常见的有图像复合ImageFusion影像融合ImageMerging-Read

第十章遥感影像复合10.1影像复合的概念10.2影像复合的作用10.3影像复合的方法10.3.1基于特征的复合10.3.2基于判决水平的复合10.3.3基于像元的复合10.4遥感与地理信息系统的结合第十章遥感影像复合１影像复合的概念多种名称，常见的有：图像复合（ImageFusion)影像融合(ImageMerging)、数据复合(DataFusion)、数据综合(DataIntegration)、影像综合(ImageIntegration)、信息复合(InformationCombination)等还有学者称结合(Combined)(Lichtenegger，1991)、重合(Coincident)(Crist，1984)、互补(Complementary)(Koopmans和Forero，1993)、组合(Composited)(Daily等，不同的学者定义Keys(1990)，Franklin，Blodgett(1993)定义为输入某区域的空间、时间、光谱都不同的影像数据，对像元第三个新值的计算；Mongolini(1994)将数据复合定义为利用多源数据不同的特点，以提高数据信息质量的方法，这一定义不仅包括遥感影像的复合，而且包括与其它实际数据如地形图、全球定位系统(GPS)数据等的复合；Shufet和Mckeown(1990)考虑到在图像处理中不同水平上的复合，定义为信息复合，此处指在复合前已将信息解译到知识水平。共同配合数据分析(Co-registered)(Rebillard和Neguyen，1982)，它不仅指不同光谱影像数字的运算，且包括多源数据以红、绿、蓝(RGP)简单的叠合。Hall(1992)定义数据复合是处理信息和数据以达到改善判决信息的过程。Genderten和Pohl(1994)的定义，即影像复合为利用某些算法对二个或更多的不同影像的结合。（目前越来越多的学者接受）定义要点：不同的数据源不同平台的遥感资料包括非遥感资料遥感影像是以什么方式在什么层次上复合复合的目的和效果２影像复合的作用２.1提高分辨率多光谱影像与高空间分辨率影像复合，•Smard(1982)、Cliche等(1985)•Price(1987)、Carper等(1990)•Franklin和Blodgett(1993)•Ranchin等(1996)•我国学者贾永红(1997)•方红亮(1998)•丘志成(1990)等多光谱波段(XS)和全色波段(PAN)TM资料与全色波段（PAN）多波段资料与高分辨率航空资料的复合或雷达数据；2.2改善几何配准精度和几何校正精度提高影像分辨率，使得图像几何配准精度极大地提高。Ehlers(1991)Welch等(1985，1990)2.3产生立体影像数据有利于目视对地物分辨与识别，从而有利遥感图像目视解译。•不同空间分辨率的VIR(可见光与红外光谱)和VIR数据•多视角的SAR和SAR数据•及VIR和SAR数据复合2.4提高分类精度多源影像复合，以实现不同信息的互补。缺失数据部分的补合提高分辨率等Griffiths(1988)Haack和Slonecker(1991),Ranchi(1996)Hussin和Shaker(1996)Franklin和Blodgett(1993)等2.5特征增强增强了各项观察特性，如微波与可见光传感的资料复合。Ehlers(1991)、Daily等(1979)Franklin和Blodgett(1993)Keys等，1990Mitiche和Aggarwal，1986Welch和Ehlers，19872.6变化监测图像差值法(ImageDifferencing)是将一个时相的某一谱段光谱密度值减去另一时相对应象元光谱密度值，从而产生差值图像进行动态监测；DXij为两时相的图像，k为波段，i和j为象元的行列数，t1、t2分别代表第一、第二时相，C是人为常数以消除减法运算中出现的负值。ctDXtDXDXkijkijkij12图像比值法(ImageRatioing)是将一时相的某一波段光谱值除以另一时相对应象元的光谱值，从而获得比值图像，从而进行变化监测的方法。CDXCCDXCDXTkijkijkij110111或12tDXtDXDXkijkijkij3影像复合的方法•基于判决水平的复合•基于特征的复合•基于像元的复合但以基于像元的复合法为主。根据图像处理过程中影像复合发生的阶段不同，影像复合可分为:3.1基于判决水平的复合首先对图像进行处理提取信息(如划分成大类)，然后结合判决规则的应用加强解译，解决分歧及进一步更好地了解观察对象，这是一种高水平的复合，它更有利于细分与制图。关键：在于对初分为大类后选择各大类的特征影像进行复合，以便细分。特征是指从最原始图像提取的特点，主要指环境如范围、形态、相邻等。基于特征的复合首先分别从各数据源中提取物体特征，然后再复合。由于遥感图像结构特征的表达常不成熟，因而基于特征的复合研究有相当大的难度，研究论文也较少。•Mangolini(1994)，•我国学者孙家柄、刘继林基于小波理论对航片及TM的特征进行融合３.2基于特征的复合3.3基于像元水平的复合•RGB合成•加、减（差值）、乘、除法、加权复合法•主成分变换-逆变换复合、•RGB-IHS变换法•小波变换•高通滤波、•综合方法(如高通滤波与波段综合、嵌合与其它方法结合等)。图像处理过程中的最初阶段进行复合。主要方法有：（1）RGB合成将相同或不同传感器遥感资料的不同波段赋予红（R）、绿（G）、兰（B）进行叠加合成形成复合影像，即假彩色图像。（2）影像加、减、乘、除复合法不同时期，不同遥感平台，或相同平台不同波段影像进行加、减、乘、除等运算，得到复合影像的方法。（3）加权复合法BIPIPAIjjiiij)('BIPIPAIjjiiij)('权Pi，Pj可根据经验对某被复合影像i和j需要强调的程度确定，也可运用相关系数确定。（4）主成分变换-逆变换复合多光谱影像主成分变换，求出第一主成分，然后用高分辨率数据取代第一主成分并进行主成分逆变换，得出复合影像。基本条件：高分辨率影像数据应包含第一主成分PC-1多光谱影像信息，或与之几乎相等。（5）RGB-IHS变换法RGBR’G’B’HIp’S彩色合成HISIHS变换Ip’代替IIHS逆变换高空间分辨率全色影像P代替I分量逆变换过程中可有不同的变换模式（邱志成，1990），HIS变换过程也有多种模式（贾永红，1998），因此该方法有多种模型。（6）Brovery变换法Brovery变换是一种颜色归一化变换方法，它将RGB影像进行多光谱波段颜色归一化，并将高分辨率全色影像与各个波段灰度值分别相乘得到融合影像。PifiDDDDDD321融合后的第i个波段影像的灰度值原波段影像的灰度值高分辨率影像的灰度值Brovery变换运算简单，并能在保持原始影像光谱信息的同时取得锐化影像的作用（7）小波变换影像频域分析，同一地区不同类型的影像，低频部分差别不大，高频成分相差很大。小波变换后在变换域内具有分频特性，影像锐度明显提高。复合过程为：先在确定的邻区窗口内，在分辨率2j下，分别对复合的影像数据统计均值和方差，然后确定子带和基带复合值。子带复合值为：j为分层号；K=1，2，3，····，K，待复合的不同波段影像。其它),,,2(),,2(),,2(),,,2(),,2(yxWyxDyxDyxWyxWjKBjKBjKAjKAjK式中：WAK(2j,x,y)，WBK(2j,x,y)分别为待复合的影像A、B的子带数据；DAK(2j,x,y)，DBK(2j,x,y)分别为以（x，y）为中心像元的邻区窗口方差；基带复合值为：A(2j,x,y)=K1AA(2j,x,y)+K2AB(2j,x,y)式中：AA(2j,x,y)，AB(2j,x,y)分别为最低分辨率层待复合影像A、B的基带数据；K1，K2为权系数。经小波逆变换重建复合影像锐度明显提高。（8）遥感影像与DTM数据之间的复合利用DTM数据，消除影像上由于地形起伏而产生的几何变形，提高遥感影像的定位精度；DTM数据也可作为辅助数据，用于遥感像分类识别，提高遥感影像分类精度；如提取坡度坡向作为一个波段直接参与分类（如提取知识与规则后参与分类—应属判决水平的复合）利用计算机图形学的算法，利用DTM数据，可生成具有真实感的三维立体图象。9.4遥感与地理信息系统的结合地理信息系统（GIS）具有强大的管理、检索和综合分析各种地理空间信息的能力。利用GIS，可充分利用非遥感信息，极大地减少解译中的不确定性，提高遥感影像分类精度，是解决同物异谱、同谱异物的有效手段（1）GIS在遥感影像解译中的作用•对遥感影像进行辐射较正，消除或降低地形差异的影响。•几何校正过程中，协助地面控制点的确定。•监督分类过程中，协助训练样本的选取。•与遥感影像叠合，协助目视解译。•作为解译结果的检验数据。•作为解译的直接或间接数据，增加遥感影像信息量，提高遥感影像解译精度。（2）遥感解译利用GIS空间数据模式松散结合向量空间叠合统计模式基于人工智能的方法松散结合GIS空间数据仅作为一种参考数据，并没有发生GIS与RS数据实质上的定量融合运算。如遥感影像与GIS图形数据叠合，进行人机交互解；或进行训练样本的选取；再如对遥感影像与GIS图形数据进行地连接(Geo-link)，选择地面控制点；或对分类结果进行校验。向量空间叠合GIS数据进行格式转换后，作为附加波段向量，与遥感数据一起共同构成多维向量空间，进行影像分类。可表示为：,...],,,...,,,[321kjiXXXXXXX叠置后的向量非遥感数据遥感影像统计模式主要有二种：利用贝叶斯概率公式，以先验概率的形式引入非遥感数据；以概率松驰标记法来利用非遥感数据MiiiiiiPPPPP1)()()()()(在最大似然法分类过程中，一般情况下，先验概率未知，则假定各类相等，数值设定为1。在有非遥感数据，并能计算出先验概率情况下，则可直接引入贝叶斯分类中，求取似然率P(ωi|χ)，用于判别象元所属地类。•概率松驰法首先利用GIS数据将研究区分成不同意义区域，但不直接求得先验概率，在首次进行监督促分类时，各类先验概率仍假定为相等，得到分类结果；•利用分类结果求算先验概率，再进行分类；•再重新求取先验概率，再分类…•如此迭代直至最后两次求得的先验概率相差稳定到指定的阈值或迭代次数为止。概率松驰法基于人工智能的方法找出用于遥感影像解译的知识、规则和模式，然后再用与遥感影像结合，进行推理，达到对遥感影像进行分类的目的。该类模式的实质是专家系统的方法，其关建在于知识与规则的获取与表达，以及合理的推理机制。此类模式有较大的灵活性和容错能力如基于知识与规则的分类法END