多源图像信息融合的理论与技术

文章编号:100420366(2002)0120041205

收稿日期:2001-04-21

基金项目:中国科学院知识创新工程项目(KZCX 2220824)

多源图像信息融合的理论与技术

江　东1,王　钰2,王建华3,兰朝利4

(11中国科学院地理科学与资源研究所资源环境国家数据中心,北京　100101;

21中国科学院数学与系统科学研究所,北京　100083;

31中国水利水电科学研究院水资源研究所,北京　100044;

41中国科学院地质与地球物理研究所,北京　100101)

摘　要:　对不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合、高效的利用,是当前学术界的焦点问题之一。回顾图像融合的源起与发展,对融合的概念与基础理论做了界定与阐述,将目前存在的各种融合技术归纳为3种类型:像元级融合、特征级融合和分类级融合,剖析了其优缺点和适用领域,并对今后的发展方向做了展望。关键词:　多源图像;信息;融合;小波变换

中图分类号:　P 40718 文献标识码:　A

随着现代遥感技术的发展,各种对地观测卫星源源不断地提供不同空间分辨率、时间分辨率、波谱分辨率的遥感图像,为了对观测目标有一个更加全面、清晰、准确的理解与认知,人们迫切希望寻求一种综合利用各类影像数据的技术方法。从最初简单的“图像数据内插(I m age

data interp retati on )”、“复合分析(Com bined analysis )”,发展到“图像综合(I m age integrating )”

,1990年在美国航空航天局(NA SA )的一个研讨会上,Shen 系统地提出了信息融合(data infor 2

m ati on fusi on )的概念[1]。

信息融合是一种信息处理技术,即对多源信息进行处理,以获得改善了的新信息,服务于决策[1,2]。图像融合(I m age fusi on )是一种通过高级影像处理来复合多源遥感影像的技术,是用特定的算法将2个或多个不同影像合并起来,生成新的图像[3]。其目的是将单一传感器的多波段信息或不同类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,以增强影像中信息透明度,改善解译的精度、可靠性以及使用率,以形成对目标的清晰、完整、准确的信息描述[4]。图像融合不是简单的叠加,它产生新的蕴含更多有价值信息的图像,即达到1+1>2,甚至是远大于2的效果。

1　图像融合的意义与原则

单一传感器影像的数据通常不能提取足够的信息来完成某一应用任务,通过多传感器影像的融合,可以得到更多的信息,减少理解的模糊性,提高遥感数据的利用效率。前人将图像融合的优点概括为以下几点:①图像增强,质量的改善;②提高几何配准的精度;③生成三维立体效果;④实现实时、准实时动态观测;⑤替代缺损的影像,克服目标提取与识别中数据不完整第14卷　第1期2002年3月 甘肃科学学报Journal of Gansu Sciences V ol .14　N o.1M ar .2002

24 甘肃科学学报 2002年　第1期

性,等等[4]。例如传统的可见光、红外遥感影像接收的是地物的多光谱反射信息,其质量受太阳高度角和云层的影响;而合成孔径雷达可以穿透云层,不受云层覆盖的影响。这两种图像的有机结合,可以互相取长补短,大大丰富了获取的地物信息[5]。

虽然图像融合的优点显而易见,但是并非任何N幅图像都可以相融合。多源影像融合的主要原则是:冗余性、互补性、时限性和低成本[6]。多源数据的冗余性,保证了个别传感器不能正常工作时,系统仍然能够得到准确的信息;互补性是融合存在的基础如果只有冗余而无互补,则无融合之必要;融合的时限性指的是多传感器并行的工作方式,这是信息融合的基础条件;低成本指的是融合与非融合之间的经济效益比。

2　图像融合的层次

一般遥感图像的处理流程主要有:①图像预处理(基于单个像元);②特征提取;③分类;④结果评价与应用。按照融合在处

理流程中所处的阶段,以及所作

用的对象的不同,可以将图像融

合分为3个层次;像元级融合、

特征级融合、分类(决策)级融

合[4,7],见图1。

211　像元级融合

像元级融合是在图像预处

理阶段的融合。将两个图像空间

配准,然后将两图像上各像元的物理量进行加权求和,所得的值为新图像该坐标上的像元值。它主要是增加图像中有用的信息成分,以便改善如分割、特征提取等处理的效果。

212　特征级融合

特征级融合是在图像特征提取阶段的融合。对不同图像进行特征提取,按各图像上相同类型的特征进行融合处理;它使得能够以高的致信度来提取有用的图像特征。

213　分类(决策)级融合

分类(决策)级融合:这是更高水平的融合。首先按照应用的要求对各图像进行分类,确定各类别中的特征影像,再按此进行融合处理。它使得来源于不同传感器的图像在最高抽象层次上得到有效的利用。

3　融合的主要技术方法

311　像元级融合

基于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、多元回归或其它数学运算。例如加权运算是将待融合的2幅图像视为2个二维矩阵,计算2图像的相关系数,如果相关系数较大,则进行融合运算,将2图像上空间位置对应的像元值,进行加权相加,加权之和作为新图像在该空间位置上的像元值。例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[8]。

312　特征级融合

(1)H IS变换　在色度学上,用强度、色度和饱和度来表示颜色的色度表示系统,称为

I H S 系统。用H IS 变换进行影像融合,就是用另一影像替代I H S 3个分量中的某一分量,其中强度分量被替代最为常用。当高分辨率全色影像与多光谱影像融合时,先把多光谱影像利用I H S 变换从R GB 系统变换至I H S 空间,同时将单波段的高分辨率图像经过灰度拉伸,使其灰度的均值与方差和H IS 空间中亮度分量图像一致;然后将拉伸过的高分辨率图像作为新的亮度分量代入到H IS ,经过反变换还原到原始空间。这一获得的图像既有高的空间分辨率,又有与原图像相同的色度和饱和度[7]。然而,由于不同频道数据的不同光谱特性曲线,I H S 方法扭曲了原始的光谱特性,产生了光谱退化现象,不利于影像的分类。

(2)主成分分析　又称KL 变换。它将N 个波段的低分辨率图像进行KL 变换,将单波段的高分辨率图像经过灰度拉伸,使其灰度的均值与方差和KL 变换第一分量图像一致;然后以拉伸过的高分辨率图像代替第一分量图像,经过KL 逆变换还原到原始空间。经过融合的图像包括了原始二幅图像的高空间分辨率与高光谱分辨率特征,保留了原图像的高频信息。融合图像上目标的细部特征更加清晰,光谱信息更加丰富[9]。

该方法的局限性:①图像在做主成分分析时,第一分量的信息表达的是原各波段中信息的共同变换部分,其与高分辨率图像中细节变化的含义略有不同,高分辨率图像经过拉伸后虽然与第一分量具有高相似性,但融合后的图像在空间分辨率和光谱分辨率上会有所变化;②由于光谱信息的变化,使融合图像不能用于地物识别和反演工作[10],但是它可以改进目视判读的效果,提高分类制图的精度。

(3)高通滤波　该方法是将高空间分辨率图像中的边缘信息提取出来,加入到低分辨率高光谱图像中。首先,提高高通滤波器提取高空间分辨率图像中空间信息的高频分量,去掉了大部分的低频的信息。然后将高通滤波结果加入到低分辨率光谱图像中,形成高频信息特征突出的融合影像[10]。此方法虽然有效地保留了原多光谱信息,却在对高分辨率波段影像滤波时滤掉了大部分的纹理信息。

(4)小波变换　近年来,多分辨率小波融合方法已用于多传感器影像数据的融合。小波变换是空间(时间)和频率的局部变换,能够有效地从信号中提取有用信息,通过对紧支撑小波基的伸缩和平移等运算功能,实现对信号的多尺度细化分析,被誉为“数学显微镜”。该方法最大限度地保留了原多光谱影像的光谱信息。李军等将小波的多分辨率分析与I H S 变换相结合,提出了叠加融合法[11]。它将小波的多分辨率分析与I H S 变换有机地结合起来,从而融合影像既具有原高空间分辨率影像的结构信息,又保持了原多光谱影像的光谱特性,提高了多光谱影像的分类精度和量测能力。由于每一小波面的均值近似为零(即总的能量值为零),因此,在提高了多光谱影像的清晰度和空间分辨率之后,融合影像保持了原多光谱影像的反差。313　分类级融合

分类级的融合又称为决策级融合,它是最高层次上的融合。首先按应用的要求对图像进行初步的分类(Bayes 分类、人工神经网络分类等),然后在各类(如水体、植被等)中选取出特征影像,由于不同来源的遥感影像,其对应的最佳地物特征表现不同,因此,对于每类地物,可以选择出最佳的图像组合,进行融合处理,以取得最为满意的分类效果。例如,TM 4、3、2波段与航片的组合适宜于反映水体特征,而TM 7、4、2波段与雷达图像的组合,适宜于城区特征的提取[8]。分类级融合的研究尚处于起步阶段,其难点是分类特征组合与表达的机理难以量化与统一,目前的研究工作大多是从某一角度、特定的影像、有限的地物类别进行尝试,这将是今后图像融合的主要发展方向[4,8]。

34第14卷 江东等:多源图像信息融合的理论与技术