遥感影像融合的实现与效果比较

　摘要

遥感视觉影像领域数据信息融合(也可简称图像信息数据融合)技术是我们近几年来用在遥感影像领域进行图像信息处理中所需要研究的一个热点之一。遥感图与影像信息数据有机融合的主要技术原理是将多个传感器同时获取的同一处理地区的遥感影像信息数据同时进行信息空间关系配准等融合操作,然后通过采用一定的处理算法将各地区影像信息数据中同所含的影像信息空间关系的各种优势有机或着信息互补性有机的优势结合处理,得到一幅图中包含影像信息更加丰富的遥感图像。人们将获取遥感影像的数据融合处理技术这一定义概括为:对多种影像传感器所可能获得的遥感影像数据分别进行融合预处理,提取遥感影像数据中所可能包含的相关信息。利用特定的分析算法将影像提取和得到的有利的影像信息直接结合在一起,得到新的遥感影像图和数据的这种技术也被称为影像遥感图和影像信息融合分析技术。

随着现代信息电子科学技术的不断进步,遥感影像图和影像信息融合处理技术也被广泛应用于不同专业领域中。与此同时也不断涌现出了很多不同种类的激光遥感雷达影像,例如多彩色光谱TM雷达影像、SPOT全色雷达影像、IKONOS全色影像和激光侧视反射雷达遥感图像、CCD雷达影像、大面阵雷达影像等。由于不同影像传感器所能够获取的遥感影像图和影像信息之间存在的不同的性能缺点,所以它们不能在其应用领域中能够提供充分的应用信息。所以,将这些不同型号种类的影像传感器中所获得的相关遥感技术影像数据进行技术融合应用是目前我国遥感技术领域中需尽快研究解决的一个问题,已开始受到许多我国遥感技术领域专家学者的高度重视。在进行遥感融合影像的技术融合中,根据应用领域的不同技术需要也应采用合适的遥感融合技术方法,对于选择采用哪种遥感融合技术方法,主要目的在于明确使用技术目的。然而对于通过融合技术得到的遥感影像图和影像数据进行更高质量级别评价也仍然是一个十分关键性的过程。

本论文是在ENVI的环境下进行高分辨率像片提取,进行影像配准,并按照不同的融合方法进行像片融合。本文主要讨论 HSV变换法、Gram-Schmid融合算法、Brovey 融合算法及PCA融合算法这四种方法,然后通过均值与信息熵、平均梯度、相关系数作为融合像片的客观评价指标进行融合后的比较,根据主观与客观评价相结合,为不同的人、不同的需求提供适合的参考与理论依据。

　关键词:融合；HSV变换法；Gram-Schmid融合算法、Brovey 融合；NNDiffuse融合；对比

　　第1章 绪论

　　1.1引言

目前,遥感影像图与影像信息融合技术是将多个对遥感影像图有利的信息系统性联系起来的最重要的有效途径之一。它已发展成为了一个非常重要的且不可或缺的技术分支，并仍在迅速发展。为我国的遥感仪器的应用提供了一个非常大的研究平台。充分利用图像传感器、图像信息处理、信号图像处理等新兴学科的新技术，结合多种新的遥感影像，形成新的遥感影像，可以让被融合后的遥感影像将所有被融合的各种遥感影像的各种优点功能集合运用到一起来,使得被融合后的各种遥感影像能够具有较好的影像可视性和鉴别性,最大限度地充分利用各种遥感影像中所包含的各种信息源并作出综合决策,遥感图像中所载信息的功能方面的空白已经填补，在合并之前无法通过各种类型的传感器获得这些信息。综合遥感图像不仅扩大了其应用范围，而且大大提高了遥感图像的准确性和准确性。遥感通过对不断变化的图像信息资源进行分析，可以通过这种分析及时发现这些资源，多个遥感区域的图像的判读,遥感影像的信息融合应用技术在当今社会中仍然起着不可或缺的重要应用价值和重要实际意义,遥感影像信息融合的技术的目的主要在于:实现动态影像监测、降低遥感影像中的噪声、增强区域目标影像特征、信息资源互补、提高区域分类影像精度、提高区域空间影像分辨率。遥感影像与图像信息融合已经发展成为现代图像信号处理技术领域中不可或缺的关键技术,并在很多现代军事和民用技术方面中都有着目前无法可以替代的巨大应用。随着现代遥感技术的不断进步发展,也不断给现代遥感影像技术融合的应用技术以及应用发展提出了新的技术挑战和产业发展的良好契机。

　1.2 研究工作的意义和目的

人们将遥感影像的融合技术定义为:处理通过各种传感器获得的图像和提取图像数据所含信息。使用特定的算法可以将所获得的有用信息与遥感图像的新技术结合起来，被称为遥感图像综合技术。

遥感影像数据融合技术是将2个或2个以上不同的图像传感器上所获取的一个遥感影像在同一时间(或不同一段时间)内所获取的某个具体遥感场景的一个遥感影像或将一个遥感影像数据序列中的信息进行加以分析综合,生成一个这个具体场景新的一个遥感影像,而这些所有需要的信息也都是从我们无法从单一的传感器或某个节点获取的某些信息中获取得到的。有时遥感影像直接融合的数据对象也只能可以认为是单一的影像传感器在不同一段时间内直接获取的相同时间地区的多个遥感影像融合数据。遥感影像融合技术是以不同特征气象信息数据优化综合为根本的技术原则,主要的技术目的也就是将单一气象传感器同时获得的多波段大型遥感气象影像或不同应用类别传感器所同时提供的不同特征信息数据加以优化综合,提高经过融合后大型遥感数据的综合可持续应用性和多波段光谱以及低分辨率的大型遥感影像对偏远地物的精确识别观测能力。融合后的现有遥感影像技术可更好地充分发挥其来自不同类型传感器现有遥感数据的技术优势互补,弥补某种类型传感器的现有遥感影像数据的不足,减少了数据不确定性,提高数据分类的处理精度、解译及其他动态数据监测分析能力。遥感影像信息融合技术可以直接使所有遥感影像的视觉空间感和分辨率大大提高,多个无线传感器同时获得的遥感影像数据的实时融合分析可以明显的使我们看到遥感影像对于分类信息识别的工作精度有所提高,例如微波遥感影像和光学遥感影像它们甚至可以同时提供一个互补的遥感信息资源来用于帮助我们识别一些特定地物。任何的光谱传感器本身都会可能有自己的不足,用于光谱的传感器有时可能会受到云雾的严重遮挡而不能准确获取数据和相应的地面地形信息,造成光谱遥感器的影像信号解译的不准确,甚至一些地形变化会严重影响使用雷达系统获得的遥感数据。所以,传感器和大数据资源融合技术可以将不同技术类型的影像遥感器和影像的各自优势信息资源不足进行弥补,这样做起来可以实现不同优势点的信息资源互补。

通过遥感信息的判读等方法，不仅可以及时发现不断变化的图像信息，而且可以利用综合遥感信息的技术从卫星图像中获得最新信息。

在目前和不远的将来，它在工业社会技术的应用和实际应用方面也发挥着重要作用，其主要目标是：:

(1)减少遥感图像的噪音：由于传感器产生的大部分图像无法避免噪音，利用遥感图像集成技术可以减少噪音的影响。。

(2)提高空间分辨率：它可以同时保留遥感提供的多光谱信息；该系统的分辨率可通过遥感全色图像加以提高。

(3)目标更明确：这一技术将增强对遥感图像的判读能力；同时，确保能够获得一个传感器无法获得的大量信息。

(4)改进分类的准确性：在综合遥感图像之后，这些图像可能含有丰富的信息。有助于对土地类别的解释和分类。

(5)动态监测：遥感卫星在不同时间访问同一地区，将不同时间收到的图像融合起来；并且能解释动态区域的信息。

（6）信息的互补性：一个传感器无法进行全面的观测，因此无法准确地显示所有的地类信息。可以通过将遥感图像与各种传感器结合起来来补充信息。

　1.3 国内外研究现状

“遥感图像一体化的基本概念”是1960年代在X产生的，自1980年代后期以来一直在广泛传播。由于不同技术领域的共同需要，我们的遥感技术专家非常重视这个问题。技术的可持续发展还取决于能否将广泛获得高质量和有效的遥感和信息手段的机会密切结合起来。最初，两名X科学家试图通过一个单一的深集成分析算法，深入整合噪声图像数据，利用两颗不同卫星（Landsat和Water Management Satellites）对地球进行遥感的卫星图像融合，最后发现，合成结果的卫星遥感影像受到地面噪声的强烈影响。随后，其他发达国家逐渐发展了遥感图像应用和将信息纳入数字形式。

在过去三十年中，由于图像传感器的迅速发展，在获取和处理信息的技术方面发生了重大而重要的变化，从多光谱遥感中获得的高质量和高精度多光谱图像；由于光谱信息丰富，分辨率相对较高，因此广泛研究和使用了这些信息。从1980年代7月至中期，我国开始进行深入的技术研究，以发展先进的图像获取和图像综合技术。遥感影像在决策一级和特征一级将遥感纳入主流的技术进展缓慢的一个主要原因是：当时我们没有自己的大型地面遥感卫星，因此，遥感研究人员在早期阶段侧重于应用航空航天遥感卫星技术。由于与电子传感器有关的技术并不十分完善，大多数研究工作主要用于相关理论的基础研究，实际上并没有很多的应用，无法同时满足不同的应用程序产品的需求，在许多其他领域有明显的技术缺陷。1986年底，继续研究和开发与利用图像综合遥感数据有关的技术发展。X遥感卫星（TM）深入研究和综合分析的结果；这引起了科学界极大的重视。1990年，陈述彭陈平院士首次推出了“信息合成”的创新技术。在我国大地测量基础研究方面一贯发挥重要领导作用，因此，在研究领域取得了杰出的成果。1980年代后期，在各种非军事领域广泛使用了远程图像处理综合控制技术。例如，中国地图编辑，图像内容处理和软件更新。1990年代，与遥感图像和将信息纳入数字信息有关的科学和技术研究进入了一个新的发展时代，随着国际信息一体化协会的正式成立和一些相关的科学网站的建立，其成果稳步增加。二十一世纪，利用卫星开发和应用现代遥感技术的自主创新技术激励了许多国家的经济和社会发展。进一步发展这种遥感技术。1999年，与巴西合作发射了资源-1号遥感卫星，并在该卫星上安装了CCD照相机，以及多通道光谱成像扫描仪。这一技术广泛用于卫星数据和其他信息，如卫星、地球轨道探测器、农业作物等。

总的来说，遥感图像综合技术是医学、遥感和各种学科的综合和现代化。随着科学和技术在社会中的进步，将遥感技术与图像结合起来必然会导致更广泛的研究和开发成果。将为发展提供广阔的前景。与此同时，对遥感影像应用的需求不断增加，将有助于更好地整合遥感图像，并确保这些图像得到广泛应用和开发。过去，图像集成技术受到限制，主要是因为获取视频数据的技术限制。由于科学和技术的发展以及国家总体能力的提高，无法获得遥感信息，目前正在发展一种能力，以便从遥感图像中获得更准确、更有用和更可靠的信息。建立将遥感数据纳入未来的快速和准确的算法，是发展遥感图像一体化的一个途径。在这方面，委员会注意到，为改进对目标的解释和解释，利用遥感所提供的各种图像的优势和局限性进行了一些研究。

　1.4遥感影像融合的应用

(1)遥感影像融合在资源调查上的应用

利用 IHS方法对现场油气全色遥感图像和陆地卫星遥感图像进行分析融合，并利用油气综合遥感图像数据分析阿塞拜疆地区的图像基础，预测油气运动海量，在分析油气遥感图像数据的基础上，确定油气的几何运动断层，预测油气在覆盖地层烃源岩过程中的径向运动规律，并通过定量分析计算全球油气储量。 研究人员测量夏威夷瓦胡岛上的珊瑚生产力，利用激光遥感技术测量图像的入射光吸收效率和光源的效率。 珊瑚植物的生产力是珊瑚植物的太阳吸收能力乘以珊瑚植物的太阳辐射率，再乘以珊瑚植物的可再生太阳能。 这些数据可以从快鸟的卫星地图和激光雷达的浅水成像中获得。 近年来，人们发现鼠尾藻在南太平洋的几个主要海域迅速繁殖。 在新喀里多尼亚，野生物种可能是环礁湖中的常见物种。 高分辨率陆地卫星和快鸟图像可用于准确估计新喀里多尼亚西南群岛环礁湖泊中马尾藻的含量、组成和生物量。 结合田间试验数据进行生物量分析，通过地表生物量和总生物量的平均值比较区分种类。 我国在海洋遥感技术应用于海洋微生物实时监测方面取得了一定的成就。 针对高速公路上雷达阴影图像覆盖高速公路的问题，采用多光谱特征图像融合的方法，融合了不同地物分辨率和不同偏振检测方法的多角度光谱特征图像，提高了多光谱特征图像融合的高速公路网和图像提取的精度。

（2）遥感影像融合在农业上的应用

农业是社会经济体系中的第一产业，是国家稳定和人民幸福的基础。 农业包括绿色农业、传统的依赖土地的农业、蓝色水产养殖和白色农业微生物工程农业。 农业生产监测是遥感技术在农业中的早期应用领域。 1998年，中国科学院开发了中国第一个国家级农业状况监测系统，用于监测作物生长。 2004年，监测全国各类农业蔬菜生产状况的遥感动态监测系统开始运行。 省、市级农业科研单位根据自身的实际需要，先后建立了多种新型的遥感型农业生产管理信息系统。 2007年9月以来，山东省农业科学院可持续农业发展项目研究所利用卫星遥感和静态高精度光谱遥感技术，开展了农村状况监测、作物产量估算、病虫害监测和污染评价、农业生态环境监测和农村植物生长与营养病害诊断等方面的研究，针对当前全省农村农业技术生产与管理中的热点问题，提出了政策性研究建议。 遥感技术广泛应用于工业作物估产的生产和管理。

（3）遥感影像融合在防灾减灾上的应用

结合遥感气象图和生态环境监测数据，建立了我国森林湿地冻害气象模型，实现了冻害数据的快速统计。 在我国泥石流工程灾害数据分析中，可以利用各种科学数据对泥石流灾害发生的可能性进行分析、推断和分析。 地形数据库可以提供与地形梯度相关的具体地形因子，包括地形梯度、地形梯度和排水口距离，包括地质岩性数据库，可以提供地质岩性和深度线性地质距离的相关信息，包括陆地卫星热成像仪提供的土地利用信息和定点 HRV图像提供的植被指数。 通过信息分析，建立专家知识库，实现泥石流灾害预警系统。

（4）遥感影像融合技术在全球环境气候变化气象监测上的重要应用

现代城市化和现代工业化的快速无序进程是当前生态环境问题严重的主要原因，与我国经济可持续发展的基本理念完全背道而驰，自然资源和其他人力资源也可能被大量浪费。 水资源是保障城市居民生存和发展的重要水资源。 通过在线遥感温度图像和在线定位分析技术，Coskun等技术可以准确识别每个土地的蓄水盖度类型，找出主要流域面积，利用在线回归温度分析技术评价每个水库的水质温度变化。 为了保护我国的野生动物资源，有必要了解我国湿地鸟类的分布情况。 塔夫脱利用雷达C波段5.6厘米反射波长和 HH极化雷达卫星雷达成功探测和定位了38个波动角度的极地水鸟的最佳冬季栖息地。 目前，遥感技术在水产养殖中的应用主要集中在水产养殖调查、水产养殖面积估算等方面。

（5）影像融合在环境监测方面的应用

胡兰平等人利用红外光谱技术对大气中的多种化合物进行了监测，并对大气中挥发性有毒有机物进行了动态监测、定性和定量测定。 根据国土资源卫星资料，刘军伟等人对我国西部地区的生态环境进行了长期的监测。 利用多源多相位卫星遥感数据对近海资源环境信息进行分析，总结了我国近海遥感在海岸带提取、滩涂水线提取、湿地变化等方面的主要应用。 邝兆民等人以“3S”技术为基础，开发了广西洪涝灾害生态评估系统，为XX救灾工作提供了数据。

　1.5 论文结构的安排

本论文分为五章

第一章绪论部分探讨研究工作的意义和目的、国内外研究现状和遥感影像融合的应用。

第二章深入探讨遥感视觉影像技术融合技艺理论技术研究,首先需要学习遥感视觉影像技艺融合技术概论,讨论遥感视觉影像技艺融合的技术模式,学习遥感视觉影像技术融合,对遥感视觉影像技术融合数据进行技术预处理,对遥感视觉影像融合进行不同像素层次的技术融合及其分别为像素级技术融合、特征级技术融合、决策级技术融合,并且只有掌握好与遥感视觉影像技术融合的关键技术才是关键。

第三章主要讨论各种影像融合的应用方法,基于Brovey影像变换融合、基于Gram－Schmid影像变换融合、基于HSV影像变换融合、NNDiffuse影像变换融合。

第四章讨论遥感影像融合后的对比,先进行主观对比然后进行客观对比,客观对比在均值、平均梯度、信息熵、相关系数方面进行对比,对融合后的影像进行评价。

第五章研究成果与展望,对本文在研究的结果中的成果进行深入分析以及总结,并重点提出关于展望未来如何才能更好的合理使用本文的研究学术论文所得出的结论

　第2章 遥感影像融合理论研究

　　2.1 遥感影像融合概论

随着遥感科学技术的快速发展，人们能够更加容易的获得遥感数据。从数据质量调查和统计制图分析逐步转向分析各种定量调查的统计数据；从单一传感器无法获取的数据的分析、预测和应用到不同的综合数据分析和预测方法，多时间、多维、多光谱、多学科传感器、数据收集平台、多维和高分辨率解决方案。特别是，遥感衍射光谱和微型物体的应用正在迅速发展，从而增加了传感器的接收量。获得遥感应用的主要技术障碍：1.遥感数据来源不足，无法迅速获取更丰富的技术，这一情况不断发生变化；2.从这些遥感数据来源测量数据的有用性和可靠性的信息。遥感图像多源数据融合是多源传感器和遥感图像数据融合技术的重要组成部分。单源和多源遥感影像的数据融合它是利用多源遥感影像处理技术实现的，实际上它的主要目的是将单一类型或不同类型的多波段传感器信息以及所需的信息和数据进行融合以消除多种传感器数据信息之间可能存在的矛盾和冗余。将图像融合与遥感图像判读相结合的技术可有效地减少不确定性，提高遥感图像判读过程中信息的准确性和透明度；提供完整和一致的信息和对目标遥感图像的描述。贾永红在广泛的实验和实践工作的基础上，提出了将遥感数据纳入遥感数据的重要性，并提出了将遥感数据纳入遥感数据的建议。改进获得高质量遥感信息的机会，这种信息可满足某些遥感应用的需要；这是一个比遥感信息来源更为复杂的问题。根据这一重要度的定义，可以看出遥感信息的数据融合涉及面很广。很显然，在将获取到的遥感信息得数据进行融合时，特别的强调了遥感信息的基础和数据结构的可靠，而不是通常所强调信息处理时的遥感信息技术和数据融合模式。其次，它还特别的强调了其融合的性质，这在我们所看到的学术文献中常常不被重视。质量主要的含义是：融合信息处理的数据信息化的总称，它能比以前更好地实现和满足用户的信息处理需求。例如，提高分类信息处理精度或增加地理参数；开发与遥感信息相关的产品以提高利用率、更加稳健的运行模式和过程等。因此，学者们从重要性的定义来出发，学者们对遥感图像的分辨率与遥感影像的数据融合进行了非常全面的分析和总结，主要特点是在这个定义下所包括的四个基本方面:

（1）学者们强调，合并遥感图像可以提供高质量的信息，并明确指出，所获得的信息必须更好地满足用户的需要，而不是原始数据。

(2)在学术界有一种意见认为，将遥感图像综合的应用这是一种与众不同的方法和将它作为一种工具的基础，所以应将它们与具体技术和一般的方法加以区分，通过这样的方法将它们转变为一个有结构的系统。

(3)遥感影像数据融合不仅适用于遥感影像，也适用于GPS导航信息、数字地图、地理信息等其他非遥感影像形式。

(4)本文已经确认了我们遥感数据和图像融合的根本目的，这个目的就是产生比平常所获得的单一的遥感数据更加可靠、更加完整、更加准确的信息来源。解决遥感影像与遥感数据融合最终解决方案中决策层的问题可以用遥感影像的数据判断和遥感数据统计的方法。在遥感影像数据融合的领域，某些图像技术应用是无法用单一传感器所采集的互补图像的技术和数据提取足够有效的信息来满足的现如今的技术需求。它们能够同时提取的有效图像技术和遥感信息往往是不完整的和有限的。与单个传感器可以获取的互补图像数据相比，传感器获取的互补图像数据的一个主要特点是互补信息具有很强的互补性、冗余性和协作性。信息在不同的环境下自由独立的综合应用是具有互补性的数据。补充其他信息的综合应用，这样就可以有效的提高最终信息处理结果的准确性和可信度。冗余数据是指不同的传感器获取的影像信息对环境或者目标所包含的信息描述、表示或解释具有相同的信息处理结果。冗余数据的优点是用来补充其他信息的综合应用。它可以有效降的低系统总体的复杂性和不确定性，在一些传感器发生故障采集信息错误时它可以有效地从其他传感器中获取互补的信息用来有效地保证数据的准确性和可靠性。其他技术的互补信息意味着不同的传感器依赖于每一个传感器其他在观察和分析补充信息时。其他信息的综合应用可以有效地提高信息协调的性能。

　2.2遥感影像融合前图像处理

一般来说,从一个卫星上拍摄得到的遥感影像是完全无法直接地应用于遥感影像的融合和运算的,为了更好地使遥感影像融合的效果能够得到最佳的发挥和体现有必要对卫星上的遥感影像进行相应的预处理。由于传感器的模式以及遥感影像所在处理平台的不同,并且如果考虑到了环境因素的直接影响,形成的多个遥感影像可能会同时出现了畸变、位移以及噪声等复杂的问题。所以,如果遥感影像是来源于多个平台的传感器,那么在进行融合之前必须对遥感影像进行相应的预处理。通过传感器预处理的技术可以减少这种复杂的现象,改善遥感影像的整体视觉效果。提高遥感影像的融合可适用性以及对影像融合信息的利用率。通过融合预处理的工作我们可以对被观测者所感知的对象中遥感影像存在的各种多方面、不完整性或不能够明确性的融合影响风险降到最低,提高遥感影像的分类、辨别和融合信息解释的精度。遥感的影像经过融合预处理之后,根据其应用目的不同,使用不同的影像融合预处理算法对不同影像层次上的多个二维遥感的影像进行遥感影像的融合。遥感影像的融合预处理是一种采用二维遥感影像融合预处理的技术对冗余影像配准后的遥感影像进行互补信息的综合,结合遥感影像互补信息和冗余影像融合信息这两个主要功能,得出有效的影像。对经过融合预处理后所用方法得到的遥感影像结果进行融合质量的评价,融合预处理结果的准确性进行分析。这样有利于被观测者选择合适的影像融合预处理方法,将其中的融合方法结果充分的应用于不同的场合

2.3遥感影像融合前图像处理

　　2.3.1影像匹配与几何校正

遥感影像成像的过程中,由于不同的时间、不同的视角、不同的传感器、不同的天气情况、地表的起伏、地表曲率以及地球自转等多种因素的相互影响,获得遥感的影像可能会发生局部几何的形变。高分辨率几何影像的变形直接地影响两幅灰度高分辨率遥感的影像几何变化检测的准确性和精度,为了有效减少遥感影像局部几何的形变对遥感影像变化检测结果的直接影响,需要对不同的时期高分辨率遥感的影像进行特征配准。由于基于两幅灰度的特征配准方法的特征运算量大,以及高分辨率的遥感影像基于灰度局部区域信息特征分布的不均匀性,局部区域信息量的差别较大。基于两幅灰度特征的配准方法首先是提取遥感影像上显著的特征集,然后对其特征分布进行了描述,并进一步确定两幅遥感影像特征集中特征的分布和对应变化关系,计算得出前后期遥感影像对应特征变化的参数,实现前后期影像的特征配准。较传统的基于两幅灰度局部区域信息的遥感影像特征配准算法,该类特征配准方法主要利用遥感影像中明显的特征进行计算,计算过程变量小,算法的效率高、适应性强以及计算精度高,是目前对遥感影像自动进行特征配准的一种主流特征计算方法,得到广泛应用。基于待配准特征的遥感影像配准算法主要的步骤如下:一种方法就是在待配准参考的影像和其他待配准的影像中分别提取特征都具有某种相同显著的特征,获得两个相对应的特征集;第二种方法就是通过特定的匹配方法和策略可以建立待配准参考的影像和其他待配准影像的特征之间一一互相对应的关系;第三种方法就是可以依据各种遥感影像自动成像的方式,选择合适的内插变换特征和模型,根据待配准特征间一一互相对应的两个特征集,计算待配准模型的特征空间变化和灰度参数;第四种方法就是根据特征计算过程中得到的特征和模型的灰度参数分别对待配准的影像灰度参数进行特征空间的内插变换,选择合适的内插变换方法对待配准特征和影像的灰度参数进行空间变化计算。

　2.3.2 重采样

1、最近邻法

取计算点（x，y）周围与亮度相邻的四个计算点，将它们的亮度距离与最接近计算点的计算点的亮度距离进行比较，告诉我们哪个可见光亮度值可以作为（x，y）点的亮度测量值。

它简单易用，计算量小，但是亮度不连续，而且精度差。

2、双线性内插法

(1)我们可以在（x，y）点周围取四个相邻点，在x和y的两个方向上插入两次，然后在x的两个方向上左右重复插入一次，最后得到（x，y）点的平均亮度及其平均值，即f（x，y）。

虽然双线性插值算法与最近邻线性插值算法相比，文件数量和计算速度都有了明显的提高，但计算精度并没有明显的提高，特别是对于亮度不连续的线性块状反射或线性的具有明显线性反射特性的块状反射没有明显改善。

插值的应用可以使图像平滑，使图像的对比度明显超出边界，使图像变得模糊。

　3、三次卷积内插法

(1)一种进一步提高插值精度的方法，通过增加相邻点函数来获得最佳插值函数。

(2)然后选取16个相邻点沿某一点的圆周方向进行插值，再根据其方向计算结果沿另一计算点的圆周方向进行插值，从而得到连续的插值计算函数。

(3)由于各计算点数据容量大、精度高、细节处理性能清晰，对控制点计算精度要求较高。

　2.3.3 影像配准

图像配准的意思是同一个目标或地物的两幅（或多幅）遥感影像在空间中成像位置的配准，但是配准的精度一般不应超过一个像素大小，否则融合结的果会就会出现重影，这样就会影响融合质量，融合的质量达不到目标就会失去了融合的意义。

不同的同步相位和不同的成像角度直接观测到的两个或两个以上的遥感数据的最佳精度的过程可以被精确的定义为图像信号处理器的配准控制过程。它的产生实质上是一个技术改造过程，称为与图像的精确匹配，或与图像相关。根据遥感图像的畸变处理特点与几何校正是图像配准的基本操作方法之一，将图像变换成统一的匹配坐标可以用几何变换来变换图像配准通常需要与多幅遥感图像进行比较。在实际工作中，通常选择一幅参考图像作为配准的基准，称为参考配准图像；另一幅图像称为参考配准图像。图像配准的基本步骤是：首先选择一幅以参考图像上的目标参考点为中心的图像，称之为相应图像配准的参考图像或目标窗口，然后用或依次移动参考图像上的目标窗口在没有目标窗口的情况下（或将对应的目标窗口有序地放置在对应的注册图像上，并在有或无目标窗口的情况下移动参考图像的目标窗口），将每个图像移动到一个注册位置，比较参考图像和对应的注册图像的参考点的对应目标窗口（通常称为注册窗口或注册搜索窗口），直到在参考图像中找到注册窗口的对应目标点为止。因此，图像的对准可以分成两个基本步骤。第一步是选择作为调整控制点（RCP）的长度和足够量的图像。这些调整控制点需要充分的图像和均匀的长度分布，数据解析能够真正实现更好的数据解析效果。第二步，将与测定对象图像一致的两张图像中的一张作为参照图像，另一张作为配准图像。将两个注册图像和一个图像转换成参考图像后，为了便于比较和数据分析，进行转换和配合。

2.4 遥感影像融合的层次

　　2.4.1像素级融合

像素级融合是指直接从空间配准多源遥感图像的原始数据中，按照特定的算法生成融合图像，然后阐述了融合多源遥感图像原始数据中待采集信息的提取和像素级属性的分析。它是指直接在多源遥感原始数据的像素级上进行像素级融合。它是一种低像素级的图像融合，广泛应用于多源遥感图像的合成、图像分析和图像理解。像素级融合的最大优点是它能尽可能地保留图像中场景的原始细节，同时能提供其他两个层次的图像融合。通过对多幅图像进行最低像素级融合，可以大大增加图像中最低像素级的原始细节信息。同时，它提供了其他两个融合级图像（包括特征级图像融合和决策级图像融合）融合所不能具备的细节信息。参与融合的图像传感器可以是单个图像和来自多个不同位置和类型的传感器，也可以是来自单个场景图像的传感器。单一场景图像的传感器融合所提供的各种场景图像信息，可能来自同一位置的不同位置和时间，也可能来自同一位置的不同视角，也很可能是指同一时间和空间内具有不同位置光谱特征的图像。与单图像传感器融合得到的单图像传感器相比，像素级单图像传感器融合得到的单图像传感器包含的信息更加丰富、准确、可靠和全面，有利于进一步的图像分析、处理和逻辑理解（如复杂场景的图像分析/监控，图像处理与分割、特征提取、目标识别、图像恢复等，像素级单图像融合传感器可以为用户提供最优的图像决策，提高图像识别性能。

　2.4.2特征级融合

特征级融合数据处理是采用从各特征层数据源中采集和提取目标特征层状态信息的方法，对多传感器数据进行综合分析和处理的技术过程。本质上，它是信息融合的中间层次。一般情况下，需要提取的目标特征层状态信息融合应该得到像素特征信息或统计特征向量的充分采集和表示，根据这些信息对多传感器信息识别数据进行分类、采集和合成。特征级融合中的一种是目标状态特征信息融合，这种融合在多传感器目标信息的识别中有着极其广泛的应用。首先，遥感影像融合处理系统会对目标传感器获取的遥感数据进行预处理，这样有利于遥感影像数据进行配准。 在进行数据配准后，融合后的数据处理主要用于目标状态特征向量的估计并且实现目标参数的特征相关。 其中，特征层的联合数据识别包括了目标状态特征信息融合。特定的特征层融合数据处理方法仍然是模式识别的相应工具和技术。只有在融合之前，才能对目标特征层数据进行估计和相关数据处理，对目标特征层状态向量估计数据进行分类和组合。在模式识别、图像分类处理和现代计算机图像视觉等新技术领域，对基于典型特征的特征提取和图像分类处理的问题和方法进行了深入的探索和研究，可以借鉴许多新的方法和经验。例如，将传统的特征分类与处理水平传感器融合，不仅可以大大提高从图像中提取典型特征像素信息的可能性，而且可以从图像中尽可能多地获得一些有用的典型复合图像特征。这些特征像素信息是从典型合成图像中像素的典型特征信息中提取出来的。用于图像融合的典型特征像素信息主要包括图像边缘、角度、纹理、高相似亮度区域等。在这些特征级图像分类融合中，对图像提取和配准的技术要求不能像传统的像素级图像融合那样严格。因此，各种特征级图像处理的特征可以分布在不同的图像处理平台上。特征级图像融合有一个非常大的优点，这个优点是能够实现图像信息的压缩，方便实时的对遥感影像进行处理。由于提取的图像特征直接关系到决策分析结果，所以提取的融合结果可以直接给出决策分析所需的典型特征信息。

　2.4.3决策级融合

决策级融合的特点是在预处理和信息表示的最高技术层次上进行信息融合和处理。通过对同一决策目标的观测，对不同类型传感器获取的信息和数据分别进行预处理和特征级融合，进行局部提取、识别或判断，建立观测决策目标的初步分析结论，然后进行相关预处理而决策层图像融合，则可以得到决策层联合逻辑推理的最终结果，这直接为决策层融合的实现提供了依据。决策级图像融合的特点是充分利用特征决策级图像融合所收集和分析的各种预处理和特征级信息，给出简洁直观的判断和结果。因此,在实现决策级与目标图像的融合中,对目标图像的处理和配准精度要求比较低(某些的情况下甚至无须过多的考虑,因为其各传感器的决策已符号抽象化或准确地数据化了)。多种联合逻辑推理的方法、统计分析方法、信息论分析方法等都是可以应用于决策级的图像融合,由于对信息的预处理及对特征级的抽取都具有较高的要求,所以使用决策级融合的代价也比较高。决策级图像融合的优点是具有信息实时性好的优点,同时即使当一个或几个类型的传感器失效时,仍然传感器能准确地给出最终的正确判断和决策,因此其图像融合具有良好的容错性。

　2.4.4三种融合层次对比

在上面所叙述的三个层次的融合中，识别系统目标主要是指基于不同信息传感器和分析技术的不同目标信息属性数据的融合，以及对目标数据的识别融合和识别后的描述。通常需要预先识别和测量所有识别传感器中已知识别目标的各种身份融合信息属性，并将其识别作为我们进行目标识别融合信息识别的重要依据和技术基础。

对于数据融合的一般过程，随着融合数据水平的提高和提高，对融合数据的提取要求越高，对每个融合传感器的数据均匀性和准确性要求越低，而融合数据表示的信息形式的统一性要求越高，数据信息转换的处理能力就越大，同时系统的数据容错能力也会增强；随着传感器融合数据级别的提高和降低，需要保存的数据细节也会增加因为融合会更多，但是每个融合传感器的数据处理能力也会增加，在数据融合的过程中，对融合数据之间的配准一致性和准确性有很高的要求，而且每次融合对数据源的相互依赖性和融合信息的特性也增加了，因此很难准确给出数据融合的一般解，且容错性差。

表1图像融合层次及其性能比较

从该表及其相关内容可以看出，像素级多传感器图像决策级融合方法是最重要、最基本的多传感器特征级图像决策级融合检测方法，像素层信息最多，检测性能最好，难度最大。 决策级图像融合方法的主要原理与像素级特征级图像融合方法非常相似，但区别在于：

（1） 特征层次的融合是不同的。 特征层融合的对象是目标的特征和空间，决策层融合的对象是目标的信息空间。

（2） 决策层的集成与外部知识支持系统密切相关，更多地依赖于外部推理和决策，而不是特征融合。

可以看出不同的融合层次有着不同的优点，它们所适用的实际应用方面也是不同的。

　第3章 遥感影像融合研究

图1 高分辨率全色影像

图2低分辨率多波段影像

　3.1基于 Brovey 变换影像融合

Brovey变换又可简称为图像色彩亮度标准化(ColorNormalization)或亮度变换,是一种简单的高分辨率图像色彩亮度融合变换方法,由X物理学者Brovey推广而得名。它的优点是可以完全保留每个像素的所有相关谱线和特性,并且将所有的像素亮度和色彩信息都变换成一个高分辨率全色彩的图像,其变换算法简单、快速。

BT融合算法定义的结果如下:

Band1=Pan*Mu11/(Mul1+Mul2+Mu13)

Band2=Pan*Mul2/(Mu11+Mul2+Mu1l3)

Band3=Pan*Mul3/(Mul1+Mul2+Mu13)

其中，Band1,Band2,Band3表示图像融合后的各光谱波段,Pan表示融合后的高分辨率图像SPOT全色光谱图像,Mull,Mu12,Mul3表示低分辨率SPOT多光谱波段的图像。Brovey图像的融合对于图像的融合和预处理技术要求相对较高,融合前必须预先对图像进行去相关滤波处理和噪声滤波处理,以便于减小图像数据冗余和非光谱信息

图3Brovey图像融合后的影像

3.2 Gram-Schmid融合

Gram-Schmidt（GS）典型线性正交变换图像融合处理是图像统计中常用的一种多维典型线性正交变换。这种类似于GS形状的线性正交变换在高质量光谱图像统计的图像处理中，用来融合多维典型的线性正交数据信息，可以有效地消除图像中的冗余信息。gram-Schmidt线性变换函数融合的基本计算方法和操作流程如下。

（1）首先，利用低成本的空间分辨率图像处理器对全彩图像进行模拟。

（2）然后利用全色图像及其图的分辨率值作为基于GS数值变换的第一高精度计算组件，对全色图像及其不同分辨率的分辨率组件进行基于GS变换分辨率的数值变换低到高精度的三维空间。具体计算公式如下：

式中，GST表示原始低空间分辨率遥感图像的t波段，BT表示原始低空间分辨率遥感图像的t波段，μt表示t波段遥感图像的平均灰度值，φ（BK，GSL）表示原始低空间分辨率遥感图像的K与GSL之间的协方差；i和j分别表示原始低空间分辨率遥感图像的行数和列数；m和n表示整个分辨率图像的行数和列数。

用高空间分辨率图像代替GS变换后的第一分量GS1分量。最后利用GS逆变换完成低空间分辨率图像和高空间分辨率图像的融合。

图4 Gram-Schmid融合影像

　3.3 基于 HSV 变换影像融合

通常多光谱的影像需要表达色彩的转换空间是一个称为值域为RGB(Red,Green,Blue)的色彩转换空间,其中两个表达色彩的空间分别为两个值域亮度分别为[0,1]的立方体。HSV色彩转换空间的定义是由一个表示色调的亮度Hue、值域为[0°,360°],饱和度Saturation、值域为[0,1],亮度value、值域为[0,1]所组合构成的一个倒圆锥体。由RGB转换空间得到饱和度HSV空间的转换色彩模型[10]为:

V=max(R,G,B)

当V=R时,

H=[60(G-B)]/V-min(R,G,B)

当V=G时

H=120+[60(B-R)]/V-min(R,G,B)

当V=B时

H=240+[60(R-G)]/V-min(R,G,B)

S=[V-min(RGB)]/V

HSV空间的影像中v波段代表明暗的程度,从黑到白的过渡,完全暗时用v波段V=0表示,完全亮时用V=1表示,高分辨率的全色光谱影像与V波段所要表达的影像内容的相同,因此可以利用高分辨率全色光谱影像的V波段替换HSV空间影像中的高分辨率V波段,再对其进行高分辨率HSV空间中V到RGB空间的V波段逆变换,从而可以实现多光谱影像与高分辨率全色影的完美融合。

图5 HSV融合影像

3.4 NNDiffuse变换融合

Envi 5.2增加了一种新的通用算法nndiffuse-pan锐化，用于多图像信息的深度融合，这是罗切斯特理工学院（RIT）2009年最新研究成果提出的。此外，该融合算法工具包还可以用于最近邻扩散（nndiffuse）Pan成形的融合算法，实现三维图像的快速融合。这种工具主要有以下特点：

（1）它支持多种传感器类型，如陆地卫星8号、spot、worldview-2/3、Pleiades-1a/1b、QuickBird、GeoEye-1、EO-1 Ali、IKONOS、dubaisat-1/2、nigeriasat-2和国内卫星。

（2）输入图像信息支持的类型包括以下类型的对象地理元数据和基于地理标准的空间投影位置信息：对象地理图像坐标管理系统和基于地理标准的空间投影位置信息，RPC二次投影信息点，基于像素的坐标定位（基于无意义空间点的坐标系）。

（3）此工具支持多线程计算以实现高性能处理。

（4）融合结果可以很好地保留颜色、纹理和光谱信息

（5）提供API接口，可用于批处理和发布ENVIServices引擎服务

图6 NNDiffuse融合影像

第4章 遥感影像融合后的对比

　　4.1 主观对比

影像的主观评价是根据人眼从遥感影像上所获取到的信息进行的主观评价，这种评价方法因为人的主观影像特别大。主观评价方法具有简单、直观的优点。 遥感融合图像的信息分析可以直接用于评价遥感融合图像的主观特征。主观特征评价方法可广泛用于判断融合后的图像是否配准。 通过比较融合图像的差异特征，可以直接判断融合图像的整体亮度和颜色空间对比度是否合适，是否存在雾或马赛克等放射性现象，从而判断融合图像的清晰度是否降低，图像的边缘是否清晰等。目前，主观评价方法是最简单也是最常用的评价方法，通过比较图像边界、道路、居住区轮廓和机场跑道等特征，可以直接获得融合图像在光谱和空间上的分辨率和清晰度的差异，而且由于人眼具有强烈的颜色感，因此客观性评价的光谱特征分析是任何其他方法都无法比拟的。这种主观评价方法是主观的，人眼对遥感图像融合的理解和感受程度很大，决定了遥感图像融合的清晰度和质量。

我们从肉眼来观察HSV变换在这四个变换中是曝光度最高的以至于某些地方过曝,Brovey变换仅次于HSV变换,但是整体效果比HSV变换好了很多,NNDiffuse融合与Gram-Schmid融合相比差不多,其中NNDiffuse融合对蓝色比较敏感。这四种融合相较于原遥感影像来说都将原始的遥感影像优点结合到了一起。

　4.2客观对比方法

融合特征是图像的客观评价参数特征应该完全符合于主观的评价,也就是说,图像的统计动力学参数和光谱特征的准确性应该完全符合于人眼的主观目视和感觉。遥感影像与影像的其他信息融合具有其特殊性,它不仅仅是要求尽可能地提高遥感影像融合的空间和分辨率,还要尽可能地保持原遥感图像的主观光谱和化学特征。一般的情况下,这两个基本要求都需要同时满足以达到很好的效果是不容易就能做到的。因此，在评价空间遥感影像融合处理效果时，应更全面地考虑空间光谱信息的增强和空间光谱信息的保存，以实现两者之间的更好平衡。目前，对于图像融合的评价方法和标准还没有统一的定义。许多客观的分析和评价标准是根据不同的技术目的来定义的。一般来说，可用于客观分析和综合评价的响应空间统计物理参数有三类: 第一类响应空间亮度平均值信息，如亮度平均值; 第三类反应。 光谱信息，如光谱失真、相关系数等。下面简单介绍各种物理参数的基本定义和含义。

　　4.2.1均值

一幅立体图像的颜色灰度系数平均值通常可以通过反映如下。也就是一个人眼平时能够直接感觉到的平均图像亮度,对于一幅立体图像的视觉整体感和视觉效果来说可能会对其有较大的亮度影响。一幅投影图像的颜色灰度系数平均值及其反映形式为:

如果一幅光学图像的整体主观物理平均值趋于大小适中,则对这幅图像的主观整体性和主观物理特征对整体视觉效果的直接影响也就会比较好。

4.2.2平均梯度

平均边界梯度(meangradient):平均边界梯度就是指一个立体图像的外缘边界或者图像投影线两侧附近的边界灰度大小变化率之间有明显的大小差异,即使在边界上灰度的大小变化率大,这种基于灰度大小变化率的平均梯度大小有时也甚至可以被直接用来用于说明如何准确表示一个立体图像的边界清晰度。它主要用于反映了一个立体图像微小部分的各细节的随反差运动密度及其变化的平均运动速率,即一个立体图像的在多维运动方向上的反差密度和随反差运动变化的平均运动速率,表征了一个立体图像的相对清晰度的程度。其中的计算公式为其定义方程为:

图像的梯度:

其中,i,j)是图像中每个像素的坐标值(如:RGB值),(i,j)为每个像素的坐标。

图像梯度一般也可以用中值差分:

一般来说，图像的每一条边缘都可以视为梯度图像边缘的宽度来直接实现。

　4.2.3信息熵

信息理论的热力学鼻祖之一Claude E. Shannon把系统的信息(熵)出现概率定义为离散随机信息和事件的流通和出现概率。所谓信息熵,是一个数学上颇为抽象的热力学概念,在这里我们不妨把信息熵理解成某种特定系统信息的流通概率出现和引用概率。而信息熵和价值与热力学第二定律熵的关系也是紧密地相关的。根据Charles H. Bennett对于Maxwell’s Demon的重新计算和解释,对于信息的产生和销毁系统来说是一个不可逆过程,所以系统的销毁信息是完全符合了热力学第二定律的。而信息产生,实际上是为了给系统的引入负(热力学)熵的一个过程。所以信息熵的基本符号与热力学第二定律熵的符号应该是相反的。一般而言,当一种系统信息的出现系统概率更高的时候,表明它被系统传播得更广泛,或者说,被传播和引用的广泛程度更高。我们通常可以很明确地认为,从一种信息能够被传播的角度和意义来看,信息熵可以表示系统信息的流通和价值。这样子我们就有一个可以用来衡量系统信息的价值与否高低的热力学标准,可以帮助我们做出关于信息知识的流通和引用问题的更多推论。信息熵的基本计算公式:

其中,x表示一个随机变量,与之相对应的是所有可能输出的随机变量集合,定义为一个符号集,随机变量的输出用概率函数x表示。P(x)表示输出概率函数。随机变量的输出不确定性越大,熵也就越大,把它们搞清楚所需要的时间和信息量也就越大.

4.2.4相关系数

相关系数是用来表示两幅图像之间光谱信息的相关性并且测量出两幅图像之间的变化程度，不但如此还可以用来表示多光谱遥感影像的融合前后的多光谱信息的变化。遥感影像融合前后光谱信息的变化可通过比较融合前后两幅图像的相关系数来看出来，两幅图像空间信息的光谱也可以用相关系数看出来。差分值越小，相关系数融合方法从原始图像中提取的光谱信息变化越大。

方程可用下式表达式:

　4.3综合评价

根据本次实验，主观上来说Brovey变换融合是最好的，其次是Gram-Schmid、NNDiffuse融合，HSV变换融合相对来说是最差的。从均值来看均值的大小适中是最好的，不能太大也不能太小。图像的细节反差和纹理变化可以用平均梯度来表示，数值越大就说明表达的层次越丰富，空间分辨率越高，由此可以看出Brovey变换融合是最好的，其次是Gram-Schmid、NNDiffuse融合，HSV变换融合相对来说是最差的。信息熵是表示遥感影像信息丰富程度的一中计量方式，信息熵越大表示所含的信息越丰富，根据计算出的信息熵可以和前面得出一样的结论。相关系数是表示两幅影像光谱信息的相关程度的，差异越小表示从原始影像提取到的光谱信息越多，从这组数据也得出了与上面相同的结论。总的来说Brovey变换是这几种融合方法中最好的。

第5章 结论与展望

　　5.1结论

研究结果表明,遥感高分辨率影像融合分析技术不仅有助于能够大幅度地提高高分辨率遥感影像的空间信息和光谱分辨率,还能够有效地使低分辨率遥感影像的光谱信息基本稳定地保持准确不变,因此该技术应用的范围比较广泛。

(1)多光谱的遥感影像光谱的分辨率高,光谱信息丰富,但其缺点是空间遥感影像分辨率低,全色遥感影像具有较高的空间遥感影像分辨率但其优点是缺乏丰富的光谱信息。通过对遥感影像的分析融合和处理,获得了遥感影像高空间分辨率的多光谱遥感影像,综合了传统的全色谱遥感影像和多光谱遥感影像的两大优点。目前传统的全色影像融合处理方法已经不能完全满足现在人们的客观影像处理需要,以后还要继续研究更有效的的遥感影像融合处理方法。

(2)在控制点影像的放置和配准时,控制点的分布和选择必须要均匀分布于控制点的影像上,如果控制点分布不均匀会直接使得图像产生扭曲。同时,配准时人工找到一个控制点时窗口的大小要保证影像放置到控制点的大小合适。多项式的阶数并不是要求得越高算法越好,多项式的阶数对采用过高的算法并非有利,一个原因是多项式的阶数要求得越高,数学的公式越复杂,图像容易发生扭曲,第二个原因是由于极为复杂的光学影像变形并不一定都能用多项式的算法来准确描述,所以在大多数的情况下,采用二次或三次多项式就已经能够完全满足要求。双线性多项式内插法重采样计算的质量适中,精度相对较好,是比较实用的重采样计算方法。

(3)Brovey融合变换光谱信息保持较好,HSV与Brovey光谱信息的保持程度类似,Brovey融合的结果偏差度远远小于HSV变换,在实际的应用中,要根据对遥感空间影像的了解以及应用和项目的不同,合理的选择各种融合的方式。Gram-schmidt改进了PCA中空间纹理信息过分复杂集中的影像处理问题,不受空间影像波段的限制,较好的准确保持了空间影像的纹理和光谱信息,尤其是能高保真保持纹理和光谱的特征。专为最新高空间分辨率的影像技术而设计,能较好的保持空间影像的纹理和空间光谱信息。NNDiffuse融合结果支持多线程的计算,从而也实现了高性能的处理。这种融合的结果对于影像色彩、纹理和光谱信息,均能在影像中得到很好的保留。

　5.2展望

通过本次毕业论文的写作我学习到了很多的东西，让我了解到了遥感影像融合的用处之大应用范围之广，让我意识到了遥感影像融合技术在现在或者是未来的一段时间都将是一个十分重要的技术，它可以将多种遥感影像的优点结合到一起，使融合后的遥感影像应用的范围更广。在我意识到这是一个很重要的技术之后我将会更多的学习遥感影像的融合技术，使这项技能可以在我今后的学习和工作中帮助我解决许多的问题。

参考文献

[1]刘金梅. 多源遥感影像融合及其应用研究[D].中国海洋大学,2014.

[2]王乐. 遥感影像融合及其质量评价[D].吉林大学,2012.

[3]尚红英. 遥感图像数据融合的小波变换方法研究[D].中国地质大学（北京）,2008.

[4]刘丽. 多源遥感图像像素级融合方法研究[D].湖南大学,2005.

[5]张宁. 基于Landsat8遥感影像的沈阳市水稻种植信息提取及动态监测[D].沈阳建筑大学,2018.

[6]刘振忠. 遥感影像融合在水土流失动态监测中的研究与应用[D].华中科技大学,2007.

[7]孙凤梅. 多传感器图像彩色融合方法研究[D].湖南大学,2009.

[8] 陈玉春. 多源图像融合算法研究[D].西北工业大学,2006.

[9] 张涛,刘军,杨可明,罗文杉,张育育.结合Gram-Schmidt变换的高光谱影像谐波分析融合算法[J].测绘学报,2015,44(09):1042-1047.

[10]曾基兵. 基于多分辨率分析的多源图像融合方法研究[D].电子科技大学,2008.

[11]许菡. 多源遥感影像融合最佳波段选择及质量评价研究[D].山东科技大学,2007.

[12]邓洁. 遥感影像融合在土地利用变化监测中的应用研究[D].辽宁工程技术大学,2008.

张宁. 基于Landsat8遥感影像的沈阳市水稻种植信息提取及动态监测[D].沈阳建筑大学,2018.[14] James R, Carr A.Visual basic program for principal components transform of digital

images.Computers & Geosciences,1998,24(3):209-218.

[15] Wald L,Ranchin T,Mangolini M.Fusion of satellite images of different spatialresolution:Assessing

the quality of resulting images.Photogrammetric Engineering and Remote Sensing,1997,63(6):691-699.

[16] Varshney P K.Multi-sensor data fusion.Eleetronie & Communication Engineering Journal,1997,9:45-253

[17] Sheffigara,V.K.A generalized component substitution technique for spatial enhancement ofmultispectral images using a higher resolution data set[J]. Photogrammetric Engineering andRemoteSensing.1992,58(2):561-567.

[18] B.A.Olshausen,D.J.Field.Sparse coding with an overcomplete basis set:astrategy employed byV1[J].Vision Research,1997,37(23):3311-3325

[19] R.H.Bamberger,M.J.T.Smith.A filter bank for the directional decomposition of images:Theory and design[J].IEEE Trans.Signal Proc.1992.40(4):882-893.

[20] 周芳,王鹏波,李春升.遥感图像融合效果评估方法.现代雷达,2013,3:19-23

[21] 李伟.像素级图像融合方法及应用研究:[D].广州:华南理大学,2006.

[22] 曾基兵.基于多分辨率分析的多源图像融合方法研究:[D].成都:电子科技大学,2008

[23] 赵英时,遥感应用分析原理与方法,北京:科学出版社,2003

[24] 孙家柄,刘继琳,李军.多源遥感影像融合.遥感学报,1998,2(1):47-49.

[25] 郭雷,李晖晖,鲍永生.图像融合.北京:电子工业出版社,2008

致谢

这篇论文即将结束。在本文结束之前，我谨向给予我无数关心和帮助的老师、学生和朋友们表示衷心的感谢。感谢xxxxx学院对我的培养，感谢xxxxxxx学院给了我无限的知识。

本文是在老师的精心指导下完成的。正是在他的耐心指导下，这篇论文才能完美地进行下去。我要向我的导师表示最诚挚的感谢。

同时，我也要感谢所有关心和支持我成长的老师。他们在工作、学习、生活等方面给予了我关怀和鼓励。教于了我一生都受用的人生哲理。在这道一句:您们辛苦了!

谢谢同学和老师们四年来对我的关心和照顾。

遥感影像融合的实现与效果比较

价格 ¥9.90 发布时间 2023年4月27日

下载查看全文内容

已付费？登录 或 刷新