2018TM与SPOT影像融合方法试验分析
0 引言遥感技术日新月异发展，面向各个领域应用背景的多平台，多时相，多（高）光谱和高分辨率的卫星遥感系统随之大量涌现。由此获得的海量遥感数据被广泛应用于土地资源调查、洪水监测、地形测绘、植被分类与农作物生长态势评估、天气预报、自然灾害监测等方面。与之相适应的遥感数据处理与分析理论、方法不断涌现，影像融合方法就是其中重要的一种，它能够将不同遥感数据的优势综合起来，实现数据精炼，减少冗余性，提高遥感影像的利用效率。TM 与SPOT 影像融合是较为普遍的一种融合选择，融合图像综合了TM的光谱信息和SPOT 的高空间分辨率，但是不同的融合算法总是会产生不同的融合效果，以TM 与SPOT 融合为例，本文将应用四种融合算法，结合融合效果的评价指标，指出各种方法的优缺点，最后分析本次试验中存在的问题。
1 融合方法
1.1 基于 IHS 变换的融合方法
IHS 显色系统采用色调（Hue）、饱和度（Saturation）、亮度（Intensity）表示颜色。基于IHS 彩色空间变换的遥感图像融合算法是遥感领域应用较多的一种方法，该算法首先将多光谱图像的三个波段映射到RGB 彩色空间，然后再由RGB 彩色空间变换到IHS 彩色空间，融合过程就是用高分辨率全色图像去代替IHS 彩色空间中的I 分量，最后将IHS 彩色空间变换到RGB 彩色空间即可得到融合图像。
1.2 基于主成分分析变换的融合方法
主成分分析(Principal Component Analysis，简称PCA)是基于变量之间的相互关系，在尽量不丢失信息的前提下进行的一种多维正交线性变换。变换公式为Y=TX,式中X 是待变换图像的数据矩阵；Y 是变换后的图像数据矩阵；T 是变换矩阵（通常是正交矩阵）。主成分分析后的各个分量各不相关，各波段的信息所做出的贡献能最大限度地表现出来，并且第一主成分分量往往集中了90%以上的图像信息，实现了数据压缩。通常采取用高分辨率的全色波段代替第一主成分分量，然后进行逆变换得到融合影像。
1.3 基于 Brovey 变换的融合方法
Brovey 变换即色彩标准化(Color Normalized)变换，其思想是将多光谱图像的像方空间分解为色彩和亮度成分并进行计算，是一种常用于多光谱图像增强的比值变换融合方法。
1.4 基于小波变换的融合方法
小波变换是基于频率域的图像处理方法，通过分解与重构能够得到不同方向上的细节信息，再按一定的规则融合从而得到具有针对性的融合信息。基于小波变换的图像融合方法通常采用多分辨分析和Mallat 快速算法，将原始图像利用小波变换分解成多层次的近似图像和细节图像，它们分别代表了图像的不同结构。LL 分量集中了原始图像主要低频成分，LH、HL、HH 分量分别对应着原图像垂直方向，水平方向和对角方向的高频边缘信息。通常的做法是对全色和多光谱图像进行小波分解，得到相应的分量，然后根据需要重新组合生成新的各个分量，最后进行小波反变换重建影像。
2 融合结果评价指标
2.1 定性评价指标
定性评价也就是目视观察评价，观察人员依据技术经验对融合图像是否配准，是否有重影，是否有明显的色彩畸变进行判定。该方法可以对直观的融合效果进行快速检视，方便快捷，但是主观性太强，无法保证准确度。
2.2 定量评价指标
2.2.1 均值
采用图像灰度平均值来反映图像的平均亮度。
2.2.2 平均梯度
图像质量的改进可以用平均梯度表示,平均梯度能够很好的反映图像清晰度和细节反差。
3 试验结果
本次试验影像选取TM（波段3、2、1），SPOT 全色波段，图像预处理采取在影像上选取GCP，实现影像对影像的校正，并且对SPOT 影像进行线性拉伸。
3.1 结果评价
页:
[1]