多源遥感数据的融合

6.4.2　多源遥感数据的融合

随着遥感技术的迅猛发展，遥感影像已经成为土地管理的重要的数据源，在同一地区往往获得了大量的不同尺度、不同光谱、不同时相的影像数据。多卫星遥感影像数据融合就是综合多个传感器对同一地区的扫描影像，通过互补信息的有机集成，减少或抑制单一信息源对被感知对象或环境解释中可能存在的多意性、不完全性、不确定性和误差，最大限度地利用各种信息源提供的信息，从而大大提高在土地利用特征提取、分类、目标识别等方面的有效性。

1.遥感图像融合的过程

遥感图像具有空间和时间上的连续性。在同一地区获得的不同尺度、不同光谱或不同时相的影像数据，可以构成同一地区的多源数据。通过多源数据融合，可以有效克服单一传感器影像中数据的模糊性，提高信息利用率，增强数据的可靠性和可用性。

一般来说，遥感图像信息融合过程分为三个层次，即预处理、信息融合与应用层(见图6-34)。预处理主要是对输入图像进行几何校正、噪声消除及配准。几何校正及消噪的目的主要在于去除透视收缩、叠掩、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;而图像配准(regist ration)的目的在于消除不同传感器图像在拍摄角度、时相及分辨率等方面的差异。

图6-34　遥感图像信息融合的基本流程图

有两类图像配准算法，即基于灰度匹配的方法和基于特征匹配的方法。前者主要用空间域或频率域的一维或二维滑动模板进行图像匹配，不同算法的主要区别体现在模板及相关准则的选取方面。后者则通过在原始图像中提取点、线、区域等显著特征作为匹配基元，进而用于特征匹配。对于非特征像素点，则通过线性或分形等非线性插值方法进行像素级匹配。总的来说，前者运算量大，但结果更准确。

在完成几何校正、噪声消除及图像配准后，下面将是真正的信息融合过程。图像融合一般可以分为像素级融合、特征级融合和决策级融合三级。通过信息融合，将大大减少或抑制被感知对象或环境解释中可能存在的多义性、不完全性或不确定性，从而提高遥感图像分割、识别及解译的能力，并用于土地管理中不同的应用领域。

2.图像融合的基本原理和方法

由于有效利用了多个传感器资源提供信息的互补性，多传感器数据融合可以获得被探测目标和环境更为全面的信息。对应于数据融合中的三个不同的信息层，即数据层(或像素层)、特征层和决策层(即证据层)，图像信息融合也被分为三级，分别是像素级融合、特征级融合和决策级融合，图6-35给出了这三级图像融合过程的比较。

图6-35　三级图像融合过程的比较

1)像素级融合

像素级融合是最低层次的信息融合，其实现过程是直接在采集到的原始图像数据层上进行的，即在可见光、红外及SAR影像等原始数据基础上进行数据的综合分析。常用的像素级融合的方法有IHS变换、PCA变换、高通滤波法、线性加权法和小波变换法等。

像素级融合主要应用在多源图像复合、同类或同质雷达波形的直接合成等方面。像素级融合的主要优点是能保持尽可能多的现场数据，提供其他融合层次所不能提供的细微信息。但由于融合的层次太低，所以存在很多局限性:

(1)效率低下。由于处理的传感器数据量大，所以处理时间较长，实时性差。

(2)数据限制。为了便于像素比较，对传感器信息的配准精度有很高要求，而且最好图像来源于一组同质传感器。由于底层传感器信息存在的不确定性、不完全性或不稳定性，所以对融合过程中的纠错能力有较高的要求。

(3)分析能力差。不能实现对图像的有效理解和分析。

(4)抗干扰性差。

2)特征级融合

特征级融合属于中间层次，其处理方法是首先对来自不同传感器的原始信息进行特征抽取，然后再对从多传感器获得的多个特征信息进行综合分析和处理，以实现对多传感器数据的分类、汇集和综合。一般来说，提取的特征信息应是像素信息的充分表示量或充分统计量，包括目标的边缘、方向、运动速度等。

特征级融合可分为两大类，即目标状态数据融合和目标特性融合。目标状态数据融合主要用于多传感器目标跟踪领域，其实现过程是首先通过融合系统对传感器数据进行预处理以完成数据校准，然后再实现主要参数相关的状态向量估计。特征级目标特性融合就是特征层联合识别，也就是采用模式识别等相关技术，在融合前对特征进行相关处理，从而把特征向量分类成有意义的组合。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。目前大多数GIS系统的数据融合研究都是在该层次上展开的。

目前，特征级数据融合的主要方法有聚类分析法、Dempster-Shafer证据推理法、贝叶斯估计法、熵法、加权平均法、表决法以及神经网络法等。

3)决策级融合

决策级融合是一种高层次信息融合，其结果将为各种控制或决策提供依据。为此，决策级融合必须结合具体的应用及需求特点，有选择地利用特征级融合所抽取或测量的有关对象的各类特征信息，才能实现决策级别融合的目标，其结果也将直接影响最后的决策水平。

由于输入为各种特征信息，而结果为决策描述，所以决策级融合数据量小，抗干扰能力强。决策级融合的主要优点可以概括如下:

(1)通信及传输要求低，这是由其数据量少决定的。

(2)容错性高。对于一个或若干个传感器的数据干扰，可以通过适当的融合方法予以消除。

(3)数据要求低。传感器可以是同质或异质，对传感器的依赖性和要求降低。

(4)分析能力强。能全方位有效反映目标及环境的信息，满足不同应用的需要。

由于对预处理及特征抽取有较高要求，所以决策级融合的代价较高。目前，常用的决策级数据融合的方法主要有:贝叶斯估计法、神经网络法、模糊聚类法及专家系统法等。