2.2 融合方法说明

在对不同的遥感传感器获取的影像进行融合时，所有融合数据集必须精确校正并重采样为相同大小的单元[3]。按照当前数据融合结果的性质，遥感数据融合可分为像素级、特征级和决策级[4]三级，融合的层次不同，所能使用的运算方法、适用范围也不尽相同。本文主要是采用基于像素级的Multiplicative融合、BROVEY融合、PCA融合进行遥感图像融合的实验。

（1）Multiplicative变换融合法就是运用最基础的变换算法直接对具有不同空间分辨率的遥感图像数据进行合成，在变换融合处理具有一定亮度的图像时，只有Multiplicative变换融合能后能够使其颜色不变。因为这种融合方法是在源图像上进行相关操作，其结果是某些影像的细节反差将被增强。Multiplicative 融合方法简单，占用机器资源少，对于SPOT融合来说，其融合公式如下： 

Bandn’= Bandn*Pan;

Pan为Panchromatic数据。

（2）Bovey变换可用来融合具有不同空间特征和光谱特征的影像。它基于色度变换，并且比RGB到HIS的变换更简单，若果需要，还可以应用于单个波段，是一种相对而言较为简单的的融合方法。它是将Multi-spectral image的像元分解为色彩和亮度，是一种归一化后的3个波段的Multi-spectral image与high resolution image进行乘积运算的融合算法。融合公式为：

Bfi=(DNBi/(DNB1+DNB2+DNB3))*DNpan;

其中：Bfi=融合后波段的像元值，DNBi=原始多光谱波段像元值，DNpan=高分辨率影像像元值，DNB1、DNB2、DNB3=原始多光谱红绿蓝波段像元值，融合后的数据既具有多光谱数据的光谱特征，又具有高分辨率全色数据的空间特征。

（3）主成分变换(Principal Component Analysis)又称缨帽变换，是一种线性变换的方法，其理论的基础是图像统计特征，PCA融合是将多波段数据变换后的第一主成分用高分辨率数据来代替，从而实现数据压缩和信息增强。它对全色数据进行对比度拉伸，得到与第一主成分影像大约相等的方差和均值，利用经过拉伸的全色数据代替第一主成分，并把数据变换回RGB空间，经过拉伸的全色影像可以代替第一主成分这是因为第一主成分通常包含了PCA输入波段所共有的信息，而输入波段有的光谱信息则被映射到其他N个主成分来,自|优;尔`论^文/网www.youerw.com 。

2.3 图像融合评价方法及指标

目前较为常见的融合评价方法主要有两种：即主观定性评价法和客观定量评价法。主观评价方法简单易行，简而言之就是仅仅通过视觉感受对融合后的图像的效果进行评述的方法，但由于主观性势必会导致一定的误差，所以为了确保图像的主观定性评价在统计上有价值，参加评价的人员应该尽可能的多。

客观定量评价法从字面上来看，优点自然是更加客观有理论依据，其主要是基于统计学特性，没有人为主观的影响，因而更加能够如实客观地展现融合效果的优劣[5]。其评价图像的融合效果时，主要是运用相关指标公式进行计算，最终再根据质量指标的结果对融合方法进行评价分析。以下是定量分析的各类指标：