干旱區(qū)Landsat8全色與多光譜數(shù)據(jù)融合算法評價(jià)

楊麗萍，馬 孟，謝 巍，潘雪萍

(1.長安大學(xué)地質(zhì)工程與測繪學(xué)院，西安 710054；2.長安大學(xué)地球科學(xué)與資源學(xué)院，西安 710054)

0 引言

隨著遙感平臺和傳感器技術(shù)的快速發(fā)展，高空間分辨率、高光譜、多時(shí)相、多平臺的海量遙感數(shù)據(jù)日益增多，如何盡可能地綜合海量數(shù)據(jù)的優(yōu)勢，克服遙感影像自動(dòng)解譯過程中存在的單一數(shù)據(jù)源的不足，遙感數(shù)據(jù)融合技術(shù)應(yīng)運(yùn)而生并成為遙感研究的熱點(diǎn)問題之一[1]。遙感影像融合是一種通過高級影像處理來復(fù)合多源遙感影像的技術(shù)[1]。融合算法可以綜合利用不同傳感器或同一傳感器的不同波段所提供的光譜、空間以及時(shí)相信息，達(dá)到提高影像空間分辨率、保持多光譜特征及識別目標(biāo)地物的目的，融合之后影像的視覺效果和清晰度均有所提高[2]。

國內(nèi)外學(xué)者對不同傳感器影像數(shù)據(jù)的融合算法進(jìn)行了大量研究，代表性的算法有主成分變換法(principle component transform，PC)、比值變換法(brovey transform，BT)、HSV(hue-saturation-value)變換法、相位恢復(fù)變換法(Gram-Schmidt pan sharpening，G-S)、高通濾波算法(high pass filtering，HPF)和小波變換法(wavelet transform，WT)等，并依據(jù)均值、標(biāo)準(zhǔn)差、信息熵和平均梯度等評價(jià)指標(biāo)及地物分類精度對融合效果進(jìn)行了評價(jià)[3-9]。已有研究主要服務(wù)于土地利用分類、森林資源監(jiān)測、影像專題圖制作和礦藏探測等方面[4,10-11]，在干旱區(qū)特征地物識別及土地利用分類適用性評價(jià)方面的工作尚不多見。居延澤古湖盆區(qū)深居歐亞大陸腹地，是我國典型的干旱區(qū)，降雨量少、蒸發(fā)強(qiáng)烈，植被退化嚴(yán)重，土地沙漠化、鹽堿化問題突出，生態(tài)環(huán)境極其脆弱。該區(qū)域存在大量古湖退縮過程中遺留的古湖岸線，其有效提取對于區(qū)域環(huán)境變化研究意義重大。然而，特殊的地理位置和地理環(huán)境使區(qū)域內(nèi)部地物類別較為單調(diào)、地物之間界限模糊，因而特征提取和地物分類難度較大?；趥鹘y(tǒng)像元分類的方法不能較好地區(qū)分研究區(qū)的各類地物；而面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦墓庾V、形狀、紋理和空間關(guān)系等特征，在干旱區(qū)土地利用分類中具有一定的優(yōu)勢。

基于居延澤地區(qū)Landsat8陸地成像儀(operational land imager，OLI)全色和多光譜數(shù)據(jù)，選取6種常用的融合算法，利用主觀定性評價(jià)和11種單因素指標(biāo)定量評價(jià)，并結(jié)合面向?qū)ο蟮姆诸惙椒?，綜合評價(jià)各融合算法的融合效果，以期為干旱區(qū)特征地物提取和地物分類研究提供參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

居延澤盆地、蘇古淖爾盆地和嘎順淖爾盆地共同組成了居延海(圖1(a))。居延澤盆地位于內(nèi)蒙古自治區(qū)阿拉善盟額濟(jì)納旗的東南部，地理位置為N41°40′～42°，E101°30′～102°。該盆地北鄰阿爾泰山，南與巴丹吉林沙漠相接，由中部南北向高脊分為東居延澤和西居延澤2部分(圖1(b))。因黑河下游改道，東居延澤現(xiàn)已全部干涸，西居延澤只殘留小部分的湖沼，即天鵝湖[12]。盆地周圍保存了古湖退縮過程中遺留的多條環(huán)狀古湖岸線，是區(qū)域環(huán)境變化的良好證據(jù)。

圖1 研究區(qū)位置示意圖Fig.1 Location of research area

1.2 數(shù)據(jù)源

Landsat8于2013年2月11日成功發(fā)射，攜帶了2個(gè)主要載荷，即陸地成像儀(operational land imager，OLI)和熱紅外傳感器(thermal infrared sensor，TIRS)[13]。OLI成像儀共有9個(gè)波譜段(B1～B9)，其中全色波段(B8)地面空間分辨率為15 m，其他譜段地面空間分辨率為30 m。TIRS成像儀攜帶2個(gè)空間分辨率為100 m的熱紅外波段(B10和B11)。

采用2017年9月18日居延澤地區(qū)的Landsat8 OLI影像，軌道號/行號為133/31，云覆蓋量小于10%，利用ENVI5.3軟件對影像進(jìn)行裁剪、輻射定標(biāo)和大氣校正等預(yù)處理。

2 影像融合算法

2.1 PC法

PC法首先對原始多光譜數(shù)據(jù)進(jìn)行主成分變換，由多光譜各波段間相關(guān)矩陣的特征值和特征向量求得各主成分分量；其次，用全色波段替換第一主成分分量，與其他各主成分分量進(jìn)行主成分逆變換得到融合影像[14]。

2.2 BT法

BT法是將遙感影像每個(gè)波段乘以融合波段，然后再除以波段單位中輸入波段總數(shù)，其中3個(gè)波段運(yùn)算的表達(dá)式為[15]

Binew=[Bi/(BR+BG+BB)]×Bh，

(1)

式中：Binew為融合之后的波段像素值(i=1，2，3)；BR，BG和BB分別代表原始影像中紅光、綠光和藍(lán)光波段像素值；Bi表示紅光、綠光和藍(lán)光3波段中的任意一個(gè)；Bh代表高空間分辨率遙感數(shù)據(jù)。

2.3 HSV法

HSV法是遙感影像融合中較常使用的一種算法。它將多光譜RGB圖像數(shù)據(jù)變換到HSV空間，得到3個(gè)獨(dú)立分量，用高空間分辨率的波段代替顏色亮度值波段，采用重采樣技術(shù)將色度和飽和度重采樣到高空間分辨率像元尺寸，然后再變換回RGB色度空間，得到融合影像[16]。

2.4 G-S法

G-S法是通過對多光譜影像進(jìn)行正交化的算法，可消除冗余信息，改進(jìn)了PC法中信息過于集中的問題，且不受波段限制，能夠較好地保持空間紋理及光譜特征等信息[17]。

2.5 HPF法

HPF法是通過利用高通濾波器算子分離出全色波段的空間信息，并采用像元相加方法將其疊加到多光譜影像上，從而保留低空間分辨率多光譜影像的光譜信息和高空間分辨率全色波段的空間信息，實(shí)現(xiàn)遙感影像融合[18]。

2.6 WT法

WT法是對影像在不同的頻率通道上進(jìn)行處理的融合方法。它首先將原始影像分解成頻率域上各個(gè)頻率的子影像，以代表原始影像的各個(gè)特征分量；然后根據(jù)不同特征分量采用不同的融合方法以達(dá)到最佳的融合效果[19]。

3 融合效果評價(jià)方法

常用的評價(jià)方法分為定性評價(jià)和定量評價(jià)2大類。定性評價(jià)是通過目視解譯進(jìn)行主觀評價(jià)，盡管受主觀因素影響較強(qiáng)，但其具有直觀、快捷的優(yōu)點(diǎn)，對融合結(jié)果的初步評價(jià)具有實(shí)際參考價(jià)值。單因素指標(biāo)[20]定量評價(jià)，綜合考慮影像空間細(xì)節(jié)特征的增強(qiáng)與光譜信息的保持能力，在融合效果評價(jià)中應(yīng)用廣泛。其中，單因素評價(jià)指標(biāo)又可分為2類：第一類反映空間細(xì)節(jié)信息，如均值、標(biāo)準(zhǔn)差、平均梯度、信息熵、聯(lián)合熵(combination entropy，CE)、空間頻率(spatial frequency，SF)[21]；第二類反映光譜信息，如結(jié)構(gòu)相似性(structural similarity index，SSIM)、峰值信噪比(peak signal to noise ratio，PSNR)、光譜扭曲度、偏差指數(shù)、相關(guān)系數(shù)[21-22]。各指標(biāo)公式及含義如表1所示。

表1 評價(jià)指標(biāo)Tab.1 Evaluation index

(續(xù)表)

4 融合效果評價(jià)

影像融合是影像解譯的基礎(chǔ)，不同融合算法所得結(jié)果存在一定差異，本文選擇具有代表性PC法、BT法、HSV法、G-S法、HPF法和WT法等6種基于像素的融合方法對影像進(jìn)行融合，并從定性、定量和分類適用性3個(gè)方面進(jìn)行融合效果評價(jià)。

4.1 定性評價(jià)

圖2為Landsat 8影像B5，B4及B3與全色波段的融合結(jié)果，圖2(a)為原始多光譜影像，圖中紅框區(qū)域A，B，C分別對應(yīng)道路、工廠及古湖岸線，不同融合算法的效果如圖2(b)—(g)所示。

(a)原始多光譜圖像 (b)PC融合效果 (c)BT融合效果 (d)HSV融合效果

(e)G-S融合效果 (f)HPF融合效果 (g)WT融合效果

圖2 圖像融合效果比較

Fig.2Comparisonofimagefusionresults

為了增強(qiáng)道路及古湖岸線等紋理信息，對原始影像及融合之后的影像進(jìn)行直方圖均衡化，局部放大的3類地物特征的融合效果如圖3所示，圖中每個(gè)區(qū)域從左到右融合方法分別為PC,BT,HSV,G-S,HPF和WT法。從圖中可見，融合影像的空間分辨率均得到明顯提升，道路、工廠及古湖岸線等紋理信息相較于原始多波段影像更為清晰。從光譜特征來看，HSV法融合影像上水體、沙地的顏色變化明顯；BT法、G-S法及PC法融合影像的顏色有一定失真；HPF法和WT法融合影像與原始多光譜影像顏色更為接近，色彩保真度較好。目視效果難以區(qū)分各融合影像中古湖岸線及道路清晰度的差異，因而需要通過定量評價(jià)，進(jìn)一步比較融合效果。

(a)區(qū)域A道路融合效果

(b)區(qū)域B工廠融合效果

(c)區(qū)域C古湖岸線融合效果

4.2 定量評價(jià)

通過Matlab計(jì)算原始多光譜影像與各融合影像B5，B4和B3波段單因素指標(biāo)(表1)，再求出各單因素指標(biāo)的平均值，結(jié)果如表2所示。

表2 融合效果評價(jià)指標(biāo)Tab.2 Evaluation indicators of fusion results

由表2可知，在空間細(xì)節(jié)信息的表達(dá)上，均值變化越小，光譜保真度越高；標(biāo)準(zhǔn)差越大，空間信息越豐富。從均值和標(biāo)準(zhǔn)差來看，HSV法的數(shù)值相對較大，G-S法和PC法次之，G-S法的值略高于PC法，HPF法和WT法數(shù)值相對較小，但WT法的均值與原始多光譜影像的均值最為接近，其灰度值變化最小，BT法數(shù)值最小，表明HSV法融合影像平均亮度最強(qiáng)，包含更加豐富的空間信息。平均梯度、信息熵、聯(lián)合熵及空間頻率越大，圖像的活躍度、清晰度以及反映空間細(xì)節(jié)的敏感度越好。從結(jié)果來看，6種融合算法較為一致，HSV法的數(shù)值相對較大，略優(yōu)于WT法，說明HSV法能夠較好地反映目標(biāo)地物的細(xì)節(jié)變化和紋理特征；總體上HPF法、G-S法和PC法的值相當(dāng)，其值均高于BT法的值，說明BT法空間信息損失較大。在光譜保真度方面，結(jié)構(gòu)相似性和峰值信噪比越大，圖像保真度越高、結(jié)構(gòu)失真越小、抑制噪聲效果越好。由表2可知，BT法、HSV法、G-S法、HPF法及WT法的值呈逐漸上升趨勢，G-S法和PC法的值相近，說明WT法圖像失真較小，更符合人眼的視覺系統(tǒng)。光譜扭曲度越小，說明光譜信息保真度越高，從光譜扭曲度的結(jié)果來看，BT法、HSV法、G-S法、HPF法及WT法的值呈逐漸下降趨勢，說明BT法和HSV法光譜畸變最大，HPF法和WT法融合圖像可以較好地保留原始圖像光譜特征，G-S法數(shù)值略低于PC法的值，偏差指數(shù)和相關(guān)系數(shù)的結(jié)果和光譜扭曲度的結(jié)果類似，區(qū)別在于HSV法數(shù)值略大于G-S法和PC法的值，主要是因?yàn)镠SV法全色波段與多光譜波段融合效果較好，其融合結(jié)果能夠較好地表達(dá)空間細(xì)節(jié)。

4.3 面向?qū)ο蠓诸惣熬仍u價(jià)

考慮到融合圖像應(yīng)用廣泛，對融合算法的評價(jià)除單因素指標(biāo)定量評價(jià)外，還應(yīng)分析融合效果對圖像分類精度的影響。居延澤位于西部干旱區(qū)，地物類別單一且地物特征不明顯，基于傳統(tǒng)的像元分類方法分類效果不佳，故采用面向?qū)ο蠓诸惖姆椒▽τ跋襁M(jìn)行分類，以期較大程度地提高地物自動(dòng)識別的精度。

4.3.1 地物分類

根據(jù)全國第二次土地利用現(xiàn)狀圖，并結(jié)合實(shí)地考察和目視解譯，將研究區(qū)地物類別分為裸地、沙地、灘涂、植被、水體和鹽堿地等6類，使用德國Definiens Imaging公司2009年推出的智能化影像分析軟件——eCognition[23]進(jìn)行地物分類。首先，對原始影像及各融合影像進(jìn)行多尺度分割，經(jīng)過反復(fù)實(shí)驗(yàn)，確定原始多光譜影像(空間分辨率30 m)分割尺度為5、各融合影像(空間分辨率15 m)分割尺度為8時(shí)，地物間分割效果較好；其次，采用閾值分類算法和Cart分類器決策樹算法相結(jié)合的面向?qū)ο蠓诸惙椒▽ζ溥M(jìn)行分類；最后，對上述地物選取驗(yàn)證樣本進(jìn)行精度評價(jià)。閾值分類算法是通過不同地類灰度值的差異進(jìn)行分割，Cart分類器決策樹算法需要在影像中尋找樣本對象，通過數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，將數(shù)據(jù)分為許多個(gè)內(nèi)部同質(zhì)的子集[23]。由于水體、植被、鹽堿地及灘涂灰度值差異較大，故這4種地物的分類采用閾值分割算法，而沙地和裸地灰度值差異不明顯，故采用Cart分類器決策樹算法對其分類。其中BT法融合影像中的灘涂分別采用閾值分割算法和Cart分類器決策樹算法進(jìn)行分類。

4.3.2 分類精度評價(jià)

各融合算法的分類結(jié)果如圖4所示。

(a)原始多光譜分類結(jié)果 (b)PC分類結(jié)果 (c)BT分類結(jié)果 (d)HSV分類結(jié)果

(e)G-S分類結(jié)果 (f)HPF分類結(jié)果 (g)WT分類結(jié)果

圖4 不同融合算法分類結(jié)果

Fig.4Classificationresultsofdifferentfusionmethods

由圖4可見，研究區(qū)的地物類別主要以沙地為主，且各地物成片狀分布，拓?fù)淇臻g關(guān)系較單一，從光譜扭曲度的結(jié)果可知，G-S法、PC法、HSV法及BT法相較于原始影像光譜扭曲度較大。綜合考慮干旱區(qū)特殊的地理環(huán)境和光譜信息等特征，G-S法、PC法、HSV法及PC法分類效果并沒有原始影像的分類效果好。在目視分析的基礎(chǔ)上，進(jìn)一步開展定量評價(jià)，精度評價(jià)結(jié)果如表3所示。由表3可見，WT法和HPF法的總體分類精度和Kappa系數(shù)值均高于原始影像的分類結(jié)果，說明這2種融合算法對原始影像的分類精度有一定的改進(jìn)；BT法和HSV法的總體分類精度相對較低；G-S法和PC法的分類精度略低于原始多光譜影像的分類精度。

表3 精度評價(jià)Tab.3 Accuracy evaluation

不同類別地物精度評價(jià)對比如圖5所示。

圖5 不同類別地物精度對比Fig.5 Accuracy comparison of different ground objects

由圖5可見，各地類的Kappa系數(shù)存在一定差異，水體>沙地>鹽堿地>植被>灘涂>裸地。裸地的分類精度較低(不到75%)，主要原因是灘涂、裸地及沙地光譜相似，又因干旱區(qū)獨(dú)特的自然地理環(huán)境，使裸地錯(cuò)分至灘涂和沙地的誤差增大。針對不同地類的Kappa系數(shù)，各融合算法對地類的識別效果有一定的差異，WT法對裸地、鹽堿地和水體的分類識別較好，HPF法則能較好地識別沙地。從BT法的分類效果來看，灘涂的分類精度較低，主要是因?yàn)锽T法光譜扭曲較大，灘涂與裸地在影像上灰度差異不明顯，采用閾值分割法對其分類時(shí)精度較低，如圖5和表3所示，采用Cart分類器決策樹算法對灘涂分類時(shí)，灘涂的Kappa系數(shù)從0.516 9提高至0.760 0，BT法的總體分類精度提高了1.58%，說明該方法對BT法分類效果有一定的改善。

5 結(jié)論與展望

采用PC，BT，HSV，G-S，HPF和WT等6種融合算法對Landsat8全色和多光譜數(shù)據(jù)進(jìn)行融合，通過定性、定量以及面向?qū)ο蠓椒ㄔu估融合影像在干旱區(qū)特征地物空間細(xì)節(jié)信息、光譜信息及地物分類中的效果，得到以下結(jié)論：

1)相對原始多光譜影像而言，各融合影像的空間分辨率以及紋理特征均有所增強(qiáng)。

2)HSV法表達(dá)空間細(xì)節(jié)的能力最佳，但其光譜保真度較差，適合于干旱區(qū)道路及古湖岸線等特征地物的提取。WT法可最大程度地保持原始多光譜影像的光譜信息，且空間細(xì)節(jié)表達(dá)能力僅次于HSV法，在干旱區(qū)Landsat8影像融合中具有較高的應(yīng)用價(jià)值，適合開展對光譜保真度要求較高的工作。綜合考慮空間信息量和光譜特征，PC法和G-S法效果適中，略低于HPF法，BT法最劣。

3)從分類結(jié)果來看，WT法和HPF法的分類精度相較于原始影像的分類精度有一定的提高，可提升干旱區(qū)地物的自動(dòng)識別能力。

但是，PC法、G-S法、BT法及HSV法的分類精度相對原始影像的分類精度改善并不明顯，其原因有待進(jìn)一步探討。同時(shí)，根據(jù)定量評價(jià)的結(jié)果，后期可結(jié)合邊緣檢測等算法，以期實(shí)現(xiàn)道路和古湖岸線等特征地物的自動(dòng)提取。