高分二號全色-多光譜影像融合方法對比研究

鄭雅蘭 王雷光 陸 翔

(西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224)

高分二號 (GF-2) 衛(wèi)星于2014年8月19日在太原成功發(fā)射，8月21日首次開機(jī)成像并下傳數(shù)據(jù)，是我國自主研制的第1顆高分辨率的民用光學(xué)遙感衛(wèi)星。GF-2衛(wèi)星搭載有0.8 m全色和3.2 m多光譜2臺高分辨率相機(jī)，觀測幅寬可達(dá)45.3 km，具有亞米級空間分辨率、大幅寬成像、高定位精度和快速姿態(tài)機(jī)動能力等特點(diǎn)，有效地提高了衛(wèi)星綜合觀測效能，達(dá)到了國際先進(jìn)水平。該衛(wèi)星數(shù)據(jù)已為國土土地利用調(diào)查、礦產(chǎn)資源開發(fā)現(xiàn)狀調(diào)查與監(jiān)測、農(nóng)業(yè)作物估產(chǎn)和長勢監(jiān)測、水利洪澇災(zāi)害及地震災(zāi)害監(jiān)測等行業(yè)部門應(yīng)用[1-3]。

在遙感影像分析中，將高光譜分辨率的多光譜影像與高空間分辨率的全色影像進(jìn)行融合是提高遙感影像質(zhì)量的主要手段。融合后的影像具有更好的視覺效果，便于目視解譯及影像分析，不僅能提高影像的分類精度[4]，還能夠促進(jìn)影像在林業(yè)、農(nóng)業(yè)等領(lǐng)域的應(yīng)用。目前，常用的影像融合方法有亮度-色度-飽和度 (IHS) 變換、GS變換 (GS)、主成分分析 (PCA)、NND融合算法 (NND)、UNB融合算法 (UNB)、小波變換 (WT) 等。這些方法在高空間分辨率遙感影像融合方面都取得了較好的效果。

由于不同的傳感器具有不同的成像特性，對于不同的衛(wèi)星影像各種融合方法的效果也不一樣[3]。近年來，董金芳等[5]采用PCA變換、GS變換、HSV變換和Brovey變換等方法對資源一號02C衛(wèi)星的多光譜和全色影像進(jìn)行了融合試驗(yàn)，并利用均值、標(biāo)準(zhǔn)差、平均梯度、信息熵和相關(guān)系數(shù)5個(gè)定量指標(biāo)和目視解譯方式對融合結(jié)果進(jìn)行評價(jià)，總結(jié)出GS變換是最適用于資源一號02C衛(wèi)星影像融合的方法。潘鑫等[6]選取多種常用的影像融合技術(shù)對資源三號衛(wèi)星的多場景影像進(jìn)行了融合對比試驗(yàn)，并在光譜和空間特性上做了效果評價(jià)，分析了適用于資源三號衛(wèi)星不同場景影像的融合方法。孫攀等[7]采用5種常用方法對GF-2全色和多光譜影像進(jìn)行了融合處理，并采用客觀定量分析和主觀目視解譯2種方法進(jìn)行了質(zhì)量評價(jià)，綜合對比結(jié)果表明，GS為最佳融合方法。熊德峰[3]選取了5種常見的融合方法對GF-2衛(wèi)星進(jìn)行了融合試驗(yàn)，并在目視判別和定量分析方面做了評價(jià)，試驗(yàn)結(jié)果表明，對于不同的場景，影像融合效果不一，需根據(jù)實(shí)際應(yīng)用來選取合適的融合方法。

針對GF-2衛(wèi)星影像，現(xiàn)有融合方法的適用性仍有待探究。同時(shí)，現(xiàn)有的評價(jià)方法多通過簡單的定量指標(biāo)評價(jià)融合效果，難以反映融合結(jié)果對后續(xù)影像分析的影響。因此，本研究選取6種主流的融合方法，對廣州地區(qū)不同場景的GF-2衛(wèi)星影像數(shù)據(jù)進(jìn)行融合試驗(yàn)，并采用目視判讀和定量評價(jià)的方法對融合結(jié)果進(jìn)行直接評價(jià)，最后通過分類精度對融合結(jié)果進(jìn)行間接評價(jià)，以探究適用于GF-2衛(wèi)星影像的融合方法。

1 材料與方法

1.1 數(shù)據(jù)來源

研究區(qū)主要位于廣東省廣州市，研究對象包含建筑物、耕地、林地、水體、道路等多種地物類型。研究數(shù)據(jù)采用1景GF-2衛(wèi)星影像，影像基本信息見表1。

表1 影像基本信息Table 1 Basic information of image

1.2 數(shù)據(jù)預(yù)處理

由于影像配準(zhǔn)的精度會影響融合結(jié)果的質(zhì)量，因此在融合前，需要將每組數(shù)據(jù)的多光譜影像與全色影像進(jìn)行精確的地理校正，并將配準(zhǔn)誤差控制在0.3個(gè)像元以內(nèi)，使得數(shù)據(jù)滿足像素級融合的需要。配準(zhǔn)完成后，多光譜影像與全色影像具有相同的空間大小。

考慮到影像處理速度的問題，本研究分別選取3組多光譜影像大小為5 000 × 5 000像素及1組1 000 × 1 000像素的子影像進(jìn)行融合試驗(yàn)。

1.3 融合算法

1.3.1GS融合算法

GS融合算法首先根據(jù)適當(dāng)?shù)臋?quán)重計(jì)算藍(lán)、綠、紅和近紅外4個(gè)波段，合成出1個(gè)低分辨率的全色波段；然后，將合成的全色波段作為第1個(gè)波段，與多光譜波段進(jìn)行GS正變換；最后，將高分辨率的全色波段替換變換后的第1成分，再進(jìn)行GS逆變換，得到高分辨率的多光譜影像[8]。

1.3.2自適應(yīng)GS融合算法 (GSA)

GSA融合算法與GS變換算法的過程相同，二者的區(qū)別在于采用不同的方式生成低分辨率的全色影像。在這一過程中，GS變換對多光譜的各個(gè)波段使用相同的權(quán)重系數(shù)，而GSA算法對多光譜的各個(gè)波段進(jìn)行自適應(yīng)權(quán)重系數(shù)的選擇，從而能更好的保持光譜連續(xù)性[9]。

1.3.3PCA融合算法

PCA融合算法的主要過程：首先對低分辨率的多光譜影像進(jìn)行PCA正變換，得到若干主成分分量；然后，對全色影像進(jìn)行直方圖均衡化，并替換第1主成分分量；最后，進(jìn)行PCA逆變換得到融合后的結(jié)果影像。該方法的融合質(zhì)量依賴于全色和多光譜影像的光譜重合度，否則容易出現(xiàn)光譜失真現(xiàn)象[10-11]。

1.3.4NND融合算法

NND融合算法：首先，將全色影像下采樣到多光譜影像大??；然后，通過線性回歸計(jì)算光譜波段貢獻(xiàn)向量，從而得出原始全色影像中每個(gè)像素的最鄰近超像素的差異因子；最后，運(yùn)用線性混合模型來得到融合后的影像。其中，強(qiáng)度平滑因子和空間平滑因子這2個(gè)重要參數(shù)可以根據(jù)應(yīng)用來設(shè)置。試驗(yàn)中使用默認(rèn)參數(shù)[12]。

1.3.5UNB融合算法

UNB融合算法較為復(fù)雜，首先將參與融合的多光譜和全色影像進(jìn)行直方圖均衡化；然后，用最小方差方法對全色波段光譜范圍覆蓋下多光譜波段的灰度值采取最佳匹配，匹配過程中產(chǎn)生的權(quán)重與對應(yīng)波段多光譜相乘并求和來合成1個(gè)新的影像；最后計(jì)算均衡化的全色影像和合成影像之間的比值，將均衡化的多光譜影像與之相乘，得到最終融合結(jié)果。此方法在融合過程中運(yùn)用了多種統(tǒng)計(jì)運(yùn)算，提高了融合過程的自動化程度[13-14]。

1.3.6SRM融合算法

SRM (Subtractive Resolution Merge) 融合算法首先由多光譜影像的各波段按照合適的權(quán)重構(gòu)建1個(gè)低分辨率的全色影像；然后，將合成的全色影像尺度上推到與原始高分辨率全色影像同樣的像素大小，并且用高分辨的全色影像減去合成的低分辨率全色影像來提取邊緣細(xì)節(jié)；最后，將細(xì)節(jié)信息乘以全色影像的貢獻(xiàn)權(quán)重，再加回到低通濾波后的多光譜影像中，得到融合結(jié)果[15]。該算法集成在ERDAS軟件中。

1.4 質(zhì)量評價(jià)指標(biāo)

1.4.1信息熵

信息熵 (EN) 是用來表示任何一種能量在空間中的均勻分布程度，能量分布得越均勻，熵就越大。在影像中 (噪聲因素除外)，熵越大，表示影像包含的信息量越多，影像的融合效果越好[16]。

(1)

式中：F(a) 是某一像元a在圖像中出現(xiàn)的概率。

1.4.2相關(guān)系數(shù)

相關(guān)系數(shù) (CC) 反映2幅影像光譜特征的相似程度，相關(guān)系數(shù)越大，說明待評價(jià)圖像與標(biāo)準(zhǔn)圖像越接近[17]。定義結(jié)果影像與原始影像的相關(guān)系數(shù)的表達(dá)式為：

(2)

1.4.3相對全局維數(shù)綜合誤差

相對全局維數(shù)綜合誤差 (ERGAS) 能夠反映圖像的總體質(zhì)量，ERGAS值越小，說明圖像的質(zhì)量越高[18]。其計(jì)算公式如下：

(3)

式中：dP表示待評價(jià)影像像素大小，dMS表示標(biāo)準(zhǔn)影像像素大小，K是多光譜影像波段數(shù)，MEANi表示第i個(gè)波段的均值，RMSEi表示融合影像與標(biāo)準(zhǔn)影像第i個(gè)波段的均方根誤差。

1.4.4光譜角

光譜角 (SAM) 計(jì)算融合影像與參考影像對應(yīng)像素的角度，反映了光譜失真情況，該值越小，表示融合影像的質(zhì)量越高[19]。其公式表達(dá)式如下：

(4)

式中：v表示融合影像的所有像素點(diǎn)集，v′表示參考影像的所有像素點(diǎn)集。

1.5 分類精度

除了采用質(zhì)量評價(jià)指標(biāo)來定量分析融合影像的質(zhì)量好壞，影像的分類精度也是1種精確驗(yàn)證融合方法有效性的方式，它能反映融合結(jié)果對后續(xù)影像分析的影響。影像的分類精度以生產(chǎn)者精度 (PA)、用戶精度 (UA)、總體精度 (OA) 和Kappa系數(shù)4種指標(biāo)來定量表示，它們的值越高，表明融合影像中類別的可分性越高，從而反映了融合方法能夠較好的保持原始多光譜影像的光譜特性。

2 結(jié)果與分析

2.1 目視判別

本研究選取6種主流的融合算法進(jìn)行對比試驗(yàn)，截取了2組GF-2影像不同地物類型的融合結(jié)果進(jìn)行對比分析，為了方便視覺比較，所有的影像都以標(biāo)準(zhǔn)假彩色方式顯示，并做了5%的對比拉伸，見圖1～2。

圖1耕地和道路的參考影像及不同方法的融合影像對比結(jié)果
Fig.1 The comparison between reference images and fused results of plough and road with different methods

圖2林地和水體的參考影像及不同方法的融合影像對比結(jié)果
Fig.2 The comparison between reference images and fused results of forest area and water body with different methods

從耕地和道路的不同方法的融合影像對比結(jié)果 (圖1) 可以看出，PCA方法的融合結(jié)果顏色偏淺，尤其是在耕地部分更為明顯。NND方法的融合影像整體效果較好，但在耕地部分有明顯的模糊現(xiàn)象，細(xì)節(jié)信息增強(qiáng)的力度不夠。相對來說，GSA和GS方法有較好的光譜保真性，地物的細(xì)節(jié)信息也得到明顯的增強(qiáng)。UNB和SRM方法次之。

從林地和水體的不同方法的融合影像對比結(jié)果 (圖2) 可以看出，對于林地區(qū)域的融合效果，GSA方法最好，不僅增強(qiáng)了空間細(xì)節(jié)，光譜信息也很好的保留了下來，其次是UNB、SRM和GS方法。PCA方法增強(qiáng)了細(xì)節(jié)信息，但林地部分顏色偏淺。NND方法在光譜和細(xì)節(jié)增強(qiáng)方面都次于其他方法。就水體而言，GS、GSA和UNB方法的效果優(yōu)于其他幾種方法，SRM方法水體顏色有一定程度的偏差。

2.2 定量評價(jià)

利用4種質(zhì)量評價(jià)指標(biāo)對各融合方法結(jié)果進(jìn)行評價(jià)，統(tǒng)計(jì)結(jié)果見表2～3。

表2 耕地和道路的不同融合方法影像質(zhì)量評價(jià)Table 2 The quality evaluation of different fusion methods

表3 林地和水體不同融合方法影像質(zhì)量評價(jià)Table 3 The quality evaluation of different fusion methods

由表2可知，GSA方法的前3個(gè)指標(biāo)值最好，SAM值較好，說明GSA融合方法的結(jié)果在光譜保持和細(xì)節(jié)增強(qiáng)方面都有很好的表現(xiàn)，這是因?yàn)镚SA方法采用了局部窗口計(jì)算方式，使得光譜信息具有連續(xù)性。其次是GS和PCA方法，這與圖1中的目視判別結(jié)果相符合。而NND、UNB和SRM方法各指標(biāo)結(jié)果相對較差。

由表3可知，PCA方法的信息熵最高，其次是GS方法，說明PCA和GS方法在保持影像的信息量方面優(yōu)于其他方法。這是因?yàn)槎叨际腔谌帜Ｐ偷乃惴?，避免了?xì)節(jié)損失。GSA方法的相關(guān)系數(shù)指數(shù)最好，ERGAS指標(biāo)次好，說明GSA方法的光譜保持特性比其他方法強(qiáng)。NND方法的SAM值最好，但在圖2(f) 中NND方法的融合結(jié)果出現(xiàn)了少量的光譜失真，且林區(qū)表面不夠銳化。這與NND方法中強(qiáng)度因子設(shè)置的大小有關(guān)，強(qiáng)度因子越小，融合結(jié)果影像越平滑；反之，影像越銳化[12]。本研究中，NND方法使用默認(rèn)參數(shù)設(shè)置。UNB方法的ERGAS值最好，CC指標(biāo)次好，說明該方法的光譜保持能力僅次于GSA方法，但其EN值最低，表明細(xì)節(jié)增強(qiáng)能力較差。相對來說，SRM方法的光譜保持和細(xì)節(jié)增強(qiáng)能力不突出，融合效果介于NND和UNB方法之間。

2.3 分類精度分析

為了更直觀地反映融合結(jié)果對后續(xù)影像分析的影響，從應(yīng)用方面分析各種融合方法效果的好壞，本研究采用支持向量機(jī) (SVM) 分類方法[20]，僅提取光譜特征，選取1組GF-2影像進(jìn)行融合，并對各融合結(jié)果影像進(jìn)行監(jiān)督分類。依據(jù)目視解譯并結(jié)合研究區(qū)土地覆蓋情況，將真實(shí)地表數(shù)據(jù)劃分為157個(gè)地塊，共包含水體、樹、草、道路等10種地物類型，各地物類別的訓(xùn)練樣本及測試樣本如表4所示。

多光譜及不同方法融合影像的分類結(jié)果見圖3。從目視角度分析，雖然細(xì)碎的小斑和錯(cuò)分的地物較多，但各類融合方法的分類結(jié)果都比多光譜影像直接分類效果好，且總體差異不大。其中，SRM方法分類結(jié)果的整體性優(yōu)于其他方法。

表4 不同地物類別的訓(xùn)練樣本及測試樣本Table 4 Sample size of different types of objects 像素

圖3多光譜及不同方法融合影像的分類結(jié)果
Fig.3 The classification results of the multispectral image and different fusion methods

表5統(tǒng)計(jì)了多光譜影像及不同方法融合影像的分類精度。從生產(chǎn)者精度和用戶精度可知，各類融合方法都能將水體完整的分出，精度可達(dá)100%；而對于作物2、樹、作物3和道路這4種地物類型，各融合方法的分類精度均能達(dá)到90%以上。綜合各類地物的分類結(jié)果來看，每種方法都會出現(xiàn)部分漏分或錯(cuò)分現(xiàn)象，但SRM方法的生產(chǎn)者精度和用戶精度總體高于其他方法，例如：在黑色大棚、5種農(nóng)作物和道路的分類結(jié)果中，SRM方法的生產(chǎn)者精度和用戶精度均高于其他方法；在樹的分類結(jié)果中，UNB方法的生產(chǎn)者精度和用戶精度最高，SRM方法次高；在草的分類結(jié)果中，GS方法的生產(chǎn)者精度和用戶精度最高，SRM方法次高。此外，SRM方法的OA精度和Kappa系數(shù)最高，GS方法次高，接著是GSA和UNB方法，而PCA和NND方法分類精度較低。綜合上述精度分析結(jié)果可知，SRM方法適用于GF-2影像地物分類方面的應(yīng)用。

表5 多光譜及不同融合方法影像的分類精度Table 5 The classification accuracy of the multispectral image and different fusion methods %

2.4 融合方法適用性分析

綜合上述3種分析結(jié)果可以得出，針對GF-2衛(wèi)星影像，各融合方法都能增強(qiáng)原始多光譜影像的空間細(xì)節(jié)信息和目視效果，同時(shí)提高影像的分類精度。但總體來說，GSA、GS和PCA方法在空間細(xì)節(jié)增強(qiáng)和光譜保持方面的效果較好，尤其在綠色植被和水體區(qū)域的表現(xiàn)優(yōu)于其他方法，適用于影像的目視解譯；SRM和UNB方法融合效果適中，且SRM方法的分類精度較高，適用于地物分類方面的應(yīng)用；NND方法會出現(xiàn)輕微光譜失真現(xiàn)象，且其分類精度較低，在實(shí)際應(yīng)用中則不建議選擇。

3 結(jié)論與討論

本研究針對GF-2衛(wèi)星影像數(shù)據(jù)，選取6種主流的融合方法對其全色和多光譜影像進(jìn)行融合處理，并采用目視解譯和4種質(zhì)量評價(jià)指標(biāo)對融合結(jié)果進(jìn)行直接定量評價(jià)，再利用各融合影像的地物分類精度間接評價(jià)各融合方法的有效性和適用性。結(jié)果表明，研究區(qū)覆蓋的地物類型不同，各種融合方法的效果也不同，對于水體部分，GS和PCA方法的光譜保真性高于其他方法，而對于綠色植被區(qū)域，GSA方法的效果最優(yōu)，這3種方法適用于目視解譯；從地物分類的角度來說，SRM方法的分類精度最高，比較適合用于地物分類方面的應(yīng)用；而UNB融合方法效果適中，可用作GF-2衛(wèi)星影像融合的替補(bǔ)方法；NND方法會出現(xiàn)輕微光譜失真現(xiàn)象，且其分類精度偏低，在實(shí)際應(yīng)用中則不建議采用。因此，對于GF-2衛(wèi)星影像數(shù)據(jù)，需根據(jù)研究區(qū)的地物類型及具體應(yīng)用來選取合適的影像融合方法。

在后期工作中，將采用一些新的光譜失真較小的融合方法，如基于局部窗口自適應(yīng)參數(shù)選擇的方法和基于小波變換的方法[21]等，來探尋更適用于GF-2衛(wèi)星影像的融合方法，從而提高融合影像的質(zhì)量，擴(kuò)大其應(yīng)用范圍。

[參考文獻(xiàn)]

[1] 云成. 高分二號衛(wèi)星[J]. 衛(wèi)星應(yīng)用, 2014(9): 65.

[2] 潘騰. 高分二號衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國航天, 2015(1): 3-9.

[3] 熊德峰. 高分二號衛(wèi)星影像融合方法探析[J]. 測繪與空間地理信息, 2016, 39(9): 102-104, 108.

[4] Wang L G, Wu W, Dai Q, et al. Remote Sensing Image Texture Classification Based on Gabor Wavelet and Support Vector Machine[C]// Geoinformatics 2006: Remotely Sensed Data and Information. Bellingham: SPIE,2006.

[5] 董金芳, 袁媛, 高蓓, 等. 資源一號02C星遙感影像融合分析[J]. 地理空間信息, 2015, 13(1): 36-38.

[6] 潘鑫, 楊英寶, 張竹林, 等. 資源三號衛(wèi)星影像融合方法的比較與評價(jià)[J]. 地理空間信息, 2014, 12(5): 59-61, 9.

[7] 孫攀, 董玉森, 陳偉濤, 等. 高分二號衛(wèi)星影像融合及質(zhì)量評價(jià)[J]. 國土資源遙感, 2016, 28(4): 108-113.

[8] Laben C A, Brower B V. Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening: US, US 6011875[P]. 2000-01-04.

[9] Aiazzi B, Baronti S, Selva M. Improving component substitution Pansharpening through multivariate regression of MS+Pan data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(10): 3230-3239.

[10] Shettigara V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set[J]. Photogrammetric Engineering and Remote Sensing, 1992, 58(5): 561-567.

[11] Shah V P, Younan N H, King R L. An efficient pan-sharpening method via a combined adaptive PCA approach and contourlets[J]. IEEE Transactions on Geoscience and Remote Sensing,2008,46(5):1323-1335.

[12] Sun W, Chen B, Messinger D W. Nearest-neighbor diffusion-based pan-sharpening algorithm for spectral images[J]. Optical Engineering, 2014, 53(1): 013107.

[13] Zhang Y. Understanding image fusion[J]. Photogrammetric Engineering and Remote Sensing, 2004, 70(6): 657-661.

[14] Zhang Y, MISHRA R K. From UNB PanSharp to Fuze Go-the success behind the pan-sharpening algorithm[J]. International Journal of Image and Data Fusion, 2013, 5(1): 39-53.

[15] Ashraf S, Brabyn L, Hicks B J. Image data fusion for the remote sensing of freshwater environments[J]. Applied Geography, 2012, 32(2): 619-628.

[16] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27(3): 379-423.

[17] Klonus S, Ehlers M. Image fusion using the ehlers spectral characteristics preservation algorithm[J]. GIScience and Remote Sensing, 2007, 44(2): 93-116.

[18] Ranchin T, Wald L. Fusion of high spatial and spectral resolution images: the ARSIS concept and its implementation[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(2): 49-61.

[19] Yuhas r H, Goetz A F H, Boardman J W. Discrimination among semi-arid landscape endmembers using the Spectral Angle Mapper (SAM) algorithm[C]// Summaries of the Third Annual JPL Airborne Geoscience Workshop. Pasadena: JPL. 1992.

[20] Boser B E, Guyon I M, Vapnik V N. A training algorithm for optimal margin classifiers[J]. Proceedings of the Fifth Annual Workshop on Computational Learning Theory-COLT ′92, 1992: 144-152.

[21] Pajares G, Manuel de la Cruz J. A wavelet-based image fusion tutorial[J]. Pattern Recognition, 2004, 37(9): 1855-1872.