一种光谱无损的遥感数据融合方法——LiIFT插值融合（一）

高空间分辨率一直是遥感领域追求的重要目标。在遥感平台和传感器硬件条件一定的情况下，人们经常通过一定的算法使遥感数据的空间分辨率尽可能大。比方将多光谱数据与全色数据融合，或者将低空间分辨率数据与高空间分辨率融合，以达到提高空间分辨率的目的。

近年来人们发展了多种融合方法，这里恕不赘述。大多数融合方法面临的一个共同问题是空间融合后会产生光谱失真。无论是各类替换还是正交变换等，都很难保持各分量光谱特性不变。

本文介绍一种真光谱无损的融合方法LiIFT，该融合方法是小波融合稀疏算法等技术在RSD中应用的一种自然技术延伸。设计实现2年多来，经过了长时间试验验证和用户试用考验，结果稳定可靠。方法的名称也多次更改，什么一种XX融合，什么临摹的方法等等。现定名为：中文名《李式插值融合变换》，英文名《Li’s Interpolation & Fusion Transform》，缩略简称LiIFT（下同）。

用作者姓氏命名是一种担当，有质疑也好大家来找我，尤其是近期大家对RSD质疑不断（其实这是大好消息）。近年（现在是2020年7月份）国产软件替代势头正猛，很多境外软件不能用了。一是有一些国家禁止中国使用，再者即使老外让用也不能用了，安全第一嘛，何况我们自己又不是没有。RSD现在可以很有信心地说能够替代国内常用的几种境外遥感平台。因此，关注和质疑RSD的可都是潜在用户呢。多多欢迎这样的质疑和技术确认。

一、融合原理简介

先回顾一下稀疏表示

X=argmin||y-Dx||k+λ||x||                           （1）

或者我们就直接简单理解为

y = Dx                                                       （2）

观测值y可以表示为字典D与稀疏表示x。差异最小什么的这些繁文缛节一概省略。也就是将得到的遥感数据y表示为一个字典D和它的稀疏x，这些经常应用于压缩感知等应用场景。

不过这里我们要换一种思路。假设融合后的目标是观测值y，这个观测值是什么暂时未知。x是我们得到的遥感图像，比如多光谱MSS数据，该数据是观测值y的稀疏表示，或者认为是y的离散重采样。现在我们需要找到这样一个字典D，通过这个字典D和MSS数据x就能够得到那个假设存在的目标值y。

可见这是通常稀疏表示的一个逆过程。现在的问题集中到如何求算字典D。

回到高空间分辨率数据，例如PAN比上述MSS数据有N倍的空间分辨率差异。选择恰当的小波基函数，对其进行log2(N)次Mallat变换，最后1次Mallat变换的低频部分xpan与MSS的x是对应部分。这时我们也可以将PAN的高频部分构造小波稀疏字典代替上述字典D得到MSS的y。当然这样是可行的也是合理的，但是这不就成了普通的小波融合了？ 基于小波的融合可以有多种形式并且也能较好地保留光谱信息，但这不是我们希望的结果，也不是这里讨论的内容。

应用小波（小波包）高低频分量数据，用模拟手段建立窗口M内高空间分辨率数据（PAN）与低空间分辨率数据（PAN的log2(N)次Mallat变换）的空间映射关系，并假设低分辨率数据（MSS）在空间域同样遵循这样的关系。

对于每一个小波窗口，模拟得到一个变换矩阵C，用C代替2式的D。这样对应每一个稀疏像元，有

          |c1,1  c1,2  …  c1,m|

C  =   |  …                          |                         （3）

          |cn,1  cn,2  …  cn,m|

这样对于任意观测像元（融合后）的计算，均由分割窗口的稀疏像元（融合前）加一个变换矩阵计算而来，这是光谱无失真的关键所在。

这样的设计没有简化是不能实现的，相当于每一个MSS有效像元附近都有一个M*M的窗口，为每个窗口建立模型求算矩阵C，模型数量会达到几十亿计（每像元1个）。因此，RSD对此进行了大量简化，最简单的简化例子见图1的哈尔小波。尽管如此，LiIFT融合还是比较费时，不过