沙地信息提取中的ET M＋遙感影像自身融合研究

周淑琴，張青峰，荊耀棟，吳發(fā)啟，畢如田

（1.西北農林科技大學 資源環(huán)境學院，陜西 楊凌712100；2.山西農業(yè)大學 資源環(huán)境學院，山西 太谷030801）

遙感數據多傳感器、多分辨率和多時相的特點，導致數據量龐大。而且隨著時間的推移和遙感技術的進步，海量遙感數據大幅增加。遙感數據分為空間分辨率較高的全色波段和波譜分辨率較高的多光譜波段。為有效利用這兩類遙感數據，最大限度獲取目標地物信息，影像融合技術在研究工作中大量研究和應用。影像融合是指把來自不同傳感器或同一傳感器不同尺度的同一場景的兩幅或多幅影像，采用一定的算法生成一組新的信息或合成影像，以提高影像的清晰度和識別性，獲得單一影像所不能提供的特征信息［1，2］。影像融合從信息表征層次上可分為三個層次：像元級融合、特征級融合和決策級融合［3］。每一層次的融合各具特點，基本步驟可以概括為空間配準和影像融合兩步，而空間配準是影像融合的前提和關鍵［4］。本文研究的影像自身融合是基于像元級的融合。

遙感影像的像元級融合中，對于不同傳感器不同尺度的影像融合技術研究較多，而對高分辨率的ET M＋遙感影像自身融合方法研究的較少。不同傳感器間的遙感數據融合，圖像配準是關鍵技術之一［5］。而ET M＋ 遙感影像的自身融合技術保證了圖像配準的精確度。因為ET M＋遙感影像自身融合是其高空間分辨率的全色波段和多光譜（低空間分辨率）波段間的數據融合。該全色波段和多光譜波段來自相同的傳感器，是在同一時間獲取的同一區(qū)域的數據，太陽高度角等一系列環(huán)境因素相同［6］，二者可以跳過圖像的配準，直接進行數據融合。為保留豐富的光譜數據，又提高空間分辨率，以定邊縣的ET M＋數據為研究對象，分析不同方法支持下的影像自身融合過程。通過評價數據融合的效果，結合當地的地形地貌特征，探求提取沙地信息的最佳融合過程，為后期數據的處理提供有力的技術支撐。

1 數據源

美國1984年發(fā)射陸地衛(wèi)星Landsat－5，儀器艙裝有專題繪圖儀（T M）傳感器，有7個波段的感應器，地面分辨率為30 m（第6波段為120 m）。Landsat－7衛(wèi)星于1999年發(fā)射，傳感器改型成增強型專題繪圖儀（ET M＋），有8個波段的感應器，第6個波段的地面分辨率提高為60 m，增加的第8波段是地面分辨率為15 m的全色波段［7，8］。選取的數據源為1999年9月22日的Landsat－7／ET M＋影像，軌道號為128／034。

2 研究區(qū)概況

定邊縣地處陜西省西北角、榆林市最西端，是黃土高原與內蒙古鄂爾多斯荒漠草原的過渡地帶。縣境中部白于山橫亙東西，輻射南北，將全縣分為兩大地貌類型：南部為白于山區(qū)丘陵溝壑區(qū)，占總面積的52.78%；北部為毛烏素沙漠南緣風沙灘區(qū)，占總面積的47.22%。境內水域較多，北部風沙區(qū)有多個海子，沿縣界由西向東分布，南部多條河流均發(fā)源于白于山區(qū)。定邊縣屬溫帶半干旱大陸性季風氣候，春季多風、夏季干旱、秋季陰雨、冬季嚴寒，日照充足。定邊縣處于生態(tài)環(huán)境脆弱的農牧交錯帶，沙地的發(fā)展變化嚴重影響該地區(qū)人民的生產和生活。

3 數據融合

3.1 波段選取

ET M＋遙感影像自身融合是指將高分辨率的第8波段和其它7個光譜波段間的數據融合。光譜波段中T M6的地面分辨率為60 m，分辨率遠低于其他波段的30 m，且該波段的信息主要反映熱輻射的信息，沙地信息提取過程和后期數據處理中，不涉及熱輻射的內容，同時標準差和亮度范圍太低，在后期的波段選擇中，可以不考慮該波段的信息［9］。所以在數據融合時考慮T M6以外的多光譜波段和T M8波段的數據融合。像元級數據融合數據量較大，而數據融合前進行波段的選取，可釋放計算機的存儲空間，提高計算機的存儲能力和運算能力。在減少需要存儲數據量的同時，提高了后期數據融合處理的速度和效率。

3.2 融合方法

研究區(qū)域沙地信息提取過程中，沙地紋理特征是重要影響因素之一。而遙感影像空間分辨率大小的不同，直接導致沙地紋理細膩程度的不同。為提高影像的空間分辨率，凸顯沙地信息，利用3種不同的數據融合方法對數據進行處理。利用ERDAS I MAGINE進行空間分辨率融合時，利用軟件提供的主成分變化融合（Principle component）、乘積變換融合（Multiplicative）和比值變換融合（Br ovey Transfor m）作為備選的融合方法。最后根據融合效果評價和沙地信息提取的優(yōu)劣，選擇最佳的數據融合方法。

3.2.1 主成分變換融合

主成分變換（PCA）是應用較廣的算法［2，4，10，11］，是建立在圖像統(tǒng)計特征基礎上的多維線性變換，是在舍棄相關性較差的次要成分后，進行反變換恢復出圖像，是對原圖像統(tǒng)計意義的最佳逼近［4］。所以在得到的主成分空間中，第一主成分通常主要包含各波段共有的信息，而各波段特有的信息被分配到其它主成分中。因此第一主成分體現(xiàn)光譜的主要特征。主成分變換（PCA）又叫K－L（Kar hunen－Loeve）變換，首先對輸入的多波段數據進行主成分變換，然后以高空間分辨率遙感數據替代變換以后的第一主成分，最后再進行主成分逆變換，生成具有高空間分辨率的多波段融合圖像［12］。數據的融合過程如圖1。

圖1 主成分變換融合過程Fig.1 Image fusion flowchart based on PCA

3.2.2 乘積變換融合

乘積變換是應用最基本的乘積組合算法，直接對兩種空間分辨率的遙感數據進行融合，運算公式為Bi＿new＝Bi＿m×B＿h。式中Bi＿new代表融合以后的波段數值（i＝1，2，3，…，n），Bi＿m 表示多波段影像中的任意一個波段數值，B＿h代表高分辨率遙感數據。Crippen研究表明：將一定亮度的影像進行變換處理時，只有乘法變換可以使其色彩保持不變。

3.2.3 比值變換融合

Brovery變換是較為簡單的融合方法，應用的是乘積組合算法，將多光譜波段顏色（紅、綠、藍）歸一化，將高分辨率影像與多光譜各波段相乘完成融合，可采用下面的公式進行計算。

Bnew＝（B／（R＋G＋B））×Bh，其中Rnew、Gnew、Bnew分別代表融合后的紅、綠、藍波段，R、G、B代表融合前的紅、綠、藍波段，Bh代表高分辨率數據。

比值變換融合只用到多光譜數據中的3個波段，選用最佳波段組合7、4、3分別作為原始數據的紅、綠、藍波段數據值［9］。根據比值變換融合公式得出：

B＝B3／A×B8，其中 A為B7＋B4＋B3，R、G、B代表融合后的紅、綠、藍波段，B8為ET M＋數據中的第8波段，即高分辨率的全色波段。

3.3 數據融合效果評價

數據融合效果評價是對前期數據融合過程的分析與總結，分為主觀評價和客觀評價。主觀評價主要是進行目視判讀，從色彩和空間分辨率兩個方面來定性評價。主體對色彩與紋理細節(jié)的敏感度不同，則評價不同，所以評價不夠準確客觀。客觀評價利用一些指標來定量評價，通過對像元灰度值的計算，套用公式得出準確的數值，科學性和客觀性更強。

3.3.1 主觀評價

該區(qū)波段優(yōu)化組合研究中，選用波段7、4、3作為最佳組合［9］，數據融合后，仍沿用該組合。將3種不同融合方法形成的數據，選擇波段7、4、3分別賦予紅、綠、藍3顏色，形成接近于真彩色的彩色影像。對于原數據及不同方法融合后的數據，截取部分典型區(qū)域，將其轉為灰度圖（見圖2），其中3／5為沙地，顏色為白色調；左側為從縣城延伸的一部分道路，道路兩側為建筑物，色調為深灰色及黑色，上部右側為城外的一些林地和耕地，色調為淺灰色。

圖2 原數據與融合數據Fig.2 Primary image and fusion images

從整體色調來看，比值法融合的結果與原始數據最接近，PCA變換融合次之，乘積法融合效果最差，整體色調變淺，亮度值增大。地物中沙地信息的變化差異也較大。比值法中沙地色調與原始數據最接近，白色調中普遍帶有粉色，而且明顯區(qū)別于其它地物。PCA中的沙地也明顯區(qū)別于其它地物，但是色彩有明顯變化，原始數據中為白色調，變換后為淡粉色，紋理的邊緣部分為白色調。乘積法中的沙地色調較原數據亮，白色調中的雜色少，容易區(qū)分，但是與研究區(qū)域南部的丘陵溝壑區(qū)有同譜異物的現(xiàn)象，而且數量較大。林地、草地、耕地、水體和建筑用地方面，PCA變換最優(yōu)，比值法稍微差些，乘積法最差。

不同方法支持的數據融合，空間分辨率均得到明顯提高，地物紋理和邊界清晰。PCA變換融合的效果最好，各種地物的紋理細膩，內部結構都比原數據有很大提高，尤其是沙地的紋理，其間的植被也可識別。比值法融合的結果略差，但沙地信息的細膩程度不輸于PCA變換，只是建筑用地的內部結構明顯要差些。乘積法中，沙地信息的紋理結構略有提高，但效果是3種方法中最差的，其它地物也是如此。

通過比較色彩和空間分辨率可以得出，PCA和比值法變換改善了圖像的紋理細節(jié)，但有一定的光譜失真，PCA變換的失真程度大于比值法。乘積法的光譜退化和失真最小，但是圖像的紋理細節(jié)遠比其它兩種方法要差?？偟膩碚f，對于沙地信息提取，比值法比PCA變換的效果好。

3.3.2 客觀評價

目視判斷屬主觀定性評價，對影像數據的客觀評價，利用數理統(tǒng)計方法，選擇極差、均值、方差、模式和平均梯度作為評價指標。

（1）極差

極差是圖像中所有像元灰度值中最大值與最小值之差，刻畫光譜數據波動情況的統(tǒng)計量。

（2）均值

均值是所有像元灰度值平均水平的統(tǒng)計量，近似反映圖像灰度值的分布情況，是圖像中地物的平均反射強度，均值適中，視覺效果良好。公式如下：

其中M和N 為像元的行列數，f（i，j）為第i行j列的像元灰度值，f為像元灰度值的平均值。

（3）中值

像元的灰度值排序后，中間位的灰度值為中值。如果灰度值的個數是奇數，則中間那個數據就是影像灰度值的中值；如果數據的個數是偶數，則中間兩個數據的算術平均值就是其中值。

（4）模式

模式是像元的某灰度值在所有像元中出現(xiàn)次數最多的灰度值。

（5）方差

方差常被用作衡量影像信息量的關鍵指標，是各個像元的灰度值與整體像元平均數之差的平方的平均數，反映各像元灰度值與圖像平均值的總的離散程度。方差的值越大，融合后圖像的動態(tài)范圍越大，影像的分解力越大。

其中，M 和N 為像元的行列數，f（i，j）為第i行j列的像元灰度值，f為所有像元灰度值的平均值，S2為方差。

（6）熵

它是衡量信息量豐富程度的一個重要指標，影像的熵值越大就表明圖像所含信息量越多，細節(jié)越豐富，效果越好。其數學表達式：

其中L表示灰度級的個數，pi指灰度值為i的像元個數和圖像中像元總數的比值。

表1 3種不同融合方法的定量分析和比較Table 1 comparisons and quantity analyses of three different fusion methods

從表1看出，融合前后不同影像灰度值的均值、中值和模式近似相等，說明灰度值的分布符合正態(tài)分布，影像的質量都比較高。融合后各數據中像元灰度值的極差和原數據有些許提高，但主成分和乘積變換變化微小，比值變換的極差增加15個單位，4張影像中，像元灰度值的波動情況相差無幾。而像元灰度值的均值變化很大。原始數據均值為95，主成分變換和乘積變換均減小為63和31，減小幅度較大；比值變換則增大為110，接近最易于目視判讀的灰度值。但是均值受極大值和極小值的影響很大，反映灰度值的客觀分布情況要比方差弱。從表1看出，方差數值的變化類似于均值得變化，主成分變換和乘積變換均減小為49和64，減小幅度很大；比值變換則增大為625，增加幅度極大。說明比值變換后灰度值的離散程度大幅提高，數據動態(tài)范圍擴大，影像的分解力增強。而從熵值的大小可以反映出影像細節(jié)的豐富程度。所以總的來說，比值變換融合的效果遠優(yōu)于其它兩種方法。這和主觀目視評價的結果是一致的。

4 結論與討論

（1）Landsat－7衛(wèi)星遙感影像ET M＋數據的自身融合，在數據準備階段省去了空間配準這一關鍵步驟，但能高精度融合，同時避免了配準精確度不夠帶來的問題。

（2）通過分析比較得出，ET M＋數據的比值變換融合適合于沙地信息提取，融合效果是3種空間分辨率融合中最好的；PCA變換融合的效果次之，如果不是進行沙地信息提取，其目視解譯的效果也不錯；乘積變化融合的效果最差。

（3）數據融合方法不同，最終的數據波段也有很大區(qū)別。比值變換融合只用到多光譜數據中的3個波段，分別作為紅、綠、藍波段的數值，運算后得到3個波段的數據。而PCA變換和乘積變換之后波段數未變，可以進行波段的綜合運算，而比值變換由原來的6個波段減少為3個波段，不能進行波段的綜合運算。

（4）利用主觀目視和客觀數理統(tǒng)計指標，對融合結果進行評價，結論基本吻合。但是數據融合的最終目的是提高分類精度，所以應該用分類結果進行再次檢測，用分類精度進行更準確的評價。數據融合的研究區(qū)域是定邊縣，更大區(qū)域的范圍理論上也適用，但需要進一步的實驗與驗證。

［1］朱龍，張占睦.遙感影像獲取與分析［M］.北京：科學出版社，2000：136－137.

［2］貟培東，曾永年，歷華.多尺度遙感影像融合技術及其算法研究進展［J］.遙感信息，2006（6）：67－71.

［3］Pohl C，Genderen J LV.Multisensor i mage f usion in remote sensing：Concepts，methods and applications［J］.International Journal of Remote Sensing，1998，19（5）：823－854.

［4］楊麗萍，陳發(fā)虎，頡耀文.國內多源遙感影像信息融合技術的新進展［J］.遙感技術與應用，2007，22（1）：116－122.

［5］姜蕓，臧淑英，王軍.多源遙感影像數據融合技術研究［J］.測繪與空間地理信息，2009，32（2）：46－50.

［6］許榕峰，徐涵秋.ET M＋全色波段及其多光譜波段圖像的融合應用［J］.地球信息科學，2004，6（1）：99－103.

［7］梅安新，彭望祿，秦其明，等.遙感導輪［M］.北京：高等教育出版社，2001：50－53.

［8］孫家抦，舒寧，關澤群.遙感原理、方法和應用［M］.北京：測繪科學出版社，1997：40－48.

［9］荊耀棟，周淑琴，吳發(fā)啟.LANDSAT數據在沙地動態(tài)監(jiān)測中提取沙地信息的最佳波段組合研究［J］.中國農學通報，2011，17（7）：147－150.

［10］王文杰，唐娉，朱重光.一種基于小波變換的圖像融合算法［J］.中國圖像圖形學報，2001（11）：1130－1136.

［11］翁永玲，田慶久，惠鳳鳴.IKONOS高分辨率遙感影像自身融合效果分析［J］.東南大學學報：自然科學版，2004，34（2）：274－277.

［12］黨安榮，賈海峰，陳曉峰.ERDAS I MAGINE遙感圖像處理教程［M］.北京：清華大學出版社，2010：111－112.