多尺度遥感影像融合技术及其算法研究进展培东①,②,曾永年①,②,历华①,②(①中南大学信息物理工程学院,长沙410083;②辽宁工程技术大学地理空间信息技术与应用实验室,阜新123000)摘要:随着传感器光谱分辨率和空间分辨率的提高,现代遥感技术提供了金字塔状的可利用遥感数据。
与此同时,也给遥感技术应用提出了挑战———如何充分、有效地利用多源、多尺度的遥感影像数据。
影像融合技术为充分利用多源、多尺度的遥感影像数据提供了有效的途径。
本文对目前多尺度影像融合技术及其算法的发展进行了系统分析,在此基础上,对影像融合技术的发展进行了简要的分析。
关键词:多尺度影像;影像融合;融合算法;进展中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)88-0067-05收稿日期:2006-04-11 修订日期:2006-06-12基金项目:辽宁工程技术大学地理空间信息技术与应用实验室基金资助(编号2005012)作者简介:培东(1977～),男(汉),内蒙古集宁市人,硕士生,研究方向为遥感影像处理及其应用研究。
E 2m ail :yunpeidong @1 引 言随着遥感技术的发展,多源、多尺度的遥感影像已广泛应用于对地观测及其信息的获取。
为了有效地利用多源、多尺度遥感数据,最大限度地获取感兴趣目标的信息,影像融合技术得到了应有的重视,并成为目前遥感影像处理领域的一个重要的研究课题。
影像融合是指把来自不同传感器或同一传感器不同尺度的同一场景的两幅或多幅影像,采用一定的算法生成一组新的信息或合成影像,以提高影像的清晰度和可识别性,获得单一影像所不能提供的特征信息[1]。
影像融合不仅仅是多源、多尺度的遥感影像的简单复合,而是采用一定的算法来强调信息的优化、突出专题信息、提高影像所表达信息量、抑制或消除冗余信息,从而增加影像解译可靠性,减少模糊性、多义性、不确定性和误差。
通过综合利用多种数据资料的不同优势,达到优势互补的效果。
目前影像融合的方法很多,不同的融合算法适合于不同的应用目的,有多波段影像融合、多时相影像融合、不同传感器影像融合、不同分辨率影像之间的融合[2～6]。
方法虽然不同,但最终目都是要提高影像空间分辨率、改善影像的几何精度、增强特征显示能力、改善分类精度、提高变化检测能力、替代或修补影像数据的缺陷[7～10]。
本文针对不同尺度影像融合技术的发展,对其算法研究进展进行了较系统分析与总结,并对影像融合的评价方法进行了归纳。
在此基础上,对影像融合技术今后的发展进行了简要的分析。
2 影像融合技术的发展多尺度影像融合一般是指多光谱影像与高分辨率全色波段影像之间的融合,它既保留了多光谱影像的光谱特性,又可提高多光谱影像的空间信息。
在融合后的新影像上,地物纹理清晰、颜色区别明显,地类的边界清晰,有利于影像的解译和分类精度的提高[11]。
目前影像融合的方法很多,从信息表征层次上可分为三个层次:像元级融合,特征级融合,决策级融合[12]。
像元级融合是低层次的融合技术,是直接在采集的原始数据层或其变换数据层上进行的融合,是为了补充、丰富和强化融合影像中的有用信息,使融合影像更符合人或机器的视觉性,更有利于对影像的进一步分析与处理。
融合算法可分为以光谱域为主的融合和以空间域为主的两类。
目前光谱域主要的融合算法有代数运算法[13～15]、Brovey 变换[16]、IHS 变换法[17～21]、主成分变换法[13];空间域主要的算法有高通滤波[18～21]、基于平滑滤波的融合[22]、Gram-Schimdt 变换法[23]、合成变量系数法[15]以及现在热门的小波分析法[24～26]等。
特征级的融合是较高层次的融合,这类融合技术首先对各种数据源进行目标识别的特征提取、分类等,然后对这些特征进行综合分析和融合处理。
融合结果能体现大部分信息,同时使计算过程中的数据量大大减少,缺点是由于不是基于原始影像的数据,在特征提取过程中难免出现部分信息的丢失,并难以提供细微信息。
主要有Bayesian 统计决策理论[27-28]、Dempster 2Shafer 证据理论[29～30]、模糊推理[31～32]和人工神经网络[33～34],基于统计特征[35]、基于空间自适应融合等[36]。
决策级的融合是最高层次的融合技术,是基于影像的理解和识别的基础上的融合。
首先是对原始影像进行特征提取以及一些辅助信息的参与,再对有价值的数据运用判别准则、决策规则加以判断、识别、分类,然后再将这些有用的信息进行融合。
所以融合后的影像能很好的为决策分析提供信息。
主要有马尔可夫随机场模型加入多源决策分类[37～39]、贝叶斯法则的分类理论与方法[40]、基于统计融合方法[41]、基于光谱特征融合[42]、基于分类融合等[43]。
3 主要影像融合算法及其发展3.1 基于HIS 变换的融合算法HIS 变换法是遥感影像融合算法中最常用的算法之一。
它将遥感影像从红(R )、绿(G )、蓝(B )三种颜色组成的色彩空间转换到以亮度(I )、色度(H )、饱和度(S )作为定位参数的色彩空间,然后用高分辨率全色影像代替I 分量,最后通过HIS 逆变换得到最终的融合影像。
HIS 变换法简单而且容易操作,被广泛用于彩色增强、特征增强、改善空间分辨率、融合分离的数据集等影像处理和分析中。
但由于在变换过程中是直接用高分辨率影像代替第一分量,这样就导致了原始影像的光谱扭曲,不利于影像的正确识别和分类[44]。
为了减少光谱扭曲,Pellemans 等(1993)提出用球体坐标系方法来进行IHS 变换(图1,式(1)、(2)),与原HIS 变换相比,融合影像的标准差由4.34提高到4.59,均值由48.08提高至48.72,与高分辨率影像的相关系数由0.54降低到0.45[19];武鹃等(2004)提出的HIS 变换与直方图匹配法相结合的算法,与HIS 变换法相比融合后影像的光谱扭曲度由10.33降低到7.99[45];肖刚等(2005)提出了基于小波统计特性的遥感影像像素与特征联合最优融合方法,该方法最大限度的降低了融合影像的色彩失真,均衡了空间信息和光谱信息两项指标[35]。
图1 球面坐标系与RG B 空间的关系I =R 2+G 2+B23(1)H =arctanGR S =arctanB R 2+G 2(2) 3.2 基于主成分分析的融合算法主成分分析法是遥感数字影像处理中常用的一种方法。
基于主成分分析的融合算法常用的方法有两种:①首先对多光谱影像进行主成分变换,获得影像的主分量影像。
然后以第一分量影像为参考对高分辨率影像进行直方图匹配,匹配后,用高分辨率影像代替多光谱影像的第一主成分影像,最后通过主成分逆变换得到最终融合影像;②是对参与融合的多光谱影像和高分辨率影像统一进行主成分变换,接下来用变换后的高分辨率影像代替多光谱影像的第一主成分影像,最后通过主成分逆变换得到最终融合影像。
基于主成分分析的融合算法是直接用高分辨率影像直接代替了第一主分量,而第一主分量包含了多光谱影像的大部分光谱信息,这导致了融合影像空间信息较丰富,而色彩信息却较弱。
针对这一缺陷,董毓敏(2002)提出了基于小波叠加的主成分变换遥感数据融合方法,与主成分变换法相比,融合影像的信息熵由3.994提高至4.102;光谱扭曲度有13.638降低到6.753[46]。
基于主成分分析的融合方法对成像机理相同的不同尺度影像之间的融合可以得到较好的效果,如果影像来自成像机理互不相同的传感器,比如SAR 和Landsat TM ,由于其传感器成像机理不同,导致影像所包含的数据信息不同,这时如果用其他影像代替第一主成分,就会丢失大量光谱信息。
针对这一问题,杨存建等(2001)在利用SAR 和TM 数据融合时,通过用SAR 影像分别代替各个主成分进行融合,获得不同的融合影像。
然后对各个融合影像进行比较分析,得出的结论认为替换第四主分量或第五主分量可获得比替换第一主分量好的融合效果[47]。
从这一结论可以看出:同一融合算法可能适合于不同的影像融合,但要根据参与融合的影像的光谱特性对算法作适当的调整,以取得最佳的融合效果。
3.3 基于小波变换的融合算法小波理论是20世纪80年代提出的,是一种把时域和频域信号局部化分析的方法,在影像融合、数据压缩、特征提取中得到广泛使用。
小波变换就是把多光谱影像在小波域中进行变换,然后经过一定的卷积运算,接着用高分辨率影像的高频信息代替多光谱影像的高频信息等,最后经过小波反变换得到最终融合影像。
与HIS 变换类似,小波变换融合算法是直接丢弃高空间分辨率影像的低频分量,所以融合影像中空间信息较弱,同时小波分解的阶数对融合效果有较大的影响,针对这一缺点:曹闻等(2003)提出了小波包与PCA 变换相结合的方法,与小波变换法相比,融合结果使得光谱的扭曲程度由4.355降低到3.02,偏差指数由0.064降低到0.044[48];王广军等(2004)提出HIS 变换和小波分解叠加的融合算法,最大限度地保留光谱信息和空间信息[49]。
但这些方法在面对更高空间分辨率影像如Ikonos 、Quickbird 等效果欠佳,主要表现在色彩失真比较严重。
针对这一情况,刘春等(2004)提出了基于小波变换的快鸟影像数据融合[50],该方法削弱了由于直接用高分辨率影像的高频部分代替小波分解后的高频信息所导致的光谱扭曲,同时最大限度的降低了融合影像的色彩失真。
3.4 基于平滑滤波的亮度变换法基于平滑滤波的亮度变换法是最新提出的像元级融合算法之一[22],该方法利用低通滤波可以有效地消除全色波段影像的高频信息,而保留其光谱信息的特性进行融合的。
该方法的主要融合步骤如下:首先对全色波段影像进行低通滤波处理,然后在全色波段影像、多光谱影像及低通滤波影像之间进行算术运算得到最终的融合影像。
从基于平滑滤波的亮度变换法的融合原理中可以看出,经过低通滤波的全色波段影像可以有效地去掉该影像的高频信息,而保留了光谱信息,所以,经过处理的模拟影像和原全色波段影像比值运算可以有效地消除两幅影像之间的低频信息和地形反差,并较好地保留了原全色波段影像的结构纹理信息,然后将此信息加入到原始低分辨率多光谱影像中。
所以,可以认为该方法是在低分辨率的影像中加入高分辨率影像的空间纹理特征的算法,因此它既可以较好地保留原始影像的光谱信息,又可以保留原始全色波段影像的纹理信息。
但低通滤波变换核的选择会直接影响该算法的融合效果,所以该算法对操作者的经验依赖性较强,不容易得到最佳的融合效果。
3.5 Gram-Schimdt变换法Gram-Schimdt变换法也是最新提出的像元级的融合算法之一[23],该方法利用数学上的Gram-Schimdt(GS)变换进行变换的。
