多源遙感

隨著遙感技術的發展，光學、熱紅外和微波等大量不同衛星感測器對地觀測的套用，獲取的同一地 區的多種遙感影像數據(多時相、多光譜、多感測器、多平台和多解析度)越來越多，這便是所說的多源遙感。

基本介紹

• 中文名：多源遙感
• 外文名：multi-source remote sensing
• 信息形式：像元級、特徵級和決策級 
• 主要套用：多源遙感影像數據融合
• 信息特性：冗餘性、互補性和合作性
• 套用領域：測繪科學、地理學、地質資源研究

概述

簡介

自20世紀60年代末第一顆人造地球資源衛星發射以來，空間遙感技術得到了長足發展，在世界各國的經濟、政治、軍事等領域內發揮著日益重要的作用，同時遙感衛星的地面解析度越來越高，獲取的信息量越來越大，且套用範圍也越來越廣。目前，多平台、多時相、多光譜和多解析度遙感影像數據正以驚人的數量快速湧來，這就是我們所說的多源遙感。

多源遙感特性

與單源遙感影像數據相比，多源遙感影像數據所提供的信息具有冗餘性、互補性和合作性。多源遙感影像數據的冗餘性表示他們對環境或目標的表示、描述或解譯結果相同；互補性是指信息來自不同的自由度且相互獨立；合作信息是不同感測器在觀測和處理信息時對其它信息有依賴關係。

多源遙感數據融合

在遙感中，數據融合屬於一種屬性融合，它是將同一地區的多源遙感影像數據加以智慧型化合成，產生比單一信源更精確、更完全、更可靠的估計和判斷。它的優點是運行的魯棒性，提高影像的空間分解力和清晰度，提高平面測圖精度、分類的精度與可靠性，增強解譯和動態監測能力，減少模糊度，有效提高遙感影像數據的利用率等。

數據融合原理

對不同遙感器獲取的數據進行融合，可分為影像的空間配準和影像融合兩步。

影像的空間配準

影像的空間配準是遙感影像數據融合的前提，對兩幅影像的空間配準，一般把其中一幅稱為參考影像，以它為基準，對另一幅圖像進行校正。空間配準一般可分為下列步驟：

(1)特徵選擇：在欲配準的兩幅影像上，選擇如邊界、線狀物交叉點、區域輪廓線等明顯的特徵。

(2)特徵匹配：採用一定配準算法，找出兩幅影像上對應的明顯地物點，作為控制點。

(3)空間變換：根據控制點，建立影像間的映射關係

(4)插值：根據映射關係，對非參考影像進行重採樣，獲得同參考影像配準的影像。空間配準的精度一般要求在1～2個像元內。空間配準中最關鍵、最困難的一步就是通過特徵匹配尋找對應的明顯地物點作為控制點。

影像融合

根據融合目的和融合層次智慧型地選擇合適的融合算法，將空間配準的遙感影像數據(或提取的圖像特徵或模式識別的屬性說明)進行有機合成，得到目標的更準確表示或估計。多源遙感影像融合的一般模型如圖。

多源遙感影像融合的一般模型

融合的模型框架與特點

多源遙感信息的形式從層次上可分為：像元級(特徵提取之前)、特徵級(屬性說明之前)和決策級(各感測器數據獨立屬性說明之後)。因此信息融合就可相應在像元級、特徵級和決策級3個層次上進行，形成3種融合框架，融合的水平依此由低到高。

像素級信息融合

這是最低級的信息融合，可以在像素或分辨單元上進行，亦稱數據級融合，它包括一維時間序列數據、焦平面數據。其空間配準的遙感影像數據直接融合，而後對融合的數據進行特徵提取和屬性說明。像素級融合的優點是保留了儘可能多的信息，具有較高精度，缺點是處理信息量大、費時、實時性差。

特徵級信息融合

單個感測器只完成目標探測和特徵提取處理，多感測器來的目標信息或經濾波的軌跡則在目標分類之前組合成多源集成（MSI）軌跡，然後進行特徵提取，產生特徵矢量。融合這些特徵矢量時可採用Bayes決策法、神經網路法等基於特徵級融合法進行處理，作出基於融合特徵矢量的屬性說明。其優點是實現了可觀的信息壓縮，有利於實時處理，並且提供的特徵直接與決策分析相關，因此融合的結果最大限度地給出了決策分析所需要的特徵信息。目前大多數融合系統的研究都是在該層次上開展的，缺點是比像素級融合精度差。

決策級信息融合

這是最高水平的融合，每一個感測器先完成對目標的分類，完整的決策則是同另一個分類判決組合產生。因此，對一個目標來說，在分類之前，至少要有兩個感測器同時對它進行探測和分類。該融合方法的優點是具有很強的容錯性、很好的開放性且處理時間短。