级：海洋101姓 名：张 丹学 号：141003137日 期：

2012/11/15

成 绩：测绘工程学院

一、实验目的

1、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。

2、通过实验掌握遥感图像融合的方法，比较区分各自优缺点。

二、实验软件

ERDAS IMAGINE9.2

三、实验准备

“影像材料在 Gis38 上“的图像fusion1.img和图像spot5pan.img；图像

spot5mul.img。

四、实验目的

背景：多角度、多传感器、多平台和高时间分辨率、高空分辨率、高时间

分辨率的遥感图像数据各自具有自己的优势和局限性。但是通过大量的研究发现，通过不同传感器、不同方式获取的大量遥感图像数据之间，既具有互补性，又存在极大的冗余性。如何从这些兼有互补性和冗余性的多源海量遥感数据中

有效、合理的提取更有用、更精练、质量更高的信息，为辅助决策系统提供决

策依据，已经成为一个迫切需要得到解决的前沿性问题，遥感图像融合技术就

成为一个研究热点。

目的：将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取

的及时性和可靠性，提高数据的使用效率。

五、融合过程

1、遥感影像的预处理，几何校正

（1）预处理：主要包括遥感影像几何纠正、大气订正、辐射校正及空间配准几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴

影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一

致性的影响；影像空间配准的目的在于消除由不同传感器得到的影像在拍摄

角度、时相及分辨率等方面的差异。

（2）几何校正配准步骤

1、特征选择：在欲配准的两幅影像上，选择如边界、线状物交叉点、区

域轮廓线等明显的特征。

ERDAS图表面板菜单条：Session→Title Viewers

在Viewer1中打开需要校正的Lantsat图像：spot5mul.img在Viewer2中打开作为地理参考的校正过的SPOT图像：fusion1.img

图1-2 采取控制点

2、特征匹配：采用一定配准算法，找处两幅影像上对应的明显地物点，作为控制点。

图1-3选取特征点

3、空间变换：根据控制点，建立影像间的映射关系。

4、插值：根据映射关系，对非参考影像进行重采样，获得同参考影像配准的影像。

5、计算检查点误差：在GCP Tool工具条中点击Compute Error图标，检查点的误差为Total=0.6524，误差小于一个像元，进行重采样。

图1-5 采样检查点

注意1:空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。

6、图像重采样

图1-6影像重采样

7、输出图像文件（OutputFile）:rectify2.img

8、用同样的方法对spot5pan.Img进行几何校正配准，并且输出图像文件（OutputFile）:rectify1.img

图1-8几何校正后的影像rectify1.img

2、遥感影像的预处理，剪裁

在输出的进行过几何矫正过的rectify1.img和rectify2.img的图像，两个图像都是歪斜的，并且面积大小不一样，在进行遥感影像融合前必须对遥感影像的图像rectify1.img和rectify2.img进行裁剪，使他们的面积大小和形状一致，保证融合的准确性，不出现偏移现象和出错。

注意2：遥感影像的图像rectify1.img和rectify2.img中，面积最小者是rectify1.img，它是spopan5.img校正后的，剪裁以它为准。

（1）ERDAS图表面板菜单条：Session→Title Viewers

在Viewer1中打开校正过的的遥感影像：rectify1.img

在Viewer2中打开校正过的的遥感影像：rectify2.img

在DataPrep下，打开SubSet，Input File选择rectify1.img,Output选择输出文件。，img名为caipan.img，并且在图像上选择合适的左上坐标与右下坐标，使之裁剪成方正的图像，并记录（X,Y）数据，留剪裁rectify2.img使用同样的左上角和右下角坐标，是两个图像裁剪大小面积一致。

我的左上角（X,Y）数据为左上(4485.500000，3982024.500000), 右下角数据为（451972.500000，3979492.500000）。

图1-9 裁剪影像rectify1.img

（2）对rectify2.img影像进行裁剪，方法同第一步裁剪

rectify1.img，不需要重新进行左上角与右下角的坐标选择：

图1-10裁剪影像rectify2.img

只需要在坐标中输入左上角（X,Y）数据为(4485.500000，3982024.500000), 右下角数据为（451972.500000，3979492.500000）即可，就如前文所述，使两个图像裁剪大小面积一致。（下图1-11裁剪进程），裁剪后为caimul.img。

图1-12 输出的裁剪后的caismul.img和caipan.img

3、遥感影像的融合

(1)对配准后的两幅幅遥感影像caismul.img和caipan.img利用PCA 变换

在工具栏的“interpreter”下，选择“spatial enhancement”，再选择

“resolution merge”

图1-13打开融合工具

（2）采用PCA主成分分析法：在High Resoluton IputFile 中输入剪裁后的全色影像caipan.img，在Mulpretral IputFile中输入剪裁后的多光谱彩色影像caimul.img，Output File 中为输入的PCA方法融合后的影像，命名为ronghe.img。（下图1-14所示）

图1-15 融合进度条

（3）采用Brovery法：在High Resoluton IputFile 中输入剪裁后的全色影像caipan.img，在Mulpretral IputFile中输入剪裁后的多光谱彩色影像caimul.img，Output File中为输入的Brovery方法融合后的影像，命名为ronghe2.img。

图1-16Brovery融合输出设置

（4）采用Mutiplicative法：在High Resoluton IputFile 中输入剪裁后的全色影像caipan.img，在Mulpretral IputFile中输入剪裁后的多光谱彩色影像caimul.img，Output File 中为输入的Mutiplicative方法融合后的影像，命名为ronghe3.img。

图1-17 融合输出设置

（5）输出后的融合影像，ronghe.img ronghe2.img ronghe3.img

图1-18不同方法融合后的影像集六、结果分析及评价

通过实验学习多源遥感影像融合技术，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。

本次实验老师给的融合素材是“影像材料在 Gis38 上“的图像

fusion1.img和图像spot5pan.img；图像spot5mul.img。spot5pan.img影像是全色影像，具有较高空间分辨率，多光谱影像spot5mul.img光谱信息较丰富，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。

这次实验主要采取三种方法对我裁剪后的影像进行融合，当然在裁剪前，我用已学到的几何校正方法对影像spot5pan.img和spot5mul.img进行了校正，然后剪裁大小一致，用来进行遥感影像的融合，如果不校正也不剪裁，那么出来的融合影像就会很失真，重叠很多，影响就会变质，完全分辨不出地物。

首先采用的融合方法是PCA法。PCA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。PCA融合后的影像能够分离信息，减

少相关，从而突出不同的地物目标，影响比较清晰，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，从我融合后的影像ronghe.img，我的主观来判断用PCA法融合后的影像相比其他方法感觉失真有点大，可能是分类误差较大导致吧。

然后我采用了Brovey融合法，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ronghe2.img，影像感觉分辨率清晰度不如PCA法，但是失真较小，地物轮廓也比较清楚。Brovery变换融合增强了影像的纹理信息，通过看高密

度建筑物的遥感影像便会发现。

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，只有乘法变换可以使其色彩保持不变，所以融合出来的影像ronghe3.img多光谱特性好，几乎没有失真，而且同时提高了分辨率，在这三个融合影像中是地物最清晰切光谱特性良好的，我个人喜欢这个融合法。

实验后发现，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的。

这几张融合图片可以清晰地反映出几种方法的优缺点。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。主成分变换法得到的影像是一种特定的结果，能够分离信息，该方法主要是根据需要选择特定的因素，并以其为主要因素进行融合处理；乘积变换法的优点在于能够保持其原有的色彩，并且其亮度得到增加；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，而且有利于云雾等的消除。

但是总的来说，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。下载本文