《资源环境遥感探测》实验报告 遥感图像的融合.docx

《资源环境遥感探测》实验报告 遥感图像的融合.docx

《《资源环境遥感探测》实验报告 遥感图像的融合.docx》由会员分享，可在线阅读，更多相关《《资源环境遥感探测》实验报告 遥感图像的融合.docx（16页珍藏版）》请在冰点文库上搜索。

《资源环境遥感探测》实验报告遥感图像的融合

《资源环境遥感探测》实验报告

实验名称：

遥感图像的融合

学号：

1020022151姓名：

张应芳

实验时间：

2013年5月13日

批改：

教师签名：

一、实验目的

通过实习操作，达到以下目的：

1.熟悉掌握遥感图像几何校正的基本方法和步骤，并理解几何校正的意义

2.掌握图像融合的基本方法和步骤，学会把高分辨率影像按照一定的算法或规则进行运算处理，以获取对同一目标更为全面、更为可靠、更为准确的图像，生成一幅具有新的波谱和空间特征的合成图像

3.基本掌握利用ERDAS软件进行遥感图像融合的操作方法和流程

二、实验环境

软件：

ERDAS9.2软件

实验教室：

实验楼7-301

实验用图：

xmd2007-m.img、xmd2007-p.img影像数据

三、实验内容

1.以全色影像数据xmd2007-p.img对xmd2007-m.img进行几何校正

2.用至少四种方法进行影像融合

3.比较不同的融合方法各自的优缺点

四、实验步骤

1.遥感图像的几何校正

1）打开需要校正的遥感图像

在ERDAS中点击Viewer两次，打开两个视窗（Viewer1/Viewer2），并将两个视窗平铺放置。

在Viewer1中打开需要校正的ALOS图像：

xmd2007-m.img，在Viewer2中打开作为校正基准的全色影像数据图像：

xmd2007-p.img。

如图1所示。

图1显示影像图

2）启动几何校正模块。

在Viewer1菜单条中依次选择Raster→GeometricCorrection→SetGeometricModel对话框，并选择Polynomial（多项式几何校正模型）→OK，设置PolynomialOrder（多项式次方）为2。

如图2所示。

图2选择几何校正模型并设置参数

点击Apply，并关闭Polynomial Model Properties对话框。

在弹出的GCPToolReferenseSetup对话框中选择ExistingViewer，左键点击作为参考的影像所在的窗口Viewer2。

3）启动控制点工具。

在前一步步骤2）的操作基础上，整个屏幕将自动变化为如图3所示的状态，表明控制点工具被启动，进入控制点采点状态。

图3控制点采点

4）采集地面控制点。

在图像几何校正过程中，采集控制点是一项非常重要和繁重的工作，具体过程如下：

1在GCP数据表中，将输入GCP的颜色设置为比较明显的红色，在GCP工具对话框中，点击SelectGCP图表，进入GCP选择状态；

2在Viewer1中移动关联方框位置，寻找明显的地物特征点，作为输入GCP，点击CreateGCP图标，并在Viewer1中点击左键定点，GCP数据表将记录一个输入GCP，包括其编号、标识码、X坐标和Y坐标；

3在GCP数据表中，将参考GCP的颜色设置为比较明显的蓝色，在GCP对话框中，点击SelectGCP图标，重新进入GCP选择状态；

4在Viewer2中，移动关联方框位置，寻找与Viewer1中对应的地物特征点，作为参考GCP，点击CreateGCP图标，并在Viewer2中点击左键定点，系统将自动将参考点的坐标（X、Y）显示在GCP数据表中；

5在GCP对话框中，点击SelectGCP图标，重新进入GCP选择状态，并将光标移回到Viewer1中，准备采集另一个输入控制点；

6不断重复①-⑤采集若干控制点GCP，直到满足所选定的几何模型为止，尔后，每采集一个InputGCP，系统就自动产生一个Ref.GCP，通过移动Ref.GCP可以优化校正模型。

7采集16个控制点，建立影像间的映射关系。

8计算检查点误差：

在GCPTool工具条中点击ComputeError图标。

空间配准的精度一般要求在1~2个像元内。

检查点的误差为Total=0.3944，误差小于一个像元，所有采样点如图4所示。

图4采样点

5）点击GeoCorrectionTools对话框中的“

”，保存校正之后的影像图为jiaozheng.img。

输出之后的影像图如图5所示。

图5校正后的影像图

6）并在GCPTool对话框中依次选择File→SaveImputAs保存校正点文件。

7）保存几何校正模式。

在Geo-CorrectionTools对话框中点击Exit按钮，推出几何校正过程，按照系统提示，选择保存图像几何校正模式，并定义模式文件，以便下一次直接利用。

2.遥感图像的融合

ERDAS软件提供了多种图像融合方法，IHS变换法、主成分变换法、乘积变换法、比值变换法、小波变换法和高通滤波法等。

本次实验中主要用主成分变换法、乘积变换法、比值变换法和高通滤波法四种方法进行影像的融合。

a.主成分变换融合（PincipleComponent）

主成分变换融合是建立在图像统计特征基础上的多维线性变换，具有方差信息浓缩、数据量压缩的作用，可以更准确地提示提示多波段数据结构内部的遥感信息，常常是以高分辨率数据替代多波段数据变换以后的第一主成分来达到融合的目的。

具体过程是首选对输入的多波段遥感数据进行主成分变换，然后以高空间分辨遥感数据替代变换以后的第一主成分，最后再进行主成分逆变换，生成具有高空间分辨率的多波段融合图像。

b.乘积变换融合（Mutiplicative）

乘积变换融合应用最基本的乘积组合算法直接对两种空间分辨率的遥感数据进地合成，即Bi_new=Bi_m*B_h，其中Bi_new代表融合以后的波段数值（i=1,2,3,..n），Bi_m表示多波段图像中的任意一个波段数值，B_h代表高分辨率遥感数据。

乘积变换是由crippen的4种分析技术演变而来的，cippen研究表明：

将一定亮度的图像进行变换处理时，只有乘法变换可以使其色彩保持不变。

c.比值变换融合（BroveyTransform）

比值变换融合是将输入遥感数据的3个波段按照下列公式进行计算，获得融合以后各波段的数据：

Bi_new=[Bi_m/（Br_m+Bg_m+Bb_m）]*B_h，其中Bi_new代表融合以后的波段数值（i=1,2,3），Br_m,Bg_m,Bb_m分别代表多波段图像中的红绿蓝波段数值，Bi_m表示红、绿、蓝3波段中的任意一个，B_h代表高分辨率遥感数据。

d.高通滤波法（HPF）

HPF（HighPassFiltering）法是将高空间分辨率图像中的边缘信息提取出来，加入到低分辨率高光谱图像中。

它是由Schowengerdt在1980年提出，当时被看着是一种减少Landsat多光谱数据的数量而增加分辨率的方法。

其基本思想是：

让高分辨率图像通过一个高通滤波器，然后将高分辨率图像的高频部分的空间信息叠加到多光谱图像上。

重采样方法有三种，分别是NearestNeighbor（最近邻域法）、BilinearInterpolation（二次线性插值）、CubicConvolution（三次卷积插值法）。

主要步骤如下：

1）依次点击interpater→spatialEnhancoment→ResolutionMerge点击出现分辨率融合对话框。

并输入待融合影像xmd2007-p.img，校正之后的影像jiaozheng.img，并设置融合影像的输出路径以及文件名。

选择融合方法为主成分变换融合法（PincipleComponent），重采样方法为三次卷积插值法（CubicConvolution），如图6所示。

命名为“主成分卷积融合.img”。

图6主成分卷积融合参数设置

融合之后的图像如图7所示。

图7主成分卷积融合影像图

2）查看融合结果与原图比较，如图8所示。

图8原图与主成分卷积融合影像图的比较

3）按照1）中的步骤依次选择另外两种乘积融合方法和比值融合方法输出融合影像图。

4）高通滤波融合法。

点击interpater→spatialEnhancoment→HPFResolutionMerge点击出现分辨率融合对话框。

并输入待融合影像xmd2007-p.img，校正之后的影像jiaozheng.img，并设置融合影像的输出路径以及文件名。

五、实验结果

乘积卷积融合影像图如图9所示。

图9乘积卷积融合影像图

查看融合结果与原图比较，如图10所示。

图10原图与乘积卷积融合影像图的比较

比值卷积融合影像图如图11所示。

图11比值卷积融合影像图

查看融合结果与原图比较，如图12所示。

图12原图与比值卷积融合影像图的比较

高通滤波融合影像图如图13所示。

图13高通滤波积融合影像图

查看融合结果与原图比较，如图14所示。

图14原图与高通滤波融合影像图的比较

四种融合方法结果的比较，如图15所示。

图15四种融合方法的比较

六、结果分析

通过本次实验我了解了有关数据融合的一些理论知识，并掌握了不同数据融合方法的原理、思路及其软件操作程序。

在对原图像和不同数据融合方法产生的融合后图像进行对比后更加鲜明的看到了结果图像的效果。

我了解到遥感影像融合就是将不同传感器遥感影像数据源所提供的信息加以综合，以获得高质量的影像信息，同时消除多传感器信息之间的冗余和矛盾，加以互补，降低其不确定性，减少模糊度，以增强影像中信息清晰度，改善解释的精度、可靠性以及使用率，以形成对目标相对完整一致的信息描述。

本次实验老师给的影像素材是2007年厦门岛ALOS影像xmd2007-m.img和xmd2007-p.img影像，其中xmd2007-p.img影像是全色影像，具有较高空间分辨率，多光谱影像xmd2007-m.img谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像，通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。

本次实验中我主要用主成分变换法、乘积变换法、比值变换法和高通滤波法四种方法进行了影像的融合。

因为老师给定的原影像已经是裁剪过的，所以经过校正融合后，失真、重叠的现象几乎不存在，地物也可以比较明显的分辨出来。

在采用主成分变换法法、乘积变换法、比值变换法进行融合的时候，重采样方法我均选择的是三次卷积法。

从融合结果图可以看出，无论是空间分辨率，还是图像的清晰程度，这几种融合方法的结果图都比原始影像提高很多，并且融合后的影像信息量较为丰富。

首先进行的是主成分法。

主成分法的本质是通过去除冗余，将其余信息转入少数几幅影像（即主成分）的方法，对大量影像进行概括和消除相关性，生成具有高空问分辨率的多波段融合图像。

主成分法经过融合后的影像包括了两幅原始图像高空间分辨率和高光谱分辨率特征，保留了原图像的高频信息。

融合图像上的细部特征更加清晰，光谱信息更加丰富。

影像能够分离信息，减少相关，从而突出不同的地物目标，影像比较清晰，提高了分辨率，居民区、道路、建筑物轮廓和行树的构像及对其它目标的影像细节显示清晰。

但是容易产生光谱特征扭曲现象。

接下来我采用的是乘积变换法，乘积变换是应用最基本的乘积组合算法直接对两类遥感信息进行合成，将一定亮度的影像进行变换处理时，可以使其色彩保持不变，并且其亮度得到增加，所以融合出来的影像多光谱特性好，几乎没有失真，同时提高了分辨率，在这几个融合影像中是地物最清晰切光谱特性良好的。

然后我采用了比值变换法，它是较为简单实用的一种融合方法，其原理是将原有多光谱波段进行归一化处理之后与全色波段相乘得到新的融合波段，融合后的影像感觉分辨率清晰度不如主成分法，但是失真较小，地物轮廓也比较清楚。

比值变换融合增强影像的同时保持了原多光谱图像的光谱信息。

可以增强影像的纹理信息，通过看高密度建筑物的遥感影像便会发现。

比值变换法能够较清晰的反映出地物的细节，使道路的网络清晰可见。

但是我用比值变换加卷积的重采样的方法融合出来的影像失真比较大，地物边界也不是很清楚。

所以又重新用比值变换加上二次线性的方法融合了一下。

融合出来的效果比卷积重采样的方法要好很多。

如图16所示。

图16比值线性融合方法

与其它几种方法的比较如图17所示

图17四种融合方法的比较

最后是用高通滤波法进行影像的融合。

高通滤波变换的主要目的是提高影像高频细节，突出影像线性特征和边缘信息，有效地保留了多光谱信息。

但是该方法在对高分辨率波段影像滤波时滤掉了大部分的纹理信息。

对于影像纹理和细节处理更好，能够更加有效地保持光谱信息。

通过融合增强多光谱影像分辨率，必然会产生多光谱影像光谱特性或多或少的变化。

所以选择或设计合理的融合算法，最大限度的利用多种遥感数据中的有用信息才是本次实验最应该在比较中自己总结感悟。

总的来说，由不同融合法得到的影像相对原始多光谱彩色影像均有很大的提高。

在以后的学习实验中，根据不同实际情况的需要选择不同的融合方法。