下载文档原格式
SPOT多光谱影像与全色影像融合研究
郑丽
【期刊名称】《佳木斯大学学报（自然科学版）》
【年(卷),期】2015(033)006
【摘要】图像融合是解决多源遥感图像综合的有效技术手段,针对不同数据源选择最佳的融合方法是提高图像融合质量的关键.分析Gram_Schmidt融合算法的理论、算法和融合步骤的基础上,对SPOT的多光谱波段影像和全色波段影像进行融合,目视效果从色调、纹理和清晰度等方面进行定性分析,定量分析是根据均值、标准方差、扭曲程度指标进行分析,对融合后影像质量做出了评价.研究结果表明:SPOT影像采用Gram_Schmidt变换融合效果保持了较高的空间分辨率同时光谱保持较好,Gram_Schmidt融合算法适合高分辨遥感影像融合.
【总页数】4页(P868-871)
【作者】郑丽
【作者单位】宿州学院环境与测绘工程学院,安徽宿州234000
【正文语种】中文
【中图分类】TP79
【相关文献】
1.基于TM多光谱影像和SPOT全色影像的融合技术探讨 [J], 王勇
2.基于支持向量机的SPIN-2影像与SPOT-4多光谱影像融合研究 [J], 赵书河;冯
学智;都金康;林广发
3.遥感影像的融合--SPOT全色波段和多光谱影像的融合 [J], 陆宇红;马林波;韩嘉福
4.小波变换用于高分辨率全色影像与多光谱影像的融合研究 [J], 李军;周月琴;李德仁
5.遥感影像的融合——SPOT全色波段和多光谱影像的融合 [J], 陆宇红;马林波;韩嘉福
因版权原因，仅展示原文概要，查看原文内容请购买。
TM影像和SPOT影像的配准以及融合这一部分将演示利用自动找点功能实现影像到影像的配准处理过程。
带有地理坐标的SPOT影像被用作基准影像，一个基于像素坐标的Landsat TM影像将被进行校正，以匹配该SPOT影像。
♦分别打开并显示SPOT、以及Landsat TM影像文件♦开始进行影像配准并加载地面控制点需要注意的是，ENVI数据的融合需要坐标等投影信息，如果没有这些信息，如果要对数据进行融合的话，需要检查基准数据SPOT数据是否带有坐标，如果没有坐标，可以首先给SPOT数据赋一个假的坐标。
赋假坐标的方法可以打开ENVI头文件，mapinfo选项里赋予假的投影信息，然后再对两幅影像进行配准。
1.从ENVI主菜单栏中，选择Map →Registration →Select GCPs: Image to Image。
2.在Image to Image Registration对话框中，点击并选择Display #1 （SPOT影像），作为Base Image。
点击Display #2（TM影像），作为Warp Image。
3.点击OK，启动配准程序。
通过将光标放置在两幅影像的相同地物点上，然后在Ground Control Points Selection对话框中，点击Add Point，把该地面控制点添加到列表中。
点击Show List查看地面控制点列表。
尝试选择几个地面控制点找到选择地面控制点的感觉。
4.这样选择三个点后: 然后在Ground Control Points Selection对话框中，选择option/Atomatic Registration选项进行自动找点,所有参数可以不变,也可以修改预计自动找点的数量,OK.系统将自动为您找好很多的控制点.图5-5：用来进行影像到影像配准的Ground Control Points Selection对话框注意对话框中所列的实际影像点和预测点坐标。
TM与SPOT影像融合方法试验分析0 引言遥感技术日新月异发展，面向各个领域应用背景的多平台，多时相，多（高）光谱和高分辨率的卫星遥感系统随之大量涌现。
由此获得的海量遥感数据被广泛应用于土地资源调查、洪水监测、地形测绘、植被分类与农作物生长态势评估、天气预报、自然灾害监测等方面[1]。
与之相适应的遥感数据处理与分析理论、方法不断涌现，影像融合方法就是其中重要的一种，它能够将不同遥感数据的优势综合起来，实现数据精炼，减少冗余性，提高遥感影像的利用效率[2]。
TM 与SPOT 影像融合是较为普遍的一种融合选择，融合图像综合了TM的光谱信息和SPOT 的高空间分辨率，但是不同的融合算法总是会产生不同的融合效果，以TM 与SPOT 融合为例，本文将应用四种融合算法，结合融合效果的评价指标，指出各种方法的优缺点，最后分析本次试验中存在的问题。
1 融合方法1.1 基于IHS 变换的融合方法IHS 显色系统采用色调（Hue）、饱和度（Saturation）、亮度（Intensity）表示颜色。
基于IHS 彩色空间变换的遥感图像融合算法是遥感领域应用较多的一种方法，该算法首先将多光谱图像的三个波段映射到RGB 彩色空间，然后再由RGB 彩色空间变换到IHS 彩色空间，融合过程就是用高分辨率全色图像去代替IHS 彩色空间中的I 分量，最后将IHS 彩色空间变换到RGB 彩色空间即可得到融合图像。
1.2 基于主成分分析变换的融合方法主成分分析(Principal Component Analysis，简称PCA)是基于变量之间的相互关系，在尽量不丢失信息的前提下进行的一种多维正交线性变换。
变换公式为Y=TX,式中X 是待变换图像的数据矩阵；Y 是变换后的图像数据矩阵；T 是变换矩阵（通常是正交矩阵）。
主成分分析后的各个分量各不相关，各波段的信息所做出的贡献能最大限度地表现出来，并且第一主成分分量往往集中了90%以上的图像信息，实现了数据压缩。
实验五-遥感图像的融合实验五遥感图像的融合一、实验目的和要求1.理解遥感图像的融合处理方法和原理；2.掌握遥感图像的融合处理，即分辨率融合处理。
二、设备与数据设备：影像处理系统软件数据：TM SPOT 数据三、实验内容多光谱数据与高分辨率全色数据的融合。
分辨率融合是遥感信息复合的一个主要方法，它使得融合后的遥感图象既具有较好的空间分辨率，又具有多光谱特征，从而达到增强图象质量的目的。
注意：在调出了分辨率融合对话框后，关键是选择融合方法，定义重采样的方法。
四、方法与步骤融合方法有很多，典型的有 HSV、Brovey、PC、CN、SFIM、Gram-Schmidt 等。
ENVI 里除了 SFIM 以外，上面列举的都有。
HSV 可进行 RGB 图像到 HSV 色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回 RGB 色度空间。
输出的 RGB 图像的像元将与高分辨率数据的像元大小相同。
打开ENVI,在主菜单中打开数据文件LC81200362016120LGN00_MTL选择File>data manage，任意选择3个波段组合，查看效果打开分辨率为30和15的图像下图分别是分辨率为30、15的，可以看到图像清晰度明显发生改变，分辨率越高，图像越清晰选择如下图所示的三个波段选择分辨率高的为15的点击ok，Sensor选择landsat8_oil，Resampling选择三次方的Cubic Convolution，实现融合，选择输出路径为sssrong融合之后的图像如下图，可以发现图像清晰度提高，分辨率变高，图像质量变好五、实验心得多光谱数据与高分辨率全色数据的融合可以使遥感图象既具有较好的空间分辨率，又具有多光谱特征，继而达到增强图象质量的目的，可谓是一举两得。
这次实验虽然比较简单，但是一开始的时候还比较模模糊糊，甚至于连目的都不清楚。
SPOT多光谱影像与全色波段融合
SPOT多光谱影像的分辨率为20m分辨率，全色为10m分辨率
1、在实习数据路径下打开s_0417_2.bil（多光谱数据）和s_0417_1.bil（全色波段数据），加载到显示窗口中，查看其范围和大小（前者为1418x1114，后者为2835x2227），确定采样系数。
2、在主菜单中选择Basic Tools-Resize Data(Spatial/Spectral)，选择多光谱文件（s_0417_2.bil）单击OK。
3、在Resize Data Parameters对话框中的xfac和yfac文本框中分别键入1.999，以使重采样后的图像大小与全色波段一致。
键入输出文件名，单击OK。
4、与前述一样，将重采样图像加载到显示窗口中，在主菜单中选择
Transform-Image Sharpening-HSV，选择重采样图像的显示索引号，单击OK，再选择全色波段作为高分辨输入图像：
5、单击OK，键入输出文件名，单击OK，执行融合，查看结果，并比较其与多波段合成影像与全波段灰度影像的区别。
下图为融合图像：。
全色影像和多光谱影像融合是指将全色影像（仅包含黑白灰度信息）和多光谱影像（包含多个波段的彩色信息）进行合并，得到具有高空间分辨率和丰富光谱信息的影像。
其原理基于以下步骤：
预处理：对全色影像和多光谱影像进行预处理。
这可能包括去噪、辐射校正、几何校正等。
分辨率匹配：由于全色影像通常具有较高的空间分辨率，而多光谱影像具有较低的空间分辨率，需要将它们的空间分辨率匹配。
可以使用插值等技术对多光谱影像进行上采样，使其与全色影像具有一致的分辨率。
融合算法：融合算法用于将全色影像和多光谱影像合并成一幅高分辨率彩色影像。
常用的融合方法包括：基于变换的方法（如基于小波变换、纹理合成等）、基于统计的方法（如主成分分析、拉普拉斯金字塔变换等）以及基于特征的方法（如IHS变换、HSV变换等）。
增强和调整：对融合后的影像进行增强和调整，以达到更好的视觉效果。
这可能包括对比度调整、色彩平衡、锐化等操作。
通过全色影像和多光谱影像的融合，可以获得既具有高空间分辨率又具有丰富光谱信息的影像，提高了遥感图像的解译能力和应用效果。
常见的应用包括土地利用分类、环境监测、资源调查等。
