R48：SAR-光学像素级融合方法族

对应文献：Kulkarni, S. C.; Rege, P. P. Pixel Level Fusion Techniques for SAR and Optical Images: A Review. Information Fusion, 2020.

1. 算法思路

R48是综述论文，不提出一个单一新算法，而是系统整理SAR与光学影像像素级融合方法。其基本思想是：光学影像 $O$ 提供光谱、颜色和可解释纹理，SAR影像 $S$ 提供结构、粗糙度、含水量和全天候信息。像素级融合希望生成融合影像 $F$，使其同时保留 $O$ 的光谱一致性和 $S$ 的空间/结构细节。

可抽象为：

$$F = \Phi(O,S)$$

其中 (\Phi(\cdot)) 是融合算子，可以是成分替换、多尺度分解、稀疏表示或变分优化。

2. 成分替换类方法

以PCA为例，将多波段光学影像 $O=[O_1,\ldots,O_B]$ 变换到主成分空间：

$$P = W(O-\mu)$$

其中 $W$ 为由协方差矩阵特征向量构成的投影矩阵。第一主成分 $P_1$ 通常包含主要空间亮度信息。用归一化后的SAR影像 $\tilde{S}$ 替换或加权替换 $P_1$：

$$P_1' = \alpha \tilde{S} + (1-\alpha)P_1$$

再反变换得到融合影像：

$$F = W^{-1}P' + \mu$$

IHS、Brovey、Gram-Schmidt等方法也遵循类似逻辑：先把光学影像拆成亮度/色彩/主成分，再把SAR空间细节注入亮度或高频分量。

3. 多尺度分解类方法

多尺度方法先把光学和SAR分解为低频和高频：

$$O = O_L + \sum_{j=1}^{J} O_H^j,\quad S = S_L + \sum_{j=1}^{J} S_H^j$$

低频部分通常保留光学光谱：

$$F_L = O_L$$

高频部分按活动度、梯度或局部能量选择：

$$F_H^j(p)= \begin{cases} O_H^j(p), & A_O^j(p)\ge A_S^j(p)\\ S_H^j(p), & A_O^j(p)< A_S^j(p) \end{cases}$$

其中 (A(\cdot)) 可为局部方差、梯度幅值或小波系数能量。最后重构：

$$F = \mathcal{R}\left(F_L,\{F_H^j\}_{j=1}^{J}\right)$$

4. 稀疏表示类方法

将图像块表示为字典上的稀疏系数：

$$o_p \approx D\alpha_o,\quad s_p \approx D\alpha_s$$

稀疏编码通过求解：

$$\min_{\alpha}\|x_p-D\alpha\|_2^2+\lambda\|\alpha\|_1$$

融合系数可按最大绝对值或加权方式生成：

$$\alpha_f(k)= \begin{cases} \alpha_o(k), & |\alpha_o(k)|\ge |\alpha_s(k)|\\ \alpha_s(k), & |\alpha_o(k)|<|\alpha_s(k)| \end{cases}$$

最终得到融合块：

$$f_p=D\alpha_f$$

5. 目标函数视角

像素级融合可统一写为：

$$\min_F \lambda_s \mathcal{L}_{spatial}(F,S) +\lambda_o \mathcal{L}_{spectral}(F,O) +\lambda_r \mathcal{R}(F)$$

其中 $\mathcal{L}<em>{spatial}$ 约束融合结果继承SAR结构，$\mathcal{L}</em>{spectral}$ 约束融合结果保持光学光谱，$\mathcal{R}$ 是平滑、稀疏或边缘保持正则。

文献截图

下图来自 R48 第3页，展示SAR-光学像素级融合方法的分类脉络，可对应本文中成分替换、多尺度分解和模型驱动融合的划分。

下图来自 R48 第5页，展示多尺度分解类融合的块图，是小波/金字塔类方法“分解-融合-重构”流程的直观图示。

下图来自 R48 第10页，展示多光谱与SAR融合后的可视化效果，用于对照像素级方法在空间细节增强和光谱保持之间的权衡。

6. 局限

像素级融合高度依赖精确配准；SAR斑点和几何畸变可能被注入光学影像；图像质量指标如熵、互信息、SSIM不一定对应分类、检测或变化检测性能。因此R48类方法适合作为算法谱系基础，但实际任务应结合下游指标验证。