航测内业中遥感影像数据融合方法的探讨

航测内业中遥感影像数据融合方法的探讨

任玲

中国能源建设集团黑龙江省电力设计院有限公司， 黑龙江省哈尔滨市， 150078

摘要：随着航测技术的迅速发展，航测技术在工程勘测勘察等多个领域得到了广泛应用。而在具体应用中，单一传感器所得到的图像信息不足以满足具体工程建设需求，所以需要通过不同传感器来获得更加丰富的信息数据，从而有效促进影像信息精确度、可靠性的提升。而其中最为重要的就是做好遥感影像数据的融合处理，基于此文章就对航测内业中遥感多源数据融合的技术路线和常用方法进行了分析研究，并结合具体工程实例开展了探讨，以供参考。

关键词：遥感影像；多元数据融合；应用研究

引言

遥感数据融合的目的是将获得的信息与卫星、飞机和地面平台上安装的传感器的不同空间和光谱分辨率相结合，从而产生包含比每个源更详细的信息的融合数据。数据融合产品是许多应用的基础，研究人员和从业人员不断努力开发先进的融合方法和技术，以提高其性能和准确性。然而，由于许多原因，例如各种需求、景观的复杂性、输入数据集的时间和光谱变化以及精确的数据共同注册，使得遥感数据尤其是多源数据，仍然具有挑战性。所以对于从影像融合应用的角度来讲，合理进行遥感影像数据融合方法的选择和应用，具有非常重要的意义和作用。

1多源数据融合技术路线

多源数据融合处理包括数据预处理、图属融合处理。数据预处理是为了将数据的格式、空间基准、数据模型等处理一致，以便后续在统一的基准和模型下进行融合处理。图属融合处理包括属性融合和图形融合，将参考数据的属性和图形补充入基于遥感信息提取的典型矢量要素数据中。数据融合技术流程的关键技术是数据匹配，也称同名实体匹配。同名实体匹配是通过分析空间实体的差异性和相似性，识别出不同来源数据中表达现实世界同一地物或地物集（即同名实体），包括几何匹配方法、拓扑匹配方法和语义匹配方法。

几何匹配是对不同地理实体匹配的重要手段。通过度量地理要素之间的距离、形状、方向趋势等几何特征相似度，利用先前设置的阈值来判断是否属于同名地理要素。

拓扑匹配是以目标实体与待匹配实体之间的拓扑特征相似度作为匹配依据，克服了几何匹配方法对点位精确及几何形状的敏感性，其匹配结果与原图中物体的几何精度无关，但缺点是两幅图中拓扑关系的微小差异都会导致匹配失败。（图1）中，由于右边的图形比左边多了一个分支，导致在拓扑关系上有所区别，从而导致匹配失败。在实际匹配过程中，如线实体匹配，可以先进行节点匹配，再确定与节点相关联弧段的匹配关系。由于拓扑关系的特点，拓扑匹配通常与几何匹配结合在一起使用，很少独立使用。

图1拓扑匹配示意图

语义匹配即属性匹配，是利用不同数据源对相同地理现象的性质描述相同或相近的特点，通过比较候选同名实体的语义信息作为匹配的依据。如在同一区域的地理数据中，两个点名称的属性值都相同，仅利用点的名称就可以确定两者为同名实体。一些学者据此研究，采用中文近似字符串匹配算法BPM-BM进行地名数据匹配。由于不同数据源属性信息可能存在较大的差别或属性信息难以保证完整性，因此基于属性信息的匹配方法并不多用，很多时候是作为一个匹配特征同几何特征、拓扑特征共同使用。

对于已匹配要素，将参考要素属性赋给典型矢量要素完成属性融合，同时采用更规则的图形替换典型矢量要素图形；未匹配的要素，则结合影像数据对典型矢量要素数据丢漏要素进行补充，完成图形融合。

2航测内业中遥感影像数据融合方法

2.1Brovery变换方法

Brovery变换融合的另一个说法为色彩标准化变换融合，是一种普遍使用的RGB彩色变换融合方法。该变换融合的主要目的是如何将多光谱影像3个颜色的波段（红、绿、蓝）标准化，通过多光谱标准化和高分辨率图像乘积的产品提高图像信息。这个方法较为常用，特点明显，即可以大大增强融合后图像的目视效果，可以将多光谱数据的影像的彩色效果转换为高分率图像的全色信息。但是缺点明显，就是对数据要求较高。在用这种方法处理数据时，必须进行预处理和去噪处理，过程较为复杂，且会使个光谱信息失真。

2.2HIS变换

HIS变换适用面非常广泛，是一种很常见的算法（HIS中H表示色调；I表示亮度；S表示饱度)。HIS的正变换，是把彩色影像所具有的RGB波段变换成HIS；由HIS变换成RGB称为HIS的反变换。实际上在研究过程中，常常构建RGB和HIS在空间上的对立关系，以实现二者的转换。HIS变换处理融合后生成的图像结合了融合前2幅图像各自的特点，使得图像变成了具有高分辨率且信息量丰富的彩色融合图像。融合后的图像既有多光谱数据的丰富的信息含量，又有全色波段的高分辨率，又有多光谱数据的丰富的信息含量。

2.3colornormalized(CN)变换方法

CN变换又称能量分离变换。它的原理就是使原始图像的较低分辨率的多光谱数据被融合后的图像所具有的高分辨率所提升，比如Landsat8融合后的图像的高分辨率增强融合前的多光谱数据的低分辨率。该方法仅对包含在融合图像波段的波谱范围内对应的输入波段进行融合，其他输入波段被直接输出而不进行融合处理。该方法较为常用，使用范围是尽量选择大的地貌类型，乘积运算（CN）对于大的地貌类型上处理效果好，还可以用于多光谱与高光谱的融合。

2.4主成分变换融合

主成份变换(PCA)，其是在保证信息完整性的前提下，所采用的一种线性变换，其多用于数据的增强和压缩。在具体应用中能够对多波段数据中的遥感信息进行完整准确的表达，任意融合不同波段，从而得到更加清晰、数据更丰富的融合图像。

2.5乘积变换融合

乘积变换融合在具体应用中无需先合成分辨率不同的遥感数据，可以直接变换图像亮度，并不改变图像色彩。因为其所采用的乘积组合算法，可以直接处理原始图像，对其中的关键信息进行增强。例如在对道路建筑等的识别中，就可以通过该方法来对上述食物的信息进行增强，但是该方法在具体应用中无法对多光谱图像反射信息得到完整保留。

3遥感影像数据融合实例

3.1软件选取

目前常用的遥感图像处理软件有：PCI、ENVI、EＲMapper和EＲDASIMAGINE．在四种软件中，PCI适合用于影像制图；ENVI具备强大的多光谱影像处理功能，因此在针对像元处理的信息提取中有较大优势；EＲMapper对于处理高分辨率影像效果较好；而EＲDASIMAGINE是功能非常强大的遥感图像数据处理系统，应用最广泛，数据融合效果最好．综合考虑各类软件，融合实验采用的软件平台是EＲDASIMAGINE。

3.2数据融合

为了验证融合方法，选取SPOT卫星（图3）和TM影像数据（图4），选择采用PCA变换、Brovery变换、乘积变换法来进行融合处理。经过处理后，与原图相比，清晰度大大提升（图5－7），并且信息也更加丰富。对比三种不同的图像如何处理结果，PCA变换能够更好实现对特定影像结果的分离和突出；Brovery变换则可以将食物的轮廓细节等进行更加清晰的呈现，同时还可以去除云雾等阴影；乘积变换则能够更好地提升图像亮度，并且不改变原有色彩。

图3原始SPOT卫星影像 图4原始TM影像

图5主成分变换法融合效果 图6乘积变换法融合效果图 图7比值变换法融合效果图

结论

综上所述，遥感影像数据融合处理作为航测内业中的重中之重，在现阶段必须加强对各种融合技术的研究和应用，根据不同情况合理进行融合软件和方法的选择，不断提升遥感影像数据融合处理质量，为航测工作开展奠定良好基础。

参考文献

[1]杨柳，陈延辉，岳德鹏，等．无人机遥感影像的城市绿地信息提取［Ｊ］．测绘科学，2017，42（2）：59--64．

[2]孙群.多源矢量空间数据融合处理技术研究进展[J].测绘学报,2017,46(10):1627-1636.

[3]周道霞，刘光辉.试论航测遥感内业数据处理关键技术[J].城市建设理论研究，2014（25）：121.

[4]史婷.刍议航测遥感内业数据处理关键技术分析[J].房地产导刊，2014（34）：32.