數據融合（data fusion）原理與方法
數據融合（data fusion）最早被應用于軍事領域。
現在數據融合的主要應用領域有：多源影像復合、機器人和智能儀器系統、戰場和無人駕駛飛機、圖像分析與理解、目標檢測與跟蹤、自動目標識別等等。在遙感中，數據融合屬于一種屬性融合，它是將同一地區的多源遙感影像數據加以智能化合成，產生比單一信息源更精確、更完全、更可靠的估計和判斷......
一. 數據融合基本涵義
數據融合（data fusion）最早被應用于軍事領域。
現在數據融合的主要應用領域有：多源影像復合、機器人和智能儀器系統、戰場和無人駕駛飛機、圖像分析與理解、目標檢測與跟蹤、自動目標識別等等。在遙感中，數據融合屬于一種屬性融合，它是將同一地區的多源遙感影像數據加以智能化合成，產生比單一信息源更精確、更完全、更可靠的估計和判斷。相對于單源遙感影象數據，多源遙感影象數據所提供的信息具有以下特點：
1.冗余性：表示多源遙感影像數據對環境或目標的表示、描述或解譯結果相同；
2.互補性：指信息來自不同的自由度且相互獨立
3.合作性：不同傳感器在觀測和處理信息時對其它信息有依賴關系；
4.信息分層的結構特性：數據融合所處理的多源遙感信息可以在不同的信息層次上出現，這些信息抽象層次包括像素層、特征層和決策層，分層結構和并行處理機制還可保證系統的實時性。
實質： 在統一地理坐標系中將對同一目標檢測的多幅遙感圖像數據采用一定的算法，生成一幅新的、更能有效表示該目標的圖像信息。
目的：將單一傳感器的多波段信息或不同類別傳感器所提供的信息加以綜合，消除多傳感器信息之間可能存在的冗余和矛盾，加以互補，改善遙感信息提取的及時性和可靠性，提高數據的使用效率。
二、數據融合原理及過程
一般來說，遙感影像的數據融合分為預處理和數據融合兩步
1.預處理：
主要包括遙感影像的幾何糾正、大氣訂正、輻射校正及空間配準
（1）幾何糾正、大氣訂正及輻射校正的目的主要在于去處透視收縮、疊掩、陰影等地形因素以及衛星擾動、天氣變化、大氣散射等隨機因素對成像結果一致性的影響；
（2）影像空間配準的目的在于消除由不同傳感器得到的影像在拍攝角度、時相及分辨率等方面的差異。
影像的空間配準時遙感影像數據融合的前提空間配準一般可分為以下步驟 :
(1）特征選擇：在欲配準的兩幅影像上，選擇如邊界、線狀物交叉點、區域輪廓線等明顯的特征。
（2）特征匹配：采用一定配準算法，找處兩幅影像上對應的明顯地物點，作為控制點。
（3）空間變化：根據控制點，建立影像間的映射關系。
（4）插值：根據映射關系，對非參考影像進行重采樣，獲得同參考影像配準的影像。
空間配準的精度一般要求在1~2個像元內。空間配準中最關鍵、最困難的一步就是通過特征匹配尋找對應的明顯地物點作為控制點。
2.數據融合
根據融合目的和融合層次智能地選擇合適的融合算法，將空間配準的遙感影像數據（或提取的圖像特征或模式識別的屬性說明）進行有機合成，得到目標的更準確表示或估計 。
對于各種算法所獲得的融合遙感信息，有時還需要做進一步的處理，如"匹配處理"和"類型變換"等，以便得到目標的更準確表示或估計。
三、數據融合分類及方法
1 數據融合方法分類
遙感影像的數據融合方法分為三類：基于像元（pixel）級的融合、基于特征(feature)級的融合、基于決策(decision)級的融合。融合的水平依次從低到高。
1.1 像元級融合
像元級融合是一種低水平的融合。
像元級融合的流程為：經過預處理的遙感影像數據——數據融合——特征提取——融合屬性說明。
優點：保留了盡可能多的信息，具有最高精度。
局限性：
1. 效率低下。由于處理的傳感器數據量大，所以處理時間較長，實時性差。
2. 分析數據限制。為了便于像元比較，對傳感器信息的配準精度要求很高，而且要求影像來源于一組同質傳感器或同單位的。
3.分析能力差。不能實現對影像的有效理解和分析
4.糾錯要求。由于底層傳感器信息存在的不確定性、不完全性或不穩定性，所以對融合過程中的糾錯能力有較高要求。
5.抗干擾性差。
像元級融合所包含的具體融合方法有：代數法、IHS變換、小波變換、主成分變換（PCT）、K-T變換等
1.2 特征級融合
特征級融合是一種中等水平的融合。在這一級別中，先是將各遙感影像數據進行特征提取，提取的特征信息應是原始信息的充分表示量或充分統計量，然后按特征信息對多源數據進行分類、聚集和綜合，產生特征矢量，而后采用一些基于特征級融合方法融合這些特征矢量，作出基于融合特征矢量的屬性說明。
特征級融合的流程為：經過預處理的遙感影像數據——特征提取——特征級融合——（融合）屬性說明。
1.3 決策級融合
決策級融合是最高水平的融合。融合的結果為指揮、控制、決策提供了依據。在這一級別中，首先對每一數據進行屬性說明，然后對其結果加以融合，得到目標或環境的融合屬性說明。
決策級融合的優點時具有很強的容錯性，很好的開放性，處理時間短、數據要求低、分析能力強。而由于對預處理及特征提取有較高要求，所以決策級融合的代價較高。
決策級融合的流程：經過預處理的遙感影像數據——特征提取——屬性說明——屬性融合——融合屬性說明。
2 數據融合方法介紹
2.1 代數法
代數法包括加權融合、單變量圖像差值法、圖像比值法等。
（1）加權融合法
（2）單變量圖象差值法
（3）圖象比值法
2.2 圖像回歸法（Image Regression）
圖像回歸法是首先假定影像的像元值是另一影像的一個線性函數，通過最小二乘法來進行回歸，然后再用回歸方程計算出的預測值來減去影像的原始像元值，從而獲得二影像的回歸殘差圖像。經過回歸處理后的遙感數據在一定程度上類似于進行了相對輻射校正，因而能減弱多時相影像中由于大氣條件和太陽高度角的不同所帶來的影響。
2.3 主成分變換（PCT）
也稱為W-L變換，數學上稱為主成分分析（PCA）。PCT是應用于遙感諸多領域的一種方法，包括高光譜數據壓縮、信息提取與融合及變化監測等。PCT的本質是通過去除冗余，將其余信息轉入少數幾幅影像（即主成分）的方法，對大量影像進行概括和消除相關性。PCT使用相關系數陣或協方差陣來消除原始影像數據的相關性，以達到去除冗余的目的。對于融合后的新圖像來說各波段的信息所作出的貢獻能最大限度地表現出來。
PCT的優點是能夠分離信息，減少相關，從而突出不同的地物目標。另外，它對輻射差異具有自動校正的功能，因此無須再做相對輻射校正處理。
2.4 K-T變換
即Kauth-Thomas變換，簡稱K-T變換，又形象地成為"纓帽變換"[14]。它是線性變換的一種，它能使座標空間發生旋轉，但旋轉后的坐標軸不是指向主成分的方向，而是指向另外的方向，這些方向與地面景物有密切的關系，特別是與植物生長過程和土壤有關。以此，這種變換著眼于農作物生長過程而區別于其他植被覆蓋，力爭抓住地面景物在多光譜空間的特征。通過這種變換，既可以實現信息壓縮，又可以幫助解譯分析農業特征，因此
有很大的實際應用意義。
目前對這個變換在多源遙感數據融合方面的研究應用主要集中在MSS與TM兩種遙感數據的應用分析方面。
2.5 小波變換
小波變換是一種新興的數學分析方法，已經受到了廣泛的重視。小波變換是一種全局變換，在時間域和頻率域同時具有良好的定位能力，對高頻分量采用逐漸精細的時域和空域步長，可以聚焦到被處理圖像的任何細節，從而被譽為"數學顯微鏡"。
小波變換常用于雷達影像SAR與TM影像的融合。它具有在提高影像空間分辨率的同時又保持色調和飽和度不變的優越性。
2.6 IHS變換
3個波段合成的RGB顏色空間是一個對物體顏色屬性描述系統，而IHS色度空間提取出物體的亮度I，色度H，飽和度S，它們分別對應3個波段的平均輻射強度、3個波段的數據向量和的方向及3個波段等量數據的大小。RGB顏色空間和IHS色度空間有著精確的轉換關系。
以TM和SAR為例，變換思路是把TM圖像的3個波段合成的RGB假彩色圖像變換到IHS色度空間，然后用SAR圖像代替其中的I值，再變換到RGB顏色空間，形成新的影像。
2.7 貝葉斯（Bayes）估計
2.8 D-S推理法(Dempster-Shafter)
2.9 人工神經網絡（ANN）
2.10 專家系統
遙感數據融合存在問題及發展趨勢
遙感影像數據融合還是一門很不成熟的技術，有待于進一步解決的關鍵問題有：
（1）空間配準模型
（2）建立統一的數學融合模型
（3）提高數據預處理過程的精度
（4）提高精確度與可信度
隨著計算機技術、通訊技術的發展，新的理論和方法的不斷出現，遙感影像數據融合技術將日趨成熟，從理論研究轉入到實際更廣泛的應用，最終必將向智能化、實時化方向發展，并同GIS結合，實現實時動態融合用于更新和監測。