多尺度遥感影像融合技术及其算法研究进展
多尺度遥感影像融合技术及其算法研究进展
培东①,②,曾永年①,②,历华①,②
(①中南大学信息物理工程学院,长沙410083;②辽宁工程技术大学地理空间信息技术与应用实验室,阜新123000)
摘要:随着传感器光谱分辨率和空间分辨率的提高,现代遥感技术提供了金字塔状的可利用遥感数据。与此同时,也给遥感技术应用提出了挑战———如何充分、有效地利用多源、多尺度的遥感影像数据。影像融合技术为充分利用多源、多尺度的遥感影像数据提供了有效的途径。本文对目前多尺度影像融合技术及其算法的发展进行了系统分析,在此基础上,对影像融合技术的发展进行了简要的分析。
关键词:多尺度影像;影像融合;融合算法;进展
中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)88-0067-05
收稿日期:2006-04-11 修订日期:2006-06-12
基金项目:辽宁工程技术大学地理空间信息技术与应用实验室基金资助(编号2005012)作者简介:
培东(1977～),男(汉),内蒙古集宁市人,硕士生,研究方向为遥感影像处理及其应用研究。 E 2m ail :yunpeidong @https://www.wendangku.net/doc/9511247407.html,
1 引 言
随着遥感技术的发展,多源、多尺度的遥感影像已广泛应用于对地观测及其信息的获取。为了有效地利用多源、多尺度遥感数据,最大限度地获取感兴趣目标的信息,影像融合技术得到了应有的重视,并成为目前遥感影像处理领域的一个重要的研究课题。影像融合是指把来自不同传感器或同一传感器不同尺度的同一场景的两幅或多幅影像,采用一定的算法生成一组新的信息或合成影像,以提高影像的清晰度和可识别性,获得单一影像所不能提供的特征信息[1]。
影像融合不仅仅是多源、多尺度的遥感影像的简单复合,而是采用一定的算法来强调信息的优化、突出专题信息、提高影像所表达信息量、抑制或消除冗余信息,从而增加影像解译可靠性,减少模糊性、多义性、不确定性和误差。通过综合利用多种数据资料的不同优势,达到优势互补的效果。
目前影像融合的方法很多,不同的融合算法适合于不同的应用目的,有多波段影像融合、多时相影像融合、不同传感器影像融合、不同分辨率影像之间的融合[2～6]。方法虽然不同,但最终目都是要提高影像空间分辨率、改善影像的几何精度、增强特征显示能力、改善分类精度、提高变化检测能力、替代或修补影像数据的缺陷
[7～10]
。
本文针对不同尺度影像融合技术的发展,对其算法研究进展进行了较系统分析与总结,并对影像融合的评价方法进行了归纳。在此基础上,对影像融合技术今后的发展进行了简要的分析。
2 影像融合技术的发展
多尺度影像融合一般是指多光谱影像与高分辨率全色波段影像之间的融合,它既保留了多光谱影像的光谱特性,又可提高多光谱影像的空间信息。在融合后的新影像上,地
物纹理清晰、颜色区别明显,地类的边界清晰,有利于影像的解译和分类精度的提高[11]。目前影像融合的方法很多,从信息表征层次上可分为三个层次:像元级融合,特征级融合,决策级融合[12]。
像元级融合是低层次的融合技术,是直接在采集的原始数据层或其变换数据层上进行的融合,是为了补充、丰富和强化融合影像中的有用信息,使融合影像更符合人或机器的视觉性,更有利于对影像的进一步分析与处理。融合算法可分为以光谱域为主的融合和以空间域为主的两类。目前光谱域主要的融合算法有代数运算法[13～15]、Brovey 变换[16]、
IHS 变换法[17～21]、主成分变换法[13];空间域主要的算法有
高通滤波[18～21]、基于平滑滤波的融合[22]、Gram-Schimdt 变换法[23]、合成变量系数法[15]以及现在热门的小波分析法[24～26]等。
特征级的融合是较高层次的融合,这类融合技术首先对各种数据源进行目标识别的特征提取、分类等,然后对这些特征进行综合分析和融合处理。融合结果能体现大部分信息,同时使计算过程中的数据量大大减少,缺点是由于不是基于原始影像的数据,在特征提取过程中难免出现部分信息的丢失,并难以提供细微信息。主要有Bayesian 统计决策理论[27-28]
、Dempster 2Shafer 证据理论[29～30]、模糊推理[31～32]
和人工神经网络[33～34],基于统计特征[35]、基于空间自适应融合等[36]。
决策级的融合是最高层次的融合技术,是基于影像的理解和识别的基础上的融合。首先是对原始影像进行特征提取以及一些辅助信息的参与,再对有价值的数据运用判别准则、决策规则加以判断、识别、分类,然后再将这些有用的信息进行融合。所以融合后的影像能很好的为决策分析提供信息。主要有马尔可夫随机场模型加入多源决策分类[37～39]、贝叶斯法则的分类理论与方法[40]、基于统计融合
方法[41]、基于光谱特征融合[42]、基于分类融合等[43]。
3 主要影像融合算法及其发展
3.1 基于HIS 变换的融合算法
HIS 变换法是遥感影像融合算法中最常用的算法之一。
它将遥感影像从红(R )、绿(G )、蓝(B )三种颜色组成的色彩空间转换到以亮度(I )、色度(H )、饱和度(S )作为定位参数的色彩空间,然后用高分辨率全色影像代替I 分量,最后通过HIS 逆变换得到最终的融合影像。
HIS 变换法简单而且容易操作,被广泛用于彩色增强、
特征增强、改善空间分辨率、融合分离的数据集等影像处理和分析中。但由于在变换过程中是直接用高分辨率影像代替第一分量,这样就导致了原始影像的光谱扭曲,不利于影像的正确识别和分类[44]。为了减少光谱扭曲,Pellemans 等
(1993)提出用球体坐标系方法来进行IHS 变换(图1,式(1)、(2)),与原HIS 变换相比,融合影像的标准差由4.34提
高到4.59,均值由48.08提高至48.72,与高分辨率影像的相关系数由0.54降低到0.45[19];武鹃等(2004)提出的HIS 变换与直方图匹配法相结合的算法,与HIS 变换法相比融合后影像的光谱扭曲度由10.33降低到7.99[45];肖刚等
(2005)提出了基于小波统计特性的遥感影像像素与特征联
合最优融合方法,该方法最大限度的降低了融合影像的色彩失真,
均衡了空间信息和光谱信息两项指标[35]。
图1 球面坐标系与RG B 空间的关系
I =
R 2+G 2+B
2
3
(1)
H =arctan
G
R
S =arctan
B R 2+G 2
(2)
3.2 基于主成分分析的融合算法
主成分分析法是遥感数字影像处理中常用的一种方法。基于主成分分析的融合算法常用的方法有两种:①首先对多光谱影像进行主成分变换,获得影像的主分量影像。然后以第一分量影像为参考对高分辨率影像进行直方图匹配,匹配后,用高分辨率影像代替多光谱影像的第一主成分影像,最后通过主成分逆变换得到最终融合影像;②是对参与融合的多光谱影像和高分辨率影像统一进行主成分变换,接下来用变换后的高分辨率影像代替多光谱影像的第一主成分影像,
最后通过主成分逆变换得到最终融合影像。
基于主成分分析的融合算法是直接用高分辨率影像直接代替了第一主分量,而第一主分量包含了多光谱影像的大部分光谱信息,这导致了融合影像空间信息较丰富,而色彩信息却较弱。针对这一缺陷,董毓敏(2002)提出了基于小波叠加的主成分变换遥感数据融合方法,与主成分变换法相比,融合影像的信息熵由3.994提高至4.102;光谱扭曲度有13.638降低到6.753[46]。
基于主成分分析的融合方法对成像机理相同的不同尺度影像之间的融合可以得到较好的效果,如果影像来自成像机理互不相同的传感器,比如SAR 和Landsat TM ,由于其传感器成像机理不同,导致影像所包含的数据信息不同,这时如果用其他影像代替第一主成分,就会丢失大量光谱信息。针对这一问题,杨存建等(2001)在利用SAR 和TM 数据融合时,通过用SAR 影像分别代替各个主成分进行融合,获得不同的融合影像。然后对各个融合影像进行比较分析,得出的结论认为替换第四主分量或第五主分量可获得比替换第一主分量好的融合效果[47]。从这一结论可以看出:同一融合算法可能适合于不同的影像融合,但要根据参与融合的影像的光谱特性对算法作适当的调整,以取得最佳的融合效果。
3.3 基于小波变换的融合算法
小波理论是20世纪80年代提出的,是一种把时域和频域信号局部化分析的方法,在影像融合、数据压缩、特征提取中得到广泛使用。小波变换就是把多光谱影像在小波域中进行变换,然后经过一定的卷积运算,接着用高分辨率影像的高频信息代替多光谱影像的高频信息等,最后经过小波反变换得到最终融合影像。
与HIS 变换类似,小波变换融合算法是直接丢弃高空间分辨率影像的低频分量,所以融合影像中空间信息较弱,同时小波分解的阶数对融合效果有较大的影响,针对这一缺点:曹闻等(2003)提出了小波包与PCA 变换相结合的方法,与小波变换法相比,融合结果使得光谱的扭曲程度由4.355降低到3.02,偏差指数由0.064降低到0.044[48];王广军等
(2004)提出HIS 变换和小波分解叠加的融合算法,最大限度
地保留光谱信息和空间信息[49]。但这些方法在面对更高空间分辨率影像如Ikonos 、Quickbird 等效果欠佳,主要表现在色彩失真比较严重。针对这一情况,刘春等(2004)提出了基于小波变换的快鸟影像数据融合[50],该方法削弱了由于直接用高分辨率影像的高频部分代替小波分解后的高频信息所导致的光谱扭曲,同时最大限度的降低了融合影像的色彩失真。
3.4 基于平滑滤波的亮度变换法
基于平滑滤波的亮度变换法是最新提出的像元级融合算法之一[22],该方法利用低通滤波可以有效地消除全色波段影像的高频信息,而保留其光谱信息的特性进行融合的。该方法的主要融合步骤如下:首先对全色波段影像进行低通滤波处理,然后在全色波段影像、多光谱影像及低通滤波影
像之间进行算术运算得到最终的融合影像。
从基于平滑滤波的亮度变换法的融合原理中可以看出,经过低通滤波的全色波段影像可以有效地去掉该影像的高频信息,而保留了光谱信息,所以,经过处理的模拟影像和原全色波段影像比值运算可以有效地消除两幅影像之间的低频信息和地形反差,并较好地保留了原全色波段影像的结构纹理信息,然后将此信息加入到原始低分辨率多光谱影像中。所以,可以认为该方法是在低分辨率的影像中加入高分辨率影像的空间纹理特征的算法,因此它既可以较好地保留原始影像的光谱信息,又可以保留原始全色波段影像的纹理信息。但低通滤波变换核的选择会直接影响该算法的融合效果,所以该算法对操作者的经验依赖性较强,不容易得到最佳的融合效果。
3.5 Gram-Schimdt变换法
Gram-Schimdt变换法也是最新提出的像元级的融合算法之一[23],该方法利用数学上的Gram-Schimdt(GS)变换进行变换的。该方法的融合算法如下:首先利用多光谱影像产生低分辨率全色波段影像,并将该影像作为多光谱影像的第一波段对原多光谱影像进行重组,然后对重组后的多波段影像进行GS正变换,并用全色波段影像代替变换后影像的第一波段,最后通过GS逆变换得到融合影像。
从GS变换的原理中可以看出,在变换的过程中第一波段不发生任何变化,而且通过GS变换法得到的各个分量所包含的信息没有明显的多寡差别,避免了HIS法和PCA法的缺点,所以GS法既可以较好地保持原始影像的光谱信息,又最大程度地保留了全色波段影像的纹理信息,但融合算法的时间复杂度相对较高,不适合大范围影像处理。
3.6 合成变量系数法
合成变量系数法也是最新提出的像元级的融合算法之一[15],该方法利用多光谱影像和全色波段影像之间的波谱关系进行变换的。算法的主要步骤是:首先在全色波段影像和多光谱影像之间进行线性回归计算,并通过多光谱各个波段及其回归系数获得模拟低分辨率全色波段影像,然后在模拟影像、全色波段影像及多光谱影像之间进行算术运算得到融合影像。
从合成变量系数法的融合原理中可以看出,通过多光谱影像模拟全色波段影像可以较好的反映出全色波段与多光谱影像之间的波谱关系,而且模拟影像和全色波段影像的比值运算可以较好的消除两幅影像之间的光谱差异和地形反差,仅保留了原全色波段影像的纹理信息,这样将该信息叠加到多光谱影像中,使得融合影像既可以较好的保留原始影像的光谱信息,又具有较清晰的纹理信息,同时具有一定的物理意义,但该算法并没有考虑到回归系数与影像的区域及大小有关,而且随着影像范围的扩大,进行线性回归时间会明显增加,严重的影响了该算法的融合效率。
3.7 基于光谱特征的影像融合
基于光谱特征的影像融合是最新提出的知识型融合算法之一[42],该方法是利用多光谱影像不同波段组合可以更有效地识别地物,然后利用具有突出地物不同特性的合成影像进行融合。首先进行多波段影像不同波段的组合,利用不同组合得到新的多波段影像,然后利用该影像和高空间分辨率影像,并通过其他融合算法(如HIS变换法)得到最终融合影像。该方法融合算法如下:首先进行假彩色融合(式3):
R i=l a±l b±l c(3) 式中R代表假彩色影像,其中i分别取值红、绿、蓝三个波段。l a、l b、l c分别代表多光谱影像的一个波段,然后对R进行HIS变换,接着用高空间分辨率影像代替I分量,最后作HIS反变换得到最终融合影像。
基于光谱特征的融合算法在成像机理相同而尺度不同的影像之间的融合会产生较高的效果,但在成像机理不同的影像之间,如SAR影像和TM影像,由于其成像机理不同,导致影像所包含的信息也不相同,如果用其他影像代替多光谱影像通过HIS变换得到的I分量,就会造成大量的光谱丢失,所以在成像机理彼此不同的影像之间的融合中,该方法并不是采用HIS变换法,而是采用高通滤波(HFP)法。
基于光谱特征的融合算法综合考虑了各种影像的光谱特征,在不同传感器影像之间的融合得到较好的融合效果,但由于受HIS变换法的三通道限制,所以在相同成像机理的不同尺度影像之间的融合中,很难顾及多个研究对象,而在成像机理不同的影像之间的融合却突破了这一限制。
3.8 基于分类的融合算法
基于分类的融合算法也是一种基于知识的融合算法[43]。由于目前影像融合算法主要是从光谱空间或者是从频谱空间出发,根据光谱特征或频谱特征进行影像的融合。先验知识(比如分类信息)却一直没有被很好的利用,基于分类的融合算法是将多光谱影像和高空间分辨率影像事先进行分类,然后以分类信息和高空间分辨率影像的空间信息以及多光谱影像的光谱信息作为先验知识对它们进行有机的融合。
基于分类的融合算法能较好的融合高分辨率影像的空间信息、多光谱影像的光谱信息以及作为先验知识的分类信息,并且在精分类的基础上,融合影像具有较好的目视效果,但由于高分辨率影像和多光谱影像之间空间分辨率的差别,多光谱影像的一个像元需要n个高分辨影像的像元与其对应(n是高分辨影像与多光谱影像的空间分辨率之比的平方)。假设高分辨率影像的像元是纯像元,那么与其对应的多光谱影像的像元就是混合像元。因为混合像元的光谱值不可能完全准确的被分类图所分割,所以混合像元的分割是本算法的重点。
3.9 基于空间自适应影像融合
基于空间自适应的影像融合算法是最新提出的特征型的融合算法之一[36]。由于影像融合算法是导致光谱扭曲的主要原因之一,就是融合过程中的高空间分辨率影像的融入度没有一个量的控制,也就是说这个量是人为的控制,而不是通过影像中影像自身来控制。基于空间自适应影像融合算法就是根据多光谱影像与高空间分辨率影像之间的局部
光谱特性,给高空间分辨率影像分配一个自适应权来控制融合过程中高空间分辨率影像的融入度[43]。该算法源于Price 算法,具体算法如下:首先把多光谱影像和高分辨率影像分为高频部分和低频部分;其次进行影像的分辨率配准,包括高分辨率影像的高频部分配准到低分辨率影像,低分辨率影像的高频部分配准到高分辨率影像;然后是高分辨率影像自适应权的初始化,并根据两种影像的光谱相似度精确计算自适应权,最后根据自适应权进行融合得到最终融合影像。
该算法较好的解决了影像融合过程中的光谱失真,随着参考波段的增加,该算法的效果会更好。所以该算法适用于高分辨率多光谱影像和低分辨率多光谱影像之间的融合。但如果两种影像的空间分辨率相差太大时,该算法就不会产生理想的效果。因为这种情况下,在低分辨率影像中相对于高分辨率影像就会存在大量的混合像元;由于该算法要计算高分辨率影像的每个像元的空间自适应权,所以该算法的耗时量比HIS和Price方法大的多。
4 结束语
上述不同的融合方法具有不同的优点,在不同的应用场合有不同的作用,各具利弊。多尺度遥感影像融合技术及其算法研究的目的,就是要发挥遥感影像的多光谱特性的同时又要发挥高空间分辨率的优点。以便进行影像的进一步处理与分析,比如影像的增强、压缩、分类等,但目前影像融合主要是用于增强目视效果,更深层次的影像理解与分析方面的研究甚少,以影像理解与分析为目的的融合技术与算法有待于进一步发展。
参考文献
1 朱龙,张占睦.遥感影像获取与分析[M].北京,科学出版社,2000:136～137.
2 戴昌达,雷莉萍.TM影像的光谱信息特征与最佳波段组合[J].环境遥感,1989,4(4):282～292.
3 唐伶俐,江平,潘京明,等.SAR与TM影像复合处理技术的初步研究[J].遥感信息,1995(4):15～16.
4 贾永红,李德仁,孙家炳,等.四种HIS变换用于SAR和TM影像融合[J].遥感学报,1998,2(2):103～106.
5 李克鲁,王霞,郭敏茹.小波变换的信息融合方法及结果评价[J].国土资源遥感,1999,42(4):46～52.
6 Yun Zhang.An IHS and wavelet integrated approach to improve pan2sharpening visual quality of natural color IKONOS and QuickBird images[J].
Information Fusion,2005(6):225～234.
7 Chavez PS,Sides SC,and Anderson https://www.wendangku.net/doc/9511247407.html,parison of three different methods to merge multiresolution and multispectral data:Landsat TM and SPO T panchromatic[J].Photogrammetric Engineering and Remote Sensing,1991,57(3):295～303.
8 Leckie D G.Synergism of SAR and visible/infrared data for forest type discrimination[J].Photogrammetric Engineering and Remote Sensing,1990
(56):1237～1246.
9 Aschbacher J,Lichtenegger https://www.wendangku.net/doc/9511247407.html,plementary nature of SAR and optical data:a case study in the tropics[J].ESA Earth Observation Quarterly, 1990(31):4～8.
10 Suits G,Malila W,and Weller T.Procedures for using signals from one sensors substitutes for signals of another[J].Remote Sensing of Environ2 ment,1988,25(8):395～408.
11 甄静,何国金.高分辨率遥感影像融合存在的问题及改进措施[J].遥感信息,2005(4):45～48.
12 Pohl C,G enderen JLV.Multisensor image fusion in remote sensing:Concepts,methods and applications[J].International Journal of Remote Sens2 ing.1998,19(5):823～854.
13 Chavez PR,Sides SC,and Anderson.A comparison of three different methods to merge multiresolution and multispectral data:Landsat and SPO T panchromatic[J].Photogrammetric Engineering and Remote Sensing,1991,57(3):295～303.
14 Welch R,Ehlers M.Merging multiresolution SPO T HRV and Landsat TM data[J].Photogrammetric Engineering and Remote Sensing.1987,53
(3):301～302.
15 Zhang Y.A new merging method and its spectral and spatial effects[J].International Journal of Remote Sensing,1999(20):2003～2014.
16 徐涵秋.Landsat7ETM+影像的融合和自动分类研究[J].遥感学报,2005,9(2):186～194.
17 Vrabel J.Multispectral imagery band sharpening study[J].Photogrammetric Engineering and Remote Sensing,1996,62(9):1075～1083.
18 魏俊,李弼程.基于HIS变换、小波变换、高通滤波的遥感影像融合[J].信息工程大学学报,2003,4(2):46～50.
19 Pellemans AH J M,Jordans,RWL,Allewijn R.Merging multispectral and panchromatic SPO T images with respect to the radiometric properties of the sensor[J].Photogrammetric Engineering and Remote Sensing,1993,59(1):81～87.
20 Schetselaar EM.On preserving spectral balance in image fusion and its advantages for geological image interpretation[J].Photogrammetric Engi2 neering and Remote Sensing2001,67(8):925～934.
21 Nunez J,Otazu X,Fors O,Prades A,Pala V,and Arbiol R.Multiresolution based image fusion with additive wavelet decomposition[J].IEEE Transactions on G eoscience and Remote Sensing[J].1999,37(3):1204～1211.
22 Liu J G.Smooothing filter2based intensity modulation:a spectral preserve image fusion technique for improving spatial details[J].International Journal of Remote Sensing,2000,21(18):3461～3472.
23 李存军,刘良云,王纪华,等.两种高保真遥感影像融合方法比较[J].中国图象图形学报,2004,9(11):1376～1385.
24 叶宝军,徐士进,吴俊奇,等.基于IHS变换和小波变换相结合的IKONOS影像融合技术[J].江西科学,2005,23(2):154～158.
25 夏明革,何友,苏峰,等.一种基于小波多尺度边缘检测的影像融合算法[J].电子与信息学报,2005,27(1):56～59.
26 丛爱岩,廉莲.基于小波变换的卫星遥感影像数据融合[J].解放军理工大学学报.2004.5(2):90～940.
27 Solberg AHS,Jain A K,Taxt T.Multisource classification of remotely sensed data:Fusion of Landsat TM and SAR images[J].IEEE Transactions on G eoscience and Remote Sensing.1994,32(4):768～778.
28 Mascarenhas NDA,Banon G J F,Candeias ALB.Multispectral image data fusion under a bayesian2approach[J].1996,17(8):1457～1471.
29 Chen S.A geometric approach to multisensor fusion and spatial reasoning[J].Proc.AAAI Workshop of Spatial Reasoning and Multisensor Fusion, 1987,10(2):201～210.
30 Peddle DR.Knowledge formulation for supervised evidential classification[J].Photogrammetric Engineering and Remote Sensing,1995,56(4): 409～417.
31 Kent J T,Mardia KV.Spatial classfication using fuzzy membership models[J].IEEE Transaction on pattern Recongnition and Machine Intelli2 gence,1988,10(5):659～671.
32 Keys LD,Schmidt NJ,Phillips BE.A prototype example of sensor fusion used for a sitting analysis,technical papers[R].1990ACSM2ASPRS An2 nual Convention,Denver,CO;UNITED STATES;18-23Mar,1990:238～249.
33 Benediktisson JA,.Swain PH and Ersoy O K.Neural network approaches versus statistical methods in classification of multisource remote sensing data[J].IEEE Transactions on G eoscience and Remote Sensing,1990,28(4):540～551.
34 Cappellini V,Chiuderi A,and Fini S.Neural networks in remote sensing multisensor data processing[R].Proceeding14th EARSEL symposium
G otebory Swden6-8june,1994:457～462.
35 肖刚,敬忠良,Henry Leung,等.基于小波统计特征的遥感影像像素与特征联合最优融合方法[J].遥感学报2005.9(4):381～386.
36 Park J H and Kang M G.Spatial.adaptive multi2resolution multispectral image fusion[J].International Journal of Remote Sensing,2005,25(12): 5491～5508.
37 Schistad Solberg AH,Taxt T,and Jain A K.A markov random field model for classification of multisource satellite imagery[J],IEEE transaction on G eoscience and Remote Sensing,1996,34(1):100～113.
38 贾永红.多源遥感影像数据融合方法及其应用研究[D].武汉大学,2001.
39 孙家柄,刘继军,李军.多源遥感影像融合[J],遥感学报,1998,2(1):17～50.
40 何国金,李克鲁,胡德永,等.多卫星遥感数据的信息融合:理论、方法与实践[J].中国图象图形学报,1999,4(9):744～750.
41 Zhang Yun.Understanding image fusion[J].Photogrammetric Engineering and Remote Sensing,2004(6):657～661.
42 程东林,李勤爽.知识型遥感影像光谱特征融合探讨[J].遥感信息,2001(2):6～9.
43 焦子锑,李小文,王锦地,等.一种基于分类的融合算法[J].中国影像图形学报,2002(8):771～776.
44 齐小玲,吴健平.多源遥感影像融合及其关键技术探讨[J].现代测绘.2003.26(3):20～20.
45 武鹃,卢凌,董静.基于HIS变换和直方图匹配法的遥感影像融合[J].武汉理工大学学报,2004,28(1):55～58.
46 董毓敏.基于小波叠加的主成分变换遥感数据融合方法的研究[J].东北测绘,2002,25(3):10～17.
47 杨存建,许,张增祥.SAR和TM影像主成分变换融合中不同主分量替换的比较[J].国土资源遥感,2001,49(3):30～35.
48 曹闻,李弼程,彭天强.一种基于小波包变换的遥感影像融合方法[J].测绘技术与应用,2003,18(3):248～253.
49 王广军,武文波.多源遥感数据融合方法探讨[J].辽宁工程大学学报,2004,23(3):299～301.
50 刘春,陈能.基于小波变换的快鸟影像数据融合[J].同济大学学报,2004,32(10):1371～1375.
Advances in Algorithms and T echniques of Multi2Scale Data Fusion
YUN Pei2dong①,②,ZEN G Y ong2nian①,②,L I Hua①,②
(①School of Inf o2Physics and Geom atics Engineering,Changsha,Hunan410083;
②Geom atics and A pplications L aboratory,L iaoning Technical U niversity,Fuxin123000)
Abstract:With the availability of multi2source data of remote sensing,it is convenient to receive the multi2sensor and multi2scale im2 ages.These multi2source data have their own characteristics res pectively.Image fusion is a technique that uses the multi2source data at the same time,and provides fused images that increase interpretation capabilities and more reliable information.In this paper,the author focused on multi2scale data fusion and reviewed the advances in algorithms and techniques of multi2scale data fusion in recent years.
K ey w ords:image fusion;multi2scale image;algorithms and techniques;Advancement
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
(完整版)信息融合算法
信息融合算法 1 概述 信息融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。 1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。 2、综合：信息优化处理中的一种获得明确信息的有效方法。 例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。 3、融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。 4、相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
2 技术发展现状 信息融合技术的方法，概括起来分为下面几种： 1)组合：由多个传感器组合成平行或互补方式来获得多组数据 输出的一种处理方法，是一种最基本的方式，涉及的问题有 输出方式的协调、综合以及传感器的选择。在硬件这一级上 应用。 2)综合：信息优化处理中的一种获得明确信息的有效方法。例： 在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原 出一个准确的有立体感的物体的图像。 3)融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。 4)相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理，获悉传感器数据组 之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息 进行综合和优化。 3 算法描述 3.1 Bayes融合 Bayes融合是融合静态环境中多传感器低层数据的一种常用方法。
常见国产卫星遥感影像数据的简介
北京揽宇方圆信息技术有限公司 常见国产卫星遥感影像数据的简介 本文介绍了常见国产卫星数据的简介、数据时间、传感器类型、分辨率等情况。 中国资源卫星应用中心产品级别说明 ◆1A级和1C级产品均为相对辐射校正产品,只是不同卫星选用的生产参数不同。 ◆2级，2A级和2C级产品均为系统几何校正产品,只是不同卫星选用的生产参数不同。 其中: ■GF-1卫星和ZY3卫星归档产品为1A级，ZY1-02C卫星数据归档产品级别为1C级，其他卫星归档级别为2级! ◆归档产品是指:该类产品已经存在于系统中,仅需要从存储系统中迁移出来.即可供用户下载的数据。 ◆生产产品是指:该类产品不是已经存在的产品,需要对原始数据产品进行生产,然后再提供给用户下载的数据。
■当用户需要的产品级别是上述归档的级别,直接选择相应的产品级别，然后查询即可！ ■当用户需要的产品级别不是上述归档的级别,就需要进行生产.本系统提供GF-1卫星和ZY3卫星2A级的生产产品,ZY1-02C卫星2C级的生产产品,在选择需要的级别查询后,无论有没有数据,在查询结果页上方有一个“查询0级景”按钮,点击此按钮后,进行数据查询,如果有数据，选择需要的产品直接订购,即可选择需要的产品级别。 国产卫星 一、GF-3(高分3号) 1.简介 2016年8月10日6时55分，高分三号卫星在太原卫星发射中心用长征四号丙运载火箭成功发射升空。 高分三号卫星是中国高分专项工程的一颗遥感卫星，为1米分辨率雷达遥感卫星，也是中国首颗分辨率达到1米的C频段多极化合成孔径雷达（SAR）成像卫星，由中国航天科技集团公司研制。 2.数据时间 2016年8月10日-现在 3.传感器 SAR：1米 二、ZY3-02（资源三号02星） 1.简介 资源三号02星（ZY3-02）于2016年5月30日11时17分，在我国在太原卫星发射中心用长征四号乙运载火箭成功将资源三号02星发射升空。这将是我国首次实现自主民用立体测绘双星组网运行，形成业务观测星座，
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。
遥感卫星影像数据采购知识要素
北京揽宇方圆信息技术有限公司 (一）遥感卫星数据类型有哪些？ 北京揽宇方圆卫星公司可提供多种遥感数据类型供用户选择，目前来说是国内遥感数据最多的遥感数据中心，分辨率从0.3米到30米的光学卫星影像，还有各种极化方式的雷达卫星影像，高光谱卫星影像，还有解密的1960年至1980年的锁眼卫星影像，根据自己的情况来定，也可以把自己的卫星数据需求告诉我们，给您推荐合适的卫星数据类型。如果您想获取高程信息DEM、DLG等信息，需要购买的就是卫星影像立体像对数据，并不是所有卫星都有立体像对哦。 (二）遥感卫星数据影像有哪些级别？ 卫星公司北京揽宇方圆销售的都是1A级别原始卫星影像，光学卫星影像原始数据都是以全色+多光谱捆绑形式提供，卫星影像一般可以经过一定的处理，形成各级别的影像数据，不同的级别可以针对不同的用户需求，在订购时需特别注意。 *名词（全色就是黑白数据，多光谱是指红绿蓝近红外） （三）遥感卫星数据影有没有最小数量起订的说法？ 北京揽宇方圆提醒您在购买卫星影像时，都要确认购买面积大小或景数。对于高分辨率影像来说，一般是按面积大小来计算，单位为平方公里。但是往往有个最小购买面积，例如，WorldView影像的存档数据最低起购面积为25平方公里，且需要满足四边形两边相距大于等于5公里；而中低分辨率影像则往往按景数来计算，景是一幅卫星影像的通俗讲法，例如，一景高分一号卫星影像，范围大小为32.5×32.5公里。 （四）遥感卫星存档数据是指什么？ 北京揽宇方圆详解遥感卫星存档数据：是指先前卫星已经拍摄过的某区域的影像数据，已存档在数据库中，是现成品。该种影像的购买价格相对较低，订购时间较快。但是订购前需要对既定需求区域做出确认，即确认所需区域是否有卫星影像数据存档、卫星影像存档数据的拍摄时间、拍摄质量（包含了云量、拍摄倾角等因素）等。 （五）遥感卫星编程数据是什么意思? 北京揽宇方圆遥感公司对遥感卫星编程数据的解释是指地面编程控制卫星对需求区域拍摄最新的影像，可以让用户得到需求区域最新的影像。但是编程影像的拍摄周期通常较长，订购初期需要先向卫星运营公司申请拍摄区域的拍摄周期，然后由卫星公司反馈计划拍摄周期。在这个拍摄周期中，并不能够保证拍摄成功，这与所拍摄地的天气情况、拍摄数据的优先级权重以及需求数据范围有关。 （六）遥感卫星影像数据价格如何一般是多少？ 目前市面上的商业遥感卫星数量较多，北京揽宇方圆是国内遥感数据资源最多的公司，不同的行业根据自己的遥感项目业务要求，对各卫星影像的分辨率、波段数量、质量以及影像拍摄的时间要求各异，而卫星
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
数据融合方法优缺点
数据融合方法 随着交通运行状态评价研究的不断发展，对数据的准确性和广泛覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D．S理论等方法。 1现有方法应用范围 结合数据融合层次的划分，对数据融合方法在智能交通领域的应用作以下归纳总结： 表数据融合层次及对应的方法 2各种融合方法的优缺点 主要指各种融合方法的理论、应用原理等的不同，呈现出不同的特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺点的比较分析，具体内容如下： (1)理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻辑的理论已经基本趋于成熟；D—S证据推理在合成规则的合理性方
面还存有异议；表决法的理论还处于逐步完善阶段。 (2)运算量方面：运算量较大的有贝叶斯方法、D．S证据推理和神经网络，其中贝叶斯方法会因保证系统的相关性和一致性，在系统增加或删除一个规则时，需要重新计算所有概率，运算量大；D．S证据推理的运算量呈指数增长，神经网络的运算量随着输入维数和隐层神经元个数的增加而增长；运算量适中的有卡尔曼滤波、模糊逻辑和表决法。 (3)通用性方面：在这六种方法中，通用性较差的是表决法，因为表决法为了迁就原来产生的框架，会割舍具体领域的知识，造成其通用性较差；其他五种方法的通用性相对较强。 (4)应用难度方面：应用难度较高的有神经网络、模糊逻辑和表决法，因为它们均是模拟人的思维过程，需要较强的理论基础；D．S证据推理的应用难度适中，因其合成规则的难易而定：卡尔曼滤波和贝叶斯方法应用难度较低。 3 适用的交通管理事件 之前数据融合技术在交通领域中的应用多是在例如车辆定位、交通事件识别、交通事件预测等交通事件中，但是几乎没有数据融合技术在交通运行状态评价的应用研究，而本文将数据融合技术应用在交通运行状态评价中，为了寻找到最适用于交通运行状态评价的数据融合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术进行评价比较。 表2 各种融合方法适用的交通管理事件的比较
遥感卫星图像处理方法
北京揽宇方圆信息技术有限公司 遥感卫星图像处理方法 随着遥感技术的快速发展，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
多传感器数据融合算法.
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。
常见地遥感卫星地介绍及具体全参数
常见的遥感卫星的介绍及具体参数 遥感卫星(remote sensing satellite )用作外层空间遥感平台的人造卫星。用卫星作为平台的遥感技术称为卫星遥感。通常，遥感卫星可在轨道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间覆盖整个地球或指定的任何区域，当沿地球同步轨道运行时，它能连续地对地球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站，卫星获得的图像数据通过无线电波传输到地面站，地面站发出指令以控制卫星运行和工作。以下列出较为常见的遥感卫星: 一、Landsat卫星 美国NASA的陆地卫星(Landsat)计划(1975年前称为地球资源技术卫星——ERTS )，从1972年7月23日以来，已发射7颗（第6颗发射失败）。目前Landsat1—4均相继失效，Landsat 5仍在超期运行（从1984年3月1日发射至今）。Landsat 7于1999年4月15日发射升空。其常见的遥感扫描影像类型有MMS影像、TM图像。 （一）、MSS影像 MSS影像为多光谱扫描仪（MultiSpectral Scanner）获取的图像，第一颗至第三颗地球卫星（Landsat）上反光束导管摄像机获取的三个波段摄影相片分别称为第1、2、3波段，多光谱扫描仪有4个波段获取的扫描影像被命名为4、5、6、7波段，两个波段为可见光波段，两个波段为近红外波段，此外，第三颗地球卫星上还供有热红外波段影像，这个影像称为第8波段，但使用不久，就因为一起的问题二关闭了。 表 1 ：Landsat上MSS波段参数
(二)、TM影像 TM影像是指美国陆地卫星4～5号专题制图仪（thematic mapper）所获取的多波段扫描影像。 影像空间分辨率除热红外波段为120米外，其余均为30米，像幅185×185公里2。每波段像元数达61662个（TM-6为15422个）。一景TM影像总信息量为230兆字节），约相当于MSS影像的7倍。 因TM影像具较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度，成为20世纪80年代中后期得到世界各国广泛应用的重要的地球资源与环境遥感数据源。能满足有关农、林、水、土、地质、地理、测绘、区域规划、环境监测等专题分析和编制1∶10万或更小比例尺专题图，修测比例尺地图的要求。 表 2 ：Landsat上TM波段参数 （三）、ETM 1999年4月15日，美国发射了Landsat-7，它采用了增强-加型专题绘图仪（ETM）遥感器来获取地球表层信息，它与TM的区别在于增加了全色波段，分辨率为15米，并改进了热红外波段影像的分辨率。
3[1].2《遥感技术及其应用》-教案1(湘教版必修3)
3.2遥感技术及其应用教学设计 一、课标要求：结合实例，了解遥感（RS）在资源普查、环境和灾害监测中的应用。 二、三维目标 （一）知识与技能 1、能够用自己的语言表述遥感的概念 2、能简要说明遥感技术的发展过程。 3、能说出遥感的几种常见分类。 4、能举例说明遥感在资源普查、环境灾害监测中的作用。 （二）方法与过程 1、通过阅读教材中提供的资料并上网搜索遥感信息，归纳遥感的几个发展阶段。 2、通过读图或上网搜索相关资料比较航天遥感、航空遥感、近地遥感使用飞运载工具、主要优缺点及适用范围等方面的差异。 3、通过上网搜索有关遥感技术应用的信息，归纳遥感技术的主要途径。 （三）情感态度与价值观 1、通过遥感技术的迅猛发展的介绍，使学生感悟新兴地理信息技术的生命力，从而初步养成热爱科学、努力学习新兴科学的好习惯。 2、通过迅速发展的中国遥感技术的学习，增强学生的民族自信心和爱国情感。 3、通过遥感技术在农业、军事、环境监测、资源调查等方面的重要作用的学习，产生对遥感技术的好奇感，从而激发学生的探究和创新动力。 三、重点：根据运载工具不同的遥感分类种类。 四、学习方法： 1、多媒体课件演示。 2、读图分析讨论。 3、教师点拨、启发、引导。 4、理论联系实际。 五、课时：1课时
导入：南极考查必须穿越西风带区，这是多年来南极考察的难题。在我国开展的第14次南极考察中，1997年12月10日“雪龙号”科学考察船进入强风带时，与外界中断了联系，“船载气象卫星接收系统”接收到了一张非常清晰的卫星云图，图像上清晰的显示了三个气旋的位置及运动方向。这就是本节我们学习的遥感技术及其应用。 基础层次问题 1、什么是遥感技术？ 2、遥感技术经历了怎样的发展过程？ 3、遥感技术有哪些特点？ 4、遥感技术系统由那些组成？ 5、遥感从不同的角度可以分为不同的类型，如何分？ 6、航天遥感、航空遥感、近地遥感对比优缺点。 7、遥感在资源普查中的应用有哪些？ 8、遥感在环境灾害监测中如何应用？ 9、遥感卫星的科学实验功能有哪些？ 知识反馈 1、下列遥感类型中，探测范围由大到小依次是 A．近地遥感、航空遥感、航天遥感 B．航天遥感、航空遥感、近地遥感 C．航空遥感、近地遥感、航天遥感 D．航空遥感、航天遥感、近地遥感 2、下列遥感类型中．按照应用领域或专题进行分类的是 A．航天遥感、航空遥感、近地遥感 B．主动式遥感、被动式遥感 C．紫外遥感、可见光遥感、红外遥感、微波遥感、多谱段遥感
数据融合各种算法整理汇总
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库
卫星遥感数据处理规范流程
北京揽宇方圆信息技术有限公司遥感卫星影像图像数据处理介绍 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。 优势： 1：北京揽宇方圆国内老牌卫星数据公司，经营时间久，行业口碑相传，1800个行业用户选择的实力见证。 2：北京揽宇方圆遥感数据购买专人数据查询一对一服务，数据查询网址是卫星公司网。 3：北京揽宇方圆拥有大型正版遥感处理软件，遥感数据处理工程师有10年以上遥感处理工作经验，并有国家大型项目工作经验自主卫星数据处理软件著作权，最大限度保持遥感卫星影像处理的真实度。
4：北京揽宇方圆国家高新技术企业，通过ISO900认证的国际质量管理操作体系，无论是遥感卫星品质和遥感数据处理质量，都能得到保障。 5：影像数据官方渠道：所有的卫星数据都是卫星公司授权的原始数据，全球公众数据查询网址公开查询，影像数据质量一目了然，数据反应客观公正实事求是，数据处理技术团队国标规范操作，提供的是行业优质的专业化服务。 6：签定正规合同：影像数据服务付款前，买卖双方须签订服务合同，提供合同相应的正规发票，发票国家税网可以详细查询，有增值税普通发票和增值税专用发票两种发票类型可供选择。以最有效的法律手段来保障您的权益。 7：对公帐号转款：合同约定的对公帐号，与合同主体名发票上面的帐号名称一致，是由工商行政管理部门核准的公司银行账户，所有交易记录均能查询，保障资金安全。 8：售后服务：完善的售后服务体制，全国热线，登陆官网客服服务同步。 技术能力说明 北京揽宇方圆拥有大型正版遥感处理软件，遥感数据处理工程师有10年以上遥感处理工作经验，并有国家大型项目工作经验自主卫星数据处理软件著作权，最大限度保持遥感卫星影像处理的真实度。 一．图像预处理 1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 （1）除周期性噪声和尖锐性噪声 周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。 消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比
目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)
遥感卫星影像数据信息提取.
北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
高空间分辨率遥感影像分割方法研究综述
高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.wendangku.net/doc/9511247407.html,。
一种改进的高分辨率遥感影像分割方法
第35卷第3期 地球科学———中国地质大学学报 Vol.35 No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.wendangku.net/doc/9511247407.html, 一种改进的高分辨率遥感影像分割方法 高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0 引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,