常見的有圖像復合ImageFusion影像融合ImageMerging-Read

第十章遙感影像復合 10 1影像復合的概念10 2影像復合的作用10 3影像復合的方法10 3 1基于特征的復合10 3 2基于判決水平的復合10 3 3基于像元的復合10 4遙感與地理信息系統(tǒng)的結合 第十章遙感影像復合 影像復合的概念 多種名稱 常見的有 圖像復合 ImageFusion 影像融合 ImageMerging 數(shù)據(jù)復合 DataFusion 數(shù)據(jù)綜合 DataIntegration 影像綜合 ImageIntegration 信息復合 InformationCombination 等 還有學者稱結合 Combined Lichtenegger 1991 重合 Coincident Crist 1984 互補 Complementary Koopmans和Forero 1993 組合 Composited Daily等 不同的學者定義Keys 1990 Franklin Blodgett 1993 定義為輸入某區(qū)域的空間 時間 光譜都不同的影像數(shù)據(jù) 對像元第三個新值的計算 Mongolini 1994 將數(shù)據(jù)復合定義為利用多源數(shù)據(jù)不同的特點 以提高數(shù)據(jù)信息質(zhì)量的方法 這一定義不僅包括遙感影像的復合 而且包括與其它實際數(shù)據(jù)如地形圖 全球定位系統(tǒng) GPS 數(shù)據(jù)等的復合 Shufet和Mckeown 1990 考慮到在圖像處理中不同水平上的復合 定義為信息復合 此處指在復合前已將信息解譯到知識水平 影像復合的作用 1提高分辨率 多光譜影像與高空間分辨率影像復合 Smard 1982 Cliche等 1985 Price 1987 Carper等 1990 Franklin和Blodgett 1993 Ranchin等 1996 我國學者賈永紅 1997 方紅亮 1998 丘志成 1990 等 多光譜波段 XS 和全色波段 PAN TM資料與全色波段 PAN 多波段資料與高分辨率航空資料的復合或雷達數(shù)據(jù) 2 2改善幾何配準精度和幾何校正精度 提高影像分辨率 使得圖像幾何配準精度極大地提高 Ehlers 1991 Welch等 1985 1990 2 3產(chǎn)生立體影像數(shù)據(jù) 有利于目視對地物分辨與識別 從而有利遙感圖像目視解譯 不同空間分辨率的VIR 可見光與紅外光譜 和VIR數(shù)據(jù)多視角的SAR和SAR數(shù)據(jù)及VIR和SAR數(shù)據(jù)復合 2 4提高分類精度 多源影像復合 以實現(xiàn)不同信息的互補 缺失數(shù)據(jù)部分的補合提高分辨率等Griffiths 1988 Haack和Slonecker 1991 Ranchi 1996 Hussin和Shaker 1996 Franklin和Blodgett 1993 等 2 5特征增強 增強了各項觀察特性 如微波與可見光傳感的資料復合 Ehlers 1991 Daily等 1979 Franklin和Blodgett 1993 Keys等 1990Mitiche和Aggarwal 1986Welch和Ehlers 1987 2 6變化監(jiān)測 圖像差值法 ImageDifferencing 是將一個時相的某一譜段光譜密度值減去另一時相對應象元光譜密度值 從而產(chǎn)生差值圖像進行動態(tài)監(jiān)測 DXij為兩時相的圖像 k為波段 i和j為象元的行列數(shù) t1 t2分別代表第一 第二時相 C是人為常數(shù)以消除減法運算中出現(xiàn)的負值 圖像比值法 ImageRatioing 是將一時相的某一波段光譜值除以另一時相對應象元的光譜值 從而獲得比值圖像 從而進行變化監(jiān)測的方法 3影像復合的方法 基于判決水平的復合基于特征的復合基于像元的復合但以基于像元的復合法為主 根據(jù)圖像處理過程中影像復合發(fā)生的階段不同 影像復合可分為 3 1基于判決水平的復合 首先對圖像進行處理提取信息 如劃分成大類 然后結合判決規(guī)則的應用加強解譯 解決分歧及進一步更好地了解觀察對象 這是一種高水平的復合 它更有利于細分與制圖 關鍵 在于對初分為大類后選擇各大類的特征影像進行復合 以便細分 特征是指從最原始圖像提取的特點 主要指環(huán)境如范圍 形態(tài) 相鄰等 基于特征的復合首先分別從各數(shù)據(jù)源中提取物體特征 然后再復合 由于遙感圖像結構特征的表達常不成熟 因而基于特征的復合研究有相當大的難度 研究論文也較少 Mangolini 1994 我國學者孫家柄 劉繼林基于小波理論對航片及TM的特征進行融合 2基于特征的復合 3 3基于像元水平的復合 RGB合成加 減 差值 乘 除法 加權復合法主成分變換 逆變換復合 RGB IHS變換法小波變換高通濾波 綜合方法 如高通濾波與波段綜合 嵌合與其它方法結合等 圖像處理過程中的最初階段進行復合 主要方法有 1 RGB合成將相同或不同傳感器遙感資料的不同波段賦予紅 R 綠 G 蘭 B 進行疊加合成形成復合影像 即假彩色圖像 2 影像加 減 乘 除復合法不同時期 不同遙感平臺 或相同平臺不同波段影像進行加 減 乘 除等運算 得到復合影像的方法 3 加權復合法 權Pi Pj可根據(jù)經(jīng)驗對某被復合影像i和j需要強調(diào)的程度確定 也可運用相關系數(shù)確定 4 主成分變換 逆變換復合 多光譜影像主成分變換 求出第一主成分 然后用高分辨率數(shù)據(jù)取代第一主成分并進行主成分逆變換 得出復合影像 基本條件 高分辨率影像數(shù)據(jù)應包含第一主成分PC 1多光譜影像信息 或與之幾乎相等 5 RGB IHS變換法 高空間分辨率全色影像P代替I分量 逆變換過程中可有不同的變換模式 邱志成 1990 HIS變換過程也有多種模式 賈永紅 1998 因此該方法有多種模型 6 Brovery變換法 Brovery變換是一種顏色歸一化變換方法 它將RGB影像進行多光譜波段顏色歸一化 并將高分辨率全色影像與各個波段灰度值分別相乘得到融合影像 Brovery變換運算簡單 并能在保持原始影像光譜信息的同時取得銳化影像的作用 7 小波變換 影像頻域分析 同一地區(qū)不同類型的影像 低頻部分差別不大 高頻成分相差很大 小波變換后在變換域內(nèi)具有分頻特性 影像銳度明顯提高 復合過程為 先在確定的鄰區(qū)窗口內(nèi) 在分辨率2j下 分別對復合的影像數(shù)據(jù)統(tǒng)計均值和方差 然后確定子帶和基帶復合值 子帶復合值為 j為分層號 K 1 2 3 K 待復合的不同波段影像 式中 WAK 2j x y WBK 2j x y 分別為待復合的影像A B的子帶數(shù)據(jù) DAK 2j x y DBK 2j x y 分別為以 x y 為中心像元的鄰區(qū)窗口方差 基帶復合值為 A 2j x y K1AA 2j x y K2AB 2j x y 式中 AA 2j x y AB 2j x y 分別為最低分辨率層待復合影像A B的基帶數(shù)據(jù) K1 K2為權系數(shù) 經(jīng)小波逆變換重建復合影像銳度明顯提高 8 遙感影像與DTM數(shù)據(jù)之間的復合 利用DTM數(shù)據(jù) 消除影像上由于地形起伏而產(chǎn)生的幾何變形 提高遙感影像的定位精度 DTM數(shù)據(jù)也可作為輔助數(shù)據(jù) 用于遙感像分類識別 提高遙感影像分類精度 如提取坡度坡向作為一個波段直接參與分類 如提取知識與規(guī)則后參與分類 應屬判決水平的復合 利用計算機圖形學的算法 利用DTM數(shù)據(jù) 可生成具有真實感的三維立體圖象 9 4遙感與地理信息系統(tǒng)的結合 地理信息系統(tǒng) GIS 具有強大的管理 檢索和綜合分析各種地理空間信息的能力 利用GIS 可充分利用非遙感信息 極大地減少解譯中的不確定性 提高遙感影像分類精度 是解決同物異譜 同譜異物的有效手段 1 GIS在遙感影像解譯中的作用 對遙感影像進行輻射較正 消除或降低地形差異的影響 幾何校正過程中 協(xié)助地面控制點的確定 監(jiān)督分類過程中 協(xié)助訓練樣本的選取 與遙感影像疊合 協(xié)助目視解譯 作為解譯結果的檢驗數(shù)據(jù) 作為解譯的直接或間接數(shù)據(jù) 增加遙感影像信息量 提高遙感影像解譯精度 2 遙感解譯利用GIS空間數(shù)據(jù)模式 松散結合 向量空間疊合 統(tǒng)計模式 基于人工智能的方法 松散結合GIS空間數(shù)據(jù)僅作為一種參考數(shù)據(jù) 并沒有發(fā)生GIS與RS數(shù)據(jù)實質(zhì)上的定量融合運算 如遙感影像與GIS圖形數(shù)據(jù)疊合 進行人機交互解 或進行訓練樣本的選取 再如對遙感影像與GIS圖形數(shù)據(jù)進行地連接 Geo link 選擇地面控制點 或對分類結果進行校驗 向量空間疊合 GIS數(shù)據(jù)進行格式轉換后 作為附加波段向量 與遙感數(shù)據(jù)一起共同構成多維向量空間 進行影像分類 可表示為 統(tǒng)計模式 主要有二種 利用貝葉斯概率公式 以先驗概率的形式引入非遙感數(shù)據(jù) 以概率松馳標記法來利用非遙感數(shù)據(jù) 在最大似然法分類過程中 一般情況下 先驗概率未知 則假定各類相等 數(shù)值設定為1 在有非遙感數(shù)據(jù) 并能計算出先驗概率情況下 則可直接引入貝葉斯分類中 求取似然率P i 用于判別象元所屬地類 概率松馳法首先利用GIS數(shù)據(jù)將研究區(qū)分成不同意義區(qū)域 但不直接求得先驗概率 在首次進行監(jiān)督促分類時 各類先驗概率仍假定為相等 得到分類結果 利用分類結果求算先驗概率 再進行分類