數據融合的常用方法

㈠ GF2數據融合怎麼做

以ENVI5.3下GF2數據預處理為例說明融合的操作過程：

在進行圖像融合之前，我們需要對正射校正後的多光譜和全色數據進行瀏覽，查看二者是否完全配准，如果沒有完全配准，就需要對其進行配准，這里我們推薦大家使用ENVI中的自動配准流程化工具，以全色數據為基準對多光譜數據進行配准，此工具的位置在：Geometric Correction > Registration > Image Registration Workflow

補充下：

完整的高分二號(GF2)數據預處理操作流程在這：http://bbs.rscloudmart.com/thread-2000.html

㈡ 信息融合的模型

近20 年來，人們提出了多種信息融合模型.其共同點或中心思想是在信息融合過程中進行多級處理.現有系統模型大致可以分為兩大類：a）功能型模型，主要根據節點順序構建； b）數據型模型，主要根據數據提取加以構建.在20 世紀80 年代，比較典型的功能型模型主要有U K情報環、Boyd控制迴路（OODA 環） ；典型的數據型模型則有JDL 模型. 20 世紀90年代又發展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 綜合幾種模型，提出了一種新的混合模型。下面簡單對上述典型模型介紹。
情報環
情報處理包括信息處理和信息融合。已有許多情報原則，包括： 中心控制避免情報被復制；實時性確保情報實時應用 ；系統地開發保證系統輸出被適當應用 ；保證情報源和處理方式的客觀性；信息可達性；情報需求改變時，能夠做出響應； 保護信息源不受破壞；對處理過程和情報收集策略不斷回顧，隨時加以修正. 這些也是該模型的優點，而缺點是應用范圍有限。U K 情報環把信息處理作為一個環狀結構來描述. 它包括4 個階段：a) 採集，包括感測器和人工信息源等的初始情報數據；b) 整理，關聯並集合相關的情報報告，在此階段會進行一些數據合並和壓縮處理，並將得到的結果進行簡單的打包，以便在融合的下一階段使用；c) 評估，在該階段融合並分析情報數據，同時分析者還直接給情報採集分派任務；d）分發，在此階段把融合情報發送給用戶通常是軍事指揮官，以便決策行動，包括下一步的採集工作。
JDL 模型
1984 年，美國國防部成立了數據融合聯合指揮實驗室，該實驗室提出了他們的JDL 模型，經過逐步改進和推廣使用，該模型已成為美國國防信息融合系統的一種實際標准。JDL模型把數據融合分為3 級：第1 級為目標優化、定位和識別目標；第2 級處理為態勢評估，根據第 1 級處理提供的信息構建態勢圖；第3 級處理為威脅評估，根據可能採取的行動來解釋第2 級處理結果,並分析採取各種行動的優缺點. 過程優化實際是一個反復過程，可以稱為第4 級，它在整個融合過程中監控系統性能，識別增加潛在的信息源，以及感測器的最優部署。其他的輔助支持系統包括數據管理系統存儲和檢索預處理數據和人機界面等。
Boyd控制環
Boyd 控制環OODA 環，即觀測、定向、決策、執行環，它首先應用於軍事指揮處理，已經大量應用於信息融合。可以看出，Boyd 控制迴路使得問題的反饋迭代特性顯得十分明顯。它包括4 個處理階段：a) 觀測，獲取目標信息，相當於JDL 的第1 級和情報環的採集階段； b) 定向，確定大方向，認清態勢，相當於JDL 的第2 級和第3 級，以及情報環的採集和整理階段；c) 決策，制定反應計劃，相當於JDL 的第4 級過程優化和情報環的分發行為，還有諸如後勤管理和計劃編制等；d) 行動，執行計劃，和上述模型都不相同的是，只有該環節在實用中考慮了決策效能問題。OODA 環的優點是它使各個階段構成了一個閉環，表明了數據融合的循環性。可以看出，隨著融合階段不斷遞進，傳遞到下一級融合階段的數據量不斷減少. 但是OO DA 模型的不足之處在於，決策和執行階段對OODA 環的其它階段的影響能力欠缺，並且各個階段也是順序執行的。
擴展OODA模型
擴展OODA 模型是加拿大的洛克西德馬丁公司開發的一種信息融合系統結構。該種結構已經在加拿大哈利法克斯導彈護衛艦上使用. 該模型綜合了上述各種模型的優點，同時又給並發和可能相互影響的信息融合過程提供了一種機理. 用於決策的數據融合系統被分解為一組有意義的高層功能集合例如圖4 給出的由N 個功能單元構成的集合，這些功能按照構成OODA 模型的觀測、形勢分析、決策和執行4 個階段進行檢測評估。每個功能還可以依照OODA 的各個階段進一步分解和評估. 圖4 中標出的節點表示各個功能都與那幾個OODA 階段相關. 例如：功能A 和N 在每個階段都有分解和評估，而功能B 和C 只與OODA 的部分或單個階段有關. 該模型具有較好的特性，即環境只在觀測階段給各個功能提供信息輸入，而各個功能都依照執行階段的功能行事。此外，觀測、定向和決策階段的功能僅直接按順序影響其下各自一階段的功能，而執行階段不僅影響環境，而且直接影響OODA 模型中其它各個階段的瀑布模型。
Dasarathy模型
Dasarathy 模型包括有5 個融合級別，如下表所示。綜上可以看到，瀑布模型對底層功能作了明確區分，JDL 模型對中層功能劃分清楚，而Boyd 迴路則詳細解釋了高層處理。情報環涵蓋了所有處理級別，但是並沒有詳細描述。而Dasarathy 模型是根據融合任務或功能加以構建，因此可以有效地描述各級融合行為。 輸入 輸出 描述 數據 數據 數據級融合 數據 特徵 特徵選擇和特徵提取 特徵 特徵 特徵級融合 特徵 決策 模式識別和模式處理 決策 決策 決策級融合 混合模型
混合模型綜合了情報環的循環特性和Boyd 控制迴路的反饋迭代特性，同時應用了瀑布模型中的定義，每個定義又都與JDL 和Dasarathy 模型的每個級別相聯系. 在混合模型中可以很清楚地看到反饋. 該模型保留了Boyd 控制迴路結構，從而明確了信息融合處理中的循環特性，模型中4 個主要處理任務的描述取得了較好的重現精度. 另外，在模型中也較為容易地查找融合行為的發生位置。主要演算法
多感測器數據融合的常用方法基本上可概括為隨機和人工智慧兩大類,隨機類演算法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、證據推理、產生式規則等；而人工智慧類則有模糊邏輯理論、神經網路、粗集理論、專家系統等。可以預見，神經網路和人工智慧等新概念、新技術在多感測器數據融合中將起到越來越重要的作用。
主要方法
加權平均法信號級融合方法最簡單、最直觀方法是加權平均法，該方法將一組感測器提供的冗餘信息進行加權平均，結果作為融合值，該方法是一種直接對數據源進行操作的方法。
卡爾曼濾波法卡爾曼濾波主要用於融合低層次實時動態多感測器冗餘數據。該方法用測量模型的統計特性遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與感測器的誤差符合高斯白雜訊模型，則卡爾曼濾波將為融合數據提供唯一統計意義下的最優估計。卡爾曼濾波的遞推特性使系統處理不需要大量的數據存儲和計算。但是，採用單一的卡爾曼濾波器對多感測器組合系統進行數據統計時，存在很多嚴重的問題，比如： (1）在組合信息大量冗餘的情況下，計算量將以濾波器維數的三次方劇增，實時性不能滿足； (2）感測器子系統的增加使故障隨之增加，在某一系統出現故障而沒有來得及被檢測出時，故障會污染整個系統，使可靠性降低。
多貝葉斯估計法貝葉斯估計為數據融合提供了一種手段，是融合靜態環境中多感測器高層信息的常用方法。它使感測器信息依據概率原則進行組合，測量不確定性以條件概率表示，當感測器組的觀測坐標一致時，可以直接對感測器的數據進行融合，但大多數情況下，感測器測量數據要以間接方式採用貝葉斯估計進行數據融合。多貝葉斯估計將每一個感測器作為一個貝葉斯估計，將各個單獨物體的關聯概率分布合成一個聯合的後驗的概率分布函數，通過使用聯合分布函數的似然函數為最小，提供多感測器信息的最終融合值，融合信息與環境的一個先驗模型提供整個環境的一個特徵描述。
證據推理方法證據推理是貝葉斯推理的擴充，其3個基本要點是：基本概率賦值函數、信任函數和似然函數。D-S方法的推理結構是自上而下的，分三級。第1級為目標合成，其作用是把來自獨立感測器的觀測結果合成為一個總的輸出結果（D); 第2級為推斷，其作用是獲得感測器的觀測結果並進行推斷，將感測器觀測結果擴展成目標報告。這種推理的基礎是：一定的感測器報告以某種可信度在邏輯上會產生可信的某些目標報告；第3級為更新，各種感測器一般都存在隨機誤差,所以，在時間上充分獨立地來自同一感測器的一組連續報告比任何單一報告可靠。因此，在推理和多感測器合成之前，要先組合（更新）感測器的觀測數據。
產生式規則採用符號表示目標特徵和相應感測器信息之間的聯系，與每一個規則相聯系的置信因子表示它的不確定性程度。當在同一個邏輯推理過程中，2個或多個規則形成一個聯合規則時，可以產生融合。應用產生式規則進行融合的主要問題是每個規則的置信因子的定義與系統中其他規則的置信因子相關，如果系統中引入新的感測器，需要加入相應的附加規則。
模糊邏輯是多值邏輯，通過指定一個0到1之間的實數表示真實度，相當於隱含運算元的前提，允許將多個感測器信息融合過程中的不確定性直接表示在推理過程中。如果採用某種系統化的方法對融合過程中的不確定性進行推理建模，則可以產生一致性模糊推理。與概率統計方法相比，邏輯推理存在許多優點，它在一定程度上克服了概率論所面臨的問題，它對信息的表示和處理更加接近人類的思維方式，它一般比較適合於在高層次上的應用（如決策），但是，邏輯推理本身還不夠成熟和系統化。此外，由於邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。模糊集合理論對於數據融合的實際價值在於它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然後，使用多值邏輯推理，根據模糊集合理論的各種演算對各種命題進行合並，進而實現數據融合。
神經網路具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射。神經網路的這些特性和強大的非線性處理能力，恰好滿足了多感測器數據融合技術處理的要求。在多感測器系統中，各信息源所提供的環境信息都具有一定程度的不確定性,對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經網路根據當前系統所接受的樣本相似性確定分類標准，這種確定方法主要表現在網路的權值分布上，同時，可以採用神經網路特定的學習演算法來獲取知識，得到不確定性推理機制。利用神經網路的信號處理能力和自動推理功能，即實現了多感測器數據融合。
常用的數據融合方法及特性如表1所示。通常使用的方法依具體的應用而定，並且，由於各種方法之間的互補性，實際上，常將2種或2種以上的方法組合進行多感測器數據融合。
表1常用的數據融合方法比較[15]
融合方法
運行環境
信息類型
信息表示
不確定性
融合技術
適用范圍
加權平均
動態
冗餘
原始讀數值
加權平均
低層數據融合
卡爾曼濾波
動態
冗餘
概率分布
高斯雜訊
系統模型濾波
低層數據融合
貝葉斯估計
靜態
冗餘
概率分布
高斯雜訊
貝葉斯估計
高層數據融合
統計決策理論
靜態
冗餘
概率分布
高斯雜訊
極值決策
高層數據融合
證據推理
靜態
冗餘互補
命題
邏輯推理
高層數據融合
模糊推理
靜態
冗餘互補
命題
隸屬度
邏輯推理
高層數據融合
神經元網路
動/靜態
冗餘互補
神經元輸入
學習誤差
神經元網路
低/高層
產生式規則
動/靜態
冗餘互補
命題
置信因子
邏輯推理
高層數據融合

㈢ 數據融合技術的種類

決策層融合通過不同類型的感測器觀測同一個目標，每個感測器在本地完成基本的處理，其中包括預處理、特徵抽取、識別或判決，以建立對所觀察目標的初步結論。然後通過關聯處理進行決策層融合判決，最終獲得聯合推斷結果。

㈣ 多感測器數據融合技術的介紹

人類本能地具有將身體上的各種器官（眼、耳、鼻和四肢等）所探測的信息（景物、聲音、氣味和觸覺等）與先驗知識進行綜合的能力，以便對其周圍的環境和正在發生的事件做出評估。多感測器信息融合實際上是對人腦綜合處理復雜問題的一種功能模擬。與單感測器相比，運用多感測器信息融合技術在解決探測、跟蹤和目標識別等問題方面，能夠增強系統生存能力，提高整個系統的可靠性和健壯性，增強數據的可信度，提高精度，擴 展系統的時間、空間覆蓋率，增加系統的實時性和信息利用率等。 作為多感測器融合的研究熱點之一，融合方法一直受到人們的重視，這方面國外已經作了大量的研究，並且提出了許多融合方法。目前，多感測器數據融合的常用方法大致可分為兩大類：隨機和人工智慧方法。信息融合的不同層次對應不同的演算法，包括加權平均 融合、卡爾曼濾波法、Bayes 估計、統計決策理論、概率論方法、模糊邏輯推理、人工神 經網路、D-S 證據理論等。

㈤ GIS不同格式數據之間的融合有哪些方法

從表現形式上,地學數據可分為以下幾類:①地質、物探、化探等測量數據;②地形圖、地質圖、遙感圖等圖形、圖像數據;③各種經驗性、描述性數據。鑒於目前的研究現狀,我們認為地學數據融
合的關鍵問題如下:①空間遙感數據與地面測量數據的融合;②各地面測量數據之間的融合;③不同空間測量手段獲取的數據間的融合;④定量數據與經驗性、知識性數據的融合

①一般的地學數據整合模式是：
1、數據包括感測器收集數據的直接數據和專家經驗知識和描述性文字等間接數據；
2、首先是初級濾波，主要是對各種數據源的、有不同量級、不同量綱、不同表現形式的數據作第一次規整；
3、然後是一級處理是對各種數據集的操作,包括校對、識別、相關分析、數據或變數的綜合等,形成的結果有的可直接進入到數據管理系統供用戶使用,有的進入到二級處理；
4、二級處理是對目標的評估,即根據前面的操作,協同利用各數據源對目標進行識別和評估,並盡可能給出評估的精度,最後將結果送至數據管理系統。
5、最後利用GIS的空間數據管理能力,將結果轉換為空間圖層的方式,可極大地方便用戶的使用和對空間分析功能的支持。

②遙感圖像處理中的數據融合
1、「融合」這一術語在遙感圖像的處理中已不是新名詞了。它主要是對不同感測器、不同波段、不
同時相的影像進行融合處理,處理的目的多是為提高圖像光譜解析度和空間解析度。
2、應用圖像處理方法時,首先對原始圖像進行嚴格的配準是非常必要的。目前基於圖像處理的數據融合主要有以下3個方面:①基於像元的融合（來自兩個不同特性的影像的加權融合）;②基於特徵的融合（是在①的基礎上加入特徵的提取與分離）;③基於判決水平的融合（高層次的決策融合，通常是面向特定應用的融合）。

③VGE中的數據融合
1、VGE即虛擬地理環境，它是一種綜合應用各種技術製造逼真的人工模擬環境,並能有效地模擬人在自然環境中的各種感知系統行為的高級的人機交互技術。為了達到對現實世界的真實模擬必然需要用到大量的地理數據，其中3維數據的應用尤為重要！
2、由於獲取的數據，包含有不同的領域，不同的格式，所以需要設計統一的數據介面，這個可以通過FME實現。
3、由於部分領域數據可能不具有明確的地理坐標，所以還需要根據其地理參考信息做出一系列的配准，投影轉換等操作。
4、建立統一的空間資料庫，對數據加以統一組織，存儲與管理。
5、最後就是多源數據的可視化與交互，這個涉及到具體的計算機技術就不做展開了。

以上回答為個人總結，希望對你有幫助~

㈥ 信息融合的方法

利用多個感測器所獲取的關於對象和環境全面、完整信息，主要體現在融合演算法上。因此，多感測器系統的核心問題是選擇合適的融合演算法。對於多感測器系統來說，信息具有多樣性和復雜性，因此，對信息融合方法的基本要求是具有魯棒性和並行處理能力。此外，還有方法的運算速度和精度；與前續預處理系統和後續信息識別系統的介面性能；與不同技術和方法的協調能力；對信息樣本的要求等。一般情況下，基於非線性的數學方法，如果它具有容錯性、自適應性、聯想記憶和並行處理能力，則都可以用來作為融合方法。多感測器數據融合雖然未形成完整的理論體系和有效的融合演算法，但在不少應用領域根據各自的具體應用背景，已經提出了許多成熟並且有效的融合方法。

㈦ 　多數據源融合及鑲嵌處理

不同類型的衛星遙感數據都具有某一方面的優勢，單一使用某種數據都會影響其使用效果。因此，多源數據融合（fusion）處理對遙感信息提取起到了重要作用，尤其是高解析度影像與多波段數據融合後，得到的信息量和清晰度均顯著提高。具體融合方法擬採用ISH變換、主成分融合法、Mensell變換、人工神經網路（ANN）等，應用融合處理技術主要解決重點地區及重點城市那些需要高解析度及多種信息提取的工作。鑲嵌處理主要用於完成全省范圍遙感影像圖的數字鑲嵌拼接工作，為全區計算機成圖、信息提取及解譯工作等提供保證。

此外，還要根據具體情況，採用不同時相波譜特性變化分析、特徵信息提取和分類、信息提取後處理、遙感影像成果圖的各種注記處理及最後成圖等圖像處理技術。

㈧ wsn數據融合的主要方法有哪些

傳器(英文名稱:transcer/sensor)種檢測裝置能受測量信息並能受信息按定規律變換電信號或其所需形式信息輸滿足信息傳輸、處理、存儲、顯示、記錄控制等要求
傳器特點包括:微型化、數字化、智能化、功能化、系統化、網路化實現自檢測自控制首要環節傳器存發展讓物體觸覺、味覺嗅覺等官讓物體慢慢變起通根據其基本知功能熱敏元件、光敏元件、氣敏元件、力敏元件、磁敏元件、濕敏元件、聲敏元件、放射線敏元件、色敏元件味敏元件等十類