遥感图像的融合.ppt

IHS变换融合是影像融合最常用的一种方法，融合影像保留了绝大部分的高空间分辨率影像的信息，使得其分辨率接近高空间分辨率影像，同时也保留了多光谱影像的光谱特征，提高了影像的判读、识别、分类能力，特别有利于视觉理解。然而，由于不同波段数据的不同光谱特征曲线，IHS方法扭曲了原始的光谱特征，产生了光谱退化现象；同时，IHS方法只能同时对多光谱影像的3个波段进行融合。 2. IHS变换融合 I 分量 PAN波段 3. 主成分变换（PCA）融合 主成分变换，也称主成分分析，是着眼于变量之间的相互关系，用几个综合性指标汇集多个变量的测量值而进行描述的方法，是一种最小均方误差意义上的最优正交变换。对于多光谱影像，由于各个波段的数据间存在相关的情况很多，通过采用主成分分析就可以把现有图像中所含的大部分信息用假想的少数波段表示出来，也可以说减少了光谱维数。 主成分变换主要针对超过三个波段的影像融合，前述各种方法在超过三个波段的影像融合时受限，只能抽取和选择多光谱影像中的三个波段参与变换，无疑会使其他波段的信息丢失，不利于影像信息的综合利用。主成分变换中参与变换的多光谱数据不受波段数限制，可以接受三个以上波段的多光谱数据和高分辨率数据进行变换，从而将各个波段的纹理信息分离出来。 3. 主成分变换（PCA）融合 主成分变换在数学上是将矩阵展开分解为其协方差矩阵的特征向量的加权；对于图像而言主成分变换是图像按照特征向量将其特征空间分解为多元空间。经过PCA变换可将噪音向量剔除掉，保证融合图像信息度良好。遥感影像进行分解时，第一、二主分量一般占总信息量(即方差)的97％以上，而其余各分量总和最多也不过2～3％。所以，利用PCA变换就可以很方便的将影像的结构信息通过第一主分量表达出来。由此可见，主成分变换显著优点是将庞杂的多波段数据用尽可能少的波段表达出来，而且数据信息量几乎没有损失，从而达到数据压缩的目的。 主成分变换融合是将N个波段的低分辨率图像进行主成分变换，将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差同主成分变换的第一分量图像一致；然后以拉伸过的高分辨率图像代替第一分量图像，经过主成分逆变换还原到原始空间，具体流程图如下： 基于主成分变换的图像融合法 优势：经过融合的图像包含了原始图像的高空间分辨率与高光谱分辨率特征，保留了原图像的高频信息。融合图像上目标的细部特征更加清晰，光谱信息更加丰富。主成分变化较IHS变换融合能够更多的保留多光谱影像的光谱特征，同时也克服了IHS变换融合只能同时对3个波段的影像进行融合的局限性，可以对3个以上的多光谱图像进行融合。 局限性： ① 图像在做主成分分析时，第一分量的信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变化的含义略有不同，高分辨率图像经过拉伸后虽然与第一份量具有高相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变换； ② 光谱信息的变化仍然存在，使融合图像不便用于地物识别和反演工作，但是它可以改进目视判读的效果，提高分类制图的精度。 3. 主成分变换（PCA）融合 Landsat ETM+ 影像B432融合前 主成分变换融合前后对比： Landsat ETM+ 影像B432融合后 IKONOS影像 B432融合前 IKONOS影像B432融合后 4. 小波变换融合 小波变换具有变焦性、信息保持性和小波基选择的灵活性等优点。经小波变换可将图像分解为一些具有不同空间分辨率、频率特性和方向特性的子信号（图像）。它的分频特征，相当于高、低双频滤波，能够将信号分解为低频信息（图像）和高频细节/纹理信息（图像），同时又不失原信号所包含的信息。因而可以用于以非线性的对数映射方式融合不同类型的图像数据，使融合后的图像既保留原高分辨率遥感影像的结构信息，又融合多光谱影像丰富的光谱信息，提高影像的解译能力、分类精度。 小波变换能实现对数据的无损压缩和图像的完全重构，即由小波变换分解的各频带信号，可经过小波反变换重构“原”图像。 小波分解图示 多尺度小波分解示意图 基于小波变换融合基本步骤 以SPOT5多光谱与SPOT5的全色（ pan ）数据融合为例 1. 首先对两图像进行配准 2. 对低分辨率的多光谱数据进行重采样和高分辨率的空间分辨率一致 3. 对配准后的多光谱和全色图像分别进行小波正变换，获得各自的低频图像和高频细节/纹理图像 4. 用SPOT5多光谱的低频图像替代全色的低频图像 5. 用替换后的多光谱低频图像与全色的高频细节进行小波逆变换得到融合结果图像。 尽管小波变换融合较以前的各种影像融合方法有较大的进步，但仍存在3个问题： 一是常用的二进制小波变换可以有效地处理分辨率相差约为2j倍的情况，对其他情况则效果欠佳； 二是多级小波变换仅对低频分量进行不