包西民

（北方民族大学计算机科学与工程学院，宁夏 银川750021）

最近几十年国内外无人机遥感技术不断地发展, 已经作为传统的卫星遥感技术以及航空摄影测量等方面的重要组成部分, 将无人机的航拍图片经过预处理后与高分辨率的遥感卫星影像进行融合,此种方式可以将两种影像的优势进行互补,应用前景非常广阔。目前,对高分辨率卫星遥感影像与高分辨率不同数据源影像的融合[1]此类研究居多,针对基于高光谱遥感卫星影像与超高分辨率的无人机影像[1]的融合来说研究人员还是比较少,研究成果也是比较有限,产生此种原因主要是由于超高分辨率[2]的无人机影像在获取途径和使用的费用方面都有一定的难度。随着近些年来无人机技术的迅速发展,与之前相比不管是在成本与还是技术方面已经不可同日而语, 目前无人机遥感平台可以在低空云下拍摄时可以快速的应用于目标区域, 并且不管是运行还是维护成本早已经大大的降低, 而且绝大部分无人机安全风险已经大大降低,无人机还具有轻便灵活的优点,所以在遥感领域的应用正在快速的扩展开来,以后会越来越广泛,这不仅方便了研究人员对超高分辨率影像的获取和相关研究[3],而且在实际应用中已经得到部分应用。由此看来,针对于无人机影像与卫星遥感影像的融合试验显得尤为重要,也十分有意义。

1 数据预处理

无人数据以及遥感数据使用之前必须经过一定的预处理,无人数据需要对图像进行拼接等操作; 遥感卫星数据需要对影像数据进行定标,校正处理后才能进行下一步的操作。

1.1 无人机数据预处理

无人机影像像幅小,影像数量多;受限于无人机姿态稳定性,影像旋偏角大;非量测性相机焦距短,影像投影差变形大,并且影像畸变差较大;POS 精度低; 以上特点均对后期处理软件具有很高的要求。针对无人机航测数据特点在数据处理中需要解决的几个关键问题为:1.1.1 影像同名点匹配问题, 尤其是弱纹理地区,如沙漠、林地、山地、水田等区域。1.1.2 空三成果精度保证问题。1.1.3 空三成果与采集软件的匹配问题。1.1.4 软件操作简单易用,自动化程度高。

1.2 卫星遥感数据预处理

在使用卫星遥感影像数据之前需要对数据进行预处理卫星遥感数据的预处理步骤为:1.2.1 辐射定标是使用大气纠正技术将影像数据的灰度值转化为表观辐亮度、表观反射率等物理量的过程。传感器在进行采集数据时受到外部因素的影响会使得生成的数据与真实的数据相比存在一定的误差, 这种误差影响了后续影像数据的准确有效的使用。因此必须要对影像进行辐射定标。1.2.2 卫星传感器在获取遥感影像时会产生辐射量误差, 这种误差导致了反射率失真从而导致数据失去了真实性,大气校正就是对这种误差的消除。1.2.3 正射校正是对影像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。它除了能纠正一般系统因素产生的几何畸变外,还可以消除地形引起的几何畸变。

2 影像融合概述

2.1 影像融合过程

影像融合是一种将高空间分辨率影像与低分辨率影像合并的方法,该方法已在多种基于视觉的应用程序中得到广泛使用。与具有低分辨率的多光谱图像相比, 主要目的是提高融合图像的辐射质量。遥感图像融合可以增强图像的光谱,空间和时间。图像融合的新技术不断涌现,将焦点从泛锐化转移到时空融合,这些融合源自不同的传感器和平台。影像融合可以使得空间分辨率提高,几何精度得到改善,有利于后期的特征提取以及分类等,有利于影像的相互补充。

2.2 影像融合层次

2.2.1 基于像素级的影像融合

像素级图像融合的目的是从包含相同场景的两幅不同的遥感影像中从各中获取补充信息的多个输入影像生成合成影像。在不同的参数设置下, 从不同的成像设备或单一类型的传感器捕获影像,将异源的影像在各像素一一对应的情况下进行融合。融合后的影像使得影像在解译, 影像分类等工作在更准确的前提下进行,影像视觉效果得到改善。基于像素的遥感影像融合的基础是完成以几何纠正为前提的空间匹配,包含像素坐标转换、像素重采样等。像素级融合是基于最原始的影像数据,能保留原始影像的真实感, 与其他融合方式不同的是像素级融合能够提供细微的信息。本文所研究的是基于像素级的融合。

2.2.2 基于特征级的影像融合

基于特征级的融合需要对遥感影像进行目标识别然后对其特征进行提取例如边缘提取、分类等。然后对提取的这些信息进行综合分析与融合处理。这些来自同一区域的特征它们空间上相互对应,把这些相互对应的特征利用神经网络,统计等方法进行融合。遥感影像的特征层融合中,特征结构相互对应。特征融合着重于把特征进行关联处理,并把特征分成不同的类别,因此对于特征的属性的确定更为准确与可信。特征融合中需要的数据量较少,便于实时处理,但是由于特征融合是基于特征而不是基于影像本身, 所以进行特征提取时会导致信息丢失此种情况的发生。目前的一些特征融合的方法使融合后的影像不仅可以保留高分辨率影像的结构信息, 用能够融合遥感卫星多光谱影像的光谱信息,增强影像的识别与分类精度。

2.2.3 基于决策层的影像融合

基于决策层的遥感卫星影像融合是指经过特征提取及其识别后的融合。决策层的融合一般直接应用到实践中去。决策层融合首先需要对影像数据进行特征提取等操作, 然后选取所需要的数据,利用一定的规则进行识别分类,最后将这些信息进行整理并融合,此实获得的结果可以作为决策的依据,用来提高分类精度及影像解译等能力。

3 影像融合方法简介

影像融合方法多种多样有基于传统方法的融合,有基于深度学习方法的融合,每一种融合方式都有他们自己的特点。下面对几种方法的融合方式进行简单介绍。色彩标准化融合对多光谱影像和全色影像进行数学合成,得到融合后的锐化影像。利用待融合影像的高空间分辨率波段对输入影像的低空间分辨率波段进行增强称为色彩归一化变换。HSV 变换融合方法是一种常见的颜色变换法, 其原理是先对MS 影像进行RGB 波段的颜色正变换, 从而得出分别包含H、S 和V 的3 幅图像,H 表示色度,S 表示饱和度, V 表示亮度。PCA[46] 融合是对拥有N 个波段的低分辨率影像进行主成分分析。用拉伸过的高分辨率影像作为PCA 变换的第1 分量, 最后进行PCA 逆变换还原。Pansharp 融合是基于最小二乘逼近法来计算多光谱影像和全色影像之间灰度值关系。这是一种像元层面的技术,利用PAN 图像增加MSS 图像的空间分辨率。

小波融合是一种常用于空间域信号分解与重构的融合方法。它的原理是分别对包含丰富波谱信息的多光谱( MS) 影像和包含高空间信息的全色( PAN) 影像进行小波正变换,再分别对PAN 影像和MS 影像中包含的高频信息与低频信息进行提取,从而获得了两幅影像的有效特征信息,此时再采用小波逆变换,生成融合影像。基于深度学习的遥感影像与无人机影像进行融合,利用深度学习的方法,实现两种待融合影像特征的自动选择,特征选择自动化进行不需要手动进行特征选择,对无人机图像和遥感影像的特征进行全面深层的表达, 提高了融合的效果,为后续融合影像的解译等提供了技术支持。

4 结论

无人机图像与遥感卫星影像的融合应用前景广阔,无人机遥感技术与卫星遥感技术的不断发展, 使得两种影像各自优势的互补显得尤为重要。因此,针对无人机图像的预处理,遥感卫星影像的预处理, 无人机影像与卫星遥感影像的融合层次的选择以及融合方法的选择对融合效果来说尤为重要。选择不同的融合方法进行融合后的影像具有不同的特点。对不同方法进行融合后的影像进行选择, 利用融合质量较好的影像进行下一步的研究与应用,是未来发展的趋势。