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。
卫星遥感数据处理方法综述与比较
卫星遥感是一种通过卫星获取地球表面信息的技术。遥感数据处理方法是将获取的原始数据转化为有用的信息的过程。本文将对常见的卫星遥感数据处理方法进行综述与比较。
一、数据预处理
数据预处理是数据处理的第一步，包括数据获取、数据校正和数据栅格化。数据获取是指从卫星获取遥感数据的过程，可以通过直接下载、申请或购买数据。数据校正是为了消除数据中的系统误差，例如大气校正、几何校正等。数据栅格化是将遥感数据转化为栅格数据格式，如像元（pixel）或网格（grid）。
二、数据分类与特征提取
数据分类是将遥感图像中的像元分为不同类别的过程，通常使用像元级分类和对象级分类。像元级分类是将每一个像元分为具体的类别，例如水体、植被、建筑等；对象级分类是将连续的像元组合成一个对象，例如湖泊、森林、城市等。特征提取是在分类之前对数据进行特征提取，常用的特征包括光谱特征、纹理特征、形状特征等。
三、数据融合 数据融合是将不同传感器或不同波段的遥感数据进行融合，以提高数据的空间分辨率、光谱分辨率和时间分辨率。常见的数据融合方法包括图像融合、数据融合和特征融合。图像融合是将多幅图像融合为一幅图像，常用的方法有PCA、Brovey变换等；数据融合是将不同波段的遥感数据进行融合，例如多光谱和高光谱数据的融合；特征融合是将不同特征的遥感数据融合，以提取更多的信息。
四、数据压缩与存储
遥感数据通常具有较大的体积，因此需要进行数据压缩与存储。数据压缩可以减小数据量并提高数据传输速度，常见的压缩方法包括无损压缩和有损压缩。无损压缩是保留原始数据的全部信息，例如Huffman编码、LZW编码等；有损压缩是通过舍弃部分数据来减小数据量，例如JPEG、JPEG2000等。数据存储是将压缩后的数据存储到硬盘或其他存储介质中，常见的格式有TIFF、JPEG、GeoTIFF等。
五、数据处理与分析
数据处理与分析是对遥感数据进行进一步的处理和分析，以提取目标信息。常见的数据处理方法包括影像增强、影像拼接、影像平差等。影像增强是通过增强对比度、亮度或清晰度来改善图像质量；影像拼接是将多幅图像拼接成一幅全景图像；影像平差是对多个图像进行配准和处理，以消除不同图像之间的畸变。 六、卫星图像解译与应用
如何进行遥感影像的数据融合
遥感影像的数据融合是将多源的遥感信息融合在一起，以提高遥感数据的空间分辨率和地物分类精度。在综合利用多源遥感数据的基础上，实现对地表覆盖信息的准确提取和监测。本文将从数据源的选择、融合方法的选择和数据融合的应用领域三个方面，探讨如何进行遥感影像的数据融合。
一、数据源的选择
数据源的选择是进行遥感影像的数据融合的第一步，准确选择数据源可以保证数据融合的有效性和准确性。
1. 遥感影像数据
遥感影像数据是进行数据融合的基础数据，可以通过卫星、航空摄影等方式获取。选择高质量的遥感影像数据对融合结果有重要影响，因此在选择遥感影像数据时，要考虑数据的空间分辨率、光谱分辨率和时间分辨率等因素。同时，还要注意遥感数据的几何校正和辐射校正情况，以保证数据的一致性和准确性。
2. 地面观测数据
地面观测数据是进行遥感影像数据融合的重要补充。常见的地面观测数据包括气象站观测数据、地面遥感观测数据等。地面观测数据可以提供高时空分辨率的地表信息，与遥感影像数据融合可以提高地物识别的准确性。
二、融合方法的选择
数据融合方法的选择是进行遥感影像数据融合的关键环节，不同的融合方法适用于不同的数据和应用场景。常见的数据融合方法包括像素级融合、特征级融合和决策级融合。
1. 像素级融合 像素级融合是将多源遥感影像数据的像元进行组合，生成高光谱或高光谱数据立方体。常用的像素级融合方法有主成分分析、合成波段和带通滤波等。像素级融合可以提高遥感影像的空间分辨率和光谱分辨率，对地物分类和变化检测具有重要意义。
2. 特征级融合
特征级融合是将多源遥感影像数据的特征进行组合，提取地物的空间、光谱、纹理等特征。常用的特征级融合方法有多特征组合、特征选择和特征转换等。特征级融合可以提高地物分类的准确性和分类精度。
3. 决策级融合
决策级融合是将多源遥感影像数据的分类结果进行组合，生成最终的分类结果。常用的决策级融合方法有基于权重的融合、基于逻辑运算的融合和基于模型的融合等。决策级融合可以提高地物分类的鲁棒性和分类精度。
