3。1 P+XS 11

2。5 本章小结 13

4 Pan-sharpening 的通用细节补偿模型与综合评测 14

4。1 通用模型的提出 14

4。2 Pan-sharpening 图像质量评价 16

4。3 软件实现 20

4。4 仿真数据实验结果 24

4。5 真实数据实验结果 32

2。5 本章小结 36

结论 37

致谢 38

参考文献 39

第 II 页 本科毕业设计说明书

本科毕业设计说明书 第 1 页

1 引言

1。1 研究背景与意义

近年来，由于传感器技术的不断快速发展，遥感图像己经在民用和军事方面被普遍应用， 如资源调查、基础测绘、灾情评估、环境监测等，产生了巨大的经济效益和社会效益。然而， 由于受到传感器自身特性以及成像技术的限制，单一的传感器从目标中获取的信息并不足以 满足人们的需要，因此，全色锐化（Pan-sharpening）应运而生，Pan-sharpening 即是将全色 图像（PAN 图像）的空间细节融入多光谱图像（MS 图像）或者高光谱图像（HS 图像）中得 到空间和光谱分辨率都比较高的融合图像的过程。论文网

图像融合集成了出现在输入图像中的互补和冗余信息，以这样一种方式得到的融合图像 比任何一个输入图像都更好地描述了真实信息，利用冗余信息可提高精度和可靠性，而整合 互补信息则有利于对图像的处理。图像融合的目的是提取输入图像的信息使得融合图像提供 在人类或机器感知方面比任何的输入图像更好的信息，图像融合已被广泛用于各种领域的图 像处理如遥感、生物医学成像、计算机视觉等。例如，在光学遥感中，因为物理的和技术的 限制，所以有的传感器获得某个场景的优良的光谱信息，但空间信息不足；另一方面，有的 传感器善于捕捉空间信息但不能捕获可靠的光谱信息，融合这两种类型的数据提供了一个具 有优良的空间和光谱信息的图像。

1。2 图像融合的层次

由于融合技术的多样性，在开发数据融合的标准方面人们付出了相当大的努力，几个模 型被提出，其中一个常用模型是三级融合模型，该模型基于信息被处理的等级，该模型将图 像融合分为三个等级：像素级（低级）融合[1,2]、特征级（中级）融合[3]、决策级（高级）融 合[4]。图 1。1 是三个融合层次的关系图。

像素级融合，又称为数据级融合，它是直接对不同图像的像素进行操作，使之融合成一 个新的图像，融合图像将比输入图像拥有更多的信息[2]，同时保留了较多的原始图像信息。 除此之外，像素级融合的主要优点是，直接对原始的像素值进行融合，而且算法计算效率高 并且容易实现[2]。

特征级融合基于对图像的特征，如边缘或纹理特征的处理，它考虑区域信息和像素之间 的关系而不是对一个像素进行处理，这更适合人类视觉感知和计算机处理的目的，可以有效 地提高融合算法的鲁棒性[3]。其优点在于能更好地获得图像中的有用信息，还可能获得一些 复合信息，而且需要处理的信息量大大减少，但同时信息丢失不可避免，难以提供细微信息。决策级融合首先对从各个输入图像进行初步分析以及预处理，以得到初步决策，然后对 初步决策的结果进行评估以及关联处理，从而获得联合决策的结果。虽然决策级融合需要处 理的数据量小，抗干扰能力和容错能力强，但是它的细节信息损失较大。文献综述