CN106384332A - 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 - Google Patents

Abstract

本发明公开一种基于Gram‑Schmidt变换的无人机影像与多光谱影像融合方法。其首先经过影像预处理获得具有相同像元尺寸的多光谱低空间分辨率遥感影像与三波段高空间分辨率无人机可见光影像这两套独立的多波段影像；之后对遥感影像进行多元线性回归、重构和Gram‑Schmidt变换获得遥感影像GS成分，同时对无人机影像进行相同的重构和Gram‑Schmidt变换得到无人机GS成分；之后对无人机GS成分进行梯度滤波得到纹理信息，并以一定权重叠加至遥感影像第1‑4GS成分上；对增强结果进行Gram‑Schmidt逆变换并去除冗余信息，即得到最终融合影像。本方法扩展了传统融合方法的单波段全色数据与多光谱影像融合的局限性，增加了融合数据的多样性，并实现了一种兼顾光谱保持性和信息质量的融合方法。

Description

基于Gram-Schmidt的无人机影像与多光谱影像融合方法

技术领域

本发明涉及遥感影像处理数据融合领域，更具体地，涉及一种基于Gram-Schmidt的无人机影像与多光谱影像融合方法，是一种多波段影像与多波段影像融合技术，是一种结合了多元线性回归、梯度滤波和葛兰-施密特(Gram-Schmidt)变换的扩展后的融合技术。

技术背景

影像融合技术，尤其是像素级影像融合技术，可以高效、精准地获取具有高空间分辨率的多光谱影像数据，弥补由于传感器和遥感平台性能的限制而产生的影像产品空间分辨率和光谱分辨率无法兼容的不足，进一步满足更高要求的遥感解译任务的需求，因此该技术也备受关注并得到了极大的发展。技术层面，从IHS变换、主成分分析、Gram-Schmidt变换、空间滤波、小波变换、HCS变换到稀疏矩阵和感知压缩，多种技术手段的引入不断丰富和强化着传统融合模型；同时，数据种类方面，从单纯的全色数据到SAR、NIR等多种数据的引入，影像融合不断走向广义融合并实现复杂信息的兼容。

近年来，随着无人机技术的发展，无人机光学影像以其极高的空间分辨率和快速的、针对性的数据获取方式备受遥感领域科研人员的关注。基于无人机光学影像本身的高空间分辨率，引入影像融合的技术手段进行处理可以使其获得更精细的光谱信息，有助于更精细的遥感解译任务和定量遥感需求。然而，目前的影像融合技术，无论从技术层面还是数据种类方面，大多局限于单波段数据与多波段遥感影像的融合；而无人机光学影像基本为红绿蓝(RGB)三波段数据，传统的融合技术手段无法充分利用其全部三个波段的有效信息。这种局面下，影像融合技术需要向多波段数据与多波段数据融合的方向进行进一步的广义上的扩展，并克服传统融合模型一对多的局限性。

发明内容

为了克服现有技术的不足，本发明公开一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，其是基于Gram-Schmidt逆变换将无人机影像的空间细节信息调制到多光谱遥感影像中，并依据Gram-Schmidt变换的特性可以保证融合结果极高光谱保持性的一种方法。

为了实现上述目的，本发明的技术方案为：

一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，包括：

S1、影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪，得到低空间分辨率多光谱遥感影像和相同范围的高空间分辨率三波段无人机光学影像；

S2、对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像；

S3、对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分；

S4、对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分；

S5、对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果；

S6、对增强结果进行Gram-Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。

优选地，步骤S2中对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像的步骤为：

S21、在研究区范围内随机采样，样本数目为研究区范围内像元数目的0.8％-2％，样本内容为采样点处遥感影像N个波段的数据值和无人机影像RGB波段的数据值；

S22、基于多元线性回归，分别得到相同范围的高空间分辨率三波段无人机光学影像RGB三个波段样本各自以遥感影像N波段样本为变量的回归系数；

S23、将得到的回归系数应用于遥感影像N个波段分别得到模拟的无人机RGB波段。

优选地，步骤S3中对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分的步骤为：

S31、根据多光谱影像RGB波段范围内像元的均值与标准差对模拟无人机影像进行强度匹配，具体公式如下：

${\mathrm{\χ}}_{ei}=\frac{{\mathrm{\σ}}_{Mi}}{{\mathrm{\σ}}_{Ui}}\·({\mathrm{\χ}}_i-{\mathrm{\μ}}_{Ui})+{\mathrm{\μ}}_{Mi}$

式中：χ_ei和χ_i分别为增强后的第i个波段和原始模拟无人机影像的第i个波段，μ_Mi和μ_Ui分别为遥感影像和模拟无人机影像对应波段均值，σ_Mi和σ_Ui分别为遥感影像和模拟无人机影像对应波段标准差，i＝R，G或B；

S32、对强度匹配后的模拟无人机影像求均值波段，即在同一像元位置求取RGB波段像元的均值；

S33、按模拟无人机影像均值波段，强度匹配后模拟无人机影像和原始遥感影像的顺序重构获得N+4波段的变换基础影像；

S34、对变换基础影像进行Gram-Schmidt变换，得到N+4个遥感影像GS成分。

优选地，步骤S4中对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分的步骤为：

S41、根据多光谱影像RGB波段范围内像元的均值与标准差对无人机影像进行强度匹配，具体公式如下：

${\mathrm{\χ}}_{ei}=\frac{{\mathrm{\σ}}_{Mi}}{{\mathrm{\σ}}_{Ui}}\·({\mathrm{\χ}}_i-{\mathrm{\μ}}_{Ui})+{\mathrm{\μ}}_{Mi}$

式中：χ_ei和χ_i分别为增强后的第i个波段和原始无人机影像的第i个波段，μ_Mi和μ_Ui分别为遥感影像和无人机影像对应波段均值，σ_Mi和σ_Ui分别为遥感影像和无人机影像对应波段标准差，i＝R，G或B；

S42、对强度匹配后的无人机影像求均值波段；

S43、按无人机影像均值波段，强度匹配后无人机影像的顺序重构获得4波段的变换基础影像；

S44、对变换基础影像进行Gram-Schmidt变换，得到4个无人机影像GS成分。

优选地，步骤S5中对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果的步骤为：

S51、采用特定的滤波算子，与无人机影像第1个GS成分进行卷积，其结果即为无人机影像第1个GS成分的空间纹理信息；

S52、将无人机影像第1个GS成分的空间纹理信息以特定权重增强，然后与遥感影像的第1个GS成分相加，获取遥感影像增强后的第1个GS成分，其公式为：

GS_ei＝w·GST_Ui+GS_Mi

式中：GS_ei为增强后的遥感影像第i个GS成分，GST_Ui为无人机影像第i个GS成分的纹理信息，GS_Mi为原始的遥感影像第i个GS成分；w为特定权重，i为GS成分位次，在这里i＝1；

S53、以此类推，采用与步骤S52相同的滤波算子和权重获取遥感影像增强后的第2、3、4个GS成分。

优选地，对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果之前还包括：

根据无人机影像GS成分的空间信息特征或人为地选取空间滤波算子，以及根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。

上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法中，多元线性回归实现了多波段遥感影像的维度数目向三波段无人机可见光数据的压缩，构建了具有不同波段数目的影像之间进行信息交流的桥梁；梯度滤波以及加权求和的方式直接地将无人机影像的空间细节信息叠加至多光谱影像的重构数据中；而Gram-Schmidt变换首先将多光谱数据中前列数据的冗余信息去除，然后在其逆变换过程中将增强后的GS 1-4成分中的无人机影像空间细节信息补充回多光谱遥感影像中，实现融合结果空间细节信息上的增强。同时，基于Gram-Schmidt变换的优良特性，融合结果具有极高的光谱保持性。

上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法，生产的融合结果具有无人机影像类似的空间分辨率以及多光谱遥感影像类似的光谱分辨率。这种数据在精细的定量遥感研究中，尤其是植被覆盖地区较多的红树林地区，非常有利于单株植被的界定以及生物量的反演，而且该数据产品的成本远低于直接的具有高空间分辨率的高光谱数据产品，具有非常重要的应用前景。

附图说明

图1为本发明的流程图。

图2为实施例1中三波段0.125m空间分辨率无人机影像图。

图3为实施例1中八波段0.500m空间分辨率WorldView-2融合产品。

图4为实施例1中决定特定权重依据的平均梯度和Qn折线图。

图5为实施例1中本发明最终融合结果图。

具体实施方式

实施例1

图1给出了上述的基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，包括以下步骤：

通过影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪等步骤，我们已经准备好低空间分辨率多光谱遥感影像和相同空间范围内的高空间分辨率三波段无人机光学影像；

首先在步骤“多元线性回归”中对遥感影像进行多元线性回归，获得模拟无人机影像；

通过“强度匹配&求均值”和“重构”两个步骤对遥感影像进行重构，并在步骤“GS正变换”中进行Gram-Schmidt变换得到遥感影像GS成分；

另一方面通过“强度匹配&求均值”和“重构”两个步骤对无人机影像进行重构，并在步骤“GS正变换”中进行Gram-Schmidt变换得到无人机影像GS成分；

在步骤“梯度滤波”中对无人机GS成分进行梯度滤波得到纹理信息，并在步骤“加权叠加”中将其以一定权重叠加至遥感影像第1至4个GS成分上得到增强结果；

最终在步骤“GS逆变换&去冗余”中对增强结果进行Gram-Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。

具体地，在步骤“多元线性回归”中对遥感影像进行多元线性回归，获得模拟无人机影像的具体方法为：在研究区范围内随机采样，样本数目为研究区范围内像元数目的0.8％-2％左右，样本内容为采样点处遥感影像N个波段的数据值和无人机影像RGB波段的数据值；基于多元线性回归，分别得到无人机影像RGB三个波段样本各自以遥感影像N波段样本为变量的回归系数；将得到的回归系数应用于遥感影像N个波段分别得到模拟的无人机RGB波段。

具体地，通过“强度匹配&求均值”和“重构”两个步骤对遥感影像进行重构，并在步骤“GS正变换”中进行Gram-Schmidt变换得到遥感影像GS成分的具体方法为：根据多光谱影像RGB波段范围内像元的均值与标准差对模拟无人机影像进行强度匹配，具体公式如下：

${\mathrm{\χ}}_{ei}=\frac{{\mathrm{\σ}}_{Mi}}{{\mathrm{\σ}}_{Ui}}\·({\mathrm{\χ}}_i-{\mathrm{\μ}}_{Ui})+{\mathrm{\μ}}_{Mi}$

式中，χ_ei和χ_i分别为增强后的第i个波段和原始模拟无人机影像的第i个波段，μ_Mi和μ_Ui分别为遥感影像和模拟无人机影像对应波段均值，σ_Mi和σ_Ui分别为遥感影像和模拟无人机影像对应波段标准差，i＝R，G或B；对强度匹配后的模拟无人机影像求均值波段，即在同一像元位置求取RGB波段像元的均值；按模拟无人机影像均值波段，强度匹配后模拟无人机影像和原始遥感影像的顺序重构获得N+4波段的变换基础影像；对变换基础影像进行Gram-Schmidt变换，得到N+4个遥感影像GS成分。

具体地，通过“强度匹配&求均值”和“重构”两个步骤对无人机影像进行重构，并在步骤“GS正变换”中进行Gram-Schmidt变换得到无人机影像GS成分的方法为：根据多光谱遥感影像RGB波段范围内像元的均值与标准差对无人机影像进行强度匹配；对强度匹配后的无人机影像求均值波段；按无人机影像均值波段，强度匹配后无人机影像的顺序重构获得4波段的变换基础影像；对变换基础影像进行Gram-Schmidt变换，得到4个无人机影像GS成分。

具体地，在步骤“梯度滤波”中对无人机GS成分进行梯度滤波得到纹理信息，并在步骤“加权叠加”中将其以一定权重叠加至遥感影像第1-4GS成分上得到增强结果的方法为：采用特定的滤波算子，与无人机影像第1GS成分进行卷积，其结果即为无人机影像第1GS成分的空间纹理信息；将无人机影像第1GS成分的空间纹理信息以特定权重增强，然后与遥感影像的第1GS成分相加，获取遥感影像增强后的第1GS成分，其公式为：

GS_ei＝w·GST_Ui+GS_Mi

式中，GS_ei为增强后的遥感影像第i个GS成分，GST_Ui为无人机影像第i个GS成分的纹理信息，GS_Mi为原始的遥感影像第i个GS成分；w为特定权重，i为GS成分位次，在这里i＝1；以此类推，采用相同滤波算子和权重获取遥感影像增强后的第2、3、4个GS成分。

进一步地，在步骤“梯度滤波”中对无人机GS成分进行梯度滤波得到纹理信息，并在步骤“加权叠加”中将其以一定权重叠加至遥感影像第1至4个GS成分上得到增强结果之前还包括：根据无人机影像GS成分的空间信息特征或人为地选取空间滤波算子，以及根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。

下面结合一个实施例来阐述上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法：三波段无人机影像为普通红绿蓝(RGB)光学影像，经过几何校正和空间重采样，理论上空间分辨率0.125m，其预览图详见图2；多光谱遥感影像为八波段WorldView-2遥感影像，经过FLAASH大气校正和HCS Resolution Merge融合，融合结果理论上空间分辨率0.5m，其预览图详见图3，采用红绿蓝真彩色合成(5、3、2波段)。研究区域位于广东省珠海市唐家镇淇澳岛红树林自然保护区，空间范围256m x 256m，主要地表覆被类型为植被，尤其是无瓣海桑和老鼠簕，影像大小为2048x 2048像元，数据深度为单精度浮点型。

基于数据重构和Gram-Schmidt变换，无人机影像变换后具有4个GS成分，WorldView-2影像变换后具有12个GS成分，取WorldView-2影像前4个GS成分为待增强的GS成分，第5到第12GS成分为遥感影像其余GS成分。在“梯度滤波”步骤中，依据实验效果人为选取LoG算子为梯度滤波算子，其具体分布如下：

-2	-4	-4	-4	-2
					-4	0	8	0	-4
-4	8	24	8	-4
					-4	0	8	0	-4
-2	-4	-4	-4	-2

在步骤“加权叠加”中，依据实现效果的信息质量和光谱保持性后向确定特定权重。在这里我们将平均梯度(AG)作为融合结果的信息质量度量指标，即融合影像的清晰程度代表影像信息质量；同时，将Qn指数作为融合结果的光谱保持性度量指标，即一种结构化的相关系数来代表融合结果光谱保持性。在0.02-0.20区间以0.02步长测试了10组特定权重下融合结果的这两个因子，其结果详见图4。由图可知，两条曲线在0.118左右存在交叉，表明0.118的权重可以有效兼顾融合结果的信息质量与光谱保持性。因此本实施例中特定权重取0.118。

最终融合结果详见图5，采用红绿蓝真彩色合成(5、3、2波段)。如图所示，融合结果非常好地继承了WorldView-2遥感影像的光谱信息和无人机影像的纹理信息。影像中，无瓣海桑树冠的边界和单株树木的边界以及老鼠簕植被区域的纹理信息清晰可见，其他纹理信息、斑点信息非常丰富；另一方面，融合结果真彩色合成的色调与原始遥感影像，即WorldView-2真彩色合成影像的色调非常一致，这表明了其极高的光谱保持性能。

对于最终的融合结果，我们采用信息质量和光谱保持性两方面的6个指标来进行定量评价，信息质量包括标准差、信息熵和平均梯度3个指标，分别代表融合结果的信息量、信息丰富程度和清晰程度；光谱保持性包括与多光谱遥感影像相关系数(CC-Mul)、SSIM指数和Qn指数，分别代表单纯的相似性、空间上结构化的光谱相似性和光谱上结构化的光谱相似性。为了方便比较和定位，我们采用无人机影像的三个波段分别作为全色数据进行传统的基于Gram-Schmidt变换的融合方法，基于ENVI5.2classical实现，并在此基础上进行相同的定量评价和比较。最终结果详见表1：

表1：融合结果定量评价表

由表1的定量评价结果可知，无论在信息质量方面还是光谱保持性方面，本申请公开的方法均优于传统的基于Gram-Schmidt的单波段融合方法。信息质量方面，本申请中的方法，除信息熵略低于传统方法，标准差和平均梯度均明显优于传统的Gram-Schmidt模型，表明本申请公开的模型在整合了无人机光学影像全部信息的基础上，虽然信息丰富程度略差于传统模型，但在信息量和影像清晰程度方面存在更大的优势。光谱保持性方面，本申请公开的方法在三个指标上均明显优于传统模型，表明其在各个方面均能较好地保留原始多光谱数据的光谱信息；尤其是Qn指数方面，在传统模型的度量结果绝对值不大于0.2的情况下，其仍能保持0.8以上的强相关性，更表明了本申请中的方法在光谱保持性方面的强大优势。

上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法中，多元线性回归实现了多波段遥感影像的维度数目向三波段无人机可见光数据的压缩，构建了具有不同波段数目的影像之间进行信息交流的桥梁；梯度滤波以及加权求和的方式直接地将无人机影像的空间细节信息叠加至多光谱影像的重构数据中；而Gram-Schmidt变换首先将多光谱数据中前列数据的冗余信息去除，然后在其逆变换过程中将增强后的GS 1-4成分中的无人机影像空间细节信息补充回多光谱遥感影像中，实现融合结果空间细节信息上的增强。同时，基于Gram-Schmidt变换的优良特性，融合结果具有极高的光谱保持性。

上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法，生产的融合结果具有无人机影像类似的空间分辨率以及多光谱遥感影像类似的光谱分辨率。这种数据在精细的定量遥感研究中，尤其是植被覆盖地区较多的红树林地区，非常有利于单株植被的界定以及生物量的反演，而且该数据产品的成本远低于直接的具有高空间分辨率的高光谱数据产品，具有非常重要的应用前景。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，其特征在于，包括：

S1、影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪，得到低空间分辨率多光谱遥感影像和相同范围的高空间分辨率三波段无人机光学影像；

S2、对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像；

S3、对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分；

S4、对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分；

S5、对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果；

S6、对增强结果进行Gram-Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。

2.根据权利要求1所述的方法，其特征在于，步骤S2中对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像的步骤为：

S21、在研究区范围内随机采样，样本数目为研究区范围内像元数目的0.8％-2％，样本内容为采样点处遥感影像N个波段的数据值和无人机影像RGB波段的数据值；

S22、基于多元线性回归，分别得到相同范围的高空间分辨率三波段无人机光学影像RGB三个波段样本各自以遥感影像N波段样本为变量的回归系数；

S23、将得到的回归系数应用于遥感影像N个波段分别得到模拟的无人机RGB波段。

3.根据权利要求1所述的方法，其特征在于，步骤S3中对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分的步骤为：

S31、根据多光谱影像RGB波段范围内像元的均值与标准差对模拟无人机影像进行强度匹配，具体公式如下：

${\mathrm{\χ}}_{ei}=\frac{{\mathrm{\σ}}_{Mi}}{{\mathrm{\σ}}_{Ui}}\·({\mathrm{\χ}}_i-{\mathrm{\μ}}_{Ui})+{\mathrm{\μ}}_{Mi}$

式中：χ_ei和χ_i分别为增强后的第i个波段和原始模拟无人机影像的第i个波段，μ_Mi和μ_Ui分别为遥感影像和模拟无人机影像对应波段均值，σ_Mi和σ_Ui分别为遥感影像和模拟无人机影像对应波段标准差，i＝R，G或B；

S32、对强度匹配后的模拟无人机影像求均值波段，即在同一像元位置求取RGB波段像元的均值；

S33、按模拟无人机影像均值波段，强度匹配后模拟无人机影像和原始遥感影像的顺序重构获得N+4波段的变换基础影像；

S34、对变换基础影像进行Gram-Schmidt变换，得到N+4个遥感影像GS成分。

4.根据权利要求1所述的方法，其特征在于，步骤S4中对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分的步骤为：

S41、根据多光谱影像RGB波段范围内像元的均值与标准差对无人机影像进行强度匹配，具体公式如下：

${\mathrm{\χ}}_{ei}=\frac{{\mathrm{\σ}}_{Mi}}{{\mathrm{\σ}}_{Ui}}\·({\mathrm{\χ}}_i-{\mathrm{\μ}}_{Ui})+{\mathrm{\μ}}_{Mi}$

式中：χ_ei和χ_i分别为增强后的第i个波段和原始无人机影像的第i个波段，μ_Mi和μ_Ui分别为遥感影像和无人机影像对应波段均值，σ_Mi和σ_Ui分别为遥感影像和无人机影像对应波段标准差，i＝R，G或B；

S42、对强度匹配后的无人机影像求均值波段；

S43、按无人机影像均值波段，强度匹配后无人机影像的顺序重构获得4波段的变换基础影像；

S44、对变换基础影像进行Gram-Schmidt变换，得到4个无人机影像GS成分。

5.根据权利要求1所述的方法，其特征在于，步骤S5中对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果的步骤为：

S51、采用特定的滤波算子，与无人机影像第1个GS成分进行卷积，其结果即为无人机影像第1个GS成分的空间纹理信息；

S52、将无人机影像第1个GS成分的空间纹理信息以特定权重增强，然后与遥感影像的第1个GS成分相加，获取遥感影像增强后的第1个GS成分，其公式为：

GS_ei＝w·GST_Ui+GS_Mi

式中：GS_ei为增强后的遥感影像第i个GS成分，GST_Ui为无人机影像第i个GS成分的纹理信息，GS_Mi为原始的遥感影像第i个GS成分；w为特定权重，i为GS成分位次，在这里i＝1；

S53、以此类推，采用与步骤S52相同的滤波算子和权重获取遥感影像增强后的第2、3、4个GS成分。

6.根据权利要求5所述的方法，其特征在于，对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果之前还包括：

根据无人机影像GS成分的空间信息特征或人为地选取空间滤波算子，以及根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。