近期，中国测绘科学研究院《影像与数据融合国际期刊》出版了第14卷第一期。在这一期中，发表了多篇SAR影像与光学影像应用的数据融合文章，如基于sentinel -1和sentinel -2图像深度学习的无监督自训练方法进行土壤水分估计方法研究、一种基于双增益图像的高动态范围图像融合方法、基于Curvelet和Gram Schmidt变换的多级导向滤波SAR和光学卫星图像融合在海上目标检测中的应用、基于高斯过程回归的Landsat 8和Sentinel 1A影像甘蔗叶面积指数和生物量估算，以及基于降尺度粗分辨率散射计数据的信息融合方法研究。

  ★ 摘要 ★

Unsupervised self-training method based on deep learning for soil moisture estimation using synergy of sentinel-1 and sentinel-2 images

Ali Ben Abbes & Noureddine Jarray

Pages: 1-14

<文献引用>: Ali Ben Abbes & Noureddine Jarray (2023) Unsupervised self-training method based on deep learning for soil moisture estimation using synergy of sentinel-1 and sentinel-2 images, International Journal of Image and Data Fusion, 14:1, 1-14, DOI: 10.1080/19479832.2022.2106317.

基于sentinel -1和sentinel -2图像深度学习的无监督自训练方法进行土壤水分估计方法研究

本文提出了一种用于土壤水分估计的无监督自训练方法（USTM）。首先，使用标记和未标记的数据训练机器学习模型。然后，通过引入代理标记数据，利用第二模型生成伪标记数据。最终，通过第二个模型生成的伪标记数据和未标记数据来估计应用第三个模型的土壤水分。通过训练第三个模型获得最终的土壤水分估计结果。随后，进行实地测量以验证本文的方法。最终模型是无监督学习模型。使用Sentinel-1A和Sentinel-2A数据在突尼斯南部的两个不同地点进行了实验。输入数据包括从Sentinel-1A得出的双模偏振(σ°VV和σ°VH),中的反向散射系数，以及Sentinel-2A和实测数据的NDVI和NDII。与其他组合（人工神经网络（ANN）-CNN-CNN和（XGBoost）-CNN-CNN）相比，基于（随机森林（RF）-卷积神经网络（CNN））组合的USTM方法可以获得更好的试验结果和准确率。

A High Dynamic Range Image Fusion Method Based on Dual Gain Image

Linan Yuan, Wenbo Wu, Shuli Dong, Qiangmin He &Feiran Zhang

Pages 15-37

<文献引用>: Linan Yuan, Wenbo Wu, Shuli Dong, Qiangmin He & Feiran Zhang(2023) A High Dynamic Range Image Fusion Method Based on Dual Gain Image,International Journal of Image and Data Fusion,14:1,15-37,DOI:10.1080/19479832.2022.2116492.

一种基于双增益图像的高动态范围图像融合方法

对于具有自动增益控制的相机，可以在相同的曝光时间内输出两个具有高和低光学增益的图像。由于增益值小，对于低增益图像，大部分目标细节隐藏在暗像素中，对于高亮度区域，亮度饱和度通常出现在高增益图像中。为了从双增益图像中获取基本信息，本文提出了一种基于双增益图像的高动态范围图像生成方法。该方法由图像细节增强、拉普拉斯金字塔建立、融合算子选择、融合金字塔重建和图像对比度调整等5个部分组成。结果表明，N-1层梯度算子与第N层邻域滤波算子组合融合效果较好; 此外，在分析图像信息熵和清晰度的基础上，本文计算了融合效率，得出了Mertens方法、Jiang方法、Zhang方法、Goshtasby方法和本文所提方法的融合效率分别为30.5%、33.5%、39.5%、51%和99%，试验表明了基于双增益图像的HDR融合方法的有效性和可靠性。

Multi-stage guided-filter for SAR and optical satellites images fusion using Curvelet and Gram Schmidt transforms for maritime surveillance

Tarek M. Ghoniemy, Mahmoud M. Hammad, A. S. Amein & Tarek A. Mahmoud

Pages: 38-57

<文献引用>: Tarek M. Ghoniemy, Mahmoud M. Hammad, A. S. Amein & Tarek A. Mahmoud (2023) Multi-stage guided-filter for SAR and optical satellites images fusion using Curvelet and Gram Schmidt transforms for maritime surveillance, International Journal of Image and Data Fusion, 14:1, 38-57, DOI: 10.1080/19479832.2021.2003446.

基于Curvelet和Gram Schmidt变换的多级导向滤波SAR和光学卫星图像融合在海上目标检测中的应用

合成孔径雷达（SAR）影像的成像依赖于具有特定入射角目标的介电特性。因此，海上的船只和其他金属目标在SAR影像中看起来很清晰，但在光学影像中很难区分它们。这两种类型的影像的协同作用不仅提高空间和光谱分辨率，而且可以很好地解释影像场景。本文提出一种融合全色（PAN）、多光谱（MS）和SAR图像的混合像素级图像融合方法。采用多级导向滤波（MGF）对光学图像进行全色锐化，获得高分辨率空间细节，对SAR和光学图像采用Gram-Schmidt（GS）和曲线变换（CVT）方法，提高最终融合图像的质量。本文使用Landsat-8（OLI）和Sentinel-1图像主观地评估了所提方法的准确性和性能，并使用不同的质量指标客观地评估了所提方法的准确性和性能。此外，将所提出的方法与其他融合技术进行了比较。试验结果表明，本文所提出的方法可较好地用于海上目标的检测，成像质量以及空间和光谱评估指标均有显著改善。

Estimating Leaf Area Index and biomass of sugarcane based on Gaussian process regression using Landsat 8 and Sentinel 1A observations

Gebeyehu Abebe, Tsegaye Tadesse & Berhan Gessesse

Pages: 58-88

<文献引用>: Gebeyehu Abebe, Tsegaye Tadesse & Berhan Gessesse (2023) Estimating Leaf Area Index and biomass of sugarcane based on Gaussian process regression using Landsat 8 and Sentinel 1A observations, International Journal of Image and Data Fusion, 14:1, 58-88, DOI: 10.1080/19479832.2022.2055157.

基于高斯过程回归的Landsat 8和Sentinel 1A影像甘蔗叶面积指数和生物量估算

使用遥感技术准确估计作物参数，如叶面积指数（LAI）和大面积生物量，对于监测作物生长和产量预测至关重要。本文采用高斯过程回归（GPR）方法，利用光学和合成孔径雷达（SAR）数据融合估算甘蔗在生长季的LAI和生物量。基于GPR以及结合的光学和SAR指数在独立测试数据集上预测技术可提供更好的叶面积指数预测精度，分别达到如下精度：GPR 基于径向基函数（均方根误差 [RMSE] = 0.34、平均绝对误差 [MAE] = 0.28 和平均绝对百分比误差 [MAPE] = 10.5%）和多项式函数（RMSE = 0.42，MAE = 0.31 和 MAPE = 12.58%）。根据甘蔗生物量的测试结果，使用组合指数，GPR（poly）产生的统计结果最高（RMSE = 2.45 kg/m2，MAE = 1.72 kg/m2，MAPE = 8.1%）。试验结果表明，本文提出的基于光学和SAR数据融合以及GPR的作物生物物理检索可以改善LAI和生物量估计，有助于监测作物生长过程。

Information fusion approach for downscaling coarse resolution scatterometer data

Ajay Kumar Maurya, Anjana Naga Jyothi Kukunuri & Dharmendra Singh

Pages: 89-106

<文献引用>: Ajay Kumar Maurya, Anjana Naga Jyothi Kukunuri & Dharmendra Singh (2023) Information fusion approach for downscaling coarse resolution scatterometer data, International Journal of Image and Data Fusion, 14:1, 89-106, DOI: 10.1080/19479832.2022.2144955.

一种基于降尺度粗分辨率散射计数据的信息融合方法

散射计数据（σ°）由于其较粗糙的分辨率（25-50公里）而受到应用上的限制。一些图像重建技术可用于生成高分辨率产品，但它们需要各种传感器参数和多集合观测，这大大增加了其应用的复杂性。因此，本文提出一种信息融合方法，对粗分辨率σ°积进行分解。粗分辨率反向散射信号包括低矮植被、土壤、城市和高大植被等多个土地覆被类的贡献，其信息分别来自NDVI、VTCI和城市和森林的覆盖度。分解粗分辨率像素，需要提供每个类分布的最佳权重信息。由于每个像素的土地覆被类别分布并非均匀，因此使用基于方差的融合方法来获得最佳权重因子，以融合NDVI、VTCI和覆盖度。这些权重因子用于将每个粗分辨率像素分解为高分辨率像素。本文所采用的模型可应用于Sentinel-1和Scatsat-1的3级产品，并获得的满意的试验结果。

    期刊主页：http://www.tandfonline.com/tidf

    投稿网址：http://mc.manuscriptcentral.com/tidf

（文/ 谢文寒、孙晓霞）