文献学习 张良培教授 遥感数据融合的进展与前瞻

本文作者给遥感数据融合的定义是：

针对同一场景并具有互补信息的多幅遥感数据或其它观测数据，通过对它们的综合处理、分析与决策，获取更高质量数据、更优化特征、更可靠知识的技术和框架系统。

数据融合的三个层级：

1. 数据级：数据级融合主要是对传感器原始观测数据或经过预处理的数据进行融合，生成新数据，其主要目的就是为了提升数据的质量，如分辨率、对比度、完整度等指标；
2. 特征级：特征级融合首先对不同数据分别进行相关特征的提取，然后再对提取的特征进行融合处理，生成新的特征或特征矢量，以便于后续的地物解译；
3. 决策级：决策级融合首先利用不同传感器数据分别进行地物解译，获得地物类别或属性的初步确定，然后再利用一定的决策规则加以融合，主要解决不同数据产生结果的不一致性，从而获取更可靠的决策知识。

        通常情况下，数据级融合所输入的数据必须是相称的(Hall和Llinas，1997)，即数据需要是对同一物理现象观测所得，不然就只能进行特征级或决策级融合。即使数据是相称的，数据层融合也更适合于同质的遥感数据，如具有不同时间、空间、光谱尺度的光学数据。对于异质数据融合，如光学数据与雷达、热红外数据的融合，由于其成像机理差异太大，则更适合进行特征级、决策级的融合。值得注意的是，这3种融合策略并不是完全不兼容的，而是可以联合使用，多层联合的融合也是一个前沿的研究方向。

在文章中，作者根据融合的数据类型将遥感影像的数据融合分为四类：

1. 同质遥感数据融合。同质遥感数据融合指同一成像手段观测数据之间的融合，其中，以可见光—近红外波段成像的光学数据之间的数据级融合最为常见。该类技术的主要目的是为了缓解空间分辨率、时间分辨率、光谱分辨率之间的固有矛盾，获得最优的时、空、谱分辨率
2. 异质遥感数据融合。异质遥感数据融合指不同成像手段观测数据之间的融合，如光学—红外数据融合、光学—雷达数据融合等。如前所述，一般来说，异质数据更适合于进行特征级、决策级的融合，如利用不同传感器数据进行地物分类、参量反演等。
3. 遥感—站点数据融合。遥感和地基观测，是获得资源环境特征数据的两个重要手段，它们各有优势与不足。遥感能够提供大范围的面域观测，但由于其成像过程复杂，观测精度经常难以保证；地基观测精度高，但观测站点比较稀疏，只能以“点”代“面”。因此，融合遥感与地基观测数据，是获得高精度、空间连续地表数据的重要手段，空天地一体化协同观测与融合应用是当前的重要发展趋势。
4. 遥感—非观测数据融合。遥感数据还可以与一些非观测数据进行融合处理与协同应用。遥感数据与陆面、大气、水文动力学模式进行融合，一般被称为数据同化

文章主要介绍了时——空——谱的一体化融合方法。展开介绍了：多视超分辨率融合、多尺度遥感影像融合、空—谱遥感信息融合、时—空遥感信息融合等方法，并重点介绍了时—空—谱一体化的融合方法。