山區(qū)盆地高分一號遙感數(shù)據(jù)融合方法比較研究

劉祥平，張 貞，馮莉莉，黃凌翔

（1.天津城建大學(xué) 地質(zhì)與測繪學(xué)院，天津300384；2.河北工程大學(xué)礦業(yè)與測繪工程學(xué)院，河北 邯鄲056038）

對于遙感影像融合這一問題的研究到目前為止已有四十多年的發(fā)展歷程.早在1979年，外國學(xué)者首次將雷達(dá)影像和Landsat-MSS影像進(jìn)行了復(fù)合，得到了復(fù)合影像.遙感數(shù)據(jù)融合分像素級、特征級和決策級三種層次，現(xiàn)今基于像素級的影像融合總的分為多尺度分析和分量替換兩類，多尺度分析如小波變換[1]，分量替換包括Pansharp變換[2]、Brovey變換[3]以及IHS變換[4]等.一些學(xué)者利用這些方法的各自優(yōu)勢進(jìn)行結(jié)合，如：HSV-PCA[5]、KPCA-Brovey[6]、PCA-NSCT[7]，都取得了較好的融合結(jié)果.同時也涌現(xiàn)出一些較為新穎的方法，如：基于HCT變換和聯(lián)合稀疏模型的融合方法[8]以及粒子群優(yōu)化Contourlet變換的融合算法[9].目前，隨著深度學(xué)習(xí)研究的發(fā)展，部分學(xué)者將深度學(xué)習(xí)融入到遙感影像融合中，首次利用深度神經(jīng)網(wǎng)絡(luò)（DNN）對影像進(jìn)行了融合實(shí)驗(yàn)[10]，并利用3D CNN模型對多光譜和全色影像進(jìn)行了融合.

目前，對遙感影像的融合尤其是基于像素級的影像融合的研究較為普遍，主要研究區(qū)域位于東部平原，針對某一地貌的研究相對較少.近幾年陸續(xù)有不同學(xué)者提出了基于山區(qū)[11-12]、耕地[13]、林地[14]的影像融合，都取得了較好結(jié)果.我國陸地面積中，盆地面積約占全國總面積的3/16，隨遙感技術(shù)的快速發(fā)展，3S技術(shù)成為盆地調(diào)查的主要方法之一.青海共和盆地地貌復(fù)雜，四面環(huán)山且沙漠化嚴(yán)重，受風(fēng)水交互侵蝕山地坡面溝蝕嚴(yán)重，存在較多陰影.本文選取青海共和盆地的高分一號衛(wèi)星的全色和多光譜影像進(jìn)行研究，探索不同融合方法在高分一號影像上的適用性，以期優(yōu)選出適合增強(qiáng)盆地的高分一號（GF-1）衛(wèi)星影像融合方法.

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

本次研究所選的區(qū)域位于青海省西寧市西南部的共和盆地，該區(qū)域位于東經(jīng)100°18′～101°15′、北緯35°13′～35°52′之間.該地區(qū)地形獨(dú)特，流動沙丘、河流灘地和湖盆交錯分布，風(fēng)水交互侵蝕使得山地坡面土壤溝蝕嚴(yán)重，平地地區(qū)沙漠化嚴(yán)重，地表形態(tài)復(fù)雜且存在較多陰影區(qū).共和盆地的海拔為2 400～3 500 m，總面積可達(dá)13 800 km2，其中有861.5 km2的沙漠占盆地總面積的6.3%，說明共和盆地總體上屬于干旱地區(qū)，植被主要類型為沙丘鏈、沙壟和灌叢沙灘[15].

1.2 數(shù)據(jù)來源

本文采用2014年3月份獲取的GF-1衛(wèi)星全色與多光譜影像作為數(shù)據(jù)源，影像質(zhì)量良好.GF-1衛(wèi)星配備了兩種類型的傳感器，一種是寬視場傳感器（WFV傳感器）；另一種是全色和多光譜傳感器（PMS傳感器），本文選取了PMS傳感器的全色波段（分辨率2 m）和多光譜1～4波段（分辨率8 m）.該衛(wèi)星是我國高分系列的首發(fā)星，可應(yīng)用于城市建設(shè)、軍事偵察、農(nóng)業(yè)水利以及環(huán)境保護(hù)等工程領(lǐng)域中[16].衛(wèi)星軌道技術(shù)參數(shù)見表1.

表1 GF-1技術(shù)參數(shù)[17]

2 研究方法

2.1 最佳波段組合

多光譜影像具有多個波段，而一幅彩色影像的形成只需要三個波段，尤其一些融合方法如Brovey變換、HSV變換只選用3個波段[18]，這就涉及到了波段組合.一般來說多光譜影像的波段組合有許多種，在不同遙感數(shù)據(jù)波段組合中，選擇包含信息量最佳的組合進(jìn)行RGB三通道加權(quán)融合的方法.

最佳指數(shù)因子（optimum index factor）是由美國教授Chavez在1982年提出的波段選優(yōu)方法的技術(shù)評價指標(biāo)[19]，該因子為多光譜遙感影像多種波段組合中選擇最佳波段提供了一個客觀依據(jù)[20]，波段組合就是要選取OIF值最大的組合.波段組合的選取原則是：單個波段的標(biāo)準(zhǔn)差和信息熵越大越好；任意組合兩波段間的相關(guān)性越小越好，具體計算公式見表2.

表2 最佳波段組合

將GF-1衛(wèi)星影像的4個波段進(jìn)行波段組合，可以生成4組波段組合，根據(jù)上式計算各個組合的最佳指數(shù)因子，得到表3.

表3 GF-1影像波段組合的最佳指數(shù)

OIF的值越大，說明該波段組合的效果越好.通過上表的計算可以看出Band（432）的OIF值最大，所以Band（432）是最佳組合波段.

2.2 融合方法

目前，根據(jù)影像對預(yù)處理的精度要求以及融合原理的不同，影像融合總體上被分成基于像素級、特征級和決策級三個層次.本次研究的主成分變換（principal compoent analysis，簡稱PCA）、比值變換（brovey transform，簡稱BT）、色彩空間變換（hue saturation value，簡稱HSV）和乘法變換（multiplicative，簡稱MLT）都是基于像素級的影像融合方法.

此次研究的HSV變換由ENVI 5.1軟件實(shí)現(xiàn)，PCA變換、Multiplicative變換和Brovey變換使用ERDAS IMAGINE 9.2軟件實(shí)現(xiàn).

2.2.1 PCA變換

PCA變換通過將圖像的原始變量轉(zhuǎn)換成幾個互不相關(guān)的新變量，從中選取出部分變量來盡可能地反映原始影像的地物信息，可用數(shù)據(jù)壓縮、圖像增強(qiáng)等方面[21].

2.2.2 Brovey變換

Brovey變換是將多光譜影像中的三個波段與全色影像分別做數(shù)學(xué)運(yùn)算，然后將三個彩色波段進(jìn)行重采樣，再與高分辨率影像進(jìn)行乘法運(yùn)算[22].

2.2.3 Multiplicative變換

Multiplicative變換應(yīng)用最基本的數(shù)學(xué)算法，將兩幅圖像的灰度矩陣進(jìn)行矩陣乘積[23].

2.2.4 HSV變換

HSV變換先將多光譜影像進(jìn)行RGB彩色變換，分離出H、S、V三個分量，然后將高分辨率全色影像與H分量進(jìn)行直方圖匹配，最后將分離出的H和S分量與匹配后的高分辨率影像進(jìn)行HSV逆變換[24].

2.3 評價方法

2.3.1 定性評價方法

定性評價是由人的直觀感覺結(jié)合一定的理論知識和經(jīng)驗(yàn)，主要從光譜特征和紋理特征兩個方面對影像做出評價，該方法方便直觀，可操作性強(qiáng)，但易受主觀因素的影響，得到的結(jié)果具有不全面性，評價標(biāo)準(zhǔn)難以統(tǒng)一.

2.3.2 定量評價方法

定量評價主要是對原始多光譜影像的光譜保真度、融合影像的信息量提升度以及清晰度這三個特征進(jìn)行研究：對于提高影像空間分辨率方面，本文選取標(biāo)準(zhǔn)差、相關(guān)系數(shù)來判定；對于提高影像信息量方面，文本通過信息熵這一指標(biāo)來判定；在光譜保真度方面選取灰度均值、相關(guān)系數(shù)來判定.綜上所述，本文選取了灰度均值、標(biāo)準(zhǔn)差、信息熵、相關(guān)系數(shù)4個定量評價指標(biāo)，通過分析這些量化指標(biāo)對融合結(jié)果進(jìn)行評價.

（1）灰度均值反映的是影像的平均亮度，原始影像與融合影像的灰度均值越接近，說明光譜畸變越小[11].

（2）標(biāo)準(zhǔn)差表示灰度均值的離散程度，標(biāo)準(zhǔn)差越大，說明影像的灰度等級越分散，則影像中不同地物的光譜差異越大，信息提取越準(zhǔn)確[13].

（3）信息熵反映影像的信息豐富度，該值越大，說明影像所含的信息量越多，則融合效果越好[25].

（4）相關(guān)系數(shù)主要反映兩幅影像之間的相似程度，相關(guān)系數(shù)越大，說明兩幅影像越相似，融合影像的光譜保真度越好[26].

2.3.3 分類精度評價方法

（1）總體分類精度.總體分類精度在數(shù)值上等于被正確分類的像元總數(shù)除以總像元數(shù)，該值越大，說明影像的分類精度越高.

（2）Kappa系數(shù).Kappa系數(shù)的定義如下式

式中：r是誤差矩陣的總列數(shù)；xii是矩陣中的第i行、第i列上的像元數(shù)；xi+和x+i分別表示第i行和第i列的像元總數(shù)；N是采樣總數(shù)[27].該值越大，說明影像的分類精度越高.

3 結(jié)果與分析

3.1 定性評價

對GF-1衛(wèi)星2 m全色和8 m多光譜影像分別進(jìn)行PCA融合、Multiplicative融合、Brovey融合、HSV融合.融合后的影像如圖1-6所示.

通過觀察圖1-6可以發(fā)現(xiàn)，PCA融合、Brovey融合、Multiplicative融合以及HSV融合四種方法融合后的影像在空間分辨率方面都有明顯提高.從局部影像圖中可以看出，原始影像中地物的邊界很模糊，整幅影像就像蒙了一層紗，難以確定地物形狀尤其是房屋等細(xì)節(jié)部分.其中HSV融合影像保留的紋理信息效果最好，房屋和植被部分的分界線最為清晰，影像的地物辨識度增加，紋理特征比原始多光譜影像清晰很多.

從光譜特征方面來看，融合影像都基本保留了原始影像的光譜特征，沒有出現(xiàn)目視可見色差.PCA融合影像與原始多光譜影像最為相似，光譜信息度保留最完整；Brovey變換得到的融合影像呈現(xiàn)過于明亮的色彩；而HSV融合和Multiplicative融合得到的融合影像其亮度相對較暗；HSV融合與原始影像的光譜差異最大；Multiplicative融合影像存在地物重疊現(xiàn)象.

3.2 定量評價

對影像均值、標(biāo)準(zhǔn)差、信息熵和相關(guān)系數(shù)的計算結(jié)果見表4.

圖1 多光譜影像

圖2 全色影像

圖3 PCA影像

圖4 Brovey影像

圖5 Multiplicative影像

圖6 HSV影像

表4 圖像融合質(zhì)量評價參數(shù)統(tǒng)計

對表4各評價指標(biāo)進(jìn)行對比分析，可以得出以下結(jié)論.

（1）從四幅影像的灰度均值中能夠看出，PCA變換得到的融合影像的均值最接近于原始影像的均值，光譜相似度最高.HSV變換得到的影像其均值相比原始影像減少了很多且光譜失真較為嚴(yán)重，主要表現(xiàn)為植被亮度降低，呈現(xiàn)紅黑色，沙漠亮度發(fā)暗.而Multiplicative變換融合后影像的灰度均值相比于原始多光譜影像有了很大幅度的增加，均值越高，亮度越高，說明該方法所得影像亮度最高.

（2）標(biāo)準(zhǔn)差通?？梢杂脕矸从秤跋褡R別的難易程度.經(jīng)PCA變換后的融合影像的標(biāo)準(zhǔn)差和原始影像最為接近，說明其地物識別度與原始影像相比區(qū)別不大.Multiplicative變換后的影像的標(biāo)準(zhǔn)差變換最大，數(shù)值增大說明其影像中地物光譜差異最大，圖像對比度增大，容易進(jìn)行特征識別.

（3）信息熵的大小能夠反映出該影像所包含的信息量的多少，四種融合方法信息熵均有不同程度的增加，說明四幅融合影像所含信息量有所增加，數(shù)據(jù)質(zhì)量得到提高.其中經(jīng)Multiplicative變換得到的影像信息熵值最大，相比較下該方法所得的信息量最為豐富.

（4）相關(guān)系數(shù)表明原始影像與融合影像之間光譜信息的改變程度.Brovey變換所得融合影像與原始影像各個波段間的相關(guān)系數(shù)較小，表明影像光譜變異的程度較大.而Multiplicative變換相關(guān)系數(shù)相對較高，說明原始影像的光譜信息被較多的保留下來.

3.3 分類精度評價

為了從應(yīng)用方面分析各種融合方法的好壞，本次對研究區(qū)域的提取采用了監(jiān)督分類.根據(jù)分類種類以及地物特點(diǎn)，本文圖像采用假彩色合成，影像如圖7所示，共創(chuàng)建3類訓(xùn)練樣本，分別是植被（紅色）、沙漠（綠色）、裸地（灰色）.

圖7 分類影像

完成監(jiān)督分類后，需要對影像進(jìn)行分類精度評價，分別在五幅影像中每一類別各選取80個隨機(jī)離散點(diǎn)，對比每個所選離散點(diǎn)在融合前后所分類出來的地物類別與實(shí)際地物類別是否一致，所選評價指標(biāo)為總分類精度和Kappa系數(shù)，其所得數(shù)據(jù)見圖8.

理論上融合后的影像的分類精度高于融合前的影像，但不適合的融合方法也有可能適得其反，導(dǎo)致融合后影像的分類精度反而降低.其原因有：一是該融合方法導(dǎo)致光譜信息的丟失；二是對原始影像采集的像元在融合影像上處于混合像元位置，這很容易出現(xiàn)錯分現(xiàn)象，從而降低分類的準(zhǔn)確性.

由圖8的統(tǒng)計結(jié)果可知，PCA變換、Brovey變換、Multiplicative變換和HSV變換四種方法的分類總精度和Kappa系數(shù)都高于原始多光譜影像，說明四幅融合影像的分類精度都有所提高.其中，PCA變換的融合影像的分類總體精度和Kappa系數(shù)均為最高，說明經(jīng)PCA變換生成的融合影像地物分類精度最高，融合影像的質(zhì)量最好.

圖8 圖像分類總體精度和Kappa系數(shù)

4結(jié) 論

影像融合就是為了提高原始影像的清晰程度和降低影像識別的不確定性.本次研究對GF-1衛(wèi)星影像的全色和多光譜影像采用PCA變換、Multiplicative變換、Brovey變換和HSV變換四種融合方法進(jìn)行融合實(shí)驗(yàn)，通過對影像進(jìn)行主觀定性評價、客觀定量評價以及地物分類精度的比較，得到以下結(jié)論.

（1）從目視效果來看，融合后的影像在其空間分辨率上都有一定程度的提高，原始影像中難易采集的小面積建筑物，經(jīng)融合后可以在圖像上清晰地看到建筑物的輪廓.PCA的光譜保留度最好，與原始影像的色彩最為相似.

（2）根據(jù)四種評價指標(biāo)能夠看出，HSV方法邊界最為清晰，空間細(xì)節(jié)信息保留度最好，但光譜失真嚴(yán)重；Brovey變換和Multiplicative變換的光譜度較差，但Multiplicative變換得到的影像信息熵值最大，相比較下該方法所得的信息量最為豐富；PCA的光譜保持度較好，且綜合效果最好.

（3）對比原始影像和四種融合影像的總分類精度和Kappa系數(shù)，四幅融合影像的分類結(jié)果都比原始多光譜影像的精度高，其中，PCA變換的融合影像地物分類精度最高.