下载文档原格式
多源遥感图像融合及应用研究近年来，随着遥感技术不断发展，遥感数据的获取和处理也越来越方便，多源遥感图像融合成为热门研究课题之一。
本文将对多源遥感图像融合及应用进行探讨。
一、多源遥感图像融合的概念和优势多源遥感图像融合是指将来自不同传感器或不同时间、角度等的遥感图像融合起来形成更高质量、更丰富信息的图像。
其目的是提高遥感图像的观测精度、增强遥感图像的信息量，使其能够更准确地应用于各种领域。
与单一遥感图像相比，多源遥感图像融合具有如下优势：1.提高地物辨识度：不同类型的传感器获得的数据包含不同的信息，如高分辨率遥感图像中含有更多细节信息，而多光谱遥感图像则更适合提取地物特征。
通过将这两种不同类型的遥感图像融合起来，可以提高地物分类的准确度和辨识度。
2.扩展空间维度：同一地区不同时间点或不同角度的遥感图像可以提供不同的信息，通过融合这些图像可以获得更全面、更准确的地物信息，扩展空间维度。
3.提高目标检测能力：融合多个传感器获取的遥感图像，可以获得更多的信息，提高目标检测的准确性和召回率。
4.降低云、雾、阴影等遥感干扰：在某些季节或地区，遥感图像常常受到云、雾、阴影等气候因素的影响，严重影响遥感图像的质量和应用。
通过融合不同的遥感图像可以降低这些气象条件的影响，提高遥感图像的质量和内容。
二、多源遥感图像融合的方法多源遥感图像融合的主要方法包括：1.基于点或线的融合方法，是一种传统的遥感图像融合方法。
其思想是在两幅遥感图像之间建立映射关系，并根据两幅图像中的相同点或线进行匹配，然后生成新的融合图像。
2.基于像元的融合方法，将各个传感器收集的遥感图像分别按照其相应的波段进行分割，然后分别进行标准化处理，最后再对分割和标准化后的图像进行像元级别的融合。
3.基于小波变换的融合方法，是一种新兴的遥感图像融合方法。
其基本思想是利用小波变换分解原始图像，选择适当的小波系数，对多源遥感图像进行重构，得到最终的融合图像。
多源遥感影像像素级融合方法综述摘要：在众多学者的研究成果和工程技术人员的实际应用的基础之上，对目前已经提出的多源遥感影像像素级融合算法进行了简要介绍和总结，分析和比较了每种算法的优缺点，并指出其适用范围。
结果表明，特定的一种融合算法具有特定的适用面，实际应用中应根据影像特点和融合目的选择合适的融合算法。
关键词：多源遥感；多分辨率；影像融合；像素级1引言随着遥感技术的发展，光学、红外、微波和激光雷达等大量不同卫星传感器的应用，获取同一地区的多源遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率）越来越多，为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。
与单源遥感影像数据相比，多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。
通过影像融合可以从不同的遥感影像中获取更多的有用信息，补充单源影像信息的不足。
在遥感中，遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中，按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。
多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面，还表现在利用多源遥感影像信息进行目标识别决策上。
它能提高影像的空间分解力和清晰度，平面测图精度、分类精度与可靠性，增强解释和动态监测能力，减少影像模糊度，有效提高遥感影像数据的利用率[3][10]。
多源遥感影像融合可以分为像素级、特征级和决策级三个层次。
这三个层次上所采用的融合算法各不相同，像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法（PCA）、分量替换法及小波分析融合法；特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。
像素级融合直接在原始数据层上进行融合，该层次的融合准确性最高，能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理与理解。
基于多源遥感数据的图像配准与融合技术指南引言遥感技术已经在各个领域得到广泛应用，尤其是在地理信息系统、环境监测、农业和城市规划等方面。
然而，不同数据源的遥感图像通常存在不同的误差和变换，这给图像配准和融合带来了一定的挑战。
本文旨在介绍基于多源遥感数据的图像配准与融合技术，并提供一些实用的指南和建议。
一、图像配准图像配准是指将不同数据源的遥感图像进行几何、空间和光谱变换，使其能够在同一坐标系和分辨率下比较或融合。
在进行图像配准之前，首先需要选择合适的参考影像和待配准影像。
然后，通过以下几个步骤进行图像配准:1. 特征提取首先对参考影像和待配准影像进行特征提取，常用的特征包括角点、线特征和纹理特征等。
可以使用SIFT（尺度不变特征变换）或SURF（速度增强的尺度不变特征变换）等算法进行特征提取。
2. 特征匹配将参考影像和待配准影像的特征进行匹配。
通常采用RANSAC（随机抽样一致性）算法去除误差匹配，得到更准确的对应关系。
3. 几何变换根据特征匹配的结果，通过几何变换方法对待配准影像进行几何校正，常用的方法有相似性变换和仿射变换。
相似性变换可以处理平移、旋转和比例变换，仿射变换可以处理更复杂的几何变换。
4. 像素插值在进行几何变换后，需要对待配准影像进行像素插值处理，以保证像素点之间的连续性。
二、图像融合图像融合是指将多源遥感图像的信息融合到同一幅图像中，以增强图像的视觉效果和信息提取能力。
常用的图像融合方法包括以下几种：1. 基于像素的融合将多源图像的像素按照一定的权重进行组合，常用的方法有加权平均法、最大像素法和PCA（主成分分析）等。
2. 基于变换的融合将多源图像进行频域或时域变换，然后将变换域的系数进行线性或非线性组合，还原成多源图像。
常用的方法有小波变换、多分辨率分析和拉普拉斯金字塔等。
3. 基于特征的融合提取多源图像的特征，然后将特征进行组合，构建融合图像。
特征可以是几何特征、光谱特征或纹理特征等。
多源遥感数据融合研究综述张灵凯 于 良（江西理工大学，江西 赣州 ３４１０００）摘要：数据融合是提升遥感影像应用能力的重要手段。
本文介绍了遥感数据融合的三个层次，并总结了几种常用的遥感数据融合方法，最后总结了遥感数据融合的前瞻研究方向。
关键词：遥感；遥感影像；数据融合中图分类号：P258 文献标识码：A１．引言遥感技术的飞速发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的遥感影像。
如何利用好这些海量数据，尽可能更充分、有效利用这些数据是科研人员值得思考的一个问题。
多源遥感数据具有以下特点：（１）光谱信息丰富（２）覆盖面积大（３）空间分辨率较高。
融合的目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。
融合的实质是在同一地理坐标系中，把多幅遥感图像数据按照一定的规则，生成一幅更能有效表示该目标的图像信息。
２．多源遥感数据融合方法2.1小波变换法小波变换（Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ，ＷＴ）是一种全局变换，在时间域和频率域中都具有良好的定位能力。
小波变换法首先对需要融合的图像数据进行小波正变换，这样图像就被分解为高频和低频信息。
分别抽取分解后的高频信息和低频信息进行小波逆变换，生成融合图像。
小波变换的优点有：（１）可以对任意波段进行融合（２）多尺度、多分辨率（３）不会产生冗余数据。
缺点：小波基选择较麻烦，融合速度不理想，容易产生较为明显的分块效应。
刘敬等对ＥＴＭ影像数据ＴＭ１、ＴＭ５、ＴＭ７与其全色波段进行小波变换融合，采用融合后的影像对土地利用进行分类，结果表明：经过小波变换后的图像弱化了内部纹理信息、增强了边缘信息，使得相同地物内部的土壤亮度噪声削弱而不同地物边缘差异得到增强，有利于计算机分类。
薛东剑等运用小波变换法、乘积运算法、ＩＨＳ彩色合成法对青川、平武县ＳＰＯＴ和ＴＭ地质数据进行融合，取得了良好的效果，多光谱图像的光谱信息能够显示出来，同时增强了空间信息量，提高了解译精度，弥补了单一数据源信息提取的不足。
多源遥感影像融合技术研究随着遥感技术的飞速发展，航空遥感和卫星遥感技术不断提升，遥感图像的识别和解译技术也取得了很大的进步。
但是，由于不同遥感平台的图像具有不同的特点和分辨率，仅使用单一源数据进行图像处理往往无法满足实际需求。
因此，多源遥感影像融合技术日益受到人们的关注和重视。
一、多源遥感影像融合技术概述多源遥感影像融合技术是指通过将来自不同遥感传感器的遥感数据集成功地组合在一起，以创造出优于单个数据源的遥感图像。
它是一种共存技术，目的是提高遥感图像质量，增强遥感图像的信息和特征，并使其适应更广泛的应用领域。
多源遥感影像融合技术的实际应用有很多，例如农作物遥感监测、城市土地覆盖分类、自然灾害分析等方面。
多源遥感影像融合技术通常包括以下三个步骤：（1）数据预处理数据预处理是遥感影像融合的第一步，包括去噪、几何校正和辐射校正等过程。
对于不同传感器所获取的遥感影像，其几何定位、坐标系统和数据范围可能存在不同，因此需要进行几何校正和辐射校正，以确保不同数据源之间的一致性。
去噪是为了提高遥感图像的质量，消除影响图像分析和处理的噪声干扰。
（2）特征提取特征提取是指从多个遥感影像中提取具有代表性的特征信息。
在遥感图像的融合过程中，需要根据要求选择相似或互补的影像来融合，特征提取是实现此目的的关键。
这些特征可以包括纹理特征、形状特征、频谱特征等。
（3）融合算法融合算法是指对不同传感器所获取的遥感影像进行相应的加权组合，生成新的遥感影像的方法。
这种方法的目的是获得优于单一图像源的遥感图像，从而可以更好地提取地物信息。
常用的融合方法有像元水平融合、特征水平融合、决策水平融合等。
二、多源遥感影像融合技术的应用（1）农作物遥感监测在农作物遥感监测方面，多源遥感影像融合技术可以提高农作物信息提取的精度和可靠性，根据不同时间段和不同波段遥感影像的融合，可以得到更准确的作物种植面积、作物生长状态和作物产量等信息。
在实践中，多源遥感影像融合技术已经被成功应用于农作物估产、农作物分类、灾害检测等领域。
多源遥感图像融合与分类研究遥感图像融合和分类是当今遥感技术领域的重要研究方向之一。
通过结合多源遥感图像的信息，实现融合和分类可以提高遥感图像的解析度和分类精度，为地理信息提供更准确、全面的数据支持。
本文将重点介绍多源遥感图像融合和分类的研究进展、方法和应用。
一、多源遥感图像的融合方法多源遥感图像融合是指将来自不同传感器或不同平台的遥感影像融合为一幅综合信息更全面、更准确的图像。
常用的融合方法包括基于变换的方法、基于分类的方法和基于模型的方法。
基于变换的方法是将多源遥感图像通过某种变换方法转换到同一特征空间，然后通过像素级的融合将它们融合为一幅图像。
常用的变换方法包括主成分分析（PCA）、小波变换和拉普拉斯金字塔变换。
这些方法通过保留多源遥感图像的特征信息，在保持图像细节的同时，提高了图像的空间分辨率和光谱分辨率。
基于分类的方法则是将多源遥感图像分别进行分类，然后将分类结果进行融合。
这种方法可以利用每一幅遥感图像的特殊信息，提高分类的精确性和可信度。
常用的分类方法包括支持向量机（SVM）、最大似然分类和随机森林分类。
基于模型的方法是通过建立数学模型来描述多源遥感图像之间的关系，并根据模型进行融合。
比如，线性光谱混合模型（LSMM）将多源遥感图像的光谱信息进行线性组合，从而实现融合。
这种方法有较高的鲁棒性和适用性，但需要事先了解传感器特性和获取准确的模型参数。
二、多源遥感图像的分类方法多源遥感图像的分类是指将不同类型的地物或目标在遥感图像中进行区分和分类。
目前，随着机器学习和深度学习的发展，多源遥感图像的分类方法已经取得了显著的进展。
传统的多源遥感图像分类方法主要包括像元级分类和基于对象的分类。
像元级分类是将每个像元点作为一个基本单元进行分类，常用的方法包括最大似然分类、支持向量机和随机森林等。
基于对象的分类则是将图像分割为若干个具有意义的对象，然后对这些对象进行分类。
这种方法一般可以提高分类的准确性和可信度，但对图像分割的准确性要求较高。
《多源遥感影像时空融合技术在区域变化检测中的应用》篇一一、引言随着遥感技术的快速发展，多源遥感影像已经成为地球科学、环境监测、城市规划等多个领域的重要数据来源。
其中，时空融合技术是利用不同时间、不同来源的遥感影像进行时空融合，实现快速准确地对地表覆盖进行动态监测。
本文旨在探讨多源遥感影像时空融合技术在区域变化检测中的应用，以期为相关领域的研究提供参考。
二、多源遥感影像时空融合技术概述多源遥感影像时空融合技术是一种综合利用多种传感器、不同时间段的遥感影像数据，通过数据融合、分类与处理等手段，实现时空信息提取和表达的技术。
该技术能够提高遥感影像的分辨率、动态监测的准确性和效率，对地表覆盖变化进行全面而精准的监测。
三、多源遥感影像时空融合技术流程多源遥感影像时空融合技术主要包括以下几个步骤：1. 数据获取：根据研究需求，收集不同时间、不同来源的遥感影像数据。
2. 数据预处理：对收集到的遥感影像数据进行辐射定标、大气校正等预处理，以提高数据的准确性。
3. 图像配准与融合：通过图像配准技术将不同时间的遥感影像进行配准，然后利用图像融合技术将不同来源的遥感影像进行融合，得到时空融合后的影像。
4. 分类与处理：对时空融合后的影像进行分类与处理，提取出地表覆盖信息。
5. 变化检测：通过比较不同时间段的遥感影像，检测出地表覆盖的变化情况。
四、多源遥感影像时空融合技术在区域变化检测中的应用多源遥感影像时空融合技术在区域变化检测中具有广泛的应用，主要体现在以下几个方面：1. 城市扩张与土地利用变化监测：通过多源遥感影像时空融合技术，可以实时监测城市扩张和土地利用变化情况，为城市规划和管理提供重要依据。
2. 生态环境监测与评估：多源遥感影像时空融合技术可以用于监测生态环境的变化，如森林覆盖度、植被生长情况等，为生态环境保护和恢复提供科学依据。
3. 灾害监测与评估：在自然灾害如洪水、地震等发生后，多源遥感影像时空融合技术可以用于快速评估灾害影响范围和程度，为灾害救援和灾后重建提供重要支持。
遥感图象融合综述摘要：介绍关于图像融合的概念，还有一些用于低分辨率的多光谱图像与高分辨率的全色图像相融合的方法。
其中还包括图像融合相关的评价指标,并做了简略的分析。
图像融合的目的是为了获取高分辨率的多光谱图像,尽量保持图像的光谱信息，使它既包含了多光谱信息又具有全色图像的高分辨率特点。
关键词:遥感图像融合分辨率多光谱图像全色图象1引言多传感器遥感系统能够为用户提供高空间分辨率、高波谱分辨率、高时间分辨率的海量图像数据。
但是，由于每一种图像数据都有其固有的特点和特定的应用领域，因此如何充分融合来自各种类型遥感图像信息，以克服遥感图像理解应用中单一信息源不足问题已经成为一个迫切需要解决的问题，它直接影响到大量遥感数据的使用效益。
因此遥感图像融合就成为解决此类问题的关键。
[1]在面对各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星遥感系统也随之大量涌现的现状, 遥感技术被广泛地应用于地表植被的分类和环境观测等领域。
为了能进行更准确的分类决策或增加定位精度, 对高空间与光谱分辨率图像的需求非常迫切。
欲实现这个目标, 有两条途径: 一方面, 采用高空间与光谱分辨率的遥感器。
而另一方面, 则利用图像处理技术, 即进行不同光谱与空间分辨率遥感图像的融合, 或称多光谱图像空间分辨率增强、多光谱图像的锐化, 可节省大量的研究经费。
因此, 基于多传感器的信息融合理论, 多源遥感影像信息融合研究于20世纪80 年代应运而生, 并成为目前遥感图像处理的重要研究手段。
[2]遥感图像融合技术是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术。
它最大程度地利用了多种数据的不同特性，使图像同时具有较高的光谱和空间分辨率，提高了图像的视觉效果和图像特征识别和分类精度。
2遥感图像融合概念遥感图像融合就是图像合成技术, 将不同平台(卫星与机载) 上的同一或不同传感器获取的不同空间与光谱分辨率图像按特定的算法进行处理, 以使所产生的新图像同时具有原来图像的多光谱特性以及高地面分辨率, 来实现不同的应用需求。
基于智能算法的多源遥感图像融合技术研究智能算法在各个领域中的应用日益广泛，遥感图像融合技术作为遥感图像处理的重要组成部分，也逐渐引起了研究者们的关注。
在多源遥感图像融合技术中，智能算法发挥了重要作用，能够提高图像融合的质量和效果。
本文将针对基于智能算法的多源遥感图像融合技术进行深入研究和探讨，并详细介绍其原理和应用。
近年来，随着遥感技术的快速发展，获取的遥感图像源变得越来越多，包括卫星、无人机、以及地面传感器等。
然而，这些不同源的遥感图像具有不同的分辨率、光谱特征和噪声等差异，给图像融合带来了一定的挑战。
传统的图像融合技术往往仅基于数学模型，在保持图像清晰度和保真度之间存在一定的矛盾。
而基于智能算法的多源遥感图像融合技术则可以通过学习多个源图像之间的关系，更好地综合不同源的信息，以达到更好的融合效果。
首先，基于智能算法的多源遥感图像融合技术需要对多个源图像进行特征提取和处理，以便实现更好的融合效果。
智能算法如卷积神经网络（CNN）、支持向量机（SVM）等可以自动学习和提取图像的高层次特征，这些特征可以包括纹理、形状、边缘等信息。
通过对这些特征进行融合，可以获得更完整、更准确的图像信息。
其次，需要对提取得到的特征进行融合和加权。
不同的源图像可能具有不同的重要性和贡献度，在融合过程中需要考虑这些因素。
智能算法可以通过训练模型和优化算法来确定不同源图像的权重，从而更加准确地融合不同源的信息。
一种常用的方法是基于小波变换的图像融合方法，它可以将不同尺度和方向的特征进行分析和融合，从而得到更具有辨识度和清晰度的图像。
此外，基于智能算法的多源遥感图像融合技术还能够利用反馈机制来提高融合结果的质量。
在每一次融合过程中，可以根据融合结果和人工目视效果进行反馈调整，以达到更好的融合效果。
例如，可以通过对比融合图像和原始图像的灰度、对比度等特征来评估融合质量，并根据评估结果对融合过程进行精细调整。
基于智能算法的多源遥感图像融合技术在许多领域中都有广泛的应用。
多源遥感数据在测绘图像融合中的应用随着航空航天技术的快速发展，遥感技术在测绘领域的应用变得日益重要。
多源遥感数据的融合技术，可以在一定程度上解决单一遥感数据在测绘图像中的缺陷，提高图像质量和信息内容。
本文主要探讨多源遥感数据在测绘图像融合中的应用，并介绍相关方法和优势。
1. 多源遥感数据的来源和特点多源遥感数据包括卫星遥感数据、航空遥感数据和地面遥感数据等。
卫星遥感数据是通过卫星对地球表面开展观测并获取的数据，可以实现全球范围的覆盖。
航空遥感数据是通过飞机或无人机携带遥感仪器对地面进行观测和数据采集。
地面遥感数据则是指在地面部署遥感设备进行数据采集。
这些不同源的遥感数据在空间分辨率、频谱分辨率和时间分辨率等方面具有各自的特点。
卫星遥感数据覆盖范围广，但分辨率较低；航空遥感数据分辨率高，但数据量较大且成本较高；地面遥感数据分辨率也较高，但获取范围相对有限。
因此，在测绘图像融合中，融合多源遥感数据可以综合利用各自的优势，提高图像质量和信息内容。
2. 多源遥感数据融合的方法多源遥感数据融合的方法主要有基于像素级的融合和基于特征级的融合。
像素级的融合是将来自不同源的遥感数据进行像素级别的融合，即对应像素的数值进行加权平均或其他算法处理。
特征级的融合则是先提取遥感数据中的特征，如纹理、形状等，再根据特征进行融合。
基于像素级的融合方法包括线性平均法、PCA（Principal Component Analysis）等，这些方法能够将不同源的遥感数据进行简单的加权平均或降维处理。
而基于特征级的融合方法则更加复杂，如小波变换、局部突出法等，这些方法能够提取多源遥感数据的特征，再进行融合处理，从而提高图像的质量和信息内容。
3. 多源遥感数据融合的应用多源遥感数据融合在测绘图像中的应用广泛。
例如，在土地利用调查中，融合卫星遥感数据和航空遥感数据可以提高土地利用分类精度，获得更准确的土地利用信息。
在城市规划中，融合卫星遥感数据和地面遥感数据可以提供更全面的城市信息，帮助规划者做出更科学的决策。
多源遥感图像融合技术综述摘要：本文针对遥感图像分析的具体实践需要,论述了几种常用的基于像素级遥感图像融合方法的原理、特点、作用及限制条件,描述了其主要步骤,进行了定性分析,归纳并阐明了遥感数据融合效果定量评价指标及其意义,展望了遥感图像融合方法的发展与应用前景。
关键词：遥感图像融合、像素级、主成份分析法、小波变换分析法Abstract：According to the analytical practice of remotely sensed image, the paper introduces some popular fusion methods based on pixel-level, mainly discusses the principals,features, functions, conditions, qualitatively analyses the steps of the methods,generalizes and illustrates quantitative appreciation of the fusion effects, and explainthe development of image fusion techniques for remote sensing application, as well asit’s foregrounds in application.Key words: remote sensing image fusion, pixel-level,principal components analysis, wavelets analysis.0.引言遥感平台和传感器的发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的海量影像资料。
一般来说，多光谱图像的光谱分辨率较高，但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，但光谱分辨率较低。
因此，将具有低空间分辨率的多光谱图像和具有高空间分辨率的全色光学图像进行融合，使融合后的多光谱图像具有较高的空间细节表现能力，且同时保留多光谱图像的光谱特性，把这些多源海量数据尽可能地作为一个整体来综合应用，从而充分、有效提取各种类型遥感影像的综合信息，克服遥感影像自动解译中单一信息源不足的问题，即遥感数据融合技术。
遥感影像融合是一种通过高级影像处理来复合多源遥感影像的技术，它针对不同环境条件,选择最佳的波段组合和分辨率,设计最适宜的时相叠加,采用一定的算法将各影像的优点或互补性有机地结合起来产生新的影像。
融合后的影像同单一信息源相比,清晰度得到提高,能减少或抑制环境解译中可能存在的多意性、不完全性、不确定性和误差；最大限度地利用了多种资料的不同特性,使图像同时具有较高的光谱和空间分辨率,提高了图像的视觉效果；改善了几何精度、图像特征识别的精度和分类精度,有利于增强多重数据分析和环境动态监测能力；改善了遥感信息提取的现势性和可靠性,有效地提高了资料使用率,为大规模的遥感应用研究提供了一个良好的基础。
研究表明,融合后的图像能更好地解释和描述被感知的对象或环境,同单一信息源相比,能减少或抑制对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性和误差,最大限度地利用各种信息源提供的信息,从而提高了对图像的信息分析和提取能力,因而广泛地应用于地形测绘和地图更新、土地资源调查、农业、森林资源调查和保护、军事等领域。
1.遥感图像融合通用算法遥感数据融合分为三级:像素级融合、特征级融合、决策级融合。
像素级融合是一种低水平的融合,它是直接在采集到的原始数据层上进行的融合,通常用于多源图像复合、图像分析和理解等；特征级融合是先对原始遥感影像信息进行特征提取,然后对特征进行综合分析和处理,融合结果能最大限度地给出决策分析所需要的特征信息；决策级融合是一种高层次的融合,它是在上述像素级和特征级融合所提供的各类特征信息的基础上对图像信息进行识别、分类或目标检测,并在获得有关区域决策信息后,再对所获得的专题图像进行融合处理,它的融合结果直接为指挥、控制、决策系统提供依据。
其中像素级融合是最基础和最重要的,也是目前融合领域研究的热点，本文主要论述基于像素级遥感影像的融合方法,并对各种算法进行分析和评价,归纳遥感影像融合质量定性评价方法及遥感影像融合的主要应用。
图像融合算法种类非常多,但大体上可以分为三类:一类是从图像增强算法发展而来的较为简单的传统图像融合方法。
即针对各个图像通道,利用一些替换、算术等简单的方法来实现。
应用较广的有线性加权法、高通滤波法(HPF)、HIS变换法、主成份分析法(PCA)等。
这些方法简单易行,在不同的遥感领域得到应用。
第二类是自80年代中期发展起来的多分辨融合算法,主要是塔式算法和小波变换法及小波变换融合算法。
它们的基本思想是:首先把原始图像在不同的分辨率下进行分解,然后在不同的分解水平上对图像进行融合,最后通过重构来获得融合图像。
第三类主要是多种算法相结合形成的各种改进的融合算法。
1.1 HIS变换法人眼对影像强度的分解力比色度和饱和度的分解力高，HIS变换是基于人眼对颜色的心理模型来选择的。
与RGB空间各分量相互相关不一样, HIS空间中三分量H、I、S具有相对独立性,可分别对它们进行控制,并且能够准确定量地描述颜色特征。
在遥感图像融合中，常常需要把RGB空间转换为HIS空间，在HIS空间复合不同分辨率的数据，即基于HIS变换的遥感图像融合技术，这是在遥感图像融合中经常用到的一种方法，是基于HIS色彩模型和应用广泛的融合变换方法，具有两个显著的特点：①它有效地把一幅彩色影像的红(R)、绿(G)、蓝(B)成份变换成代表空间信息的强度分量和代表光谱信息的色度分量、饱和度分量，这一过程称HIS正变换；②它具有可逆性，即能将H、I、S变换成R、G、B，这一过程称逆变换或反变换。
根据人眼视觉特性和HIS变换的特点，HIS色彩变换先将多光谱影像进行彩色变换，分离出强度I、色度H和饱和度S三个分量，然后将高分辨率全色影像(PAN)与分离的强度分量进行直方图匹配，使之与I分量有相同的直方图，最后再将匹配后的PAN代替I分量与分离的色度H、饱和度S分量，并按照HIS逆变换得到空间分辨率提高的融合影像，即空间分辨率提高的多光谱影像。
HIS-RGB变换公式如表1所示。
表1 HIS-RGB变换公式此变换可用于相关资料的色彩增强、地质特征增强、空间分辨率的改善,分类精度的提高,以及不同性质数据源的融合等。
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，但光谱失真较大，而且多光谱图像的波段数必须为3。
1.2 比值运算法比值运算是遥感图像处理中常用的方法，它是两个波段对应像元的灰度值之比或几个波段组合的对应像元灰度值之比。
此种运算经常用来发现变化图斑，是动态监测的一个有力工具。
利用比值运算可以扩大不同地物的光谱差异。
对两个不同时相的遥感影像进行比值运算的融合处理，融合结果虽然使总体色调和纹理细节有所下降，但是在变化区域内的色调表示却异常突出和明显，使一些细微、独立的变化都能够在融合结果中表现出来，这是因为动态变化能够引起融合影像的光谱特征、纹理特征变异，从而在融合结果中突出显示出来。
另外，比值运算可以消除共同噪音，消除或削弱地形阴影、云影的影响等。
应该注意的是，纹理特征的变异不总是变化区域，它还与诸如照度差异、大气条件、地面湿度及两图像间的几何配准精度等因素有关，应与区域变化加以区分。
1.3 线性复合与加权乘法线性复合指对遥感影像资料进行加权运算,从振幅上对影像的结果进行突出处理,从而达到影像效果的增强。
乘积运算就是将高分辨率波段与多光谱两个灰度矩阵进行矩阵乘积。
结果矩阵与多光谱矩阵差别很大,直接反映在影像上为光谱变化大,纹理不如原分辨率波段清晰。
此类融合方法对于表现细碎地貌类型是不合适的,但对于大的地貌类型,如高起伏地区、荒漠区域类型增强效果是比较理想的。
利用该融合方法还可以解决非同一波谱区波段数据融合的问题。
如在传统的用HIS 变换对高空间分辨率全色影像与多光谱影像的融合中,当有红外波段影像参与融合时,由于高分辨率全色影像不含红外波段信息,因而与强度分量的相关性弱,使融合得到的多光谱影像灰度值同原多光谱影像有较大的差异,即光谱特征被扭曲,从而造成解译困难。
为了最大限度地保留多光谱影像的光谱特征,可将高空间分辨率全色影像与I 分量按下式进行加权线性组合,以得到高分辨率影像,并以之代替强度分量进行融合:I p=(3-k)Ip/3+(∑=k 1j p iI )/3 式1式1中k=1或k=2，Ip 为高空间分辨率全色影像像元灰度值，Ip i 为第i 红外波段的像元灰度值。
1.4 Brovey 变换法Brovey 变换是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法,该方法是通过归一化后的多光谱波段与高分辨率影像乘积来增强影像的信息。
以Landsat TM 2、3、4和SPOT PAN 之间的融合为例，其融合后的红(R )、绿(G )、蓝(B )三波段结果图像如下: R=4324band band band band ++×SPOT 式2 G=4323band band band band ++×SPOT 式3 B=4322band band band band ++×SPOT 式4 上述各式中，432band band band bandi ++体现了影像的波谱信息，SPOT 体现了影像的空间信息。
1.5 高通滤波变换法（HPF ）高通滤波(HPF )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高分辨率影像的高通滤波来实现的。
高通滤波变换的目的是提高影像高频细节,突出影像线性特征和边缘信息。
高通滤波变换融合的实施:(1)对高空间分辨率全色影像进行高通滤波,以提取空间信息,亦即提取原影像中的线性特征和边缘特征;(2)对低分辨率多光谱影像进行低通滤波,以提取低频信息,即原始多光谱影像的概貌,它代表了多光谱影像的光谱信息;(3)对高通滤波和低通滤波的结果求加权,得到锐化了的影像。
高通滤波变换用下式定义:HP i=(Wa×MSI iLP)+(W b×PAN iHP)式5式5中Wa、WB为权，且Wa+WB=1.0，MSI iLP为低分辨率多光谱影像i波段的低通滤波的结果，PAN iHP为高空间分辨率全色影像PAN进行高通滤波的结果，H Pi为锐化了的输出影像。
高通滤波消除了高分辨率影像中的低频噪声,且滤波的结果可以用于所有多光谱波段。
