遙感畢業(yè)設(shè)計論文遙感融合技術(shù)

1、摘 要遙感圖像融合是遙感領(lǐng)域中的關(guān)鍵技術(shù)之一。隨著遙感的快速發(fā)展，尤其是傳感器技術(shù)的發(fā)展，信息融合在遙感中發(fā)揮著越來越重要的作用。本文首先對遙感技術(shù)及遙感信息融合進行簡要概述，接著從技術(shù)基礎(chǔ)、原理及優(yōu)缺點等方面對常用的遙感圖像融合方法進行了闡述，主要包含PCA融合、HIS融合和小波融合。然后又介紹了如何評價融合的結(jié)果，提出了一些量化的評價方法。最后在傳統(tǒng)圖像融合方法的基礎(chǔ)上提出了新的融合方法，如基于PCA與IHS融合的新的圖像融合方法，并通過實驗驗證分析了新方法的可行性。關(guān)鍵詞：遙感，遙感圖像融合，PCA融合，HIS融合ABSTRACTRemote Sensing Image Fusion i

2、s one of the key techniques in the Remote Sensing(RS) domain.With the rapid development of the RS,information fusion has been playing an increasingly important role.After a brief introduction to the RS Technology and RS information fusion,this paper describes the multi-spectrum image fusion in detai

3、l,with the emphasis on the PCA Fusion,the HIS Fusion and the Wavelet Fusion approach,whose mathematical foundation,principle and traits are explored in turn.Finally in the traditional image fusion is proposed on the basis of a new fusion method based on PCA and HIS,such as the new image fusion metho

4、d fusion,and through experiment verification analyzed the new method is feasible.Keywords：Remote Sensing,Remote Sensing Image Fusion,PCA Fusion,HIS Fusion目 錄1 前 言11.1 遙感圖像融合方法研究目的與意義11.2 圖像融合的研究和發(fā)展現(xiàn)狀21.3 遙感融合技術(shù)亟待解決的問題32 遙感圖像融合的基本理論62.1 遙感圖像融合的特點62.2 遙感圖像融合原理72.3 圖像融合的層次及其比較73 ERDAS IMAGINE 介紹113.1 E

5、RDAS IMAGINE 軟件圖像處理特點113.2 ERDAS IMAGINE軟件中遙感影像融合具體過程123.2.1 選擇融合的影像文件如圖3.2133.2.2 選擇多光譜文件用來進行融合的波段號（Layer Selection）134 遙感圖像融合方法144.1 PCA變換144.2 HIS變換144.3 小波分析164.3.1 小波融合流程164.4 各種方法的比較184.5 融合方法評價準(zhǔn)則195 遙感圖像融合方法的改進215.1 主成分分析與HIS變換的結(jié)合改進方法215.1.1 融合流程及實驗分析215.1.2 常用評價參數(shù)225.1.3 客觀評價235.1.4 主觀評價246

6、結(jié) 論26致 謝27參 考 文 獻281 前 言遙感圖像融合就是將不同類型傳感器獲取的同一地區(qū)的圖像數(shù)據(jù)進行空間配準(zhǔn)，然后采用一定方法將各圖像的優(yōu)點或互補性有機結(jié)合起來產(chǎn)生新圖像的技術(shù)。它是遙感圖像應(yīng)用和分析的一種重要的手段，特別是當(dāng)前遙感技術(shù)的迅速發(fā)展，多源遙感數(shù)據(jù)(多傳感器、多時相、多波段、多平臺、多分辨率)的獲取變得越來越方便，多源圖像之間融合的意義也就顯得越來越重要。將高分辨率的圖像和低分辨率多光譜圖像進行融合，已成為遙感應(yīng)用研究領(lǐng)域的重要主題。研究者們從各個不同的應(yīng)用領(lǐng)域，提出了多種不同的圖像融合方法，具有代表性的方法有：PCA(主成分分析)變換法、HIS變換法、多分辨率小波分析法。

7、1.1 遙感圖像融合方法研究目的與意義圖像融合是將兩個或者兩個以上的傳感器在同一時間(或不同時間)獲取的關(guān)于某個具體場景的圖像或者圖像序列信息加以綜合，生成一個新的有關(guān)此場景的解釋，從而使融合的圖像更適應(yīng)人眼感知或計算機后續(xù)處理，如圖像分割、目標(biāo)識別等。圖像融合的目的是產(chǎn)生更可靠的數(shù)據(jù)并增加可用性，即數(shù)據(jù)可信度增加，不確定性減少，圖像融合的主要應(yīng)用體現(xiàn)在以下幾個方面：1)提高空間分辨率圖像融合可提高數(shù)據(jù)的空間分辨率。如將高分辨率單色圖像SpotPAN與低分辨率多光譜圖像LandSatTM進行融合，在保留多光譜信息的同時，圖像空間分辨率得到提高，這就意味著更多圖像細節(jié)可以顯示。類似的還有SAR雷

8、達圖像和TM的融合，同樣可以提高多光譜圖像的空間分辨率。2)圖像增強綜合來自多傳感器(或者單一傳感器在不同時間)的圖像，獲得比原始圖像更高清晰度的新圖像。如將融合技術(shù)用于同一數(shù)碼相機在不同時間拍攝的對同一對象的聚焦點不同的圖像，可以獲得比原始圖像更加清晰的圖像。3)提高分類識別精度多源數(shù)據(jù)的復(fù)合可以顯著提高圖像分類識別的精度。如利用微波圖像和光學(xué)圖像相的補互信息可以識別一些地物，光學(xué)數(shù)據(jù)是依靠地物在圖像上的光譜特征來分類，然而一些具有相似的光譜響應(yīng)的植被很難被分開，因此雷達圖像可用作輔助數(shù)據(jù)來識別難以區(qū)分的植被類型。在分類模型上，由于多源數(shù)據(jù)難以滿足傳統(tǒng)的概率統(tǒng)計模型的數(shù)據(jù)分布條件，因此人工神

9、經(jīng)網(wǎng)絡(luò)模型和證據(jù)推理理論在此領(lǐng)域具有更大的應(yīng)用潛力。4)信息互補任何傳感器都有自己的優(yōu)勢和不足。如多光譜傳感器數(shù)據(jù)的光譜信息豐富，但它易受云霧的遮擋而不能獲得相應(yīng)的地面結(jié)構(gòu)信息。有時地面的陰影也能產(chǎn)生解讀的不準(zhǔn)確性。SAR雷達數(shù)據(jù)紋理信息豐富，分辨率高，具有全天時全天候觀測的優(yōu)點，但易受地面起伏的影響，因此，不同類型傳感器圖像的融合可以彌補各自的不足，發(fā)揮各自的優(yōu)勢。此外，圖像的融合在特征提取、去噪、目標(biāo)識別跟蹤以及三維重建等方面也有著積極的作用。1.2 圖像融合的研究和發(fā)展現(xiàn)狀圖像融合技術(shù)最早是被應(yīng)用于遙感圖像的分析和處理中。1979年，Daliy等人首先把雷達圖像和Landsat-MSS圖

10、像的復(fù)合圖像應(yīng)用于地質(zhì)解釋，其處理過程可以看作是最簡單的圖像融合。1981年，Laner和Todd進行了LandsatRBV和MSS圖像數(shù)據(jù)的融合試驗。到80年代中后期，圖像融合技術(shù)開始引起人們的關(guān)注，陸續(xù)有人將圖像融合技術(shù)應(yīng)用于遙感多譜圖像的分析和處理，如多光譜遙感圖像與SPOT衛(wèi)星得到的高分辨率圖像進行融合。90年代以后，隨著多顆遙感雷達衛(wèi)星JERS-1，ERS-I，Radarsat等的發(fā)射升空，圖像融合技術(shù)成為遙感圖像處理和分析中的研究熱點之一。對遙感圖像進行融合處理的目的主要有銳化、改善幾何矯正、色彩矯正、改善分類特性、彌補某種圖像中丟失的數(shù)據(jù)、檢測觀測大地環(huán)境的變化等等。其采取的融合

11、方法主要有IHS變換、平均、加權(quán)平均、差分及比率、PCA、高通濾波等。這些方法在進行融合處理時都不對參加融合的圖像進行分解變換，融合處理只是在一個層次上進行的，因此均屬于簡單的圖像融合方法。80年代中期，人們提出了基于金字塔方法的圖像融合方法，其中包括拉普拉斯金字塔、梯度金字塔、比率低通金字塔等，并開始將圖像融合技術(shù)應(yīng)用于一般的圖像處理(可見光圖像、紅外圖像、多聚焦圖像等)。90年代，小波理論的廣泛應(yīng)用，為圖像融合提供了新的數(shù)學(xué)工具。小波變換具有良好的時域和頻域的局部性以及多分辨性，因此在多分辨率圖像融合應(yīng)用中，小波分析技術(shù)己經(jīng)取代了傳統(tǒng)的高斯拉普拉斯金字塔技術(shù)。人們針對傳統(tǒng)的Mallat方法

12、及選擇不同的小波基函數(shù)和不同的融合算法進行了深入研究，取得了一些進展。同時，對Atrous算法，基于第二代小波、基于樹狀小波以及基于小波包等的融合技術(shù)進行了深入的研究。這使得圖像融合技術(shù)的研究呈不斷上升的趨勢，應(yīng)用的領(lǐng)域也遍及到遙感圖像處理、計算機視覺、自動目標(biāo)識別、機器人、醫(yī)學(xué)圖像處理等各個領(lǐng)域。如在醫(yī)學(xué)上，可通過對CT與核磁共振圖像的融合，以幫助對疾病的準(zhǔn)確判斷；圖像融合還可以用于計算機輔助顯微手術(shù)。另外，圖像融合還可用于交通管理和航空管制。圖像融合技術(shù)在美、英等技術(shù)發(fā)達國家受到高度重視并己取得相當(dāng)?shù)倪M展，如在海灣戰(zhàn)爭中發(fā)揮很好作戰(zhàn)性能的“LANTIAN”吊艙就是一種可將前視紅外、激光測距

13、、可見光攝像機等多種傳感器信息迭加顯示的圖像融合系統(tǒng)。美國TI公司1995年底從美國夜視和電子傳感器管理局(NVESD)獲得將DSP為核心的圖像融合設(shè)計集成到先進直升機駕駛(AHP)傳感器系統(tǒng)的合同。在20世紀(jì)90年代，美國海軍在SSN一&91(孟菲斯)潛艇上安裝了第一套圖像融合樣機，可使操縱手在最佳位置上直接觀察到各傳感器的全部圖像。1998年1月7日防務(wù)系統(tǒng)月刊電子版報道，美國國防部己授予BTG公司兩項合同，其中一項就是美國空軍的圖像融合系統(tǒng)設(shè)計合同，此系統(tǒng)能給司令部一級的指揮機構(gòu)和網(wǎng)絡(luò)提供比較穩(wěn)定的戰(zhàn)場圖像。在醫(yī)學(xué)發(fā)展方面，2001年11月25日30日在美國芝加哥召開了每年一度的

14、RSNA北美放射學(xué)會年會，在會議上GE公司醫(yī)療系統(tǒng)部展銷了其產(chǎn)品Discovery LS。Discovery LS是GE公司于2001年6月剛推出的最新PETCT，是世界上最好的PET(正電子發(fā)射斷層掃描)與最高檔的多排螺旋CT的一個完美結(jié)合，具有單體PET不能比擬的優(yōu)勢。1.3 遙感融合技術(shù)亟待解決的問題遙感圖像融合經(jīng)過近二十年的發(fā)展,已經(jīng)取得了非常廣泛的應(yīng)用。但是還有一些問題亟待解決。（1）完善遙感圖像融合理論和框架對遙感圖像融合理論和框架進行進一步完善。目前遙感圖像融合沒有統(tǒng)一的融合模型,目前的融合模型大致可以分為空間域融合模型,顏色變換域融合模型和小波變換域融合模型三類。尋求一種更廣義

15、的融合模型,為遙感融合確定廣義的框架是一項非常有指導(dǎo)意義的工作。（2）構(gòu)建合理的融合評價體系面對海量的遙感數(shù)據(jù),要實現(xiàn)對圖像的自動判讀和解譯,評價是一個至關(guān)重要的環(huán)節(jié)。然而,對遙感圖像融合的評價是一個薄弱環(huán)節(jié),建立更加合理的融合評價體系是構(gòu)建遙感圖像處理系統(tǒng)的一個非常重要的問題,迫切需要解決。（3）多尺度幾何分析方法的應(yīng)用（MGA）雖然小波等多分辨率分析方法在遙感圖像融合中取得了成功,但是小波變換對于高頻細節(jié)分量只有有限的感知能力(垂直、水平和對角線三個方向),遙感圖像通常包含有豐富的紋理信息,高頻細節(jié)分量多。多尺度幾何分析方法(Multiscale Geometric Analysis,以下

16、簡稱MGA)工具使小波分析進入了后小波時代,近年來涌現(xiàn)出各種多尺度幾何分析(Multiscale Geometric Analysis,簡稱MGA)算法,如Ridglet,Curvlet,Bandlet,Brush-let,Shearlet和Contourlet等。MGA變換的基本思想是將圖像分解為一個多尺度多方向的表示形式。（4）不同傳感器平臺進行圖像配準(zhǔn)在遙感圖像融合的過程中,融合算法一般對圖像的配準(zhǔn)要求非常嚴(yán)格。通常對于同一平臺同一時刻獲取的圖像進行配準(zhǔn)較容易，然而對不同的傳感器平臺,不同的時刻得到的圖像進行準(zhǔn)確的圖像配準(zhǔn)往往是一件較困難的事情,如何在圖像配準(zhǔn)存在較小的平移、旋轉(zhuǎn)、縮放誤

17、差的情況下,減小融合圖像的失真度,為目標(biāo)識別和解譯奠定良好的基礎(chǔ)有著非常重要的現(xiàn)實意義。具有平移不變性的多分辨率和多尺度多方向分析工具能夠減小圖像因未能嚴(yán)格配準(zhǔn)所造成的失真,是未來研究的一個重要方向。（5）基于區(qū)域特征的遙感圖像融合算法研究遙感圖像融合通常是為目標(biāo)識別和圖像解譯服務(wù)的,獨立于圖像之外的像素點并不能提供任何對目標(biāo)識別和圖像解譯有用的信息,我們通常更關(guān)注的是圖像中的區(qū)域,提取的區(qū)域特征信息應(yīng)是像素信息的充分表示量或充分統(tǒng)計量,如邊緣、形狀、輪廓、角、紋理、相似亮度區(qū)域、相似景深區(qū)域等?；趨^(qū)域分割的圖像融合算法以包含有用信息的區(qū)域作為融合對象對圖像進行融合處理。首先,用一些成熟的區(qū)

18、域分割算法對已經(jīng)配準(zhǔn)的圖像進行分割,區(qū)域分割算法有很多,主要有基于圖論的分割法、基于模糊集合的分割法、閾值分割法、像素分割法、區(qū)域提取法、邊緣分割法、微分算子邊緣檢測法等,依據(jù)融合圖像的實際情況合理選擇區(qū)域分割算法;接著對分割的區(qū)域進行分析,產(chǎn)生一個聯(lián)合區(qū)域作為融合的區(qū)域圖;最后采用成熟的融合算法(如簡單加權(quán),小波分析和多尺度幾何分析算法等)對聯(lián)合區(qū)域圖中各區(qū)域進行融合,得到融合圖像?；趨^(qū)域特征的遙感圖像融合算法將目標(biāo)識別和圖像解譯的需求予以提前考慮,是未來融合算法的一個趨勢。（6）海量數(shù)據(jù)的處理遙感圖像融合系統(tǒng)的實時性。由于遙感數(shù)據(jù)量非常大,現(xiàn)有的融合算法在普通的商用計算機上對遙感圖像進行

19、實時處理是一件非常困難的事情。開發(fā)專用的遙感圖像融合處理芯片,或者基于高端DSP 和FPGA 開發(fā)融合處理系統(tǒng)是解決實時性要求的趨勢。在實時性要求不高的場合,對海量數(shù)據(jù)的處理依然是一件非常艱巨的工作,由于地面上不受空間的限制,我們可以開發(fā)更高效的融合算法,或者進行分布式并行處理。（7）基于遙感融合技術(shù)的三維成像技術(shù)基于遙感圖像融合的三維成像技術(shù)研究。由于二維遙感圖像融合只能看成是現(xiàn)實三維世界的一個投影,所能提供的信息有限,僅僅提供平面信息,因此越來越多的研究將集中于基于遙感融合技術(shù)的三維成像技術(shù)。2 遙感圖像融合的基本理論2.1 遙感圖像融合的特點盡管多源圖像融合也屬于多傳感器數(shù)據(jù)融合的范疇，

20、但由于圖像是一種特殊形式的信號，多傳感器圖像融合有其自身的特殊性和復(fù)雜性。其特殊性和復(fù)雜性主要表現(xiàn)為：（1）通常，圖像是二維信號，圖像信息數(shù)據(jù)量很大。例如僅一幅256*256的灰度圖像，就要求約512kbits的數(shù)據(jù)量。因此，多傳感器圖像融合所面臨的數(shù)據(jù)量是一般數(shù)據(jù)融合所無法比擬的。（2）由于圖像的特征往往是由多個像素“集中”體現(xiàn)出來的，因此，在某一特定局部區(qū)域內(nèi)的像素間往往具有相關(guān)性。例如，就電視畫面而言，同一行中相鄰兩個像素或相鄰兩行間的像素，其相關(guān)系數(shù)有時可達0.9以上，而相鄰兩幀之間的相關(guān)性比幀內(nèi)相關(guān)性可能還要大些。因此，圖像融合并非是簡單的大量“獨立”像素間的融合。（3）通常情況下，

21、圖像融合對參加融合圖像的配準(zhǔn)精度要求很高(尤其是像素級圖像融合)，例如像素級圖像融合的配準(zhǔn)精度最好能達到像素級。而一般數(shù)據(jù)融合(如位置融合等)的配準(zhǔn)精度要求就低得多。一般數(shù)據(jù)融合中，若傳感器的分辨率不同，對融合處理的處理過程或許不會增加太多的負(fù)擔(dān)(不少情況下仍可直接融合)；而在像素級圖像融合的處理中，若兩傳感器圖像的分辨率不同，則圖像不能直接融合，必須進行預(yù)處理后方可融合。圖像中包含了大量的信息。據(jù)估計，人從外界獲取的信息中，約有80信息是通過視覺(以圖像的形式)獲得的。這就意味著圖像融合的潛力很大，如何從圖像中提取更多的有用信息，對圖像融合技術(shù)提出了更高的要求。不同應(yīng)用場合對圖像融合的要求是

22、不同的。在不同應(yīng)用場合可以采用不同的融合方法和融合規(guī)則，有時對圖像的不同區(qū)域也可采用不同的融合方法及融合規(guī)則。那么，如何去評價某種融合方法的融合性能呢?這就需要建立合理的融合性能/融合效果的評價方法和準(zhǔn)則。然而，這一問題至今仍未得到較好地解決。2.2 遙感圖像融合原理多源遙感影像數(shù)據(jù)融合是將同一環(huán)境或?qū)ο蟮亩嘣催b感影像數(shù)據(jù)綜合的方法和工具的框架，以獲得滿足某種應(yīng)用的高質(zhì)量信息，產(chǎn)生比單一信息源更精確、更完全、更可靠的估計和判決。因此，多源遙感影像數(shù)據(jù)融合的數(shù)據(jù)源可來自各個層次，既可以是同一傳感器的不同波段和不同時間獲取的影像，還可以是來自不同處理水平的數(shù)據(jù)。對多源遙感數(shù)據(jù)進行融合，主要是進行影

23、像的空間配準(zhǔn)和影像融合兩步。影像的空間配準(zhǔn)影像的空間配準(zhǔn)是遙感影像數(shù)據(jù)融合的前提，對于兩幅影像的空間配準(zhǔn)，一般把其中一幅作為參考影像，以它為基準(zhǔn)對另一幅影像進行校正。其操作步驟如下。1)特征選擇。在欲配準(zhǔn)的兩幅影像上，選擇明顯特征點。2)特征匹配。采用一定配準(zhǔn)算法，找出兩幅影像上對應(yīng)的明顯地物點作為控制點。3)空間變換。根據(jù)控制點，建立影像間的映射關(guān)系。4)插值。根據(jù)映射關(guān)系，對非參考點影像進行重采樣，獲得同參考影像配準(zhǔn)的影像?？臻g配準(zhǔn)的關(guān)鍵問題是：通過特征匹配尋找對應(yīng)的明顯地物作為控制點。影像融合根據(jù)融合的目的和層次，選擇合適的融合算法，將空間配準(zhǔn)的遙感影像數(shù)據(jù)進行有機合成，得到目標(biāo)更準(zhǔn)確的

24、表示和估計。2.3 圖像融合的層次及其比較圖像融合根據(jù)其處理所處的階段不同分為3個層次的融合,即像素級融合、特征級融合和決策級融合,3個層次所采用的融合算法各不相同,圖像融合通常按照這3個層次相應(yīng)地劃分為3類：1)像素級圖像融合像素級圖像融合屬于底層圖像融合,在這種融合形式中,首先將全部傳感器的觀測數(shù)據(jù)融合,然后從融合的數(shù)據(jù)中提取特征向量,并進行判斷識別。這便要求傳感器是同質(zhì)的(傳感器觀測的是同一物理現(xiàn)象),如果多個傳感器是異質(zhì)的(觀測的不是同一個物理量),那么數(shù)據(jù)只能在特征層或決策層進行融合。像素級圖像融合的優(yōu)點在于盡可能多地保留了場景的原始信息,通過對多幅圖像進行像素級圖像融合,可以增加圖

25、像中像素級信息,它提供了其他兩個層次,即特征級圖像融合和決策級圖像融合所不具有的細節(jié)信息,進行融合的各圖像可能來自多個不同類型的圖像傳感器,也可能來自單一的圖像傳感器。單一圖像傳感器提供的各個圖像可能來自不同觀測時間或空間(視角),也可能是同一時間和空間但光譜特性不同的圖像(如多光譜照相機獲得的圖像)。與單一傳感器獲得的單幀圖像相比,通過像素級圖像融合后的圖像包含的信息更豐富、精確、可靠、全面,更有利于圖像的進一步分析、處理與理解。像素級圖像融合的結(jié)構(gòu)示意圖,如圖2.1所示圖像2圖像N圖像1預(yù)處理預(yù)處理預(yù)處理圖像配準(zhǔn)基于決策的融合特征提取與分類最終結(jié)果用戶決策增強后的圖像配準(zhǔn)后的圖像像素級融合

26、融合后特征分類圖2.1 像素級圖像融合的結(jié)構(gòu)示意圖2)特征級圖像融合特征級圖像融合是中間層的融合處理過程,利用從各個傳感器圖像的原始信息中提取特征信息進行綜合分析及融合處理,通過特征級圖像融合不僅可以增加從圖像中提取特征信息的可能性,還可能獲取一些有用的復(fù)合特征。所謂主要特征是通過對圖像數(shù)據(jù)進行空間或時間上的分割等處理獲得的,而復(fù)合特征是通過對現(xiàn)有各個特征的綜合得到的。從圖像中提取并用于融合的典型特征信息有邊緣、角、紋理、相似亮度區(qū)域、相似景深區(qū)域等。當(dāng)在特定環(huán)境下的特定區(qū)域中,多傳感器圖像均具有相似的特征時,說明這些特征實際存在的可能性極大,同時對該特征的檢測精度也可大大提高。融合處理后得到

27、的特征可能是各種圖像特征的綜合,如融合后的邊緣是不同傳感器檢測得到的邊緣段的綜合,也可能是一種完全新型的特征,如對用立體照相機得到的各圖像中的邊緣信息進行融合處理形成的3維邊緣。特征層圖像融合的結(jié)構(gòu)示意圖,如圖2.2所示圖像1圖像N圖像2預(yù)處理預(yù)處理預(yù)處理特征提取特征提取特征提取圖像配準(zhǔn)基于決策的融合特征分類用戶決策最終結(jié)果提取后的特征配準(zhǔn)后的特征特征級融合融合后的分類特征圖2.2 特征級圖像融合的結(jié)構(gòu)示意圖3)決策級圖像融合決策級的圖像融合是在信息表示的最高層上進行的融合處理。在進行融合處理前,先對從各個傳感器獲得的圖像分別進行預(yù)處理、特征提取、識別或判決,建立對同一目標(biāo)的初步判決和結(jié)論；然

28、后對來自各個傳感器的決策進行相關(guān)配準(zhǔn)處理；最后進行決策級的融合處理,從而獲得最終的聯(lián)合判決。決策級融合是直接針對具體的決策目標(biāo),充分利用了來自各個圖像的初步?jīng)Q策,因此在決策級圖像融合中,對圖像的配準(zhǔn)要求很低,在某些情況下甚至是無須考慮,因為其各個傳感器的決策已經(jīng)符號化或數(shù)據(jù)化了。由于對傳感器的數(shù)據(jù)進行了濃縮,這種方法產(chǎn)生的結(jié)果相對而言最不準(zhǔn)確,但它對通信帶寬的要求最低,融合中心常用的融合方法有Bayea方法、Demp-ster- shafter方法,廣義推理理論或根據(jù)不同情況而專門設(shè)計的各種方法,決策級圖像融合的結(jié)構(gòu)示意圖,如圖2.3所示圖像1圖像2圖像N預(yù)處理預(yù)處理預(yù)處理特征提取特征提取特征

29、提取特征分類特征提取特征提取圖像配準(zhǔn)基于決策的融合用戶決策最終結(jié)果分類后的特征配準(zhǔn)后的特征決策級融合融合后的分類特征圖2.3 決策級圖像融合的結(jié)構(gòu)示意圖表2.1中給出了圖像融合在上述3個層次中的性能特點比較說明。從表中以及上面的表述中可知,在這3個層次中,像素級圖像融合是最重要、最根本的多傳感器圖像融合方法,其獲取的信息量最多,檢測性能最好,而難度也是最大的。目前的圖像融合,絕大多數(shù)的方法都屬于像素級圖像融合。表2.1 圖像融合的3個層次性能比較表 性能 像素級融合 特征級融合 決策級融合 信息量最大 中等最小信息損失最小 中等最大容錯值最差 中等最好抗干擾性最差 中等最好對傳感器的依賴性最強

30、 中等最弱 預(yù)處理最小 中等最大分類性能最后 中等最差融合方法的難易性最難 中等最易系統(tǒng)的靈活性最差 中等最好3 ERDAS IMAGINE 介紹目前遙感圖像處理軟件繁多，主要有PCI GEOMATICA、ERDAS IMAGINE、ENVI、ER Mapper，本文以ERDAS IMAGINE為操作平臺對遙感圖像進行處理、分析、結(jié)果驗證。3.1 ERDAS IMAGINE 軟件圖像處理特點1）方便和直觀的操作步驟使用戶操作非常靈活：ERDAS IMAGINE具有非常友好、方便地管理多窗口的功能。不論是幾何校正還是航片、衛(wèi)片區(qū)域正射校正以及其它與多個窗口有關(guān)的功能，IMAGINE都將相關(guān)的多個

31、窗口非常方便地組織起來，免去了用戶開關(guān)窗口、排列窗口、組織窗口的麻煩，應(yīng)用方便因而加快了產(chǎn)品的生產(chǎn)速度。IMAGINE的窗口提供了卷簾、閃爍、設(shè)置透明度以及根據(jù)坐標(biāo)進行窗口聯(lián)接的功能，為多個相關(guān)圖像的比較提供了方便的工具。IMAGINE的窗口還提供了整倍的放大縮小、任意矩形放大縮小、實時交互式放大縮小、虛擬及類似動畫游戲式漫游等工具，方便對圖像進行各種形式的觀看與比較。2）ERDAS IMAGINE為不同的應(yīng)用提供了250多種地圖投影系統(tǒng)。支持用戶添加自己定義的坐標(biāo)系統(tǒng)。支持不同投影間的實時轉(zhuǎn)換、不同投影圖像的同時顯示對不同投影圖像直接進行操作等。支持相對坐標(biāo)的應(yīng)用。另外有非常方便的坐標(biāo)轉(zhuǎn)換工

32、具，經(jīng)緯度到大地坐標(biāo)，反之亦然。3）常用的圖像處理算法都可用圖形菜單驅(qū)動，用戶也可指定批處理方式(batch)，使圖像處理操作在用戶指定的時刻開始執(zhí)行；4）圖像的處理過程可以由圖像的屬性信息控制，而上層屬性信息可存在于本層或任何其他數(shù)據(jù)層次；5）圖像處理過程可以用于具有不同分辨率的圖像數(shù)據(jù)上，輸出結(jié)果的分辨率可由用戶指定；6)支持對不同圖像數(shù)據(jù)源的交集、并集和補集的圖像處理；7)圖解空間建模語言，EML和C語言開發(fā)包的應(yīng)用使得解決應(yīng)用問題的客戶化更加容易與簡單。用戶可以對IMAGINE本身應(yīng)用的功能進行客戶化的編輯，滿足自己專業(yè)的獨特需求。還可以將自己多年探索、研究的成果及工作流程以模型的形式

33、表現(xiàn)出來。模型既可以單獨運行也可以和界面結(jié)合像其它功能一樣運行。更可以利用C Toolkit進行新型算法及功能的開發(fā)。8)獨一無二的專家工程師及專家分類器工具，為高光譜、高分辨率圖像的快速高精度分類提供了可能。此工具突破了傳統(tǒng)分類只能利用光譜信息的局限，可以利用空間信息輔助分類。此工具可以把所有數(shù)字信息應(yīng)用于分類，是分類應(yīng)用的一大飛越。其功能強大且應(yīng)用方便，其提供的游標(biāo)功能使知識庫的優(yōu)化成為輕而易舉的操作。其知識庫的可移動性為其它非專業(yè)人員進行分類工作提供了方便，為成熟知識庫的推廣應(yīng)用提供了方便易行的途徑。利用專家的知識還可以建立決策支持系統(tǒng)，為決策人提供工具。3.2 ERDAS IMAGIN

34、E軟件中遙感影像融合具體過程為了得到1米分辨率的彩色影像數(shù)據(jù)，將IKONOS影像的多光譜波段數(shù)據(jù)和其全色波段數(shù)據(jù)進行融合。ERDAS圖標(biāo)面板工具條，單擊Interpreter圖標(biāo)|Spatial Enhancement|Resolution Merge命令，打開Resolution Merge對話框，如圖3.1所示。圖3.1 Resolution Merge對話框在Resolution Merge對話框中，需要設(shè)置下列參數(shù)： 選擇融合的影像文件如圖3.2圖3.2 Resolution Merge1）高分辨率影像文件（High Resolution Input File），對于IKONOS影像來

35、說就是指全色波段的影像文件；2）多光譜影像文件（Multispectral Input File），這里指包含多個波段數(shù)據(jù)的影像文件。使用ERDAS IMAGIN軟件提供的Layer Selection and Stacking功能（Image Interpreter|Utilities.|Layer Stack.）將IKONOS的多光譜波段的影像文件合成一個影像文件；3）融合后輸出文件（Output File）的路徑及文件名； 選擇多光譜文件用來進行融合的波段號（Layer Selection）合成的多光譜影像會有幾個波段的影像，在這里輸入層名來選擇要進行融合的波段。可以使用“，”來列舉層名

36、，也可以使用“：”來表示參與融合的層的范圍。4 遙感圖像融合方法遙感圖像信息中的一個主要研究內(nèi)容是將高分辨率的圖像和多光譜圖像(低分辨率)進行融合，高分辨率圖像的空間分辨率較高，但只有強度信息，沒有光譜信息；而多光譜圖像具有豐富的光譜信息，但空間分辨率較低。將這兩幅圖像融合，可以得到一幅同時具有較高空間分辨率和光譜信息的融合圖像。有代表性的方法有IHS變換法、PCA變換等。4.1 PCA變換PCA(Principle Component Analysis)變換又稱主成分分析,數(shù)學(xué)上也被稱為KL變換,是在統(tǒng)計特征基礎(chǔ)上進行的一種多維(多波段)正交線性變換。主成分變換是建立在圖像統(tǒng)計特征基礎(chǔ)上的多

37、維線性變換，具有方差信息濃縮，數(shù)據(jù)壓縮的作用。變換后的第一主成分包含了總信息量的絕大部分(一般在80以上)，并且第一主成分相當(dāng)于原來各波段的加權(quán)和，反映了地物總的輻射強度，而且降低了噪聲，有利于細部特征的增強和分析。基于PCA變換的圖像融合算法的最大優(yōu)點是可以融合任意數(shù)目的波段,算法首先對N個波段的低分辨率圖像進行PCA變換,將單個波段的高分辨率圖像進行灰度拉伸,使其灰度值的均值與方差和PCA變換第一分量圖像一致；然后以拉伸過的高分辨率圖像代替第一分量圖像,經(jīng)過PCA反變換得到融合圖像。融合圖像不僅包含了源圖像的高空間分辨率和高光譜分辨特征,而且還保留了源圖像的高頻信息，使得融合圖像的目標(biāo)細節(jié)

38、特征更清晰,光譜信息更豐富。設(shè)有向量集X=,i=1,2,N,E(X)為X的數(shù)學(xué)期望,U是X的協(xié)方差矩陣C的特征向量按其特征根由大到小的順序排列而構(gòu)成的變換矩陣,則稱=（4-1）和=（4-2）為主成分分析算法,其中Y=,i=1,2,N。4.2 HIS變換HIS變換融合是影像融合最常用的一種方法，融合影像保留了絕大部分的高空間分辨率影像的信息，使得其空間分辨率接近高空間分辨率影像，同時也保留了多光譜影像的光譜特征，提高了影像的判讀、識別、分類能力，特別有利于視覺理解。HIS變換圖像融合的原理：由HIS彩色系統(tǒng)可知,明度I、色度H與飽和度S等3種成份間的相關(guān)性很低，這就使我們能夠?qū)IS空間中的3個

39、分量單獨地進行處理。由于明度I主要反映地物輻射總的能量及其空間分布，即表現(xiàn)為幾何特征；而H、S則主要反映地物的光譜信息。因此首先利用正變換將多光譜圖像從RGB三原色空間變換到HIS彩色空間,得到亮度I(Intensity)、色度H(Hue)和飽和度S(Saturation)三個分量；然后將高分辨率全色圖像與分離出的亮度I分量進行直方圖匹配,使其灰度的均值和方差與分量I圖像一致；最后用匹配好的全色波段代替I分量,與分離出的H、S分量進行IHS逆變換,重新回到RGB空間。其算法框圖如圖4.1所示IHS變換I融合圖像IHS反變換全色圖像 I分量多光譜圖像H分量S分量圖4.1 HIS融合變換算法HIS

40、變換融合法對高分辨率全色影像和低分辨率多光譜影像進行融合。解決了全色影像具有較高的空間分辨率但缺乏光譜信息；多光譜影像光譜分辨率高，光譜信息豐富，但其空間分辨率低的技術(shù)問題。通過試驗對比表明使用該方法顯著提高了多光譜影像的空間分辨率，同時也保留了豐富的光譜特征，提高了影像的判讀、識別、分類能力，融合后圖像的信息量比原始圖像有明顯增加，而且圖像的細節(jié)反差、紋理和清晰度得到較大的提高，融合圖像質(zhì)量較好。4.3 小波分析小波變換是在短時傅立葉變換的基礎(chǔ)上發(fā)展起來的一種新型變換方法。小波變換具有多分辨率分析的特點，在時域、頻域都具有表征信號局部特征的能力，因此廣泛地應(yīng)用于圖像處理和模式識別領(lǐng)域中，成為

41、信號強有力的處理工具?；谛〔ㄗ儞Q的圖像融合就是將源圖像首先進行小波分解，將其分解到不同頻段的不同特征域上，然后在特征域上進行融合。根據(jù)分解形式的不同，基于小波變換的融合可分為塔型小波融合方法、樹狀小波融合方法和小波標(biāo)架融合方法。 小波融合流程若對二維圖像進行N層小波分解，最終將有(3N+1)個不同頻帶，其中包含3N個高頻帶和一個低頻帶。小波分解的層數(shù)越高，對應(yīng)層圖像的尺寸將越小，因此圖像小波分解的各個圖像具有金字塔形結(jié)構(gòu)，故可以稱為小波分解會字塔。圖像的小波變換是一種圖像的多分辨率、多尺度分解，因此可以用于圖像的融合處理。開 始圖像2圖像1M層小波分解M層小波分解高頻子帶HL、LH、HH低頻

42、子帶 LL高頻子帶HL、LH、HHHL低頻子帶 LL融合圖像的高頻子帶融合規(guī)則融合圖像的低頻子帶融合規(guī)則融合后圖像終止小波逆變換圖4.2 基于小波變換的圖像融合算法流程示意圖圖4.2中所示為基于小波變換的圖像融合算法流程示意圖。這里以兩幅圖像的融合為例，對于多幅圖像的融合方法可由此類推。設(shè)A，B為兩幅原始圖像，F(xiàn)為融合后的圖像。其融合處理的基本步驟如下：1)對每一源圖像分別進行二維離散小波變換，建立圖像的小波塔形分解；2)對各分解層分別進行融合處理，各分解層上的不同頻率分量可采用不同的融合算子進行融合處理，最終得到融合后的小波金字塔；3)對融合后所得小波金字塔進行小波逆變換(即進行圖像重構(gòu))，

43、所得到的重構(gòu)圖像即為融合圖像。基于小波變換的圖像融合的物理意義在于：1)通常圖像中的物體、特征和邊緣是出現(xiàn)在不同大小的尺度上的。也就是說，圖像中的某些邊緣或細節(jié)是在一定尺度范圍內(nèi)存在的。也正是因為如此，任何一幅特定比例尺(可看作“尺度”)的地圖都無法清晰反映所有特征的細節(jié)信息，例如在較大尺度上，大陸、山脈、海洋等大的特征是可見的，而像城市街道等小的細節(jié)就在地圖的分辨率之外了：而在較小尺度上，細節(jié)變得可見而較大的特征卻不見了。圖像的小波分解是多尺度、多分辨率分解，其對圖像的多尺度分解過程，可以看作是對圖像的多尺度邊緣提取過程，同時，小波的多尺度分解還具有方向性。若將小波變換用于圖像融合處理，就可

44、能在不同尺度上，針對不同大小、方向的邊緣和細節(jié)進行融合處理；2)小波變換具有空間和頻域局部性，利用小波變換可以將融合圖像分解到一系列頻率通道中，這樣對圖像的融合處理是在不同的頻率通道分別進行的。而我們知道，人眼視網(wǎng)膜圖像就是在不同的頻率通道中進行處理的，因此基于小波變換的圖像融合是可能達到更好的視覺效果的；3)小波變換具有方向性，人眼對不同方向的高頻分量具有不同的分辨率，若在融合處理時考慮到這一特性，就可以有針對地進行融合處理，以獲取良好的視覺效果；4)對參加融合的各圖像進行小波塔形分解后，為了獲得更好的融合效果并突出重要的特征細節(jié)信息，在進行融合處理時，不同頻率分量、不同分解層、不同方向均可

45、以采用不同的融合規(guī)則及融合算子進行融合處理；另外，同一分解層上的不同局部區(qū)域上采用的融合算子也可以不同，這樣就可能充分挖掘被融合圖像的互補及冗余信息，有針對地突出/強化所感興趣的特征和細節(jié)信息。4.4 各種方法的比較遙感影像融合的方法很多，近幾年，HIS變換、PCA變換、小波變換等方法已應(yīng)用于遙感影像融合中，如HIS變換與多分辨小波變換相結(jié)合的融合方法；小波的多分辨率分析與HIS變換相結(jié)合，提出了疊加融合的新方法。但在實際應(yīng)用中，究竟選擇那種方法最為有效？一般來說，基于HIS變換融合方法可以提高結(jié)果圖像的地物紋理特性，同時在色彩上色度、飽和度與經(jīng)過直方圖拉伸的SPOT進行的反變換，基本保持了多

46、光譜的TM影像色調(diào)，但光譜信息有一定的損失，而且HIS融合方法只能對3波段進行融合；PCA是運用比較廣泛的一種融合方法，它主要是針對超過三波段影像的融合變換，該融合算法的主要優(yōu)點是：融合后的圖像光譜特性保持比較好，尤其在波段數(shù)較多的情況下；缺點是：由于要對自相關(guān)矩陣求特征值和特征向量，計算量非常大，實時性比較差?？梢?，每種算法雖對融合有一定的效果，但是同樣存在一定的局限性。為了提高融合質(zhì)量，不同應(yīng)用領(lǐng)域的學(xué)者都進行了相關(guān)探討，對傳統(tǒng)的融合算法提出了一些改進思路：有些學(xué)者認(rèn)為，HIS變換法扭曲了原始多光譜影像的光譜特性而產(chǎn)生光譜退化，為了降低IHS變換的顏色偏差可采用以下方法：在替換之前將Pan

47、與強度分量I進行匹配。在反變換之前對色調(diào)和飽和度進行拉伸。根據(jù)具體的數(shù)據(jù)特點對I、H、S三個分量分別進行拉伸；PCA融合的問題是空間信息突出而色彩信息較弱，其原因是被替代的第一主成分通常具有最大的方差，這種替代將使Pan波段在融合影像中的效果最大，建議的解決方案有對主成分進行拉伸使其具有球形分布；替換前將Pan與PCA進行匹配；放棄第一主成分，改用其他主成分；另外，PCA變換后各主成分失去了原有的物理特性，且該方法對融合區(qū)域的選擇非常敏感。近幾年來由于小波具有變焦性，基于小波變換的遙感影像融合技術(shù)體現(xiàn)出以下其它方法所不可比擬的優(yōu)勢：融合處理時，不同的頻率分量、不同分解層以及不同的方向均可采用不

48、同的融合法則和融合算子，這樣既能充分挖掘被融合圖像的互補信息和冗余信息，又能有針對性地強化感興趣的特征信息和細節(jié)信息。對于基于小波的融合方法可以由多方面進行改進，如替代近似影像時采用的方法、高頻成分的組合方法、小波分解的層數(shù)、小波基的選擇等正是由于具有上述優(yōu)勢，小波變換在遙感影像融合中得到了廣泛應(yīng)用。4.5 融合方法評價準(zhǔn)則如何判斷某一種圖像融合算法是否滿足要求，需要具有說服力的評價標(biāo)準(zhǔn)。這些標(biāo)準(zhǔn)可分為兩類，一類是主觀評價；另一類是客觀評價，建立量化評價公式，同時采用多種量化評價可以彌補各自方法上的缺陷，得到更正確的結(jié)論。量化評價一般有以下幾種：相關(guān)系數(shù)(correlation coeffic

49、ients)：圖像的相關(guān)系數(shù)反映了兩幅圖像的相關(guān)程度。光譜扭曲度(spectral distortion)：圖像光譜扭曲程度直接反映了多光譜圖像的光譜失真程度。扭曲度越小越好。熵(Entropy)：融合后圖像的熵值的大小反映了融合圖像所包含的平均信息量的多少。交叉熵(Cross entropy)：交叉熵可用來度量兩幅圖像間的差異。交叉熵越小，說明融合后圖像與標(biāo)準(zhǔn)參考圖像間的差異越小，即融合效果越好。均方根誤差RMSE(Root Mean Square Error)：均方根誤差越小，說明融合效果越好。5 遙感圖像融合方法的改進5.1 主成分分析與HIS變換的結(jié)合改進方法 融合流程及實驗分析（1）

50、綜合HIS變換和主成分變換的優(yōu)點,利用主成分變換對HIS變換法進行了改進，采用改進后方法進行融合的流程如圖5.1所示低分辨率多光譜影像RGB高精度配準(zhǔn)R，G，B進行HIS正變換I分量與Pan進行主成分變換，并提取第一主成分以I為基準(zhǔn)對進行直方圖匹配得到利用與H,S分量進行HIS反變換融合后的RGB影像高分辨率全色彩影像（Pan）圖5.1 融合流程（2）試驗結(jié)果與分析為了驗證方法的正確性和優(yōu)越性，選取了某地區(qū)Landsat-7TM的全色波段與4,3,2波段影像進行融合，選取的影像已經(jīng)經(jīng)過高精度空間配準(zhǔn)，誤差控制在1個像元之內(nèi)，其中4,3,2波段分別被賦予R,G,B三原色;影像大小為512

51、5;512個像素，如圖5.2、圖5.3。采用HIS變換法和本文改進方法進行融合后的結(jié)果如圖5.4、圖5.5。 圖5.2 原TM432 波段影像 圖5.3 TM 全色影像 圖5.4 HIS 變換融合后影像 圖5.5 本文方法融合影像影像融合結(jié)果的評價分為主觀評價和客觀評價，一般兩者結(jié)合使用。主觀評價是通過目視效果進行分析，客觀評價是利用影像的統(tǒng)計參數(shù)進行判定。對于遙感影像融合效果的評價，應(yīng)該綜合考慮細節(jié)信息的增強與光譜信息的保持。 常用評價參數(shù)影像融合評價中常用到以下參數(shù)，介紹如下：1）圖像均值 圖像均值是像素的灰度平均值，對人眼反映為平均亮度。其定義用公式（5-1）表示；（5-1）其中M,N為

52、像元的行列數(shù)。2）標(biāo)準(zhǔn)差 標(biāo)準(zhǔn)差反映了圖像灰度相對于灰度平均值的離散情況，若標(biāo)準(zhǔn)差大，則圖像灰度級分布分散，圖像的反差大，可以看出更多的信息。標(biāo)準(zhǔn)差小，圖像反差小，對比度不大，色調(diào)單一，看不出太多信息。其定義用公式（5-2）表示（5-2）3）平均梯度 平均梯度可敏感地反映圖像對微小細節(jié)反差表達的能力，可用來評價圖像的清晰程度，同時還可以反映出圖像中微小細節(jié)反差和紋理變換特征。其計算公式為（5-3）（5-3）一般來說，g 越大，圖像越清晰。4）信息熵 根據(jù)仙農(nóng)(Shannon)信息論的原理，一幅8bit 表示的圖像x 的信息熵用公式（5-4）表示（5-4）式中：x為輸入的圖像變量，為圖像像元灰度

53、值為i的概率。熵越大，圖像所包含的信息量越豐富。（5） 相關(guān)系數(shù)圖像的相關(guān)系數(shù)反映了兩幅圖像的相關(guān)程度，可用來表示多光譜信息的改變程度。兩幅圖像的相關(guān)系數(shù)可用（5-5）表示（5-5）其中，分別為融合前后圖像(i,j)點的灰度值，與分別為兩幅圖像的均值。 客觀評價表 5.1 參數(shù)統(tǒng)計影像波段號熵平均梯度均值與原TM對應(yīng)波段相關(guān)系數(shù)標(biāo)準(zhǔn)差LandSat-7TM多光譜影像44.73621.503960.4471.008.48035.28002.308050.5011.0014.04625.74693.004288.6471.0015.465原HIS變換影像44.77823.150960.5320.8

54、1287.51435.28483.33650.5400.946612.69426.00185.158389.0490.935217.251本文改進方法融合影像44.74332.293560.6010.94707.88235.29102.811950.7400.980713.69325.29893.965488.9470.979316.422利用各圖像的亮度值I分別計算出了圖像的統(tǒng)計參數(shù)，統(tǒng)計結(jié)果如表5.1。從表5.1的統(tǒng)計參數(shù)可以看出：（1）新方法融合影像的信息熵、均值、標(biāo)準(zhǔn)差與原HIS變換融合影像的對應(yīng)參數(shù)值相差不大，并且更接近于原始多光譜影像的對應(yīng)參數(shù)值，這說明該方法融合影像所包含的信息量與HIS變換相當(dāng)，并且更接近于原始多光譜影像。（2）新方法融合后影像的各波段與原TM影像對應(yīng)波段的相關(guān)系數(shù)明顯高于原IHS變換融合后的對應(yīng)相關(guān)系數(shù)，說明該方法在光譜特性的保持上有很大提高。（3）新方法融合后影像各波段的平均梯度比HIS變換的平均梯度要小，但是大于沒有經(jīng)過融合的原多光譜影像的平均梯度。這說明該