應(yīng)用于城市森林監(jiān)測(cè)的WorldView－1與GeoEye－1融合效果評(píng)價(jià)研究

徐 釗，溫小榮，佘光輝

(南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院，南京 210000)

近年來，遙感成像分辨率不斷提高，在林業(yè)中的應(yīng)用從低空間分辨率要求的大尺度野外森林資源監(jiān)測(cè)，到對(duì)紋理光譜均有較高要求的城市森林、園林資源統(tǒng)計(jì)等工作，如近年升空的World-View－1、Geoeye－1(多光譜波段)分別達(dá)到了0.5 m、2.5 m級(jí)分辨率，這兩顆衛(wèi)星進(jìn)入民用領(lǐng)域時(shí)間很短，卻已先后在鹽城丹頂鶴生態(tài)濕地、吉林查干湖自然保護(hù)區(qū)、南京中山陵等地的相關(guān)研究中得到應(yīng)用，隨著其在各個(gè)領(lǐng)域的挖掘不斷深入，影像的信息標(biāo)準(zhǔn)也不斷提高，如何有效地處理多源信息在描述同一地物時(shí)的準(zhǔn)確解譯問題是一大焦點(diǎn)，而具有高空間、高波譜分辨率、低信息冗余的遙感影像是解決這一問題的重要途徑［1］，但就目前而言，類似Geoeye－1的米級(jí)數(shù)據(jù)仍不能滿足現(xiàn)實(shí)需求，如城市中散生單木仍難以識(shí)別，多源影像融合技術(shù)正是基于這一訴求，經(jīng)過對(duì)多通道源所采集的關(guān)于同一場(chǎng)景圖像的預(yù)處理，提取互補(bǔ)信息，融合成信息量更豐富、更準(zhǔn)確的新圖像。其融合質(zhì)量的好壞直接關(guān)系到數(shù)據(jù)的解析度與可用性，關(guān)于融合質(zhì)量評(píng)測(cè)，主要分為主觀法和客觀法［2］，前者多為擁有專業(yè)背景知識(shí)的人員通過目視判斷，此方法與人眼保持了較好的一致性，但缺乏具體評(píng)價(jià)標(biāo)準(zhǔn)，應(yīng)用局限性大;后者常采用定量評(píng)價(jià)模型，以多通道像元值為數(shù)據(jù)源，經(jīng)過計(jì)算得到科學(xué)指標(biāo)?？陀^評(píng)價(jià)方法經(jīng)過多年的發(fā)展，從完全基于全幅像元統(tǒng)計(jì)，到引入信息理論，再到基于特征參量，其趨勢(shì)是充分考慮人的視覺機(jī)制和對(duì)不同區(qū)域的重視程度［3］。本文綜合主客觀兩種方法，并以城市綠地為感興趣區(qū)域，對(duì)基于像素級(jí)的DWT、PSP、HSV、Brovey、PCA和Gram方法融合World－View－1全色波段與Geoeye－1多光譜波段的結(jié)果進(jìn)行質(zhì)量評(píng)價(jià)。

1 數(shù)據(jù)介紹

Geoeye－1發(fā)射于2008年9月，軌道高度681 km，多光譜分辨率達(dá)到1.65 m，擁有 blue、Green、Red和NIR波段，該衛(wèi)星具有分辨率高、測(cè)圖能力強(qiáng)和重訪周期短的特點(diǎn)，已開始為GoogleEarth 提供數(shù)據(jù)［4］。

WorldView－1衛(wèi)星發(fā)射于2007年，運(yùn)行在450 km高度的軌道上，傾角97.12°，每天可以拍攝多達(dá)50萬張影像，僅搭載了一臺(tái)單波段全色傳感器，可以提供分辨率為0.5 m的灰度產(chǎn)品。

本研究采用2010年8月的江蘇省徐州市沛縣影像為數(shù)據(jù)源，其中Geoeye－1為2 m多光譜產(chǎn)品?？梢钥闯觯琖orldView－1具有4倍于Geoeye－1(多光譜)的空間分辨率，將兩種數(shù)據(jù)源融合后可得到滿足應(yīng)用需求的影像。

2 融合評(píng)價(jià)原理

2.1 引入植被權(quán)重的改進(jìn)相似度定量評(píng)價(jià)法

如何將紋理、光譜信息與人眼的視覺特性相結(jié)合一直是融合評(píng)價(jià)的研究方向之一，而在城市森林資源調(diào)查中，綠地信息能否被清晰地辨識(shí)同樣是評(píng)價(jià)要考慮的一大要素，因此，本文在這一要求下，嘗試性地引入了結(jié)構(gòu)相似度概念，并在此基礎(chǔ)上構(gòu)建了一種新的評(píng)價(jià)方法和程序。

結(jié)構(gòu)相似度 (Structure Similarity，SSIM)是一種基于特征參量的評(píng)測(cè)方法，此方法基于傳統(tǒng)的像素統(tǒng)計(jì)量，充分考慮了人眼的視覺感受，人眼在接觸圖像后，首先是宏觀上的整體感受，之后對(duì)圖像做細(xì)部提取，這一過程實(shí)際上是在辨識(shí)感興趣部分與背景的差異，包含紋理特征和色彩差別，尤其對(duì)結(jié)構(gòu)信息的變化敏感度，是一種區(qū)域結(jié)構(gòu)形態(tài)通過視覺的表達(dá)方式，因此模型與人的主觀評(píng)價(jià)具有一致性［5］，正是基于這一機(jī)理，定義如下:

式中:μi、μj、、、σi，j分別表示圖像X、Y的均值、方差、協(xié)方差;lX，Y(i，j)、cX，Y(i，j)是圖像內(nèi)亮度、對(duì)比度的粗略估計(jì);sX，Y(i，j)體現(xiàn)的是圖像間的非線性改變，代表二者結(jié)構(gòu)信息的比較，代入式 (1)中得到:

為了防止由于平滑區(qū)域?qū)е碌慕咏诹愕那闆r出現(xiàn)，一般將式 (2)寫成:

在實(shí)際應(yīng)用這一理論時(shí)，一般將融合前后的影像按一定尺度進(jìn)行非重疊分割，形成M×N個(gè)窗體，不同的相連窗體構(gòu)成了各類地物區(qū)域，如農(nóng)田、廣場(chǎng)、綠地等。區(qū)域間的結(jié)合帶內(nèi)，結(jié)構(gòu)信息的熵值影響著人眼區(qū)別地物的視覺反應(yīng)，如以面向植被分布和覆蓋率為觀察目標(biāo)，在搜尋植物信息時(shí)，先根據(jù)其與周邊地物的紋理光譜差，確定了植被范圍后，再提取植被內(nèi)部信息。鑒于此，引入感興趣區(qū)域和普通區(qū)域的概念，將影像區(qū)分為IR、NIR兩部分，前者對(duì)結(jié)果的影響權(quán)重更大，在二者的邊界確定上，利用植被歸一化指數(shù)，即GeoEye的第3、第4波段構(gòu)建經(jīng)－1～1拉伸的NDVI灰度圖，經(jīng)多次統(tǒng)計(jì)分析，將滿足0.09＜NDVI＜1的像元占窗體比例＞10%的窗體劃分為IR，其它部分為NIR，興趣權(quán)重為λR，當(dāng)前窗體i占整個(gè)圖像的顯著特征因子ωi由窗體方差占總方差的百分比與興趣權(quán)重λR共同決定，即ωIRi=λR·Di、ωNIRi=(1－λR)·Di，其中，λR的值依據(jù)實(shí)際應(yīng)用時(shí)，目標(biāo)區(qū)域的實(shí)際重要程度來決定，越大則越重要，換言之，若λR=0.5，則意味著評(píng)價(jià)更側(cè)重于影像整體的融合質(zhì)量，區(qū)域間的重要性趨于平衡。

最后將各窗體的改進(jìn)相似度平均求和，最終得到如下相似度評(píng)價(jià)公式:

2.2 基于傳統(tǒng)像素統(tǒng)計(jì)的評(píng)價(jià)方法

面向像元灰度值或經(jīng)大氣校正、輻射定標(biāo)后的反射率為數(shù)據(jù)源的統(tǒng)計(jì)法結(jié)果是融合評(píng)價(jià)的重要參考指標(biāo)，本文分別從光譜保真度、紋理清晰度兩方面進(jìn)行評(píng)測(cè)，其中，像素均值DN、標(biāo)準(zhǔn)差σ分別反映了圖像的灰度分布的分散程度和平均亮度，若反差大，意味著圖像有更多的信息;相關(guān)系數(shù)C、扭曲度W體現(xiàn)的是原始影像與融合影像光譜信息的偏離度，相關(guān)系數(shù)越接近1，表明結(jié)果越接近原始數(shù)據(jù)。圖像信息量的豐富程度常以信息熵H表示，平均梯度G則敏感地反映了圖像對(duì)微小細(xì)節(jié)的表達(dá)能力，值越大，細(xì)節(jié)越豐富，紋理清晰度越高。

3 實(shí)驗(yàn)方法及步驟

3.1 波段組合優(yōu)化與融合

在一些融合方法上如Brovey、IHS等只能選用3個(gè)波段進(jìn)行融合，這就需要進(jìn)行波段特征分析和波段優(yōu)化組合分析。波段組合優(yōu)化需要考慮兩個(gè)問題，一是各波段的相關(guān)性要盡量小;二是要選擇信息量大的波段。通過對(duì)案例區(qū)多光譜影像的相關(guān)系數(shù)分析，并根據(jù)GeoEye－1多光譜傳感器的特點(diǎn)，認(rèn)為其在可見光區(qū)，紅色波段與紅外波段相關(guān)性高。再對(duì)4種波段組合中進(jìn)行定量分析后，應(yīng)用最佳指數(shù)因子法，得到1、2和4波段組合獨(dú)立性、信息質(zhì)量為最高的結(jié)果。

3.2 實(shí)驗(yàn)步驟

研究結(jié)合江蘇省徐州城市綠地調(diào)查，首先將2幅原影像配準(zhǔn)后，按坐標(biāo)以矩形裁切，長寬像元數(shù)均為8的倍數(shù)，區(qū)域內(nèi)地物類型豐富，包含道路、街旁綠地、生態(tài)游園、多層次的建筑及陰影、少量水體等，植被覆蓋率較高且部分被陰影所遮擋。利用ENVI軟件分別采用主成分變換 (PCA)、三角HIS法、彩色標(biāo)準(zhǔn)化 (Brovey)、超分辨率貝葉斯法 (Pan)、小波變換法 (Wavelet)、施密特正交變換法 (Gram-Schmidt)進(jìn)行融合，融合效果如圖1～圖8所示:

圖1 GeoEye－1 4、2、1波段影像Fig.1 No.4，No.2，and No.1 band image by GeoEye－1

圖2 WorldView－1全色影像Fig.2 Panchromatic image by WorldView－1

圖4 Pan波段影像Fig.4 Band image by Pan

圖6 Brovey融合影像Fig.6 Fusion image by Brovey

圖8 Gram-Schmidt融合影像Fig.8 Fusion image by Gram-Schmidt

圖3 HIS融合影像Fig.3 Fusion image by HIS

圖5 PCA融合影像Fig.5 Fusion image by PCA

圖7 Wavelet融合影像Fig.7 Fusion image by Wavelet

3.2 評(píng)價(jià)步驟與指標(biāo)結(jié)果

利用MatLab將融合前后影像由左至右、由上至下以8像元×8像元大小、8pixel步長的窗口做非重疊滑動(dòng)，形成窗口圖像Fi，并分別建立G_MMSIM和常規(guī)融合評(píng)價(jià)指標(biāo)程序，對(duì)于源影像，只計(jì)算光譜均值、標(biāo)準(zhǔn)差、平均梯度、信息熵，見表1和表2。

表1 G_MMSIM統(tǒng)計(jì)表Tab.1 G_MMSIM statistics

表2 常規(guī)評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表Tab.2 Statistics of conventional evaluation indexes

4 指標(biāo)分析與討論

經(jīng)目視發(fā)現(xiàn)，除Wavelet外，其它5種融合方法均有效地提高了圖像的分辨率，而PCA、PAN和Gram-Schmidt有著更好光譜還原度，且紋理較為清晰，綠地信息突出，均接近于原始影像，Brovey和HIS色彩還原度較差，雖然紋理更為清晰，但目視效果不佳。對(duì)比G_MMSIM表，可以看出，PCA、Gram和Pan均在0.54以上，與目視結(jié)果保持一致，在 G_MMSIM 公式中，由于 e－(λI－1)2的存在，多光譜、全色影像對(duì)融合的信息貢獻(xiàn)是否均衡比結(jié)構(gòu)信息對(duì)結(jié)果的影響更顯著，偏差越大，G_MMSIM則越小，Brovey和HIS均為紋理清晰度較高而光譜保真度差，Wavelet則是紋理信息損失過大，其結(jié)構(gòu)指標(biāo)數(shù)值過低，造成最終結(jié)果不理想。

結(jié)合常規(guī)評(píng)價(jià)分析，PCA、Gram-Schmidt和Wavelet的均值、標(biāo)準(zhǔn)差與多光譜影像最為接近，即亮度、整體的灰度離散情況保持一致性，PCA、PAN和Gram-Schmidt光譜相關(guān)系數(shù)均在78%以上，Wavelet達(dá)到88.43%，與原始光譜十分接近，這主要源于其融合原理，PCA、PAN、Gram-Schmidt均為分量替換法，不同的是Gram-Schmid的各分量間信息量程均衡分布，PCA被替換的原始分量本身所表達(dá)的即為空間結(jié)構(gòu)信息，Gram-Schmid需根據(jù)高分辨影像的均值和標(biāo)準(zhǔn)差來模擬多光譜影像的全色波段，其與高分辨影像的信息量特征相似，因此，在進(jìn)行變換后，有效地保持了原始的光譜信息;Wavelet利用小波分解與逆變換將多光譜影像的低頻分量和高分辨影像的高頻分量在不同尺度按一定規(guī)則融合提取小波系數(shù)，進(jìn)而有機(jī)地將前者的光譜信息和后者的空間信息結(jié)合在一起［7］，其本身即有著良好的光譜保真度;HIS由于明度分量與worldview具有不同光譜特征曲線，雖然替換前已經(jīng)過統(tǒng)計(jì)特征匹配，但匹配誤差的存在導(dǎo)致了光譜信息變形，植被嚴(yán)重失真，均值偏低導(dǎo)致整體發(fā)暗，75.12%的光譜相關(guān)系數(shù)也為最低;Brovey將多光譜影像的每一個(gè)波段都乘以高分辨率數(shù)據(jù)與彩色波段總和的比值，此方法更多保留了高分辨信息，空間相關(guān)度最高，達(dá)到84.83%，但是色彩失真，色調(diào)偏藍(lán)，指標(biāo)上稍高于HIS，但是在目視上甚至遜于HIS。

在紋理評(píng)價(jià)上從高到低依次為Brovey、HIS、PAN、Gram、PCA和Wavelet，前二者的空間相關(guān)性、信息熵、平均梯度表現(xiàn)優(yōu)秀，這也與其原理相吻合，也體現(xiàn)了兩指標(biāo)在變化上的正相關(guān)性［8－9］;由于Gram-Schmid各分量間信息量相差不大，一定程度上改進(jìn)了PCA信息過于集中而造成的信息熵?fù)p失，因此，前者23.948的平均梯度和0.179 03的信息熵均略優(yōu)于后者;對(duì)于Wavelet，在經(jīng)過多次對(duì)高通和低通濾波在不同尺度的變換后，紋理信息有較大損失，融合對(duì)清晰度的提高有限，目視上，各地物的邊界較模糊，銳化程度不夠，指標(biāo)均為最低。

5 結(jié)束語

在當(dāng)今高分辨?zhèn)鞲衅鲬?yīng)用不斷深入的背景下，本文一方面對(duì)較為先進(jìn)并已經(jīng)民用的World-View-1和Geoeye－1影像的融合效果尤其綠地可辨識(shí)度進(jìn)行主客觀評(píng)價(jià)，得到PCA和Gram最優(yōu)、PAN稍遜，Brovey和 HIS較差、Wavelet效果最差的結(jié)果［10－13］;在另一方面，以人眼視覺特性為出發(fā)點(diǎn)，結(jié)合結(jié)構(gòu)相似度原理，并考慮了融合結(jié)果的光譜與紋理信息需均有優(yōu)良表現(xiàn)的特點(diǎn)，加入 e－(λI－1)2因子，同時(shí)，側(cè)重于具體的應(yīng)用中對(duì)興趣地物的提取和重要程度的判斷，如本研究結(jié)果應(yīng)用于江蘇省徐州市綠化調(diào)查統(tǒng)計(jì)，其對(duì)識(shí)別塊狀綠地、建筑附屬綠地、行道樹及散生單木均有較高要求，因此，在構(gòu)建公式時(shí)，以相似度為基礎(chǔ)，將NDVI閾值用于感興趣區(qū)域的劃分，并探討了權(quán)值分配，最終得到了G_MMSIM評(píng)價(jià)公式，其結(jié)果與主觀評(píng)價(jià)具有一致性，可以作為一種實(shí)用的運(yùn)用于農(nóng)、林等遙感信息提取的融合影像評(píng)價(jià)參考指標(biāo)，同時(shí)，值得注意的是，此方法中突出植被信息的部分稍做修改，便可以用于其它感興趣目標(biāo)的融合評(píng)價(jià)，如突出巖石、水體等地物評(píng)價(jià)中。［14］

【參 考 文 獻(xiàn)】

［1］馬友平，馮仲科，何友均，等．基于ERDAS IMAGINE軟件的快鳥影像融合研究［J］．北京林業(yè)大學(xué)學(xué)報(bào)，2007，29(2):181 －182．

［2］黎新亮，趙書河，柯長青，等．遙感圖像融合定量評(píng)價(jià)方法及實(shí)驗(yàn)研究［J］．遙感技術(shù)與應(yīng)用，2007，22(3):461 －463．

［3］許少凡，劉顯峰，狄紅衛(wèi)．基于加權(quán)結(jié)構(gòu)相似度的圖像融合質(zhì)量評(píng)價(jià)［J］．暨南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007，28(5):471 －473．

［4］仇大海，吳亞玲，張瑞絲．Worldview_1與SPOT5遙感數(shù)據(jù)融合評(píng)價(jià)［J］．西南大學(xué)學(xué)報(bào)，2010，32(6):168 －169．

［5］張 勇，金偉其．基于結(jié)構(gòu)相似度與感興趣區(qū)域的圖像融合評(píng)價(jià)方法［J］．光子學(xué)報(bào)，2011，40(2):313 －314．

［6］羅曉清，吳小?。环N基于區(qū)域相似性的圖像融合評(píng)價(jià)方法［J］．電子學(xué)報(bào)，2010(5):1153 －1156．

［7］張愛明，李乃強(qiáng)．多源遙感影像小波融合方法研究與分析［J］．現(xiàn)代測(cè)繪，2009，32(5):39 －46．

［8］趙 平．我國園林綠化裝備發(fā)展面臨的新形勢(shì)［J］．林業(yè)機(jī)械與木工設(shè)備，2001，39(10):12 －15．

［9］李瑞改，李時(shí)舫，肖冰．基于3S的森林資源消長數(shù)據(jù)采集與更新系統(tǒng)設(shè)計(jì)［J］．林業(yè)機(jī)械與木工設(shè)備，2011，39(2):41 －44．

［10］Toet A，F(xiàn)ranken E M．Perceptual evaluation of different image fusion schemes［J］．Displays，2003，24(1):25 － 37．

［11］Petrovi V．Subjective tests for image fusion evaluation and objective metric validation［J］．Information Fusion，2007，8(2):208 －216．

［12］Le Hégarat-Mascle S，Richard D．Multi-scale data fusion using Dempster-Shafer evidence theory［J］．Integrated Computer-Aided Engineering，2003，10:9 －22．

［13］Piella G．A general framework for multiresolution image fusion from pixels to regions［J］．Information Fusion，2003，4(4):259 －280．

［14］王洪軍，宮 芳．森林資源培育利用中的問題及對(duì)策［J］．森林工程，2004，20(4):14 －15．