[科普中国]-遥感图像数据融合

定义

为达到具体的应用目的，待处理的数据除基本的多源遥感图像外，通常还包括一些非遥感数据，如数字地图、地面物化参数分布等。考虑到数据在属性、空间和时间上的不同，遥感图像数据融合应先进性数据预处理，包括将不同来源、具有不同分辨率的图像在空间上进行几何校正、噪声消除、绝对配准（地理坐标配准）或相对配准以及非遥感数据的量化处理等，以形成各传感器数字图像、图像立方体、特征图（如纹理图、聚类图、PCT主成分图和小波分解图等）三维地形数据图和各种地球物理化数据分布图等辅助数据构成的空间数据集或数据库。1

它不仅仅是数据间的简单复合，而强调信息的优化，以突出有用的专题信息，消除或抑制无关的信息，改善目标识别的图像环境，从而增加解译的可靠性，减少模糊性（即多义性、不完全性、不确定性和误差）、改善分类、扩大应用范围和效果。

基本框架在具体的融合处理中，被利用的遥感图像信息主要有两种：空间信息和光谱（或波谱）信息。而融合处理的质量则很大程度上取决于图像模型的合理选用。对空间信息而言，主要模型由统计模型：描述了图像像元的空间分布，很适合刻画图像的纹理特征，典型的有共生矩阵、隐马尔可夫模型等；空间模型：主要基于物体的几何特征、位置和相互关系等因素建立，其打破了通常的区域限制，可提供更加丰富的空间信息；物理模型，即根据传感器信号的物理特性建立的图像模型，如Lidar图像中的斑点模型和球状模型等。关于光谱信息，主要有光谱向量模型（包括各阶导数谱向量模型）、线性光谱混合模型和各种非线性光谱混合模型。1

遥感图像数据融合的分级结构除了经典的像素级、特征级和决策级3级结构外，也可根据应用系统的构成合理地扩展。融合算法的设计和选用可针对其中的任意一级或多级展开，相应的方法处理要视具体应用而定。一般来讲，信号和像素级的融合目的在于增加图像中的有用信息成分，如提高图像品质、合理地锐化等；特征级融合是为了能以较高的置信度提取有用的图像特征；决策级融合则允许对来自多个传感器或数据源的信息在最高抽象层上进行处理，以得出最终或辅助的决策。1

分类基于像元的图像融合基于像元的图像融合是指对测量的物理参数的合并，即直接在采集的原始数据层上进行融合。它强调不同图像信息在像元基础上的综合，强调必须进行基本的地理编码，即对栅格数据进行相互间的几何配准，在各像元一一对应的前提下进行图像像元级的合并处理，以改善图像处理的效果，使图像分割、特征提取等工作在更准确的基础上进行，并可能获得更好的图像视觉效果。2

基于像元的图像融合必须解决以几何纠正为基础的空间匹配问题，在匹配过程中会出产生误差，而且它是对每个像元进行运算，涉及到的数据处理量大。再说，由于对多种遥感器原始数据所包含的特征难以进行一致性检验，基于像元的图像融合往往具有一定的盲目性。尽管基于像元的图像融合有一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其他融合层次所不能提供的细微信息，因而被广泛应用。2

基于特征的图像融合基于特征的图像融合是指运用不同算法，首先对各种数据源进行目标识别的特征提取如边缘提取、分类等，也就是先从初始图像中提取特征信息——空间结构信息如范围、形状、领域、纹理等；然后对这些特征信息进行综合分析和融合处理。这些多种来源的相似目标或区域，它们空间上一一对应，但并非一个个像元对应，并被相互指派，然后运用统计方法或神经网络、模糊激愤等方法进行融合，以进一步评价。2

基于决策层的图像融合基于决策层的图像融合是指在图像理解和图像识别基础上的融合。也就是，经“特征提取”和“特征识别”过程后的融合。它是一种高层次的融合，往往直接面向应用，为决策支持服务。此种融合先经过图像数据的特征提取以及一些辅助信息的参与，再对其有价值的复合数据运用判别准则、决策规则加以判断、识别、分类，然后在一个更为抽象的层次上，将这些有价值的信息进行融合，获得综合的决策结果，以提高识别和解译能力，更好地理解研究目标，更有效地反映地学过程。常用的方法有：用马尔可夫随机场模型方法加入多源决策分类、贝叶斯法则的分类理论与方法、模糊集理论、专家系统方法等。2

融合算法图像融合算法种类非常多，但大体上可以分为三类：

第一类从图像增强算法发展而来的较为简单的传统图像融合方法，即针对各个图像通道，利用一些替换、算术等简单的方法来实现。

应用较广的有：线性加权法、HPF（高通滤波）法、IHS变换法、PCA（主分量分析法）等。这些方法简单易行，在不同的遥感领域得到应用。3

第二类自80年代中期发展起来的多融合算法，主要是塔式算法和小波变换法及小波变换融合算法。它们的基本思想是：首先把原始图像在不同的分辨率下进行分解，然后在不同的分解水平上对图像进行融合，最后通过重构来获得融合图像。3

第三类主要是多种算法相结合形成的各种改进的融合算法。3