研究领域的重要研究课题之一。

由于多光谱和合成孔径雷达（SAR）图像的成像机理不同，携带信息也各不相同。

多光谱图像为被动成像，含有较为丰富的光谱信息；SAR图像为主动式微波成像，不受光照、天气条件等的影响，含有丰富的细节几何特征。

因此可以将两者有机的结合在一起，达到优势互补，尽可能地提取最有价值的信息，更好地对地面物体进行分类。

因此，本文研究了多光谱图像和高分辨率的SAR图像之间的协同分类，主要研究了三种不同的集成学习分类器，分别是Bagging、Adaboost和随机森林（Random Forest）。

将这些方法对比，得出结论为：在三种集成分类器中，随机森林的稳定性最好、分类精度最高。

关键词：SAR图像；多光谱图像；协同分类；决策层融合1 引言遥感技术是一种非接触式的对地观测技术，具有覆盖面积大、数据更新周期短、不需要大量实地测量等优势，被广泛应用于数字国土工程、大气污染监测、海洋环境监测等领域[1]。

遥感图像分类技术是指根据所获得目标反射、辐射的电磁波等信息进行分析处理，来对地物进行分类识别，在诸如海洋环境监测、国土资源调查、农业植被调研、水利资源开发、地质资源勘探等众多任务中都涉及到遥感分类技术。

影响遥感图像分类精度的指标有空间分辨率、谱段范围、光谱分辨率等，受到遥感卫星资源的限制，单一卫星传感器往往只在某个指标上占优，多源遥感融合将成为解决实际问题的必然途径。

多源遥感图像融合技术从三个层次：像素层、特征层和决策层进行融合。

以高光谱图像为例，由于传感器获取的光谱通道多，光谱特征维度高且存在冗余，为了将特征映射到低维子空间，特征选择、特征投影、流行结构映射等方法常被采用。

决策层融合技术中，常用的分类器有支持向量机、混合高斯模型、稀疏表示模型等。