遥感图像融合方法比较
遥感影像融合方法分析
遥感影像融合方法分析遥感影像的融合是对来自同一区域的多源图像数据进行综合处理，以获得对该区域更为准确、全面、可靠的影像描述。
由于遥感影像融合的这一特点，使得这一技术在遥感中有着很重要的作用，这一技术也成为近几年国际遥感界的研究热点。
本文研究了目前学术界提出的几种较为流行的影像融合算法，对它们的特点进行了分析，同时给出了影像融合的效果的评价准则。
标签：遥感；影像；融合引言随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。
不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。
显然，影像融合为我们提供了一个很好的途径。
影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。
图像融合一般分为三个层次：①像素级融合。
像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。
是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。
是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。
图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。
下面本文将对其中一些算法进行介绍并分析。
1 目前较为流行的影像融合算法分析1.1 小波变换法1.2 Brovey变换法Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。
遥感图像融合与融合技术指南
遥感图像融合与融合技术指南遥感技术的快速发展使得我们能够获取到丰富的遥感图像数据。
但是，单一图像的信息有时并不能完全满足我们对地物的准确识别和分析的需求。
因此，遥感图像融合技术应运而生。
一、遥感图像融合的定义和意义遥感图像融合是指将多幅来自不同传感器、不同波段或不同时间的遥感图像进行相互结合，形成一幅或多幅具有更全面和高质量信息的综合图像的技术。
这种综合图像可以为我们提供更准确、更全面的地物分布和特征信息。
遥感图像融合的意义在于能够弥补不同类型遥感图像的不足，提高图像质量和信息量。
例如，在高分辨率图像融合中，我们可以将高空间分辨率的光学图像与高光谱信息丰富的遥感图像融合，以获得既有高分辨率又有丰富光谱特征的图像，从而提高地物分类和识别的准确性。
二、常用的遥感图像融合方法1. 基于变换的方法基于变换的方法是指通过对原始图像进行一定的变换，将其转换为其他域中的图像，再将转换后的图像进行融合。
常见的变换包括小波变换、主成分分析、非负矩阵分解等。
这些方法通过提取图像特征或压缩信息来辅助图像融合。
2. 基于像素级的方法基于像素级的方法是指直接对原始图像进行像素级别的操作，将多幅图像的对应像素进行一定的组合，得到融合后的图像。
常见的方法有加权平均、最大像元值、高斯金字塔等。
这些方法直接对图像进行操作，简单有效。
3. 基于特征级的方法基于特征级的方法是指通过提取原始图像的特征信息，再将特征进行组合，得到融合后的图像。
常见的方法有像元级特征、纹理特征、几何特征等。
这些方法通过挖掘图像的特征信息来提高融合效果。
三、遥感图像融合的应用领域1. 地貌勘测和地质灾害监测遥感图像融合可以提供高分辨率的地表地貌信息，帮助我们更准确地了解地形变化和地质灾害的发生。
通过融合多源遥感图像，可以获得更准确的地形模型和地质信息，为地质灾害的监测和预测提供支持。
2. 农业生产和环境监测融合多源遥感图像可以提供农作物的生长情况、土地利用状况和环境污染等信息。
遥感中图像融合的名词解释
遥感中图像融合的名词解释遥感中的图像融合是指将多个不同波段或不同分辨率的遥感图像进行整合和融合，以获得具有更高质量和更全面信息的图像。
图像融合是一种重要的处理方法，可以提高遥感图像的空间分辨率、光谱范围和信息内容。
在本文中，将解释遥感图像融合的概念、方法和应用。
一、遥感图像融合的概念遥感图像融合是指将来自不同传感器或同一传感器的不同波段、不同角度或不同时间的图像进行处理和整合，以获得一幅更具有丰富信息和高质量的图像。
通过图像融合，我们可以充分利用各个波段或传感器的优势，提高遥感图像的空间分辨率、光谱分辨率和几何精度。
二、遥感图像融合的方法1. 基于像素级的融合方法：像素级融合是最常见的图像融合方法之一，它将不同波段或传感器的像素进行组合来生成融合图像。
常用的像素级融合方法包括加权平均法、主成分分析法和小波变换法等。
加权平均法通过对不同波段的像素进行加权平均来生成融合图像；主成分分析法通过提取不同波段的主成分，再进行重构来生成融合图像；小波变换法则将不同波段的图像进行小波变换，再进行重构得到融合图像。
2. 基于特征级的融合方法：特征级融合方法是通过提取和融合不同波段或传感器的特征来生成融合图像。
常用的特征级融合方法包括主要成分分析法、基于像元间差异的方法和基于数字摄影测量的方法等。
主要成分分析法通过提取和保留不同波段图像的主要成分，再进行重构来生成融合图像；基于像元间差异的方法则通过计算不同波段像元间的差异来决定融合结果；基于数字摄影测量的方法则利用几何建模对不同传感器的图像进行三维匹配和重构，产生高质量的融合图像。
三、遥感图像融合的应用1. 地表覆盖分类：遥感图像融合能够提高遥感图像的空间分辨率和光谱范围，从而提供更全面和准确的地表覆盖分类结果。
例如，在农业领域，通过多光谱和高分辨率图像的融合，可以实现对农作物的种植、斑块的划分和生长状态的监测。
2. 地表变化检测：遥感图像融合可以提供多时相的地表图像，从而实现对地表变化的监测和检测。
starfm 融合方法
starfm 融合方法StarFM融合方法引言：随着科技的不断发展，融合方法在各个领域中得到了广泛的应用。
其中，StarFM融合方法作为一种常用的遥感影像融合方法，在遥感图像处理中具有重要的意义。
本文将详细介绍StarFM融合方法的原理和应用，并讨论其优缺点。
一、StarFM融合方法的原理StarFM融合方法是一种基于时空自适应回归模型的遥感影像融合方法。
它利用高分辨率影像和低分辨率影像之间的时空关系进行融合。
具体而言，该方法通过建立高分辨率影像和低分辨率影像之间的线性回归模型，并将模型应用于融合过程中。
在StarFM融合方法中，首先需要选择一对高分辨率影像和低分辨率影像作为输入。
然后，通过计算高分辨率影像和低分辨率影像之间的差异，得到一个残差图像。
接下来，通过选择适当的回归模型，将残差图像与低分辨率影像进行融合，得到最终的融合结果。
二、StarFM融合方法的应用StarFM融合方法在遥感影像处理中有着广泛的应用。
首先，该方法可以用于提高遥感影像的空间分辨率。
通过将高分辨率影像与低分辨率影像进行融合，可以得到一幅空间分辨率更高的影像，从而提供更详细的地物信息。
StarFM融合方法还可以用于监测地表变化。
通过比较不同时间点的遥感影像，可以得到地表变化的信息。
而StarFM融合方法可以将高分辨率影像和低分辨率影像之间的时空关系考虑在内，从而更准确地监测地表变化。
StarFM融合方法还可以用于农作物遥感监测。
农作物的生长情况对于农业生产具有重要的意义。
通过将高分辨率影像与低分辨率影像进行融合，可以获得更准确的农作物信息，从而帮助农民做出更好的决策。
三、StarFM融合方法的优缺点StarFM融合方法作为一种常用的遥感影像融合方法，具有一定的优点和缺点。
首先，该方法能够充分利用高分辨率影像和低分辨率影像之间的时空关系，从而提高融合结果的准确性。
其次，该方法具有较高的计算效率，适用于大规模遥感影像的处理。
遥感图像处理中的图像融合方法与精度评价
遥感图像处理中的图像融合方法与精度评价遥感图像处理是一门研究如何获取、处理和应用遥感图像信息的学科。
遥感图像融合是其中的一个重要研究方向，它旨在通过将多个遥感图像融合为一个具有更高空间、光谱分辨率和更丰富信息量的图像，来提高遥感图像的解译和应用能力。
本文将探讨遥感图像融合的方法和精度评价。
一、遥感图像融合方法1. 传统融合方法传统的遥感图像融合方法主要包括像素级融合和特征级融合。
像素级融合是指将不同分辨率的遥感图像通过插值方法将其像素一一对应，然后对对应像素进行加权平均得到融合图像。
常用的插值方法有最邻近插值、双线性插值等。
这种方法简单易实现，但无法利用各个波段之间的相关性。
特征级融合是指通过提取多个图像的不同特征，然后将这些特征融合到同一个图像中。
常见的特征包括边缘信息、纹理信息、频谱信息等。
特征级融合方法可以更好地保留各个图像的特征，但对特征的提取和融合过程较为复杂。
2. 基于变换的融合方法基于变换的融合方法是指通过对多个遥感图像进行变换操作，然后将变换后的图像进行融合。
常见的变换包括小波变换、主成分分析、时频分析等。
小波变换是一种时频分析方法，可以将图像分解为不同频率和方向的小波系数。
通过对小波系数进行加权平均，可以实现遥感图像的融合。
小波变换融合方法能够提取图像的局部特征，能更好地保留图像的细节信息。
主成分分析是一种基于统计的方法，通过分析遥感图像的协方差矩阵，提取出图像的主要成分。
然后将这些主成分按照一定的权重进行线性组合，得到融合图像。
主成分分析融合方法可以更好地提取遥感图像的空间信息，对图像的纹理特征具有较好的保留效果。
以上只是其中的两种常见的基于变换的融合方法，实际上还有很多其他的方法，如独立分量分析、稀疏表示等。
二、图像融合精度评价图像融合精度评价是指对融合图像质量进行定量评估的方法。
常用的融合图像质量评价指标有以下几种：1.谱信息准确度谱信息准确度评价主要针对于融合图像的光谱特征，常用的指标有谱变异性、谱角等。
遥感图像融合的技术方法介绍
遥感图像融合的技术方法介绍遥感图像融合是指将来自不同传感器、分辨率和波段的遥感图像进行整合，以获取更全面和准确的地理信息。
在各个领域，遥感图像融合技术都发挥着重要的作用。
本文将介绍遥感图像融合的几种常见技术方法，并探讨它们的应用领域和优势。
1. 基于变化检测的融合方法基于变化检测的融合方法是一种常见的遥感图像融合技术。
它通过对多时相的遥感图像进行比较，识别出地物的变化信息，然后根据变化信息对图像进行融合。
这种方法在土地利用/覆盖变化监测、城市扩张分析等领域具有广泛的应用。
以土地利用/覆盖变化监测为例，该方法可以将不同时间点的遥感图像融合，获得地表的变化信息。
通过对变化信息的分析，可以揭示不同地区的土地利用/覆盖变化趋势，为城市规划和土地资源管理提供有力支持。
2. 基于分辨率的融合方法基于分辨率的融合方法是将高分辨率的遥感图像与低分辨率的遥感图像进行融合，以获取高分辨率和丰富信息的融合图像。
这种方法常用于地物识别、目标检测等领域。
地物识别是遥感图像处理中的重要任务之一。
基于分辨率的融合方法可以将高分辨率图像的细节信息与低分辨率图像的全局信息相结合，从而提高地物的识别性能。
例如，在城市建筑物提取中，通过融合高分辨率的影像与低分辨率的地物分类图，可以更准确地提取出建筑物边界和形状。
3. 基于波段的融合方法基于波段的融合方法是将不同波段的遥感图像进行融合，以提取更丰富的地物信息。
这种方法常用于植被监测、环境评估等领域。
植被监测是农业和生态环境领域的重要任务之一。
基于波段的融合方法可以将各个波段的遥感图像进行线性组合，融合出具有更丰富信息的遥感图像。
通过分析融合图像的各个波段，可以获取植被的生长状态、叶片含量和叶绿素含量等关键指标，为农作物生长监测和环境评估提供重要依据。
总结：遥感图像融合是一种重要的遥感数据处理技术，可以提高遥感图像的空间、光谱和时间分辨率，进而提供更准确、全面的地理信息。
本文介绍了基于变化检测、分辨率和波段的融合方法，并探讨了它们在不同领域的应用。
遥感图像融合实验报告
遥感图像融合实验报告遥感图像融合实验报告一、引言遥感技术在现代科学研究和应用中发挥着重要的作用。
遥感图像融合是将多个遥感图像的信息融合为一个综合图像的过程，可以提供更全面、更准确的地理信息。
本实验旨在通过遥感图像融合技术，对不同分辨率的遥感图像进行融合，以获得更高质量的图像。
二、实验方法1. 数据收集我们使用了两个不同分辨率的遥感图像，一个是高分辨率的卫星图像，另一个是低分辨率的无人机图像。
这两个图像分别代表了不同的空间分辨率。
为了保证数据的准确性，我们选择了同一地区的图像进行比较。
2. 图像预处理在进行图像融合之前，需要对图像进行预处理，以提高融合效果。
我们首先对两个图像进行边缘增强处理，以增强图像的边缘信息。
然后，对图像进行直方图均衡化，使图像的灰度分布更均匀。
最后，对图像进行尺度匹配，以确保两个图像的尺度一致。
3. 图像融合算法本实验使用了一种基于小波变换的图像融合算法。
该算法通过将两个图像的低频部分和高频部分进行融合，得到一个综合图像。
具体步骤如下：a. 对两个图像进行小波变换，得到它们的低频部分和高频部分。
b. 对两个图像的低频部分进行加权平均，得到融合后的低频部分。
c. 对两个图像的高频部分进行加权平均，得到融合后的高频部分。
d. 将融合后的低频部分和高频部分进行逆小波变换，得到最终的融合图像。
4. 实验结果分析通过对融合后的图像进行视觉和定量分析，我们可以评估融合效果。
视觉分析可以通过观察图像的细节和边缘来判断融合效果的好坏。
定量分析可以通过计算图像的信息熵、互信息和均方误差等指标来评估融合效果。
三、实验结果与讨论经过实验，我们得到了融合后的图像。
通过对比原始图像和融合图像，我们可以看到融合后的图像在细节和边缘方面有明显的提升。
融合后的图像更清晰、更丰富，能够提供更多有用的地理信息。
在定量分析方面，我们计算了融合图像的信息熵、互信息和均方误差。
结果显示，融合图像的信息熵和互信息较高，均方误差较低，说明融合效果较好。
遥感影像数据融合原理与方法
遥感影像数据融合原理与方法遥感影像数据融合是将不同波段或不同传感器的遥感影像数据融合在一起，以获取更全面、准确、可靠的信息。
它在农业、林业、城市规划、环境监测等领域具有广泛的应用。
下面将对遥感影像数据融合的原理和方法进行详细介绍。
一、遥感影像数据融合原理遥感影像数据融合的原理是通过将多个波段或多个传感器的影像数据进行组合，以获取多波段或多传感器数据的综合信息。
融合后的影像数据能够提供更多的数据维度和更丰富的信息内容，从而增强地物辨别能力和特征提取能力。
1.时空一致性：遥感影像数据融合要求融合后的影像数据在时域和空域上具有一致的特性，即不同时间或空间的影像数据融合后要保持一致性，以便进行准确的信息提取和分析。
2.特征互补性：不同波段或传感器的影像数据通常具有不同的特征信息，例如，光学影像可以提供颜色信息，而雷达影像可以提供物体的形状和纹理信息。
融合时要充分利用不同波段和传感器的特征互补性，使融合后的影像数据包含更全面、准确的信息。
3.数据一致性：遥感影像数据融合应保持数据的一致性，即融合后的影像数据应在不改变原始数据的情况下，能够反映出原始数据的真实信息。
在融合过程中要注意去除噪声和图像畸变等因素，以保持数据的一致性。
二、遥感影像数据融合方法1.基于像素的融合方法：基于像素的融合方法是将不同波段或传感器的影像数据进行像素级别的融合。
常用的方法有像素互换法和加权平均法。
像素互换法是将一个波段或传感器的像素值替换到另一个波段或传感器的影像上，以增加信息的表达能力。
加权平均法是对不同波段或传感器的像素值进行加权平均，得到融合后的像素值。
2.基于特征的融合方法：基于特征的融合方法是针对不同波段或传感器的特征进行分析和融合。
常用的方法有主成分分析法和小波变换法。
主成分分析法是通过对不同波段或传感器的影像数据进行主成分分析，提取出影像数据中的主要特征，然后将主成分进行融合。
小波变换法是利用小波变换来分析和提取不同波段或传感器的影像数据中的特征，然后通过小波系数的线性组合对影像数据进行融合。
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。
实验五-遥感图像的融合
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，图像越清晰选择如下图所示的三个波段选择分辨率高的为15的点击ok，Sensor选择landsat8_oil，Resampling选择三次方的Cubic Convolution，实现融合，选择输出路径为sssrong融合之后的图像如下图，可以发现图像清晰度提高，分辨率变高，图像质量变好五、实验心得多光谱数据与高分辨率全色数据的融合可以使遥感图象既具有较好的空间分辨率，又具有多光谱特征，继而达到增强图象质量的目的，可谓是一举两得。
这次实验虽然比较简单，但是一开始的时候还比较模模糊糊，甚至于连目的都不清楚。
测绘技术中的遥感图像纠正和融合方法
测绘技术中的遥感图像纠正和融合方法遥感图像的纠正和融合是测绘技术中的重要研究方向，具有广泛的应用价值。
本文将从遥感图像纠正和融合两个方面进行探讨，并介绍一些常见的方法和技术。
一、遥感图像的纠正方法1. 几何纠正几何纠正是指对遥感图像进行几何校正，使其与地理坐标系统相匹配。
常见的几何纠正方法包括地面控制点法和数字影像匹配法。
地面控制点法通过在图像上选择地物特征点，并与地面真实位置相对应，根据图像上的点与地面真值的差异进行几何变换，从而实现图像的几何纠正。
数字影像匹配法则是通过提取图像上的特征点，并与实际地面上的同名特征点进行匹配，然后根据匹配结果进行几何变换。
2. 辐射纠正辐射纠正是指对遥感图像进行辐射校正，消除光学、大气等因素对图像亮度和对比度的影响，使得图像能够真实反映地物的辐射特性。
常见的辐射纠正方法包括大气校正和辐射定标。
大气校正是通过模拟大气传输过程，根据测量的气象数据和大气传输模型，估算和减去大气散射和吸收对遥感图像的影响。
辐射定标则是通过将图像上的数字值转换为辐射度或反射率，以实现不同时间、不同传感器之间的数据比较和分析。
二、遥感图像的融合方法遥感图像融合是指将多个传感器获取的多源数据融合到一个整体图像中，以提供更全面、更准确的地物信息。
常见的遥感图像融合方法包括像素级融合和特征级融合。
1. 像素级融合像素级融合是通过将不同传感器获取的图像像素进行组合，生成具有更高分辨率、更丰富信息的图像。
常用的像素级融合方法包括加权平均法、主成分分析法和小波变换法。
加权平均法将不同传感器的图像按一定权重加权平均，得到融合后的图像。
主成分分析法是利用主成分分析对不同传感器的图像进行降维处理，然后通过反变换重构融合图像。
小波变换法则是利用小波变换对不同传感器的图像进行多尺度分解和重构，得到融合图像。
2. 特征级融合特征级融合是利用不同传感器获取的图像中的特征信息进行融合，提取和组合更全面、更准确的地物特征。
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或不同波段的遥感图像进行融合，以获取更丰富的信息和更高的分辨率。
在遥感领域，图像融合技术被广泛应用于土地利用分类、环境监测、资源调查等领域。
本文将介绍几种常见的遥感图像融合方法，以及它们的优缺点和适用范围。
首先，基于像素级的遥感图像融合方法是最简单和常见的方法之一。
这种方法将来自不同传感器的图像进行逐像素的加权平均或逻辑运算，以获得融合后的图像。
这种方法的优点是简单易行，适用于大多数遥感图像。
然而，由于它忽略了图像的空间信息，导致融合后的图像质量较低，对细节的保留不足。
其次，基于特征的遥感图像融合方法通过提取图像的特征信息，如边缘、纹理等，然后将这些特征信息进行融合。
这种方法能够更好地保留图像的细节信息，提高融合后图像的质量。
然而，这种方法需要对图像进行复杂的特征提取和匹配，计算量较大，且对图像质量和几何精度要求较高。
另外，基于变换的遥感图像融合方法是利用变换域的方法对图像进行融合，如小波变换、PCA变换等。
这种方法能够更好地提取图像的频域信息，获得更高质量的融合图像。
然而，这种方法对图像的几何变换和配准要求较高，且需要较高的计算复杂度。
此外，基于深度学习的遥感图像融合方法是近年来的研究热点。
通过使用深度神经网络对图像进行端到端的融合，能够更好地提取图像的语义信息，获得更高质量的融合图像。
然而，这种方法需要大量的训练数据和计算资源，且对算法的调参和模型的选择要求较高。
综上所述，不同的遥感图像融合方法各有优缺点，适用于不同的应用场景。
在实际应用中，需要根据具体的需求和条件选择合适的融合方法，以获得最佳的效果。
希望本文能够对遥感图像融合方法有所了解，并为相关研究和应用提供参考。
遥感影像处理中图像融合与分类方法与算法
遥感影像处理中图像融合与分类方法与算法遥感影像处理是指利用遥感技术获取的各种遥感影像数据进行处理、分析和应用的过程。
在遥感影像处理中，图像融合和分类是非常重要的步骤。
本文将介绍图像融合与分类的方法与算法。
一、图像融合图像融合是将多幅具有不同空间或光谱分辨率的遥感影像进行数据融合，形成一幅具有更高分辨率和更全面信息的新影像。
图像融合常用的方法有主成分分析法（PCA）、小波变换法（Wavelet）、伪彩色合成法（False Color）等。
其中，主成分分析法是最常用的一种方法。
主成分分析法基于数据的变异程度，将原始影像的多个波段特征通过线性组合来生成新的信息特征。
该方法通过对遥感图像进行PCA处理，得到的前几个主成分代表数据中包含的最重要信息。
然后，将这些主成分按照一定的权重进行加权平均，得到融合后的影像。
主成分分析法能够有效提取遥感图像中的有用信息，提高图像的分辨率和信息量。
小波变换法是一种时频分析方法，通过不同尺度和不同频率的小波基函数将遥感图像进行变换。
这种方法能够在多个尺度上提取图像的纹理和细节信息，进而实现图像融合。
小波变换法的优点是能够克服主成分分析法在处理一些细节信息时的不足，提高融合图像的视觉质量。
伪彩色合成法是将多幅遥感影像按照一定的比例进行合成，形成一幅彩色图像。
这种方法常用于可见光和红外图像的融合，通过颜色的变化来表示不同波段的信息。
伪彩色合成法可以直观地观察到不同波段之间的关系，方便后续的图像分析和解译。
二、图像分类图像分类是将遥感影像中的像元按照其不同的类别进行划分和分类的过程。
图像分类的方法有监督分类和非监督分类两种。
监督分类是基于训练样本进行分类的一种方法。
在监督分类中，先从遥感影像中选择一些样本点，手动标注其所属类别，然后通过计算这些样本点与其他像元之间的相似度，来判断其他像元所属的类别。
常用的监督分类算法有最大似然法、支持向量机（SVM）等。
这些算法能够在样本点的训练下，准确地对遥感影像进行分类。
空间校正方法在遥感图像处理中的应用与比较
空间校正方法在遥感图像处理中的应用与比较遥感图像处理是指利用卫星、航空器或其他无人飞行器获得的遥感图像进行分析和解释的过程。
在进行遥感图像处理时，往往需要对图像进行空间校正，以消除地球表面的几何畸变、影像投影和地形效应等因素对图像的影响。
空间校正方法在遥感图像处理中起着至关重要的作用，本文将介绍一些常见的空间校正方法，并对它们进行比较。
一、几何校正方法几何校正是图像空间校正中最基本和常见的方法之一，主要用于消除地球表面的几何畸变。
在几何校正中，常用的方法有多项式拟合、残差最小化和控制点匹配。
1. 多项式拟合多项式拟合是一种简单且有效的几何校正方法。
它通过将原始图像中的像素坐标映射到已知地理坐标系中，然后利用多项式函数拟合像素坐标与地理坐标之间的关系，从而将图像进行几何校正。
多项式拟合的优点是简单易用，但它仅适用于地表变化较小的区域，对于地形变化较大的区域效果不佳。
2. 残差最小化残差最小化是一种校正方法，它通过最小化像素坐标与地理坐标之间的残差来进行几何校正。
在进行残差最小化时，通常需要根据已知地理坐标和像素坐标之间的关系建立数学模型，并利用最小二乘法对模型进行拟合，从而找到使残差最小的参数。
残差最小化的优点是适用于各种地形变化条件，但其缺点是计算量较大，需要较长的处理时间。
3. 控制点匹配控制点匹配是一种通过将已知的地理坐标与图像中的像素坐标进行对应来进行几何校正的方法。
在进行控制点匹配时，通常需要先在原始图像和已知地理坐标图上选择一些特征点作为控制点，然后通过对应关系来进行几何校正。
控制点匹配的优点是准确性较高，但需要人工选择控制点，因此在大规模图像处理时效率较低。
二、影像投影方法影像投影是将平面的地理坐标映射到球体或椭球体表面上的过程，在遥感图像处理中起着重要作用。
常用的影像投影方法有等经纬度投影、UTM投影和Lambert投影。
1. 等经纬度投影等经纬度投影是一种将地理坐标映射到球面上的投影方法，它可以将球面上任一点的经纬度坐标映射到平面上的等经纬线网格上。
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。
基于像素级遥感图像融合方法对比与评价
通 过平均值、标准 差、平均梯度 、信息熵 、相关系数和扭 曲程度对这些融合方法进行评价 。评价 结果表 明 ４种
融合 方法 都能不同程度的改善影像质量 ，其 中 Ｂ ｏ ｅ ｒ ｖ ｙ融合 法光 谱失真度 小，清 晰度和 空间分辨 率较 高，影像 所含信 息量丰 富，更适 合于隆 昌 Ｅ Ｍ 影像 的融合处理 。 Ｔ＋
Ｃｏ ｍｐ ｒｓ ｎ ａ ｄＥｖ ｌａｉ ｎｏ ｍ ｏ ｅＳ ｎ ｉｇＩ ａ ｅＦ ｉ ｎＭ ｅｈ ｄ ａ ｉｏ ｎ ａｕ ｔ ｆ ｏ Ｒｅ ｔ ｅ ｓｎ ｍ ｇ ｕｓｏ ｔ ｏ Ｂａ ｅ ｎ ｔ ｅＰ ｘ １１ｖ ｌ ｓ ｄｏ ｉ ｅ．ｅ ｅ ｈ
Ｚ ＨＵＬ－ ａ Ｙ ＮＧ Ｗ —ｉｎ ｉｕ ｎ Ａ ｕｎａ ｊ
级 融 合 （ ｅ ｔ ｒ ａ ｅ ）和 决 策级 融合 （ ｅ ｉ ｉ ｎ Ｆ ａ ｕｅｂ ｓ ｄ Ｄ ｃ ｓｏ
ｌｖ １ ｅｅ ）三个 层 次 。其 中像素 级 融合 是对 多元 图像
中 的 目标 和 背景 等 信 息 直接 进 行 融合 处 理 ，它 能最
大程度 的保持图像细微的信息 ，是 目前最为常用 的 融合 方 法 。本文 在 参 考 大量 之 前 研 究成 果 的基础 上 选 择 像 素 级 融 合 中较 为常 用 的Ｂ ｏ ｅ 、ＰＡ Ｉ和 ｒｖ ｙ Ｃ 、ＨＳ Ｇ ａ — ｃ ｍ ｄ 四种 融 合 方法 对 隆 昌县 试 验 区遥 感 影 ｒ ｍ Ｓｈ ｉｔ
测绘第 ３ 卷第 ４ ２ １ 年 ８月 ５ 期 ０２
１３ ６
基 于像 素级遥感 图像 融合方法对 比与评价
诸 丽娟 杨 武年
（ 成都理工大学 国土 资源信 息技术 与应用 国土资源部重点实验室／ 遥感 与 Ｇ Ｓ研 究所 ，四川 成都 ６ ０ ９ Ｉ １ ５） ０
遥感图像的拼接、裁剪、融合
2 ） 加 载 Mosaic 图 像 ， 在 Mosaic Tool 视 窗 菜 单 条 中 ， Edit/Add images—打开Add Images for Mosaic 对话框或则单击 按钮。依次加载窗拼接的图像（如下图）。
3 ） 单 击 Image Area Options按钮，选择图像拼接区域 （边界）的处理方式，以使拼接后 的图像不会出现拼接线，不会出现 明显的差异。
遥感图像的拼接、裁剪、融合
提纲： 一、遥感图像的拼接 二、遥感图像的裁剪 三、遥感图像的融合
一、遥感图像的拼接
1.实验目的
1) 理解图像拼接处理的含义 2) 掌握图像拼接处理的方法和过程
2.实验步骤
1 ） 启 动 图 象 拼 接 工 具 , 在 ERDAS 图 标 面 板 工 ቤተ መጻሕፍቲ ባይዱ 条 中 ， 点 击 Dataprep/Data preparation/Mosaicc lmages— 打 开 Mosaic Tool 视窗。
谢 谢！
2）各参数输入：输入高分辨率文件，多光谱文件，输出图像 文件，在method框中选择融合方法，主成分变换融合（Principle component）、乘积变换融合(Multiplicative)和比值变换融合 (Brovey Transform)。
3）选择重采样方法（Resampleing Technique），参数设 置好后单击ok执行融合，最后打开viewer窗口查看融合后图像与融 合前两幅图像有什么不同。
③参数输入后执行裁剪，后打开裁剪后图像查看。
二、遥感图像的融合
1.实验目的
掌握不同分辨率图像的特性，详细理解各种融合方法的原理，以及各种融合方 法的优缺点，能够根据不同的应用目的合理选择融合方法，掌握融合的操作过 程；
遥感影像融合评价方法
遥感影像融合评价方法1. 融合数据实验采用了北京1号32米多光谱数据（绿波段：523nm-605nm ；红波段：630nm-690nm ；近红外波段：774nm-900nm ）和CBERS 全色2.36米数据（波段范围：500-800nm ）。
2. 配准方法本次实验采用二次多项式法进行配准，选择20个控制点，配准精度达到0.266像素3. 融合方法原理目前遥感领域常用的影像融合方法有：比值变换（Brovey ）融合、乘积变换（Multiplicative ）融合、主分量变换（Principal Component ）融合、小波变换（Wavelet ）融合等多种方法。
主分量变换融合是将多光谱影像各波段的相同信息变换为第一主分量，各波段的独有信息被分配到其他波段，然后将高分辨率图像拉伸至与主分量有相近的均值和方差，最后将高分辨率图像替换主成分第一分量进行主分量逆变换完成图像融合。
乘积变换融合也是一种比较简单的融合方法，其方法即将两幅影像（多光谱和高分辨率影像）的对应像素相乘，得到最终的融合影像。
公式为：newBn D B n _=⨯公式中变量含义与上个公式相同。
该变换得到的结果使融合后图像的亮度值显著提高，但不受波段个数的限制。
Brovey 融合是较为简单实用的一种融合方法，其原理是将原有多光谱波段进行归一化处理之后与全色波段相乘得到新的融合波段，公式如下：[]new B D B B B B n _/1211=⨯+++[]newBn D B B B Bn n _/21=⨯+++其中Bn (n=1,2,3…)为多光谱波段，D 为高分辨率波段，Bn_new 为融合后波段。
对RGB 影像来说，比值变换融合只能用三个波段多光谱影像与高分辨率影像进行融合，因此受一定限制。
小波变换融合是将多光谱影像的各波段和高分辨率影像均进行小波分解，得到LL （低频部分），HL （水平方向的小波系数），LH （垂直方向的小波系数）和HH （对角方向的小波系数），然后根据具体需要和保持多光谱色调的程度，将分解后的两影像LL 、HL 、LH 、HH 部分分别融合，最后将融合后的LL ，HL ，LH 和HH 反变换重建影像，达到影像融合的目的。
- 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)。
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。
3）、融合的算法目前遥感影像数据融合的算法有：IHS变换法、PCA变换法、简单加权法、Brovery 变换法、小波变换法和高通滤波法等。
IHS变换法是基于IHS变换的遥感图像融合。
IHS变换通过将由常用的RGB彩色空间变化至IHS空间，从而将图像的亮度（Intensity）、色调（Hue）和饱和度（Saturation）分离开来。
PCA变换法又叫做K-L变化，是一种最小均方误差意义上的最优正交变化。
简单加权法是对所获得的配准后的两幅图像中各对新像素做加权平均处理，融合成一幅新的图像。
Brovery变换法又称为色彩标准化变换。
该方法是将遥感图像的3个波段，按照一定的公式进行计算，获得融合后各个波段的数值。
小波变换法是将图像的光谱特征和空间分辨率信息分离的有力工具。
它的实质是在一定的分解水平对低分辨率图像的相应小波系数按照某种算法结合高分辨率图像对应的系数，构成融合图像的小波系数，再反变换生成新图像，以获取所需的光谱与空间分辨率信息。
高通滤波（HPF）法是将高分辨率图像通过一个高通滤波器，然后将高分辨率图像的高频部分的空间信息叠加到多光谱图像上。
1.2.2 发展方向经过几十年的发展，遥感影像数据融合技术得到了很大的发展，各种算法如雨后春笋般的出现。
这为更好的提取和利用遥感信息提供了很多的便利。
随着科技的不断进步和与课题相关的新问题的不断出现，国内外学者根据具体情况提出了一些基于原融合方法的改进算法和将现有数据融合方法结合起来使用的一些方法。
基于原融合方法的改进算法有：1）、基于HIS变换法的改进算法；2）、基于Brovery变换法，突破3个波段的局限性的改进算法；3）、基于小波变换的改进算法；4）、基于PCA变换法的改进算法等。
将现有数据融合方法结合起来使用的方法有：1）、小波变化与HIS结合的改进算法；2）、小波变换与PCA相结合的改进算法；3）、直接相加的小波变换低频信息处理方法；4）、IHS变换法、小波变化法与高通滤波相结合的融合算法；5）、基于人眼视觉系统（HSV）的小波图像融合新算法。
这些新算法的提出，对图像融合理论和应用无疑是一个巨大的扩充，使得图像融合方法不断充实和完善。
随着计算机技术的不断发展，各种传感器的成功研制，各种遥感影像数据融合技术的不断走向成熟。
理论界认为：遥感影像数据融合处理技术研究的领域依然是理论基础、数据库、算法与模型开发、推理及应用。
未来的发展方向是：（1）、开展多传感器遥感影像信息融合系统的理论研究，建立基本理论框架，开发出广义的融合模型、准则和算法，从而确定出融合模型的设计和评估方法。
（2）、多进制小波在对称性、光滑性、紧致性等方面都要优于二进制小波，能够解决二进制小波不能解决的诸多问题，因此多进制小波作为小波理论的重要分支会得到更广发的重视和研究。
（3）、高分辨率、各种传感器的不断出现，使我们可以直接获得地面物体的大小、形状、位置、性质及环境相互关系等地面信息，这些数据成为了GIS重要的数据源和数据更新手段。
遥感为GIS 提供了大量的有用数据，而GIS又为遥感探测成果的评价和空间分析提供了有力的工具。
两者的更好结合是今后一个重要的研究方向。
（4）、随着遥感器类型的增多，造成目前遥感数据成指数地增加，大量的遥感基础资料，用传统的目视解译已经无法满足现实的需要。
因而遥感数据与专家系统的决策级结合研究会是一个重要的研究方向。
（5）、由于卫星平台上获得的地面信息能力大幅提高，但由此生成的遥感数据量也成几何级数般的增加，所以星上数据处理技术的研究也是一个研究方向。
1.3 研究的主要内容及方法从遥感数据融合产生至今，经历几十年的发展，形成了很多的遥感数据融合处理方法。
主要的方法有：HIS变换法，PCA变换法、简单加权法、Brovery变化法、小波变换法和高通滤波法等。
本文研究的主要内容是：研究分析目前国际国内遥感影像数据融合的算法，获得各种算法的优缺点和各自的应用领域。
依据本文的研究内容，则本文的研究方法是：（1）、收集、查阅大量的有关方面的资料。
知道各种算法的概念、步骤、各自的优缺点和已经成功应用的领域。
（2）、对已经了解的方法进行总结，对已有的算法进行详细的介绍和阐述，同时着重关注近年来出现的各种新算法和基于原有算法的改进算法。
2 遥感影像数据融合方法简介2.1 遥感影像数据融合方法2.1.1 遥感影像数据融合的概念图像融合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。
遥感影像信息融合就是针对不同环境条件和不同的应用目的，选择最佳的波段组合和分辨率，最终得到最准确的遥感信息描述，以利于用户利用信息。
2.2遥感影像数据融合的原理对于不同传感器获得遥感数据进行融合，可以分为：影像的空间配准和影像融合。
2.2.1 遥感影像的空间配准影像的空间配准是影像融合的前提，配准的方法是：采用几何纠正，分别在不同数据源上选取控制点，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，完成配准。
2.2.2 遥感影像的融合根据融合目的和融合层次选择合适的融合算法，将空间配准后的影像数据进行有效地合成，得到对目标更准确的表示和估计。
遥感影像数据融合流程如图1所示：2.3 遥感影像数据融合的层次遥感影像数据融合的层次分为：像素级融合、特征级融合和决策级融合。
像素级融合即在严格配准的条件下，对多源遥感图像直接进行信息的综合分析。
它是在基础数据层面上进行的数据融合。
像素级融合的准确性最高，能够提供其他层次的融合处理所不具有的细节。
但是处理的数据量最大，计算时间长，要求融合过程中有较强的纠错能力，且抗干扰能力较差，对设备的要求很高。
特征级融合即对预处理和特征提取后获得的景物信息如边缘信息等进行综合分析和处理的过程。
它是在中间层次进行的信息融合。
该融合既保留了足够数量的重要信息，又可对信息进行压缩，极大地提高了数据处理和传输效率，有利于实时处理。
决策级融合是：首先将不同类型传感器观测同一目标获得的数据在本地完成预处理、特征提取、识别或判断，以建立对所观测目标的初步结论，然后通过相关处理、决策级融合判决，最终获得推断结果，从而直接为决策提供依据。
它是最高层次的数据融合。
该融合的数据量少，容错性高，对传感器的依赖性低，分析能力强，但对预处理和特征提取有较高要求。
3 HIS 融合法3.1 HIS 融合简介3.1.1 HIS融合的概念HIS融合是基于HIS变换的图像融合。
HIS变换通过将图像由常用的RGB空间变换至HIS空间，从而可以将图像的亮度（Intensity）、色调（Hue）和饱和度（Saturation）分离开来。
HIS融合又称为“I分量替换法”，即用全色图像代替多光谱图像的I分量，并与其H和S分量相结合进行HIS逆变换获得融合图像。
HIS图像融合的基本步骤：（1）、对两幅图像进行几何配准，并将多光谱图像重采样与全色图像分辨率设置一致；（2）、对多光谱图像进行HIS变换，将图像变换之HIS空间；（3）、对全色图像和多光谱图像的I分量进行直方图匹配；（4）、用直方图配准后的全色图像代替多光谱图像的I分量；（5）、对I分量替换后的多光谱图像进行HIS逆变换至RGB空间，得到融合图像。
HIS融合流程如图2所示：图2 HIS 融合流程图3.2 HIS 变换法的优缺点及应用3.2.1 HIS 变换法的优缺点HIS融合法简单易行，能够提高多光谱影像的空间分辨率和清晰度，所以融合后得到的影像既具有高的空间分辨率又有与原影像相同的色度和饱和度。
同时较大程度地保留了多光谱影像的光谱特征，从而增强了原多光谱影像的判译和量测能力。
HIS融合具有只能用三个波段的多光谱图像与全色图像进行融合的缺陷，当多光谱图像的波段多余三个时，则需要将多光谱图像划分为多个三个波段图像，分别执行HIS融合，并将HIS 逆变换后的多个波段重新组合起来。
此外，当多光谱图像的I分量与全色图像之间存在很大差异时，会导致融合图像严重失真。
3.2.2 HIS 融合的应用HIS融合是应用最广泛的融合方法之一。
已经成功地应用在SPOT PAN和XS，SPOT PAN和TM MUL，Landsat ETM+ PAN和TM MUL等得融合研究中。