遥感图像的融合技术及应用研究

韩晓

摘要：近些年来，图像融合已成为图像理解和计算机视觉领域中的一项重要而有用的新技术，多源遥感图像数据融合也成为遥感领域的研究热点，其目的是将来自多信息源的图像数据加以智能化合成，产生比单一传感器数据更精确、更可靠的描述和判决，使融合图像更符合人和机器的视觉特性，更有利于诸如目标检测与识别等进一步的图像理解与分析。

关键词：图像融合；遥感；小波变换

1 引言

图像融合技术是将源于不同类型遥感器的图像中包含的信息所整合，用来更好的适应人类视觉系统和完成后续的处理工作。获取的多源数据来自于不同的遥感器，包括可见光，红外，机载雷达和合成孔径雷达（SAR）等。根据传感器的不同，所获取的图像针对同一场景的表达也不同，为了能更好的表达该场景的信息，因此利用图像融合技术可将两个或更多的不同图像信息融合。常见的遥感图像融合方法可根据分析手段分为空域和频域两种处理方法。常用的多尺度变换是典型的频域分析方法，因其特有的多尺度特性，成功被应用到图像融合中。一些常见的多尺度工具如高通滤波器（High Pass Filter，HPF）、拉普拉斯塔分解、小波变换、Gabor 变换、小波包变换、非下采样小波变换、轮廓波变换（Contourlets）以及轮廓波包变换等。Zheng 等提出了一种基于支撑值变换的方法，该方法为一种多尺度模型，论文中已成功的应用到多源图像处理中。

2 图像融合方法

图像融合应用的处理过程主要有：配准、融合、特征提取、识别与决策。依掘融合所处的阶段划分，一般分为三个层次：像素级融合、特征级融合、决策级融合。像素级融合直接在原始图像上进行，在某些场合，融合之前需要对原始图像做诸如图像增强、降噪等预处理。在融合的三个层次中，像素级融合处于最低级层次，能够提供其他层次融合处理所不具备的细节信息，融合准确性最高，但需处理的数据最多。特征级融合首先从图像中提取特征，再对特征做处理。决策及融合对获得的特征识别、分类后再融合。

遥感图像的全色波段（ Pan）和多光谱波（MS）的融合即Pan-sharpening。目前，常用的Pan-sharpening方法大致可以分为三类：

2.1分量替换法（CS）

该类方法对MS图像做光谱转换获得新的投影，直接用Pan图像替换某一分量，再经反变换后生成融合图像。IHS变换融合、PCA融合均属于CS方法。IHS变换融合用Pan图像直接替换变换后得到的I分量；该方法最大的局限之处在于仅能应用于RGB三通道。然而，若变换后的I分量与Pan图像的直方图不能较好地匹配，则会产生较为严重的光谱失真现象。针对这一问题，Tu提出了一种自适应的方法计算I分量，该方法对减小光谱失真有一定的作用。CS中另一个主要方法为主成分替换（PCS）。PCS主要依赖于主成分分析（ PCA），由于PCA变换后的第一主分量包含了原图大部分的空间信息，用Pan图像替换PCA变换后的第一主分量，再经逆PCA变换得到融合结果。该模型能够有效地提高空间分辨率，但同时也造成了较严重的光谱失真现象。

2.2 多分辨率分析（MRA）融合方法

MRA方法利用空域滤波器从Pan图像中提取高频信息，根据ARSIS模型将高频信息注入MS波段中，注入方式由波段间结构模型（IBSM） 确定。常见的方法有小波变换融合，Laplacian金字塔融合，此类方法有效地解决了融合图像的光谱失真现象。1983年，Burt提出了基于Laplacian金字塔的多分辨率分析，拉普拉斯金字塔由高斯金字塔演化而来，其各高频子带就是高斯金字塔中每一层图像与在下一层图像基础上对该层进行预测所得到的图像之差形成的一系列残差图像。Burt选取绝对值最大的系数作为融合后的系数以获得原图像中的边缘等重要信息。随后出现了对比度金字塔变换形态学金字塔变换、梯度金字塔等图像融合算法。对比度金字塔的每一层图像为高斯金字塔变换中相邻两层图像之比。梯度金字塔能够有效地提取出图像的细节信息，提高了算法的鲁棒性和抗噪性。

2.3 MRA和CS相结合的方法

此类方法将MRA方法与CS方法相结合，基于多分辨率分析，将Pan波段图像与成份替换图像融合，再经反变换后生成融合结果。AWLP 、AWRGB 基于多孔小波从Pan图像中获得小波面即高频信息。AWLP根据MS图像中每个波段所占的亮度比例注入空间细节；AW算法将多孔小波与IHS方法相结合，融合图像取得了较高的空间和光谱分辨率。为了更好地解决光谱失真问题，需要考虑MS和Pan波段图像的MTF值对融合质量的影响MTF值反映了图像成像的质量，MS和Pan波段图像的采样频率、分辨率大小等原因造成两者之间MTF值的差异。AWLP在QuickBird和IKONOS数据集上能够取得较好的结果，这是因为算法使用的高通滤波器对应的MTF值为0.185，与Pan波段的MTF值接近。

3 图像融合新技术

近年来，出现了将变分PDE用于图像融合的方法。最先将变分应用于图像融合的是D.A.Socolinsky 的对比度模型。该模型定义多通道图像的对比度，最小化能量泛函得到融合结果，该方法应用于遥感图像融合时没有考虑到光谱和辐射失真问题。Piella在模型中加入了能量增强项，更进一步地提高了图像的对比度。Zhou定义的能量泛函包含4个部分，分别是梯度能量项、辐射降低能量项、通道相关能量项和逆散射项，极小化该能量泛函获得融合后的图像。近年来国内在Pan-sharpening模型方面的工作包括：提出了通用分量替换的扩展模型，构建了新的高通滤波融合方案。设计了四通道对称不可分小波滤波器组，基于加性小波实现MS与Pan图像的融合。提出了一组新的二通道不可分低通滤波器和高通滤波器组，分别对多光谱图像的亮度分量和全色图像作下采样的多尺度不可分小波分解，对分解后的低频图像和高频图像按不同融合规则融合。将几何结构注入能量项、对比度增强能量项和光谱信息保持能量项引入变分模型。融合实验验证了算法的有效性。

4 结语

随着遥感数据源和应用的发展，特征级融合、决策级融合的研究将越来越受到研究人员的重视。虽然说遥感图像融合研究目前处于瓶颈发展期，但是随着硬件条件的提高和数学工具的发展从研究目标来看，图像融合研究已经脱离了主要以空间增强为目标的阶段，融合结果将逐渐以光谱信息提取和空间细节信息保持为目标。因此具有明确物理意义的融合理论正成为研究的热点。同时，融合方法的研究不再停留在算法的组合和复加上，而是将侧重理论体系和统一框架的研究上。相应的，图像融合数据源尺度选择也会得到一定的关注。面向应用的遥感图像融合研究会随着遥感应用领域的拓展而深入进行，同时将加深遥感图像融合方法选择依据的研究。

参考文献：

[1]阮涛.压缩感知遥感图像融合及分类方法研究[D].西安：西安电子科技大学.2012.

[2] T Maurer. How to Pan-Sharpen Images Using the Gram-Schmidt Pan-Sharpen Method a recipe [J]. International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences.2013，40（1 ）：239-244.

[3]孫洪泉，窦闻，易文斌.遥感图像融合的研究现状、困境及发展趋势探讨[J].遥感信息.2011： 104-107.