Bildfusionen

Bildfusionen bezeichnet den Prozess, bei dem zwei oder mehr Bilder derselben Szene zu einem einzigen Bild kombiniert werden, das die relevanten Informationen der einzelnen Quellen integriert. Ziel ist es, Eigenschaften wie räumliche Auflösung, Spektralinformation oder zeitliche Abdeckung zu verbessern und so eine bessere Analyse oder Visualisierung zu ermöglichen. Anwendungen finden sich in der Fernerkundung, der medizinischen Bildgebung, der Überwachung und der wissenschaftlichen Bildbearbeitung.

Zu den grundlegenden Ansätzen gehören Methoden im räumlichen Bereich, im Transformationsbereich und auf Mehrauflösungsbasis. Räumliche Ansätze verwenden einfache Pixeloperationen wie gewichtete Mittelwerte, Maximum- oder Minimum-Auswahl oder Medianfusion. Transformationsbasierte Ansätze nutzen Techniken wie PCA, IHS (Intensität-Helligkeit-Sättigung) und die Brovey-Transformation; oft werden diese Transformationsschritte mit einer anschließenden Rekonstruktion in der ursprünglichen Domäne kombiniert. Multi-Resolution-Ansätze wie Laplacian-Pyramide, Wavelet- oder NSCT-Fusion kombinieren Details auf mehreren Skalen. Moderne Ansätze nutzen auch Deep-Learning-Modelle, die Fusionen oft end-to-end lernen.

Wichtige Anwendungsfelder sind Pan-Sharpening in der Fernerkundung, die Fusionsdarstellungen in der medizinischen Diagnostik (z. B. MRI/CT, PET/CT), Infrared-Visible-Fusion für Nachtsicht sowie die Überwachung, Umweltmonitoring und die Astronomie.

Zu den Herausforderungen zählen exakte Bildregistrierung, Größen- und Spektralverträglichkeit, Vermeidung von Verzerrungen und Artefakten sowie die objektive Bewertung der Fusion-Qualität. Bewertungsmethoden umfassen PSNR, Strukturgleichheitsindex (SSIM) und Mutual Information; oft werden diese mit visueller Beurteilung kombiniert. Historisch entwickelten sich Bildfusionstechniken seit den 1960er Jahren; transformbasierte und mehrauflösende Verfahren wurden weiterentwickelt, und in den letzten Jahren gewinnen auch tiefenlernende Modelle eine zentrale Rolle.