遥感影像数据融合原理与方法

•
•
（4）提高精确度与可信度
随着计算机技术、通讯技术的发展，新的理论和方法 的不断出现，遥感影像数据融合技术将日趋成熟，从理论 研究转入到实际更广泛的应用，最终必将向智能化、实时 化方向发展，并同GIS结合，实现实时动态融合用于更新 和监测。
谢谢大家
遥感影像数据融合原理与方法
顾晓鹤 2003.10.17
一. 数据融合基本涵义
• 数据融合（data fusion）最早被应用于军事 领域。 • 现在数据融合的主要应用领域有：多源影 像复合、机器人和智能仪器系统、战场和无人 驾驶飞机、图像分析与理解、目标检测与跟踪、 自动目标识别等等。 • 在遥感中，数据融合属于一种属性融合， 它是将同一地区的多源遥感影像数据加以智能 化合成，产生比单一信息源更精确、更完全、 更可靠的估计和判断。
• 2.数据融合
• 根据融合目的和融合层次智能地选择合适的融合算 法，将空间配准的遥感影像数据（或提取的图像特征或 模式识别的属性说明）进行有机合成，得到目标的更准 确表示或估计 。 • 对于各种算法所获得的融合遥感信息，有时还需要 做进一步的处理，如“匹配处理”和“类型变换”等， 以便得到目标的更准确表示或估计。
• 影像的空间配准时遥感影像数据融合的前提
• 空间配准一般可分为以下步骤 : • (1）特征选择：在欲配准的两幅影像上，选择如边界、线 状物交叉点、区域轮廓线等明显的特征。 • （2）特征匹配：采用一定配准算法，找处两幅影像上对应 的明显地物点，作为控制点。 • （3）空间变化：根据控制点，建立影像间的映射关系。 • （4）插值：根据映射关系，对非参考影像进行重采样，获 得同参考影像配准的影像。 • 空间配准的精度一般要求在1~2个像元内。空间配准中 最关键、最困难的一步就是通过特征匹配寻找对应的明显地 物点作为控制点。
• 1.3 决策级融合 • 决策级融合是最高水平的融合。融合的结果为指挥、 控制、决策提供了依据。在这一级别中，首先对每一数 据进行属性说明，然后对其结果加以融合，得到目标或 环境的融合属性说明。 • 决策级融合的优点时具有很强的容错性，很好的开 放性，处理时间短、数据要求低、分析能力强。而由于 对预处理及特征提取有较高要求，所以决策级融合的代 价较高。 • 决策级融合的流程：经过预处理的遥感影像数据— —特征提取——属性说明——属性融合——融合属性说 明。
表1 三级融合层次的特点
融合 框架
像元 级 特征 级 决策 级
信息 损失 小
中 大
实时 性 差
中 优
精度
高 中 低
容错 性 差
中 优
抗干 扰力 差
中 优
工作 量 小
中 大
融合 水平 低
中 高
表2 三级融合层次下的融合方法 像元级 代数法 IHS变换 小波变换 K-T变换 主成分变换 回归模型法 Kalman滤波法 特征级 熵法 表决法 聚类分析 Bayes估计 神经网络法 加权平均法 Dempatershafer推理法 决策级 专家系统 神经网络 Bayes估计 模糊聚类法 可靠性理论 基于知识的融 合法 Dempatershafer推理法
Байду номын сангаас
• 优点：保留了尽可能多的信息，具有最高精度。 • 局限性： • 1. 效率低下。由于处理的传感器数据量大，所以处理时间 较长，实时性差。 • 2. 分析数据限制。为了便于像元比较，对传感器信息的配 准精度要求很高，而且要求影像来源于一组同质传感器或 同单位的。 • 3.分析能力差。不能实现对影像的有效理解和分析 • 4.纠错要求。由于底层传感器信息存在的不确定性、不完 全性或不稳定性，所以对融合过程中的纠错能力有较高要 求。 • 5.抗干扰性差。 • 像元级融合所包含的具体融合方法有：代数法、IHS 变换、小波变换、主成分变换（PCT）、K-T变换等
• 2.3 主成分变换（PCT）
•
也称为W-L变换，数学上称为主成分分析（PCA）。 PCT是应用于遥感诸多领域的一种方法，包括高光谱数 据压缩、信息提取与融合及变化监测等。PCT的本质是 通过去除冗余，将其余信息转入少数几幅影像（即主成 分）的方法，对大量影像进行概括和消除相关性。PCT 使用相关系数阵或协方差阵来消除原始影像数据的相关 性，以达到去除冗余的目的。对于融合后的新图像来说 各波段的信息所作出的贡献能最大限度地表现出来。 • PCT的优点是能够分离信息，减少相关，从而突出不 同的地物目标。另外，它对辐射差异具有自动校正的功 能，因此无须再做相对辐射校正处理。
• 2.5 小波变换 • 小波变换是一种新兴的数学分析方法，已经受到了 广泛的重视。小波变换是一种全局变换，在时间域和频 率域同时具有良好的定位能力，对高频分量采用逐渐精 细的时域和空域步长，可以聚焦到被处理图像的任何细 节，从而被誉为“数学显微镜”。 • 小波变换常用于雷达影像SAR与TM影像的融合。它 具有在提高影像空间分辨率的同时又保持色调和饱和度 不变的优越性。
• 2.4 K-T变换 • 即Kauth-Thomas变换，简称K-T变换，又形象地成 为“缨帽变换”[14]。它是线性变换的一种，它能使座 标空间发生旋转，但旋转后的坐标轴不是指向主成分 的方向，而是指向另外的方向，这些方向与地面景物 有密切的关系，特别是与植物生长过程和土壤有关。 以此，这种变换着眼于农作物生长过程而区别于其他 植被覆盖，力争抓住地面景物在多光谱空间的特征。 通过这种变换，既可以实现信息压缩，又可以帮助解 译分析农业特征，因此有很大的实际应用意义。 • 目前对这个变换在多源遥感数据融合方面的研究 应用主要集中在MSS与TM两种遥感数据的应用分析方 面。
• 实质： 在统一地理坐标系中将对同一目标检测 的多幅遥感图像数据采用一定的算法，生成一幅 新的、更能有效表示该目标的图像信息。 • 目的：将单一传感器的多波段信息或不同类别传 感器所提供的信息加以综合，消除多传感器信息 之间可能存在的冗余和矛盾，加以互补，改善遥 感信息提取的及时性和可靠性，提高数据的使用 效率。
• • • • •
相对于单源遥感影象数据，多源遥感影象数据所提 供的信息具有以下特点： 1.冗余性：表示多源遥感影像数据对环境或目标的表 示、描述或解译结果相同； 2.互补性：指信息来自不同的自由度且相互独立 3.合作性：不同传感器在观测和处理信息时对其它信 息有依赖关系； 4.信息分层的结构特性：数据融合所处理的多源遥感 信息可以在不同的信息层次上出现，这些信息抽象层次 包括像素层、特征层和决策层，分层结构和并行处理机 制还可保证系统的实时性。
三、数据融合分类及方法
• 1 数据融合方法分类
• 遥感影像的数据融合方法分为三类：基于像元 （pixel）级的融合、基于特征(feature)级的融合、基于 决策(decision)级的融合。融合的水平依次从低到高。 • 1.1 像元级融合 • 像元级融合是一种低水平的融合。 • 像元级融合的流程为：经过预处理的遥感影像数 据——数据融合——特征提取——融合属性说明。
• 2 数据融合方法介绍 • 2.1 代数法
•
代数法包括加权融合、单变量图像差值法、图像比 值法等。 • （1）加权融合法 • （2）单变量图象差值法
• （3）图象比值法
• 2.2 图像回归法（Image Regression） • 图像回归法是首先假定影像的像元值是另一影像的 一个线性函数，通过最小二乘法来进行回归，然后再用 回归方程计算出的预测值来减去影像的原始像元值，从 而获得二影像的回归残差图像。经过回归处理后的遥感 数据在一定程度上类似于进行了相对辐射校正，因而能 减弱多时相影像中由于大气条件和太阳高度角的不同所 带来的影响。
• 2.6 IHS变换 • 3个波段合成的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I，色度 H，饱和度S，它们分别对应3个波段的平均辐射强度、3 个波段的数据向量和的方向及3个波段等量数据的大小。 RGB颜色空间和IHS色度空间有着精确的转换关系。 • 以TM和SAR为例，变换思路是把TM图像的3个波段合 成的RGB假彩色图像变换到IHS色度空间，然后用SAR图像 代替其中的I值，再变换到RGB颜色空间，形成新的影像。
• • • •
2.7 贝叶斯（Bayes）估计 2.8 D-S推理法(Dempster-Shafter) 2.9 人工神经网络（ANN） 2.10 专家系统
遥感数据融合存在问题及发展趋势
• 遥感影像数据融合还是一门很不成熟的技术，有待于 进一步解决的关键问题有： • （1）空间配准模型 • （2）建立统一的数学融合模型 • （3）提高数据预处理过程的精度
• 1.2 特征级融合 • 特征级融合是一种中等水平的融合。在这一级别中， 先是将各遥感影像数据进行特征提取，提取的特征信息应 是原始信息的充分表示量或充分统计量，然后按特征信息 对多源数据进行分类、聚集和综合，产生特征矢量，而后 采用一些基于特征级融合方法融合这些特征矢量，作出基 于融合特征矢量的属性说明。 • 特征级融合的流程为：经过预处理的遥感影像数据— —特征提取——特征级融合——（融合）属性说明。
二、数据融合原理及过程
• 一般来说，遥感影像的数据融合分为预处理和数 据融合两步 • 1.预处理：主要包括遥感影像的几何纠正、大气订正、
辐射校正及空间配准 • （1）几何纠正、大气订正及辐射校正的目的主要在于去 处透视收缩、叠掩、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； • （2）影像空间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。