国内多源遥感数据融合研究综述.pdf

1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 第2期 2008年6月 山西水土保持科技 Soil andWater Conservation Science and Technology in Shanxi No. 2 Jun. 2008 收稿日期 2008202229 囗 综合论述 国内多源遥感数据融合研究综述 李菲菲 北京林业大学林学院 摘 要本文主要针对广泛应用的多源遥感数据融合方法,如IHS变换、 主成分变换、 小波变换法、 神经 网络法等进行简要介绍。概括了国内学者的主要研究成果,指出了遥感图像融合技术的关键是图像之间的 空间配准,发展方向是多源遥感数据融合模型的普遍适用性。 关键词遥感数据源 数据融合技术 IHS变换 主成分变换 小波变换法 中图分类号 V557 . 2 文献标识码 A 文章编号 100820120 2008 0220001203 遥感技术的发展不仅为资源与环境监测提供了 宏观、 实时、 动态的数据,也大大减少了工作量,提高 了监测的实效性。单一的遥感数据有时不能够满足 信息提取的需要,这样就需要进行多种遥感数据的 综合运用。多源遥感数据的主要特点就是信息的冗 余性、 互补性、 时限性和低成本性。它的应用主要表 现在利用同一地区内的多平台、 多时相、 多光谱、 多 分辨率的遥感数据,可以对该地区进行动态监测,融 合后的图像能更好地反应该地区的动态变化信息。 1 遥感数据源简介 随着美国、 加拿大等国20世纪80年代中期提 出的EOS计划的不断深入,遥感技术也得到了快速 发展。遥感影像的空间分辨率、 时间分辨率以及光 谱分辨率都在不断提高。目前,空间分辨率从千米 级提高到了米级,高光谱数据达到纳米级;时间分辨 率已提高到对感兴趣地区进行1～3天周期的重复 观测;辐射分辨率也从早期的64个量化等级提高到 了1 024个灰度等级。 现阶段国内应用最广泛的遥感数据主要有 NOAA、MOD IS、T M、SPOT、IKONOS、QU ICKB IRD等。 遥感数据源的选用通常是根据不同的应用目的来选 择的。下面就几种遥感数据的基本性能作一个简单 对比见表 1 。 2 多源遥感数据融合技术方法简介 现在遥感影像的种类繁多,基本可以满足不同 领域的应用需求。但是,由于某些原因,单一的遥感 数据不能够较好地反映地物信息,如影像“ 同物异 谱 ” 或“ 同谱异物 ” 而导致分类精度的下降等,这就 要求我们利用多源遥感影像之间的互补来提高信息 提取的准确率和利用率。 数据融合技术开始于20世纪70年代,而遥感 数据融合则始于80年代初,至今已有20多年的历 史,融合技术也日渐成熟。 多源遥感数据融合是指多种空间分辨率、 辐射 分辨率、 波谱分辨率和时间分辨率的遥感数据之间 以及遥感数据和非遥感空间数据之间的信息进行多 层次有机组合匹配的技术,包括空间几何配准和数 据融合两方面,融合后的数据是一组新的空间信息 和合成图像。遥感图像数据融合的主要目的可概括 为两方面一是通过对来自多种传感器的数据处理, 提高了信息的丰富度以及图像的清晰度;二是通过 对相同传感器系列数据进行处理,克服单一波段、 单 一时相对目标识别的不确定性,提高判读的精度。 多源遥感数据融合的基本过程如图1所示。 图1 多源遥感数据融合流程 遥感数据的融合方法主要有 IHS变换、 主成分 变换、 小波变换、 神经网络法、 聚类分析法、 高通滤波 法等。 2. 1 IHS变换 I HS表示亮度 Intensity、 色度Hue和饱和度 Saturation。IHS变换是将多光谱数据如T M、 1 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 表1 几种遥感数据源特性对比表 数据源分辨率波段数区划能力优势应用范围 NOAA 星下点1. 1 km, 远离星下点4 km 5大范围资源与环境的监测与预报等 MOD IS250m36 区划能力中等,但对植被 区划能力高 自然灾害与生态环境监测,全球的环境 和气候变化研究等 T M30 m7 地类识别能力较好,在破 碎地形和破碎林相时精度 受影响 作物估产、 土壤调查、 洪水灾害损失估 计、 野生资源调查,地下水和地表水资源 研究等 SPOT5 多光谱20 m, 全色10 m 4个多光谱, 1个全色 识别能力较好,能满足二 类调查小班精度 植被和生物研究、 动态监测、 自然灾害预 测及跟踪、 土地覆盖与利用变化等 IKONOS 多光谱4 m, 全色1 m 4个多光谱, 1个全色 各地类易区划,精度高 用于城市内部的现状调查、 规划,农业、 林业的详细调查与监测等 QU ICKB IRD0. 61 m 4个多光谱, 1个全色 各地类区划精度很高,能 满足大部分民用需要 城市空间信息获取、 景观类型区划等 SPOT等通过IHS变换转换到IHS空间,形成3个 独立的分量,然后将另外异源图像数据经过适当的 拉伸,以保证它的均值和方差变换到和I分量一致, 然后用拉伸后的数据替换I分量,得到I′,再分别对 H和S进行反差扩展,得到H′和S′,最后将I′ 、H′和 S′变换回RGB空间,得到融合图像。 田浩等2005将空间分辨率较高的SPOT影像 和光谱分辨率较高T M影像通过I HS变换法进行融 合,得到融合后的图像较原图像更为清晰,并用融合 后的图像提取变化信息,达到土地利用数据库的更 新。全斌2005用Landsat27 ET M与SPOT和Land2 sat27 ET M与JERS21 SAR两组数据进行试验,分别 采用不同的融合算法,即IHS变换和PCA变换对两 组影像的融合效果做了比较,结果表明, IHS变换能 够更好地保留SPOT的纹理信息,但不如PCA变换 的色彩丰富。在实际应用中,应根据需要和目的选 取合适的融合算法,以取得最佳的效果。何贵青 2006以高空间分辨率的SAR图像和高光谱分辨 率的T M图像为数据源,提出了一种基于特征量积 和IHS变换的多源遥感图像融合方法,结果表明,与 I HS变换法和小波变换法相比,这种方法即快速又 简洁,保留光谱信息的同时也增强了空间细节信息, 图像的清晰度也有了很大的提高。 2. 2 主成分变换 主成分变换 PCA 2principal components analysis , 也称为K2L变换,是在统计基础上的多维正交线性 变换,在单源遥感图像处理中,由于遥感图像的不同 波段之间往往存在着很高的相关性,有相当大一部 分数据是多余和重复的,通过主成分变换可以把原 来多波段图像中的有用信息集中到数目尽可能少的 新的主成分图像中,并使这些主成分图像之间互不 相关,减少了多余的和重复的数据,从而大大减少总 的数据量并使图像信息得到增强,使图像更易于解 译。在多源遥感图像处理中,将输入的多波段遥感 数据进行预处理后,并做主成分变换,然后将另外的 异源数据与第一主成分做直方图匹配,用直方图匹 配后的遥感数据代替第一主成分,最后再进行主成 分逆变换,生成融合图像。 魏冠军2005将Landsat27的全色图像与多光 谱图像进行主成分变换融合处理,融合后图像较好 地保留了原来的多光谱特征,同时也提高了遥感数 据信息的利用率。作者也和IHS变换做了比较,结 果表明主成分变化在保留多光谱信息方面要优于 IHS变换。樊旭艳2006以Quickbird的全色和多 光谱数据为数据源,分别进行色彩空间变换法 IHS 变换、 比值变换、 乘积变换以及主成分变换,并对 融合结果做了比较。结果表明,经过主成分变换产 生的影像在保持高分辨率的同时,光谱信息损失较 少,且对图像的视觉效果影响小。 2. 3 小波变换法 由影像频谱分析可知,同一地区不同传感类型 的影像,其低频部分相差不大,高频部分却相差很 大。小波变换在时间域和频率域上同时具有良好的 局部化性质,能充分反映原始图像的局部变化特征, 从而为图像数据的融合提供了有利条件。小波变换 法的总体思路就是将要融合的图像分别进行小波变 换,然后将变换后的图像按一定的融合规则进行融 合,融合后进行小波逆变换,得到最终的图像。 王洪华2002鉴于二进制小波只能较好地融 合分辨率为1∶2的图像,对分辨率为1∶3或者其他 分辨率之比图像的融合效果不好的情况,提出了多 进制小波融合算法。将两种算法融合后的图像进行 2 山西水土保持科技 2008年第2期 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 了对比,经过多进制小波融合的图像,在空间分辨率 和光谱分辨率方面比原始影像有了明显的提高。牟 凤云2003以T M和Quickbird图像为数据源,综合 Mallat小波算法和IHS数据融合理论,提出了基于 小波局部高频替代融合法。融合后图像既具有高空 间分辨率图像的结构信息,又保持了多光谱图像的 光谱特征,提高了多光谱图像的分类精度和量测能 力,融合结果证明了该方法的实用性和有效性。 2. 4 神经网络法 自从20世纪80年代Rumelhart和Webb建立 了BP反向学习算法back propagation learning algo2 rithm以来,人工神经网络 ANN技术得到了广泛 普及,并在遥感图像处理中得到了广泛的应用。 贾永红2000以Landsat T M3、T M4、T M5和 SAR影像为数据源,在研究人工神经网络理论的基 础上,一方面在该网络模型基础上对两种影像分别 进行分类,然后按一定规则进行融合,得到分类结 果;另一方面再在该网络模型基础上先对两种影像 进行融合,然后再进行分类,得到第二种分类结果。 通过两种分类结果的比较,结果表明先分类再融合 得到的影像较先融合后分类得到的影像分类精度 高。吴连喜2001用Landsat T M与IRS影像融合, 融合后影像清晰度得到了提高,同时也保留了原来 的光谱信息和T M影像的色调。然后将融合后的影 像通过设计好的多层感知器神经网络对图像进行分 类,结果表明利用该方法对融合影像进行分类的精 度95 高于用该方法对T M影像分类的精度 73 。 3 小结 图像融合的目的是增加图像信息量,提高图像 质量,降低图像识别的不确定性。目前这个领域的 研究多集中于象素级、 特征级的融合,其中尤以基于 小波变换的融合技术最为完善。遥感数据融合的前 提也是图像融合是否有意义的关键,也就是图像之 间的空间配准,因此,空间配准模型的研究显得尤为 重要。近年来,有关多源遥感数据融合模型的研究 很多,但是这些模型的应用都有一定的范围,不具有 普遍适用性,这也是未来遥感数据融合的发展方向 之一。 参考文献 [1]孙 静,赵 伟,赵鲁全.土地利用遥感动态监测技术 方法介绍[J ].山东国土资源, 2005, 214 38～41. [2 ]赵广亮,游小斌.应用于森林资源二类调查的多遥 感信息源适用性分析与评价[J ].北京林业大学学报, 2003, 2512 24～27. [3 ]袁金国,王 卫.多源遥感数据融合应用研究[J ].地 球信息科学, 2005, 73 97～103. [4 ]罗 忠.多源遥感数据融合的现状.测试技术学报 [J ]. 1999, 131 32～38. [5 ]牟凤云,朱博勤.基于小波变换的多源遥感数据融 合方法研究[J ].国土资源遥感, 2003, 4 31～34. [6 ]魏冠军,杨世瑜.基于主成份变换的多源遥感数据 融合[J ].兰州交通大学学报自然科学版 , 2005, 24 3 57 ～60. [7 ]杨存建,周成虎.基于知识的遥感图像分类方法的 探讨[J ].地理学与国土研究, 2001, 171 72～77. [8 ]李石华,王金亮.遥感图像分类方法研究综述[J ]. 国土资源遥感, 2005, 2 2～6. [9]贾永红.人工神经网络在多源遥感影像分类中的应 用[J ].测绘通报, 2000, 7 7～8. [10]周前祥,敬忠良.多源遥感影像信息融合研究现状 与展望[J ].宇航学报, 2002, 235 89～94. [11]全 斌,杨肖琪.多源卫星生态环境遥感数据的融合 方法比较[J ].水土保持研究, 2005, 123 123～124. [12]何贵青,郝重阳.特征量积和I HS变换的多源遥感 图像融合方法[J ].火力与指挥控制, 2006, 3111 88～91. [13]牛凌宇.多源遥感图像数据融合技术综述[J ].空 间电子技术, 2005, 1 1～5. [14]贾永红,李德仁. SAR与T M影像的IHS变换复合 及其质量定量评价[J ].国土资源遥感, 1997, 3 34～39. [15]樊旭艳,付春龙.基于主成分分析的遥感图像模拟 真彩色融合法[J ].测绘科学技术学报, 2006, 23 4 287～ 292. [16]欧春江.实例分析遥感图像处理中的主成分分析 [J ].测绘与空间地理信息, 2006, 295 56～59. [17]吴连喜,严泰来.基于多层感知器神经网络对遥感 融合图像和T M影像进行土地覆盖分类的研究[J ].土壤通 报, 2001, 32 6 33～36. [18 ] Azimi2Sadjadi M R, chalourn S, Zoughi R. Terrain classification in SAR i mages using principal component analysis and neural networks[J ]. IEEE Transactions on geosciences and Remote Sensing, 1993, 31 511～515. [19]王洪华,王双亭.基于多进制小波的多源遥感影像 融合[J ].中国图像图形学报, 2002, 74 341～345. 作者简介 李菲菲1981- 女,硕士;通讯地址北京市海 淀区肖庄, 100083 3 2008年6月 李菲菲 国内多源遥感数据融合研究综述