空间数据融合课件.ppt

1、 -空间数据融合大纲综述 空间数据融合-矢量空间数据融合-栅格空间数据融合存在的问题及其展望空间数据融合（背景）遥感技术、地理信息系统和全球定位系统的应用,改变了过去数据获取困难的局面。多种遥感影像数据(多时相、多光谱、多平台和多分辨率)、地面观测数据和统计数据越来越多。空间数据具有获取手段多源性、多语义性、多时空性和存储格式多源性等特征，导致空间数据之间存在着差异性、冗余性等问题。为了充分利用丰富的空间数据、解决上述问题和加深对空间实体的进一步了解和认识,增强对空间数据融合技术的探讨和学习具有很重要的现实意义。空间数据融合（概念）空间数据融合是一个多级多侧面的加工过程，包括对多个数据源数据和

2、信息的自动化检测、互联、相关、估计和组合处理。具体地说,数据融合技术是指通过一定的算法“合并”来自多个信息源的数据,以产生更可靠、更准确的信息,并根据这些信息做出最可靠的决策,即根据多源观测信息给出一个关于状态的最优估计量。空间数据融合（意义）能够更加准确地获得空间实体信息充分利用已有的数据，降低成本，实现信息资源的共享可以提高空间分辨率,降低模糊度并达到图像增强的目的通过不同遥感影像信息的融合处理可以完成更复杂、更高级的一些分类、判断决策等任务利用多时相数据进行动态监测,提高时相检测能力。改进空间数据的可靠性和可维护性空间数据融合（类型）矢量空间数据融合栅格空间数据融合矢量栅格数据的融合 （

3、第7组已讲矢量栅格数据的结合，此部分我们不再讲述）矢量数据融合关于矢量数据融合的研究,国内外的研究不是太多。最早的矢量数据融合研究始于20世纪80年代中期,为了提高两部门的数据质量、消除误差以及交换属性和实体信息,美国地质测量局和美国人口调查局合作进行了地图融合技术的研究,并成功开发了世界上第一个地图制图自动融合系统,之后许多学者也进行了研究。矢量数据融合指将同一地区不同来源的空间数据,采用不同的方法,重新组合专题数据,统一物体的分类分级和属性,进一步改善空间实体的几何精度。目前,对矢量数据的融合方法中最主要的、应用最广泛的方法是先进行数据格式的转换即空间数据模型的融合,然后是几何位置纠正,最

4、后是重新对地图数据各要素进行的重新分类组合、统一定义。一般的，对矢量数据融合需研究：（1）制定数据融合规则（2）研究地理数据模型的融合（3）重新对物体的分类、分级进行组合，制定 更加合理的分类、分级方法（4）研究几何数据融合的方法数据融合规则首先是数据源的提取方式，即各种要素应从何种数据源中提取。其次，应制定数据融合时属性不一致和位置关系矛盾时处理的原则。地理数据模型融合由于数据源多种多样，其对应的数据模型必然也有或多或少的区别，根据源数据的空间数据模型不同，我们一般称有拓扑关系的数据模型为复杂数据模型，称无拓扑关系的数据模型为简单数据模型。空间数据模型融合可分为：（1）由简单数据模型到复杂数

5、据模型的融合 （2）由复杂数据模型到简单数据模型的融合 （3）复杂数据模型之间的融合重新分类、分级 由于不同的数据源其数据的生产是独立的，对物体的分类、分级各不相同。即使分类、分级近似，但由于其编码长度和表示法不同，也存在一定的转换工作量。首先要对物体的分类、分级的统一其次，要对地理要素编码进行融合，还要统一编码表示方法。地理要素几何位置的融合技术地理要素几何位置的融合技术地理空间矢量数据融合是一个比较复杂的过程，包括几何位置 的融合和属性数据的融合。几何位置融合是一个比较复杂的过程，需要用到模式识别、统计学、图论以及人工智能等学科的思想和方法。融合应包括两个过程：一是实体匹配，找出同名实体;

6、二是将匹配的同名实体进行几何位置与属性数据的融合。（1）同名实体的匹配 实体的匹配是指将两个数据集中的同一地物识别出来。（2）地理空间矢量数据几何位置融合 对同名实体的几何位置进行融合，首先要对数据源的几何精度进行评估，根据几何精度，融合应分两种情况进行讨论。如果一种数据源的几何精度明显高于另一种，则应该取精度高的数据，舍弃精度低的数据。对于几何精度近似的数据源，应该分点、线、面来探讨融合的方法。点状物体的合并较为简单，线状物体的融合可采用特征点融合法和缓冲区算法。面状物体的融合主要涉及边界线的融合，可参照线状物体的合并进行。（3）地理空间矢量数据属性融合 地理要素数据属性的差异通过地理要素语

7、义融合来消除。在两个不同数据集中的同一个地理实体，不仅有不同的几何形状差异，也有不同的属性结构和语义描述方法。属性融合往往和几何位置的融合结合起来进行，在进行几何位置融合的同时，按照数据融合的目的从两种数据源中抽取所需的属性组成新的属性结构，按照语义转换方法对属性值进行转换。融合后新数据不仅改变了属性结构，也从两个数据集中继承了属性内容。如图所示：矢量数据的几何位置和属性的融合栅格数据融合 栅格数据融合主要是多源遥感数据的融合，是将同一地区的多源遥感数据加以智能化合成,产生比单一信源更精确、更完全、更可靠的估计和判断。意义：提高影像的空间分解力和清晰度 提高平面测图精度、分类的精度与可靠性 增

8、强解译和动态监测能力 减少模糊度 提高遥感影像数据的利用率 栅格数据融合的层次目前国内外都把遥感数据融合按照其融合的水平和特点,分为三个层次：（1）数据级（像素级）（2）特征级 （3）决策级数据级（像素级）融合 数据级融合是一种低水平的融合。经过预处理的多源遥感数据直接融合,而后根据需要对融合的数据进行特征提取和属性说明：数据融合特征提取属性说明特征级融合 特征级融合（是一种中等水平的融合）它是先将各遥感影像数据进行特征提取，而后融合。决策级融合 决策级融合是最高水平的融合。它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,以便根据一定的准则和决策的可信度以最优

9、决策。级别级别算法算法优点优点缺点缺点像素级代数运算、高通滤波法、HIS变换法、主分量分析法、分量替换法和小波分析保留了尽可能多的信息,具有最高精度处理信息量大、费时、实时性较差,并且要求影像数据是由同类传感器获取的或同单位的特征级Bayes估计、神经网络法、聚类分析、DempaterOshafer推理法、熵法、加权平均法、表决法等。融合的结果最大限度地给出了决策分析所需要的特征信息精度差决策级人工神经网络、D-S算法、模糊逻辑法等。具有很强的容错性实现难度大常用栅格数据融合算法IHS变换 将低分辨率多光谱图像从RGB空间转换到IHS空间，用高分辨率全色图像代换变换后的明度成分，然后作反变换。

10、主成分分析法（PCA）主成分变换法（principal component analysis，PCA），亦称KL变换，是一种最小均方差意义上的最优正交变换。将多波段的低分辨率图像进行PCA变换，将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差和PCA变换第一分量图像一致；然后用拉伸过的高分辨率图像代替第一分量图像，经过PCA逆变换还原到原始空间生成具有高空间分辨率的多波段融合图像。常用栅格数据融合算法小波变换基于小波变换的图像融合,就是对原始图像进行小波变换,将其分解在不同频段的不同特征域上,然后在不同的特征域内进行融合,构成新的小波金字塔结构,再用小波逆变换得到合成图像的过程。根据分

11、解形式的不同又可分为金字塔形小波融合技术和树状小波 融合技术。金字塔形小波分解是利用正交小波变换对原图像进行正交小波分解,得到表示低频信息、水平方向变化信息、垂直方向变化信息和对角方向变化信息的4个子图像,再将低频子图像进一步分解成4个子图像。树状小波分解与传统的金字塔形小波分解的不同之处在于它不仅仅将低频信息进行分解,而且根据图像的特征,按子带图像的能量自适应地对各个子带信息进行分解。常用栅格数据融合算法小波变换栅格数据融合实例 -基于CBERS和HR影像融合方法研究融合数据CBERS-02B卫星郑州地区的HR影像（高空间分辨率全色影像）和CCD影像（低空间分辨率多光谱影像）HR全色波段影像

12、 CCD多光谱影像融合方法主成分变换法IHS变换法小波变换法融合结果主成分变换法IHS变换法融合结果小波变换（主成分）法小波变换（IHS）法融合结果定性评价从视觉效果上来看，三种融合方法中：IHS变换法融合效果最差，无论是空间分辨率还是光谱保持程度都不好；主成分变换法相比较而言，空间细节保持和分辨率最好，光谱保真度相对差一点；小波变换的两种方法光谱保持度都相对较好，但空间细节保持远不如主成分变换法。融合结果定量评价定量评价指标n均值 n标准差n信息熵n平均梯度n相关系数n光谱扭曲度融合结果定量评价影像波段均值标准差信息熵平均梯度相关系数(光谱)光谱扭曲度HR120.19417.806.1070

13、3.6608CCDR96.73124.5904.5621.268710G142.89824.5094.3251.321910B61.90614.0633.2010.999610主成分变换R85.43024.8227.0564.00310.834872.378G116.27817.3566.9854.26120.852471.234B94.82719.0486.4323.98770.845673.486IHS变换R91.87423.2394.3680.98560.823174.321G134.22314.5354.2340.96540.863069.652B58.33311.5123.0021.

14、00020.852373.459小波（主成分）变换R168.79530.4724.9871.56320.990851.362G171.72021.6814.5641.23640.987652.125B166.65327.3044.8951.54230.992353.321小波（IHS）变换R168.78130.5304.9931.23690.987555.326G171.74721.6284.5561.02310.990252.693B166.70327.0934.8351.36540.994256.320融合结果定量评价1.亮度信息主成变换的均值稍有增加或降低，标准差有所增加，目视效果较好;

15、小波变换的均值和标准差均有所增加,使得目视效果变好;IHS变换的均值和标准差均下降,不利于目视判读。因此亮度指标最好的为小波变换,其次为主成分变换，最后为IHS变换。2.信息量通过信息熵可以看出主成分变换所得融合结果信息量最大,小波变换其次,IHS变换最后。融合结果定量评价3.清晰度 主成分变换法融合影像的的平均梯度高于原始多光谱影像,同时也高于原始全色影像，说明融合后的结果影像可以更好地突出细节纹理信息,使影像更加清晰。IHS变换法，恰恰相反。小波变换的指标接近于或稍高于原始多光谱影像,提高较少。4.光谱信息从表中可以看出小波变换扭曲程度最小,而相关系数最大,因此小波变换的光谱信息保持的最好

16、。主成分变换和IHS变换法的光谱相关系数均比小波变换的低，而扭曲程度大，光谱保持不如小波变换。三种融合方法中 主成分变换法效果最好，尤其是其空间细节保持很好；IHS变换法无论是光谱保持方面还是空间分辨率方面，效果都相对最差；小波变换法，光谱保真效果最好，但空间细节保持远不如主成分变换法。实例总结空间数据融合（存在的问题）多数据库之间不能交流:不同系统相互孤立,运行平台、数据结构、数据来源各不相同,无法实现数据互通、信息共享。数据标准不一致:各单位分别进行数据采集,缺乏统一的数据规范和标准,数据结构不一致,造成大量数据冗余。未形成基本的理论框架和有效广义模型及算法，目前的空间数据融合的方法都是针

17、对一定的条件和具体的应用问题。对空间数据融合的研究绝大部分都是建立在随机理论的不确定性理论基础之上的，对模糊性考虑得比较少。解决途径建立统一的数学融合模型:对不同层次的融合建立相应的数学模型,然后综合利用这些模型完成融合任务 归纳现有方法,建立一个总的空间模型,以简化现有算法的复杂性建立空间数据融合的基础理论空间数据融合问题的展望 数据融合技术的发展离不开数据标准化的发展，与数据互操作技术也息息相关。因此，数据共享的标准化推广、数据互操作技术的不断进步，都将对数据融合技术起到巨大的推动作用。同时，基本的理论和方法，如模式识别、统计学、图论、人工智能以及分形理论等数学思想和方法也应该继续研究与探讨。Thank you!