浅析遥感图像的几种融合算法

王欢

(广西测绘职业技术学校)

  1 引言

  遥感作为一门正在兴起,有着广泛应用前景的学科,是到目前为止能够提供全球范围的动态观测数据的唯一手段,具有空间上的连续性和时间上的序列性。随着二十一世纪数字地球时代的来临,现代遥感技术正进入一个能快速、及时地提供多种对地观测遥感数据的新阶段。新型传感器不断涌现,从不同的遥感平台获得不同空间分辨率和不同时间分辨率的遥感影像,形成多级分辨率影像序列的金字塔,提供从粗到精的对地观测数据源;从多光谱到细分光谱段,形成了现代遥感技术的特点。但是,当前与大量遥感数据同时并存的是:相对较低的数据利用率。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。
  2 遥感影像数据融合
  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。
  按信息表征层次的不同,多传感器遥感图像融合可以分为像素级融合、特征级融合和决策级融合。
  像素级融合是指直接对获取的各幅遥感图像的像素点进行信息综合的过程,从而使图像分割、特征提取等工作在更准确的基础上进行,并获得更好的图像视觉效果。
  特征级融合是指对图像进行特征抽取后,将抽取的边沿、形状、轮廓、纹理等信息进行综合分析与融合处理的过程。
  而决策级图像融合是一种高层次的融合,往往直接面向应用,为决策支持服务。
  融合算法主要是在以上三个层次上进行研究的,其过程如图1所示。本文主要研究的是像素级融合算法。

图1 遥感图像融合基本流程

  3 几种常见的融合算法
  3.1 IHS融合算法
  在计算机内定量处理色彩时,通常采用RGB表色系统,但在视觉上定性地描述色彩时,采用IHS显色系统更直观些。IHS显色系统采用色调(Hue)、饱和度(Saturation)、亮度(Intensity)表示颜色。IHS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IHS逆变换获得融合图像。
  IHS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IHS变换,将图像变换之IHS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IHS逆变换至RGB空间,得到融合图像。
  通过变换、替代、逆变换获得的融合图像既具有全色高分辨率的特点,又保持了多光谱图像的色调和饱和度。虽然融合后图像清晰度提高了,但光谱信息损失严重,即产生颜色失真。如果融合结果图像应用以光谱分析为主就不太适合选择该方法。
  3.2 PCA变换法
  PCA(Principal Component Analysis)变换又称为K-L变换(主成分变换)。它是将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逆变换到原空间。
  PCA变化法的基本步骤:
  (1)对多光谱图像进行主成分分析,用相关矩阵求特征值和特征性向量,然后求各主分量;
  (2)将空间配准后的单波段高分辨率图像与第一主分量图像做直方图配准;
  (3)用配准后的单波段高分辨率图像代替第一主分量;并将与其余主分量做逆变换得到融合图像。
  PCA变换法最大的优点是可以应用任意数目的波段,克服了IHS变换只能用于三个波段的缺陷。经过融合后的图像包括了两幅原始图像高空间分辨率和高光谱分辨率特征,保留了原图像的高频信息。
  3.3 小波变换法
  小波变换,这是基于遥感影像的频域分析进行的,由于同一地区不同类型的影像,低频部分差别不大,而高频部分相差很大,通过小波变换对变换区实现分频,在分频基础上进行遥感影像的融合,常用于雷达影像SAR与TM影像的融合。
  小波融合的基本步骤:
  (1)对高分辨率图像进行小波分解,得到近似分量和3个方向的细节分量;
  (2)对多光谱图像的各个波段进行单独处理,实现与高分辨率图像相同的分解过程;
  (3)分解得到的细节分量及近似分量,由算法模型生成用于重构过程的近似分量和3个方向的细节分量;
  (4)执行重构算法,实现数据融合;
  (5)将分别进行融合的图像,重新进行波段组合,得到融合图像。
  小波变换克服了传统傅立叶变换在将时域信号转换为频域信号后时域信息丢失的不足,提供了时域局部分析与细化的能力,可以揭示其它信号分析方法所丢失的数据信息,还能在没有明显损失的情况下对信号进行压缩和消噪。但它在图像融合中有两个缺点:一是容易产生较为明显的分块效应;二是直接用低分辨率图像的低频部分去替换高分辨率图像的低频部分,在一定程度上损失了高分辨率图像的细节信息。
  3.4 比值变换法
  比值处理是遥感影像处理中常用的方法。对于多光谱影像而言,比值处理可将反映地物细节的反射分量扩大,不仅有利于地物的识别,还能在一定程度上消除太阳照度、地形起伏阴影和云影等的影响。
  比值变换法又称Bravey法,它是一种常用于多光谱影像增强的比值融合方法,该方法假设高分辨率全色影像的光谱响应范围与低分辨率多光谱影像相同,则其融合表达式如下:

  式中:Gi是全色影像Pan与多光谱影像的一个波段Mi融合后的影像的一个波段。
  比值变换可以增加图像两端的对比度。当要保持原始图像的辐射度时,本方法不宜采用。
  4 遥感影像融合实例比较
  以下是一组实验数据比较,是将原始数据的SPOT5 2.5米的全色影像(图2)和10米多光谱影像(图3)分别采用几种不同的融合方法进行融合后的影像。

图2 SPOT5 2.5米的全色影像

图3 SPOT5 10米的多光谱影像

图4 HIS变换法

图5 PCA变换法

图6 小波变换法

图7 比值法

  从融合后的影像数据来看,融合后的影像都较好的保留了全色影像的清晰度和多光谱影像的色调饱和度。但是几种融合算法的结果还是存在差异:
  HIS变换法(图4)使地物的纹理特征有了显著提高,但是该方法由于在变换中I分量被高分辨率全色影像取代,因此融合后的影像产生了较大的光谱失真。
  主成分变换法得到的影像(图5)是一种特定的结果,能够分离信息,该方法主要是根据需要选择特定的因素,并以其为主要因素进行融合处理,这种融合方法融合后的影像更能突出特定因素。
  小波变换融合后的影像(图6)更能突出地物的边缘处,但是其图像效果没有其他几种方法清晰。
  比值变换法(图7)能够较清晰的反映出地物的细节,使道路的网络清晰可见,而且有利于云雾等的消除。
  5 结束语
  遥感图像融合是遥感图像分析的一种重要工具。多尺度遥感图像融合通过多尺度信息的互补,消除冗余和矛盾,可以改善遥感信息提取的精确性和可靠性,有效地提高数据利用率。通过图像融合技术可以提高遥感图像的空间分辨率、增强目标的特征、提高分类精度和动态监测及信息互补的能力。
  随着遥感传感器的改进、计算机水平的发展和数学算法的不断更新,遥感图像融合将为地球环境监测、土地利用分类、地球资源开发和利用提供更多的新的途径。

地址:广西南宁市建政路5号  邮编:530023  Tel:0771-5606397  Email:webmaster@digitalgx.com

版权所有 广西基础地理信息中心 桂ICP备05009807号

Copyright Geomatics Center of Guangxi All Rights Reserved.