Landsat 8 OLT遙感數(shù)據(jù)融合方法及其質(zhì)量評價(jià)

范 軍趙絨絨王婷婷

(1.南京市國土資源信息中心,江蘇 南京210005;2.江蘇省地質(zhì)測繪院,江蘇 南京211102;3.南京林業(yè)大學(xué)土木工程學(xué)院,江蘇 南京210037)

0 引 言

多種對地觀測遙感衛(wèi)星的發(fā)射成功、遙感技術(shù)快速發(fā)展,多傳感器、多時(shí)相、多光譜、多空間分辨率遙感影像數(shù)據(jù)迅猛增加提供了從粗到精、從多光譜到細(xì)光譜段的遙感對地觀測數(shù)據(jù)源[1]。在遙感領(lǐng)域中,單一傳感器影像數(shù)據(jù)通常不能提取足夠多的信息去滿足一些應(yīng)用需要,它所提取的信息是有限的,不完整的[2]。因此,如何將這些海量遙感數(shù)據(jù)作為一個(gè)整體來綜合應(yīng)用,克服單一遙感影像提供信息不足帶來的問題,從而有效利用不同分辨率、不同時(shí)相、不同傳感器的遙感海量數(shù)據(jù)信息便成為當(dāng)前遙感影像處理的一個(gè)熱門研究課題。

圖像融合不是簡單的信息疊加,它是要產(chǎn)生新的、包含更多、更有價(jià)值的信息的圖像,即達(dá)到1+1＞2的效果[3]。具有高空間分辨率的全色波段和具有豐富光譜信息的多光譜波段的數(shù)據(jù)融合,可得到保持多光譜圖像光譜特征、空間細(xì)節(jié)表現(xiàn)能力的融合圖像[4]。本文以Landsat 8 OLI全色影像和多光譜影像為數(shù)據(jù)源(軌道號分別為P122R41影像的B652、B764、B564組合和P125R47影像的B251組合),采用乘積變換(Brovey)、HSV變換、主成分分析(PCA)和光譜銳化法(Gram-Schmidt,GS)4種方法對多光譜影像和全色影像進(jìn)行融合,運(yùn)用Matlab軟件計(jì)算提取融合后圖像的均值、標(biāo)準(zhǔn)差、信息熵、平均梯度和相關(guān)系數(shù)等定量評價(jià)指標(biāo),結(jié)合主觀和客觀因素評價(jià)數(shù)據(jù)融合效果。

1 數(shù)據(jù)源與研究方法

1.1 數(shù)據(jù)源及其預(yù)處理

Landsat 8衛(wèi)星于2013年2月發(fā)射,按近極點(diǎn)太陽同步軌道繞地球飛行,軌道高度705 km,傾角98.2°,每98.9 min繞地球一圈,每16 d覆蓋地球一遍,降交點(diǎn)時(shí)間為當(dāng)?shù)厣衔?0:00—10:15,衛(wèi)星數(shù)據(jù)下行速率為441 Mbps,攜帶陸地成像儀(Operational Land Imager,OLI)和熱紅外傳感器(Thermal Infrared Sensor,TIRS)[5]。OLI包含ETM+傳感器所有波段,為避免大氣吸收特征,重新調(diào)整了Band5(0.845～0.885μm),排除0.82μm處水汽吸收特征。同時(shí),OLI全色波段Band8范圍較窄,增強(qiáng)了植被和無植被特征區(qū)分能力;傳感器新增兩個(gè)波段:用于海岸帶監(jiān)測藍(lán)色波段(Band1:0.433～0.453μm)、云檢測短波紅外波段(Band9:1.360～1.390μm)[6]。本文選擇軌道號分別為P122R41、P125R47的Landsat 8 OLI遙感影像為數(shù)據(jù)源,對其實(shí)現(xiàn)幾何糾正和大氣校正等預(yù)處理,完成遙感數(shù)據(jù)融合,增進(jìn)對不同融合方法的理解和認(rèn)識。

1.2 遙感數(shù)據(jù)融合方法

有效的遙感數(shù)據(jù)融合算法可盡量保持多光譜影像的光譜信息,提高多光譜影像的空間分辨率,滿足實(shí)際應(yīng)用需求。同一種融合方法針對同一影像,觀察者感興趣的部分不同,對融合效果的質(zhì)量評價(jià)也不同;針對不同應(yīng)用方向,對影像的各項(xiàng)參數(shù)要求也不同,需采用不同融合方法[7-9]。因此,本文選擇Brovey、HSV、PCA和Gram-Schmidt四種融合方法對Landsat 8 OLI遙感數(shù)據(jù)進(jìn)行處理(表1),分析數(shù)據(jù)質(zhì)量是否達(dá)到預(yù)期效果[10]。

表1 不同遙感數(shù)據(jù)融合方法表達(dá)及融合效果

1.3 數(shù)據(jù)融合質(zhì)量評價(jià)

1.3 .1 主觀評價(jià)

主觀評價(jià)建立在人的視覺感官和經(jīng)驗(yàn)知識基礎(chǔ)上,通過人眼對圖像的感知能力判斷圖像質(zhì)量[11],但其缺點(diǎn)在于不具備客觀性,所得到的評價(jià)結(jié)果可能存在失誤。人眼對圖像比較明顯的感知體現(xiàn)為:圖像是否有重影、不同地物分界是否清晰、顏色差別是否很大等。從亮度、清晰度、對比度等方面對融合圖像的觀察,需在初步主觀目視判別基礎(chǔ)上進(jìn)行客觀定量評價(jià)。

1.3 .2 客觀評價(jià)

圖像融合結(jié)果客觀定量評價(jià)是采用一定量化指標(biāo)來評價(jià)融合效果的,克服了人為主觀影響,對圖像的評價(jià)更加科學(xué)、客觀[12-14]。常見的客觀評價(jià)指標(biāo)主要分為3大類,即影像的亮度信息、空間細(xì)節(jié)信息、光譜信息量及融合結(jié)果的相關(guān)類評價(jià)參數(shù)。本文主要運(yùn)用Matlab編程計(jì)算Landsat OLI 8影像融合前和融合后的均值、標(biāo)準(zhǔn)差、平均梯度、信息熵和相關(guān)系數(shù)作為客觀定量評價(jià)指標(biāo)。

2 結(jié)果分析

2.1 B652數(shù)據(jù)融合及其質(zhì)量評價(jià)

在空間分辨率和清晰度上,利用4種融合方法的融合影像相較原始影像有所改善:融合影像紋理特征更為清晰,保留了盡可能多的原始信息,提高了地物細(xì)節(jié)特征,更加易于判讀。同時(shí),也改善了影像的光譜特征,各類地物光譜畸變較小,保留了原始影像的光譜信息。Brovey融合影像的顏色更鮮艷,綠色更接近于植被真實(shí)顏色;HSV融合影像中,裸地部分與植被部分界限十分清晰,但植被部分太暗,難以識別其具體地物;高通濾波融合影像的空間清晰度和PCA影像最接近(圖1)。

圖1 4種融合算法的融合影像與原始多光譜影像

將4種融合方法提取的定量評價(jià)指標(biāo)列舉如下(表2)。

從表2可知:①HSV的亮度最低,其他3種變化RGB值都差不多;②HSV變換后的影像信息量豐富,即經(jīng)過HSV變換后圖像不僅人眼可以識別較多信息,且實(shí)際光譜信息也相對較多;③HSV變換明顯高于其他任何變換指標(biāo),圖像細(xì)節(jié)信息得到明顯增強(qiáng);④ 高通濾波融合算法綜合較高,所得的圖像與原圖像匹配度較高,光譜保真能力較強(qiáng),而HSV變換較小,對原圖像的光譜保真能力較差;⑤Brovey變換、PCA變換和GS變換的效果基本符合主觀評價(jià)的結(jié)果。

表2 不同融合方法提取的定量評價(jià)指標(biāo)

波段組合B652的圖像植被類型較豐富,裸地信息明顯,可與有作物的耕地區(qū)分。HSV變換后圖像反差較大,影像層次較多,可分性大,但是HSV融合后第5波段的相關(guān)系數(shù)較低,植被部分光譜保真較差,會(huì)降低后期分類精度,不建議采用。Brovey變換要優(yōu)于Gram-Schmidt光譜銳化變換和PCA變換,可分性較大,且主觀分析圖片質(zhì)量較好,更適合被用作植被解譯及信息提取。

2.2 B764數(shù)據(jù)融合及其質(zhì)量評價(jià)

從影像的空間分辨率、清晰度來看,4種融合算法所得融合影像的空間分辨率、清晰度都較原始多光譜影像有很大提高。從光譜特征看,HSV亮度適中,且建筑物及裸地部分與植被部分界限明顯,其他融合影像也均具有較豐富的色彩,但融合后的圖像相對較暗,GS相對偏藍(lán)(圖2)。

4種融合方法提取的定量評價(jià)指標(biāo)如下(表3)。

圖2 4種融合算法的融合影像與原始多光譜影像

表3 不同融合方法提取的定量評價(jià)指標(biāo)

從表3可知:①Brovey、GS和PCA融合雖然目視顏色較豐富,但均值略偏低;② HSV變換信息量豐富,即經(jīng)過HSV變換后圖像具有最多光譜信息;③HSV變換平均梯度明顯高于其他任何變換指標(biāo),融合后圖像細(xì)節(jié)信息得到明顯增強(qiáng),影像較清晰;④4種融合結(jié)果相關(guān)系數(shù)相差不大,光譜保真力區(qū)分不明顯;⑤Brovey變換、PCA變換和GS變換在空間信息詳細(xì)度和影像清晰度上融合效果很接近,HSV融合光譜信息量和清晰度相對較好。

HSV融合后圖像反差較大,影像層次較多,建筑物和植被分界明顯,可分性較大,且其光譜保真較好:無論從定性還是定量方面,都利于建筑物解譯和信息提取。其他3種融合無論是從主觀還是客觀評價(jià),其效果都比較相似。

2.3 B564數(shù)據(jù)融合及其質(zhì)量評價(jià)

B564適合用于土壤濕度和植被狀況的分析、陸地水體和陸地/水體分界線確定以及山地、丘陵、平原臺地等喀斯特地貌景觀及各類用地影像特異分異。B564波段合成非標(biāo)準(zhǔn)假彩色圖像,紅外波段與紅色波段合成,水體邊界清晰,利于海岸識別;植被有較好顯示,但不便于區(qū)分具體植被類別。采取5、6、4波段分別賦予紅、綠、藍(lán)色合成圖像,色彩反差明顯,層次豐富,且各類地物的色彩顯示規(guī)律與常規(guī)合成片相似,符合過去常規(guī)片的目視解譯(圖3)。

將4種融合方法提取的定量評價(jià)指標(biāo)列舉如下(表4)。

圖3 4種融合算法的融合影像與原始多光譜影像

表4 不同融合方法提取的定量評價(jià)指標(biāo)

通過上述4種融合方法,融合影像在空間分辨率和清晰度上均有所改善,融合影像紋理特征變得清晰,保留了盡可能多的原始信息,提高了地物細(xì)節(jié)特征,更加易于判讀。同時(shí),也改善了影像的光譜特征,各類地物光譜畸變較小,保留了原始影像的光譜信息。Brovey融合影像具有較豐富的色彩,HSV融合影像中,水體部分與陸地部分界限十分清晰,但是植被偏暗,裸地部分偏亮,不易分析,難以識別其具體地物。高通濾波融合影像的空間清晰度和PCA影像最接近。

從表4可知:①Brovey變換和GS變換后的均值相對較高;②HSV變換融合信息量豐富,即經(jīng)過HSV變換后,圖像具有最多的光譜信息量;③HSV變換明顯高于其他任何變換指標(biāo),融合后圖像的細(xì)節(jié)信息得到了較高增強(qiáng),影像比較清晰;④Brovey算法和高通濾波融合算法的保真能力較高,說明此變換得到的圖像與原圖像的匹配度較高,失真較小,光譜保真能力較強(qiáng),而HSV變換和PCA變化結(jié)果較小,該算法對原圖像的光譜保真能力較差;⑤Brovey變換和GS變換這兩種算法無論是在光譜保真上還是影像清晰度上,融合效果都很接近。HSV融合和PCA融合光譜保真效果都很差,但光譜信息量很大。

2.4 B251數(shù)據(jù)融合及其質(zhì)量評價(jià)

本次融合加入新元素海藍(lán)波段(Band1:0.433～0.453μm),主要應(yīng)用海岸帶觀測,將其與波段2和波段5組合應(yīng)用,對波段組合添加方法,可給地物解譯添加新內(nèi)容。本文利用4種融合方法對B251波段與全色波段進(jìn)行融合和質(zhì)量評價(jià)。上述4種融合方法的融合影像在空間分辨率和清晰度上比原始影像有所改善,融合影像紋理特征變得清晰,保留了盡可能多的原始信息,提高了地物細(xì)節(jié)特征,更加易于判讀,且保留了原始影像的光譜信息。Brovey融合影像略清晰,但是相對PCA影像和GS影像偏暗。HSV融合影像中,植被部分和海洋部分都偏暗,但分界線很明顯。高通濾波融合影像和PCA影像在色度和空間清晰度上比較接近(圖4)。

將4種同融合方法提取的定量價(jià)指標(biāo)舉如下(表5)。

圖4 4種融合算法的融合影像與原始多光譜影像

表5 不同融合方法提取的定量評價(jià)指標(biāo)

從表5可知:①Brovey變換、GS變換和PCA變換其圖像亮度也很相近,而HSV影像亮度最低;② 各變換標(biāo)準(zhǔn)差有所降低而信息熵卻是增加的,這說明經(jīng)過各影像變換后光譜信息量有所損失也有所添加,其中HSV變化光譜信息損失得最大;③HSV變換明顯高于其他任何變換指標(biāo),而Brovey變化其次,說明融合后圖像的細(xì)節(jié)信息得到了較高增強(qiáng),影像也比較清晰;④Brovey算法綜合較高,此變換得到的圖像與原圖像的匹配度較高,失真較小,光譜保真能力較強(qiáng),而HSV變換的相對系數(shù)最小,該算法對原圖像的光譜保真能力較差。⑤4種變化中Brovey算法的融合效果相對較好,HSV算法無論是從色度、光譜保真還是信息量都相對較差,其他兩種居于二者之間。

Brovey、GS和PCA變換后圖像反差較大,影像層次較多,可分性大,利于后期信息提取及地物分類。再對比這3組融合,Brovey變換后海藍(lán)波段1標(biāo)準(zhǔn)差和信息熵都相對較高,且光譜保真較好,符合本次融合的目的,Brovey變換下波段1的優(yōu)勢使其在海岸帶遙感圖像中成為首選融合方法。而本次融合HSV變換效果較差。

3 結(jié) 語

本文利用上述4種方法對Landsat 8 OLI全色影像和多光譜影像進(jìn)行融合處理,進(jìn)而評價(jià)分析了4種融合方法的融合效果,得出以下結(jié)論。

(1)基于B652的融合結(jié)果:HSV變換后圖像綜合效果較好,但是HSV融合后第5波段的相關(guān)系數(shù)較低,說明植被部分的光譜保真較差,會(huì)降低后期分類精度,不建議采用。Brovey變換要優(yōu)于GS變換和PCA變換,可分性較大,且主觀分析圖片質(zhì)量較好,適合被用作植被解譯及信息提取。

(2)基于B764的融合結(jié)果:HSV融合后圖像反差較大,影像層次較多,建筑物和植被分界明顯,可分性較大,且其光譜保真較好,利于建筑物的解譯和信息提取。

(3)基于B564的融合結(jié)果:HSV融合后的圖像可分性較大,比較容易區(qū)分水體和陸地邊界,且其信息量也較大,但光譜保真較差,僅適用于水體邊界劃分。Brovey變換可分清陸地和水體邊界,且地物也比較清晰,光譜保真較好,且優(yōu)于PCA變換法和GS變換法。

(4)基于B251的融合結(jié)果:Brovey、GS和PCA變換后圖像反差較大,影像層次較多,可分性大,利于后期信息提取及地物分類。Brovey變換后藍(lán)波段Band 1標(biāo)準(zhǔn)差和平均梯度都相對較高,且光譜保真較好,使其在海岸帶遙感圖像中成為首選融合方法;HSV融合效果較差。

[1]李德仁.論自動(dòng)化和智能化空間對地觀測數(shù)據(jù)處理系統(tǒng)的建立[J].環(huán)境遙感,1994,9(1):1-10.

[2]周雅麗,秦志遠(yuǎn),尚煒.分布函數(shù)在遙感影像融合評價(jià)中的應(yīng)用研究[J].海洋測繪,2007,27(1):48-51.

[3]周蔭清,洪信鎮(zhèn).多傳感器信息融合技術(shù)[J].遙測遙控,1996(1):16-22.

[4]夏清,胡振琪,李建華,等.不同遙感影像融合方法的質(zhì)量評價(jià)[J].地理空間信息,2013,11(1):49-51.

[5]初慶偉,張紅群,吳業(yè)煒,等.Landsat-8衛(wèi)星數(shù)據(jù)應(yīng)用初探[J].遙感信息,2013,28(4):110-114.

[6]張玉君.Landsat8簡介[J].國土資源遙感,2013,25(1):176-177.

[7]田豐,王昆,王猛.高空間分辨率遙感影像融合方法探討[J].海洋測繪,2012,32(1):61-64.

[8]趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003.

[9]竇聞,陳云浩,何輝明.光學(xué)遙感影像像素級融合的理論框架[J].測繪學(xué)報(bào),2009(2):131-137.

[10]楊麗萍,夏敦勝,陳發(fā)虎.Landsat 7 EYM+全色與多光譜數(shù)據(jù)融合算法的比較[J].蘭州大學(xué)學(xué)報(bào):自然科學(xué)版,2007,43(4):7-11.

[11]王海暉,彭嘉雄,吳巍.多源遙感圖像融合效果評價(jià)方法研究[J].計(jì)算機(jī)工程與應(yīng)用,2003(25):3-37.

[12]賈永紅,李德仁.多源遙感影像像素級融合分類與決策及分類融合方法的研究[J].2001,15(5):430-434.

[13]夏明革,何友,歐陽文.像素級圖像融合方法與融合效果評價(jià)[J].遙感技術(shù)與應(yīng)用,2002,17(4):224-229.

[14]徐勝祥,徐云清.基于Matlab的遙感圖像融合效果的客觀評價(jià)方法[J].測繪科學(xué),2008,(4):143-145.

[15]翁永玲,田慶久.遙感數(shù)據(jù)融合方法分析與評價(jià)綜述[J].遙感信息,2003(3):49-54.

[16]賈永紅,李德仁,孫家抦,等.四種HIS變換用于SAR與TM影像復(fù)合的比較[J].遙感學(xué)報(bào),1998,2(2):103-106.

[17]黃倫春,肖玉環(huán),張紅英.基于PCA變換的多元遙感影像融合方法研究[J].工程地球物理學(xué)報(bào),2014,11(2):266-270.

[18]袁金國,王衛(wèi).多源遙感數(shù)據(jù)融合研究[J].地球信息科學(xué),2005,7(3):97-103.