國產(chǎn)高分辨率遙感影像融合方法比較與分析

邢元軍，劉曉農(nóng)，宋亞斌，彭檢貴

（國家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設計院，湖南 長沙 410014）

國產(chǎn)高分辨率遙感影像融合方法比較與分析

邢元軍，劉曉農(nóng)，宋亞斌，彭檢貴

（國家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設計院，湖南 長沙 410014）

GF-1，ZY-3和ZY1 02C三種國產(chǎn)衛(wèi)星數(shù)據(jù)為研究對象，在分析單波段信息熵的基礎上，運用聯(lián)合熵，最佳指數(shù)和相關系數(shù)矩陣確定3種影像數(shù)據(jù)的最佳波段組合，選擇具代表性的PC、Brovey、GS、IHS和MT變換融合等五種基于像素的融合方法對影像進行融合，分析融合前后影像聯(lián)合熵以及融合后各影像波段的梯度變化。研究結(jié)果表明：(1) GF-1的最佳組合為Band1、Band3及Band4，ZY-3的最佳組合為Band2、Band3及Band4，ZY-1 02C數(shù)據(jù)的最佳波段組合為Band1、Band2及Band3；(2)融合后影像中Brovey變換融合的聯(lián)合熵小于融合前，其余4種融合方法聯(lián)合熵均大于融合前聯(lián)合熵值；(3) GF-1、ZY-3和ZY 1 02C影像數(shù)據(jù)最佳融合方法分別為GS融合、PC融合以及IHS變換融合。

林業(yè)遙感；圖像融合；聯(lián)合熵；最佳指數(shù)；平均梯度

森林資源監(jiān)測是林業(yè)重要的基礎性工作，我國雖然已建成了比較完備的森林資源監(jiān)測體系，但是森林資源監(jiān)測信息的時效性和現(xiàn)勢性較差，難以應對國際國內(nèi)林業(yè)發(fā)展的新形勢。因此，森林資源監(jiān)測工作需要改進技術手段，開拓發(fā)展思路，創(chuàng)新監(jiān)測方法，不斷優(yōu)化和完善監(jiān)測體系，以適應國家經(jīng)濟社會發(fā)展和現(xiàn)代林業(yè)建設的新形勢、新任務和新要求。自1999年起，國家林業(yè)局規(guī)定在開展每5年一次的森林資源連續(xù)清查的同時運用遙感技術對原有固定樣地的抽樣間隔進行加密，進行遙感判讀解譯和區(qū)劃獲取森林資源宏觀監(jiān)測數(shù)據(jù)，自此遙感技術在森林資源宏觀監(jiān)測中扮演者越來越重要的角色。

圖像融合是影像森林類型識別和信息提取的基礎。在數(shù)據(jù)源的選擇上，注重多光譜與高光譜[1-2]、多光譜與SAR[3-4]、低分辨率與高分辨率數(shù)據(jù)的融合[5-7]，以提升數(shù)據(jù)的空間分辨率和光譜分辨率。在方法上采用多種方法的復合以及多種知識的綜合運用。遙感影像的融合通常包括3個層次，即像元級融合[8-10]、特征級融合[11-13]、決策級融合[14]。其中像元級融合是指直接對傳感器采集的數(shù)據(jù)進行處理進行融合，這種融合方法是高層次影像融合的基礎。特征級融合是指從原始影像提取影像的特征信息，將特征集融合，并加以綜合分析和處理，經(jīng)過此種融合方法后的影像冗余信息減少，有利于海量數(shù)據(jù)的處理。決策級融合是影像融合的最高層次，針對具體的決策目標，對多幅影像進行統(tǒng)計或邏輯推理，融合結(jié)果直接為決策者提供決策信息參考[9]。

上述3種影像融合層次，各具優(yōu)勢，在實際應用過程中，不僅要考慮方法的合理性，還要考慮時效性，同時還要兼顧影像融合效果評價。對于全國宏觀森林資源監(jiān)測而言，利用遙感技術進行監(jiān)測，遙感影像融合與處理的工作量大，要在一年內(nèi)完成全國監(jiān)測區(qū)信息的提取。在選擇融合方法時需要兼顧不同監(jiān)測省份的實際情況以及融合方法操作的可行性。選擇基于像元級的融合方法是一種比較合理的方式。鑒于此，研究以國產(chǎn)衛(wèi)星GF-1，ZY-3以及ZY1 02C三種數(shù)據(jù)為基礎，開展國產(chǎn)高分辨率影像融合方法比較與分析，以期為國家宏觀森林資源監(jiān)測提供準確的數(shù)據(jù)源。對提高遙感區(qū)劃判讀精度、規(guī)范遙感應用技術和區(qū)劃判讀工作流程、保證監(jiān)測成果能夠客觀反映森林資源的現(xiàn)狀和動態(tài)變化情況具有重要意義。

1 材料與方法

1.1 數(shù)據(jù)源及預處理

根據(jù)國家宏觀森林資源監(jiān)測遙感區(qū)劃的要求，選擇湖南省為中南監(jiān)測區(qū)示范省份，研究所涉及的遙感影像包括GF-1，ZY-3以及ZY02C三種國產(chǎn)數(shù)據(jù)，數(shù)據(jù)源的接收時間及特點如表1所示。依照前期湖南省遙感區(qū)劃結(jié)果，選擇3景地形和地類破碎程度具有代表性的影像開展影像的融合與比較分析。在ENVI5.1和ERMapper7.1軟件的支持下，開展遙感影像的定標，大氣校正工作。以1∶10 000數(shù)字化地形圖及DEM為基礎，選擇道路，鐵路交叉口作為同名地物點，對上述GF-1，ZY-3以及ZY1 02C三種國產(chǎn)數(shù)據(jù)進行正射校正，校正誤差控制在5 m以內(nèi)，最終生成研究所用的DOM影像（見圖1，封二）。

表1 影像數(shù)據(jù)主要參數(shù)Table 1 Main parameters of remote sensing data

1.2 數(shù)據(jù)融合方法

為了對觀測目標有一個更加全面、清晰、準確的理解與認知，本次研究著重于把在空間或時間上冗余或互補的多源數(shù)據(jù)，按一定的算法（規(guī)則）進行運算處理，獲得比任何單一數(shù)據(jù)更精確、更豐富的信息，生成一幅具有新的空間、波譜、時間特征的合成圖像，為后續(xù)的區(qū)劃判讀提供更多的細節(jié)信息，提高識別和解譯能力。利用遙感圖像處理系統(tǒng)軟件采用極具代表性的PC Spectral Sharpening（PC）、Color Normalized（Brovey）變換融合、Gram-Schmidt Spectral Sharpening（GS）融合、IHS變換融合、乘積變換（MT）等五種基于像素的融合方法對影像進行融合[15-18]，對其處理結(jié)果進行分析篩選，取其效果最佳、最方便后續(xù)目視解譯的結(jié)果進行影像增強處理。

1.3 數(shù)據(jù)融合結(jié)果評價

圖像融合結(jié)果需要進行評價，一般從定性和定量2個方面加以比較。定性評價主要包括檢測影像是否存在重影，影像的色彩和亮度是否符合要求，紋理特征、邊緣特征是否得到增強，地物的可分性以及清晰度是否得到提高。定量評價主要是采用一些技術指標分析影像融合前后的變化，對影像融合結(jié)果進行客觀評價。本次研究主要采用信息熵，聯(lián)合熵，最佳指數(shù)以及清晰度等指標對影像融合前后的結(jié)果進行比較。波段信息熵，聯(lián)合熵，最佳指數(shù)以及清晰度的計算公式及推導詳見文獻[19]。

2 結(jié)果與分析

2.1 單波段影像數(shù)據(jù)分析

遙感影像信息量的大小一般通過均值、標準差、信息熵等來體現(xiàn)。標準差體現(xiàn)波段內(nèi)像元值大小的離散程度，一般來說圖像的標準差越大表示單個波段的信息量越大，對應的信息熵也就越大。此次研究涉及的GF-1，ZY-3以及ZY1 02C三種國產(chǎn)數(shù)據(jù)的單波段特征如表2所示。

表2 三種國產(chǎn)高分影像的波段特征Table 2 Band characteristics of three domestic high resolution satellite images

由表2可知，三種國產(chǎn)影像各波段DN值分布范圍基本一致，最小值為0，最大值為254或255。均值與標準差的差異較大，GF-1、ZY-3的第4波段以及ZY1 02C的第3波段為近紅外波段，這3個波段標準差與均值要均大于各自對應的可見光波段對應的值。從信息熵計算結(jié)果來看不同影像之間波段信息熵的差異具體如下：GF-1影像信息熵以近紅外波段（Band4）最大為5.24，第一波段信息熵次之為5.13，總體排序為Band4＞Band1＞Band2＞Band3；ZY-3影像信息熵以可見光Band1最大為5.41，Band2信息熵次之，Band3信息熵最小為5.03，具體排序為Band1＞Band2＞Band4＞Band3；ZY1 02C影像的多光譜只有3個波段，其中第3波段為近紅外波段，也是信息熵最大的波段。從上述3種影像信息熵分析結(jié)果來看，近紅外對應的熵值大于可見光部分的波段，但ZY-3影像近紅外的波段例外，其信息上信息熵小于第一波段和第二波段。

2.2 多波段影像組合分析

單波段信息分析是波段選擇的基礎，對于多波段的高分辨率影像而言，最終用于顯示的影像是3波段的組合結(jié)果。因此需要對多波段影像進行選擇與評價，除了單波段信息熵的大小之外，還需考慮波段之間的相關系數(shù)。理想的波段選擇是選擇出來的3個波段信息熵最大，且相互之間相關性最小，也就是相關系數(shù)最小。相關系數(shù)小意味著波段之間的相似性小，相似性越小冗余信息少，這樣的波段組合效果就最佳。3種國產(chǎn)數(shù)據(jù)波段之間的相關系數(shù)矩陣如表3。

表3 三種國產(chǎn)高分影像的波段相關系數(shù)矩陣Table 3 Correlation matrix of three domestic high resolution satellite images

從表3可知，對于GF-1數(shù)據(jù)來說，Band1和Band2的相關系數(shù)最大為0.98，Band4與Band3的相關系數(shù)最小為0.92，且Band4與Band3的相關系數(shù)為0.92，從相關系數(shù)的角度來看，對于GF-1數(shù)據(jù)來說，Band4是一個必選的波段，且Band4的熵也是最大。Band2與其余幾個波段的相關系數(shù)均大于Band4與其他幾個波段之間的相關系數(shù)，從相關系數(shù)的大小及單個波段信息熵的角度來說，Band1，Band3和Band4是GF-1影像波段組合中較好的組合方式。對于ZY-3影像來說，多光譜的4個波段之中，以Band4波段與其余3個波段之間的相關系數(shù)較小，Band3與Band2波段之間的相關性最大為0.98，從波段組合的角度來看，這兩個波段只能選擇一個，因為二者之間的信息重疊度過大。結(jié)合單個波段的信息熵和相關系數(shù)矩陣，Band1、Band3、Band4以及Band2、Band3、Band4是較好的波段組合。而對于ZY1 02C來說，Band3與其余2個波段的相關性較小，Band2與Band1相關系數(shù)最大為0.94，考慮到多光譜只有3個波段，3個波段組合就是最佳的組合了，不需要重新進行分析。

信息熵與相關系數(shù)的分析可以從一個側(cè)面反映最佳的波段組合方式，若要選擇出3種國產(chǎn)數(shù)據(jù)的最佳波段組合，還需要考慮3個波段聯(lián)合熵以及最佳指數(shù)等定量分析指標。表4是3種影像不同波段組合聯(lián)合熵與最佳指數(shù)計算結(jié)果。從聯(lián)合熵的角度來看，GF-1的最佳組合為Band1、Band3、Band4，聯(lián)合熵最大，最佳指數(shù)計算結(jié)果也最大，分別為14.56和75.63。ZY-3影像的最佳組合為Band2、Band3、Band4，聯(lián)合熵與最佳指數(shù)分別為14.01和125.44，Band1、Band3、Band4的組合計算結(jié)果次之，聯(lián)合熵與最佳指數(shù)分別為13.70和122.13。綜合單個波段信息熵，標準差，3個波段聯(lián)合熵與最佳指數(shù)計算結(jié)果，確定GF-1影像的最佳波段組合為Band1、Band3、Band4，ZY-3影像的最佳波段組合為Band2、Band3、Band4，而ZY1 02C的最佳組合為 Band1、Band2、Band3。

表4 三種影像波段組合聯(lián)合熵與最佳指數(shù)結(jié)果Table 4 Union entropy and Optimum Index Factor of three domestic high resolution satellite images

2.3 國產(chǎn)數(shù)據(jù)融合結(jié)果分析

圖像融合是影像解譯的基礎，不同融合方法所得結(jié)果存在差異，本次研究在確定3種國產(chǎn)影像數(shù)據(jù)最佳波段組合的基礎上，選擇具代表性的PC、Brovey、GS、IHS和MT變換融合等五種基于像素的融合方法對影像進行融合，并對5種方法所得結(jié)果從定性和定量兩個方面進行分析。

2.3.1 融合結(jié)果定性分析

圖2（見封二）是GF-1影像Band1、Band3及Band4波段與全色波段融合的結(jié)果。從空間分解力和清晰度來看，兩種不同的圖像融合及增強方法得到的影像相對原始影像均有很大的提高，通過對農(nóng)田、道路和居民點建筑的輪廓、山區(qū)植被的構(gòu)像及其它地物的影像細節(jié)比較很容易驗證這一點。從光譜特征來看，MT融合與其他4種融合方法產(chǎn)生的結(jié)果出現(xiàn)不同的顏色，差別很大；GS變換融合結(jié)果圖中對不同地類的反應相比其余4幅圖更敏感，在紋理特征表達上更為清晰，融合后對陰影的處理效果較好。

從圖3 （見封三）ZY-3波段融合效果可知，5種融合方法所得結(jié)果在色彩上的差異較GF-1大，尤其是IHS變換融合后的色彩效果較差。從地類區(qū)分的角度看，GS變換融合結(jié)果各地類的層次性最好，PC變換融合次之，但對于山區(qū)陰影處理方面，PC變換融合效果更佳。MT變換融合、Brovey變換融合效果一般。從森林類型區(qū)分的角度看，PC變換融合和GS變換融合較其他幾種方式有一定的優(yōu)勢。從農(nóng)田、池塘等非林地的紋理特征區(qū)分上GS變換和Brovey變換融合的效果略好些。

圖4 （見封三）是ZY1 02C影像多光譜波段與全色波段融合效果。從空間分解力和清晰度來看，不同的圖像融合方法得到的影像相對原始影像均有很大的提高，通過對農(nóng)田和道路的輪廓、山區(qū)植被的構(gòu)像及其它地物的影像細節(jié)比較很容易驗證這一點。從融合整體效果來看，Brovey融合、MT融合、GS融合結(jié)果顏色較為一致，PC和IHS變換融合的效果與其余幾種方法差別較大，尤其是PC融合出現(xiàn)了一定的分塊效應，局部地物紋理模糊；從森林類型區(qū)分的角度看Brovey融合、MT融合、GS以及IHS變換融合基本一致，IHS變換融合效果在農(nóng)田，道路以及河流紋理特征方面更為清晰。

2.3.2 融合結(jié)果定量分析

為了更好的評價5種影像融合方法對于國產(chǎn)高分辨率影像融合的適用性，在定性分析的基礎上，選擇聯(lián)合熵和平均梯度變化兩個指標進行定量評價。通過比較不同融合方法聯(lián)合熵在融合前后的變化以及不同方法所得融合結(jié)果的各個波段平均梯度的變化。平均梯度變化越大影像越清晰，對應的方法融合效果也就越好；融合后影像的聯(lián)合熵越大，說明信息量越大，融合效果也就具有優(yōu)勢。

從3種影像融合前后聯(lián)合熵變化的結(jié)果來看（見圖5），IHS變換融合、GS融合以及PC融合在信息量的角度具有優(yōu)勢，優(yōu)于MT和Brovey變換融合。從聯(lián)合熵大小的比較來看，3種影像融合的結(jié)果中，Brovey變換融合結(jié)果最小，甚至小于融合前的信息量，結(jié)合定性分析結(jié)果表明Brovey變換融合不適用于國產(chǎn)高分辨率影像的融合。對于ZY1 02C影像來說，除了Brovey變換融合不適用之外，MT變換融合結(jié)果聯(lián)合熵也小于融合前3個多光譜波段的聯(lián)合熵。

圖5 三種影像波段組合融合前后聯(lián)合熵值Fig.5 Union entropy change ofthree domestic satellite images before and after fusion

從表5中可以發(fā)現(xiàn)，3種影像5種不同方法融合后，各波段的平均梯度變化差異較大，對于GF-1影像來說，Band1的平均梯度以IHS變換融合結(jié)果最大為5.74，其余4種方法所得結(jié)果與IHS差異較?。籅and3的平均梯度以Brovey變換融合最大，GS與PC融合結(jié)果次之，而對于Band4來說，GS變換融合梯度變化最大。ZY-3影像各波段平均梯度變化中以PC變換變化最大，Band2、Band3和Band4梯度變換分別為5.94，6.81和6.24。ZY 1 02C影像中IHS融合的梯度變化占有優(yōu)勢，Brovey和GS融合效果次之，PC和MT梯度變化最小。

綜上，結(jié)合3種國產(chǎn)影像的定性、影像融合前后聯(lián)合熵的變化以及不同融合方法所得結(jié)果的平均梯度變化結(jié)果來看，GS融合、PC融合以及IHS變換融合分別是GF-1、ZY-3和ZY 1 02C影像數(shù)據(jù)最佳融合方法。

3 結(jié)論與討論

論文以GF-1，ZY-3以及ZY1 02C三種國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)為例，開展國產(chǎn)衛(wèi)星數(shù)據(jù)融合方法研究，采用定量分析方法對單個波段的信息熵，多光譜波段之間相關系數(shù)以及聯(lián)合熵確定最佳波段組合。同時選擇具代表性的PC、Brovey、GS、IHS和MT變換融合等五種基于像素的融合方法對影像進行融合，分析融合前后影像聯(lián)合熵以及融合后各影像波段的梯度變化。研究結(jié)論如下：

表5 三種影像不同融合方法平均梯度結(jié)果Table 5 Average gradient result ofdifferent fusion methods forthree domestic satellite images

（1）分析了3種國產(chǎn)衛(wèi)星數(shù)據(jù)各波段信息量的大小，并對各波段的信息上進行排序。GF-1影像各波段的信息熵大小排序為Band4＞Band1＞Band2＞Band3，ZY-3影像各波段的信息熵大小排序為Band1＞Band2＞Band4＞Band3，ZY1 02C影像各波段的信息熵大小排序為Band3＞Band2＞ Band1。

（2）確定了3種國產(chǎn)影像數(shù)據(jù)最佳波段組合。在單波段信息熵分析的基礎上，考慮各波段之間的相關性，計算各種可能組合的聯(lián)合熵與最佳指數(shù)，最終確定GF-1，ZY-3，ZY-1 02C數(shù)據(jù)的最佳波段組合分別為，其中GF-1的最佳組合為Band1、Band3及Band4，ZY-3的最佳組合為Band2、Band3及Band4，ZY-1 02C數(shù)據(jù)的最佳波段組合為Band1、Band2及Band3。

（3）運用定性和定量方法，確定3種國產(chǎn)數(shù)據(jù)最佳融合方法。采用PC、Brovey、GS、IHS和MT變換融合等五種基于像素的融合方法對影像進行融合，對融合結(jié)果開展定性評價，分析不同方法對森林類型以及農(nóng)田、水域和道路等非林地類型的區(qū)分度、色調(diào)和陰影處理的效果。比較融合前后影像聯(lián)合熵的差異以及融合后影像各波段平均梯度的變化，確定了各自最佳的融合方法，GF-1、ZY-3和ZY 1 02C影像數(shù)據(jù)最佳融合方法分別為GS融合、PC融合以及IHS變換融合。

[1]謝登峰, 張錦水, 潘耀忠,等. Landsat 8和MODIS融合構(gòu)建高時空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學報, 2015, 19(5):791-805.

[2]熊文成, 魏 斌, 孫中平,等. 一種針對環(huán)境一號衛(wèi)星A星高光譜與CCD數(shù)據(jù)融合的方法[J]. 遙感信息,2012,27(6):79-82.

[3]鄒麗麗, 崔海山, 李 穎,等. SAR與SPOT數(shù)據(jù)融合方法研究[J]. 遙感技術與應用, 2010, 25(6):836-841.

[4]C. Pohl, J. L. Van Genderen. Review article Multisensor image fusion in remote sensing: concepts, methods and applications[J].International Journal of Remote Sensing, 1998, 19(5):823-854.

[5]孫 華, 林 輝, 熊育久,等. Spot5影像統(tǒng)計分析及最佳組合波段選擇[J]. 遙感信息, 2006,21(4):57-60.

[6]鞏垠熙, 馮仲科, 吳露露, 等. QuickBird影像融合算法的評價研究[J]. 紅外, 2010, 31(7): 18-23.

[7]郭 蕾, 楊冀紅, 史良樹, 等. SPOT6 遙感圖像融合方法比較研究[J]. 國土資源遙感, 2014, 26(4): 71-77.

[8]Chien C L, Tsai W H. Image Fusion With No Gamut Problem by Improved Nonlinear IHS Transforms for Remote Sensing[J].IEEE Transactions on Geoscience & Remote Sensing, 2014,52(52): 651-663.

[9]林 輝, 孫 華, 熊育久, 等.林業(yè)遙感[M].北京:中國林業(yè)出版社,2011

[10]龔建周, 劉彥隨, 夏北成,等. IHS和小波變換結(jié)合多源遙感影像融合質(zhì)量對小波分解層數(shù)的響應[J]. 中國圖象圖形學報, 2010, 15(8):1269-1277.

[11]Kempeneers P, Sedano F, Seebach L,et al.Data Fusion of Different Spatial Resolution Remote Sensing Images Applied to Forest-Type Mapping[J]. IEEE Transactions on Geoscience &Remote Sensing, 2011, 49(12):4977-4986.

[12]鄔明權(quán), 王潔, 牛錚,等. 融合MODIS與Landsat數(shù)據(jù)生成高時間分辨率Landsat數(shù)據(jù)[J]. 紅外與毫米波學報, 2012,31(1):80-84.

[13]伊力哈木·亞爾買買提, 謝麗蓉, 孔 軍. 基于PCA變換與小波變換的遙感圖像融合方法[J]. 紅外與激光工程, 2014,43(7): 2335-2340.

[14]Luo B, Khan M M, Bienvenu T, et al. Decision-Based Fusion for Pansharpening of Remote Sensing Images[J]. IEEE Geoscience& Remote Sensing Letters, 2013, 10(1):19-23.

[15]東啟亮, 林 輝, 孫 華,等. 多源遙感數(shù)據(jù)融合方法在濕地分類中的適用性研究[J]. 中南林業(yè)科技大學學報, 2013,33(1):52-57.

[16]亓興蘭, 劉 健, 陳福海,等. SPOT-5遙感影像自身融合在馬尾松毛蟲害信息提取中的應用[J]. 中南林業(yè)科技大學學報,2011, 31(2):15-21.

[17]秦善善, 王世新, 周 藝,等. NSCT與GS變換的資源三號衛(wèi)星數(shù)據(jù)融合方法研究與應用[J]. 地球信息科學學報, 2014,16(6): 949-957.

[18]王 佳, 尹華麗, 王曉瑩,等. 基于資源三號影像的森林蓄積量估測遙感因子選擇[J]. 中南林業(yè)科技大學學報, 2015,35(12): 29-33.

[19]趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003.

Research on fusion method comparison and analysis for domestic high resolution satellite images

XING Yuan-jun, LIUXiao-nong, SONGYa-bin, PENG Jian-gui
(Central South Forest Inventory and Planning Institute of State Forestry Administration, Changsha 410014, Hunan, China)

Three kinds of domestic high resolution satellite images such as GF-1, ZY-3 and ZY1 02C were selected in this study. Best band combination was de fined for each satellite data, which based on union entropy; optimum index factor and correlation coef ficient matrix after analysis each band entropy of three domestic high resolution satellite data. Five different fusion methods which are PC Spectral Sharpening(PC), Color Normalized(Brovey), Gram-Schmidt Spectral Sharpening(GS), IHS transformand Multiplicative transform(MT) were applied in three kinds of domestic high resolution satellite images fusion. Furthermore, we analyzed band average gradient and image union entropy changes result before and after image fusion.The result show that optimum band combination of GF-1 areband4 for red, band3 for green, and band1 for blue. Band4 for red, band3 for green, and band2 for blue are the best bandcombination for ZY-3. The optimum band combination for ZY1 02C are band3 for red, band2 for green, and band1. The union entropy of color normalized fusion result was less than before image fusion in all three domestic satellite data, and the other four fusion result of union entropy were more than before fusion. According to these results, the best fusionmethod of GF-1, ZY-3 and ZY1 02C were Gramschmidt spectral sharpening, PC spectral sharpeningand IHS transform, respectively.

forestry remote sensing; image fusion; union entropy; optimum index factor;average gradient

S771.8

A

1673-923X(2016)10-0083-06

10.14067/j.cnki.1673-923x.2016.10.015

2016-02-18

國家發(fā)改委項目：全國林業(yè)生態(tài)工程遙感監(jiān)測（2015XXGL257）；國家林業(yè)局資源司項目：全國森林資源宏觀監(jiān)測（2015-ld-009）

邢元軍，工程師，碩士；E-mail：zny_xyj@foxmail.com

邢元軍，劉曉農(nóng)，宋亞斌，等. 國產(chǎn)高分辨率遙感影像融合方法比較與分析[J].中南林業(yè)科技大學學報,2016,36(10):83-88.

[本文編校：吳 彬]