遥感数据融合方法分析与评价综述.pdf

遥感数据融合方法分析与评价综述 翁永玲 ①,②,田庆久① ① 南京大学国际地球系统科学研究所,南京210093 ;② 东南大学交通学院测绘工程系,南京210096 摘要论述了几种常用的基于像元级遥感影像融合方法的原理、 特点、 作用及限制条件,对各种相应的算法进行了分析和 评价,归纳并阐明了遥感数据融合效果定量评价指标及其意义,展望了遥感数据融合方法的发展与应用前景。 关键词数据融合;多源遥感影像;HIS变换;高通滤波变换;像素级融合 中图分类号TP751 文章标识码A 文章编号1000 - 3177200371 - 0049 - 06 1 引言 遥感平台和传感器的发展,使得遥感系统能够为用户提 供同一地区的多空间分辨率、 多光谱分辨率、 多时间分辨率 的海量影像资料。如何把这些多源海量数据尽可能地作为 一个整体来综合应用,从而充分、 有效、 提取各种类型遥感影 像的综合信息,克服遥感影像自动解译中单一信息源不足的 问题,即采用遥感数据融合技术,已成为当前遥感研究的热 点问题之一。 遥感影像融合是一种通过高级影像处理来复合多源遥 感影像的技术。它针对不同环境条件,选择最佳的波段组合 和分辨率,设计最适宜的时相叠加,采用一定的算法将各影 像的优点或互补性有机地结合起来产生新的影像[1]。融合 后的影像同单一信息源相比,清晰度得到提高,能减少或抑 制环境解译中可能存在的多意性、 不完全性、 不确定性和误 差;最大限度地利用了多种资料的不同特性,使图像同时具 有较高的光谱和空间分辨率,提高了图像的视觉效果;改善 了几何精度、 图像特征识别的精度和分类精度,有利于增强 多重数据分析和环境动态监测能力;改善了遥感信息提取的 现势性和可靠性,有效地提高了资料使用率[2 ,11 ,13 ,21],为大 规模的遥感应用研究提供了一个良好的基础。 遥感数据融合分为三级像元级融合、 特征级融合、 决策 级融合[11]。像元级融合是一种低水平的融合,它是直接在 采集到的原始数据层上进行的融合,通常用于多源图像复 合、 图像分析和理解等。特征级融合是先对原始遥感影像信 息进行特征提取,然后对特征进行综合分析和处理,融合结 果能最大限度地给出决策分析所需要的特征信息。决策级 融合是一种高层次的融合,它是在上述像元级和特征级融合 所提供的各类特征信息的基础上对图像信息进行识别、 分类 或目标检测,并在获得有关区域决策信息后,再对所获得的 专题图像进行融合处理,它的融合结果直接为指挥、 控制、 决 策系统提供依据。本文主要论述现有的基于像元级遥感影 像的融合方法,并对各种算法进行分析和评价,归纳遥感影 像融合质量定性评价方法及遥感影像融合的主要应用,并给 出了结论与展望。 2 遥感影像融合算法及分析 遥感影像融合是近几年国际遥感界研究的热点。在融 合方法上,有一些经典的算法,如各种比值和加权乘法 Jim Vrabel , 1996 ;张炳智等,2000、Brovey变换法、 高通滤波法 Chavez ,1991 ;李军等,1999 ;Jim Vrabel ,1996、HIS变换法 Jim Vrabel ,1996 ;Carper W J.等,1990 ;贾永红,1997、 主成 分分析法Jim vrabel ,1996 ;金剑秋等,2002。近年来,小波 变换融合方法已用于多传感器影像数据的融合Bruno Gar2 guet - Duport ,1996 ;王智均等,2000 ;哈斯巴干等,2002。 HIS变换是遥感资料融合中较为常用的方法,但有其缺陷。 为此,许多研究者对HIS变换融合提出了多种改进算法,哈 斯巴干、 贾永红、 王智均等结合小波变换对I分量进行了改 进,最大限度地保留了原多光谱影像的光谱信息。 2. 1 HIS变换法 HIS变换是基于HIS色彩模型和应用广泛的融合变换 方法[6]。HIS变换有两个显著的特点① 它有效地把一幅彩 色影像的红R、 绿 G、 蓝B成份变换成代表空间信息的 强度分量和代表光谱信息的色度分量、 饱和度分量,这一过 程称HIS正变换;② 它具有可逆性,即能将H、I、S变换成R、 G、B ,这一过程称逆变换或反变换[9]。 由于人眼对影像强度的分解力比色度和饱和度的分解 力高,因此根据人眼视觉特性和HIS变换的特点,HIS色彩 变换先将多光谱影像进行彩色变换,分离出强度I、 色度H 和饱和度S三个分量,然后将高分辨率全色影像PAN与分 离的强度分量进行直方图匹配,使之与I分量有相同的直方 图,最后再将匹配后的PAN代替I分量与分离的色度H、 饱 和度S分量,并按照HIS逆变换得到空间分辨率提高的融合 影像,即空间分辨率提高的多光谱影像。 此变换可用于相关资料的色彩增强、 地质特征增强、 空 间分辨率的改善,分类精度的提高,以及不同性质数据源的融 收稿日期2003 - 04 - 22 修订日期2003 - 06 - 16 作者简介翁永玲1962～ , 女,在职博士,研究方向为摄影测量、 遥感数字图像处理和遥感应用。 94 2003. 3 综 述 遥感信息 合等。张满郎、 郑兰芬对SAR图像进行了Lee滤波,消除了 图像噪声,还采用拉普拉斯滤波核增强各个方向上的线性构 造,并与TM1 ,4 ,7进行HIS变换法融合,得到了河北金厂峪 金矿及周围地区岩性、 线性构造特征,把遥感图像分析与区 域成矿规律有机地结合在一起,在金矿成矿构造带划分上取 得了较好的应用效果[26]。F. Sunar等用该方法对SPOT和 TM进行融合,并将融合结果和原TM影像进行分类比较,发 现融合结果的分类精度较原TM影像提高了6. 5 [22]。 Frankin和Blodgett采用HIS变换方法对SPOT HRV和PAN 数据进行融合,使分类总精度提高了9 [27]。 2. 2 比值运算法 比值运算是遥感图像处理中常用的方法,它是两个波段 对应像元的灰度值之比或几个波段组合的对应像元灰度值 之比。此种运算经常用来发现变化图斑,是动态监测的一个 有力工具[4 ,11]。利用比值运算可以扩大不同地物的光谱差 异。对两个不同时相的遥感影像进行比值运算的融合处理, 融合结果虽然使总体色调和纹理细节有所下降,但是在变化 区域内的色调表示却异常突出和明显,使一些细微、 独立的 变化都能够在融合结果中表现出来,这是因为动态变化能够 引起融合影像的光谱特征、 纹理特征变异,从而在融合结果 中突出显示出来。另外,比值运算可以消除共同噪音,消除 或削弱地形阴影、 云影的影响等[28]。应该注意的是,纹理特 征的变异不总是变化区域,它还与诸如照度差异、 大气条件、 地面湿度及两图像间的几何配准精度等因素有关,应与区域 变化加以区分[11]。张炳智等在土地利用动态遥感监测的研 究中,采用了比值运算法对多源遥感影像进行融合。张银辉 等2002采用比值图像方法分析了垦利县两个时相相应地 物在TM4、TM3、TM2各波段耕地的光谱特征,并选择耕地 特征较为突出的TM4参与波段运算,认为图像比值法对水 体和稻田的监测效果比较理想,但无法监测出整个耕地的变 化情况[30]。 2. 3 线性复合与加权乘法 线性复合指对遥感影像资料进行加权运算,从振幅上对 影像的结果进行突出处理,从而达到影像效果的增强。乘积 运算就是将高分辨率波段与多光谱两个灰度矩阵进行矩阵 乘积。结果矩阵与多光谱矩阵差别很大,直接反映在影像上 为光谱变化大,纹理不如原分辨率波段清晰。 此类融合方法对于表现细碎地貌类型是不合适的,但对 于大的地貌类型,如高起伏地区、 荒漠区域类型增强效果是 比较理想的[4]。利用该融合方法还可以解决非同一波谱区 波段数据融合的问题。如在传统的用HIS变换对高空间分 辨率全色影像与多光谱影像的融合中,当有红外波段影像参 与融合时,由于高分辨率全色影像不含红外波段信息,因而 与强度分量的相关性弱,使融合得到的多光谱影像灰度值同 原多光谱影像有较大的差异,即光谱特征被扭曲,从而造成 解译困难[8]。为了最大限度地保留多光谱影像的光谱特征, 可将高空间分辨率全色影像与I分量按下式进行加权线性组 合,以得到高分辨率影像,并以之代替强度分量进行融合 I‘p 3-k Ip/3 ∑ k j 1 Ipi/3 其中k 1或k 2, Ip为高空间分辨率全色影像像元灰度 值, Ipi为第i红外波段的像元灰度值[9]。 2. 4 Brovey变换法 Brovey变换是一种用来对来自不同传感器的数据进行 融合的较为简单的融合方法,该方法是通过归一化后的多光 谱波段与高分辨率影像乘积来增强影像的信息[10]。以 Landsat TM 2、3、4和SPOT PAN之间的融合为例,其融合后 的红R、 绿G、 蓝B三波段结果图像如下 R band4 band2 band3 band4 S POT G band3 band2 band3 band4 S POT B band2 band2 band3 band4 S POT 其中, bandi band2 band3 band4 体现了影像的波谱信 息, S POT体现了影像的空间信息。 2. 5 高通滤波变换法 高通滤波HPF常用于影像纹理和细节处理方面。影 像的细节提取往往是通过高分辨率影像的高通滤波来实现 的。高通滤波变换的目的是提高影像高频细节,突出影像线 性特征和边缘信息。高通滤波变换融合的实施 1 对高空 间分辨率全色影像进行高通滤波,以提取空间信息,亦即提 取原影像中的线性特征和边缘特征 ; 2 对低分辨率多光谱 影像进行低通滤波,以提取低频信息,即原始多光谱影像的 概貌,它代表了多光谱影像的光谱信息 ; 3 对高通滤波和低 通滤波的结果求加权,得到锐化了的影像。 高通滤波变换用下式定义 HPi WaMSIiL P WbPANiHP 其中Wa、WB为权,且Wa WB1.0, MSIiL P为低分辨率多 光谱影像i波段的低通滤波的结果, PANiHP为高空间分辨率 全色影像PAN进行高通滤波的结果, HPi为锐化了的输出影 像。 高通滤波消除了高分辨率影像中的低频噪声,且滤波的 结果可以用于所有多光谱波段[5]。 2. 6 主成份变换法 主成份变换是遥感数字图像处理中运用比较广泛的一 种算法[12],是在统计特征基础上的多维多波段的正交线性 变换。主成份变换将各种光谱图像均视为一个随机变量。 融合时首先求他们的协方差矩阵的特征值和特征向量,然后 将特征向量按对应特征值的大小从大到小排列并得到变换 矩阵,最后对多光谱图像作变换,并按应用的目的和要求取 前面几个图像进行融合。遥感图像的不同波段之间往往存 在着很高的相关性,这可通过PCA变换,把多波段图像中的 有用信息集中到数量尽可能少的新的主成份图像中,并使这 些主成分图像之间互不相关,从而大大减少总的数据量,并 使图像信息得到增强。利用PCA变换就可以很方便地将影 像的结构信息通过第一主分量表达出来。由此可见,PCA变 换对影像编码,影像数据压缩,影像增强,图像变化探测,多 05 遥感信息 综 述 2003. 3 时相影像融合非常有用[12]。 主分量变换在进行融合中有两种变换方法[11],一种是 参与法将参与变换的各波段,包括高空间分辨率数据在内, 统一进行主分量变换,然后进行反主分量变换。另一种是替 换法将多光谱的多个波段先做主分量变换,并且与HIS变 换相似,将高分辨率全色影像与第一主分量进行直方图匹 配,使之与第一主分量有相同的均值与方差,然后用匹配后 的高分辨率影像代替第一主分量,最后进行反主分量变换, 得到空间分辨率提高了的多光谱影像的融合影像[7]。 近年来利用PCA变换对TM与SPOT、TM与SAR的影 像融合的例子很多Chavez ,1991 ,贾永红等1998。变换后 的影像色彩突出,各地类的色彩丢失和偏移较少。由于多光 谱数据的参与,影像纹理信息结构明显突出。植被覆盖清 晰,并可由色彩来区分不同的植被种类和长势状况。建筑区 的植被几乎没有受到建筑区色调的影响。水体表现也比较 良好,唯深浅反映较差[4]。 2. 7 小波变换法 小波变换应用到影像融合领域是在20世纪90年代开 始的。小波变换作为一种新的数学工具,是介于函数的空间 域表示和频率域表示之间的一种表示方法。它在空间域上 和频率域上同时具有良好的局部化性质,对高频成份采用逐 步精细的空间域取样步长,可以 “聚焦” 到对象的任意细节, 从而被誉为 “数学显微镜”[13]。 影像经小波分解后其频率特性得到了有效分离,低频部 分反映的是影像的整体视觉信息,各高频成份反映的是影像 的细节特征。利用高分辨率影像数据的高频成份和相应的 多光谱影像数据的低频成份组合进行小波重建,可得到融合 影像。由于小波融合保留了高分辨率影像的高频特性,所以 整体融合效果视觉特性、 纹理细节、 明暗色调等较好,提 高了多光谱影像的空间分辨率,同时又保持了多光谱影像的 光谱信息,这便是基于小波变换融合的基本思想[5 ,15]。 近年来,国内外学者在小波变换用于遥感影像的融合方 面做了许多的工作。哈斯巴干等提出了小波局部高频替代 的融合方法[14]。该方法利用小波变换对HIS变换中的I分 量作了改进。在此研究中,ETM遥感数据5、4、3波段中由 HIS孟塞尔彩色空间变换后的I亮度分量经与全色波段中的 高能替代的小波变换,形成一个新的、 集中了I分量和全色波 段高频能量的新分量,再通过HIS反变,换得到融合影像。 此融合结果在遥感土地利用调查中提高了土地利用的计算 精度。 2. 8 小波变换法与其它方法的综合 1王智均等提出了一种Wallis变换、 小波变换和HIS 变换相结合的融合方法[13]。 他们采用Landsat - 7的TM 7、 4、3波段组合和TM 8波段全色波段进行融合。其核心在 于对I和TM 8分别进行小波分解,在频率域对频率空间进 行分解,用I的近似替代TM8的近似。低频代表了概貌信 息,以保持融合后的色调。同时在相同分解级别上,取I和 TM8对应的小波系数中的较大值组成新的3个方向上的小 波系数分量,因为TM8的高频信号比I的内容丰富,同时也 为了不丢失TM 7、4、3所包含的纹理信息。用新的一组多尺 度分析数据进行小波重建,以实现TM 8和TM 7、4、3、I通 道的融合,得到融合后的I′ 分量。最后利用HIS反变换获得 融合后的影像。 2李军等将小波的多分辨率分析与HIS变换相结合, 提出了叠加融合的新方法,给出了黑白航空影像与TM影 像,SAR影像与TM影像的融合结果[15]。它先对高分辨率 影像进行小波分解,然后将得到的各小波面叠加到多光谱影 像经HIS变换后的强度I影像中。 3王洪华等基于多进制小波理论,提出了一种基于特 征的多进制小波变换的影像融合算法[2]。该算法根据待融 合影像分辨率之比确定采用多进制小波变换,将高分辨率的 影像进行W进制小波变换,得到由一个低频成份和W2- 1 个高频分量组成的变换影像,然后分别计算待融合的低分辨 率影像和高分辨率影像变换后的低频成份影像的方差,并由 算出的方差来确定影像的权值大小,计算低分辨率影像和高 分辨率影像变换后的低频成份影像的加权和得到融合后的 低频影像数据,最后,高分辨率影像的变换影像的高频成份 经过多进制小波逆变换,得到融合后的高分辨率影像。 4钟志勇等采用小波分解方法分别对雷达影像和光学 影像作小波分解,采取小波分解影像的高频纹理与低频近似 图,通过加权,调节双方在融合结果中所占的比例,再经小波 重建,生成融合影像。 综上所述,小波变换用于遥感影像融合算法有二进小波 变换[13]、 多进制小波变换[2]、 多分辨率小波变换[16]、 小波包 变换[17]等。影像融合模式有小波变换对HIS融合法的改 进,和基于小波变换的加权融合等。 3 不同融合方法的优势与限制的分析 比值运算最适用于动态监测,但它使原来图像的独立意 义不存在了,失去了地物总的反射强度信息,同时纹理细节 丢失也比较严重,目视解译效果极差。为了补救这一不足, 可用一个波段图像和两个比值图像作假彩色合成。预处理 中要做到不同时相间的高精度配准,以防止伪变化信息。 HIS变换方法简单,易于实现,但融合得到的多光谱影像 灰度值同原多光谱影像有较大差异,亦即光谱特征被扭曲, 只能说基本上保持了多光谱影像色调。一般来说,它对光谱 的扭曲比PCA变换方法大。其原因是因为被高空间分辨率 全色影像代替的I分量的光谱特征取决于合成多光谱影像的 3个波段[7],所以要保证融合的影像同多光谱影像的光谱特 征相似,其前提是经直方图匹配生成的高分辨率全色影像不 仅要同分量I很接近,而且还要求其光谱响应范围和响应灵 敏度与多光谱很接近。例如用HIS变换对TM 2、3、4波段或 TM 1、5、7波段与SPOT PAN融合,前者融合效果较好,而后 者几乎不能令人满意,这是因为TM 2、3、4与SPOT PAN有 共同的光谱响应范围。为了最大限度地保留多光谱影像的 光谱特征,提高自动分类的精度,许多研究者对HIS变换作 15 2003. 3 综 述 遥感信息 了改进,其原则是提高代替I分量的I’ 与原多光谱影像的相 关系数,获得了令人满意的效果[9]。HIS变换法的另一个缺 点是只限于3个波段参与融合。 简单的线性复合或乘法融合运算存在光谱变化大、 增强 效果欠佳的缺点,要获得理想的融合效果,关键在于系数和 权重的选择。对参与计算的多光谱波段和高分辨率波段指 定不同的权重,以改善融合图像的光谱特征和纹理特征。 HPF变换法对光谱特征的扭曲比PCA和HIS变换法都 小,且有较好的空间分辨率[7]。采用此方法得到的合成影 像,建筑区,尤其是城市中心地带的纹理信息很清晰,交通和 水体的边缘规则且清晰。但在突出高频信息的同时,部分低 频信息或某些重要的信息会受到压制,使整体影像的结构比 较细碎。在色彩表现上,高通滤波变换的结果一般,色调的 层次感较差,表现在城区中心的色调与城市边缘建筑群的色 调相差无几,水体的深浅无法在色调上表现出来,山地的立 体感消失[4]。 PCA参与法的色调过渡优于替换法,其中山地、 水体地 类影像色调过渡尤为自然,这是因为参与法将不同传感器获 取的信息结合在一起。细节表现上,两者效果存在差异。参 与法的纹理相对细小,而替换法由于影像的色调偏重,所以 纹理受到影响。PCA变换法对光谱特征的扭曲小于HIS变 换法,因为与I分量相比,第一主分量是由所有参与PCA变 换的波段共同确定的信息,它与PAN较为相似,而其各波段 光谱信息则唯一地映射到各分量上。PCA变换法能够同时 与多光谱影像的所有波段融合,所以能较好地保持光谱特 征。 Brovey变换融合结果的一个明显优点就是色调非常好, 几乎完全保持了原始影像的色调信息。对于山地、 水体、 植 被一类地物表现非常明显。在建筑区内,城区色调较暗,但 其绿地比较明显地反映出来。在动态监测中,以卫星影像制 图为目的的融合,采用该变换,融合影像是比较逼真的[4]。 大量工作证明正确利用小波变换,改进融合中的某些 环节,能够改善信息融合的质量;融合影像既具有原高空间 分辨率影像的结构信息,又最大限度地保留了原多光谱影像 的光谱信息;保持了原多光谱影像的亮度与反差,防止影像 信息的丢失[13 ,15 ,17];融合图像更好地反映了图像的细节特 征,对植被、 河流、 城镇的解译能力有了很大的改善,提高了 多光谱影像的分类精度和量测能力[14]。 4 融合效果定量评价指标及其意义 在多源遥感数据融合研究中,对融合结果的评价因涉及 到不同的数据源而相对复杂,一直没有统一的标准,评价常 依据目视判定,结合数理统计法进行。常用于衡量信息量的 统计参数有均值、 方差、 熵、 联合熵、 平均梯度、 偏差指数、 相 关系数等。 1方差影像的方差经常被用作衡量影像信息量的重 要指标,在影像的描述上为偏离影像均值的程度,它是衡量 一幅影像信息量大小的重要参量。方差越大,融合后图像的 动态范围就越大。融合影像的空间分解力同替代影像的方 差相关[25]。一般来说,替代影像的方差越大,融合影像的分 解力就越高。 2熵影像融合结果的一个定量指标是融合影像的熵 值,在影像的表示上为偏离影像直方图高峰灰度区的大小。 融合影像的熵和联合熵越大,融合影像的信息就越丰富。 3平均梯度可敏感地反映图像对微小细节反差表达 的能力,因此可用来评价图像的清晰程度。一般来说,平均 梯度越大,图像就越清晰。 4偏差指数是融合影像与低分辨率影像差值的绝对 值与其低分辨率影像值之比。偏差指数越小,融合图像与原 多光谱影像的偏离程度就越小,就越能保留原多光谱影像的 光谱特征。 5相关系数融合图像与原多光谱影像相关系数越大, 融合结果就越能保持原多光谱影像的光谱特征。在HIS变 换、PCA变换、 小波变换中使用替代法时,替代影像同较高空 间分解力影像之间的相关系数越大,融合影像与原多光谱影 像在光谱特征上的差异就越小[7]。 一般评价融合图像的质量是以视觉分析为主,并结合定 量分析进行的。在实际工作中可依据不同的地域内容、 不同 的应用目标以及不同的数据源,选择适当的遥感数据融合处 理方法,在提高空间分辨率的同时,最大限度的减小光谱扭 曲,从而有利于计算机自动解译分类。 5 结语 5. 1 结论 1本文所述的融合方法皆属于像素级融合方法范畴。 不同融合方法具有不同的作用、 优势及其限制条件,但其目 的都是为了发挥多源遥感数据的优势,提高图像的质量,以 进行图像增强、 图像压缩、 图像自动分类等应用,使之更好地 服务于目标检测、 变化检测和目标识别,为其相应的具体的 应用提供准确可靠的信息,从而提高这些应用的精确度。 2高分辨率遥感影像在纹理细节上的信息比较丰富。 利用高分辨率影像,目的是从它的纹理细节中获取信息。其 细节层次主要包含于其高频成分中。相对高分辨率遥感影 像来讲低分辨率多光谱影像,仅包含了低频信息,但它体现 了一光谱段的光谱信息,代表了概貌信息,且保持融合后的 色调。其光谱特性有助于对目标的识别和判读,而高分辨率 特性有助于提高定位和判读精度。 3多源遥感影像数据融合方法已经广泛应用于矿藏探 测,岩性识别、 分类和地质制图,土地利用分类,动态监测,制 作影像专题图,地图测绘和更新等方面,越来越显示出遥感 数据融合处理方法的实际作用。 4像素级融合相对于特征级融合和决策级融合而言, 其优点在于能保持尽可能多的原始信息,避免了特征级融合 过程中特征提取时可能出现的信息丢失,因而能提供其他融 合级所不能提供的细微信息。但有其局限性,表现为其融 合效果与几何配准,包括重采样的精度有密切的关系,要求 25 遥感信息 综 述 2003. 3 各传感器信息之间应具有精确到一个像元的校准精度;对地 面起伏较大区域的遥感图像,应考虑用数字高程模型对其进 行几何纠正,其中对侧视雷达图像的几何纠正尤为重要;基 于像元级的融合要处理的数据量非常大,故处理时间长,实 时性差。当然随着计算机软硬件的发展,处理数据量大的图 像将不成为主要的问题。 5. 2 存在的问题与发展方向 遥感数据融合方法的研究较多,由于对融合结果的评价 涉及到不同的数据源和不同的研究区域类型,因而相对复 杂,所以一直没有统一的标准。另外针对遥感数据融合类型 之繁多,如不同时相、 不同类型传感器、 不同空间分辨率之比 的数据间的融合等,如何在提高融合影像空间分辨率的同时 又不使原始多光谱影像的光谱特性发生畸变,保证在原始数 据中光谱可分的那些目标在融合影像数据集中仍然是可分 的,至今没有给出不同情形下的最优化的融合策略,用户只 能凭借经验来判断融合结果。另外,地表景观具有动态性, 缺少同一时刻获取的数据,这也制约了数据融合的效果。 随着高空间分辨率、 高光谱分辨率、 多种类传感器的不 断发展如SPOT、IRS、Landsat 7、IKONOS、Quirk Bird等,我 们可直接获得地面物体的形状、 大小、 位置、 性质及环境相互 关系等地面目标的特征信息。面对新的高分辨率数据类型, 今后的研究工作应对现有各种融合方法的原理、 特点进行综 合分析,应利用小波分析、 神经网络等理论,致力于发展更为 有效而且可靠的新的融合技术,以适合于新型数据自身融合 的方法及高分辨率1m与低分辨率30m ,甚至更低数据间 的融合处理技术,充分有效地利用不同尺度、 不同时相、 不同 类型的海量遥感数据。另外还应探讨融合结果评价的方法, 指出优化多源遥感数据融合的策略。 目前,数据融合算法趋向于把知识理解和统计信息相结 合,以及多传感器或多时相数据的特征融合处理,今后还将 向智能化、 实时化方向发展。引入GIS的专家系统,以支持 数据融合,并将实时动态融合用于数据更新和动态监测。随 着遥感传感器的不断改进,遥感数据融合将更为重要,它将 为保护地球环境、 开发和利用地球资源提供新的途径。 参考文献 1 钟志勇,等.多源信息融合中小波变换的应用研究[J ].测绘学报,20025 . 2 王洪华,等.基于多进制小波变换的遥感影像融合[J ].测绘学院学报,20019 . 3 方勇.证据推理应用于多源信息融合分析[J ].遥感学报,20005 . 4 张炳智,张继贤,张丽.土地利用动态遥感监测中多源遥感影像融合方法比较研究[J ].测绘科学, 20003 46 - 50. 5 Jim V. Multi - spectral imagery band sharpening study[J ]. PE ②Department of Surveying and Mapping Engineering , College of Transportation , Southeast University , Nanjing210096, China Abstract With the availability of multisensor , multitemporal , multiresolution and multifrequency image data from operational Earth observation satellites , the fusion of digital image has become a valuable tool in remote sensing image uation. Data fusion is a pro2 cess dealing with data and ination from multiple sources to achieve improved ination for decision making and is the combina2 tion of two or more different images to a new image by using a certain algorithm. Fused images may provide increased interpre2 tation capabilities and more reliable results since data with different characteristics are combined. The images vary in spectral , spatial and temporal resolution and therefore give a more complete view of observed objects. This leads to more accurate data and increased u2 tility. At first , this paper simply reviews the necessity of data fusion’s appearance and development. Afterwards , this paper attempts to analyze the of data fusion , such as Difference and ratio images , Adding and multiplications , Intensity2Hue2Saturation , High pass filtering , Principal component analysis transs and Wavelets. Finally , summary and prospect are described. With up2 coming improved sensors , the importance of multisensor image fusion and interpretation will increase and open new possibilities of op2 erational applications in Earth observation for the protection and development of the Earth’s environment. Also the involvement of expert systems in a GIS can support the integration and uation of fused image data. Key words remote sensing image; data fusion;HIS transation;PCA transation; wavelet transation 北斗一号为防汛抗旱提供服务 陕西雨量监测速报系统启用 由西安市航天恒星科技股份公司提供北斗一号卫星通信 设备,陕西省防汛抗旱指挥部及陕西省水利厅共同提出要求, 陕西省防汛信息中心设计的陕南雨量监测速报系统,目前已 建成试运行,初步达到了预期的目的。近年来,陕西省多次发 生暴雨并造成洪水灾害。由于缺乏有效的预警及通信手段, 不能及时预报可能引起的灾难,导致不能迅速有效地组织防 预或组织人员疏散,造成重大的人员伤亡和经济损失。 陕南雨量监测速报系统包括陕西南部的汉中、 安康及商 洛3市的8个县辖区内的67个雨量遥测站、3个市防汛办和 市水文分局共计6个市雨情接收处理中心及8个县防汛办 的县雨情处理中心。在每个雨量遥测站设置包括雨量自动 检测设备、 北斗一号用户机和太阳能电池等设备在内的全套 无人值守自动遥测终端,在市接收处理中心及县雨情处理中 心内配置北斗一号用户机及计算机管理系统,前者通过北斗 一号卫星系统提供通信服务,后者用于数据贮存、 处理及管 理,整个系统组成了一套完整的智能化、 自动化雨量监测速 报系统。 特别值得一提的是,该系统与目前大多数雨情、 水情监 测速报系统采用的通信方式不同,系统首次正式采用了我国 自行研发的北斗一号卫星作为它的通信系统,由于通过卫星 转发,数据可同时发送至县雨情处理中心、 市防汛办与市水 文局的市雨情接收处理中心、 省防汛指挥中心,因而从根本 上改变了雨情必须逐级上报的状况,这种称为 “一发四收” 的 工作方式将过去的 “串行” 通信改为 “并行” 通信,大大提高了 传输的可靠性及上报的速度,这在 “雨情就是灾情”,“时间就 是生命” 的防汛抗灾的阶段,更有特殊重要的意义。而且无 人终端采用太阳能电池与蓄电池共用的节能供电方式,可确 保系统连续20天阴雨时正常工作。根据我国2002年启动 的 “国家防汛指挥系统工程” 即 “金水工程” 的要求,国家将花 大力气解决整个系统的 “瓶颈” 信息采集问题。采用包 括卫星通信方式在内的多种先进通信手段,建成先进的报汛 网。这次建成的国内首次应用北斗一号卫星系统的陕南雨 量监测速报系统,以它的技术先进性、 高可靠性、 经济性、 使 用维护方便等显著特点,必将为今后大量的自动化信息采集 系统的建设提供很好的成功经验。卫通 摘自 航天新闻网 45 遥感信息 综 述 2003. 3