25遙感數(shù)據融合技術及其在森林資源監(jiān)測中的應用

1、遙感數(shù)據融合技術及其在森林資源監(jiān)測中的應用一、多衛(wèi)星遙感數(shù)據融合的概念融合的概念開始出現(xiàn)于70年代初期，當時稱之為多源相關，多傳感器融合和數(shù)據融合。80年代以來，信息融合技術得到迅速發(fā)展，對它的稱謂亦漸趨統(tǒng)一，稱之為數(shù)據融合或信息融合。數(shù)據融合的概念，最早出現(xiàn)于軍事領域，美國國防部(1992)指出數(shù)據融合是一個對多源數(shù)據(信息)進行多層次、多方面自動檢測(detection)，聯(lián)合(association)、相關(correlation)、估計(estimation)和結合(combination)的過程。針對遙感數(shù)據融合，Pohl和Gendem指出數(shù)據融合是通過一定的算法將兩個以上的影像數(shù)據

2、結合在一起生成一個新的影像。Mangolini(1996)則將參與融合的數(shù)據擴展到了非遙感數(shù)據并首次引入質量(quality)來評價融合的結果，這在pohl和美國國防部的定義中是沒有的。Mangolini將融合定義一種方法、工具和手段的集合。Li等(1993)將融合定義為將一組遙感器數(shù)據結合(combination)并生成單一數(shù)據，該數(shù)據與原始數(shù)據相比應有更好的質量和可靠性(greaterqualityandreliability)。(霍宏濤，2001)對于多衛(wèi)星遙感數(shù)據，信息融合的定義可描述為(何國金等，1999)：將不同類型傳感器獲取的同一地區(qū)的影像數(shù)據進行空間配準，然后采用一定的算法將各

3、影像數(shù)據中所含的信息優(yōu)勢或互補性有機地結合起來產生新影像數(shù)據的技術。這種新數(shù)據具有描述所研究對象的較優(yōu)化的信息表征，同單一信息源相比，能減少或抑制對被感知對象或環(huán)境解釋中可能存在的多義性、不完全性、不確定性和誤差，最大限度地利用各種信息源提供的信息二、數(shù)據融合的層次及其特點按信息抽象程度的不同，數(shù)據融合可劃分為像元極(Pixelbased)、目標級或特征級融合(Featurebased)以及決策級融合(Decisionlevel)3個層次(何國金等，1999)。如下圖所示(C.POHL，1998)1PTWUJLevel1Tinaae1ri-linageifi.NIcaluneExtnictio

4、n)LevelImageIFcai圖1數(shù)據融合的三個層次(C.POHL，1998段的融合，在兩幅或多幅圖像實現(xiàn)空間配準的基礎元的物理量加權求和，該值對應為同便改善如分割與特征提取等處理效果。在該層次的象上,然后將其作用是增加圖像中的有用信息成分，以融合沒有信息損失，因此這種處理提供了一種最優(yōu)決策和識別性能。例如,美國陸地衛(wèi)光譜數(shù)據的象素級處理，可以識別病害莊稼的特征，而單特征級融合是在圖像特征提取(如光譜特征和空間特征等)誹段的融合。對于不素級在圖像預處理階或多幅圖像實現(xiàn)空間配準的基礎可一坐標上大的新圖像的像元值譜數(shù)據則不可能。同圖像進行的特征提取，必須按照各自圖像上相同類型的特征進行融合處理

5、，其使得能夠以高的置信度來提取有用的圖像特征，然后將獲得的特征影像通過統(tǒng)計模型或人工神經網絡模型進行融合，融合結果一般是分類圖像。特征級融合比較適合于在象素級組合多源數(shù)據的等同數(shù)據不可能的情況下，而且比較簡單，在許多情況下比較實用。（王淑等，2005；霍宏濤，2001）（3）決策級融合是高水平的融合。其按照應用的要求首先對圖像進行分類，確定各個類別中的特征影像，然后對得到的增值信息按一定的規(guī)則進行融合處理。三種融合層次的比較如下表1（王淑等，2005）表1三種融合層次的特點比較（A、彖素級融：B、特彼級融V:C.決策級融介）融合層次信息損失實時性融合精度容錯性抗干擾力T作量融合水平、丄小高差小

6、低勺丄要力I1中中中中數(shù)據數(shù)據的i!比值法、乘融合方法彳法變換等艮多如IHS而且正對變換法、P掠同算CA變換法出現(xiàn)的問:、Brovey1題如光譜1變換法、扭曲而出高三、數(shù)據融合的多衛(wèi)星遙感Wavelet變換法、波段現(xiàn)的各種改進方法以及不同方法的組合等，使得數(shù)據融合沒有統(tǒng)一固定的模式可以參考。如果再考慮三個不同層次的融合，則數(shù)據融合的方法就更多，如表2（王淑等，2005）表2圖像融合的主要方法基于像素級代數(shù)法H【S變換法高通濾波法回歸模型法1、基于IHS變換的數(shù)據融合撫濃基于決策級基于知識融合）-5方濃模糊集合理論蹈可靠性理論貝葉斯估計法基于抽彼級貝葉斯估計）-5力濃爛法帶權平均法神經網絡法,聚

7、類分析:（D.AMARSAIKHAN,20IHS變換是數(shù)據融合中應用感數(shù)組合成的RGB顏色空間是一物體顏色屬性描述系統(tǒng)，而IHS色度空間提取出物體的亮度I（Intensity）、色度H（Hue）、飽和度S（Saturation），它表述了人的視覺對色彩的感覺，如I表示強度和亮度（其包含空間信息），而H、S分別定義顏色的波長和顏色的深淺程度（包含圖像的光譜信息）。因此，在基于IHS變換是數(shù)據融合中，常以高空間分辨率數(shù)據代替多光譜數(shù)據IHS變換變換后的I分量，然后進行逆變換從而達到融合的目的。其一般過程如下泛的技術圖2HIS變換的算法很多，如球體變換、圓柱變換、三角變換、單六角錐變換等。這些方法的

8、基本思想都是類似的，一般而言，對某種從RGB空間轉換到HIS空間的方法，只要保證變換后的H是一個角度、飽和度S和強度I相互獨立，并且這個變換是可逆的，那么該方法就是可行的(姚敏等，2006)，先參考霍宏濤(2001)和姚敏(2006)等文獻，以圓柱變換為例給出IHS變換及其逆變換(1)正變換。假設R、G、B均在0,1范圍內取值I=(R+G+B)13min(R,G,B)S=1I=arcco(RG)+(R+G)/2(RG)2+(RB)(GB)i/2逆變換當H在0120之間時R=I1+SCOS(H)cos(60。H)B=I(1S)G=3IRB當H在120。240。之間時R=I1+SC0S(H一12Q

9、P)cos(180PH)B=I(1S)G=3IRG當日在240。360。之間時R=I1+Scos(H-24廳)cos(300，H)B=I(1S)G=3IGB在進行HIS逆變換前，需要對高分辨率數(shù)據P如SPOT與強度分量I進行處理，可以進彳丁線性拉伸、直方圖匹配等。Pnew=aP+b，a,b可以通過最小乘得到即I=ap+b(S.iiTEGGI,等，2002)2、基于PCA變換的數(shù)據融合PCA變換是一種正交變換，在數(shù)學上稱為主成分分析，其目的是把多變量信息即多波段的圖像信壓縮或綜合在一張圖像上，而且對于新圖像來說，各波段的信急所做的貢獻能最大限度的表現(xiàn)出來。為此須對原像素各波段亮度值作加權線性變換

10、，以產生新的像素亮度值。陳德超等，2001)多光譜遙感數(shù)據主成分的計算包括三個基本的過程(C.POHL等，1998)：(1)協(xié)方差(Covariancematrix，非標準化的主成分分析)矩陣和相關矩陣(correlationmatrix，標準化的主成分分析)，(2)特征值和及其特征向量的計算，(3)計算新的主分量利用主成分分析進行數(shù)據融合包括兩種方法：(1)代替法，其一般過程如圖3，(2)將不同傳感器獲得的遙感數(shù)據形成一個多光譜文件，然后對該文件進行主成分變換，從而實現(xiàn)多衛(wèi)星遙感數(shù)據的融合主成分分析的主要算法設X為具有p個波段，各波段有n個像元x1nx2nTOC o 1-5 h zxx111

11、2xxX=2】22xxxp1p2pn則X的離差矩陣Q和協(xié)方差陣S分別為（唐守正，1986）Qpxppxpn因為Q和S相差n倍，而特征向量不變，故可以從Q出發(fā)進行主成分分析。設Q的特征值為（由大到小排列）九J，九卩，其所對于的特征向量為7,u2,，up。由，up所組成的矩陣uuu1121p1uuuU=1222p2uuu1p2ppp則新的主分量為：yyyy11121niyyyyY=U*X=21222n=2pxn:yyyyp1p2pnp2）代替法zzzz11121n1yyyyYZ=21222n=2pxn:yy.yyp1p2pnpXnew=U-1*YZ（ERDAS手冊）設Z為與X配準的高空間分辨率數(shù)據

12、，并進行了線性拉伸處理，現(xiàn)在以Z代替人即pxn（3）對多傳感器數(shù)據進行PCA變換，同樣對X和Z進行融合首先將X和Z組成一個信息的數(shù)據文件，如下XZ=x11x21x12x22x1nx2nxp1z11xpnzpnxp2z12然后，對XZ按(1)進行主成分變換3、基于小波Wavelet就可以達到數(shù)據融合的目的。)變換的數(shù)據融合(1)小波小波是一個積分(平均)為0的函數(shù)。顧名思義小波就是小的波形，小是指它具有衰減性如局部非零，波是指它的波動性，即正負相間的震蕩形式。設中(x)UL2(R)(L2(R)是平方可積的實數(shù)空間，即能量有限的信號空間)，當中(X)滿足條件L(說=0，即J氣加35(其中中()是中

13、(x)的傅立葉變換)時，我們R稱中(x)為基本小波(BasicWalvelet)或小波母函數(shù)(MotherWavelet)。中(x)經伸縮a,平移b后得到(1)式：中(x)=1a|2中(-_b)a,ba(1)式中a為伸縮因子，b為平移因子并且a,bUR(a0),那么我們稱中(x)為小波(Wavelet)。a,b(2)小波變換小波變換是信號與小波函數(shù)的內積，是對信號滿足一定附加條件的濾波，這種附加條件反映在小波函數(shù)的參數(shù)選取上。1xb設f(x)也是平方可積的，對于含有參數(shù)的小波函數(shù)中(x)=|a|2中()，它的連a,baa,b續(xù)小波變換定義為(2)式：1xbW(a,b)=Jf(x).|a丨2V(

14、)dxfaR(2)其中：f(x)UL2(R)bRV為中(x)的復共軛。將上式改寫成內積的形式就是：Wf(a,b)=由小波變換的定義及需要滿足的條件Jv(x)dx二0保證了從W(a,b)恢復出f(x)，其小波逆變換為(3)式：1xbf(x)=C-1JW(a,b).|a12中().a-2dadbvfaI以上小波變換的一般定義。隨著Mallatl989年多分辨率分析(multiresolutionanalysis,MRA)(Mallat1989)算法(Mallat算法)的提出，小波變換開始用于圖像融合。Mallat算法的主要思想是將能量有限信號空間L2(R)表示成一系列小波系數(shù)的疊加。對于兩個空間分

15、辨率不同的遙感數(shù)據，一旦小波系數(shù)確定，就可以獲得一個轉換模型來確定低空間分辨率圖像丟失的小波系數(shù)(C.POHL等，1998Oncethewaveletcoefficientsaredeterminedfor就可以獲得融合的圖像。thetwoimagesofdifferentspatialresolution,atransformationmodelcanbederivedtodeterminethemissingwaveletcoefficientsofthelowerresolutionimage)。另夕卜，多分辨率分析只是對低頻部分做進一步分析，而高頻部分不予考慮。這樣小波逆變換基于小波變

16、換的數(shù)據融合一般技術路線和過程如下PanimagematchedtoRbandhistogram(1)PanimagePanimagmmatchedtoGbandhistogram4、Brovey變換法PanimagematchedtoBbandhistogramHHrhlrlhrllrhhghlglhgllghhehlblhbllb(3)hfTHI?lhrRhhghlglhgGhhbHLblhbBBrovey融合也稱為色彩正規(guī)化(Co得名。其算法如下:R|ornormalgtion)變扌換融合,由美國學者Brovey推II其中i三為:R、G、B三個通道，蟲按fR,G,B),述為高空間分辨率1

17、圖像。是將多亡：丘promgsdecomposition,bandreplacementand.reversewavelettransform.光譜影像空間解為色度和亮度成分(羅彩蓮等，2005)，如對TM數(shù)據和SPOT數(shù)據融合而言，Brovey變換能夠保持TM數(shù)據原有的色調轉換至融合后的數(shù)據中(陳德超等，2005)。為了減少Brovey變換對圖像亮度的壓縮，陳德超等(2005)對Brovey融合算法進行了改進，提出了線性、非線性拉伸Brovey融合算法以及在此基礎上提出的基于信息特征的融合方法，并在信息提取中得到了較好的結果。現(xiàn)歸納如下:(1)線性拉伸算法CF=3iP2)非線性拉伸算法F二a

18、Pa21I2其中a,a為系數(shù)123）基于信息特征的融合方法Pa2(Rinfo1info2)R=aiI(G+info3+info4)IPb2其中W1(z,j)=響maxR=M2,N2maxPc2B=c(R+info5+info6)iI其中info1,3,5可以是植被、裸地、水體等不同信息，info2,4,6可以是相同的信息如紋理等。這種融合方法，可以針對不同的要求，靈活改變信息特征提取的方法，不為變換公式所限。5、傅立葉變換法傅立葉變換是在頻率域進行數(shù)據融合的方法。二維離散數(shù)據傅立葉變換及其正變換如下01呼12（做+vy）f（x,y）ex=0y=01112(ux+vy)11F(u,v)eznN2

19、u=0v=0一般F（卩）為復數(shù)，可以寫成F(卩)=R(卩),jl(卩)=F(卩)eje(卩)其中|F（冋=R2（p）+12（卩用為傅立葉頻譜，虹卩）=arctanR占）為相位角?，F(xiàn)參考K.K.MOHANTY文獻（2002）簡要介紹傅立葉變換在圖像融合的方法。設x為多光譜數(shù)據，P為高空間數(shù)據，二者已經空間配準。小尺度（small-scale）即低頻變化在p中，這樣，在頻率域中用多光譜數(shù)據進行融合，就會得到新的融合數(shù)據（Thesmall-scale（lowfrequency）variationsinthepanchromaticimage,whenblendedwiththesamespatial

20、wavelengthsfromamulti-spectralimageinthefrequencydomain,yieldamergedproduct）。設X、P為傅立葉頻譜圖像，M，N分別為高空間數(shù)據的行列數(shù)據，F(xiàn)(z,j)=R(z,j)Rmaxotherwzse4X(z/4,j/4)W1(z,j),P(z,j)%P(z,j)W=1-W(z,j)R(i,j)應該為傅立葉頻譜圖？MMi22j6、各種方法的組合如IHS變換和小波變換的組合等等。四、融合后數(shù)據質量的評價(王淑，2005)(1)圖像信息量增加，信息熵熵值的大小表示圖像所包含的平均信息量的多少，信息量增加是圖像融合最基本的要求,這可以

21、通過融合前后圖像信息熵的變化反映出來，圖像信息熵的含義為圖像的平均信息量。N【二i)I嘩p(i)(1)圖像融合前后差異:交叉熵交叉熵或稱相對熵，可以用來度量兩幅圖像間的差異,交叉熵越小，表示圖像間的差異越小。設標準參考圖像為R,融合后的圖像為F,則參考圖像R與融合圖像F的交叉熵為：L-12)均方根誤差融合圖像和標準參考圖像間的均方根誤差為:工工丨i二i二】MXS其中M、S分別為圖像的行列與列數(shù)圖像質量的改進：清晰度圖像質量的改進可以用平均梯度表示,它反映了影像的清晰程度,同時還反映出圖像中微小細節(jié)反差和紋理變換特征，其公式為：vG=盤乙習式中AxI-i.jllii.il分別為像元(i,j)在x

22、/y方向上的一階差分。光譜信息的繼承：偏差度Costantin等人用偏差指數(shù)(DifferenceIndex)1來反映融合后圖像與原始圖像在光譜信息上的匹配程度。例如高空可分辨率影像A與低空間分辨率多光譜影像B進行融合生成影像C,偏差指數(shù)定義為融合后的圖像C與原始圖像B的差值的絕對值與原始圖像B的影像值的比值：ITIIn_lvy|:ij-biij|D_MNi=Ij=IB(i:j)如果偏差指數(shù)D較小，則說明融合后的圖像C在提高了空間分辨率的同時，較好地保留了多光譜影像的光譜信息。其他方法可以自己定義四、在森林資源監(jiān)測中的應用參考文獻1.J.H.PARKandM.G.KANG.Spatiallya

23、daptivemulti-resolutionmultispectralimagefusion,INT.J.REMOTESENSING,2004,VOL.25,NO.23,54915508王淑，王恒山，肖剛，多源遙感影像融合理論、技術和應用，微型電腦應用，2005，21(12):15何國金李克魯胡德永等，多衛(wèi)星遙感數(shù)據的信息融合:理論、方法與實踐，中國圖象圖形學報，1999，4(9):744750霍宏濤，數(shù)據融合技術在植被信息提取中的應用研究，北京林業(yè)大學博士論文，2001D.AMARSAIKHANandT.DOUGLAS，DatafusionandmultisourceimageclassificationINT.J.REMOTESENSING,10SEPTEMBER,2004,VOL.25,NO.17,3529-3539姚敏等，數(shù)據圖像處理，浙江大學，機械工業(yè)出版社，2006陳德超，周海波，陳中原等，TM與SPOT影像融合算