2022年多源遥感图像融合技术综 .pdf

《2022年多源遥感图像融合技术综 .pdf》由会员分享，可在线阅读，更多相关《2022年多源遥感图像融合技术综 .pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1 多源遥感图像融合技术综述摘要： 本文针对遥感图像分析的具体实践需要, 论述了几种常用的基于像素级遥感图像融合方法的原理、特点、作用及限制条件, 描述了其主要步骤, 进行了定性分析,归纳并阐明了遥感数据融合效果定量评价指标及其意义, 展望了遥感图像融合方法的发展与应用前景。关键词： 遥感图像融合、像素级、主成份分析法、小波变换分析法Abstract：According to the analytical practice of remotely sensed image, the paper introduces some popular fusion methods based on pi

2、xel-level, mainly discusses the principals, features, functions, conditions, qualitatively analyses the steps of the methods, generalizes and illustrates quantitative appreciation of the fusion effects, and explain the development of image fusion techniques for remote sensing application, as well as

3、 it s foregrounds in application. Key words: remote sensing image fusion, pixel-level,principal components analysis, wavelets analysis. 0.引言遥感平台和传感器的发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的海量影像资料。一般来说， 多光谱图像的光谱分辨率较高，但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，但光谱分辨率较低。 因此，将具有低空间分辨率的多光谱图像和具有高空间分辨率的全色光学图

4、像进行融合， 使融合后的多光谱图像具有较高的空间细节表现能力，且同时保留多光谱图像的光谱特性， 把这些多源海量数据尽可能地作为一个整体来综合应用，从而充分、 有效提取各种类型遥感影像的综合信息，克服遥感影像自动解译中单一信息源不足的问题，即遥感数据融合技术。遥感影像融合是一种通过高级影像处理来复合多源遥感影像的技术，它针对不同环境条件, 选择最佳的波段组合和分辨率, 设计最适宜的时相叠加, 采用一定的算法将各影像的优点或互补性有机地结合起来产生新的影像。融合后的影像同单一信息源相比, 清晰度得到提高,能减少或抑制环境解译中可能存在的多意性、不完全性、 不确定性和误差；最大限度地利用了多种资料的

5、不同特性, 使图像同时具有较高的光谱和空间分辨率, 提高了图像的视觉效果；改善了几何精度、图像特征识别的精度和分类精度, 有利于增强多重数据分析和环境动态监测能力；改善了遥感信息提取的现势性和可靠性, 有效地提高了资料使用率, 为大规模的遥感应用研究提供了一个良好的基础。研究表明 , 融合后的图像能更好地解释和描述被感知的对象或环境, 同单一信息源相比,能减少或抑制对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性和误差,最大限度地利用各种信息源提供的信息,从而提高了对图像的信息分析和提取能力, 因而广泛地应用于地形测绘和地图更新、土地资源调查、 农业、森林资源调查和保护、军事等领域

6、。1.遥感图像融合通用算法遥感数据融合分为三级: 像素级融合、特征级融合、决策级融合。像素级融合是一种低水平的融合 , 它是直接在采集到的原始数据层上进行的融合, 通常用于多源图像复合、图像分析和理解等；特征级融合是先对原始遥感影像信息进行特征提取,然后对特征进行综合分析和处理 , 融合结果能最大限度地给出决策分析所需要的特征信息；决策级融合是一种高层次的融合 , 它是在上述像素级和特征级融合所提供的各类特征信息的基础上对图像信息进行识名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第

7、1 页，共 7 页 - - - - - - - - - 2 别、分类或目标检测, 并在获得有关区域决策信息后, 再对所获得的专题图像进行融合处理,它的融合结果直接为指挥、控制、决策系统提供依据。其中像素级融合是最基础和最重要的,也是目前融合领域研究的热点，本文主要论述基于像素级遥感影像的融合方法, 并对各种算法进行分析和评价,归纳遥感影像融合质量定性评价方法及遥感影像融合的主要应用。图像融合算法种类非常多, 但大体上可以分为三类: 一类是从图像增强算法发展而来的较为简单的传统图像融合方法。即针对各个图像通道, 利用一些替换、算术等简单的方法来实现。应用较广的有线性加权法、高通滤波法(HPF)、

8、HIS变换法、主成份分析法(PCA)等。这些方法简单易行,在不同的遥感领域得到应用。第二类是自80年代中期发展起来的多分辨融合算法 ,主要是塔式算法和小波变换法及小波变换融合算法。它们的基本思想是: 首先把原始图像在不同的分辨率下进行分解, 然后在不同的分解水平上对图像进行融合, 最后通过重构来获得融合图像。第三类主要是多种算法相结合形成的各种改进的融合算法。1.1 HIS 变换法人眼对影像强度的分解力比色度和饱和度的分解力高，HIS变换是基于人眼对颜色的心理模型来选择的。与RGB 空间各分量相互相关不一样, HIS 空间中三分量 H、I、S具有相对独立性 , 可分别对它们进行控制, 并且能够

9、准确定量地描述颜色特征。在遥感图像融合中，常常需要把RGB空间转换为 HIS空间，在 HIS空间复合不同分辨率的数据， 即基于 HIS变换的遥感图像融合技术，这是在遥感图像融合中经常用到的一种方法，是基于 HIS色彩模型和应用广泛的融合变换方法，具有两个显著的特点：它有效地把一幅彩色影像的红 ( R)、绿 ( G) 、蓝 (B) 成份变换成代表空间信息的强度分量和代表光谱信息的色度分量、 饱和度分量， 这一过程称 HIS正变换； 它具有可逆性， 即能将 H、I、S变换成 R、G、B，这一过程称逆变换或反变换。根据人眼视觉特性和HIS变换的特点， HIS色彩变换先将多光谱影像进行彩色变换，分离出

10、强度 I、色度 H和饱和度 S三个分量，然后将高分辨率全色影像( PAN ) 与分离的强度分量进行直方图匹配，使之与I分量有相同的直方图，最后再将匹配后的PAN 代替 I分量与分离的色度 H、饱和度 S分量， 并按照 HIS逆变换得到空间分辨率提高的融合影像，即空间分辨率提高的多光谱影像。HIS-RGB 变换公式如表 1所示。表1 HIS-RGB 变换公式条件正变换计算公式逆变换计算公式RB G 或 0 HB G 或 1 HGR或 2 H3I=(R+G+B)/3 H=(R-G)/3(I-G)+2 S=1-G/IB=I(1+8S-3HS) R=I(1-7S+3HS) G=I(1-S)此变换可用于

11、相关资料的色彩增强、地质特征增强、空间分辨率的改善, 分类精度的提高, 以及不同性质数据源的融合等。一般来说， 基于 HIS变换融合方法可以提高结果图像的地物纹理特性，但光谱失真较大，而且多光谱图像的波段数必须为3。1.2 比值运算法比值运算是遥感图像处理中常用的方法，它是两个波段对应像元的灰度值之比或几个波名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 7 页 - - - - - - - - - 3 段组合的对应像元灰度值之比。此种运算经常用来发现变化图斑，是动态监测的

12、一个有力工具。利用比值运算可以扩大不同地物的光谱差异。对两个不同时相的遥感影像进行比值运算的融合处理， 融合结果虽然使总体色调和纹理细节有所下降，但是在变化区域内的色调表示却异常突出和明显，使一些细微、 独立的变化都能够在融合结果中表现出来，这是因为动态变化能够引起融合影像的光谱特征、纹理特征变异， 从而在融合结果中突出显示出来。另外，比值运算可以消除共同噪音，消除或削弱地形阴影、云影的影响等。应该注意的是，纹理特征的变异不总是变化区域，它还与诸如照度差异、大气条件、 地面湿度及两图像间的几何配准精度等因素有关，应与区域变化加以区分。1.3 线性复合与加权乘法线性复合指对遥感影像资料进行加权运

13、算, 从振幅上对影像的结果进行突出处理, 从而达到影像效果的增强。乘积运算就是将高分辨率波段与多光谱两个灰度矩阵进行矩阵乘积。结果矩阵与多光谱矩阵差别很大, 直接反映在影像上为光谱变化大, 纹理不如原分辨率波段清晰。此类融合方法对于表现细碎地貌类型是不合适的, 但对于大的地貌类型,如高起伏地区、荒漠区域类型增强效果是比较理想的。利用该融合方法还可以解决非同一波谱区波段数据融合的问题。如在传统的用HIS 变换对高空间分辨率全色影像与多光谱影像的融合中, 当有红外波段影像参与融合时, 由于高分辨率全色影像不含红外波段信息, 因而与强度分量的相关性弱 , 使融合得到的多光谱影像灰度值同原多光谱影像有

14、较大的差异, 即光谱特征被扭曲, 从而造成解译困难。为了最大限度地保留多光谱影像的光谱特征, 可将高空间分辨率全色影像与I 分量按下式进行加权线性组合, 以得到高分辨率影像, 并以之代替强度分量进行融合: Ip=(3-k)Ip/3+(k1jpiI)/3 式1式1中k=1或k=2，Ip为高空间分辨率全色影像像元灰度值，Ipi为第 i 红外波段的像元灰度值。1.4 Brovey变换法Brovey变换是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法,该方法是通过归一化后的多光谱波段与高分辨率影像乘积来增强影像的信息。以Landsat TM 2 、3、4和 SPOT PAN 之间的融合为例

15、，其融合后的红 ( R) 、绿( G) 、蓝( B) 三波段结果图像如下: R=4324bandbandbandbandSPOT式2G=4323bandbandbandbandSPOT式3B=4322bandbandbandbandSPOT式4上述各式中，432bandbandbandbandi体现了影像的波谱信息，SPOT 体现了影像的空间信息。1.5 高通滤波变换法（ HPF）高通滤波 ( HPF) 常用于影像纹理和细节处理方面。影像的细节提取往往是通过高分辨率影像的高通滤波来实现的。高通滤波变换的目的是提高影像高频细节,突出影像线性特征和边缘信息。高通滤波变换融合的实施:(1) 对高空间

16、分辨率全色影像进行高通滤波, 以提取空间信息 , 亦即提取原影像中的线性特征和边缘特征;(2) 对低分辨率多光谱影像进行低通滤波,名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 7 页 - - - - - - - - - 4 以提取低频信息, 即原始多光谱影像的概貌, 它代表了多光谱影像的光谱信息;(3) 对高通滤波和低通滤波的结果求加权, 得到锐化了的影像。高通滤波变换用下式定义: HPi=(WaMSIiLP)+(WbPANiHP)式5式5中Wa 、WB为权，且Wa+W

17、B=1.0 ，MSIiLP为低分辨率多光谱影像i波段的低通滤波的结果，PANiHP为高空间分辨率全色影像PAN进行高通滤波的结果，HPi为锐化了的输出影像。高通滤波消除了高分辨率影像中的低频噪声, 且滤波的结果可以用于所有多光谱波段。1.6 主成份变换法（ PCA, Principal Components Analysis ）主成份变换是遥感数字图像处理中运用比较广泛的一种算法, 是在统计特征基础上的多维( 多波段 ) 的正交线性变换。主成份变换将各种光谱图像均视为一个随机变量。融合时首先求他们的协方差矩阵的特征值和特征向量, 然后将特征向量按对应特征值的大小从大到小排列并得到变换矩阵, 最

18、后对多光谱图像作变换, 并按应用的目的和要求取前面几个图像进行融合。 遥感图像的不同波段之间往往存在着很高的相关性, 这可通过 PCA 变换 ,把多波段图像中的有用信息集中到数量尽可能少的新的主成份图像中,并使这些主成分图像之间互不相关 , 从而大大减少总的数据量, 并使图像信息得到增强。利用PCA 变换就可以很方便地将影像的结构信息通过第一主分量表达出来。由此可见,PCA变换对影像编码, 影像数据压缩 , 影像增强 , 图像变化探测, 多时相影像融合非常有用。主分量变换在进行融合中有两种变换方法, 一种是参与法 : 将参与变换的各波段, 包括高空间分辨率数据在内, 统一进行主分量变换, 然后

19、进行反主分量变换。另一种是替换法: 将多光谱的多个波段先做主分量变换, 并且与 HIS变换相似 , 将高分辨率全色影像与第一主分量进行直方图匹配 , 使之与第一主分量有相同的均值与方差, 然后用匹配后的高分辨率影像代替第一主分量 , 最后进行反主分量变换, 得到空间分辨率提高了的多光谱影像的融合影像。近年来利用 PCA 变换对 TM 与SPOT 、TM 与SAR 的影像融合的例子很多，变换后的影像色彩突出, 各地类的色彩丢失和偏移较少。由于多光谱数据的参与, 影像纹理信息结构明显突出。植被覆盖清晰 , 并可由色彩来区分不同的植被种类和长势状况。建筑区的植被几乎没有受到建筑区色调的影响。水体表现

20、也比较良好,唯深浅反映较差。1.7 小波变换法小波变换应用到影像融合领域是在20世纪 90年代开始的。 小波变换作为一种新的数学工具, 是介于函数的空间域表示和频率域表示之间的一种表示方法。它在空间域上和频率域上同时具有良好的局部化性质, 对高频成份采用逐步精细的空间域取样步长, 可以“聚焦” 到对象的任意细节 , 从而被誉为“数学显微镜”。影像经小波分解后其频率特性得到了有效分离, 低频部分反映的是影像的整体视觉信息,各高频成份反映的是影像的细节特征。利用高分辨率影像数据的高频成份和相应的多光谱影像数据的低频成份组合进行小波重建, 可得到融合影像。由于小波融合保留了高分辨率影像的高频特性 ,

21、 所以整体融合效果( 视觉特性、 纹理细节、 明暗色调等 ) 较好 , 提高了多光谱影像的空间分辨率 , 同时又保持了多光谱影像的光谱信息, 这便是基于小波变换融合的基本思想。近年来 , 国内外学者在小波变换用于遥感影像的融合方面做了许多的工作。哈斯巴干等提出了小波局部高频替代的融合方法。该方法利用小波变换对HIS变换中的 I 分量作了改进。在此研究中 ,ETM遥感数据 5、4、3波段中由 HIS孟塞尔彩色空间变换后的I 亮度分量经与全色波段中的高能替代的小波变换, 形成一个新的、集中了I 分量和全色波段高频能量的新分量,再通过 HIS反变 , 换得到融合影像。此融合结果在遥感土地利用调查中提

22、高了土地利用的计算精度。1.8 多分辨塔式融合算法名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 7 页 - - - - - - - - - 5 图像融合的金字塔算法是20世纪 80年代应用较广泛的融合算法，主要包括 Laplacian金字塔算法、对比度金字塔算法和梯度金字塔算法。这些金字塔算法都是在Gaussian金字塔算法的基础上发展起来的，目前已经被小波融合算法所取代。每一种金字塔算法的融合过程都是相同的。首先按照一定算法对原图像进行处理，并进行间隔采样， 如此进行

23、 N次操作， 其中每一层图像的数据量只是上一层图像的1/4，这样就形成一个多分辨的塔状结构。然后在每一层都按照一种融合规则对多源数据进行融合，从而形成一个合成的金字塔。最后对此金字塔进行重构，得到融合图像。其中，Gaussian金字塔是按照低通滤波算法，Laplacian金字塔是按照带通滤波算法。对比度金字塔和梯度金字塔算法类似于 Laplacian金字塔，只不过滤波的对象是对比度，而梯度金字塔是对梯度进行滤波。这种算法的优点是能够提取图像的多分辨信息，通过选择适当的融合规则，较好地实现了图像融合的目的，缺点在于不同层次图像之间的数据具有很强的相关性，因而难以确定这种相关性是图像自身的特点还是

24、来源于冗余性；且不能保证不同层次间信息损失最小；当多源图像数据存在较大差异时，融合图像会出现斑块效应。1.9 多种算法结合的融合算法无论是传统融合算法，还是多分辨融合算法，都有一定程度的不足之处。线性加权法和HPF法最简单，但融合效果最差，一般很少单独采用；IHS变换法的优点是不仅大大提高了融合影像的空间信息表现能力，而且计算量非常小，但光谱失真严重，而且多光谱图像的通道数必须为 3；PCA变换法的优点在于不仅提高了影像的空间信息表现能力，而且在保留原多光谱影像的光谱特征方面优于IHS融合法， 但计算量很大； 在一般的小波变换融合算法中,小波分解的阶数对融合结果影像影响很大，若小波分解的阶数选

25、得低，则增强后多光谱图像的空间细节表现能力较差，但光谱特性保持程度好，反之则增强后多光谱图像的空间细节表现能力较好， 但光谱特性保持程度较差。各种融合算法之间有很强的互补性，因此可以将多种算法有机地、互补地结合起来，形成新的融合算法。例如基于线性加权法和IHS变换的融合算法、小波变换与IHS变换相结合的算法、小波变换与PCA相结合的算法等等，以满足不同的实际需要。2遥感图像数据融合算法的评价准则图像融合结果的评价分为主观评价和客观评价，也可以结合起来使用。主观评价是通过目视效果进行分析；客观评价就是利用图像的统计参数进行判定。当前图像融合效果的客观评价问题一直未得到很好地解决，原因在于同一融合

26、算法对不同类型的图像，其融合效果不同；对同一图像，观察者感兴趣的部分不同，则认为效果不同；不同的应用方面，对图像各项参数的要求不同，导致选取的融合方法不同。因而需要寻找一种客观评价融合图像效果的方法，使计算机能够自动选取适合当前图像的、效果最佳的算法。在多源遥感数据融合研究中,对融合结果的评价因涉及到不同的数据源而相对复杂,一直没有统一的标准,评价常依据目视判定,结合数理统计法进行。常用于衡量信息量的统计参数有均值、方差、熵、联合熵、平均梯度、偏差指数、相关系数等。( 1) 方差 :影像的方差经常被用作衡量影像信息量的重要指标,在影像的描述上为偏离影像均值的程度 ,它是衡量一幅影像信息量大小的

27、重要参量。方差越大,融合后图像的动态范围就越大。融合影像的空间分解力同替代影像的方差相关。一般来说,替代影像的方差越大,融合影像的分解力就越高。( 2) 熵:影像融合结果的一个定量指标是融合影像的熵值,在影像的表示上为偏离影像直方图高峰灰度区的大小。融合影像的熵和联合熵越大,融合影像的信息就越丰富。( 3) 平均梯度 :可敏感地反映图像对微小细节反差表达的能力,因此可用来评价图像的清晰程度。一般来说,平均梯度越大 ,图像就越清晰。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页

28、，共 7 页 - - - - - - - - - 6 ( 4) 偏差指数 :是融合影像与低分辨率影像差值的绝对值与其低分辨率影像值之比。偏差指数越小 ,融合图像与原多光谱影像的偏离程度就越小,就越能保留原多光谱影像的光谱特征。( 5) 相关系数 :融合图像与原多光谱影像相关系数越大,融合结果就越能保持原多光谱影像的光谱特征。在HIS变换、 PCA变换、小波变换中使用替代法时,替代影像同较高空间分解力影像之间的相关系数越大,融合影像与原多光谱影像在光谱特征上的差异就越小。利用图像的统计特性进行融合图像分析及效果评价的方法，研究图像融合的客观效果评价，是以视觉分析为主,并结合定量分析进行的。此评价

29、准则仍有值得改进之处，在实际工作中可依据不同的地域内容、不同的应用目标以及不同的数据源,选择适当的遥感数据融合处理方法 ,在提高空间分辨率的同时,最大限度的减小光谱扭曲,从而有利于计算机自动解译分类。3.结束语3.1 结论( 1) 本文所述的融合方法皆属于像素级融合方法范畴。不同融合方法具有不同的作用、优势及其限制条件，但其目的都是为了发挥多源遥感数据的优势，提高图像的质量，以进行图像增强、 图像压缩、图像自动分类等应用，使之更好地服务于目标检测、变化检测和目标识别，为其相应的具体的应用提供准确可靠的信息，从而提高这些应用的精确度。( 2) 高分辨率遥感影像在纹理细节上的信息比较丰富，其细节层

30、次主要包含于高频成分中，利用高分辨率影像是为了从它的纹理细节中获取信息，有助于提高定位和判读精度；相对来讲， 低分辨率多光谱影像仅包含了低频信息，但它体现了一光谱段的光谱信息，代表了概貌信息，且保持融合后的色调，有助于对目标的识别和判读。( 3) 多源遥感影像数据融合方法已经广泛应用于矿藏探测，岩性识别、 分类和地质制图，土地利用分类， 动态监测，制作影像专题图，地图测绘和更新等方面，越来越显示出遥感数据融合处理方法的实际作用。( 4) 像素级融合相对于特征级融合和决策级融合而言，其优点在于能保持尽可能多的原始信息， 避免了特征级融合过程中特征提取时可能出现的信息丢失，因而能提供其他融合级所不

31、能提供的细微信息；局限性在于其融合效果与几何配准，包括重采样的精度有密切的关系，要求各传感器信息之间应具有精确到一个像元的校准精度；对地面起伏较大区域的遥感图像， 应考虑用数字高程模型对其进行几何纠正，其中对侧视雷达图像的几何纠正尤为重要；基于像素级的融合要处理的数据量非常大，故处理时间长， 实时性差。 当然随着计算机软硬件的发展，处理数据量大的图像将不成为主要的问题。3.2 存在的问题与发展方向遥感数据融合方法的研究较多，由于对融合结果的评价涉及到不同的数据源和不同的研究区域类型，因而相对复杂，所以一直没有统一的标准；针对遥感数据融合类型之繁多，如不同时相、 不同类型传感器、不同空间分辨率之

32、比的数据间的融合等，如何在提高融合影像空间分辨率的同时又不使原始多光谱影像的光谱特性发生畸变，保证在原始数据中光谱可分的那些目标在融合影像数据集中仍然是可分的，至今没有给出不同情形下的最优化的融合策略，用户只能凭借经验来判断融合结果；地表景观具有动态性，缺少同一时刻获取的数据，这也制约了数据融合的效果。随着高空间分辨率、 高光谱分辨率、 多种类传感器的不断发展( 如SPOT、 IRS、 Landsat7、IKONOS 、Quirk Bird ) 等，我们可直接获得地面物体的形状、大小、位置、性质及环境相互关系等地面目标的特征信息。面对新的高分辨率数据类型，今后的研究工作应对现有各种融合方法的原

33、理、 特点进行综合分析，应利用小波分析、神经网络等理论，致力于发展更为有名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 7 页 - - - - - - - - - 7 效而且可靠的新的融合技术，以适合于新型数据自身融合的方法及高分辨率( 1m) 与低分辨率( 30m，甚至更低 ) 数据间的融合处理技术，充分有效地利用不同尺度、不同时相、不同类型的海量遥感数据。 另外还应探讨融合结果评价的方法，指出优化多源遥感数据融合的策略。目前， 多源遥感图像数据融合技术在国际上虽经多年

34、研究，但却没有统一的定义、成熟完善的理论及方法，但这没有妨碍信息融合技术的广泛应用，并取得不少成果。数据融合算法趋向于把知识理解和统计信息相结合，以及多传感器或多时相数据的特征融合处理，随着计算机技术、通讯技术的发展，新的理论和方法不断出现，并将日趋成熟，从理论研究转入到更广泛的实际应用，最终必将向智能化、实时化方向发展，并同GIS结合，以支持数据融合，实现实时动态融合用于更新和监测。随着遥感传感器的不断改进，遥感数据融合将更为重要，它将为保护地球环境、开发和利用地球资源提供新的途径。参考文献1 韩玲 ,吴汉宁 . 像素级多源遥感影像信息融合的客观分析与质量评价J.遥感信息 ,2005(5):

35、4043. 2 王贤敏 ,关泽群 ,吴沉寒 . 基于遥感影像融合的不同权限信息隐藏盲算法J.遥感学报 .2005(9):576582.3 王智均 ,李德仁 ,李清泉 . 利用小波变换对影像进行融合的研究J.武汉测绘科技大学学报, 2000,25(2):137142. 4 刘志刚 ,史文中 ,李德仁 ,秦前清 .一种基于支撑向量机的遥感影像不完全监督分类新方法J.遥感学报.2005(9):263273. 5 Jeon B. Landgrebe D A. Partially Supervised Classification Using Weighted Unsupervised Clusteri

36、ngJ. IEEE Transactions on Geoscience and Remote Sensing,1999,37(2):1073 1079. 6 Schokopf B,Platt J C,Shawe-Taylor J, etal. Estimating the Support of A High-Dimensional DistributionJ. Neural Computation,2001,13(7):1443 1471. 7 刘刚 ,敬忠良 ,孙韶媛 ,李建勋 .一种综合纹理和边缘信息的多尺度图像融合方法J.遥感学报 . 2005(9):247252. 8 蒲恬 ,方庆喆

37、 ,倪国强 . 基于对比度的多分辨图像融合J. 电子学报 ,2000,28(12):116118. 9 刘贵喜 ,杨万海 .基于多尺度对比度塔的图像融合方法及性能评价J. 光学学报 ,2001,21(11):13361342. 10 Barron D R, Thomas O D J. Image Fusion Through Consideration of Texture ComponentsJ. Electronics Letters ,2001,37(12):746 748. 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 7 页 - - - - - - - - -