基于数据融合的遥感图象处理技术

宋晓玲 苏海红

摘 要随着不断增多的遥感应用获取数据。从单一可见光传感器发展至今，传感器的种类也越来越多，如光谱、红外、雷达以及高光谱等，从而在数据量的获取上也越来越多。但是随着数据信息的不断增多，也让更多的数据使用者在进行数据处理上不得不设计出更加有效的数据处理系统，只有这样才能让更加有用、更加精简、更加高质量的信息能够提取出来。本文通过对数据融合的框架结构和融合方法进行分析，并在此基础上探讨了这些数据融合方法在遥感图象处理中的应用。

【关键词】数据融合 遥感图象处理技术 应用探讨

所谓数据融合就是指让诸多具有互补性和冗余性的数据，在冲破单独就某一个传感器数据进行的传统处理分析的约束后，将这些数据当成一个整体来进行综合利用，以便能够将更加精炼的信息结构给提取出来，将决策依据提供给人为决策或人工智能决策系统的一种新兴技术。数据融合技术所涉及的领域非常广泛，它通过对诸多方法和数学统计工具进行运用，将谱分析以及可靠性等理论融合贯彻进来。数据融合的发展是伴随着多传感器数据处理方法而产生的，其广泛应用于遥感图象处理、工业过程监控以及机器人视觉等多个领域。随着人们对高质量图象的需求，致使数据融合技术逐渐的和遥感图象技术开始融合到一起。

1 数据融合的框架

数据融合技术应用最早、最普遍的领域就是遥感应用，遥感数据融合处理单元结构通过在数据融合引擎中对多源传感器传输过来的数据，借助于相关算法来进行处理，同时以相关处理过的外部辅助信息和知识为基础，以此来让融合处理的精确度得到提升。融合处理后的结果不但能够应用于决策中进行使用，而且还能够当成辅助信息向融合处理过程中进行反馈，从而促使融合系统能够对融合处理进行自动优化。在遥感数据融合处理单元结构中，数据融合引擎以及其内部诸多算法是主要核心所在。由于数据融合一般都在不同层次上进行应用研究和设计，因此，从不同的融合层次上可以将其大致分为三种，分别是像素层融合、决策层融合以及特征层融合。

2 数据融合方法

2.1 像素层数据融合

基于像素的数据融合大都是以初始图象数据为基础，让图象增强、分割以及分类是其主要目的，只有这样才能将更佳的输入信息提供给人工判读图象或者特征层的进一步融合。在三级融合层中像素层融合在我国是研究最成熟的一级，丰富且有效的融合算法已经形成。一般像素融合大都会采取三种方法：

2.1.1 色彩变换方法

这种方法是对数据的可能性运用不同的色彩通道进行表示，从而实现数据融合，主要有IHS方法。这种方法是将人类感知的彩色图象转化成空间和谱信息。主要有两种转化方法，一种是将图象的三个色彩通道直接和IGS进行对应；另一种是将三个色彩通道向一个IHS色彩空间进转化，然后按平均亮度来划分着整个的色彩空间，以此来分别表示I、H、S。在图象分析中，这种方法已成为一种标准过程，能够在高度相关图象的色彩增强、特征增强以及图象空间分辨率改善等融合处理上进行运用。

2.1.2 统计和数字方法

它是借助于对数学或其他符号进行运用，让不同波段的图象数据得到组合，主要有PCA方法和PCS方法。这种方法是将内部相关变量表示的数据集进行转化，将其变成初始变量线性组合的非相关数据集，然后在融合置换处理它的主成分。PCA法主要是在图象融合、编码增强以及数据压缩和图象变化检测等方面上运用，它需要对数据集的主要部分进行计算，并将其协方差或方差矩阵给解出来。

2.1.3 多分辨分析方法

通过对不同变换尺度进行运用，来分解、融合以及恢复任意尺度的图象数据，主要有HPF以及WT等方法。HPF方法主要是通过高通滤波图象数据，获得的结果会和点、线、脊以及边缘等特征一一相应，然后在以一定的取舍标准将这些特征数据融合到低分辨率的图象，从而让更加好的空间分辨率得以获取。

2.2 特征层数据融合

在对信息提供上，像素层比较有限，例如：在分类处理图象时，单单运用图象的像素值的分类结果，存在有限精度，但是对图象中目标特征信息进行运用，则能够让分类精度得到显著提升。随着不断增长的对地观测数据量以及不断提升的图象分辨率，用户的静态非实时信息需求逐渐转化成动态实时，很多用户都开始需要基于遥感数据实时处理的目标检测、变化检测以及目标识别等应用。像素层融合后的结果依旧还是图象信息，因此就需要用户进行人工判读，但是由于有些信息相应经过人工判读出来具有一定难度，而很多图象又具有较大的数据量，而且这些数据中大多数都没有太多有用信息，如果进行处理和传输，必定会浪费大量时间和资源。而对数据进行特征层和决策层融合处理则就能够很好的解决这个问题。

在进行特征层融合前需先对图象中感兴趣的区域和目标进行检测，然后在分割处理这些区域和目标，并将目标的诸多特征给提取出来。接着在融合处理多传感器或多时相数据，以此来让图象中目标的特征空间得到进一步缩小，让部分特征的不确定性得以消除。

2.3 决策层数据融合

数据融合的最高层次就是决策层融合，通过决策层融合的结构能够直接成为决策要素来实施相应行为，并且还能够让决策者直接提供决策参考。决策层融合方法主要有基于辨识和基于知识的两种决策融合方法。基于辨识法是通过将一定的假设前提进行设定，然后将目标的概率模型建立起来，从而实施目标分类，其中最为常见的方法有MAP方法、ML方法以及BC方法等。而基于知识的决策层融合方法，则是通过运用逻辑模板和句法上下文知识来对数据进行描述和融合，比较常见的有，基于神经网络的方法、基于专家知识的方法以及基于模糊逻辑的方法等。

3 总结

总而言之，数据融合技术的主要基础是信号处理、控制理论以及人工智能等，随着社会的发展，这种技术也得到了不断发展和创新，其应用也越来越广泛。尤其是在遥感数据处理中，通过数据融合技术，不但能够获取到较为理想的效果，而且还能够有效改善数据处理的性能。

参考文献

[1]杨为民，陈宁.遥感图象彩色融合问题中的彩色融合约束方程及其近似解[J].数字技术与应用，2011，09：214-216.

[2]王爱军，吴景坤.计算机遥感图象复合配准处理技术在崩塌发展变化特征研究中的应用[J].铁路航测，2015，04：30-33.

[3]郭跃宏，阎民正，白晓勤，秦长源，范雪芳.试谈卫星遥感（热红外）技术在山西地震重点监视防御区的应用[J].山西地震，2011，03：3+5+7+9+11+4+6+8+10+.

[4]潘剑君，邹军.运用TM遥感图象监测扬中市土地利用状况的变化[J].南京农业大学学报，2013，02：50-54.

作者单位

泰山职业技术学院 山东省泰安市 271000