多源数据融合模型与层次

将遥感数据融合分为像素级融合、特征级融合和决策级融合三个层次。

像素级融合的主要特征是通过高分辨率的全色影像来增强与其对应的多光谱影像的空间细节信息,在最小损失多光谱影像光谱特征的情况下,最大限度地增强其空间细节信息。在多光谱和全色影像相关性不高的情况下,保持光谱信息和增强空间细节信息往往是相互制约的,因此融合算法的选择往往是根据具体的应用来决定侧重保持光谱特征还是空间细节特征。像素级融合是三级融合层次中研究较为成熟、应用最广泛的融合方式。融合过程是在严格几何配准的条件下,直接对图像中的像素点进行信息综合与处理。主要方法有基于代数运算方法,如加权、乘积、Brovey比值、高通滤波、亮度平滑滤波调节(SFIM)、合成变量比值等;基于空间变换方法,如IHS变换、主成分分析变换(PCA)、回归变量替换(RVS), Gram-Schmidt变换等;基于多尺度分解与重建方法,如小波分解和Laplacian金字塔分解等;组合方法,如结合小波和IHS变换融合方法、结合小波和PCA变换融合方法、结合小波和回归分析融合方法等。

像素级融合方法是直接在原始数据层上进行的融合,融合准确性最高,能够提供其他层次融合处理所不具有的更丰富、更精确的细节信息,有利于图像的进一步分析与处理。其主要不足是运算量大,须对参与融合的各图像进行精确配准。