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)

1、绪论

随着遥感技术的发展，光学、热红外和微波等大量不同卫星传感器对地观测的应用，获取的同一地区的多种遥感影像数据（多时相|多光谱、多传感器、多平台和多分辨率）越来越多。形成多级空间分辨率、时间分辨率和光谱分辨率影像序列的金字塔结构。通常，同一传感器获得的遥感影像的光谱分辨率较高时，其空间分辨率相对来说要低。因此如何将不同传感器获得的遥感影像结合起来，以实现优势互补和冗余控制，成为遥感工作者要解决的关键问题，也是未来遥感面临的重要问题。于是，遥感数据融合技术，以成为当前遥感研究的热点问题之一。

多源遥感数据融合的目的是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，改善遥感信息提起的及时性和可靠性，提高数据的使用率。

简单地说，多源遥感数据融合的目的是：①简化图像处理。②便于图像特征提取。③实现图像压缩。④从概念上增强对图像信息的理解。

多源遥感数据融合的意义：单一遥感手段获取的信息具有一定的局限性和差异性。应用范围有限。多源遥感图像所提供的信息具有冗余性、互补性和合作性。多源遥感图像数据融合则是汇集这些多源遥感图像最有效的途径之一，通过同一地区不同数据源间的信息互补为多源遥感图像的处理、分析和应用提供最有效的应用，有力于减少单一信息源对被感知对象或环境解译中可能存在的不确定性、不完全性和误差，最大限度地利用各种数据所包含的信息做出决策。这样不仅扩大了个数据的应用范围，而且提高了分析精度、应用效果和使用价值。

2、多源遥感数据融合的基本理论

2.1 多源遥感数据融合的概念

美国国防部从军事应用的角度将数据融合定义为这样一个过程：把来自多个传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，以及对战场情况和威胁及其重要程度进行适时的完整评价。目前，一般认为多源遥感影像数据融合是将同一环境或对象的多源遥感影像数据综合的方法和工具的框架，以获得满足某种应用的高质量信息，产生比单一信息源更精确、更完全、更可靠的估计和判决。因此，多源遥感影像数

据融合的数据源可来自各个层次，既可以是同一传感器的不同波段和不同时间获取的影像，还可以是来自不同处理水平的数据。

2.2多源遥感数据融合的原理

多源数据融合是把来自多个传感器和信息源的数据进行联合、相关、组合和估值的处理。产生比单一信息源更精确、更完全、更可靠的估计和判决，以获得满足某种应用的高质量信息，完成一个单一传感器独自所不能进行的推理。

相对于单源遥感影像数据，多源遥感影像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互相独立。

（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以保证系统的实时性。

2.3多源遥感数据融合层次

多源遥感影像数据融合从层次上可分为：像素级（特征提取之前）、特征级（属性说明之前）和决策级（各传感器数据独立属性说明之后）。

2.3.1 像元级融合

像元的融合方法主要是像元之间的直接数学运算，包括差值梯度比值运算、加权运算、多元回归或其他数学运算，如孙家柄等根据不同的应用需要，分别将TM与侧视雷达，TM与航片进行了加权融合。像元级融合的优点是最大限度的保留了源图像的信息，在多传感器图像融合三个层次中精度最高，同时也特征级和决策级融合的基础。但也存在一定的局限性如：处理数据量较大，对图像配准的精度要求高，要求达到一个像素。

2.3.2 特征级融合

特征级影像融合属于中间层次上的融合，是对源图像先分别进行预处理和特征（边缘、形状、轮廓、纹理等）选择和提取，然后将其进行综合分析和处理，以实现对多传感器数据的分类、汇集和融合。特征级融合可分为目标状态信息融合和目标特征融合。目标状态信息融合主要应用于多传感器目标跟踪领域；目标特征融合就是特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是融合前必须先对特征进行相关处理，对特征矢量进行分类组合。