浅谈多源遥感影像融合在图像分类中的应用
浅谈多源遥感影像融合在图像分类中的应用
武汉大学遥感信息工程学院201130259XXXX XX
【摘要】笔者结合SPOT影像与TM影像数据融合这一常用方法，简要阐述了多源遥感影像融合技术出现的现实要求、基本原理和主要步骤，从而体现了増维问题在遥感图像分类中的应用。
【关键词】多源遥感影像融合増维图像分类
1、技术背景
现代遥感技术正在向高光谱分辨率、高空间分辨率和高时间分辨率方向发展, 新型卫星传感器不断涌现, 已从单一传感器发展到多传感器, 在同一地区形成多级分辨率的影像金字塔。在遥感图像分类中，为了达到更好的效果，有时需要增加辅助数据即增加维度，其中常用的一种方法是将SPOT影像与TM影像进行数据融合，将SPOT的较高空间分辨率与TM的较高光谱分辨率等优势综合起来，弥补单一图像上信息的不足，不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分类的精度。
2、技术流程
2.1 多源遥感数据的预处理
由于太阳位置、角度条件、大气条件等因素的影响，遥感图像常表现为一定程度的失真和畸变，因此在多源遥感数据融合之前必须进行预处理。
首先应该选取适当的波段，对于TM影像，通常选用5、4、3（短波红外、近红外、红色）波段合成，这样有利于植被分类和水体判别。SPOT图像具有多光谱和全色两种模式，为了能跟TM图像的光谱特征更接近，通常采用多光谱的三个波段作为信息源。同时为避免不同时段地物的差异，TM和SPOT图像应采用近似同一时段的数据。
遥感图像有一定的几何误差，这就需要进行几何纠正。对于TM数据，纠正方法大致包括按影像获取时的姿态参数和投影系统参数按地图投影参数的变换纠正（粗纠正）和以影像和地形图选择若干同名点对，通过求解多项逼近式纠正参数（精纠正）两种。对于SPOT影像，可以从其磁带“头”文件中读出星历参数和姿态角变化率，进而计算影像中心行的外方位元素近似值，然后结合6个以上控制点采用间接校正法对原始图像进行几何和灰度重采样。
由于多源影像数据的几何、光谱、分辨率等特性有所不同，为了将多源信息有效融合，提取更多信息，必须进行有效的配准。比如对10m分辨率SPOT影像与30m分辨率的TM影像之间融合，就需要将TM数据放大至与SPOT单色波段空间分辨率一致，再分别寻找两幅图中的同名控制点，以SPOT影像为参考图，将TM影像对应到SPOT 影像上。
此外，多源遥感数据的预处理还包括辐射校正、去噪、边缘提取等。
2.2 影像融合的几种方法
加权融合法。基于像元的SPOT与TM加权融合时, 像元对像元的加权融合过程表示为F TS=P T F T +P S F S，P T、P S是加权系数，F T、F S分别为TM、SPOT的像元值。具体到彩色合成的三通道加权过程为:R’=a1R + a2P an ,G’= b1G+ b2P an，B’= c1B + c2P an,权系数(a1, a2, b1, b2, c1, c2)可根据经验对TM和SPO T 需强调的程度而定, 也可用相关系数确定融合影像的权重, 以减少冗余度。该方法优点是简单直观，能实时处理，但是当图像灰度差异大时，会出现拼接痕迹，对人眼识别不利。
基于信息特征的融合方法。在多光谱图像及高分辨率图像的数据融合中,为了保持多光谱特征及高分辨率的空间几何特征，有人提出了一种变换方法。例如R=a1×(R1+裸地信息+纹理信息)×P∧a2/I,G=b1×(G1+植被信息+纹理信息)×P∧b2/I,B=c1×(B1+水体信息+纹理信息)×P∧c2/I。这种方法可以针对不同的要求, 灵活改变信息特征提取的方法, 不为变换公式所限。
利用K-L变换进行融合和利用K-T变换进行融合。具体算法此处不再赘述。相比而言，K- L变换根据统计原理, 将不同信息源的图像综合在一起考虑, 有利于不同信息融合, 特别是对于多种遥感数据的融合其作用是比较明显的。但是其认为各个图像所起的作用是相同的, 没有充分考虑到各个图像的光谱特性，且其算法从理论上分析虽然简单, 但在图像处理应用中实现较为困难。特别是随着图像维数增加时, 其运算量是非线性增加的。K-T变换则考虑了不同波段所起的作用, 但K-T变换是对TM图像提出的一种变换方法,虽运算简单,但其系数矩阵是一成不变的, 不能将不同的遥感数据统一降维。
此外还有主成份分析法、高通滤波法、基于多分辨率小波变换分析法等。
3、技术优势
多源遥感影像融合的主要优越性主要显示在以下几个方面：
①克服目标提取与识别中数据的不完整性；
②有利于改善图像质量，从而增加原单一数据源中不清晰的特征；
③提供立体观测能力；
④利用多时域数据进行资源动态变化检测；
⑤改善几何纠正精度；
⑥锐化影像等等。
【参考文献】
1、陈德超，《TM与SPOT影像融合算法比较研究》，《遥感技术与应用》 2001年02期；
2、刘纯平，《多源遥感信息融合方法及其应用研究》，南京理工大学，2001年4月；
3、卢焱，《多源遥感影像融合方法研究》，《吉林大学学报(地球科学版)》2007年S1期；
4、贾永红,李德仁,孙家柄等.多源遥感影像数据融合〔J〕.遥感技术与应用,2000,15；
5、戴昌达. SPOT和TM图像的综合分析与应用效果初探〔J〕.北京: 测绘出版社, 1989.
6-遥感图像特征和解译标志
上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造
第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；
遥感图像融合方法比较
1 绪论 1.1研究目的及意义 20世纪90年代中后期以后，搭载许多新型传感器的卫星相继升空，使得同一地区的遥感数据影像数目不断增多。如何有效地利用这些不同时相、不同传感器、不同分辨率的遥感数据便成为了遥感工作者研究的瓶颈问题，然而解决这一问题的关键技术就是遥感影像数据融合。 遥感数据融合就是对多个遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定法则（算法）进行处理，获得比单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。 遥感是不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一遥感器的遥感数据都不能全面的反映目标对象的特征，也就是有一定的应用范围和局限性。各类非遥感数据也有它自身的特点和局限性。影像数据融合技术能够实现数据之间的优势互补，也能实现遥感数据与地理数据的有机结合。数据融合技术是一门新兴的技术，具有十分广阔的应用前景。所以，研究遥感影像数据融合方法是非常必要的。 1.2研究现状及发展的趋势 1.2.1研究现状 20世纪美国学者提出“多传感器信息融合”的概念认为在多源遥感影像数据中能够提取出比单一遥感影像更丰富、更有效、更可靠的信息。之后由于军事方面的要求，使得遥感影像数据融合技术得到了很大的发展，美、英，德等国家已经研制出了实用的遥感数据融合处理的系统和软件，同时进行了商业应用。 1）、融合结构 融合的结构可分为两类：集中式和分布式。集中式融合结构：各传感器的观测数据直接被送到中心，进行融合处理，用于关联、跟踪、识别等。分布式融合结构：每个传感器独立完成关联、识别、跟踪，然后由融合中心完成配准、多源关联的融合。 2）、融合的层次 图像融合可分为：像元级融合、特征级融合和决策级融合。 像元级融合是最低级的信息融合，可以在像素或分辨单位上进行，又叫做数据级融合。它是对空间配准的遥感影像数据直接融合，然后对融合的数据进行特征提取和属性说明。 特征级融合是由各个数据源中提取特征信息进行综合分析和处理的过程，是中间层次的融合。特征级融合分为目标状态信息融合和目标特征融合。 决策级融合是在信息表示的最高层次上进行融合处理。首先将不同传感器观测同一目标获得的数据进行预处理、特征提取、识别，以建立对所观测目标的初步理论，然后通过相关处理、决策级融合判别，最终获得联合推断结果，从而为决策提供依据。
浅谈多源遥感影像融合在图像分类中的应用
浅谈多源遥感影像融合在图像分类中的应用 武汉大学遥感信息工程学院201130259XXXX XX 【摘要】笔者结合SPOT影像与TM影像数据融合这一常用方法，简要阐述了多源遥感影像融合技术出现的现实要求、基本原理和主要步骤，从而体现了増维问题在遥感图像分类中的应用。 【关键词】多源遥感影像融合増维图像分类 1、技术背景 现代遥感技术正在向高光谱分辨率、高空间分辨率和高时间分辨率方向发展, 新型卫星传感器不断涌现, 已从单一传感器发展到多传感器, 在同一地区形成多级分辨率的影像金字塔。在遥感图像分类中，为了达到更好的效果，有时需要增加辅助数据即增加维度，其中常用的一种方法是将SPOT影像与TM影像进行数据融合，将SPOT的较高空间分辨率与TM的较高光谱分辨率等优势综合起来，弥补单一图像上信息的不足，不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分类的精度。 2、技术流程 2.1 多源遥感数据的预处理 由于太阳位置、角度条件、大气条件等因素的影响，遥感图像常表现为一定程度的失真和畸变，因此在多源遥感数据融合之前必须进行预处理。 首先应该选取适当的波段，对于TM影像，通常选用5、4、3（短波红外、近红外、红色）波段合成，这样有利于植被分类和水体判别。SPOT图像具有多光谱和全色两种模式，为了能跟TM图像的光谱特征更接近，通常采用多光谱的三个波段作为信息源。同时为避免不同时段地物的差异，TM和SPOT图像应采用近似同一时段的数据。 遥感图像有一定的几何误差，这就需要进行几何纠正。对于TM数据，纠正方法大致包括按影像获取时的姿态参数和投影系统参数按地图投影参数的变换纠正（粗纠正）和以影像和地形图选择若干同名点对，通过求解多项逼近式纠正参数（精纠正）两种。对于SPOT影像，可以从其磁带“头”文件中读出星历参数和姿态角变化率，进而计算影像中心行的外方位元素近似值，然后结合6个以上控制点采用间接校正法对原始图像进行几何和灰度重采样。 由于多源影像数据的几何、光谱、分辨率等特性有所不同，为了将多源信息有效融合，提取更多信息，必须进行有效的配准。比如对10m分辨率SPOT影像与30m分辨率的TM影像之间融合，就需要将TM数据放大至与SPOT单色波段空间分辨率一致，再分别寻找两幅图中的同名控制点，以SPOT影像为参考图，将TM影像对应到SPOT 影像上。 此外，多源遥感数据的预处理还包括辐射校正、去噪、边缘提取等。
遥感影像融合处理方法
遥感影像融合处理方法 摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。 关键词：遥感影像融合融合评价 1、前言 将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。 2、遥感影像融合一般步骤 遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。 图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 3 常用融合方式 3.1 IHS融合 IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS 色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。 3.2 小波融合 小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
遥感图像的监督分类与处理_赵文彪
杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院
1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像
高分辨率遥感图像融合方法的比较正式
包头师范学院 本科学年论文 论文题目：高分辨率遥融图像融合方法比较院系：资源与环境学院 专业：地理信息系统 学号：0912430022 姓名：郭殿繁 指导教师：同丽嘎 撰写学年：2010 至2011 学年 二零一零年十二月
摘要：目前，遥感中高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。本文通过对遥感影像四种融合方法的研究，并且用呼和浩特市快鸟影像图像融合举例，加深对四种融合方法的理解和理论应用，最后通过截取呼和浩特市快鸟影像的原始多波段彩色影像和原始高分辨率全色波段影像的一部分进行四种融合方法来进行精度的比较，以ENVI4.7软件作为平台，最终得出，Gram-Schmidt变换效果最好，HSV变换融合效果最差。 关键词：图像融合；PCA变换；Gram-Schmidt变换；Brovey变换；HSV变换；精度比较 Abstract: At present, the remote sensing high resolution full-color remote sensing image and low spatial resolution multi-spectral remote sensing image fusion is image fusion technology application of mainstream. This article through to four kinds of remote sensing image fusion method with the principle and analysis, and in Hohhot, fast image image fusion for example, the bird to deepen the understanding of four fusion method and theory, and finally by intercepting the original image Hohhot fast bird multichannel color image and primitive high-resolution full-color band image on the part of four fusion method for precision compared to ENVI4.7 software as a platform to finally arrive, the best effect, Schmidt transform - the worst. Fusion result transformation HSV. Key words: image fusion, PCA transform; Schmidt transform; the - Brovey transform; HSV transform; Precision；
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比
目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。
利用ENVI软件进行遥感图像的融合和增强实习报告
遥感图像处理实习报告 实验内容：影像融合与增强 班级：测绘1102班 学号：13 姓名： 指导老师：陈晓宁、黄远程、竞霞、史晓亮 西安科技大学 测绘科学与技术学院 二零一三年一月 实习三影像融合与增强
一、实习内容： 1.掌握ENVI中各种影像融合方法，并比较各方法的优缺点； 2.熟悉ENVI图像增强操作； 3.本实习的数据源为上节已经过校正的资源三号多光谱和全色影像。 二、实习目的： 1.了解和认识各种图像融合方法的原理、内容及要点； 2.熟悉、熟练操作ENVI软件中各种图像融合的方法、步骤并学会加以比较； 3.学习利用ENVI软件进行各种图像增强处理操作； 4.学会定性、定量分析比较图像融合的差异。 三、实习步骤： 1.图像融合： 三波段融合： HSV和Color Normalized (Brovey)变换： 1）从ENVI主菜单中，选择File → Open Image File，分别加载校正后的资源三号多光谱与全色影像到可用波段列表Available Bands List中； 2）选择多光谱3,2,1波段（可以根据需要选择）对应R，G，B，点击Load RGB将多光谱影像加载到显示窗口display#1； 3）在ENVI的主菜单选择Transform → Image Sharpening → HSV； 4）在Select Input RGB Input Bands对话框中，选择Display #1，然后点击OK。 5）从High Resolution Input File对话框中选择全色影像，点击OK。 6）从HSV Sharpening Parameters对话框中，选择重采样方法，并输入输出路径和文件名，点击OK。即可完成HSV变换融合；
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
实验五 遥感图像的融合
实验五遥感图像的融合 一、实验目的和要求 1.理解遥感图像的融合处理方法和原理； 2.掌握遥感图像的融合处理，即分辨率融合处理。 二、设备与数据 设备：影像处理系统软件 数据：TM SPOT 数据 三、实验内容 多光谱数据与高分辨率全色数据的融合。 分辨率融合是遥感信息复合的一个主要方法，它使得融合后的遥感图象既具有较好的空间分辨率，又具有多光谱特征，从而达到增强图象质量的目的。 注意：在调出了分辨率融合对话框后，关键是选择融合方法，定义重采样的方法。 四、方法与步骤 融合方法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt 等。ENVI 里除了SFIM 以外，上面列举的都有。 HSV 可进行RGB 图像到HSV 色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回RGB 色度空间。输出的RGB 图像的像元将与高分辨率数据的像元大小相同。 打开ENVI,在主菜单中打开数据文件LC81200362016120LGN00_MTL 选择File>data manage，任意选择3个波段组合，查看效果
打开分辨率为30和15的图像
下图分别是分辨率为30、15的，可以看到图像清晰度明显发生改变，分辨率越高，图像越清晰
下面进行融合 点击工具栏中的Image Sharpening>Gram-Schmidt Pan Sharpening，在对话框中点击Spectral Subset…改变其波段 选择如下图所示的三个波段
遥感图像的假彩色合成
北京化工大学 学士学位论文 遥感图像的假彩色合成 姓名：刘晓璐 班级：信息与计算科学0304班 学号：200362102
遥感图像的假彩色合成 摘要：遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内及其我国的许多政府部门，科研单位和公司得到了广泛的应用。在遥感数据源向着更高光谱分辨率和更高空间分辨率发展的同时，处理技术也更加成熟；在应用上，结合了地理信息系统（GIS）和全球定位系统（GPS），向着更系统化，更定量化方向发展，使遥感数据的应用更加广泛和深入。 假彩色增强是将一幅彩色图像映射为另一幅彩色图像，从而达到增强彩色对比，使某些图像达到更加醒目的目的。 本文的主要目的就是大遥感的多光谱图像用自然彩色显示。在遥感的多光谱图像中，有些是不可见光波段的图像，如近红外，红外，甚至是远红外波段。因为这些波段不仅具有夜视能力，而且通过与其他波段的配合，易于区分地物。 用假彩色技术处理多光谱图像，目的不在于使景物恢复自然的彩色，而是从中获得更多的信息。为了实现这样的目的，本文采用了MATLAB数学软件编程的方法以及运用Envi4.2 软件直接编辑图像这两种方法，并对其进行对比，得出最优的合成图像。 关键词：图像融合，假彩色合成，彩色增强，灰度级，RGB图像，
False color mapping for image fusion Abstract: A pixel-based color-mapping algorithm is presented that produces a fused false color rendering of two gray-level images representing different sensor modalities. The resulting images have a higher information content than each of the original images and retain sensor specific image information. The unique component of each image modality is enhanced in the resulting fused color image representation. First, the component of two original input images is determined. Second, the common component of each image. Third, the unique component of each image modality is subtracted from the image of the other modality. This step serves to enhance the representation of sensor-specific details in the final fused result. Finally, a fused color image is produced by displaying the images resulting from the last step through, respectively, the red and green channels of a color display. The method is applied to fuse thermal and visual images. The results show that the color mapping enhances the visibility of certain details and preserves the specificity of the sensor information. The fused images also have a fairly natural appearance. The fusion scheme involves only operations on corresponding pixels. The resolution of the input images. Before fusing, the contrast of the images can be enhanced and their noise can be reduced by standard image processing techniques. The color mapping algorithm is computationally simple. This implies that the investigated approaches can eventually be applied in real time and that the hardware needed is not too complicated or too voluminous(an important consideration when it has to fit in an airplane, for instance). Key words: image fusion, false color mapping, color enhances, gray-level, RGB images
三种图像融合方法实际操作与分析
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
遥感图像分类后处理
遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；
三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。
多源遥感图像融合光谱保真算法与评价研究
多源遥感图像融合光谱保真算法与评价研究 【摘要】：随着传感器以及相关遥感技术的发展，遥感图像应用到生活中的各个领域，但是遥感图像的多光谱和高分辨率面临着无法在同一张影像上同时生成这一技术瓶颈，因而学者们提出了各种传统图像融合算法用于弥补这一缺陷，但是融合后的图像一般都有严重的光谱扭曲失真，本文针对于这一问题参考归纳了现有的光谱保真算法的研究以及融合算法的有效性的评价机制，据此来评估以后图像融合的发展趋势。 【关键词】：图像融合光谱保真融合算法效果评价 1.引言 遥感技术经过二十多年的迅猛发展，各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星和机载遥感系统大量涌现，已被广泛应用于军事和民用领域（柴勇，2009）。遥感传感器的分辨率从最初的几十米提高到目前的几十厘米，如美国Geoeye 公司在2008 年发射的遥感卫星甚至把分辨率提高到0.41m。然而遥感图像分辨率不断提高仍然无法满足人们对遥感图像的空间信息和光谱信息的丰富性及准确性的要求。因为在遥感成像系统的设计中, 空间分辨率和光谱分辨率不可兼得, 有两个原因:(1)受遥感器的辐射度量特性的影响,传感器在感应来自目标物反射或辐射的电磁波的能力是有限的, 而多光谱成像系统的光谱带宽很窄,同样高空间分辨率系统的瞬时视场很小,总得牺牲其中的一个。( 2)传感器所能采集的数据量的限制, 以及从遥感卫星向地面站传输数据的能力的限制(李春华,2008)。 因此，遥感图像越来越多的用算法层面去进行处理，遥感图像融合应运而生。遥感图像融合技术是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术（王海晖，2003）。很多的图像融合算法，如IHS变换法，Brovey变换法，主成分分析法，高通滤波等传统的遥感图像融合算法得到了广泛的应用。但是融合后的图像一般都有严重的光谱扭曲失真。 基于这一缺陷,有学者提出了各种改进算法:传感器光谱响应函数SKF；基于统计原理的Gram-schmidt、PCI pansharp融合方法；小波变化的多分辨率分析与IHS变换叠加融合法以及其他算法.根据这些改进算法得出来的效果我们还需要更健全的评价机制来评估算法的效果, 常用的客观融合评价方法有标准偏差、平均误差、信息度量、清晰度、相关系数、对比
遥感图像融合
图像融合实验报告 一、实验目的 通过本实验熟练操作遥感图像处理的专业软件PCI，进行图像融合。二、实验内容 （1）、利用遥感图像处理的专业软件PCI的Xpace模块的Image Processing中的IHS 进行IHS变换处理； （2）、利用遥感图像处理的专业软件PCI利用Xpace模块的Image Processing中的 FUSE进行图像融合处理。 三、实验步骤 (一)生成Pix文件 先用ImageWorks Configuration打开B10.FST文件，在此之前先用记事本打开 查看其参数，将其参数填在相应位置，确定生成一个aux文件，并load第一 波段的图像即B10.FST。
将B10转为pix文件格式，并将其他波段（除了第八波段）都添加到这个pix 文件中，这里命名pix文件名为123-32.pix。
说明： B61，B62都为第六波段且为争议波段，这里选择一个即可，这里选的是B61 (二)HIS与RGB的转换 打开生成的pix文件 添加6个空通道，打开Xpace模块，进行IHS转换：在Image Processing（Pacages）中的IHS（Convert RGB to IHS）进行IHS正变换处理。将7，4，1波段转为RGB 到8,9,10空通道
加载图像，将7，4，1波段的与8，9，10通道的进行小窗口对比 换用第二种模型转换，将其与第一种模型进行比较
再添加6个空通道，利用RGB（Convert IHS to RGB）进行HIS逆变换处理，即将8,9,10通道的波段变回RGB模式 加载图像，将其与原来的7,4,1通道的合成图像进行比较 若是换第二种模型，将其转回去，得到的结果如下
遥感图像融合质量评价方法
遥感图像融合质量评价方法 武坚李崇伟王积武李相全 (68011部队甘肃兰州 730020) 摘要：图像融合可为摄影测量与遥感提供高质量的遥感融合图像。遥感融合图像质量如何是图像使用者关心的一个重要问题。本文运用主观评价、客观评价、几何质量等三种评价方法对融合后的遥感图像的质量展开讨论。实践表明这些评价方法能够保证融合后图像高质量地应用于摄影测量与遥感生产。 关键词：主观评价客观评价几何质量质量评价 1．前言 摄影测量与遥感[1]是以数字影像为基础，来确定被摄物体的形状、大小、空间位置及其性质。遥感图像是摄影测量与遥感最原始、最基本的资料。高质量的遥感图像是完成摄影测量与遥感的基础。遥感影像融合[2]是将多传感器、多时相、多光谱和多分辨率影像的各自局部优势信息整合处理，以提供高分辨率、多光谱的单一图像，解决遥感影像解译过程中信息不足的问题。由此看出，图像融合可以为摄影测量与遥感提供高质量的遥感影像。 2．图像融合的评价方法 当前对融合后图像的质量评价主要是主观目视与统计相关信息参数相结合的办法，即：利用目视效果和信息熵、清晰度、平均梯度、偏差指数、均方根误差等参数统计分析，而对融合后图像的几何量测性则关注较少。对于摄影测量与遥感应用，几何精度是一个很重要的因素。本文结合摄影测量与遥感应用角度，来对分析融合后图像的质量做出评价。 站在通用图像处理角度，目前大多数对影像质量评价分为主观评价和客观评价，并结合起来使用。主观评价是通过目视观察进行分析，客观评价是利用图像的统计参数进行判定。严格意义上讲，融合图像的主客观评价应该是一致的，即图像的统计参数特征应该符合人眼的目视感觉。但由于遥感图像融合具有特殊性，它不仅仅要求提高融合图像的空间分辨率，而且要尽可能制约[2]。因此，对遥感融合图像的质量评价，应综合考虑空间细节的增强和光谱保持原始图像的光谱特征。此外，这两个要求在很大程度上是不太相容，相互信息的保持两个方面，利用图像的统计参数结合目视观察来分析与评价。 对于摄影测量与遥感而言，影像的几何质量（影像的可量测性）是很重要的一个因素，它将决定融合图像能否达到数字地形图生产的精度限差[4]。因此，从主观、客观、几何质量等三个方面对做出质量评价可以保证融合后图像高质量地应用于摄影测量与遥感生产。
遥感图像融合的应用研究
龙源期刊网 https://www.360docs.net/doc/2218803592.html, 遥感图像融合的应用研究 作者：付和 来源：《科技创新导报》2011年第09期 摘要:针对遥感测绘工程实际应用中的图像融合技术需求,本论文重点对遥感图像融合技术进行了分析研究,在简单介绍了遥感图像融合的基础上,重点对遥感图像融合实际应用进行了分析,探讨了面向特征信息的多源图像融合模型,并给出了遥感图像融合技术在遥感测绘工程中的实际应用,对于进一步提高遥感测绘工程的应用水平具有一定借鉴意义。 关键词:遥感测绘工程图像融合 中图分类号:P237 文献标识码:A 文章编号:1674-098X(2011)03(c)-0001-01 1 引言 本论文重点对多源遥感图像融合展开分析研究,以期从中找到可靠有效的遥感图像融合方法,并以此和广大同行分享。 2 遥感图像融合概述 图像融合是数据融合的一种重要形式。对于多源遥感数据,融合的定义可描述为:将不同类型传感器获取的图像数据经预处理后,采用一定的算法将各幅图像中所包含的信息优势或互补 性信息有机地结合起来,以产生新的数据,来获得对同一事物或目标的更客观、更本质的认识。从而大大提高融合图像的信息含量并使其在特征提取、分类、目标识别以及目视效果等方面更为有效。 按照数据抽象的三个层次,融合可分为三级,即象素级融合、特征级融合和决策级融合。 像素级融合是指将配准后的图像对象素点直接进行融合。例如,加、乘、梯度、线性平 均、比值、多元回归等运算。一般来说,融合的结果可以得到一幅信息含量更大、更全面的图像,有利于下一步的图像分析和理解。像素级融合对传感器配准的精度要求较高。其优点是保 留了尽可能多的信息,具有较高精度。缺点是处理信息量大、费时、实时性差。 特征级融合是指将经过配准的数据先进行特征提取,然后进行关联处理,使每一种传感器得到同一目标的特征向量,最后融合这些特征向量,进行图像分类或目标识别。一般来说,提取的特