一些遥感影像下载方法

遥感影像融合方法分析

遥感影像的融合是对来自同一区域的多源图像数据进行综合处理，以获得对该区域更为准确、全面、可靠的影像描述。由于遥感影像融合的这一特点，使得这一技术在遥感中有着很重要的作用，这一技术也成为近几年国际遥感界的研究热点。本文研究了目前学术界提出的几种较为流行的影像融合算法，对它们的特点进行了分析，同时给出了影像融合的效果的评价准则。

标签：遥感；影像；融合

引 言

随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。显然，影像融合为我们提供了一个很好的途径。影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。

图像融合一般分为三个层次：①像素级融合。像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。

图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。下面本文将对其中一些算法进行介绍并分析。

1 目前较为流行的影像融合算法分析

1.1 小波变换法

1.2 Brovey变换法

Brovery变换（Brovery Transform，BT）：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，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。其计算公式为：

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。

3.3 Pansharping融合

Pansharping算法用于高分辨率全色影像和多光谱影像的融合生成高分辨率彩色影像，此方法要求全波段影像和多波段影像同平台、同时间（或间隔很短）获得。Pansharping独具特色的融合方式(目前国际上公认的最好的融合方法)，能最大限度地保留多光谱影像的颜色信息和全色影像的空间信息，融合后的图像更加接近实际。

龙源期刊网

高分辨率遥感影像分割方法综述

作者：傅刚

来源：《西部资源》2016年第06期

摘要：随着遥感技术的发展，遥感影像的空间分辨率不断提升，民用商业卫星已达亚米级，这给传统的图像处理方法带来了挑战，于是提出了面向对象的分析方法，这种分析方法不再基于像元，而是基于由若干像元组成的对象，因此，面向对象方法的基础，是要求准确地获取对象，而这一点依赖于影像分割技术。本文调研整理了目前主要的遥感影像分割方法，并针对高分辨率影像的特点，对这些方法的适用性进行了分析说明，并指出了分割技术未来的发展方向。

关键词：影像分割；面向对象；高空间分辨率

1. 引言

高分辨率遥感影像包括高空间分辨率、高时间分辨率和高光谱分辨率。其中，高空间分辨率影像能够为我们提供丰富的地物形状、纹理等信息，因此对于提升地物识别的精度有很大帮助，如今，多颗卫星都可以有偿提供空间分辨率高达米级和亚米级的遥感影像数据，本文的高分辨率遥感影像主要是指高空间分辨率的遥感影像。

近年来，面向对象的遥感影像分析和处理方法得到广泛应用，这种方法与传统的基于像元的分析方法不同，它是将若干像元按照一定的规则合并为“对象”，再对对象进行分类的方法。显然，如何合理地把像元合并为对象，是面向对象方法成败的关键。把像元合并为对象这一过程，在遥感中，称为影像分割。影像分割是指将影像分割为若干对象区域，每个对象区域内的像元之间具有较好的相似性，同时保证对象区域之间有较大的异质性。这种相似性通常是指灰度、色彩、形状和纹理等特征。在计算机视觉领域，已经产生了很多种图像分割算法，但是这些算法往往难以直接应用到遥感影像上，这是因为遥感影像的成像方式具有特殊性。对于高分辨率遥感影像而言，其空间分辨率高、纹理信息非常丰富，但是其光谱信息相对不足，再加上遥感影像的分析通常要从不同的尺度着手，因此如何更好地对高分辨率遥感影像进行分割是亟待解决的问题。本文主要总结了适合高分辨率遥感影像的分割方法，并在此基础上提出了未来的热点和发展趋势。

第３１卷，第１０期光谱学与光谱分析ｖ０１．３１，Ｎｏ．１０，ｐｐ２６１８－２６２３芝０ｌ１年１０月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＯｃｔｏｂｅｒ，２０１１

遥感影像分类方法研究进展

贾坤１’２，李强子Ｈ，田亦陈１，吴炳方１

１．中国科学院遥感应用研究所，北京１００１０１２．中国科学院研究生院，北京１０００４９

摘要遥感影像分类是遥感信息提取的莺要手段，是目前遥感技术中的热点研究内容。分类方法是遥感影像分类的霞要内容，有效地选择合适的分类方法是提高分类精度的关键。随着遥感技术的发展，传统的非参数分类方法已经难以满足分类精度需求，基于智能算法的非参数分类方法得到了迅速发展，并在遥感影像分类中发挥着重要作用。近年来。组合分类器由于能够利用单一分类器的互补信息，成为ｒ遥感影像分类的一个新热点。本文综合分析了各种分类方法的特点和优势，及分类方法的发展趋势，为遥感影像分类技术的发展提供科学的参考依据。

关键词遥感；分类；分类器中图分类号：Ｓ１２７文献标识码：ＡＩＸ）Ｉ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０１１）１０－２６１８—０６

引言

遥感是以电磁波与地球表面物质相瓦作用为基础，探测、分析和研究地球资源与环境，揭示地球表面各要素的空间分布特征与时空变化规律的－－Ｖ］科学技术［１］。通过遥感影像识别各种地面目标是遥感技术发展的一个重要环节，无论是专题信息提取、动态变化监测、专题制网，还是遥感数据库建设等都离不开遥感影像分类技术［２］。遥感影像分类实际．１：就是将ｌ冬｛像中每个像元点或每块区域根据其在不问谱段的光谱特征、空间结构特征或其他信息，按照某种规则划分为不同的类别Ｌｌｊ。最初的遥感影像分类是通过目视解译来实现的，主要是根据人的经验和知识，通过解译基本要素和具体解泽标志来识别地物类型。尽管【１视解译技术已经很成熟，但是由于人工投入大、结果小确定性高、效率低、精度控制困难、僻译经验要求高等缺点的存在，使得目视解译技术不适合海量遥感数据处理，计算机自动分类技术成为遥感技术与应用研究的莺点。在过去的几十年单，国内外的专家学者一直致力于研究分类技术与方法来提高遥感影像分类精度［３．“。最初发展了各种非监督和监督分类技术，目前已有很多先进的分类算法被广泛地应用，包括神经网络、支持向量机、专家系统等［７．８］。但是。遥感影像分类方法由于受到诸多闲素影响，如复杂的地表信息、遥感影像的选择、数据预处理质苗、分类方法筹异等，仍然面临着巨大的挑战。遥感影像分类是一个复杂的数据处理过程，合适分类方法的选择是父系分类成功与否的关键因素。通常，分类方法可以分为监督和非Ｉ监督，参数和非参数。基于像元、亚像元和对象等不同的分类体系。为方便起见。本文按参数和非参数的分类体系对遥感影像分类方法的国内外最新研究进展进行分析，总结常用分类方法的特点和优势。一些传统的分类方法，如ＩＳＯＤＡＴＡ，Ｋ－均值、最小距离、最大似然等算法常见于各种文献，本文在此不做详细讨论。