第四章 遥感图像处理-多源信息融合
多源遥感图像融合及应用研究
多源遥感图像融合及应用研究近年来，随着遥感技术不断发展，遥感数据的获取和处理也越来越方便，多源遥感图像融合成为热门研究课题之一。
本文将对多源遥感图像融合及应用进行探讨。
一、多源遥感图像融合的概念和优势多源遥感图像融合是指将来自不同传感器或不同时间、角度等的遥感图像融合起来形成更高质量、更丰富信息的图像。
其目的是提高遥感图像的观测精度、增强遥感图像的信息量，使其能够更准确地应用于各种领域。
与单一遥感图像相比，多源遥感图像融合具有如下优势：1.提高地物辨识度：不同类型的传感器获得的数据包含不同的信息，如高分辨率遥感图像中含有更多细节信息，而多光谱遥感图像则更适合提取地物特征。
通过将这两种不同类型的遥感图像融合起来，可以提高地物分类的准确度和辨识度。
2.扩展空间维度：同一地区不同时间点或不同角度的遥感图像可以提供不同的信息，通过融合这些图像可以获得更全面、更准确的地物信息，扩展空间维度。
3.提高目标检测能力：融合多个传感器获取的遥感图像，可以获得更多的信息，提高目标检测的准确性和召回率。
4.降低云、雾、阴影等遥感干扰：在某些季节或地区，遥感图像常常受到云、雾、阴影等气候因素的影响，严重影响遥感图像的质量和应用。
通过融合不同的遥感图像可以降低这些气象条件的影响，提高遥感图像的质量和内容。
二、多源遥感图像融合的方法多源遥感图像融合的主要方法包括：1.基于点或线的融合方法，是一种传统的遥感图像融合方法。
其思想是在两幅遥感图像之间建立映射关系，并根据两幅图像中的相同点或线进行匹配，然后生成新的融合图像。
2.基于像元的融合方法，将各个传感器收集的遥感图像分别按照其相应的波段进行分割，然后分别进行标准化处理，最后再对分割和标准化后的图像进行像元级别的融合。
3.基于小波变换的融合方法，是一种新兴的遥感图像融合方法。
其基本思想是利用小波变换分解原始图像，选择适当的小波系数，对多源遥感图像进行重构，得到最终的融合图像。
遥感影像处理中的数据融合技术研究
遥感影像处理中的数据融合技术研究引言：遥感影像处理技术的发展为我们提供了获取大规模地理信息的重要手段。
然而，由于不同传感器获取的影像数据可能具有不同的空间分辨率、光谱分辨率和时间分辨率，因此需要将这些多源数据进行融合，以提高数据的综合利用效率和精度。
本文主要在遥感影像处理中的数据融合技术方面进行研究，探讨其原理、方法和应用。
一、数据融合原理数据融合是指将多个数据源的不同信息进行合并，得到具有更高质量的数据结果。
在遥感影像处理中，数据融合主要包括光谱融合、空间融合和时间融合。
光谱融合是将不同波段的光谱信息进行融合，以获取更全面的光谱信息；空间融合是将不同空间分辨率的影像进行融合，以提高空间分辨率；时间融合是将不同时相的影像进行融合，以获取时间序列的信息。
二、数据融合方法1.基于像元级的数据融合方法：像元级的数据融合方法是将不同传感器的数据转换为相同的空间分辨率和光谱分辨率，然后进行像素级别的融合。
常见的方法有直接融合、加权融合和突变融合。
直接融合方法是将不同波段的像素值直接相加或取平均值；加权融合方法是给不同波段的像素赋予不同的权重，然后求加权平均值；突变融合方法是将不同波段的像素值进行分段，并根据分段的结果进行融合。
2.基于特征级的数据融合方法：特征级的数据融合方法是通过提取不同波段或传感器的特征，然后将这些特征进行融合。
常见的特征包括纹理、形状、统计特征等。
方法包括主成分分析法、小波变换法和特征选择法。
主成分分析法是通过对不同波段的数据进行主成分分析，得到主成分，然后将主成分进行融合；小波变换法是将不同波段的数据进行小波变换，然后将小波系数进行融合；特征选择法是通过对不同波段的数据进行特征选择，然后将选取的特征进行融合。
三、数据融合应用数据融合在遥感影像处理中具有广泛的应用。
一方面，数据融合可以提高遥感影像的空间分辨率和光谱分辨率，从而提高地物识别和分类的精度；另一方面，数据融合可以提取不同波段的信息，用于地物变化监测、资源调查和环境监测等领域。
遥感影像处理中的多源数据融合算法研究
遥感影像处理中的多源数据融合算法研究多源数据融合算法在遥感影像处理中的研究遥感影像处理是利用遥感技术获取的影像进行分析、解译以及提取有用信息的过程。
在遥感影像处理过程中，多源数据融合算法扮演着重要的角色。
本文将探讨多源数据融合算法在遥感影像处理中的应用和研究。
多源数据融合算法的主要目的是将来自不同传感器的影像数据融合起来，以获取更全面、准确的信息。
在遥感影像处理中，由于不同传感器的影像具有不同的空间分辨率、光谱分辨率和时间分辨率等特征，因此需要针对不同的应用场景选择合适的融合算法。
一种常见的多源数据融合算法是基于像素级别的融合。
这种算法直接将来自不同传感器的像素进行融合，可以将不同传感器的信息整合在一起，提高影像的空间分辨率和光谱分辨率。
例如，将高分辨率的光学影像与低分辨率的雷达影像融合，可以同时获得高分辨率的图像细节和雷达的穿透能力。
另一种常见的多源数据融合算法是基于特征级别的融合。
这种算法通过提取不同传感器的特征，并将特征进行融合来实现对影像的提取和分析。
例如，将可见光传感器和红外传感器的特征进行融合，可以得到更准确的土地利用分类结果。
除了像素级别和特征级别的融合算法外，还有一种常见的多源数据融合算法是基于决策级别的融合。
这种算法通过将来自不同传感器的决策进行融合，以获取更可靠的遥感分析结果。
例如，在遥感图像中进行目标检测，可以将来自不同传感器的目标检测结果进行融合，从而优化检测结果。
多源数据融合算法在遥感影像处理中的应用广泛。
其中一个重要的应用领域是地物提取。
通过将不同传感器的影像进行融合，可以准确提取地面上的不同地物信息，如建筑物、道路、水体等。
这对于城市规划、灾害监测等领域具有重要意义。
另一个重要的应用领域是环境监测。
通过将多种传感器的数据进行融合，可以实时监测空气质量、水质、植被覆盖等环境参数，为环境保护提供科学依据。
此外，多源数据融合算法在农业、林业和水资源管理等领域也有广泛应用。
多源遥感数据融合组合算法评估及其遥感图像解译
多源遥感数据融合组合算法评估及其遥感图像解译在当今信息时代，遥感技术的发展为我们提供了大量的遥感数据，这些数据对于地球环境监测、资源调查和灾害预警等方面具有重要意义。
然而，由于传感器的差异、分辨率的差异和时间的延迟等原因，单一的遥感数据可能无法满足实际需求。
因此，多源遥感数据融合成为解决这一问题的有效手段。
多源遥感数据融合是指将来自不同传感器的、不同分辨率的遥感数据进行集成，从而得到更完整、更准确、更全面的信息。
在进行多源遥感数据融合时，融合算法的选择和评估是至关重要的。
在选择融合算法时，需要考虑数据的特点和融合前后的效果。
目前常用的融合算法包括基于像元级的融合方法和基于特征级的融合方法。
像元级融合方法主要通过像元级的运算来实现，如简单平均法、加权平均法和波段比值法等；特征级融合方法则是通过提取不同传感器的特征并进行组合，如主成分分析法、小波变换法和神经网络法等。
在选择融合算法时，需要根据实际需求和数据的特点来进行权衡和选择。
评估融合算法的效果是保证多源遥感数据融合质量的关键步骤之一。
常用的评估方法包括定性评估和定量评估。
定性评估主要是通过对融合图像进行目视观察和比较，根据图像的质量、清晰度和辨识度等指标来评估融合效果；定量评估则是通过运用地面采样数据和统计学方法来进行客观评估。
常用的定量评估指标包括均方误差、峰值信噪比和相关系数等。
对于多源遥感数据融合算法，评估结果的准确性和可靠性直接影响着融合算法的应用效果和推广价值。
除了融合算法的选择和评估，遥感图像解译也是多源遥感数据融合的重要应用之一。
遥感图像解译是通过对融合后的遥感图像进行解读和分析，从中提取出所需的信息和特征。
在遥感图像解译中，多源遥感数据融合可以提供更多的特征和信息，提高图像解译的准确性和可信度。
多源遥感数据融合的图像解译应用涉及众多领域，如农业、林业、水资源、城市规划和环境监测等。
在农业领域，多源遥感数据融合可以提供农作物的生长状态和健康状况等信息，为农业生产和农业管理提供科学依据；在林业领域，多源遥感数据融合可以提供森林覆盖度、树种分类、植被生长状态等信息，为森林资源的保护和管理提供支持；在水资源领域，多源遥感数据融合可以提供水体的分布情况、水质监测等信息，为水资源的合理利用和保护提供指导；在城市规划和环境监测领域，多源遥感数据融合可以提供城市扩展和环境变化的信息，为城市规划和环境保护提供决策支持。
多源遥感数据融合理论与方法
多源遥感数据融合理论与方法多源遥感数据融合的理论基础主要包括数据融合的目标、原则和评价指标。
数据融合的目标是通过结合不同传感器的数据，减少误差并提高地物信息的提取能力。
融合原则包括互补性、一致性和一致性。
互补性要求不同传感器具有不同的观测特性和空间分辨率，以获取更全面的地物信息。
一致性要求融合后的数据在相同地理位置上具有一致的空间特征。
一致性要求融合后的数据与现实地物之间具有一致的关系。
评价指标主要包括融合效果、信息提取能力和数据一致性。
目前，常用的多源遥感数据融合方法主要包括无监督融合、监督融合和模型融合。
无监督融合方法主要基于统计学原理，如主成分分析（PCA）、独立成分分析（ICA）和小波变换。
这些方法不需要先验知识，对不同传感器数据的差异进行压缩和去除冗余信息。
监督融合方法基于先验信息，利用统计模型和机器学习算法，将不同传感器的数据进行匹配和组合。
常用的监督融合方法包括像元级融合（pixel-level fusion）和特征级融合（feature-level fusion）。
模型融合方法是在无监督或监督融合的基础上，建立数学模型，通过优化算法融合不同传感器的数据。
常用的模型融合方法包括卷积神经网络（CNN）和支持向量机（SVM）。
这些方法能够充分利用不同传感器的信息，提高地物分类和监测的精度。
在多源遥感数据融合中，还需要考虑传感器的定标和辐射校正、数据精度和精度、数据配准和匹配等问题。
定标和辐射校正是保证融合数据准确性的重要步骤，它们可以消除不同传感器之间的系统误差和辐射差异。
数据精度和精度是评估融合结果的关键指标，它们可以通过与地面实测数据进行验证和比较来评估。
数据配准和匹配是将不同传感器的数据统一到相同的坐标系统和空间分辨率上的重要步骤。
综上所述，多源遥感数据融合是一种有效获取地物信息的方法。
它的理论基础和常用方法为多源遥感数据融合提供了理论指导和实践方法。
然而，多源遥感数据融合仍面临着不同传感器数据格式和坐标不一致等问题，未来的研究方向应致力于提高数据融合的准确性和效率。
测绘技术中的多源遥感数据融合与处理方法
测绘技术中的多源遥感数据融合与处理方法在现代测绘技术中，遥感数据的融合与处理是至关重要的一环。
通过将多种不同源泉的遥感数据融合起来，可以获得更加全面和准确的地理信息。
本文将探讨多源遥感数据融合与处理的方法和技巧。
一、遥感数据的来源和特点在介绍多源遥感数据融合与处理方法之前，我们首先需要了解遥感数据的来源和特点。
遥感数据可以来自卫星、飞机、无人机等多种渠道。
每种渠道所获得的数据都具有不同的分辨率、时空分辨率和光谱特性。
例如，卫星遥感数据具有广域覆盖能力，但其空间分辨率相对较低。
相反，无人机遥感数据具有较高的空间分辨率，但其覆盖范围有限。
了解不同遥感数据的特点，有助于我们制定适合的融合与处理策略。
二、数据预处理在进行多源遥感数据融合之前，我们需要对原始数据进行预处理。
预处理步骤包括数据去噪、大气校正、辐射定标等。
通过预处理，可以提高数据的质量和准确性。
其中，大气校正是一项重要的步骤。
由于大气层的存在，遥感数据会受到大气散射和吸收的影响，影响数据的准确性。
通过大气校正算法，可以去除这些影响，使数据更加真实可靠。
三、数据融合方法数据融合是将多源遥感数据进行整合的过程。
常用的数据融合方法包括像素级融合、特征级融合和决策级融合。
1. 像素级融合像素级融合是将不同源泉的遥感数据像素一一对应融合。
这种方法在保留原始数据分辨率的同时，将不同波段的信息进行整合。
常见的像素级融合方法有加权平均法、主成分分析法等。
2. 特征级融合特征级融合是通过提取不同特征的信息，将其在特征空间中进行融合。
这种方法可以充分利用不同源泉数据的特点和优势。
例如，将可见光和红外线数据融合，可以获得更准确的地物边界信息。
3. 决策级融合决策级融合是将不同源泉数据融合之后，再进行决策分析和判断。
这种方法可以通过结合多个数据源的信息来提高决策的准确性。
例如，在地质灾害监测中，通过融合卫星图像和地面观测数据，可以更好地预测和评估灾害风险。
四、数据处理方法在完成数据融合之后，我们还需要进行数据处理。
测绘技术遥感图像融合方法
测绘技术遥感图像融合方法随着遥感技术的不断发展和进步，遥感图像融合方法在测绘技术领域中得到了广泛应用。
遥感图像融合是指将多幅遥感图像的信息综合起来，生成一幅新图像，以提高遥感图像的空间、光谱和时间分辨率。
本文将探讨几种主要的测绘技术遥感图像融合方法。
首先，最常用的测绘技术遥感图像融合方法之一是基于像素的融合方法。
这种方法通过对多幅遥感图像中的每个像素进行逐像素处理，将其融合为一幅新图像。
常见的基于像素的融合方法有加权平均法、Principal Component Analysis（PCA）法等。
加权平均法通过为每个像素分配权重，根据权重对不同遥感图像的像素进行加权平均，从而得到融合后的图像。
PCA法通过对多幅遥感图像进行主成分分析，选择主成分来表达原始图像，从而实现融合。
其次，基于变换的测绘技术遥感图像融合方法也是常见的一种。
这种方法利用图像变换来融合不同遥感图像的信息。
其中，小波变换是最常用的一种变换方法。
小波变换通过将图像分解为不同尺度的频带，然后将相同尺度的频带进行融合，最后通过反变换得到融合后的图像。
小波变换融合方法能够保留图像的细节信息，同时在融合过程中还可以对图像的频率和方向进行调整，使得融合后的图像更加清晰和准确。
此外，基于特征的测绘技术遥感图像融合方法也具有一定的应用价值。
这种方法通过提取遥感图像的特征，如纹理、形状和颜色等，然后将不同遥感图像的特征进行融合。
常见的基于特征的融合方法有局部特征融合法和全局特征融合法。
局部特征融合法通过对图像的局部区域进行特征提取并进行融合，从而得到融合后的图像。
全局特征融合法则是对整个图像进行特征提取和融合，以获取更全面的图像信息。
最后，基于分类的测绘技术遥感图像融合方法也是一种常见的融合方法。
这种方法通过首先对遥感图像进行分类，然后将分类结果进行融合。
常见的分类方法有支持向量机（SVM）和随机森林等。
分类融合方法能够充分利用多幅遥感图像的分类结果，提高图像融合后的识别精度和准确性。
遥感图像融合方法
遥感图像融合方法遥感图像融合是指将来自不同传感器的多幅遥感图像融合成一幅具有更丰富信息和更高质量的图像，以便更好地应用于地学领域和资源环境管理中。
遥感图像融合方法的选择和应用对于提高遥感图像的分析和解译能力具有重要意义。
一、遥感图像融合的原理。
遥感图像融合的原理是基于多源数据的互补性和协同性，通过融合多个波段或多种分辨率的图像，可以获取更为全面和准确的信息。
常见的遥感图像融合方法包括基于像素级的融合和基于特征级的融合。
像素级融合是指将不同波段或分辨率的像素直接进行融合，而特征级融合则是在特征空间进行融合，如主成分分析、小波变换等。
二、遥感图像融合的方法。
1. 基于变换的融合方法。
基于变换的融合方法包括小波变换、主成分分析、非线性变换等。
小波变换能够将图像分解为不同尺度和方向的小波系数，通过选择不同的尺度和方向进行融合，可以实现多尺度和多方向的信息融合。
主成分分析则是通过对多幅图像进行主成分分解，提取出图像的主要信息进行融合。
非线性变换方法则是利用非线性映射将多幅图像进行融合，以实现更好的信息融合效果。
2. 基于分解的融合方法。
基于分解的融合方法包括多分辨率分解、多尺度分解等。
多分辨率分解将图像分解为不同分辨率的子图像，通过对子图像进行融合，可以得到更为丰富和准确的信息。
多尺度分解则是将图像分解为不同尺度的子图像，通过对不同尺度的子图像进行融合，可以获得更为全面的信息。
三、遥感图像融合的应用。
遥感图像融合方法在土地利用分类、环境监测、资源调查等领域具有广泛的应用。
通过融合多源遥感图像，可以提高图像的空间分辨率和光谱分辨率，从而更好地进行土地利用分类和环境监测。
同时，融合多源遥感图像还可以提高图像的信息量和准确性，为资源调查和规划提供更为可靠的依据。
四、结语。
遥感图像融合方法是遥感图像处理和分析的重要手段，对于提高遥感图像的信息量和质量具有重要意义。
在选择和应用遥感图像融合方法时，需要根据具体的应用需求和图像特点进行综合考虑，以实现更好的融合效果和应用效果。
遥感图像处理_图像融合
饱和度 S 代表具有相同明亮的颜色离开中性灰色的程 度。
© 中国科学院遥感应用研究所
基于彩色空间变换的影像融合方法-IHS彩色变换
饱和度的概念可描述如下：假设你有一桶纯红的颜料，它 对应的色度为0，饱和度为1。混入白色染料后使红色变得 不再强烈，减少了它的饱和度，但没有使它变暗。粉红色 对应于饱和度值为0.5左右。随着更多白色染料加入到混 合物中，红色变得越来越淡，饱和度降低，最后接近于零 （白色）。相反地，如果你将黑色染料与纯红色混和，它 的亮度将降低（变黑），而它的色度和饱和度保持不变。 IHS编码的优点是能把强度和颜色区分开。
概述-图像融合的层次
决策级
对 数 据 的 抽 象 程 度
特征级
像素级
© 中国科学院遥感应用研究所
概述-图像融合的层次
Image1 Image2 Image3 …… Image n
图像 几何纠正与精 确配 准
特 征 提 取
特 征 提 取
决
策
像素级融合
特征级融合 特征属性说明
决策级融合 高层态势评估
© 中国科学院遥感应用研究所
像素级图像融合
像素级融合是最低层次的图像融合，它将经过高精度 图像配准后的多源影像数据按照一定的融合原则，进行像 素的合成，生成一幅新的影像。融合的目的在于提高图像 质量，提供良好的地物细节信息，直接服务于目视解译， 自动分类。高空间分辨率的全色影像和高光谱分辨率的高 光谱影像的像素级融合影像一般具有以下性质（ Wald,1997）：
© 中国科学院遥感应用研究所
基于彩色空间变换的影像融合法-流程
全色波段
ZYa
ZYb
ZYc
IHS变换提取I分量
直方图匹配 用全色影像替代多光谱影像的I分量进行IHS 反变换 融合结果 基于IHS的融合流程
多源数据融合技术在遥感图像中的应用研究
多源数据融合技术在遥感图像中的应用研究随着科技的发展，遥感技术成为了一种越来越重要的数据获取方式，它可以在不接触目标物体的情况下获取目标物体的信息，广泛应用于农业、林业、地质勘查、城市规划等领域。
但是，由于遥感图像的特殊性质，比如分辨率不高、噪声多等，使得其在实际应用中仍然存在很多限制和难点。
多源数据融合技术的出现填补了这种不足，并在很大程度上提高了遥感图像的识别分类能力。
一、多源数据融合技术的概念多源数据融合是指将来自不同传感器或数据源的信息进行整合和优化，以提高数据的精度和可靠性的过程。
在遥感图像中，多源数据融合指的是从不同传感器、不同解析度和时间的遥感影像获取并整合信息，以获得高精度和高时空分辨率的遥感图像。
多源数据融合可以更全面地展示目标物体的特征，提高图像分类和识别的正确率。
二、多源数据融合技术的分类根据数据融合的方式，多源数据融合技术主要分为三类：基于特征的融合、基于决策的融合和基于像素的融合。
（1）基于特征的融合基于特征的融合是指将不同波段特征相似或相关的遥感影像进行融合，如将同一时间的多光谱影像与高分影像融合。
这种融合方式可以提高数据的空间分辨率和识别精度。
（2）基于决策的融合基于决策的融合是指基于不同遥感幅射数据相互协同作用的原则，通过规则集、模型、算法等方法将两个或多个决策结果进行综合评判，并得出最后的决策结果。
这种融合方式可以提高数据的分类精度和识别率。
（3）基于像素的融合基于像素的融合指的是将两个或多个不同特性数据的像素直接融合，可以同时在空间和光谱方面提高数据的分辨率和识别能力。
三、多源数据融合技术的应用研究在农业领域，多源数据融合技术可以应用于农作物目标识别和生长监测。
通过对不同波段的遥感影像数据进行融合处理，可以获得更全面和准确的农田信息，为农业生产提供更加精准的技术支持。
在林业领域，多源数据融合技术可以应用于森林地质的不同层次的识别和分类。
通过将不同波段的高分辨率遥感影像进行有效融合，可以实现对不同林木、林分的高精度、高效的分类和监测，为森林资源的保护与利用提供了有力的技术手段。
遥感导论主要内容
遥感图像目视解译原理
• 间接判读标志—目标地物与其相关指示 特征
• 间接判读标志—地物及其与环境的关系
• 间接判读标志—目标地物与成像时间的关系
• TM影像（5号星）
波段序号 1 2 3 4 5 6 7
波长/um 0.45~0.52 0.52~0.60 0.63~0.69 0.76~0.90 1.55~1.75 10.4~12.5 2.08~2.35
• 遥感技术的应用，使得NDVI广泛的被用来定性和定量的评价 植被覆盖及其生长活力；
• 它是基于物理知识，将电磁波辐射、大气、土壤、植被覆盖等 相互作用集合在一起，对植物在红光和近红外波段的光谱进行 分析。
数字图像的增强
– K-L(Karhunen-Loeve)变换（PCT主成分变换） • 利用影像各波段亮度值间的协方差矩阵构造的 线性变换矩阵，从而使影像数据的信息依次向 前几个维度集中的影像处理方法。 • 目的： – 数据压缩-多个波段可以转化为几个主分量 波段 – 图像增强-主分量波段的信噪比比原图增大 简单的说就是降维、减噪
• 实际状态下，
– 还受其它因素的影响（辐射校正的目的就是 去除这些影像）：
• 仪器本身的误差 • 大气对辐射的影响
数字图像的辐射校正
• 粗校正方法—直方图最小值去除法 • 原理：
– 假设程辐射在同一幅图像的同一个波段上的值是常数 （实际上与像元位置有关）
– 在一幅图像上，总可以找到某几处地物，其辐射亮度 理论上应接近于0。
计算机自动分类的优点在于判定准则给定后，计算能够 自己实现待分像元的类别归属，手工工作量相对较小。 其缺点在于主要仅用影像的光谱信息，对于一些地学与 物理意义等需要归纳的信息难以直接应用到分类当中。 而且计算机自动分类还是需要目视解译去核查分类精度。
遥感图像的融合
(2)融入高分辨率图像空间信息的多少
评价的方法：
(1)定性评价—目视
(2)定量评价—模型计算
（1）光谱真实性评价
一般采用原多光谱图像与融合图像相对应波段的灰度平均差异进行评价，差异越小，融合图像的光谱信息就越好。具体计算公式：
从该公式可以看出，灰度平均差异的值就是看融合前后对应波段的差值图像灰度值绝对值的平均值。
2.融合
方法一：Brovey变换法
又称彩色标准化（color normalized）变换融合，应用乘积组合算法，将RGB影像的多光谱波段颜色归一化，然后用单波段的高分辨率图像与各波段相乘完成图像融合。
方法二：IHS变换
IHS模式清楚地表达了颜色通道的特征：I表示颜色的亮度，对应于图像的地面分辨率；H和S分别表示色调和饱和度，代表图像的光谱分辨率，不参与融合。用高分辨率图像的I分量（或单波段全色图像）替换低分辨率图像的I分量。
$n1-tm8-brovey-gaopin替换（raster），点击ok；第三个图标双击—选中output—选write to file选择保存路径。点击闪电图标即可运行。
实验四\遥感图像的融合
一、实验目的：通过上机操作，初步掌握遥感图像融合的方法，深入理解遥感图像融合的含义，及其在信息解译中的重要作用。
遥感制图第四章遥感影像图的增强、复原与融合
色彩空间变换
将图像从一种色彩空间转换到另一种 色彩空间，以便更好地利用色彩信息 进行增强。
空间分辨率增强
超分辨率重建
利用多幅低分辨率图像，通过算法重建出高分辨率图像，提高图 像的细节表现能力。
锐化滤波器
通过设计特定的滤波器，对图像进行卷积运算，突出图像中的边缘 和细节信息。
多尺度分析
将图像在不同尺度上进行分解，提取不同尺度的特征信息，再将这 些信息融合，实现空间分辨率的增强。
拉伸，以增强局部对比度。
对比度受限的自适应直方图均衡化
03
在自适应直方图均衡化的基础上，限制过度的对比度增强，以
避免噪声和细节的丢失。
色彩增强
色彩映射
色彩饱和度和亮度调整
通过改变图像中像素的颜色值，使其 更符合人类的视觉感知，提高图像的 可视化效果。
通过调整色彩的饱和度和亮度，使图 像更加鲜艳、生动。
遥感制图第四章遥 感影像图的增强、 复原与融合
contents
目录
• 遥感影像图增强 • 遥感影像图复原 • 遥感影像图融合 • 遥感影像图的应用
01
遥感影像图增强
对比度增强
直方图均衡化
01
通过拉伸图像的灰度直方图，使其均匀分布，从而提高对比度，
使图像细节更加清晰可见。
自适应直方图均衡化
02
根据图像局部区域的灰度分布特性，对每个像素点进行不同的
02
遥感影像图复原
噪声去除
均值滤波
通过将像素邻域的平均 值替代中心像素值，平
滑图像，去除噪声。
中值滤波
将像素邻域的中值替代 中心像素值，对椒盐噪 声有较好的去除效果。
高斯滤波
利用高斯函数对图像进 行平滑处理，降低噪声
多源数据融合在遥感影像中的应用
多源数据融合在遥感影像中的应用遥感技术自20世纪初起，已经成为了地球表面环境状况的重要监测手段之一。
它通过卫星、飞机等平台获取到地球表面的影像数据，并将其应用于环境管理、自然资源管理、城市规划等领域。
遥感影像的多源数据融合，为提升数据的空间分辨率、精度和信息量提供了有力手段。
1. 多源数据融合的意义遥感影像中所涉及的数据来自不同的卫星、传感器和平台，由于它们的工作原理、分辨率、视角等各有不同，每种数据都有其独特的优势和不足。
例如，在卫星遥感中，高分辨率数据可以提供细节丰富的影像，而低分辨率数据适用于大范围地表变化的监测。
在这种情况下，对多源数据进行融合，可以在保留每种数据的优势的同时，提高影像数据的综合质量和分析能力。
2. 多源数据融合的方法多源数据融合的方法有很多种，其中主要的方法有以下几种：（1）基于时空分析的方法这种方法通过对多源数据的时空特征进行分析和比较，将不同数据之间的误差和差异消除，获得具有更高精度和信息量的影像数据。
这种方法适用于针对时间序列数据的分析。
（2）基于统计学方法的方法这种方法利用统计学方法从多源数据中提取有效信息和隐藏信息，通过模型构建、变换和滤波等步骤，生成更加准确、可靠和稳定的影像数据。
（3）基于传感器的方法这种方法通过将多源数据传感器的信息融合，提高影像数据的空间分辨率和动态范围。
举个例子，气象卫星和雷达时常会收集到非常不同的信息（例如温度、降水、风等），通过将它们融合为综合的数据，可以为气象学家提供更全面的观测结果。
3. 多源数据融合的应用多源数据融合在遥感影像中的应用非常广泛。
它可以用于海洋、农业、城市规划、生态保护等多个领域，下面是其中的一些例子：（1）城市规划多源遥感影像融合可以用于城市规划的地图制作、建筑物高度提取和土地利用类型分类等。
例如，通过将高分辨率的卫星遥感影像和低分辨率的地面物探数据融合，可以产生更加详细、准确的城市地形图。
（2）农业多源遥感影像融合在农业上的应用主要包括土地资源调查和监测、作物类型区分和生长状况监测等。
多源数据融合的遥感图像分类研究
多源数据融合的遥感图像分类研究遥感图像分类是遥感学科领域中的重点研究方向之一。
遥感图像分类的应用十分广泛，如地面覆盖分类、农田养护、城市规划等。
然而，如何有效地利用遥感图像数据进行分类仍然是一个挑战。
因此，如何提高遥感图像分类准确率是遥感学科领域研究的热点之一。
其中，多源数据融合是提高遥感图像分类准确率的一种有效方法。
多源数据融合可以将不同光谱、不同分辨率、不同波段等不同类型的遥感数据进行有效结合，从而提高分类效果。
常见的多源数据融合方法包括特征层融合、决策层融合、特征决策层融合等。
特征层融合是将来自不同遥感数据的特征融合在一起，从而给分类器提供更好的特征信息，提高分类精度。
常见的特征层融合方法包括直接叠加、变换、分组等。
在直接叠加方法中，可以将多源遥感图像叠加在一起，形成一个多谱段图像。
这种方法简单易行，但是会增加数据维度，导致计算量增大，同时也存在信息冗余的问题。
因此，需要针对不同的数据类型使用不同的叠加方式，减少冗余信息。
变换方法是通过一些数学变换将原始遥感数据转换为更适合特征提取的形式，如小波变换、主成分分析等。
然后将变换后的信息进行特征层融合。
这种方法可以减少数据的维度，提高分类精度。
分组方法是将具有相似特征的波段分成一组，然后将分组后的波段进行特征层融合。
这种方法可以减少数据的维度，提高遥感图像分类的准确率，但是需要确定一个好的分组策略。
决策层融合是将来自不同遥感数据的分类决策信息进行融合。
常见的决策层融合方法包括逻辑合并法、加权平均法等。
逻辑合并法是将分类结果进行逻辑操作，如与或非等，得到最终的分类结果。
这种方法简单易行，但是分类结果容易出现偏差，需要根据实际情况进行调整。
加权平均法是将来自不同遥感数据的分类结果按照一定的权重进行加权平均得到最终的分类结果。
这种方法可以充分利用不同遥感数据的分类信息，提高分类精度。
特征决策层融合是将特征层和决策层进行融合。
这种方法综合了特征融合和决策融合的优点。
如何使用图像拼接和多源数据融合进行遥感影像的生成和分析
如何使用图像拼接和多源数据融合进行遥感影像的生成和分析遥感技术在自然资源调查、环境监测、城市规划等领域发挥着重要作用。
然而，由于遥感影像的分辨率受限，单一遥感影像难以提供完整和详细的信息。
为了弥补这一不足，图像拼接和多源数据融合成为提高遥感影像生成和分析效果的重要手段。
首先，图像拼接技术允许将多个遥感影像拼接成一个大范围的图像，提供更全面的信息。
图像拼接分为几个关键步骤，包括图像对齐、特征提取和像素融合。
图像对齐是通过对不同影像进行几何校正，使得它们具有相同的尺度和方位。
特征提取是利用计算机视觉算法，自动检测和提取图像中的关键特征点，如角点、边缘等。
最后，通过像素级融合技术将多个影像拼接在一起，实现无缝连接。
其次，多源数据融合技术能够将来自不同传感器的遥感影像进行结合，提供更为准确和全面的信息。
多源数据融合分为特征级融合、决策级融合和数据级融合。
特征级融合是将不同源数据中的特征信息进行提取和融合，如颜色、纹理和形状等。
决策级融合是根据不同源数据的权重和可靠性，进行决策和分类，得出最终的分析结果。
数据级融合是将不同源数据进行融合和重采样，使其具有相同的分辨率和尺度。
通过结合图像拼接和多源数据融合技术，可以实现更为精确和全面的遥感影像生成和分析。
对于遥感影像生成，首先进行图像拼接，将多个小范围的影像拼接成一个大范围的影像，提供更全面的信息。
然后，利用多源数据融合技术，将来自不同传感器的影像进行结合，提高影像的质量和准确度。
对于遥感影像分析，首先进行多源数据融合，将来自不同源数据的特征进行提取和融合，得到更准确和全面的特征信息。
然后，利用图像拼接技术将多个小范围的分析结果拼接在一起，形成一个更具完整性的分析结果。
然而，使用图像拼接和多源数据融合技术也存在一定的挑战和难点。
首先，图像拼接需要进行精确的几何校正和特征提取，误差的累积可能导致拼接结果的不准确。
其次，多源数据融合需要考虑不同数据源之间的匹配和一致性，不同数据的质量差异也会对融合结果产生影响。
多源信息融合技术在遥感影像处理中的应用
多源信息融合技术在遥感影像处理中的应用随着科技的不断发展，各种技术应用的范围也在不断的拓宽。
其中，多源信息融合技术在遥感影像处理中的应用也越来越广泛。
这种技术可以将来自不同来源的遥感数据进行融合，得到更加精确、详细、全面的数据信息，提高了遥感数据的分析和利用效果，广泛应用于国土资源、农业生产、城市规划、环境保护等领域。
一、多源信息融合技术的基本概念多源信息融合技术是指将来自不同传感器或传感器组合的数据进行整合，并利用一定的方法对其进行处理和分析，以得到更加精确、详细、全面的数据信息，以满足实际应用需求的一种技术手段。
该技术最大的优点就是在融合后的数据中可以减少由于传感器和自然环境的各种因素而造成的遥感数据的“噪声”，使得数据的精度和分辨率都得到了显著的提升，能够更好的服务于各个应用领域。
二、多源信息融合技术在遥感影像处理中的应用（1）国土资源调查多源信息融合技术在国土资源调查中的应用非常广泛，既能够提高遥感数据的精度，又能够获得更加全面的数据信息，为各种地理信息系统提供了更加精细、准确的数据基础，为国土资源管理与决策提供更加科学的支撑。
例如，在矿产资源的勘探中，可以利用多源信息融合技术，将多个遥感图像进行合成和分析，得到更加准确、分辨率更高的矿产区位信息，为矿产资源的开发提供了科学的决策依据。
（2）农业生产多源信息融合技术在农业生产中的应用主要体现在农作物的远程监测、适量施肥、预测农作物产量等方面。
通过多源信息融合技术，可以利用遥感影像获取农作物生长状况等各种农业生产数据，避免了传统的勘测方式带来的信息滞后和延迟等问题，能够更加全面地监测农田的生长状态和环境等情况，对农业生产的管理和决策具有重要意义，帮助提高农田地理信息的分辨率。
（3）城市规划当今城市规划中越来越多地强调城市的智能化和信息化，多源信息融合技术在城市规划领域中也发挥着重要的作用。
例如，基于遥感数据和地理信息数据的城市地图，其所展示的效果可以超越传统2D地图，将城市的3D地形、建筑高度、交通覆盖等各种城市规划信息一一呈现，可以更好地帮助城市规划人员实现城市的可持续发展，为城市规划实践提供有效的数据支撑。
多源图像融合
参考文献
多传感器图像融合技术综述. A comparative analysis of image fusion methods. A new intensity-hue-saturation fusion approach to image fusion
with a tradeoff parameter. Adaptive Image Fusion Algorithm of SAR CCD Images Based on
决策级：最高层次，首先对遥感数据进行特征提取和属性说明，然后对其结 果加以融合，得到目标或环境的融合属性说明。
图像融合的一般模型
多源遥感图 像数据
空间配准
信息融合
信息表示或 属性说明
4
三种融合框架的特点
5
ቤተ መጻሕፍቲ ባይዱ
三种融合框架对应的融合方法
6
像素级图像融合处理
三个核心步骤：影像预处理、影像融合和融合评价。
影像1 影像2 影像N
预处理
影像融合
测试评估
噪声去除 影像配准
影像输出
7
IHS变换融合法
颜色空间：
RGB颜色空间，面向硬件，三分量之间具有很强相关性； IHS颜色空间，即亮度(I)、色度(H)、饱和度(S)，三分量之
间互不相关，因此对某一分量的处理不会影响到其它分量。 而三分量中，以亮度分量最为重要。
图像空间
高分辨率全色 影像
高分辨率融合 影像
PCA变换 谱空间
PCA逆 变换
各主分量影像 PC1
直方图匹配
置换PC1分量
12
小波变换融合算法
13
IHS+小波变换融合算法
多源遥感图像融合与分类研究
多源遥感图像融合与分类研究遥感图像融合和分类是当今遥感技术领域的重要研究方向之一。
通过结合多源遥感图像的信息，实现融合和分类可以提高遥感图像的解析度和分类精度，为地理信息提供更准确、全面的数据支持。
本文将重点介绍多源遥感图像融合和分类的研究进展、方法和应用。
一、多源遥感图像的融合方法多源遥感图像融合是指将来自不同传感器或不同平台的遥感影像融合为一幅综合信息更全面、更准确的图像。
常用的融合方法包括基于变换的方法、基于分类的方法和基于模型的方法。
基于变换的方法是将多源遥感图像通过某种变换方法转换到同一特征空间，然后通过像素级的融合将它们融合为一幅图像。
常用的变换方法包括主成分分析（PCA）、小波变换和拉普拉斯金字塔变换。
这些方法通过保留多源遥感图像的特征信息，在保持图像细节的同时，提高了图像的空间分辨率和光谱分辨率。
基于分类的方法则是将多源遥感图像分别进行分类，然后将分类结果进行融合。
这种方法可以利用每一幅遥感图像的特殊信息，提高分类的精确性和可信度。
常用的分类方法包括支持向量机（SVM）、最大似然分类和随机森林分类。
基于模型的方法是通过建立数学模型来描述多源遥感图像之间的关系，并根据模型进行融合。
比如，线性光谱混合模型（LSMM）将多源遥感图像的光谱信息进行线性组合，从而实现融合。
这种方法有较高的鲁棒性和适用性，但需要事先了解传感器特性和获取准确的模型参数。
二、多源遥感图像的分类方法多源遥感图像的分类是指将不同类型的地物或目标在遥感图像中进行区分和分类。
目前，随着机器学习和深度学习的发展，多源遥感图像的分类方法已经取得了显著的进展。
传统的多源遥感图像分类方法主要包括像元级分类和基于对象的分类。
像元级分类是将每个像元点作为一个基本单元进行分类，常用的方法包括最大似然分类、支持向量机和随机森林等。
基于对象的分类则是将图像分割为若干个具有意义的对象，然后对这些对象进行分类。
这种方法一般可以提高分类的准确性和可信度，但对图像分割的准确性要求较高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
具体做法举例：
将TM与SPOT复合，选取TM三个波段4，3，2和 TM与SPOT复合，选取TM三个波段4 SPOT全色波段共4 SPOT全色波段共4个波段， 复合方法1 每幅TM图像均与SPOT图像作逐点运算， 复合方法1：每幅TM图像均与SPOT图像作逐点运算， 如相加、相减或相乘，或其他运算方案，生成三 幅图像，进行彩色合成，生成复合图像。
不同传感器的遥感数据复合
例2 雷达和陆地卫星影像数据融合
再如，侧视雷达图像可以反映地物的微波反射特 性，地物的介电常数越大，微波反射率越高，色 性，地物的介电常数越大，微波反射率越高，色 调越发白，这种特性对于反映土壤、水体、山地、 丘陵、居民点，以及道路、渠道等线性地物明显 优于陆地卫星影像，因此如将雷达影像与陆地卫 优于陆地卫星影像，因此如将雷达影像与陆地卫 星影像复合，可以既反映出可见光，近红外的反 射特性，又可以反映出微波的反射特性，有利于 综合分析。
遥感图像融合前处理：空间配准 遥感图像融合前处理：
实践中，常用地形图或已配准的遥感图像作 为基础底图，对未配准的图像进行几何精纠 正，使它们具有统一的投影方式和坐标系统， 以便不同类型或不同时相的遥感影像之间的 几何配准和精确融合。
影像空间配准包括： 几何纠正（略） 投影变换
遥感图像融合前处理：空间配准 遥感图像融合前处理：
新投影
ϕ = ϕ( x, y) λ = λ( x, y)
X = g1(ϕ( x, y), λ( x, y))
原、新投影关系
Y = g2 (ϕ( x, y), λ( x, y))
遥感图像的空间配准
投影变换：数值变换法 在不知道原投影坐标关系的情况下，采用多 项式近似的方法求解。 根据两投影间选定的相应控制点的坐标组成 线性方程组，用解方程组的方法或最小二乘法 可求得系数。 这种变换一般不是一次进行全区域的投影换算， 而是分块进行，以保证变换的精度。 图像处理软件中一般均有现成的软件程序，可 以直接进行投影变换。
投影变换：将遥感资料从一种地图投影转 换成另一种地图投影，以实现多源数据地 理坐标系统的统一。 投影变换的方法有两大类：
–解析变换法 –数值变换法
遥感图像的空间配准
投影变换：解析变换法 是在已知原投影与新投影解析式的条件下， 求得它们之间变换解析关系式。
X = f1(ϕ, λ)
原投影
Y = f2 (ϕ, λ) x = g1(ϕ, λ) y = g2 (ϕ, λ)
影像配准或校正 加密控制点 配准精度检查
不满足 满足要求吗？ 满足要求吗？ 满足 配准结束
同名点的选取
人工目视 相关运算
采用的方法
一般多项式拟合法
图像配准中误差
一般地区不大于0.5个像元，平原地区严格控制在0.5个 像元以内，山区适当放宽。
配 准 点 选 取
配准精度检查
对配准后数据进行快速融合处理，目视检查融合图 对配准后数据进行快速融合处理， 是否有重影现象。 是否有重影现象。
常用的数据融合方法— （四）常用的数据融合方法—彩色合成
具体做法举例：
复合方法2 复合方法2：设 LRTM、 LGTM、 LBTM分别为TM4,3,2 分别为TM4,3,2 波段的亮度值， LSPOT为SPOT全色波段的亮度值， SPOT全色波段的亮度值， A为权函数，则生成三幅新图像亮度值L复为： 为权函数，则生成三幅新图像亮度值L LR复＝A·LSPOT·LRTM/（LRTM +LGTM +LBTM） LG复＝A·LSPOT·LGTM/（LRTM +LGTM +LBTM） LB复＝A·LSPOT·LBTM/（LRTM +LGTM +LBTM） 将新生成的图像L 将新生成的图像LR复、LG复、LB复分别赋予红、绿、 分别赋予红、 蓝色，合成后生成复合图像。 蓝色，合成后生成复合图像。
TM与SAR的影像复合 TM与SAR的影像复合 通过TM3 TM3， SAR（ 波段）复合，突出了水体（图像中的蓝色） 通过TM3，4与SAR（C波段）复合，突出了水体（图像中的蓝色）和线 状地物信息，反映了洪水淹没情况。 状地物信息，反映了洪水淹没情况。
不同时相的遥感数据复合
在观测地物的类型、位置、轮廓及动态变化时，常 需要不同时相遥感数据的复合。融合的步骤为： （1）配准：利用几何校正的方法做位置匹配。
数据融合前处理：图像几何校正与配准 数据融合前处理：
信息融合的必要条件是：使两幅（ 信息融合的必要条件是：使两幅（多）图像所对 使两幅 应的地物吻合，分辨率一致，地理坐标统一， 应的地物吻合，分辨率一致，地理坐标统一，即 影像空间配准。 影像空间配准。 影像配准是数据融合处理中的关键步骤，其几何配 准精度直接影响融合影像的质量。 方法是采用几何校正，分别在不同数据源的影像上 选取控制点，用双线性内插或三次卷积内插运算等 对分辨率较小的图像进行重采样，改正其误差， 分辨率较小的图像进行重采样，改正其误差， 将影像投影到同一的地面坐标系统上，完成配准。
（2）直方图调整：将配准后的图像尽可能地调整成一致的直方 图，使图像亮度值趋于协调，以便于比较。 （3）复合：不同时相的图像复合主要用来研究时间变化所引起 的各种动态变化。采用的复合方法主要有： –彩色合成方法：通过颜色对比表现变化； –差值方法； –比值方法。
不同时相的气象卫星数据与NOAA数据融合 不同时相的气象卫星数据与NOAA数据融合
（一）信息复合的概念和简介
信息复合的技术关键
–充分认识研究对象的地学规律。 –充分了解每种复合数据的特点和适用性。 –充分考虑到不同遥感数据之间波谱信息的相关性引起的有 用信息的增加以及噪声误差的增加，因此对多种遥感数据 作出合理的选择。 –几何配准，即解决遥感图像的几何畸变，解决空间配准问 题。
只有对地学规律、影象特征、 只有对地学规律、影象特征、成象机理这三者有深 刻的认识，并把它们有机地结合起来， 刻的认识，并把它们有机地结合起来，信息复合才 能达到更好地效果。 能达到更好地效果。
（二）多源遥感信息复合的应用案例
遥感信息的复合 （1）不同传感器的遥感数据的复合， ）不同传感器的遥感数据的复合， （2）不同时相的遥感数据的复合 ）不同时相的遥感数据的复合 （3）遥感与非遥感信息的复合 遥感与非遥感信息的复合 复合方式的确定应根据目标空间分布、 光谱反射特性及时相规律方面的特征选 择不同的遥感图像信息
遥感图象处理：信息复合 遥感图象处理：
信息复合的概念和简介 信息复合的应用举例 -不同传感器的遥感信息复合 -不同时相的遥感数据复合 遥感数据复合前处理— 遥感数据复合前处理—几何纠正和空间配准 常用的数据复合方法 遥感信息与非遥感信息的复合
（一）信息复合的概念和简介
定义：多源信息的复合是将多种遥感平台， 定义：多源信息的复合是将多种遥感平台， 多时相遥感数据以及遥感数据与非遥感数据 之间的信息组合匹配的技术。 内容：它包括空间配准和内容复合两个方面， 内容：它包括空间配准和内容复合两个方面， 从而在统一地理坐标系统下，构成一组新的 空间信息、一种新的合成图象。 目的： 目的：突出有用的专题信息，消除或抑制无 关的信息，以改善目标识别的图像环境, 关的信息，以改善目标识别的图像环境,提 高学遥感数据与SAR图像融合
不同传感器的遥感数据复合
例3 洪水监测研究中的影像数据融合
针对具体问题常常有不同的复合方案。 比如研究洪水监测，可选择的遥感信息源很多， NOAA图像: 地面分辨率低（1.1km），但时相分辨率高，信息 NOAA图像: 地面分辨率低（1.1km），但时相分辨率高，信息 及时，可昼夜获取，同步性强，有利于动态监测； TM图像：光谱信息丰富，几何性能好，空间分辨率较高，有 TM图像：光谱信息丰富，几何性能好，空间分辨率较高，有 利于分析洪水信息； SAR图像：较易观察水体和线性地物，并且可全天候获取信息， SAR图像：较易观察水体和线性地物，并且可全天候获取信息， 有利于实地监测洪峰。 复合方案： 复合方案： TM与侧视雷达图像复合 既可获得洪水、水田、旱地情况， 与侧视雷达图像复合， 将TM与侧视雷达图像复合，既可获得洪水、水田、旱地情况， 也可获得大堤、水渠等线性地物情况； 也可获得大堤、水渠等线性地物情况； 将TM与气象卫星图像复合，可以克服云层影响和气象卫星分 TM与气象卫星图像复合， 辨率低的不足。 辨率低的不足。 因此复合图像在洪水监测中更具实用意义。
相对配准
选择某一卫星数据作为参考图象，将其他卫星数据与之 配准，简称图像对图像的配准。
绝对配准
将所有的图像分别校正到地图坐标系下。
SPOT与TM影像的配准 SPOT与TM影像的配准
配准后TM 配准后 精纠正后SPOT 精纠正后
DRG
配准模式
已有高精度纠正结果时：在已有纠正图像进一步检查的基础上 已有高精度纠正结果时 ，以纠正好的几何精度高的数据为底图，进行配准纠正。
快速融合结果
局部放大
配准精度检查
配 准 不 合 格
配准精度检查 利用图像处理软件的连接和分层交互显示功能目视 检查数据配准精度。 检查数据配准精度。
透 明 叠 加 检 查
常用的数据融合方法— （四）常用的数据融合方法—彩色合成
数据融合方法：彩色变换、 K-L 变换，比值变 换；基于小波理论的特征融合、基于贝叶斯法则 的分类融合等 诸多复合方案中，彩色合成方法的效果比较明 显。所以应尽可能生成三幅新图像，分别赋予红、 绿、蓝色，进行假彩色合成。
监测范围较小时：高几何分辨率全色SPOT 先几何校正到地 监测范围较小时 图坐标系，再将TM 配准到全色SPOT上。 监测范围较大时：先将高质量的某一时相TM数据进行几何纠 监测范围较大时 正，象元采样成10米的地面分辨率，作为标准影象地图；再 将其余卫星数据以景为单元与其进行相对配准。
配准流程
选取控制点
不同传感器的遥感数据复合
例1 TM和SPOT影像数据融合 TM和SPOT影像数据融合