多源遥感影像像素级融合方法综述

时间:2022-05-14 12:13:45

多源遥感影像像素级融合方法综述

摘要:在众多学者的研究成果和工程技术人员的实际应用的基础之上,对目前已经提出的多源遥感影像像素级融合算法进行了简要介绍和总结,分析和比较了每种算法的优缺点,并指出其适用范围。结果表明,特定的一种融合算法具有特定的适用面,实际应用中应根据影像特点和融合目的选择合适的融合算法。

关键词:多源遥感;多分辨率;影像融合;像素级

中图分类号:P407文献标识码: A

1引言

随着遥感技术的发展,光学、红外、微波和激光雷达等大量不同卫星传感器的应用,获取同一地区的多源遥感影像数据(多时相、多光谱、多传感器、多平台和多分辨率)越来越多,为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。

与单源遥感影像数据相比,多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。通过影像融合可以从不同的遥感影像中获取更多的有用信息,补充单源影像信息的不足。在遥感中,遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中,按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面,还表现在利用多源遥感影像信息进行目标识别决策上。它能提高影像的空间分解力和清晰度,平面测图精度、分类精度与可靠性,增强解释和动态监测能力,减少影像模糊度,有效提高遥感影像数据的利用率[3][10]。

多源遥感影像融合可以分为像素级、特征级和决策级三个层次。这三个层次上所采用的融合算法各不相同,像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法(PCA)、分量替换法及小波分析融合法;特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。

像素级融合直接在原始数据层上进行融合,该层次的融合准确性最高,能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息,有利于图像的进一步分析、处理与理解。它是特征级图像融合和决策级图像融合的基础。但是与其它两个层次的融合相比,像素级融合需要处理的信息量最大,处理时间较长,对设备的要求也比较高。目前在图像融合方面,研究较为成熟,应用较为广泛的方法大多属于像素级图像融合[7]。因此,本文将着重介绍像素级图像融合方法。这类算法大体上可以分为三类:(1)简单图像融合算法,如比值和加权乘法、Brovey 变换法、高通滤波法(2)分量替换图像融合算法,如HIS 变换法[5]、主成分分析法(3)多分辨率图像融合算法,如金字塔融合法、小波变换融合方法[14]。

2遥感影像融合方法

2.1简单图像融合方法

简单图像融合算法不对融合的各个源图像进行任何图像分解或变换,而是直接对各个源图像中对应像素点分别进行选择、平均或加权平均等简单处理,最终融合成一幅新的图像。

2.1.1加权融合方法

为了将高空间分辨率影像的空间信息传递到低空间分辨率的多光谱影像上,获取空间分辨率提高的多光谱影像,基于像元的加权融合对两幅图像,按下式进行:

(1)

权系数,可根据经验对某被融会影像,需强调的程度确定,也可运用相关系数确定融会影像的权重,以减少冗余度。

采用该方法融合的影像包含高分辨率影像的细节,空间分辨率有所提高,可用于TM和SPOT全色影像的融合,但融合后的影像与原多光谱影像的光谱特征有较大的差异。

2.1.2乘积性融合方法

Cliche提出了三种乘积性融合方法对SPOT全色影像和多光谱影像进行融合,表达式为:

(2)

(3)

(4)

式中,为全色影像,为第i波段多光谱影像。式(2)对红、绿波段同全色影像融合效果较好,而对红外波段因与全色影像相关性小,效果并不理想。式(3)会导致融合的影像反差变小。式(4)对红外波段采用加权融合,且权值大,可获得较好的视觉效果。

2.1.3比值融合方法

针对不同影像类型学者们提出了多种比值融合法,如Pradines融合法、Price融合法、Munechicka融合法和Brovey融合法等,其中Brovey融合法是最常用的一种比值融合方法。该方法假设高分辨率全色影像与低分辨率多光谱影像的光谱响应范围相同。

该方法能在增强影像的同时保持或增强原多光谱影像的光谱信息,不仅有利于地物的识别,还能在一定程度上消除太阳光照度、地形起伏、阴影和云影等的影响,可用于SPOT全色与其多光谱影像,SPOT全色与TM多光谱影像的融合[6],但不能用于波谱范围不一致的全色影像和多光谱影像融合的问题。

2.1.4高通滤波融合方法

高通滤波融合法将高分辨率影像中的几何信息逐像素叠加到低分辨率影像中而进行融合。通过高通滤波滤掉了绝大部分的光谱信息而保留了与空间信息有关的高频成分,再把高通滤波的结果加到各光谱影像数据中,经过这种处理就可把高分辨率影像的空间信息与多光谱影像数据的光谱信息融合了,形成高频信息特征突出的融合图像。

该方法的优点是能提高多光谱影像的空间分辨率,同时保留了原始多光谱影像的光谱信息,能减小阴影的影响,并且对于参与融合的多光谱影像的波段数没有限制。融合的影像对于农作物识别与分类尤其适用。

2.2分量替换图像融合方法

分量替换融合算法将低空间分辨率多光谱影像进行某种变换,然后由高空间分辨率影像代替与其高度相关的分量,最后经逆变换获得空间分辨率增强的多光谱影像。

2.2.1彩色变换融合方法

HIS变换将图像处理常用的RGB彩色空间变换到HIS空间。HIS空间用色调H,亮度I和饱和度S表示,图像融合只在亮度通道上进行即用全色波段影像替换经HIS变换后得到的亮度分量,而图像的色调和饱和度保持不变。

通过正变换、替代和逆变换获得的融合影像既具有全色影像的高分辨率优点,又保持了多光谱影像的色调和饱和度,有利于改善判读、分类和提高制图精度等,适用于城区资源调查和视觉分析等。但是由于两类影像不可能完全相关,因此融合的影像中光谱特性的扭曲是可觉察的,且HIS方法只能同时对三个波段的多光谱影像和全色影像进行融合[5][6]。

2.2.2主分量变换融合方法

主分量变换(PCA)亦称K-L变换,是一种最小均方误差意义上的的多维(多波段)最优正交线性变换,它能够消除模式特征之间的相关性,用若干个分量图像就能完全表征原始集群的有效信息,图像中的彼此相关的数据被压缩而特征得到了突出,在影像数据压缩、特征选择和具有相关因子的多源数据进行融合时具有显著的优势。

采用主分量变换融合法不仅清晰度和空间分辨率比多光谱影像提高了,而且在保留原多光谱影像的光谱特征方面由于HIS融合法,即光谱特征扭曲度小,可增强多光谱影像的判读和量测性,且可以在多个波段上进行融合。该方法可用于融合特征互补性强的源图像,一个典型的应用就是利用PCA方法对SAR和多光谱数据进行融合[6]。

2.3多分辨率图像融合方法

多分辨率图像融合方法的融合过程是在不同尺度、不同空间分辨率、不同分解层次上进行的,可以获得效果明显改善的融合结果。基本思想是先将待融合的图像进行多分辨率分解,以得到各图像分解后的系数表示,然后对这组系数表示按一定的融合规则进行融合处理得到一个融合后的系数表示,最后经过图像逆变换获得重构后的融合图像。多分辨率融合方法主要包括金字塔融合法和小波分析融合法。

上一篇:关于绿地园林树种规划研究 下一篇:固定污染源废气流量监测技术探讨