R54：局部统计约束的光学-SAR融合

对应文献：Gungor, O.; Shan, J. An Optimal Fusion Approach for Optical and SAR Images. ISPRS Proceedings.

1. 算法思路

R54提出一种传统像素级融合思路：融合影像 $F$ 应同时满足两个局部统计目标：

1. 局部均值接近光学影像 $O$，以保持光谱/颜色；
2. 局部方差接近SAR或高空间分辨率影像 $S$，以注入空间细节。

该方法不依赖训练数据，核心是局部窗口统计匹配。

2. 变量定义

设 $W_p$ 表示以像素 $p$ 为中心的局部窗口。窗口内光学、SAR和融合影像的均值为：

$$\mu_O(p)=\frac{1}{|W_p|}\sum_{q\in W_p}O(q)$$ $$\mu_S(p)=\frac{1}{|W_p|}\sum_{q\in W_p}S(q),\quad \mu_F(p)=\frac{1}{|W_p|}\sum_{q\in W_p}F(q)$$

局部方差为：

$$\sigma_X^2(p)=\frac{1}{|W_p|}\sum_{q\in W_p}(X(q)-\mu_X(p))^2$$

其中 $X\in{O,S,F}$。

3. 约束目标

融合目标可以形式化为：

$$\mu_F(p)\approx \mu_O(p)$$ $$\sigma_F^2(p)\approx \sigma_S^2(p)$$

用优化形式写为：

$$\min_F \sum_p \left[ \lambda_\mu(\mu_F(p)-\mu_O(p))^2 +\lambda_\sigma(\sigma_F(p)-\sigma_S(p))^2 \right]$$

其中 $\lambda_\mu$ 控制光谱保持，$\lambda_\sigma$ 控制空间细节注入。

4. 单像素线性变换推导

若假设融合像素由光学像素线性变换得到：

$$F(q)=a_p O(q)+b_p,\quad q\in W_p$$

则窗口均值和标准差满足：

$$\mu_F(p)=a_p\mu_O(p)+b_p$$ $$\sigma_F(p)=|a_p|\sigma_O(p)$$

要求 (\mu_F(p)=\mu_O(p))、(\sigma_F(p)=\sigma_S(p))，可得：

$$a_p=\frac{\sigma_S(p)}{\sigma_O(p)+\epsilon}$$ $$b_p=\mu_O(p)-a_p\mu_O(p)$$

因此局部融合可写为：

$$F(p)=\mu_O(p)+ \frac{\sigma_S(p)}{\sigma_O(p)+\epsilon} \left(O(p)-\mu_O(p)\right)$$

若希望更直接注入SAR局部纹理，也可写成SAR细节项形式：

$$F(p)=\mu_O(p)+ \frac{\sigma_O(p)}{\sigma_S(p)+\epsilon} \left(S(p)-\mu_S(p)\right)$$

实际实现可在二者之间加权。

5. 算法流程

1. 对光学和SAR影像进行几何配准与重采样。
2. 对每个像素建立局部窗口 $W_p$。
3. 计算 $\mu_O,\sigma_O,\mu_S,\sigma_S$。
4. 根据局部统计约束计算融合像素 (F(p))。
5. 对所有波段或亮度分量执行融合，并进行必要的灰度/光谱恢复。

文献截图

下图来自 R54 第3页，包含光学与SAR输入以及局部统计融合算法的示意内容，可对应本文“均值保光谱、方差传细节”的推导。

下图来自 R54 第4页，展示融合结果示例，用于观察局部统计方法对空间细节和视觉纹理的增强效果。

下图来自 R54 第6页，展示不同融合结果的对比，可作为该方法效果与局限讨论的图像依据。

6. 局限

局部窗口大小会显著影响结果：窗口过小对噪声敏感，窗口过大会平滑边界。该方法假设SAR空间结构可通过局部方差转移到光学域，难以处理复杂非线性散射、城市叠掩和语义类别差异。它适合图像增强，不适合直接作为目标检测或动目标跟踪算法。