基于NSCT的遥感图像融合性能评价及分析

第4卷第1期

45

中国科技论文在线Sciencepaper Online

2009年1月

基于NSCT的遥感图像融合性能评价及分析

徐立中1, 2，马艳军1，黄凤辰1, 2，王慧斌1, 2

（1. 河海大学计算机及信息工程学院，南京 210098；2. 河海大学通信与信息系统工程研究所，南京 210098）

摘 要：为了寻求比小波变换更加有效的图像多分辨率分析方法，提出了一种基于非采样Contourlet变换(NSCT)和区域特性选择的遥感图像融合方法，并对NSCT在遥感图像融合中的性能及计算复杂性进行了深入分析。通过与离散小波变换(DWT)和采样的Contourlet变换(CT)的对比融合实验，结果表明，基于NSCT的融合方法计算复杂性较DWT明显提高，取得的融合效果更好。

关键词：遥感图像融合；非采样Contourlet变换；区域特性选择；性能评价

中图分类号：TP751.1文献标识码：A 文章编号：1673－7180(2009)01－0045－9 Performance evaluation and analysis of remote sensing image fusion based on non-subsampled contourlet transform

XU Lizhong1, 2，MA Yanjun1，HUANG Fengchen1, 2，WANG Huibin1, 2

(1. College of Computer and Information Engineering，Hehai University, Nanjing, Jiangsu 210098, China,

2. Institute of Communication and Information System Engineering, Hehai University, Nanjing, Jiangsu 210098, China) Abstract: Two-dimension wavelet is isotropic and has poor directional selectivity. It can only reflect characteristic and location of the singularity, but hardly express the high-dimensional geometrical feature such as edges and textures of images. So as to Two-dimension wavelet has some limitation in using of remote sensing image fusion, and to find out the more effective multi-resolution analysis method is necessary. A novel fusion strategy used the region-based selection operator based on non-subsampled contourlet transform is presented, and do a thorough research on the performance appraisal and computational complexity analysis of remote sensing image fusion based on non-subsampled contourlet transform, at the same time. In the experiments we compared this strategy with the DWT and CT. The experimental results show that the computational complexity of the fusion based on N SCT obviously improve than DWT, but it can achieve the best fusion performance.

Key words: remotely sensed image fusion；non-subsampled contourlet transform；region-based selection；fusion performance evaluation

基金项目：国家自然科学基金项目（60774092）；高等学校博士学科点专项科研基金项目（20070294027）；教育部科学技术研究重点项目（107056）；江苏省高技术研究重大项目（BG2006003）；江苏省社会发展科技计划项目（BS2007057）

作者简介：徐立中(1958－)，男，教授，博士生导师， lzhxu@https://www.wendangku.net/doc/2312709564.html,

第4卷第1期

2009年1月46 中国科技论文在线Sciencepaper Online

0引 言

有效地融合高分辨率全色遥感图像(P AN)和低分辨率多光谱图像(MS)，均衡融合结果中的空间细节信息和光谱信息两项特征指标，是多源遥感图像融合技术的研究热点。DWT凭借其对图像较好逼近能力成为在图像融合领域中最流行的多分辨率分解策略。但研究发现，由一维小波通过张量积而形成的二维小波基是“各向同性”(Isotropy)的，无法精确地表达图像边缘的方向，也不能“最优”表示含“线”或者“面”奇异的二维图像[1-2]。对此， Do和V etterli在2002年提出了一种“真正”的二维图像系数表示方法—Contourlet变换。相对于小波变换，Contourlet变换允许在每个尺度上有不同数目的方向子带，其基支撑区间具有随尺度而长宽比变化的“各向异性”(Anisotropy)特性，能用更少的系数来表达光滑的曲线，更好地捕捉图像中的边缘信息[3-5]。但是，Contourlet变换缺乏平移不变性(Shift-invariance)。而在遥感图像融合应用中，平移不变性对遥感图像的人眼解译或者机器判读等前期处理过程中，起着举足轻重的作用。为此，Cunha等人2005年利用类似à trous运算法则的方法实现了一种具有平移不变性的Contourlet变换——非采样Contourlet变换(nonsubsampled contourlet transform，NSCT)[6-7]，很好地弥补了Contourlet变换的缺陷，并且继承了Contourlet变换的多尺度和多方向性特征，从而使其在图像融合领域中应用成为可能。

非采样Contourlet变换凭借其在图像表示方面表现的优异，因此，受到了广泛关注。如，贾建、焦李成等[8]将NSCT应用于多聚焦图像融合和高分辨率、多光谱图像融合，通过与Contourlet变换、小波变换、主成份分析等方法的比较，对基于NSCT融合方法的有效性和可行性进行了研究。杨晓慧等[9]将LHS变换与NSCT结合并应用于遥感图像的融合。

本文对NSCT在遥感图像融合中的性能和计算复杂性进行了深入的研究和分析，并提出一种基于区域特性选择的高频系数选择策略。同时提出基于NSCT区域特性选择的遥感图像融合方法, 能够在提高空间信息质量的同时，更好地保持原始多光谱图像的光谱信息，其计算复杂性较常用的基于区域的局部方差选大方法显著降低。

1基于NSCT的图像多分辨率分析

Contourlet变换是由塔形方向滤波器组(PDFB)把图像分解成各个尺度上的带通方向子带，它由2个步骤实现：子带分解和方向变换。首先，用Laplacian pyramid(LP)变换对图像进行多尺度分解以“捕获”奇异点，然后由方向滤波器组(DFB)根据方向信息将位置相近的奇异点汇集成轮廓段[5]。

由方向滤波器的特性可知，Contourlet变换的高和低频率之间的方向性响应存在频率混叠，而且由于拉普拉斯金字塔滤波器和多方向滤波器在分解和重构时需要进行重采样，所以不具有平移不变特性。NSCT是通过构造非采样的金字塔滤波器组和非采样方向滤波器组得到的多尺度和多方向的多分辨率图像表示方法，是Contourlet变换的移不变版本。

通过分析NSCT变换的原理和理想频率分割的原理，NSCT对方向滤波器进行适当的插值之后，就可以让方向滤波器相应良好的部分正好覆盖到塔式滤波器的通带上，克服了频率混叠现象。由于没有对图像进行下采样和上采样操作，所有分解子带的大小都与源图像相同，使NSCT获得了平移不变性。

2基于NSCT和区域特性选择的融合规则及融合算子

在遥感图像融合中，多分辨率分解后图像的低频系数（位于最高分解层）一般根据MS图像的分解系数选取，以尽可能地保持光谱特性，减少色彩畸变。高频系数融合选取的规则主要分两类：一类是以单个像素为考察对象，如绝对值选大规则；另一类是以1个局域窗口为考察对象，计算局域内的统计特性，如方差。因为图像的像素之间存在较大的相关性，所以在1个局域内考察图像比以单个像素为考察对象更能反映图像的特征和趋势[10]。但是，实践证明，局部方差选大方法倾向于选择P AN图像的多分辨率分解系数，在对光谱信息的保留上还有待进一步完善。

为了改善经典融合方法的融合效果，本文设计了一种基于NSCT和区域特征选择的融合规则和融合算子[11-12]：

1)对MS和P AN图像分别进行NSCT变换，得到分解后的高频和低频分解系数；

2)对分解后图像的低频部分（位于最高分解层）取MS图像的NSCT分解系数；

3)对于高频分量，采用基于区域（矩形窗口）特征选择，其融合算子确定方法如下：

a) 分别计算2幅图像对应局部区域的能量

,j A

Eε

和

,j B

Eε

第4卷 第1期 2009年1月

47

()()()()

''2

'''',,,,1,2,3,j j n L m K

E n m n m C n n m m εεεωε∈∈??=

++=??∑

L ，其中 ， (1)

其中，ε表示NSCT 在第j 分解层上的第ε个方向子带；(),j E n m ε

表示图像第j 分解层下，ε方向子带上，

以(n , m )为中心位置的局部区域能量；j C ε表示方向子带中的NSCT 分解系数； L , K 定义了局部区域的大小（例如3×3, 5×5或者7×7等）；'',n m 的变化在L , K 范围内变化；()

'',n m εω为与j

C ε对应的权值系数，且有

()'''',,1n L m K

n m εω∈∈=∑

， (2)

()'

'

,n m 点离(n , m )点越近，权值越大。由于本文采

用3×3的邻域，邻域各点和中心点的距离都为1，所以取权值均为1/9．

b) 计算2幅图像对应局部区域的匹配矩阵,j AB M ε

()()()()'''''''',,,,,,2

,,,,j AB j A j B n L m K

j A j B

M n m n m C n n m m C n n m m E E εεεεεε

ω∈∈=

+++++∑

． (3)

其中，,j A E ε和,j B E ε按式(1)计算，匹配矩阵中各点的值在0和1之间变化，越接近1表示相关程度越高。

c) 定义1个阈值T （通常取在0.5~1之间），本文中取0.6．

d) 定义融合算子：若,j AB M T

ε

<则

(4)

否则，

(5) 其中，

()

,,min 21j AB j M T W T εε

?=

? ， ,max ,min 1j j W W εε=?． (4)

3 融合性能评价

本节设计了针对TM 与SPOT 图像、IKONOS 多光谱与全色图像和SAR 与TM 多光谱图像进行融合的多种实验，基于相关系数、相对平均光谱误差指数(RASE)[11]和相对整体维数综合误差(ERGAS)[11]对仿真融合试验结果进行评价，基于相关系数和光谱扭曲程度对IKONOS 和SAR 与TM 2组融合试验的结果进行评价，以验证各类融合方法的有效性。

3.1 对比仿真实验

3.1.1实验设计

实验采用的MS 图像为Landsat-5 TM(thematic mapper)图像（空间分辨率为30 m ），PAN 图像为SPOT 图像（空间分辨率为10 m ），并作如下设计[13]：

1) 将原始的30 m 分辨率多光谱TM 图像（其由2，3，4波段组成分别记做B 波段、G 波段、R 波段）作为参考图像，记为TM1；

2) 将TM1重采样到90 m 分辨率变为降质图像，并记为TM2；

3) 将10 m 分辨率的全色SPOT 图像采样到30 m 分辨率，并记此图像为SPOT2；

4) TM2和SPOT2经过几何配准，配准精度在1个像元以内，大小为256×256．

其中，TM1，TM2，SPOT2分别如图1～图3所示。

图1 TM1(原始MS 图像，即参考图像) Fig. 1 TM1(Original MS image, reference image)

基于NSCT 的遥感图像融合性能评价及分析

第4卷第1期

2009年1月48 中国科技论文在线Sciencepaper Online

图2TM2(降质MS图像) 图3SPOT(高分辨率PAN图像)

Fig. 2 TM2(The degraded image) Fig. 3 SPOT(High resolution PAN image)

下述的WTM，WTS，CTM，CTS，NSCTM，NSCTS （分别表示基于DWT，CT和NSCT利用绝对值选大和局部方差选大进行融合）及本文方法的实验都是针对TM2和SPOT2进行融合的，实验中分解层数选DWT 为3层，选CT和NSCT为4层（对应于4层方向分解数分别为16，8，4，3），局域窗口大小为3 m×3 m．各算法的融合结果图像分别如图4所示。

(a)WTM融合结果(b)WTS 融合结果(c)CTM融合结果(d)CTS融合结果

(e)NSCTM融合结果 (f)NSCTS 融合结果(g)本文方法融合结果

图4 各算法的融合结果

Fig. 4 The fusion results of different algorithm

利用主观评价方法对各种方法的融合结果进行评

价可以看出，各种融合方法得到的结果在空间质量上都

比融合前的TM2图像有明显提高，而且基于CT和

NSCT各种方法的融合结果与DWT相比要更接近于参

考图像TM1．

从图4可以看出，基于CT的融合结果有较大的色

彩畸变，较基于DWT的结果稍差，而基于NSCT的融

合结果光谱特性保持最好。试验结果表明，在保证一定

空间细节质量的条件下，本文方法可以更好地保持多光

谱图像中的光谱信息。

3.1.2融合图像的光谱质量评价

引入3个衡量融合图像光谱质量的参数，

1) 相关系数(correlation coefficient，CC)。指融合图

像的B，G，R波段和参考图像TM1对应波段之间的相

关系数。

2) 相对平均光谱误差指数，定义为RASE为下标：

RASE

P=，(7)

其中，M为参考图像TM1所有波段的中值；N为参考

图像TM1波段数目，实验中N=3；X i(i=1, 2, 3)分别表示

B、G、R波段；R(X i)为X i波段的均方根误差，定义为：

222

()()()

i i i

R X X X

δ

=Δ+，(8)

第4卷第1期

2009年1月49

其中Δ为参考图像1个波段的中值与融合图像对应波段的中值的偏差；标准方差偏差δ为参考图像1个波段的标准方差与融合图像对应波段标准方差的偏差；P用百分数表示，理想情况应为0．

3) 相对整体维数综合误差[13]，定义为

ERGAS

R=，(9)

其中，h为全色图像的空间分辨率，实验中为30 m；l 为降质MS图像的空间分辨率，实验中为90 m；M(X i)为融合图像的X i波段的中值；融合图像的光谱质量越高，R ERGAS越低，理想情况应为0．

表1列出了上述各种算法的融合图像与参考图像TM1对应波段间的光谱质量参数值。可见，基于CT融合结果的RASE和ERGAS都较大，而相关系数(CC)总体偏低，甚至逊于基于DWT的结果，这表明融合图像有较严重的光谱失真。而基于NSCT的方法都取得了较DWT和NSCT更好的融合效果。所以本文的方法在改善光谱质量方面优于其他算法。

表1 各种融合算法得到的融合图像的光谱质量比较

Tab .1The spectrum quality comparison of the fused image obtained by different algorithms

DWT CT NSCT

光谱特性评价指标降质

WTM WTS CTM CTS NSCTM NSCTS 本文算法

理想B波段0.953 8 0.904 0.904 6 0.902 6 0.904 2 0.9111 0.906 4 0.908 8 1

G波段0.954 0.959 4 0.959 6 0.942 1 0.956 9 0.965 8 0.9599 0.963 7 1

CC MS

R波段0.949 4 0.908 7 0.909 9 0.900 5 0.898 8 0.922 1 0.912 6 0.919 3 1 RASE 2 4.71

4.36

5.32

5.29

4.05

4.27

3.86 0

ERGAS 0.652 7 1.933 2 1.802 5 2.229 7 2.224 3 1.655 2 1.749 9 1.574 0

3.1.3融合图像的空间细节质量评价

衡量融合算法融合图像的空间细节质量是PAN 图像的空间细节信息“注入”到整个MS图像的多少。为了评估融合图像的空间细节质量，本文采用Zhou 等[14]提出的方法，即采用拉普拉斯滤波器的滤波以提取细节信息。表2给出了降质图像TM2经拉普拉斯滤波后与PAN图像经拉普拉斯滤波后的各波段对应波段间的相关系数。

表2 不同融合算法得到的融合图像的空间质量比较

Tab .2The comparison of spatial quality obtained by different fusion algorithm

DWT CT NSCT 融合算法降质

WTM WTS CTM CTS NSCTM NSCTS 本文

理想B波段0.457 9 0.984 40.989 60.986 30.990 70.989 6 0.990 1 0.990 3 1

G波段0.464 8 0.974 30.986 60.975 60.986 30.987 5 0.991 0.990 2 1 CC PAN

R波段0.406 8 0.938 60.948 50.939 40.949 20.953 2 0.958 4 0.955 7 1

由表2可以看出，各种融合算法经过融合以后的图像，在空间细节质量方面有很大提高，而基于CT和NSCT融合算法的空间细节质量均优于基于DWT的融合方法。

在综合考虑光谱质量和空间细节质量的前提下，本文提出的基于区域特性选择的融合策略能很好地综合光谱质量和空间质量2个参数，取得较为理想的融合效果。因此，本文方法可以更好地保持多光谱图像中的光谱信息，是一种有效的遥感图像融合方法。

3.1.4阈值T对融合结果的影响

图5给出了各参数随着阈值T取值的变化趋势。可以看出，CC_MS随着T值的增大呈上升趋势，在T=0.6处取得最大（最接近理想值）值后转为下降；ERGAS，RASE随着T值的增大呈下降趋势，在T=0.6处取得最小值（最接近理想值）后转为上升；而CC_P AN随着T 值的增大始终呈上升趋势，但在T≥0.4时非常平缓无

基于NSCT的遥感图像融合性能评价及分析

第4卷第1期

2009年1月50 中国科技论文在线Sciencepaper Online

明显增加。综合考虑光谱信息的保持和空间信息的增强，在T＝0.6时本文方法的融合效果最佳。

(a) (b

)

(c) (d)

图5 各评价参数随着T的变化趋势图

Fig. 8 The trendline of every evaluation parameters along with T

3.2低分辨率多光谱图像与高分辨率图像融合

3.2.1待融合图像及其基本参数

为了更有效地研究基于NSCT的遥感图像融合的性能及计算复杂性，对IKONOS多光谱，全色图像和SAR,TM两组图像进行融合试验，如图6所示。

(a)IKONOS全色(b)多光谱图像(c)SAR图像(d)TM多光谱图像

图6 2组待融合图像

Fig. 6 Two groups of images to be fused

第4卷 第1期 2009年1月

513.2.2评价指标

为了评估融合图像的光谱质量，以计算融合图像与MS 图像相应波段的相关系数和光谱扭曲程度对融合结果的光谱特性进行评价。相关系数越大光谱特性越接近原MS 图像，理想值为1。而图像的光谱扭曲程度直接反应了多光谱图像的光谱失真程度。第k 个光谱分量的光谱扭曲程度定义为

()()(),,1k k k i j i j i j

D V V MN =?∑∑ ， (10) 其中，M 和N 分别为图像的行数和列数；(),k i j

V 和()

,k i j V 分别为第k 个光谱分量在原始图像和融合图像上(i , j )点的像素灰度值。D (k )值越大，表明在k 光谱段的差异越大，光谱失真越严重，反之则光谱质量越好，理想值为0．对融合图像的空间细节质量的评价仍采用相关系数进行评价。

3.2.3融合结果及其性能评价

图7所示为两组利用WTM ，WTS ，CTM ，CTS ，NSCTM ，

NSCTS 进行融合的实

验结果

WTM WTS CTM

CTS

NSCTM NSCTS

本文算法

(a) IKONOS 融合结果

WTM WTS CTM

CTS

NSCTM NSCTS 本文算法

(b ) SAR&TM 融合结果 图7 两组图像的融合结果 Fig. 7 Two groups of fusion results

基于NSCT 的遥感图像融合性能评价及分析

第4卷 第1期 2009年1月

52 中国科技论文在线 Sciencepaper Online

从视觉效果上看，融合所得多光谱图像较源MS 图像在空间分辨率上都有明显提高，且SAR 与TM 的融合结果比原TM 图像的纹理信息更加丰富。

表3所示为用不同算法得到的不同图像融合结果的评价参数。可以看出，本文所提出的基于区域特性

选择的融合策略，很好地均衡了融合结果中的空间细节信息和光谱信息两项特征指标，保持光谱信息效果最佳，而与局部方差选大方法基本相比，空间细节信息有小幅提高。

表3 利用不同算法得到的融合结果参数

Tab. 3 The comparison of parameters in the fused result obtained by different algorithms

光谱特性参数

空间信息参数

图源

融合方法

CC_R CC_G CC_B D_R D_G D_B C_R C_G C_B 绝对值选大 0.864 7 0.866 2 0.864 56.918 3 57.051 1 38.879 1 0.960 5 0.95 0.936 7 DWT

局部方差 0.851 1 0.853 0.844 3 58.402 3 58.637 6 50.425 5 0.969 0.9581 0.943 5 绝对值选大 0.858 9 0.860 2 0.858 3 57.888 8 57.978 9 39.380 7 0.964 5 0.953 7 0.939 8 CT

局部方差 0.844 8 0.846 5 0.791 6 59.152 4 59.159 3 50.885 3 0.969 1 0.958 2 0.943 6 绝对值选大

0.875 7 0.872 7 0.871 1 52.964 9 53.278 36.169 5 0.969 2 0.957 8 0.943 8 局部方差 0.872 4 0.865 4 0.864 2 53.668 3 53.794 6 36.484 1 0.970 5 0.959 6 0.944 9 IKONOS

NSCT

本文算法

0.888 7 0.875 9 0.874 2 52.905 9 53.178 36.131 5 0.971 3 0.965 9 0.954 5 绝对值选大 0.816 7 0.804 2 0.802 6 24.025 38.114 5 32.560 2 0.758 4 0.866 5 0.849 1 DWT

局部方差 0.783 0.782 9 0.778 8 25.679 4 39.461 3 33.843 3 0.763 3 0.883 6 0.879 3 绝对值选大 0.814 3 0.797 0.795 3 24.060 5 38.516 3 32.948 6 0.759 5 0.865 5 0.846 9 CT

局部方差 0.768 6 0.768 8 0.765 3 26.066 7 40.339 7 34.605 4 0.764 3 0.896 0.880 1 绝对值选大 0.827 1 0.819 6 0.810 6 22.666 4 36.447 3 31.047 8 0.784 4 0.887 1 0.871 6 局部方差 0.818 3 0.806 6 0.805 5 22.755 9 36.670 8 31.29 0.790 9 0.896 6 0.881 3 SAR 和 TM

NSCT

本文算法

0.834 4

0.821 2

0.819 7

22.381

36.225 6

30.792 8

0.790 9

0.896

0.881 1

理想值

1 1 1 0 0 0 1 1 1

表4 不同算法融合计算时间比较

Tab.4 The comparison of time cost by different algorithms

图源

融合方法

融合所需时间/s

图源

融合方法

融合所需时间/s

图源

融合方法

融合所需时间/s

绝对值选大 0.69 绝对值选大 0.56 绝对值选大 2.97 DWT

局部方差 27.3 DWT

局部方差 27.19 DWT

局部方差 104.39 绝对值选大 1.69

绝对值选大 1.59 绝对值选大 9.97 CT

局部方差 32.77

CT 局部方差 33.33 CT

局部方差 134.38 绝对值选大 240.48 绝对值选大 240.16 绝对值选大 965.27

局部方差 503.05 局部方差 498 局部方差 2016.5 仿真 TM & SPOT

NSCT 本文算法 323.61

IKON

OS

NSCT 本文算法 325.05

SAR & TM

NSCT 本文算法 1301.7

采用相同的系数选择策略时，基于CT 的融合结果其空间信息质量较DWT 有一定的提高，但略逊于NSCT ，在光谱信息的保持上大部分参数均逊于DWT 。而基于NSCT 的融合结果不论在光谱信息的

保持上还是在空间信息的增强上均优于DWT 和CT 。由此可见，本文提出的基于区域特性选择的系数选择策略进一步提高了基于NSCT 的融合算法的性能。

第4卷第1期

2009年1月53

4计算复杂性分析

本节将通过对3组遥感图像进行融合所需的时间对基于NSCT的遥感图像融合的计算复杂性进行探讨。本文所有的融合源图像为56×256和512×512的不同（SAR&TM和仿真的TM&SPOT）用于比较图像大小变化对算法复杂性的影响；当图像大小相同时，数据位数为8位和16位的不同（IKONOS和仿真的TM与SPOT）用于比较数据位数变化对算法复杂性的影响。表4所示为不同融合算法的执行时间。其中，基于区域特性选择的融合方法的执行时间为T在0~1之间以0.1为步长进行取值，即11次融合实验的平均值。由表4可知，在相同的融合规则下，运用DWT进行融合所耗费的时间最短；运用NSCT进行融合所耗费的时间最长。本文算法虽然比基于单个像素的绝对值选大融合方法所耗费的时间长，但是较基于区域的局部方差选大融合方法所耗费的时间明显缩短，而且取得了最好的效果。另外，由表4可见，所耗费的时间与数据的位数不相关，而当图像增大时其运算速度也基本保持不变。

5结 论

本文对NSCT在遥感图像融合中的性能及计算复杂性进行了深入的研究与分析，并提出一种基于非采样Contourlet变换和区域特性选择的遥感图像融合方法。离散小波变换和采样的Contourlet变换的对比实验结果表明，基于NSCT的融合方法计算复杂性较DWT明显提高，所取得的融合效果更好。

在相同的融合规则下，运用DWT进行融合所耗费的时间最短；运用CT进行融合所需时间较DWT长，但二者所耗费的时间在同一量级内差别不大；运用DWT进行融合所耗费的时间最长，由于要对滤波器进行插值处理，并且高频方向分量个数多、每个分量均有与原图像相同的大小，虽然增加了程序的运行量，但得到了最好的融合效果。

在采用相同的变换时，运用局部方差选大融合规则做融合处理所耗费的时间最长。本文算法虽然比基于单个像素的绝对值选大融合方法所耗费的时间长，但是较基于区域的局部方差选大融合方法所耗费的时间明显缩短，而且取得了最好的效果。

基于NSCT的各种融合方法可以在提高空间信息质量的同时，较好地保持原始多光谱图像的光谱信息。改善了传统的多分辨率融合算法的融合效果，弥补了“采样的Contourlet变换”在遥感图像融合应用中会导致较严重的色彩畸变的缺陷。而本文算法在基于NSCT 的各种融合方法中表现最好，是一种较有效的遥感图像融合策略。

[参考文献] (References)

[1]CANDES E J. Harmonic analysis of neural networks [J]. Applied and

Computational Harmonic Analysis,1999, 6(2): 197-218.

[2]练秋生, 孔令富. 冗余轮廓波变换的构造及其在SAR图像降斑中

的应用[J]．电子与信息学报, 2006, 28(7):1215-1218.

LIAN Qiusheng, KONG Lingfu. The construction of redundant contourlet transform and its application to SAR image despeckling

[J]. Journal of Electronics & Information Technology, 2006, 28(7):1215-1218. (in Chinese)

[3]DO M N, VETTERLI M. Contourlet: A direction multiresolution

image representation[C]//IEEE International Conference on Image Processing, Rochester,[s.n.], 2002:357-360.

[4]DO M N, VETTERLI M. Contourlets, beyond wavelet [M].

Academic Press,2003.

[5]DO M N, VETTERLI M. The contourlet transform: an efficient

directional mulitiresolution image representation [J]. IEEE Transactions on Image Processing, 2005, 14(6):760-769.

[6]CUNHA A L, ZHOU J, DO M N. Nonsubsampled contourlet

transform: filter design and applications in denoising [C]//IEEE International Conference on Image Processing, 2005(ICIP2005).

USA. 2005, 9(1):49-52.

[7]CUNHA A L, ZHOU J, DO M N. The nonsubsampled contourlet

transform: theory, design, and applications [J]. IEEE Transactions on Image Processing, 2006, 15(10):3089-3101.

[8]贾建，焦李成，孙强. 基于非下采样Contourlet变换的多传感器

图像融合[J].电子学报,2007, 35(10):1934-1938.

JIA Jian, JIAO Licheng, SUN Qiang. The nonsubsampled contourlet

transform in multisensor images fusion [J]. Acta Electronica Sinica,2007,35(10):1934-1938. (in Chinese)

[9]Y ANG Xiaohui, JIAO Licheng. Fusion alogorithm for remote sensing

images based on nonsubsampled contourlet transform [J]. Acta Automatic Sinica,2008, 34(3):274-281.

[10]PIELLA G. A. general framework for multiresoulation image fusion:

from pixels to regions [J]. Information Fusion,2003, 4(4):259-280. [11]刘贵喜，杨万海.基于小波分解的图像融合方法及性能评价[J].自

动化学报,2002,28(6):927-934.

LIU Guixi, Y ANG Wanhai. A wavelet-decomposition-based mage fusion scheme and ITS performance evaluation [J]. Journal

of Autoimmunization,2002，28(6):927-934. (in Chinese) [12]BURT P J, KOLCZYNSKI R J. Enhanced image capture through

fusion [C]//Proceedings of the Fourth International Conference on Computer Vision:[s.n.],1993: 173-182.

[13]MAIA G A, JOSE L S, Raquel garcia catalan, rafael garcia. fusion of

multispectral and panchromatic images using improve IHS and PCA mergers based on wavelet decomposition [J].IEEE Transactions on Geosciences and Remote Sensing. 2004, 42(6):1291-1299.

[14]ZHOU J, CIVCO D L, SILANDER J A. A wavelet transforms

method to merge Landsat TM and SPOT panchromatic data [J].

International Journal of Remote Sensing, 1998, 19(4): 743-757.

基于NSCT的遥感图像融合性能评价及分析

遥感图像融合方法比较

1 绪论 1.1研究目的及意义 20世纪90年代中后期以后，搭载许多新型传感器的卫星相继升空，使得同一地区的遥感数据影像数目不断增多。如何有效地利用这些不同时相、不同传感器、不同分辨率的遥感数据便成为了遥感工作者研究的瓶颈问题，然而解决这一问题的关键技术就是遥感影像数据融合。 遥感数据融合就是对多个遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定法则（算法）进行处理，获得比单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。 遥感是不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一遥感器的遥感数据都不能全面的反映目标对象的特征，也就是有一定的应用范围和局限性。各类非遥感数据也有它自身的特点和局限性。影像数据融合技术能够实现数据之间的优势互补，也能实现遥感数据与地理数据的有机结合。数据融合技术是一门新兴的技术，具有十分广阔的应用前景。所以，研究遥感影像数据融合方法是非常必要的。 1.2研究现状及发展的趋势 1.2.1研究现状 20世纪美国学者提出“多传感器信息融合”的概念认为在多源遥感影像数据中能够提取出比单一遥感影像更丰富、更有效、更可靠的信息。之后由于军事方面的要求，使得遥感影像数据融合技术得到了很大的发展，美、英，德等国家已经研制出了实用的遥感数据融合处理的系统和软件，同时进行了商业应用。 1）、融合结构 融合的结构可分为两类：集中式和分布式。集中式融合结构：各传感器的观测数据直接被送到中心，进行融合处理，用于关联、跟踪、识别等。分布式融合结构：每个传感器独立完成关联、识别、跟踪，然后由融合中心完成配准、多源关联的融合。 2）、融合的层次 图像融合可分为：像元级融合、特征级融合和决策级融合。 像元级融合是最低级的信息融合，可以在像素或分辨单位上进行，又叫做数据级融合。它是对空间配准的遥感影像数据直接融合，然后对融合的数据进行特征提取和属性说明。 特征级融合是由各个数据源中提取特征信息进行综合分析和处理的过程，是中间层次的融合。特征级融合分为目标状态信息融合和目标特征融合。 决策级融合是在信息表示的最高层次上进行融合处理。首先将不同传感器观测同一目标获得的数据进行预处理、特征提取、识别，以建立对所观测目标的初步理论，然后通过相关处理、决策级融合判别，最终获得联合推断结果，从而为决策提供依据。

6-遥感图像特征和解译标志

上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造

第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；

遥感数字图像处理要点

遥感数字图像处理-要点 1．概论 遥感、遥感过程 遥感图像、遥感数字图像、遥感图像的数据量 遥感图像的数字化、采样和量化 通用遥感数据格式（BSQ、BIL、BIP） 遥感图像的模型：多光谱空间 遥感图像的信息内容： 遥感数字图像处理、遥感数字图像处理的内容 遥感图像的获取方式主要有哪几种? 如何估计一幅遥感图像的存储空间大小? 遥感图像的信息内容包括哪几个方面？ 多光谱空间中，像元点的坐标值的含义是什么？ 与通用图像处理技术比较，遥感数字图像处理有何特点？ 遥感数字图像处理包括那几个环节？各环节的处理目的是什么？ 2.遥感图像的统计特征 2.1图像空间的统计量 灰度直方图：概念、类型、性质、应用 最大值、最小值、均值、方差的意义 2.2多光谱空间的统计特征 均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义 波段散点图概念及分析 主要遥感图像的统计特征量的意义 两个重要的图像分析工具：直方图、散点图 3.遥感数字图像增强处理 图像增强：概念、方法 空间域增强、频率域增强

3.1辐射增强：概念、实现原理 直方图修正，线性变换、分段线性变换算法原理 直方图均衡化、直方图匹配的应用 3.2空间增强 邻域、邻域运算、模板、模板运算 空间增强的概念 平滑（均值滤波、中值滤波）原理、特点、应用 锐化、边缘增强概念 方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点 ?计算图像经过下列操作后，其中心象元的值： –3×3中值滤波 –采用3×3平滑图像的减平滑边缘增强 –域值为2的3×1平滑模板 –Sobel边缘检测 –Roberts边缘检测 –模板 3.3频率域处理 高频和低频的意义 图像的傅里叶频谱 频率域增强的一般过程 频率域低通滤波 频率域高通滤波 同态滤波的应用

遥感图像分析与处理试题答案

遥感图像处理与分析作业 一、名词解释 1.辐射亮度：辐射源在某一方向的单位投影表面在单位立体角内的辐射通量。 2.光谱反射率：被物体反射的光通量与入射到物体的光通量之比。 3.合成孔径雷达：合成孔径雷达就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。利用遥感平台的移动，将一个小孔径的天线安装在平台侧方，以代替大孔径的天线，提高方位分辨率的雷达。 4.假彩色遥感图像：根据加色法合成原理，选择遥感影像的某三个波段分别赋予红、绿、蓝三种原色，就可以合成彩色影像。 5.大气窗口：由于大气层的反射、散射和吸收作用，使得太阳辐射的各波段受到衰减的作用轻重不同，因而各波段的透射率也各不相同。把受到大气衰减作用较轻、透射率较高的波段叫大气窗口 6.图像空间分辨率：指像素所代表的地面范围的大小，即扫描仪的瞬时视场，或地面物体能分辨的最小单元。 7.NDVI: (Normal Differential Vegetation Index)归一化植被指数。被定义为近红外波与可见光红波段图像灰度值之差和这两个波段图像灰度值之和的比值。 8.像点位移：地形的起伏和投影面的倾斜会引起航片上像点的位置的变化，叫像点位移。 9.后向散射：在两个均匀介质的分界面上，当电磁波从一个介质中入射时，会在分界面上产生散射，这种散射叫做表面散射。在表面散射中，散射面的粗糙度是非常重要的，所以在不是镜面的情况下必须使用能够计算的量来衡量。通常散射截面积是入射方向和散射方向的函数，而在合成孔径雷达及散射计等遥感器中，所观测的散射波的方向是入射方向，这个方向上的散射就称作后向散射。 10.大气校正：大气校正就是指消除由大气散射引起的辐射误差的处理过程。 11.漫反射：当一束平行的入射光线射到粗糙的表面时，表面会把光线向着四面八方反射，所以入射线虽然互相平行，由于各点的法线方向不一致，造成反射光线向不同的方向无规则地反射，这种反射称之为“漫反射”或“漫射”。 12.中心投影：把光由一点向外散射形成的投影，叫做中心投影。 13.瞬时视场角：扫描镜在一瞬时时间可以视为静止状态，此时接收到的目标地物的电磁波辐射，限制在一个很小的角度之内，这个角度称为瞬时视场角。 14.亮度温度：若实际物体在某一波长下的光辐射度 (即光谱辐射亮度) 与绝对黑体在同一波长下的光谱辐射度相等,则黑体的温度被称为实际物体在该波长下的亮度温度。 15.红外遥感：（infrared remote sensing）是指传感器工作波段限于红外波段范围之内的遥感。探测波段一般在0.76——1000微米之间。是应用红外遥感器（如红外摄影机、红外扫描仪）探测远距离外的植被等地物所反射或辐射红外特性差异的信息，以确定地面物体性质、状态和变化规律的遥感技术。 二、简述题

遥感影像融合处理方法

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。

高分辨率遥感图像融合方法的比较正式

包头师范学院 本科学年论文 论文题目：高分辨率遥融图像融合方法比较院系：资源与环境学院 专业：地理信息系统 学号：0912430022 姓名：郭殿繁 指导教师：同丽嘎 撰写学年：2010 至2011 学年 二零一零年十二月

摘要：目前，遥感中高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。本文通过对遥感影像四种融合方法的研究，并且用呼和浩特市快鸟影像图像融合举例，加深对四种融合方法的理解和理论应用，最后通过截取呼和浩特市快鸟影像的原始多波段彩色影像和原始高分辨率全色波段影像的一部分进行四种融合方法来进行精度的比较，以ENVI4.7软件作为平台，最终得出，Gram-Schmidt变换效果最好，HSV变换融合效果最差。 关键词：图像融合；PCA变换；Gram-Schmidt变换；Brovey变换；HSV变换；精度比较 Abstract: At present, the remote sensing high resolution full-color remote sensing image and low spatial resolution multi-spectral remote sensing image fusion is image fusion technology application of mainstream. This article through to four kinds of remote sensing image fusion method with the principle and analysis, and in Hohhot, fast image image fusion for example, the bird to deepen the understanding of four fusion method and theory, and finally by intercepting the original image Hohhot fast bird multichannel color image and primitive high-resolution full-color band image on the part of four fusion method for precision compared to ENVI4.7 software as a platform to finally arrive, the best effect, Schmidt transform - the worst. Fusion result transformation HSV. Key words: image fusion, PCA transform; Schmidt transform; the - Brovey transform; HSV transform; Precision；

利用ENVI软件进行遥感图像的融合和增强实习报告

遥感图像处理实习报告 实验内容：影像融合与增强 班级：测绘1102班 学号：13 姓名： 指导老师：陈晓宁、黄远程、竞霞、史晓亮 西安科技大学 测绘科学与技术学院 二零一三年一月 实习三影像融合与增强

一、实习内容： 1.掌握ENVI中各种影像融合方法，并比较各方法的优缺点； 2.熟悉ENVI图像增强操作； 3.本实习的数据源为上节已经过校正的资源三号多光谱和全色影像。 二、实习目的： 1.了解和认识各种图像融合方法的原理、内容及要点； 2.熟悉、熟练操作ENVI软件中各种图像融合的方法、步骤并学会加以比较； 3.学习利用ENVI软件进行各种图像增强处理操作； 4.学会定性、定量分析比较图像融合的差异。 三、实习步骤： 1.图像融合： 三波段融合： HSV和Color Normalized (Brovey)变换： 1）从ENVI主菜单中，选择File → Open Image File，分别加载校正后的资源三号多光谱与全色影像到可用波段列表Available Bands List中； 2）选择多光谱3,2,1波段（可以根据需要选择）对应R，G，B，点击Load RGB将多光谱影像加载到显示窗口display#1； 3）在ENVI的主菜单选择Transform → Image Sharpening → HSV； 4）在Select Input RGB Input Bands对话框中，选择Display #1，然后点击OK。 5）从High Resolution Input File对话框中选择全色影像，点击OK。 6）从HSV Sharpening Parameters对话框中，选择重采样方法，并输入输出路径和文件名，点击OK。即可完成HSV变换融合；

流行的遥感图像处理软件比较

遥感软件 PCI遥感图像处理软件简介 PCI GEOMATICA是PCI公司将其旗下的四个主要产品系列，也就是PCI EASI/PACE、（PCI SPANS，PAMAPS）、ACE、ORTHOENGINE，集成到一个具有同一界面、同一使用规则、同一代码库、同一开发环境的一个新产品系列，该产品系列被称之为 PCI GEOMATICA。对于20多年来一直致力于向地学界提供全方位解决方案的PCI公司来说，始终坚持领先一步的原则，地理咨讯永远在变迁，而地理咨讯软件更处于变迁的前沿。在今天，随着用户需求广度与深度的不断拓宽与加深，越来越多的人希望软件是一个可以满足用户所有需求的良好的工具。由于对这一点的正确把握，经过4年努力，PCI公司将原有的四个产品系列整合在一起，产生了一个使用简单、灵巧的工作平台----PCI GEOMAITCA。该系列产品在每一级深度层次上，尽可能多的满足该层次用户对遥感影像处理、摄影测量、GIS空间分析、专业制图功能的需要，而且使用户可以方便地在同一个应用界面下，完成他们的工作。在这之前，用户需用多个软件来实现，并且需要面对多个软件经销商、多个软件技术支持、多次的培训、对多个软件的维护，以及不得不投入相当大的精力来在多种数据格式间，进行数据转换。产品模块功能介绍 PCI Geomatica FreeView ( PCI地理咨讯通用视窗) FreeView是PCI公司为用户提供的一个免费的影像浏览工具，用户可以从PCI的网址上直接下载。用于浏览、显示各种数据，如矢量、位图、卫星影像（如LANDSAT, SPOT, RADARSAT, ERS-1/2, NOAA A VHRR等）、航片以及与GIS矢量数据叠加显示、进行属性查询等。FreeView 还具有影像增强，任意漫游、缩放、影像灰度值矩阵显示等功能 PCI Geomatica GeoGateway （PCI通用数据转换工具）PCI Geomatica GeoGateway包含PCI Geomatica FreeView的所有功能。 PCI Geomatica Fundamentals (PCI 地理咨讯基础版) PCI Geomatica Fundamentals包含PCI Geomatica GeoGateway的所有功能。主要包括以下部件： Focus 浏览环境 OrthoEngine FLY!（演示模式）软件许可管理器 PCI Geomatica Prime （PCI地理咨讯专业版） PCI Geomatica Prime包含PCI Geomatica Fundamentals（见上一节）的所有功能。此外，增加了PCI Modeler、EASI、FLY!、算法库等模块。 Geomatica Prime 是强大的、低成本解决方案，提供的工具可用于影像几何校正、数据可视化与分析以及专业标准地图生产。 PCI Productivity Tools （PCI地理咨讯生产工具）该软件是PCI公司为了提高PCI软件的生产能力和效率而专门设计的，其主要功能是为用户提供一系列自动或批处理操作的导向功能。该软件是PCI GEOMATICA PRIME或FUNDAMENTALS功能的扩展。主要提供影像自动镶嵌功能及针对ORTHOENGINE 系列产品的航片，光学卫星影像，雷达卫星的自动同名点收集功能。同时提供影像控制点库及库管理功能。 PCI AIRPHOTO MODEL （PCI地理咨讯系统航空正射影像处理器）是一个与PCI Geomatica Fundamentals或Geomatica Prime模块一起使用的功能强大的航空照片正射校正工具。该模块运用了特殊的算法模型将已经扫描的或由数字摄像机得到的照片制作成精确的正射影像图。所生成的图像可以转化为多种文件形式，作为许多GIS/CAD/MAP软件的数据源。同时用户可选择附加的DEM自动提取、3DVIEW 和三维特征提取模块（OrthoEngine Airphoto DEM）来构造自己的数字摄影测量软件包。该软件具有如下功能：项目工程文件建立（含

实验五 遥感图像的融合

实验五遥感图像的融合 一、实验目的和要求 1.理解遥感图像的融合处理方法和原理； 2.掌握遥感图像的融合处理，即分辨率融合处理。 二、设备与数据 设备：影像处理系统软件 数据：TM SPOT 数据 三、实验内容 多光谱数据与高分辨率全色数据的融合。 分辨率融合是遥感信息复合的一个主要方法，它使得融合后的遥感图象既具有较好的空间分辨率，又具有多光谱特征，从而达到增强图象质量的目的。 注意：在调出了分辨率融合对话框后，关键是选择融合方法，定义重采样的方法。 四、方法与步骤 融合方法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt 等。ENVI 里除了SFIM 以外，上面列举的都有。 HSV 可进行RGB 图像到HSV 色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回RGB 色度空间。输出的RGB 图像的像元将与高分辨率数据的像元大小相同。 打开ENVI,在主菜单中打开数据文件LC81200362016120LGN00_MTL 选择File>data manage，任意选择3个波段组合，查看效果

打开分辨率为30和15的图像

下图分别是分辨率为30、15的，可以看到图像清晰度明显发生改变，分辨率越高，图像越清晰

下面进行融合 点击工具栏中的Image Sharpening>Gram-Schmidt Pan Sharpening，在对话框中点击Spectral Subset…改变其波段 选择如下图所示的三个波段

三种图像融合方法实际操作与分析

摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多

光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清

遥感图像融合质量评价方法

遥感图像融合质量评价方法 武坚李崇伟王积武李相全 (68011部队甘肃兰州 730020) 摘要：图像融合可为摄影测量与遥感提供高质量的遥感融合图像。遥感融合图像质量如何是图像使用者关心的一个重要问题。本文运用主观评价、客观评价、几何质量等三种评价方法对融合后的遥感图像的质量展开讨论。实践表明这些评价方法能够保证融合后图像高质量地应用于摄影测量与遥感生产。 关键词：主观评价客观评价几何质量质量评价 1．前言 摄影测量与遥感[1]是以数字影像为基础，来确定被摄物体的形状、大小、空间位置及其性质。遥感图像是摄影测量与遥感最原始、最基本的资料。高质量的遥感图像是完成摄影测量与遥感的基础。遥感影像融合[2]是将多传感器、多时相、多光谱和多分辨率影像的各自局部优势信息整合处理，以提供高分辨率、多光谱的单一图像，解决遥感影像解译过程中信息不足的问题。由此看出，图像融合可以为摄影测量与遥感提供高质量的遥感影像。 2．图像融合的评价方法 当前对融合后图像的质量评价主要是主观目视与统计相关信息参数相结合的办法，即：利用目视效果和信息熵、清晰度、平均梯度、偏差指数、均方根误差等参数统计分析，而对融合后图像的几何量测性则关注较少。对于摄影测量与遥感应用，几何精度是一个很重要的因素。本文结合摄影测量与遥感应用角度，来对分析融合后图像的质量做出评价。 站在通用图像处理角度，目前大多数对影像质量评价分为主观评价和客观评价，并结合起来使用。主观评价是通过目视观察进行分析，客观评价是利用图像的统计参数进行判定。严格意义上讲，融合图像的主客观评价应该是一致的，即图像的统计参数特征应该符合人眼的目视感觉。但由于遥感图像融合具有特殊性，它不仅仅要求提高融合图像的空间分辨率，而且要尽可能制约[2]。因此，对遥感融合图像的质量评价，应综合考虑空间细节的增强和光谱保持原始图像的光谱特征。此外，这两个要求在很大程度上是不太相容，相互信息的保持两个方面，利用图像的统计参数结合目视观察来分析与评价。 对于摄影测量与遥感而言，影像的几何质量（影像的可量测性）是很重要的一个因素，它将决定融合图像能否达到数字地形图生产的精度限差[4]。因此，从主观、客观、几何质量等三个方面对做出质量评价可以保证融合后图像高质量地应用于摄影测量与遥感生产。

遥感专题讲座——影像信息提取(四、面向对象特征提取)

面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。

影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。

遥感图像处理方法

遥感图像处理方法 随着遥感技术的快速发展，人们已经从遥感集市中获得了大量的遥感影像数据，如何从这些影像中提取人们感兴趣的对象已成为人们越来越关注的问题。但是传统的方法不能满足人们已有获取手段的需要，另外GIS的快速发展为人们提供了强大的地理数据管理平台，GIS数据库包括了大量空间数据和属性数据，以及未被人们发现的存在于这些数据中的知识。将GIS技术引入遥感图像的分类过程，用来辅助进行遥感图像分类，可进一步提高了图像处理的精度和效率。如何从GIS数据库中挖掘这些数据并加以充分利用是人们最关心的问题。GIS支持下的遥感图像分析特别强调RS和GIS的集成，引进空间数据挖掘和知识发现（SDM&KDD）技术，支持遥感影像的分类，达到较好的结果，专家系统表明了该方法是高效的手段。 遥感图像的边缘特征提取观察一幅图像首先感受到的是图像的总体边缘特征，它是构成图像形状的基本要素，是图像性质的重要表现形式之一，是图像特征的重要组成部分。提取和检测边缘特征是图像特征提取的重要一环，也是解决图像处理中许多复杂问题的一条重要的途径。遥感图像的边缘特征提取是对遥感图像上的明显地物边缘特征进行提取与识别的处理过程。目前解决图像特征检测/定位问题的技术还不是很完善，从图像结构的观点来看，主要是要解决三个问题:①要找出重要的图像灰度特征；②要抑制不必要的细节和噪声；③要保证定位精度图。遥感图像的边缘特征提取的算子很多，最常用的算子如Sobel算子、Log算子、Canny算子等。 1）图像精校正 由于卫星成像时受采样角度、成像高度及卫星姿态等客观因素的影响，造成原始图像非线性变形，必须经过几何精校正，才能满足工作精度要求一般采用几何模型配合常规控制点法对进行几何校正。 在校正时利用地面控制点(GCP)，通过坐标转换函数，把各控制点从地理空间投影到图像空间上去。几何校正的精度直接取决于地面控制点选取的精度、分布和数量。因此，地面控制点的选择必须满足一定的条件，即：地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。地面控制点选好后，再选择不同的校正算子和插值法进行计算，同时，还对地面控制点(GCPS)进行误差分析，使得其精度满足要求为止。最后将校正好的图像与地形图进行对比，考察校正效果。 2）波段组合及融合 对卫星数据的全色及多光谱波段进行融合。包括选取最佳波段，从多种分辨率融合方法中选取最佳方法进行全色波段和多光谱波段融合，使得图像既有高的空间分辨率和纹理特性，又有丰富的光谱信息，从而达到影像地图信息丰富、视觉效果好、质量高的目的。 3）图像镶嵌 如果工作区跨多景图像，还必须在计算机上进行图像镶嵌，才能获取整体图像。镶嵌时，除了对各景图像各自进行几何校正外，还需要在接边上进行局部的高精度几何配准处理，并且使用直方图匹配的方法对重叠区内的色调进行调整。

遥感图像处理与分析

《遥感图像处理与分析》实践教学（上机教学）大纲 实验课编号：课程总学时：56 实验学时：18 实验项目数：4 【实验目的和要求】 通过实验，使学生掌握遥感数字图像的基本处理、遥感图像计算机分类和地形分析的方法和过程，初步了解ERDAS软件的用法。要求：学生每次实验前必须根据实验指导书，设计出实验方案（实验步骤）；在实验过程中要求独立进行操作，必须学会使用在线帮助解决实验中遇到的问题，必须应用理论知识分析问题、解决问题。上机结束后写出实验报告，对实验过程进行分析和总结。 【教科书、参考书】 《遥感导论》.梅安新.彭望琭等编著.高等教育出版社.2002.6.（2001年7月第一版） .面向21世纪课程教材。 《遥感地学分析》.陈述彭、赵英时，测绘出版社，1990 《遥感实习教程》.刘慧平、秦其明、彭望琭、梅安新，高等教育出版社，2001 《遥感技术基础》.卢国铭、姜遵富、方永绥，科学出版社，1984 《遥感概论》.吕国楷、洪启旺、郝允充、王文明，修订版，高等教育出版社，1995 《遥感物理基础》.吕斯骅，商务印书馆，1981 《遥感数据的计算机处理与地理信息系统》.彭望琭，北京师范大学出版社，1991 《遥感图像目视解译原理与方法》.濮静娟，中国科学技术出版社，1992 《遥感精解》.日本遥感研究会编，刘勇卫、贺雪鸿译，测绘出版社，1993 《遥感影像地学理解与分析》.周成虎等，科学出版社，1999 【内容和学时分配】

《遥感图像处理与分析》实验指导书 1.内容题目：遥感图像的基本处理 1.1目的与要求：使学生掌握遥感数字图像多波段合成，图像拼接、图像切割、空间增强和多光谱变换的基本操作。 1.2主要内容： 1）理解多波段图像彩色合成的基本原理，TM影像为例掌握真彩色合成和假彩色合成的过程，达到能熟练地把多波段的影像合成为所要求的彩色图像的目的； 2

第四章 遥感图像的特征

第四章遥感图像的特征 一空间分辨率 二光谱分辨率 三时间分辨率 四辐射分辨率 五遥感系统的信息容量 一空间分辨率 空间分辨率(s p a t i a l r e s o l u t i o n)，又称地面分辨率 ●前者是针对传感器或图像而言的，指图像上能够详细区分的最小单元的尺寸 或大小； ●后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。 空间分辨率的三种表示法： (1)象元(p i x e l) (2)线对数 (3)瞬时视场 空间分辨率的三种表示法： (1)象元(p i x e l)，指瞬时视域内所对应的地面面积，即与一个象元大小相当的地面尺寸，单位为米(m)。 如L a n d s a t T M一个象元相当地面28.5×28.5m的范围，简称空间分辨率30m……。 象元是扫描影像的基本单元，是成像过程中或用计算机处理时的基本采样点。 (2)线对数(L i n e P a i r s)，对于摄影系统而言，影像最小单元的确定往往通过l毫米间隔内包含的线对数，单位为线对／毫米(1／m m)。 所谓线对指一对同等大小的明暗条纹或规则间隔的明暗条对 (3)瞬时视场(I F O V)，指遥感器内单个探测元件的受光角度或观测视野，单位为毫弧度(m r a d)。

I F O V越小，最小可分辨单元(可分像素)越小，空间分辨率越高。 一个瞬时视场内的信息，表示一个象元 遥感数据的概括能力 地面目标是个多维的真实模型，是个无限、连续的信息源(时空尺度上)；遥感数据是对地面信息源有限化、离散化的二维平面记录。 像元的大小反映了离散化程度。 从地面原型到遥感信息，即把地面信息有限化、离散化过程必然要损失部分信息，这本身就是一种概括能力。其概括程度是随着空间分辨率的增大而增加的。这种概括能力对于宏观概念的建立是有意义的 几何特性 每张遥感图像与所表示的地表景观特征之间有特定的几何关系。这种几何关系是由遥感仪器的设计、特定的观测条件、地形起伏和其它因素决定的。 地面目标均有其一定的空间分布特征(位置、形状、大小、相互关系)。 从地面原型经遥感过程转为遥感信息后，受大气传输效应和传感器成像特征的影响，这些地面目标的空间特征被部分歪曲，发生变形 全景摄影图像的几何畸变 常规象片（A）与扫描图象（B）几何畸变比较 二光谱分辨率 光谱分辨率——指传感器在接收目标辐射的波谱时能分辨的最小波长间隔。 ●决定了传感器所选用的波段数量的多少、各波段的波长位置、及波 长间隔的大小 光谱分辨率越高，专题研究的针对性越强，对物体的识别精度越高，遥感应用分析的效果也就越好。 但是，多波段信息直接地综合解译是较困难的，而多波段的数据分析，可以改善识别和提取信息特征的概率和精度

遥感图像融合的应用研究

龙源期刊网 https://www.wendangku.net/doc/2312709564.html, 遥感图像融合的应用研究 作者：付和 来源：《科技创新导报》2011年第09期 摘要:针对遥感测绘工程实际应用中的图像融合技术需求,本论文重点对遥感图像融合技术进行了分析研究,在简单介绍了遥感图像融合的基础上,重点对遥感图像融合实际应用进行了分析,探讨了面向特征信息的多源图像融合模型,并给出了遥感图像融合技术在遥感测绘工程中的实际应用,对于进一步提高遥感测绘工程的应用水平具有一定借鉴意义。 关键词:遥感测绘工程图像融合 中图分类号:P237 文献标识码:A 文章编号:1674-098X(2011)03(c)-0001-01 1 引言 本论文重点对多源遥感图像融合展开分析研究,以期从中找到可靠有效的遥感图像融合方法,并以此和广大同行分享。 2 遥感图像融合概述 图像融合是数据融合的一种重要形式。对于多源遥感数据,融合的定义可描述为:将不同类型传感器获取的图像数据经预处理后,采用一定的算法将各幅图像中所包含的信息优势或互补 性信息有机地结合起来,以产生新的数据,来获得对同一事物或目标的更客观、更本质的认识。从而大大提高融合图像的信息含量并使其在特征提取、分类、目标识别以及目视效果等方面更为有效。 按照数据抽象的三个层次,融合可分为三级,即象素级融合、特征级融合和决策级融合。 像素级融合是指将配准后的图像对象素点直接进行融合。例如,加、乘、梯度、线性平 均、比值、多元回归等运算。一般来说,融合的结果可以得到一幅信息含量更大、更全面的图像,有利于下一步的图像分析和理解。像素级融合对传感器配准的精度要求较高。其优点是保 留了尽可能多的信息,具有较高精度。缺点是处理信息量大、费时、实时性差。 特征级融合是指将经过配准的数据先进行特征提取,然后进行关联处理,使每一种传感器得到同一目标的特征向量,最后融合这些特征向量,进行图像分类或目标识别。一般来说,提取的特

遥感图像处理实例分析05a(空间滤波、公式)

空间滤波（spatial filters） 空间滤波（又称local operation） 空间滤波是一种通用的光栅图像处理操作。是根据某像素周围像素的数值，修改图像中的该像素值。它能增强或抑制图像的空间细节信号，提高图像的可视化解释。如应用滤波增强图像的边界信息，去除或减少图像中的噪音图案。突出结构特征等。 空间频率（Spatial frequency） 空间频率是所有类型的光栅数据共有的特性，它的定义是指图像中的任何一特定部分，每单位距离内数据值的变化数量。对图像上数据变化小、或渐进变化的区域称为低频区域（如平滑的湖面），对图像上数据变化大、或迅速变化的区域称为高频区域（如布满密集公路网的城区）。 空间滤波分为三大类： 低通滤波（Low pass filters）：强调的是低频信息，平滑了图像的噪音、减少了数据的菱角。因为它不在重视图像的细节部分，所以低通滤波有时又称为平滑或均值滤波。 高通滤波（High pass filters）：强调的是高频信息，增强或锐化线性特征，象公路、断层、水陆边界。因为它没有图像的低频部分，增强了图像的细节信息，所以高通滤波有时又称为锐化滤波。 边界检测滤波（Edge detection filters）：强调的是图像中目标或特征的边界，以便更容易分析。边界检测滤波通常建立一个灰色背景图和围绕图像目标或特征边界的黑白色线。 卷积核（convolution kernels） 卷积核是指二维矩形滤波距阵（或窗口），包含着与图像像素值有关的权值。滤波距阵（或窗口）在图像上从左向右，自上而下，进行平移滑动，窗口中心的像素值是根据其周围像素值与窗口中对应的每个像素的权值乘积就和而计算出来的。 ER Mapper滤波对话框如图1-1。包含着滤波文件名、滤波距阵和滤波编辑等项。 图1-1 ER Mapper滤波对话框 实习目的： 建立和删除滤波，应用不同的滤波距阵，查看结果。 实习步骤： （一）增加滤波 1．打开和显示一个已存在的算法文件

遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised