论文部分内容阅读
摘要：本文讨论了基于遥感手段的土地利用监测在三个层次上的常用数据融合原理与方法，分析对比了几种方法的优缺点，得到了的数据融合方法在遥感土地利用监测中的依据。
关键词：土地利用；监测；遥感；数据融合；
中图分类号：F301文献标识码： A
1引言
基于遥感手段的土地利用监测是指基于同一区域不同年份的同一时相遥感数据的光谱特性差异，来识别土地利用类型的变化。这种方法可以及时、准确、大范围地掌握土地利用的变动情况，为各级土地管理部门制定和落实土地管理政策以及制定发展规划等提供科学依据。
遥感影像数据种类越来越多，不同传感器、不同波段和不同时相数据如何进行优势互补和有机结合是广泛关注的问题。遥感影像融合很好地解决了这个问题，它是指不同影像在经过空间配准之后，按照一定的算法与原则进行整合，结合互补信息形成新的影像数据，很大程度的提高遥感数据的应用水平。
论文将3种层次的多种不同的融合方法的方法与原理进行对比，特别是探讨了如何建立不同融合层次的数学模型，开发新的算法，改进现有融合算法等。对遥感土地利用监测的研究现状作了简要的分析，以推进融合方法在土地利用变化监测中的开展。
2遥感土地利用监测中常用数据
目前用于土地利用动态监测的遥感信息源种类繁多，大体可分为两大类，即航空遥感图像和卫星遥感图像。航空遥感图像的突出优点是空间分辨率高，大比例尺航空遥感图像能够满足1：10000或更大比例尺的土地利用成图的要求；然而，航空遥感图像的成本昂贵，大比例尺航空遥感图像更是如此，因此限制了它的普遍使用。相比之下，目前在土地利用动态监测中较多地使用的是卫星遥感图像，如美国陆地卫星(Landsat)TM图像，法国SPOT卫星图像，此外还有欧洲空间局ERS系列卫星图像以及加拿大的SAR雷达卫星图像等等。值得一提的是美国Space Imaging公司的IKONOS卫星图像，以其较高的空间分辨率，在土地利用动态监测中正在发挥独特的作用。结合TM数据光谱信息丰富和SPOT图像空间分辨率高的优点，可实现对地物目标的更有效解译和分析。
SAR图像属于微波图像，其特点是不受光照条件的影响，而且几乎不受大气和云层的干涉，可全天时、全天候作业，并对地表有一定的穿透能力。由于SAR记录的是地物对微波的反射与散射，因而可用于探测地物的复介电常数和表面的粗糙度，此特点是其它类型遥感图像所不具备的，因此它形成了对多光谱遥感数据的互补．如果将其与多光谱遥感图像融合，也是获取地学信息的有效途径之一，这种融合现已成为遥感领域研究的热点问题之一。
3遥感影像融合方法
从技术层次上来说，土地利用动态遥感监测中的数据融合主要包括像元级融合、特征级融合和决策级融合。不同层次上又有不同的融合方法。
3．1 基于像元级的数据融合
像元级数据融合是一种低水平的融合，它建立在采集到的原始数据的原始信息层次的基础上，以每个像元为运算基础，采用某种加权和替代算法将多个图像数据融合在一起，经处理、分析后再得到所研究对象的特征信息。此种融合方法应用较早，优点是可以尽可能多地保留地物的信息，并具有较高的融合精度．但是，它也有缺点，即所需处理的信息量大、费时、实时性差，未顾及地物的图像特征，而且不能处理多传感器的数据。像元级数据融合的常用算法有如下几种：
3.1.1HSV变换
HSV变换是一种基于颜色变换的融合方法。HSV颜色变换是指将标准的RGB图像变换到以色度H（hue）、饱和度S（saturation）和亮度V（value）为空间向量的HSV图像。
HSV变化融合方法即首先对多光谱影像进行HSV正变换为H、S和V等三幅图像，然后用高分辨率影像替代H图像，最后对替代后的HSV图像做HSV逆变换得到融合影像。
3.1.2HPF变换
HPF (High Pass Filter) 融合方法基本思想是用一个高通滤波器对高分辨影像滤波得到高频信息，然后按照一定的权重注入到多光谱波段中生成融合影像。
HPF融合方法的基本流程如下：(1) 计算多光谱影像和高分辨率影像分辨率之比，以此来确定高通滤波器的卷积滤波核的大小；(2) 对高分辨率影像进行高通滤波得到高频影像，同时对多光谱影像重采样到高分辨影像像元大小；(3) 把高频信息加入到每个多光谱影像中得到融合影像。
3.1.3IHS变换
IHS变换方法是指将多光谱图像从RGB空间转换到IHS空间，然后HR图像参照I分量进行直方图匹配并替代I分量，对替代后的IHS进行IHS逆变换得到融合结果图。
3.1.4Brovey变换
Brovey变换融合方法是一种通过归一化后的三个波段多光谱影像与高分辨率影像乘积的融合方法，它可以应用于不同傳感器的影像数据融合，如TM多光谱和SPOT全色影像的融合。
3．2 基于特征级的数据融合
特征级的数据融合是一种中等水平的融合，它将从原始信息源中提取的特征信息(原始信息的充分表示量和充分统计量)进行分类、聚集和融合处理，并对特征信息作属性说明．其优点是实现 对信息的压缩，有利于实时处理，并为决策信息提供所需要的特征信息，缺点是其融合精度比上述像元级融合的精度差．目前大多数数据融合研究都是在该层次上展开的．以下列举几种该方法的代表性算法：
3．2．1 Bayes决策法
Bayes决策法是在先验知识的条件下对各传感器所获取的信息进行相关性分析，删除那些可信度很低的错误信息，然后对剩余信息进行估计，以使融合信息达到最优化。然而，在运用Bayes决策法时涉及到先验概率问题，解决这一问题的办法是利用虚警率和漏检率来进行判断。在土地利用动态监测中一般按需要将土地利用分为若干大类，如城区、植被、水体、山地、平原等，然后根据各大类的图像特征进行融合，以求得对各大类的细分，从而得出建设用地和耕地变化的信息。这一方法需要进行大量运算，这对系统实时性是一个制约因素，因而对信号处理算法及相应的软件和硬件提出了较高的要求。
3．2．2 比值运算
比值运算是将同一像元所对应的不同波段作商运算，并将运算结果作为新的亮度值来显示图像。比值运算得到的图像与原有的图像相比虽然色调有所下降，纹理细节丢失严重，但变化区域的色调异常突出，尤其是一些细微独立的变化能够很好地表示出来，还可分辨出边缘地带，再加上它的融合结果可消除噪声，因而对土地利用动态监测是一种可采用的处理方法。
3．3 基于决策级的数据融合
基于决策级的数据融合是最高层次的融合。它是在上述像元级融合和特征级融合所提供的各类特征信息的基础上，对图像信息进行专业化的识别、分类或目标检测，在获得有关区域特征、目标状态等决策信息后，再对所获得的专题图像进行融合处理，其融合结果可直接为指挥、控制、决策系统提供依据。此方法的优点是实时性好，具有一定的容错能力，能在一种或几种传感器失效的情况下继续工作，而且有很好的开放性，是目前国内外学者研究的重点。常见的算法是基于知识的专家系统法。
4 结束语
运用遥感技术监测土地利用的动态变化越来越受到政府部门和遥感技术人员的重视。完成这一任务的关键是要能及时、准确、可靠地从遥感图像中提取出土地利用变化的信息，而遥感数据的融合是土地利用动态遥感监测技术流程的一个关键环节。迄今为止，已提出了许多遥感数据融合的方法，包括基于像元级的数据融合、基于特征级的数据融合及基于决策级的数据融合三类融合方法，并已不同程度地获得了应用。这些方法各有其优缺点，特别是基于决策级的数据融合方法具有很好的应用前景，但就方法本身而言尚有许多方面有待进一步研究和完善。今后，应进一步建立适用于不同融合层次的数学模型，开发出新的算法，并尽力提高算法的实用性。同时，应提高综合运用各种方法的能力，建立不同方法之间的关联性，取各种方法之所长，提高遥感数据的融合精度。
关键词：土地利用；监测；遥感；数据融合；
中图分类号：F301文献标识码： A
1引言
基于遥感手段的土地利用监测是指基于同一区域不同年份的同一时相遥感数据的光谱特性差异，来识别土地利用类型的变化。这种方法可以及时、准确、大范围地掌握土地利用的变动情况，为各级土地管理部门制定和落实土地管理政策以及制定发展规划等提供科学依据。
遥感影像数据种类越来越多，不同传感器、不同波段和不同时相数据如何进行优势互补和有机结合是广泛关注的问题。遥感影像融合很好地解决了这个问题，它是指不同影像在经过空间配准之后，按照一定的算法与原则进行整合，结合互补信息形成新的影像数据，很大程度的提高遥感数据的应用水平。
论文将3种层次的多种不同的融合方法的方法与原理进行对比，特别是探讨了如何建立不同融合层次的数学模型，开发新的算法，改进现有融合算法等。对遥感土地利用监测的研究现状作了简要的分析，以推进融合方法在土地利用变化监测中的开展。
2遥感土地利用监测中常用数据
目前用于土地利用动态监测的遥感信息源种类繁多，大体可分为两大类，即航空遥感图像和卫星遥感图像。航空遥感图像的突出优点是空间分辨率高，大比例尺航空遥感图像能够满足1：10000或更大比例尺的土地利用成图的要求；然而，航空遥感图像的成本昂贵，大比例尺航空遥感图像更是如此，因此限制了它的普遍使用。相比之下，目前在土地利用动态监测中较多地使用的是卫星遥感图像，如美国陆地卫星(Landsat)TM图像，法国SPOT卫星图像，此外还有欧洲空间局ERS系列卫星图像以及加拿大的SAR雷达卫星图像等等。值得一提的是美国Space Imaging公司的IKONOS卫星图像，以其较高的空间分辨率，在土地利用动态监测中正在发挥独特的作用。结合TM数据光谱信息丰富和SPOT图像空间分辨率高的优点，可实现对地物目标的更有效解译和分析。
SAR图像属于微波图像，其特点是不受光照条件的影响，而且几乎不受大气和云层的干涉，可全天时、全天候作业，并对地表有一定的穿透能力。由于SAR记录的是地物对微波的反射与散射，因而可用于探测地物的复介电常数和表面的粗糙度，此特点是其它类型遥感图像所不具备的，因此它形成了对多光谱遥感数据的互补．如果将其与多光谱遥感图像融合，也是获取地学信息的有效途径之一，这种融合现已成为遥感领域研究的热点问题之一。
3遥感影像融合方法
从技术层次上来说，土地利用动态遥感监测中的数据融合主要包括像元级融合、特征级融合和决策级融合。不同层次上又有不同的融合方法。
3．1 基于像元级的数据融合
像元级数据融合是一种低水平的融合，它建立在采集到的原始数据的原始信息层次的基础上，以每个像元为运算基础，采用某种加权和替代算法将多个图像数据融合在一起，经处理、分析后再得到所研究对象的特征信息。此种融合方法应用较早，优点是可以尽可能多地保留地物的信息，并具有较高的融合精度．但是，它也有缺点，即所需处理的信息量大、费时、实时性差，未顾及地物的图像特征，而且不能处理多传感器的数据。像元级数据融合的常用算法有如下几种：
3.1.1HSV变换
HSV变换是一种基于颜色变换的融合方法。HSV颜色变换是指将标准的RGB图像变换到以色度H（hue）、饱和度S（saturation）和亮度V（value）为空间向量的HSV图像。
HSV变化融合方法即首先对多光谱影像进行HSV正变换为H、S和V等三幅图像，然后用高分辨率影像替代H图像，最后对替代后的HSV图像做HSV逆变换得到融合影像。
3.1.2HPF变换
HPF (High Pass Filter) 融合方法基本思想是用一个高通滤波器对高分辨影像滤波得到高频信息，然后按照一定的权重注入到多光谱波段中生成融合影像。
HPF融合方法的基本流程如下：(1) 计算多光谱影像和高分辨率影像分辨率之比，以此来确定高通滤波器的卷积滤波核的大小；(2) 对高分辨率影像进行高通滤波得到高频影像，同时对多光谱影像重采样到高分辨影像像元大小；(3) 把高频信息加入到每个多光谱影像中得到融合影像。
3.1.3IHS变换
IHS变换方法是指将多光谱图像从RGB空间转换到IHS空间，然后HR图像参照I分量进行直方图匹配并替代I分量，对替代后的IHS进行IHS逆变换得到融合结果图。
3.1.4Brovey变换
Brovey变换融合方法是一种通过归一化后的三个波段多光谱影像与高分辨率影像乘积的融合方法，它可以应用于不同傳感器的影像数据融合，如TM多光谱和SPOT全色影像的融合。
3．2 基于特征级的数据融合
特征级的数据融合是一种中等水平的融合，它将从原始信息源中提取的特征信息(原始信息的充分表示量和充分统计量)进行分类、聚集和融合处理，并对特征信息作属性说明．其优点是实现 对信息的压缩，有利于实时处理，并为决策信息提供所需要的特征信息，缺点是其融合精度比上述像元级融合的精度差．目前大多数数据融合研究都是在该层次上展开的．以下列举几种该方法的代表性算法：
3．2．1 Bayes决策法
Bayes决策法是在先验知识的条件下对各传感器所获取的信息进行相关性分析，删除那些可信度很低的错误信息，然后对剩余信息进行估计，以使融合信息达到最优化。然而，在运用Bayes决策法时涉及到先验概率问题，解决这一问题的办法是利用虚警率和漏检率来进行判断。在土地利用动态监测中一般按需要将土地利用分为若干大类，如城区、植被、水体、山地、平原等，然后根据各大类的图像特征进行融合，以求得对各大类的细分，从而得出建设用地和耕地变化的信息。这一方法需要进行大量运算，这对系统实时性是一个制约因素，因而对信号处理算法及相应的软件和硬件提出了较高的要求。
3．2．2 比值运算
比值运算是将同一像元所对应的不同波段作商运算，并将运算结果作为新的亮度值来显示图像。比值运算得到的图像与原有的图像相比虽然色调有所下降，纹理细节丢失严重，但变化区域的色调异常突出，尤其是一些细微独立的变化能够很好地表示出来，还可分辨出边缘地带，再加上它的融合结果可消除噪声，因而对土地利用动态监测是一种可采用的处理方法。
3．3 基于决策级的数据融合
基于决策级的数据融合是最高层次的融合。它是在上述像元级融合和特征级融合所提供的各类特征信息的基础上，对图像信息进行专业化的识别、分类或目标检测，在获得有关区域特征、目标状态等决策信息后，再对所获得的专题图像进行融合处理，其融合结果可直接为指挥、控制、决策系统提供依据。此方法的优点是实时性好，具有一定的容错能力，能在一种或几种传感器失效的情况下继续工作，而且有很好的开放性，是目前国内外学者研究的重点。常见的算法是基于知识的专家系统法。
4 结束语
运用遥感技术监测土地利用的动态变化越来越受到政府部门和遥感技术人员的重视。完成这一任务的关键是要能及时、准确、可靠地从遥感图像中提取出土地利用变化的信息，而遥感数据的融合是土地利用动态遥感监测技术流程的一个关键环节。迄今为止，已提出了许多遥感数据融合的方法，包括基于像元级的数据融合、基于特征级的数据融合及基于决策级的数据融合三类融合方法，并已不同程度地获得了应用。这些方法各有其优缺点，特别是基于决策级的数据融合方法具有很好的应用前景，但就方法本身而言尚有许多方面有待进一步研究和完善。今后，应进一步建立适用于不同融合层次的数学模型，开发出新的算法，并尽力提高算法的实用性。同时，应提高综合运用各种方法的能力，建立不同方法之间的关联性，取各种方法之所长，提高遥感数据的融合精度。