高分辨率遥感影像融合方法研究及融合效果评价 ——以ALOS和SPOT的全色与多光谱影像为例

论文摘要

随着遥感技术的迅猛发展,多传感器之间的影像融合技术研究越来越受到国内外学者的重视,目前多源遥感影像融合技术已经在生产实践部门广为应用,应用方法也多种多样,但是高分辨率遥感影像的融合研究还相对较少。本文以ALOS多光谱和全色以及SPOT多光谱和全色为实验数据,在基于像元级融合的基础上,探讨了高分辨率遥感影像的融合技术和方法,并对融合结果进行评价。本文回顾了遥感图像融合的发展过程,对现有的遥感图像融合的基本理论进行了总结,并且对遥感图像融合步骤进行了说明,对遥感影像融合层次进行了阐述,并且就每种融合层次的基本特征和原理进行了研究,描述了每个层次的融合算法。对遥感图像融合关键步骤进行了阐述,包括几何精纠正、图像配准以及影像直方图匹配,说明了这些工作对遥感影像融合的重要性,并且使影像的纠正和配准精度均达到遥感影像融合的要求,保证融合能达到最佳效果。介绍了传统的融合算法,包括IHS变换融合、主成分（PCA）替换融合、Brovey融合以及Gram-Schmidt变换融合。此外,针对ALOS多光谱和全色影像改进了SFIM算法,SFIM融合算法能够准确利用多光谱图像和全色光图像的的互补特征,将高分辨率遥感影像的空间信息合理、有效地调制到已配准的多光谱图像中,并且不改变其光谱特性与对比度。为了使融合后的图像能提高反差,包含更多的空间纹理信息,反映地物边界信息,本文在原来的SFIM融合算法得基础上加入了方差纹理参数,加入纹理参数的方法是,先计算全色影像的纹理,然后对整幅影像的纹理进行归一化处理,将所得的参数加入SFIM融合算法中。针对SPOT多光谱和全色影像在小波融合的基础上加入区域方差信息,在小波融合的算法中,高频成分包含了更多的遥感影像的亮度突变,也是就更多的细节信息。图像的方差可以表示地物的边界信息,在进行小波系数融合前可以先对分解的小波高频部分通过领域操作计算方差,计算出的方差能够反映更详细的边界信息,该融合算法比单纯的利用小波进行融合更优化。最后,针对ALOS多光谱和全色影像及SPOT多光谱和全色影像融合结果,总结了使融合结果主观定性评价和客观定量评价相一致的评价指标。通过运用均值、标准差、信息熵、清晰度、信噪比、相关系数和偏差指数等指标,结合主观判读,对改进的融合算法与传统的融合算法进比较,得出本文所改进的两种融合算法在用于ALOS多光谱和全色影像及SPOT多光谱和全色影像融合时均要优于其它算法。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究意义和目的
• 1.2 遥感图像融合的国内外研究现状
• 1.3 本论文的主要工作
• 1.4 章节安排
• 第二章 遥感图像融合的基本理论
• 2.1 遥感图像融合的基本理论
• 2.1.1 像元级融合
• 2.1.2 特征级融合
• 2.1.3 决策级融合
• 2.2 遥感图像融合关键技术问题
• 2.2.1 数据配准
• 2.2.2 融合模型的建立与优化
• 2.2.3 融合方法的选择
• 2.3 本文实验数据介绍
• 2.3.1 ALOS数据介绍
• 2.3.2 SPOT5数据介绍
• 第三章 遥感图像预处理
• 3.1 几何纠正
• 3.1.1 几何纠正的过程
• 3.1.2 试验数据的几何纠正
• 3.2 遥感图像配准
• 3.2.1 图像配准的原理
• 3.2.2 试验数据的空间配准
• 3.3 直方图匹配
• 3.3.1 直方图均衡化
• 3.3.2 直方图匹配
• 第四章 传统的遥感图像融合方法
• 4.1 遥感图像融合的方法
• 4.2 传统的图像融合算法
• 4.2.1 IHS变换融合
• 4.2.2 主成分分析（PCA）融合法
• 4.2.3 Brovey变换融合法
• 4.2.4 Gram-Schmidt光谱锐化融合方法
• 第五章 基于方差的平滑调节滤波（SFIM）的融合算法
• 5.1 传统的SFIM融合算法
• 5.2 改进的SFIM融合算法
• 5.2.1 影像的纹理
• 5.2.2 计算纹理窗口大小的选择
• 第六章 一种基于纹理边缘增强的小波融合算法
• 6.1 基于小波的融合算法
• 6.2 一种基于纹理边缘增强的小波融合算法
• 第七章 遥感图像融合质量的评价方法
• 7.1 主观定性的评价方法
• 7.2 客观定量的评价方法
• 7.2.1 基于融合图像的评价方法
• 7.2.2 基于原来的多光谱图像和融合图像的评价方法
• 7.3 实验结果与融合质量评价
• 7.3.1 ALOS融合试验结果及融合质量评价
• 7.3.2 SPOT融合试验结果及融合质量评价
• 第八章 论文总结与展望
• 8.1 本文的主要工作与结论
• 8.2 本文的不足
• 8.3 遥感图像融合技术展望
• 参考文献
• 致谢