面向土地覆盖分类的MODIS影像融合研究

MODIS影像的多波段及其1、2波段的250 m中等分辨率为大区域中空间分辨率的土地覆盖制图提供了可能。为了有效利用MODIS影像的空间和光谱信息,使用SFIM、HPF和PCA变换等遥感影像融合方法,分别采用MODIS影像的波段1(b1)和波段2(b2)对3~7(b3~b7)波段进行融合,并就融合影像的光谱保真度和分类精度对6种不同融合结果进行评价。结果表明不同的融合结果得到的分类精度均有不同程度的提高;3种融合方法中使用b2的融合效果均优于b1;SFIM变换在光谱失真较小的情况下能够较大程度地提高分类精度。因此使用b2的SFIM变换可以用于提高MODIS土地覆盖图的空间分辨率和精度。     

ETM影像融合的评价分析

针对Landsat-7 ETM影像，对采用HIS变换、Brovey变换、相关系数加权法、SFIM变换、ISVR变换5种方法实现的ETM全色波段与ETM多光谱波段融合结果进行分析，并以均值、标准差、信息熵、平均梯度及相对偏差作为评价指标，通过试验对融合影像进行综合定量评价。结果表明，HIS变换光谱失真最大；Brovey变换在光谱保真和保持空间分辨率方面都不理想；相关系数加权法的融合结果严重地依赖权系数的取值；基于SFIM变换的融合方法，能最大限度地保留光谱特征，但空间分辨率提高不明显；而基于ISVR变换的融合方法，光谱失真小，空间分辨率高，其最大优势是考虑了多光谱影像与全色影像间的波段关系，可作为ETM影像融合的最佳方法。
     

Sentinel-2卫星影像融合方法与质量评价分析

Sentinel-2卫星传感器获取的是3种不同空间分辨率的光学遥感影像,如何通过融合方法提高较低空间分辨率波段的空间分辨率成为Sentinel-2数据应用面临的问题之一。以Sentinel-2B影像为数据源,利用相关系数最大法、中心波长最近邻法、像元值最大法和主成分分析等4种方法从4个10 m分辨率的波段中产生一个高分辨率波段;采用主成分分析、高通滤波、小波变换、Gram-Schmidt变换以及Pansharp共5种融合方法,对产生的高分辨率数据和6个20 m分辨率的多光谱数据进行融合,并从定性、定量(信息熵、平均梯度、光谱相关系数、均方根误差和通用图像质量指数)以及融合影像的分类精度3个方面对融合效果进行评价,结果表明:相关系数最大法的Pansharp方法融合图像质量优于其他融合方法,分类精度略低于最高的像元值最大法的GS方法,并且远高于4个原始10 m分辨率的多光谱影像的分类精度。从实验数据的分类精度分析,不同融合方法在不同地物提取中各有优势,在实际应用中,应根据实际研究需要,选择适宜的方案。该研究可为Sentinel-2卫星以及相似卫星数据处理和应用提供参考。     

基于小波变换的MODIS与ETM数据融合研究

遥感影像融合方法多样，但针对空间分辨率相差十倍、甚至十几倍的不同数据源影像进行融合的研究很有限。有效算法也较少。MODIS影像高光谱数据具有36个相互配准的光谱波段信息，然而其0．25km～1km的低空间分辨率，却限制了其应用潜力。本文基于小波变换的算法思想提出了一种MODIS与Landsat ETM(空间分辨率30m)数据融合的方法，能够有效的将MODIS的光谱信息和ETM的空间几何信息结合起来，并在此基础上分析了地形阴影对融合的影响，为MODIS数据用于制作较大比例尺的土地利用现状图等提供了可能。     

多源遥感影像融合在太湖蓝藻监测中的应用

基于空间分辨率分别为1 100 m和500 m的NOAA/AVHRR和EOS/MODIS遥感数据,考虑遥感影像区域内各像素之间的区域特征,设计了基于小波分析的区域能量融合方法(REFS_wt),低频小波系数采用平均值而高频系数采用区域能量法,并与基于像素灰度值的区域能量法(REFS_pl)进行融合性能比较,结果表明REFS_wt法的融合性能明显优于REFS_pl。将此方法应用于太湖蓝藻监测,将空间分辨率较低的AVHRR影像蓝藻水华信息与较高分辨率的MODIS影像融合,得到较高分辨率的太湖蓝藻水华遥感监测图,融合图像信息量和清晰度都有所提高。     

高分辨率卫星影像在城市建筑物识别中的初步应用

在对试验区IKONOS卫星高分辨率影像预处理的基础上，采用HIS变换法对1m分辨率全色影像和4m分辨率多光谱影像进行了融合处理；通过建筑物阴影提取了建筑物高程，采用正交小波变换方法提取了图像的纹理信息；采用了四种不同的特征图像组合方式，对试验区高，中，低层建筑物进行了分类。研究表明，由融合图像，高程信息和纹理信息参与的分类结果精度最高，对高层建筑物分类的精度可达80%。     

基于亮度平滑滤波调节(SFIM)的SPOT5影像融合

遥感影像融合不仅要求提高原多光谱影像的空间分辨率,更重要的是保留影像的光谱信息,减少失真。为分析SFIM算法融合SPOT-5影像的光谱保真效果,首先采用IHS、小波和SFIM算法对SPOT-5的全色影像和多光谱影像进行融合,生成新的高分辨率多光谱影像。然后采用均值、相关系数、熵、标准差、梯度五个指标对SFIM不同滤波窗口的融合结果评价;最后采用以上定量评价指标对不同方法的融合结果进行分析评价。结果表明:和传统的IHS、小波融合方法相比,SFIM融合不仅提高了影像的空间分辨率和清晰度,而且较好地保持了原多光谱影像的光谱特征。     

不同遥感影像融合方法效果的定量评价研究

随着遥感影像融合技术研究的发展,提出了许多遥感影像融合的方法。在实际应用中,为了正确和有效地利用融合方法,定量评价不同融合方法的效果是非常必要的。本文对小波法(WT)、Gram_Schimdt法(GS)、合成变量系数法(SVR)以及基于平滑滤波的亮度变换法(SFIM)四种融合方法,在中等分辨率、高分辨率两种情况下,从影像融合的光谱信息保真度和空间信息融入度两方面进行了定量评价。结果表明:在空间信息融入方面,无论是中等分辨率影像融合,还是高分辨率影像融合,SVR法效果最佳,GS法、SFIM法和WT分别次之;在光谱信息保真方面,在中等、高分辨率影像融合中的效果有所不同,其中在中等分辨率影像融合中,GS法效果最佳,SVR法、SFIM法、WT法分别次之,而在高分辨率影像融合中,GS法效果最佳,SVR法、WT法、SFIM法分别次之。     

基于自适应加权的MODIS和SPOT影像融合研究

针对MODIS和SPOT影像融合问题，提出了一种基于自适应加权的亮度相关矩多分辨率影像融合方法。该方法首先对SPOT影像进行小波分解，将MODIS影像由RGB颜色空间变换到IHS颜色空间；然后，根据强度分量和SPOT影像低频分量加权后的局部均值和方差来定义影像亮度相关矩，以选择不同策略进行融合；最后，通过IHS逆变换和小波逆变换来得到包含更多信息和有效特征的融合影像。试验结果证明，该方法得到的融合影像，在保留地物光谱信息和提高空间分辨率上都具有很好的效果。     

IKONOS全色与多光谱数据融合方法的比较研究

IKNOS-2给各个应用领域提供1 m的全色和4 m的多光谱数据,因此利用全色波段将4 m的多光谱数据融合为1 m的多光谱数据会充分利用二者的信息,提高目视和自动影像提取的类别精度。影像融合技术发展较快,成为遥感应用研究领域的重要主题。在遥感领域应用较多的融合方法有IHS变换、主成分分析、Brovey(颜色归一化)变换、小波变换以及最近发展修改的合成变量比值变换。从光谱质量和空间信息角度对融合方法进行了比较研究,筛选出适合IKNOS融合方法,从各种特征信息提取和自动分类角度出发,合成变量比值变换融合方法光谱退化最小,同时也较高程度地保持了高几何分辨率全色的空间信息。     

地质灾害调查中ETM+与SPOT-5 Pan融合方法比较

ETM+与SPOT-5Pan融合影像含有丰富的光谱信息和空间结构信息,是地质灾害调查的理想数据源。但ETM+多光谱图像与SPOT-5 Pan图像空间分辨率相差悬殊,直接融合可能导致融合影像色彩模糊、色调不和谐等问题;若将ETM+与其全色融合后再与SPOT-5 Pan融合,如果融合方法不当亦会造成光谱信息的过多损失。通过采用IHS、Brovey、PCA和Gram-Schmidt变换分别对ETM+和SPOT-5 Pan按上述两种途径进行直接和间接融合,采用主观评定以及光谱剖面分析对融合影像进行了评价,从而筛选出适合于地质灾害调查的ETM+与SPOT-5 Pan融合方法。     

Sentinel-2 Satellite Image Fusion Methodand Quality Evaluation Analysis

Sentinel-2 satellite sensors acquire three kinds of optical remote sensing images with different spatial resolutions.How to improve the spatial resolution of lower spatial resolution bands by fusion method is one of the problems faced by Sentinel-2 applications.Taking the Sentinel\|2B image as the data source,a high spatial resolution band was generated or selected from the four 10m spatial resolution bands by four methods:the maximum correlation coefficient,the central wavelength nearest neighbor,the pixel maximum and the principal component analysis.We fused the one high spatial resolution band produced and six multispectral bands with 20 m spatial resolution by the five fusion methods of PCA,HPF,WT,GS and Pansharp to produce six multispectral bands with 10 m spatial resolution and the fusion results were evaluated from three aspects:qualitative and quantitative (information entropy,average gradient,spectral correlation coefficient,root mean square error and general image quality index) and classification accuracy of fused images.Results show that the fusion quality of Pansharp with the maximum correlation coefficient is better than other fusion methods,and the classification accuracy is slightly lower than the GS with the pixel maximum of the highest classification accuracy and far higher than the original four multispectral image with 10 m spatial resolution.According to the classification accuracy of experimental data,different fusion methods have different advantages in extraction of different ground objects.In application,appropriate schemes should be selected according to actual research needs.This research can provide reference for Sentinel-2 satellite and similar satellite data processing and application.     

东北地区MODIS亚像元积雪覆盖率反演及验证

以中巴资源卫星数据作为地面“真值”影像,根据东北地区地理环境与气候特点对Salomoson亚像元积雪覆盖率模型参数进行修正,反演东北地区MODIS像元积雪覆盖率,并用不同方案对模型的稳定性和精度进行分析。研究结果表明,经修正后的Salomoson亚像元积雪覆盖率反演模型对不同地貌--景观单元具有稳定性,其中较小的波动源于积雪物理性质差异、大气效应、积雪影像分类误差及影像配准误差。在东北平原区,NDSI值在0.52~0.65时,模型反演精度高,但反演雪盖率总体偏低,主要是由NDSI基于对波段反射率的非线性转换引起的;雪盖率高估的像元主要分布在城区外围以及农村居民点,而覆盖城区、乡、镇以及居民点之间道路的像元雪盖率误差小,其原因是人类活动频率影响像元内积雪组分与非积雪组分的光谱特性的差异程度。与MODIS雪产品进行对比分析,积雪覆盖率提供较传统雪盖制图更加丰富的信息,然而对林区冠层下积雪覆盖二者均未给出准确估计。     

融合FY-3C号和FY-4A号卫星数据的积雪面积变化研究—以祁连山区为例

祁连山区积雪类型丰富、判识复杂,是中国积雪研究的典型区域。因此,精确地监测祁连山区积雪面积变化及其时空演变,对祁连山区生态环境和社会经济发展等具有重要意义。FY-3C MULSS利用多阈值积雪指数模型提供全球日积雪覆盖产品,FY-4A AGRI传感器每15~60 min提供一景覆盖全球的多光谱影像。基于FY-4A AGRI高时间分辨率的特征,构建适合于FY-4A号数据的动态多阈值多时相云隙间积雪识别方法,很大程度上减小了云对光学数据识别积雪造成的影响,并结合FY-3C MULSS积雪覆盖日产品较高空间分辨率的优势,融合得到去除云后的FY3C4积雪覆盖数据。利用Landsat 8 OLI卫星数据对融合后的积雪数据进行对比验证,结果表明融合FY-3C和FY-4A后的数据能更好地判识祁连山区的积雪覆盖情况。以MODIS MOD10A2积雪产品为真实值,随机检验了2018年3月~2019年3月融合后数据的积雪判识精度,发现无云情况下方法的总体精度可达到85.25%。进一步研究发现祁连山区积雪面积在海拔、气候和坡向等因素的影响下时空分布极不均匀,总体呈现出冬春季节大于夏秋季节,以及东部积雪面积大于西部积雪面积的特征。     

基于多进制小波的多源遥感影像融合

首先介绍了遥感影像融合的一般理论和方法，然后在讨论多进制小波理论和影像特征的基础上，提出了一种基于特征的多进制小波变换的影像融合算法，该算法根据待融合影像分辨率之比来确定采用几进制小波，将待融合的高分辨率影像进行多进制小波变换，然后把高分辨影像经小波变换后获得的低频成分和低分辨率影像依据一定的关系进行相互转换，以形成新的高分辨影像的低频成分，经过多进制小波逆变换获得到融合后的影像，最大限度地利用了待融合影像的信息，防止了影像信息的丢失，通过对具体影像的清晰度和空间分辨率，融合后的影像最大限度地保留了待融合影像的光谱信息，同时提高了待融合影像的清晰度和空间分辨率，给出了SPOT全色影像与SPOT多光谱影像，SPOT全色影像与TM影像的融合结果，并与其他方法进行了比较，从而证明了本方法的优越性和自适应能力。     

EMD方法在多光谱遥感图像融合中的应用

多光谱图像具有较高的光谱分辨率,而其空间分辨率比较低,致使融合后的多光谱图像空间细节的表现能力不足。为了克服这种融合图像空间细节表达能力差的问题,本文提出了用EMD(EmpiricalModeDecomposition)方法对多光谱图像进行分解,提取空间细节和纹理信息,并将其叠合到融合图像上的方法。实验表明:改善了视觉效果,提高融合图像的空间表达能力。     

基于小波包变换的遥感图象融合

为了能够更好地把来自多传感器的图象信息综合起来，以提高对图象信息的分析和提取能力，在研究了小波包图象分析法之后，提出了一种基于小波包变换的图象融合方法，由于小波包变换能对图象进行多层次分解，包括对小波变换没有细分的高频部分也能进行进一步的分解，因此小波包分析能够为图象提供一种比小波多分辨分析更加精细的分析方法，利用此融合算法将由多传感器获得的同一目标不同波段的遥感图象和不同分辨率的遥感图象进行融合后得到的融合图象，能够很好地将源图象的细节融合在一起，通过与该融合图象进行主观与客观的评价比较，证明该融合方法可以获得更好的融合效果。     

Image Fusion Based on NSCT and Sparse Representation for Remote Sensing Data

The practice of integrating images from two or more sensors collected from the same area or object is known as image fusion. The goal is to extract more spatial and spectral information from the resulting fused image than from the component images. The images must be fused to improve the spatial and spectral quality of both panchromatic and multispectral images. This study provides a novel picture fusion technique that employs L0 smoothening Filter, Non-subsampled Contour let Transform (NSCT) and Sparse Representation (SR) followed by the Max absolute rule (MAR). The fusion approach is as follows: first, the multispectral and panchromatic images are divided into lower and higher frequency components using the L0 smoothing filter. Then comes the fusion process, which uses an approach that combines NSCT and SR to fuse low frequency components. Similarly, the Max-absolute fusion rule is used to merge high frequency components. Finally, the final image is obtained through the disintegration of fused low and high frequency data. In terms of correlation coefficient, Entropy, spatial frequency, and fusion mutual information, our method outperforms other methods in terms of image quality enhancement and visual evaluation.