第八章 数据融合组员：罗俊鹏 肖雨晨

杨伟伟

一 . 数据融合基本感念 单一遥感器：

不能全面反映目标对象的特征 多遥感器：

综合不同来源的数据，以得到单一传感器所不能提供的更丰富的信息，从而获得对现实世界更客观、更全面的认知。

图像数据融合：多遥感器的图像数据和其它信息的处理过程

相对于单源遥感影象数据，多源遥感影象数据所提供的信息具有以下特点：

1. 冗余性：表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同；

2. 互补性：指信息来自不同的自由度且相互独立 3. 合作性：不同传感器在观测和处理信息时对其它

信息有依赖关系； 4. 信息分层的结构特性：数据融合所处理的多源遥

感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可保证系统的实时性。

实质： 在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。

目的 （ 1) 提高图像的空间分辨能力，即图像锐化 （ 2 ）增强专题特征识别能力 （ 3 ）提高分类精度、应用效果 （ 4 ）提供变化检测能力 （ 5 ）替补或修补图像数据的缺陷 （ 6 ）基于优化图像整体信息的融合，即根据对

图像成像机理及特征的分析

二、数据融合分类 1 数据融合方法分类 遥感影像的数据融合方法分为三类：一：基于像元

（ pixel ）级的融合，二：基于特征 (feature) 级的融合，三：基于决策 (decision) 级的融合。融合的水平依次从低到高。

图像数据融合图示

1.1 像元级融合 （低水平的融合） 概念：经空间配准的遥感影像数据直接融合，而后对融合

的数据进行特征提取和属性说明。 优点：保留了尽可能多的信息，具有最高精度。 局限性： 1. 效率低下。由于处理的传感器数据量大，所以处理时

间较长，实时性差。 2. 分析数据限制。为了便于像元比较，对传感器信息的

配准精度要求很高，而且要求影像来源于一组同质传感器或同单位的。

3. 分析能力差。不能实现对影像的有效理解和分析 4. 纠错要求。由于底层传感器信息存在的不确定性、不

完全性或不稳定性，所以对融合过程中的纠错能力有较高要求。

5. 抗干扰性差。

1.2 特征级融合 （中等水平的融合） 概念： 先是将个遥感影像数据进行特征提取，产生

特征矢量，而后融合特征矢量，采用算法处理，做出基于融合特征矢量的属性说明

在这一级别中，先是将各遥感影像数据进行特征提取，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。

特征级融合的流程为：经过预处理的遥感影像数据——特征提取——特征级融合——（融合）属性说明。

1.3 决策级融合（最高水平的融合） 概念：是指在图像理解和图像识别基础上的融合，即，

经“特征提取”和“特征识别”过程后的融合融合的结果为指挥、控制、决策提供了依据。在

这一级别中，首先对每一数据进行属性说明，然后对其结果加以融合，得到目标或环境的融合属性说明。

优点： 决策级融合的优点时具有很强的容错性，很好的开放性，处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求，所以决策级融合的代价较高。

决策级融合的流程：经过预处理的遥感影像数据——特征提取——属性说明——属性融合——融合属性说明。

目前国内外学者热衷于研究此级融合

表 1 三级融合层次的特点

融合框架

信息损失

实时性

精度 容错性

抗干扰力

工作量

融合水平

像元级

小 差 高 差 差 小 低

特征级

中 中 中 中 中 中 中

决策级

大 优 低 优 优 大 高

表 2 三级融合层次下的融合方法

像元级 特征级 决策级

代数法 熵法 专家系统

IHS变换 表决法 神经网络

小波变换 聚类分析 Bayes估计

K-T变换 Bayes估计 模糊聚类法

主成分变换 神经网络法 可靠性理论

回归模型法 加权平均法 基于知识的融合法

Kalman滤波法

Dempater-shafer推理法

Dempater-shafer推理法

谢谢大家观赏