遥感图像融合技术的发展现状.docVIP

遥感图像融合技术的发展现状及趋势 1引言 多源图像融合属于多传感器信息融合的范畴 , 是指将不同传感 器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物 的图像 , 经过相应处理后 , 再运用某种融合技术得到一幅合成图像 的过程。多幅图像融合可克服单一传感器图像在几何、光谱和空间 分辨率等方面存在的局限性和差异性 , 提高图像的质量 , 从而有利 于对物理现象和事件进行定位、识别和解释。与单源遥感图像相比 , 多源遥感图像所提供的信息具有冗余性、互补性和合作性。因此 , 将 多源遥感图像各自的优势结合应用 , 获得对环境正确的解译是极为 重要的。多源遥感图像融合则是富集这些多种传感器遥感信息的最 有效途径之一 , 是现代多源数据处理和分析中非常重要的一步。本文 基于遥感图像融合的研究现状、分析了图像融合研究的困境和不足 , 最后提出了未来的发展趋势和热点 , 以期达到抛砖引玉的作用。 2 遥感图像融合研究现状 随着信息科学技术的发展 , 在20 世纪七八十年代诞生了一个称 为数据融合的全新概念。这一概念不断扩展 , 处理的对象由一般的 数据发展到数字图像。 1979 年 , Daliy 等人首先将雷达图像和 LandsatMSS图像的复合图像应用于地质解译 , 被认为是最早的图像 融合。 20 世纪80 年代 , 图像融合技术逐渐应用到遥感图像的分析 和处理中。 90年代以后 , 图像融合技术成为研究的热点 , 并成为很 多遥感图像应用的一个重要预处理环节。目前 , 遥感图像融合已经 发展为像素级、特征级和决策级 3个层次 , 如表1。需要指出的是 , 融合层次并没有划分融合算法严格的界限 , 因为本质上各个融合层 次都是信息融合的范畴。像素级图像融合技术已被广泛研究和应用 , 并取得了一定的成果。特征级融合是一种中等层次的信息融合 , 利 用从各个传感器图像的原始信息中提取的特征信息 , 进行综合分析及 融合处理 , 不仅增加从图像中提取特征信息的可能性 , 还可能获取 一些有用的复合特征 , 尤其是边缘、角、纹理、相似亮度区域、相 似景深区等。在特征级融合中 , 对图像配准的要求不如像素级图像 融合对配准要求那么严格。决策级图像融合是一种更高层次的信息 融合 , 其结果将为各种控制或决策提供依据。在进行融合处理前 , 先对图像进行预处理、特征提取、识别或判决 , 建立对同一目标的 初步判决和结论 , 然后对各个图像的决策进行相关处理 , 最后进行 决策级的融合。从特点来看 , 不同层次的融合各有优缺点 , 难以在信 息量和算法效率方面都同时满足需求。 表一:遥感图像融合三个层次的对比 融合层次融合算法特点 像素级 特征级 决策级 Br ovey , IHS , 分 量替换法 ( 包括GS 方法、 PCA方法 等) , 高通滤波方 法、小波变换法 , 模 糊数学、逻辑滤波、 数学形态学等。 模糊方法、神经网络 技术、聚类方法、 Kalman滤波等。 贝叶斯估计法、 DempsterShafer 法、 神经网络法、模糊聚 类法等。 信息量最大 , 信息损 失最小 , 预处理最 小 , 容错性和抗干扰 能力最差 , 融合方法 最难。 信息量 , 信息损失 , 预处理 , 容错性和抗 干扰能力 , 融 合方法难易程度都处 于中等。 信息量最小 , 信息损 失最大 , 预处理最 大 , 容错性和抗干扰 能力最强 , 融合方法 最易。 从已有的图像融合研究成果来看 , 由于理论的成熟度和操作的 可行性 , 融合研究主要集中在像素级 , 而对特征级 , 尤其是决策级的 研究还不够成熟 , 仍在不断探索阶段。近来 , 从理论基础和研究工 具来看 , 非常新的数学理论和计算智能理论等的应用 , 在数学理论 深度上不断提高 , 如小波和小波包、脊波、模糊数学、数学形态学、 支持向量机等的使用 , 更加重视图像融合的数学意义 , 向更专业的 信号处理方向发展。从研究手段来看 , 多源遥感图像融合的研究思 路在逐步拓宽 , 对已