基于全參考“高分二號(hào)”衛(wèi)星圖像融合質(zhì)量評(píng)價(jià)

孟凡曉 陳圣波 張國亮

（吉林大學(xué)地球探測(cè)科學(xué)與技術(shù)學(xué)院，長春 130026）

基于全參考“高分二號(hào)”衛(wèi)星圖像融合質(zhì)量評(píng)價(jià)

孟凡曉 陳圣波 張國亮

（吉林大學(xué)地球探測(cè)科學(xué)與技術(shù)學(xué)院，長春 130026）

利用八種常用的遙感圖像融合方法對(duì)中國首顆亞米級(jí)衛(wèi)星——“高分二號(hào)”（GF-2）進(jìn)行全色與多光譜圖像融合，并對(duì)融合結(jié)果做主客觀評(píng)價(jià)。為充分考慮人眼視覺系統(tǒng)的參與，文章選取通用圖像質(zhì)量（Quality，下同）評(píng)價(jià)指數(shù)、視覺信噪比模型、多尺度結(jié)構(gòu)相似度、視覺信息保真度準(zhǔn)則、信息保真度準(zhǔn)則、噪聲質(zhì)量檢測(cè)六種經(jīng)典的基于全參考圖像質(zhì)量客觀評(píng)價(jià)模型作為長春市城區(qū)融合圖像客觀評(píng)價(jià)指標(biāo)。結(jié)果表明：對(duì)于GF-2衛(wèi)星圖像融合，八種方法均在一定程度上增加了空間信息，同時(shí)保持了原始光譜信息。其中，融合效果最好的是HPF方法，Gram-Schmidt方法次之，Multiplicative、PCA、Subtractive、HCS、High Pansharp方法融合效果依次下降，Pansharp方法效果最差。

圖像融合 人類視覺系統(tǒng) 全參考圖像質(zhì)量評(píng)價(jià) “高分二號(hào)”衛(wèi)星

0 引言

隨著遙感技術(shù)的發(fā)展，越來越多的數(shù)據(jù)產(chǎn)品涌入人類的視野中。而人類對(duì)數(shù)據(jù)質(zhì)量（Quality，全文同）的要求也與日俱增，希望數(shù)據(jù)既能保持原始多光譜圖像的光譜完整性，又同時(shí)具有全色圖像的高空間分辨率，故需對(duì)其進(jìn)行數(shù)據(jù)融合。如何選擇恰當(dāng)?shù)娜诤戏椒ㄊ谷诤闲Ч_(dá)到最佳，信息保真度最好，是目前融合的關(guān)鍵技術(shù)之一。我國“高分二號(hào)”（GF-2）衛(wèi)星圖像，由于剛剛發(fā)射投入使用，探索合適的融合方法是目前形勢(shì)的迫切需求。

20世紀(jì)70年代，圖像融合的概念首次在美國出現(xiàn)，文獻(xiàn)[1-4]對(duì)遙感圖像融合進(jìn)行了初步研究。多種遙感圖像數(shù)據(jù)處理的軟件如美國Intergraph公司的ERDAS IMAGINE、RSI公司的ENVI，加拿大的PCI，澳大利亞ERM公司的ER Mapper和德國Definiens Imaging公司的eCogniton等現(xiàn)成為當(dāng)今圖像處理必備的軟件。

我國對(duì)圖像融合研究始于20世紀(jì)80年代，特別是將信息融合技術(shù)列為“863”計(jì)劃和“九五”規(guī)劃中的重點(diǎn)研究內(nèi)容后[5]，開啟了對(duì)信息融合的廣泛研究。1998年以后我國圖像融合技術(shù)的發(fā)展如雨后春筍，能夠自主地將各種類型的數(shù)據(jù)進(jìn)行融合。同源數(shù)據(jù)融合有高分辨率光學(xué)遙感數(shù)據(jù)[6]、高光譜數(shù)據(jù)[7]、雷達(dá)數(shù)據(jù)融合[8]等；異源傳感器之間TM與SAR[9]、TM與航空數(shù)據(jù)[10]等。

本文采用多種方法對(duì)GF-2衛(wèi)星分辨率0.8m全色圖像與分辨率3.2m的多光譜圖像進(jìn)行融合，并對(duì)融合效果進(jìn)行主觀評(píng)價(jià)和基于全參考圖像質(zhì)量客觀評(píng)價(jià)，得出最佳融合方法。

1 數(shù)據(jù)源及預(yù)處理

GF-2衛(wèi)星，搭載兩臺(tái)高分辨率相機(jī)（全色/多光譜相機(jī)，簡(jiǎn)稱PMS），星下點(diǎn)全色分辨率為0.81m、多光譜分辨率為3.24m，它是我國首顆亞米級(jí)分辨率的遙感衛(wèi)星。本文數(shù)據(jù)源選取GF-2衛(wèi)星PMS1相機(jī)全色圖像和多光譜圖像進(jìn)行融合。研究區(qū)位于吉林省長春市城區(qū)，共5 060×5 118個(gè)像元，數(shù)據(jù)采集時(shí)間為2015年9月20日。

本文旨在對(duì)GF-2衛(wèi)星全色與多光譜圖像融合，以獲得具有高分辨0.8m的多光譜融合圖像。而保證圖像融合效果的首要前提是必須要求融合前的兩類圖像精確配準(zhǔn)。GF-2衛(wèi)星原始多光譜與全色圖像自動(dòng)配準(zhǔn)方法不僅能保證配準(zhǔn)精度，且能縮短圖像預(yù)處理時(shí)間，是規(guī)模化數(shù)據(jù)應(yīng)用中較好的配準(zhǔn)策略[11]。筆者對(duì)GF-2衛(wèi)星正射校正后多光譜與全色數(shù)據(jù)進(jìn)行自動(dòng)配準(zhǔn)，自動(dòng)生成79個(gè)控制點(diǎn)，配準(zhǔn)精度在0.22個(gè)像元內(nèi)，滿足精度要求。

2 融合方法

分析前人經(jīng)驗(yàn)得知HSV、Brovey、Wavelet、Ehlers四種融合方法的融合效果較差[12]，故選用當(dāng)今常用的對(duì)光譜信息與空間信息保持相對(duì)較好的Gram-Schmidt、HCS、HPF、Pansharp、High Pansharp、PCA、Multiplicative、Subtractive八種融合方法對(duì)GF-2衛(wèi)星圖像的全色圖像與多光譜圖像融合。

2.1 Gram-Schmidt融合方法

Gram-Schmidt融合方法簡(jiǎn)稱G-S，首先對(duì)多光譜圖像進(jìn)行G-S正變換，其次將全色波段替換第一分量進(jìn)行G-S逆變換，從而獲得融合圖像[13]?；贕-S變換的融合方法無波段數(shù)限制，可避免使用主成分變換時(shí)信息集中于第一主成分的情況，該方法具有較高的光譜信息保持度。

2.2 HCS融合方法

HCS（Hyperspherical Color Space）方法是針對(duì)WorldView-2圖像融合處理的一種基于超球面彩色變換的融合方法[14]。其原理是將全部多光譜數(shù)據(jù)一次性地從原始空間轉(zhuǎn)換到超球面彩色空間后，對(duì)全色圖像及I分量進(jìn)行建模，獲得全色銳化后I′分量，最后進(jìn)行色彩空間的變轉(zhuǎn)換獲得融合圖像。

2.3 HPF融合方法

HPF（High-Pass Filtering Fusion）融合方法又稱高通濾波融合方法[15]。首先對(duì)全色圖像進(jìn)行傅里葉變換，通過一個(gè)卷積模板即高通濾波器抑制其低頻光譜信息。濾波的結(jié)果是對(duì)多光譜圖像數(shù)據(jù)信息平均，用來抵消亮度值的增加，然后對(duì)全色圖像與多光譜圖像疊加實(shí)現(xiàn)融合。

2.4 Pansharp與High Pansharp融合方法

Pansharp融合方法也稱超分辨率貝葉斯法，是一種針對(duì)顏色失真和數(shù)據(jù)運(yùn)算依賴關(guān)系的新型自動(dòng)化融合方法。其原理是用最小二乘法擬合原始全色與多光譜圖像的灰度值和融合結(jié)果的灰度值[16]。由于Pansharp融合方法保留了每個(gè)原始圖像灰度值的均值、標(biāo)準(zhǔn)偏差和直方圖特征，因此能最大限度地保留多光譜圖像的顏色信息。High Pansharp融合方法是對(duì)Pansharp方法的改進(jìn)[17]。

2.5 PCA融合方法

PCA（Principal Component Analysis）融合方法也稱主成分變換，它是一種基于統(tǒng)計(jì)特征的多圖像正交線性變換實(shí)現(xiàn)的融合方法[3]。首先，對(duì)多光譜圖像進(jìn)行主成分正變換，假設(shè)變換后的第一主成分量包含了與全色圖像相同的全部目標(biāo)空間信息，因此就可以通過將全色圖像代替第一主成分量，再通過主成分逆變換得到高分辨率融合圖像。

2.6 Multiplicative融合方法

Multiplicative融合方法即乘積變換融合方法，是通過光譜替代實(shí)現(xiàn)的。文獻(xiàn)[18]指出，在乘積變換方法是不僅對(duì)顏色信息不扭曲，同時(shí)還提高融合后圖像的信息量。乘積變換公式為

式中MS,fusedDN為融合前全色圖像像素值。

2.7 Subtractive融合方法

Subtractive融合方法是專門為QuickBird、IKONOS等衛(wèi)星圖像融合而設(shè)計(jì)的方法。它不但能保留多光譜圖像顏色信息，還能保留全色圖像的紋理信息[19]。它要求輸入融合圖像類型必須是無符號(hào)整型8bit或16bit，4個(gè)多光譜波段，1個(gè)全色波段，全色圖像和多光譜圖像的像元大小應(yīng)有大致14∶的關(guān)系且同時(shí)獲取。GF-2衛(wèi)星圖像滿足要求，所以選擇該方法作為研究方法之一。

DN為融合后多光譜像素值；MS

DN為融合前多光譜像素值；Pan

3 融合質(zhì)量評(píng)價(jià)

對(duì)遙感圖像融合效果評(píng)價(jià)方法有主觀評(píng)價(jià)和客觀評(píng)價(jià)[20]。

3.1 主觀評(píng)價(jià)

主觀評(píng)價(jià)即結(jié)合大腦中的專業(yè)知識(shí)，通過人的肉眼對(duì)融合圖像目視解譯，根據(jù)圖像的實(shí)際采集背景，包括采集時(shí)間等，判斷色彩是否接近自然真彩色，色調(diào)是否均勻，圖像地物邊界是否清晰，紋理是否豐富，整體亮度是否適中等方面進(jìn)行目視判別與比較。

3.2 客觀評(píng)價(jià)

客觀評(píng)價(jià)是基于數(shù)學(xué)模型利用圖像的某些統(tǒng)計(jì)特征參數(shù)對(duì)圖像進(jìn)行評(píng)價(jià)。根據(jù)參考圖像即原始圖像對(duì)其評(píng)價(jià)貢獻(xiàn)大小，圖像質(zhì)量評(píng)價(jià)方式分為三種：全參考、半?yún)⒖寂c無參考圖像質(zhì)量評(píng)價(jià)[21]。本文采用發(fā)展最成熟的全參考圖像質(zhì)量評(píng)價(jià)，融合前的圖像作為參考圖像。

全參考圖像質(zhì)量客觀評(píng)價(jià)是利用原始圖像的全部信息，通過計(jì)算原始圖像與失真圖像在某些數(shù)學(xué)統(tǒng)計(jì)特征的變化差異完成圖像質(zhì)量評(píng)價(jià)。傳統(tǒng)全參考圖像質(zhì)量客觀評(píng)價(jià)主要用基本的數(shù)學(xué)統(tǒng)計(jì)特征完成，但這些參數(shù)只表達(dá)某一方面的質(zhì)量特征，沒有考慮人類視覺系統(tǒng)（Human Visual Systems，HVS）對(duì)圖像的作用。這是因?yàn)槿搜凼菆D像最終接收端，可對(duì)圖像亮度、對(duì)比度、頻率及不同信號(hào)組分之間的相互作用進(jìn)行識(shí)別[22]，具有心理學(xué)和精神型視覺特征。因此，本文除了基本的全參考圖像質(zhì)量指標(biāo)外，選用應(yīng)用普遍、精度高的五種基于HVS的全參考圖像質(zhì)量指標(biāo)進(jìn)行客觀評(píng)價(jià)。

3.2.1 UIQI模型

UIQI（Universal Image Quality Index）是文獻(xiàn)[23]于2002年提出的一種新型通用圖像客觀質(zhì)量評(píng)價(jià)指標(biāo)。其認(rèn)為，圖像的失真是由三個(gè)因素決定的：相關(guān)性失真、亮度失真和對(duì)比度失真。盡管該指標(biāo)沒有人類視覺系統(tǒng)參與，但試驗(yàn)表明它的效果顯著地高于傳統(tǒng)全參考圖像質(zhì)量客觀評(píng)價(jià)指標(biāo)均方根誤差與峰值信噪比的評(píng)價(jià)精度。假設(shè)X為原始圖像，Y為待評(píng)價(jià)圖像，則UIQI表達(dá)為

式中 UIQI的范圍是[-1,1]，-1是效果最差的，相反1是最佳效果，認(rèn)為待評(píng)價(jià)圖像無失真；分別是原始圖像像素值的均值、方差；分別是待評(píng)價(jià)圖像像素值的均值、方差；σXY是原始圖像與待評(píng)價(jià)圖像像素值之間的協(xié)方差。

3.2.2 VSNR模型

VSNR模型即基于小波域的視覺信噪比模型（Visual Signal-to-Noise Ratio），是文獻(xiàn)[24]于2007年提出的。VSNR模型認(rèn)為原始圖像是基于近-閥值和超-閥值的人類視覺特性的。VSNR指標(biāo)分為兩部分：為了確定失真圖像上的畸變是否存在，檢測(cè)扭曲的對(duì)比閾值經(jīng)過視覺掩蔽和視覺累加的小波模型計(jì)算。如果失真低于閾值，認(rèn)為圖像具有理想視覺保真效果，無需再做分析；若失真高于閾值則對(duì)其進(jìn)行低級(jí)視覺特性和最優(yōu)全局中級(jí)特性計(jì)算。

式中 ()H X是原始圖像X的均方根對(duì)比度；()()σμ分別表示原始圖像物理亮度()L X的標(biāo)準(zhǔn)差與L XL X ,均值；VD為視覺畸變；［］0,1 a∈，決定了每個(gè)距離的相對(duì)貢獻(xiàn)大??；pcd為圖像畸變差異；gpd表示整體優(yōu)先的破壞程度。

3.2.3 MS-SSIM模型

結(jié)構(gòu)相似度（Structural Similarity Metric）主要是針對(duì)圖像的結(jié)構(gòu)失真、亮度失真與對(duì)比度失真由Z.Wang等人提出的。后來Wang和Simoncell等人對(duì)SSIM指標(biāo)進(jìn)行補(bǔ)充，提出了多尺度結(jié)構(gòu)相似度（Multi-Scale Structural Similarity）模型，簡(jiǎn)稱MS-SSIM模型[25]。

式中 j為圖像尺度大小，1≤j≤M，M為圖像最大尺度；LM(X, Y)為尺度為M下的圖像亮度因子；Cj(X, Y),Sj(X, Y)分別為第j層尺度下的對(duì)比度和結(jié)構(gòu)度因子；c1、c2與c3是防止分母為零的小正常量，為圖像像素值動(dòng)態(tài)范圍（如8bit圖像l=255），k1?1,k2?1；α, β ,?是用來調(diào)節(jié)各個(gè)組分在評(píng)價(jià)中權(quán)重大小的非零值。

3.2.4 VIF模型

VIF模型即視覺信息保真度準(zhǔn)則（Visual Information Fidelity）是Hamid Sheikh等人于2006年提出的圖像質(zhì)量評(píng)價(jià)模型[22]。假設(shè)源圖像信息在失真過程中分為兩個(gè)部分：一部分不經(jīng)過“失真通道”直接通過HVS通道的信息稱為參考圖像信息，另一部分通過“失真通道”與HVS通道后的信息稱為失真圖像信息，VIF模型就是二者之比

式中 I表示信息量；k為圖像第k個(gè)子帶；N為向量維數(shù)；AN,k表示圖像第k個(gè)子帶的N個(gè)非零系數(shù)向量；sN,k是一個(gè)正值的隨機(jī)場(chǎng)RF（Random Field，以下同）；EN,k是參考圖像第k個(gè)子帶中的N維非零向量；FN,k是失真圖像第k個(gè)子帶中的N維非零向量。I(AN,k;EN,k)表示參考圖像經(jīng)由HVS輸出后大腦能夠提取的信息量，相應(yīng)地I(AN,k;FN,k)為失真圖像經(jīng)由HVS后大腦能夠提取的信息量。

3.2.5 IFC模型

IFC（Information Fidelity Criterion）即信息保真度準(zhǔn)則，它由Hamid Sheikh于2005年提出的圖像質(zhì)量評(píng)價(jià)模型，用來測(cè)量參考圖像與失真圖像之間的交互信息的指標(biāo)。模型認(rèn)為，參考圖像通過一個(gè)“失真通道”產(chǎn)生不同程度的失真變形后被人眼感知，參考圖像和失真圖像之間的交互信息損失需要通過一個(gè)畸變模型來計(jì)算[26]。IFC指標(biāo)的表達(dá)式為

(;)

N kN k

式中 I＇表示交互信息量；P是集合的元素個(gè)數(shù)，k表示第k個(gè)子帶；表示參考圖像第k個(gè)子帶隨機(jī)場(chǎng)RF的含P個(gè)元素的集合；是失真圖像第k個(gè)子帶隨機(jī)場(chǎng)RF的含P個(gè)元素的集合；表示第k個(gè)子帶的正標(biāo)量隨機(jī)場(chǎng)RF的含P個(gè)元素的集合。

3.2.6 NQM模型

NQM（Noise Quality Measure）即噪聲質(zhì)量檢測(cè)模型是由Niranjan等人于2000年提出的一種基于加性噪聲質(zhì)量的圖像客觀質(zhì)量評(píng)價(jià)方法，它考慮了噪聲對(duì)人類視覺系統(tǒng)的影響，通過非線性空間頻率產(chǎn)生的模擬圖像計(jì)算而得[27]。NQM的表達(dá)式為

式中 O( U, V)代表模型修復(fù)圖像（Model Restored Image），它是由原始圖像通過修復(fù)算法得到的；R( U, V)代表修復(fù)圖像（Restored Images），是由逆修復(fù)算法還原的；U、V代表圖像像素行列數(shù)。

為驗(yàn)證八種融合方法的優(yōu)劣，本文采用MOS（Mean Observation Score）平均觀察分?jǐn)?shù)排序[28]。主要步驟：

1）分別對(duì)每一個(gè)指標(biāo)排序，效果最好為1，次之為2，以此類推，最差效果為8；

2）將以上各個(gè)方法的所有指標(biāo)排序列表；

3）分別計(jì)算每種融合方法的MOS值，然后再排序，得出最優(yōu)融合方法。MOS值最低表明該融合方法最佳，反之值最高，則認(rèn)為該方法效果最差。

4 融合試驗(yàn)及評(píng)價(jià)

根據(jù)以上融合原理，對(duì)長春市城區(qū)GF-2衛(wèi)星全色與多光譜圖像融合，得到RGB真彩色合成圖。選取研究區(qū)內(nèi)主要地物類別建筑物、道路、林地予以截圖顯示，融合結(jié)果及局部細(xì)節(jié)對(duì)比見圖1～圖3。

圖1 建筑物融合圖像Fig.1 Fusion images of buildings

圖2 道路融合圖像Fig.2 Fusion images of roads

圖3 林地融合圖像Fig.3 Fusion images of woodlands

4.1 主觀評(píng)價(jià)

主觀評(píng)價(jià)認(rèn)為，八種融合方法在一定程度上提高了空間分辨率并保持了原始多光譜信息。從紋理細(xì)節(jié)及清晰度來看，G-S、High Pansharp、Pansharp、PCA、Subtractive融合圖像對(duì)空間細(xì)節(jié)和清晰度表現(xiàn)能力較好，原始多光譜圖像上有些細(xì)小地物邊界紋理無法辨別，如車輛、樹木冠層等細(xì)節(jié)信息，通過這些方法融合后得到的圖像均能清楚地分辨出來。HPF、HCS、Multiplicative融合圖像在一定程度上出現(xiàn)了邊界模糊，影響了對(duì)目標(biāo)地物的目視解譯。

就光譜保持情況來說，HCS、HPF融合方法最接近原始圖像顏色，說明對(duì)原始多光譜信息保留最佳。G-S、High Pansharp、Pansharp、PCA、Subtractive融合效果比較接近原始圖像顏色。Multiplicative融合后圖像顏色與原始圖像顏色出現(xiàn)嚴(yán)重偏差，說明光譜信息出現(xiàn)了嚴(yán)重的丟失。

在對(duì)比度方面，Multiplicative融合圖像的對(duì)比度很低，圖像整體色調(diào)暗。Pansharp、High Pansharp融合圖像整體色調(diào)過于均一，有些細(xì)節(jié)紋理顯示受到一定影響。而G-S、HPF、PCA、Subtractive、HCS對(duì)比度適中，適合常規(guī)目視解譯要求。

為便于后續(xù)工作，筆者挑選了10位解譯經(jīng)驗(yàn)豐富的專業(yè)人員，通過對(duì)融合圖像的目視解譯，根據(jù)國際規(guī)定的五級(jí)質(zhì)量尺度和妨礙尺度進(jìn)行主觀評(píng)判打分，除去最高與最低分再取平均值，最后排序得出每種融合方法的主觀評(píng)分（Scores of Subjective Evaluation，SSE），并由高到低排序，排序結(jié)果見表1。

4.2 客觀評(píng)價(jià)

采用UIQI、VSNR、MS-SSIM、VIF、IFC、NQM六種基于全參考客觀評(píng)價(jià)指標(biāo)對(duì)融合結(jié)果進(jìn)行評(píng)價(jià)。由于受篇幅限制，本文只列出每種方法的平均值，見表2。

表1 主觀評(píng)價(jià)得分Tab. 1 The scores of subjective evaluation

表2 客觀評(píng)價(jià)指標(biāo)值Tab. 2 The value of quality metrics

客觀評(píng)價(jià)認(rèn)為：

1）MS-SSIM、VIF、UIQI三個(gè)指標(biāo)值范圍位于0～1之間，值越高代表融合效果越好，理想狀態(tài)下為1。HPF融合圖像的MS-SSIM值最大，達(dá)到0.85以上，說明與原多光譜圖像具有很好的結(jié)構(gòu)相似度。HCS、Multiplicative、G-S的MS-SSIM值在0.7～0.8之間，其余融合圖像位于0.6以下。VIF指標(biāo)方面，Multiplicative融合圖像的VIF值在0.78以上，效果最佳；G-S方法次之，HCS方法最差；其余方法的VIF值位于0.54～0.76之間。HPF融合圖像的UIQI值是所有方法中的最大值，達(dá)到0.77以上。G-S與PCA融合圖像的UIQI指標(biāo)次之，位于0.6～0.7之間，其余方法UIQI值在0.5以下。

2） IFC、VSNR與NQM值最小為0，值越大，說明基于對(duì)比度與互信息的視覺質(zhì)量越好。Multiplicative融合圖像IFC值最大，達(dá)到0.95以上；G-S、PCA、Subtractive、HPF、Pansharp融合圖像的IFC值在0.70～0.89之間依次下降；High Pansharp、HCS融合圖像的IFC值最小在0.7以下。Multiplicative融合圖像的VSNR值最高達(dá)到16以上，HCS次之；HPF方法的VSNR值達(dá)到10，Pansharp、High Pansharp、G-S、PCA、Subtractive融合圖像的VSNR依次變小。Subtractive與HPF融合方法的NQM值達(dá)到16以上，Pansharp方法的NQM值最低，其余方法圖像的NQM值居中。

以上客觀評(píng)價(jià)不能找出最佳融合方法，因?yàn)橐粋€(gè)指標(biāo)僅表達(dá)圖像在某一方面的質(zhì)量，評(píng)價(jià)指標(biāo)不同，融合效果也不同，故對(duì)這些指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化。本文采用MOS平均觀察分?jǐn)?shù)進(jìn)行排序，客觀評(píng)價(jià)與主觀評(píng)價(jià)指標(biāo)排序如表3所示，融合方法排序如表4所示。

表3 客觀評(píng)價(jià)與主觀評(píng)價(jià)指標(biāo)分?jǐn)?shù)值Tab. 3 The scores for fusion methods based on quality metrics and subjective evaluation

由表4可知，不管是否考慮主觀評(píng)價(jià)，得出的最佳融合方法都是HPF方法。客觀評(píng)價(jià)中G-S與Multiplicative方法，High Pansharp與Pansharp方法分別并列第二、第六，而在主客觀綜合評(píng)價(jià)中，無并列現(xiàn)象，并知Pansharp融合效果在八種方法中效果較差。此外，兩種情況下各個(gè)方法優(yōu)劣順序稍微變動(dòng)，說明主、客觀評(píng)價(jià)的大體趨勢(shì)是一致的。之所以會(huì)出現(xiàn)差異，是因?yàn)槿搜垭m能對(duì)圖像有視覺上的整體辨別，但不能對(duì)噪聲、信息量及結(jié)構(gòu)相似度等方面做出定量評(píng)價(jià)。

表4 融合方法排序Tab. 4 The ordering of fusion methods

5 結(jié)束語

本文采用常見的八種融合方法，對(duì)我國最新發(fā)射的GF-2衛(wèi)星全色圖像與多光譜圖像進(jìn)行融合試驗(yàn)，并對(duì)其進(jìn)行了主觀、客觀評(píng)價(jià)。結(jié)果表明：

1）本文突破常規(guī)基于光譜信息、空間信息與對(duì)比度等方面的客觀評(píng)價(jià)，采用了基于全參考并充分考慮人類視覺系統(tǒng)參與的圖像質(zhì)量評(píng)價(jià)方法，并對(duì)融合圖像做出了正確的評(píng)價(jià)。

2）GF-2衛(wèi)星圖像融合綜合效果最佳的融合方法是HPF方法，這與前人相關(guān)研究結(jié)果是一致的。通過不同角度的綜合評(píng)價(jià)，發(fā)現(xiàn)沒有一種方法同時(shí)最大程度地保持光譜信息與增加空間信息。如HPF融合方法雖然很好地保留了原始多光譜信息，但目視觀察發(fā)現(xiàn)空間信息的增加程度不是最好的，以致邊界出現(xiàn)輕微“雙眼皮”現(xiàn)象。

3）本文中沒有考慮各個(gè)客觀評(píng)價(jià)指標(biāo)各自的權(quán)重大小，在未來研究中需根據(jù)各自指標(biāo)在其評(píng)價(jià)中的意義大小賦予權(quán)重，然后對(duì)其做出評(píng)價(jià)。

References)

[1] DAILY M I. Geologic Interpretation from Composited Radar and Landsat Image [J]. Photogrammetric Engineering and Remote Sensing, 1979, 45(8): 1109-1116.

[2] BURT P J. Multiresolution Image Processing and Analysis [M]. Berlin: Springer-verlag, 1984: 6-35.

[3] CHAVEZ P S Jr, SLIDES S C, ANDERSON J A. Comparison of Three Different Methods to Merge Multiresolution Data: Landsat TM and SPOT Panchromatic[J]. Photogrametry Engineering and Remote Sensing, 1991, 57(3): 295-303.

[4] LI H, MANJUNATH B S, MITRA S K. Multisensor Image Fusion Using the Wavelet Transforms [J]. Graphical Models and Image Processing, 1995, 57(3): 235-245.

[5] 馮建輝. 遙感影像融合技術(shù)研究[D]. 昆明: 昆明理工大學(xué), 2009: 7-62. FENG Jianhui. Study on the Technology of Remote Sensing Fusion [D]. Kunming: Kunming University of Science and Technology, 2009: 7-62. (in Chinese)

[6] 孫丹峰. IKONOS全色與多光譜數(shù)據(jù)融合方法的比較研究[J]. 遙感技術(shù)與應(yīng)用, 2002, 17(1): 41-45. SUN Danfeng. Study on Fusion Algorithms of IKONOS PAN and Multi-spectral Images [J]. Remote Sensing Technology and Application, 2002, 17(1): 41-45. (in Chinese)

[7] 馬一薇. 高光譜遙感圖像融合技術(shù)質(zhì)量評(píng)價(jià)方法研究[D]. 鄭州: 解放軍信息工程大學(xué), 2010: 7-54. MA Yiwei. Research on Hyper Spectral Remote Sensing Image Fusion and Quality Evaluation Method [D]. Zhengzhou: The PLA Information Engineering University, 2010: 7-54. (in Chinese)

[8] 凌飛龍. SAR圖像去噪及多源遙感數(shù)據(jù)融合算法研究[D]. 福建: 福州大學(xué), 2004: 12-58. LING Feilong. The Study on SAR Image Speckle Suppression and Multi-sensor Image Fusion [D]. Fujian: Fuzhou University, 2004: 12-58. (in Chinese)

[9] 賈永紅. TM和SAR影像主分量變換融合法[J]. 遙感技術(shù)與應(yīng)用, 1998, 13(1): 46-49. JIA Yonghong. Fusion of Landsat TM and SAR Images based on Principal Component Analysis [J]. Remote Sensing Technology and Application, 1998, 13(1): 46-49. (in Chinese)

[10] 曹建君. 航空影像和TM影像融合及應(yīng)用研究[J]. 遙感技術(shù)與應(yīng)用, 2002, 17(6): 394-397. CAO Jianjun. Study on Fusion of Aerial and TM Image and its Application [J]. Remote Sensing Technology and Application, 2002, 17(6): 394-397. (in Chinese)

[11] 王忠武, 劉順喜, 戴建旺, 等.“高分二號(hào)”衛(wèi)星多光譜與全色影像配準(zhǔn)策略[J]. 航天返回與遙感, 2015, 36(4): 48-53. WANG Zhongwu, LIU Shunxi, DAI Jianwang, et al. Registration Strategy for GF-2 Satellite Multispectral and Panchromatic Images [J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 48-53. (in Chinese)

[12] 童慶禧, 張兵, 鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京: 高等教育出版社, 2006. TONG Qingxi, ZHANGBing, ZHENG Fenlan. Hyperspectral Remote Sensing [M]. Beijing: Higher Education Press, 2006. (in Chinese)

[13] LABEN C A, BERNARD V, BROWER W. Process for Enhancing the Spatial Resolution of Multispectral Imagery Using Pan-Sharpening: US6011875 [P]. 1998-04-29.

[14] PADWICK C, DESKEVICH M, PACIFICI F, et al. WorldView-2 Pan-sharpening[C]. ASPRS 2010 Annual Conference, San Diego, California, 2010.

[15] SCHOWENGERDT R A. Reconstruction of Multispatial, Multispectral Image Data Using Spatial Frequency Content [J]. Photogrammetric Engineering and Remote Sensing. 1980, 46(10): 1325-1334.

[16] ZHANG Yun. A New Automatic Approach for Effectively Fusing Landsat 7 as well as IKONOS Images [C]. 2002 IEEE International Geoscience and Remote Sensing Symposium. Toronto: IEEE International, 2002.

[17] ZHANG Yun. Problems in the Fusion of Commercial High-resolution Satellite Images as well as Landsat 7 Images and Initial Solutions [C]//Proceedings of the International Society for Photogrammetry and Remote Sensing, Ottawa, 2002.

[18] CRIPPEN R E. A Simple Spatial Filtering Routine for the Cosmetic Removal of Scan-line Noise from Landsat TM P-Tape Imagery [J]. Photogrammetric Engineering and Remote Sensing, 1989, 55(3): 327-331.

[19] ASHRAF S, BRABYN L, HICKS B J. Alternative Solutions for Determining the Spectral Band Weights for the Subtractive Resolution Merge Technique [J]. International Journal of Image and Data Fusion, 2013, 4(2): 105-125.

[20] 王治中, 張慶君.“資源一號(hào)”02C衛(wèi)星PMS數(shù)據(jù)融合方法比較研究[J]. 航天返回與遙感, 2015, 36(5): 83-95. WANG Zhizhong, ZHANG Qingjun. Study of Fusion Methods of ZY-1-02C Satellite PMS Data [J]. Spacecraft Recovery & Remote Sensing, 2015, 36(5): 83-95. (in Chinese)

[21] WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image Quality Assessment: from Error Visibility to Structural Similarity [J]. IEEE Trans on Image Processing, 2004, 13(4): 600-612.

[22] SHEIKH H R, BOVIK A C. Image Information and Visual Quality [J]. IEEE Transactions on Image Processing, 2006, 15(2): 430-444.

[23] WANG Z, BOVIK A C. A Universal Image Quality Index [J]. IEEE Signal Process Letters, 2002, 9(3): 81-84.

[24] CHANDLER D M, HEMAMI S S. VSNR: A Wavelet-based Visual Signal-to-noise Ratio for Natural Images [J]. IEEE Transactions on Image Processing, 2007, 16(9): 2284-2298.

[25] WANG Z, SIMONCELLI E P, BOVIK A C. Multi-scale Structural Similarity for Image Quality Assessment [C]. Proceedings of the 37th IEEE Asilomar Conference on Signals, Systems and Computers. Pacific Grove, 2003.

[26] SHEIKH H R, BOVIK A C, VECIANA G. An Information Fidelity Criterion for Image Quality Assessment Using Natural Scene Statistics [J]. IEEE Transactions on Image Processing, 2005, 14(12): 2117-2128.

[27] DAMERA-VENKATA N, KITE T D, GEISLER W S, et al. Image Quality Assessment based on a Degradation Model [J]. IEEE Transactions on Image Processing, 2000, 9(4): 636-650.

[28] ANIRUDDHA GHOSH, JOSHI P K. Assessment of Pan-sharpened Very High-resolution WorldView-2 Images [J]. International Journal of Remote Sensing, 2013, 34(23): 8336-8359.

Image Fusion Quality Assessment of GF-2 Satellite Based on Full Reference

MENG Fanxiao CHEN Shengbo ZHANG Guoliang
（College of Geo-exploration Science and Technology, Jilin University, Changchun 130026, China）

The image fusions of panchromatic image and multispectral image provided by GF-2 satellite which is the first Chinese sub-meter satellite, are produced by using eight image fusion methods, and estimated in the objective rating and subjective evaluation. In order to consider the performance of the human visual system, the paper chooses six classical indicators based on full reference image quality assessment as the objective evaluation indices for Changchun urban area fusion images, including universal image quality index, visual signal-to-noise ratio, multi-scale structure similarity, visual information fidelity criterion, information fidelity criterion and noise quality measure. The results show that eight fusion algorithms can to some extent improve the spatial information and keep the original spectrum information as well for GF-2 images. The effect of HPF fusion method is the best and the Gramm-Schmidt fusion method is the second. The effects of Multiplicative fusion method, PCA fusion method, Subtractive fusion method, HCS fusion method, and High Pansharp fusion method are decreased by the mentioned order, with the effect of Pansharp fusion method being the worst.

image fusion; human visual system; full reference image quality assessment; GF-2 satellite

TP751

A

1009-8518(2016)06-0085-10

10.3969/j.issn.1009-8518.2016.06.010

孟凡曉，女，1990年生，2013年獲東北林業(yè)大學(xué)地理信息系統(tǒng)專業(yè)學(xué)士學(xué)位，現(xiàn)在吉林大學(xué)地圖學(xué)與地理信息系統(tǒng)專業(yè)攻讀碩士學(xué)位。研究方向?yàn)檫b感數(shù)據(jù)處理及定量遙感、高分?jǐn)?shù)據(jù)應(yīng)用。E-mail：mengfx1030@163.com。

（編輯：王麗霞）

2016-05-03

中國地質(zhì)調(diào)查局項(xiàng)目“航空高光譜遙感調(diào)查”（12120113072901）