郭蕾， 楊冀紅， 史良樹， 戰(zhàn)鷹， 趙冬玲， 張超， 孫家波， 季佳佳

(1.中國農業(yè)大學信息與電氣工程學院，北京 100083； 2.中國土地勘測規(guī)劃院，北京 100035)

0 引言

與單一遙感數(shù)據(jù)源相比，融合后的遙感數(shù)據(jù)可提高圖像解譯的可靠性，有助于更加充分地利用多源遙感信息； 因此，圖像融合技術一直是遙感圖像處理與應用的研究熱點[1-5]。目前，由于高分辨率遙感圖像應用的日益普及，高分辨率圖像融合技術已成為研究熱點中的重點[6]。近些年來，針對各種具體應用已經(jīng)形成了大量的遙感全色和多光譜圖像融合算法，按照參與融合的波段數(shù)目可分為2類，一類是對3個波段數(shù)據(jù)進行融合的方法，應用較多的有彩色空間(intensity hue saturation，IHS)變換法、彩色標準化(color normalized，Brovey)變換法等； 另一類為對多個波段進行融合的方法，應用較廣的有主成分分析(principal component analysis，PCA)法、相位恢復(Gram-Schmidt，G-S)變換法、高通濾波 (high-pass filtering，HPF)法等，以及適合高空間分辨率遙感圖像融合的超分辨率貝葉斯(Pansharp)法和PanSharpening法。

SPOT5數(shù)據(jù)已在我國國土資源管理中得到了廣泛的應用； SPOT6作為SPOT5的后續(xù)衛(wèi)星獲取了新的數(shù)據(jù)源，可提供1.5 m分辨率的全色圖像和6 m分辨率的多光譜圖像。但目前針對該數(shù)據(jù)的研究成果還較少。本文以SPOT6圖像為研究對象，選取G-S，HPF，Pansharp和PanSharpening等4種融合方法進行對比實驗，并對融合結果進行分析和比較，以期找到更為適用的融合方法，從而加速SPOT6衛(wèi)星遙感數(shù)據(jù)在國土管理業(yè)務中的推廣和應用。

1 融合方法及評價指標

1.1 融合方法

目前大部分成熟的圖像融合算法均可通過遙感圖像處理商業(yè)軟件實現(xiàn)。本文采用的融合方法包括G-S變換法、HPF法、Pansharp法和PanSharpening法等4種方法，可利用常用的ENVI，ERDAS和PCI等軟件實現(xiàn)。

1)G-S變換融合法是線性代數(shù)和多元統(tǒng)計中常用的方法，它通過對多維圖像進行正交變換以達到消除冗余信息的目的； 其原理與PCA法相似，但變換后各分量的信息量沒有明顯區(qū)別，能更好地保持多光譜圖像的光譜信息[7]。

2)HPF融合法運用高通濾波器對高分辨率圖像進行濾波，獲取高頻分量，并將其按一定的權重依次加入到多光譜圖像相應波段中，生成融合圖像。

3)Pansharp融合法基于最小二乘法得到較為精準的灰度值，利用最小方差技術對參與融合的波段灰度值進行最佳匹配，可最大程度地減少彩色圖像的色彩失真，同時保留全色圖像的空間信息[8]。

4)PanSharpening融合法通過合并高分辨率的全色波段圖像提高多波段圖像的空間分辨率。該方法使得全色圖像數(shù)據(jù)與多光譜圖像數(shù)據(jù)自動配準，能很好地保持多光譜圖像的光譜信息，同時可提高空間分辨率[9]。

1.2 評價指標

對圖像融合的效果可通過定性和定量方法進行評價。定性評價方法主要通過融合后圖像的清晰程度和光譜保持程度等評價圖像的目視效果； 而定量評價則通過一系列客觀指標定量評價圖像的融合效果。本文采用的圖像融合定量評價指標包括平均值、標準差、信息熵、平均梯度和相關系數(shù)等[10-15]。

,

(1)

式中：M，N分別為圖像的行、列數(shù)；Z(i,j)為像元的灰度值。融合前、后圖像對應波段的像元灰度值的變化程度越小，說明光譜保真性能越好。

2)標準差σ。圖像標準差反映了圖像各像元灰度相對于灰度平均值的離散情況； 在某種程度上，標準差也可用來評價圖像反差的大小。其定義為

(2)

3)信息熵H。信息熵是衡量圖像信息多少的一個重要指標，對于灰度范圍為{0，1，…，l-1}的圖像，其定義為

(3)

式中Pi為第i個灰度的出現(xiàn)概率。圖像的信息熵是衡量圖像光譜信息豐富程度的一個重要指標。融合圖像的信息熵越大，說明融合圖像的信息增加越多，即融合圖像所包含的信息越豐富，融合質量越好。

(4)

平均梯度越大，圖像層次越多，圖像越清晰。

5)相關系數(shù)ρ。相關系數(shù)反映融合前、后2景圖像的相關程度，通過比較融合前、后圖像的相關系數(shù)可以看出多光譜圖像的光譜信息改變程度[13]。其定義為

(5)

2 融合實驗及結果評價

2.1 融合實驗

本文實驗數(shù)據(jù)采用2013年1月25日獲取的北京地區(qū)SPOT6全色和多光譜圖像，其衛(wèi)星參數(shù)見表1。

表1 SPOT6衛(wèi)星參數(shù)

SPOT6具有以下特點： ①保留了SPOT5的標志性優(yōu)勢，SPOT 6具有60 km的大幅寬； ② SPOT6衛(wèi)星每日可接收600萬km2的圖像； ③制定編程計劃過程中集成了自動天氣預報，最大程度地提高了接收成功率； ④可連續(xù)采集60 km×600 km范圍的圖像數(shù)據(jù)，圖像為正南北定向，易于處理。

實驗區(qū)內地物主要包括水體、建筑物、耕地、林地和道路等。在進行融合實驗前，將SPOT6全色圖像與多光譜影像進行幾何配準，配準誤差控制在0.5個像元之內，以保證融合效果。分別運用G-S法、HPF法、Pansharp法和PanSharpening法等4種方法進行圖像融合實驗，融合結果采用SPOT6 B3(R)B2(G)B1(B)波段組合的真彩色圖像顯示(圖1—3)。

(a) 原SPOT6多光譜圖像(b) 原SPOT6全色圖像(c) G-S法融合結果

(d) HPF法融合結果(e) Pansharp法融合結果(f) PanSharpening法融合結果

(a) 原SPOT6多光譜圖像(b) 原SPOT6全色圖像(c) G-S法融合結果

(d) HPF法融合結果(e) Pansharp法融合結果(f) PanSharpening法融合結果

(a) 原SPOT6多光譜圖像(b) 原SPOT6全色圖像(c) G-S法融合結果

(d) HPF法融合結果(e) Pansharp法融合結果(f) PanSharpening法融合結果

2.2 結果評價

2.2.1 定性評價

從圖1—3可以看出，與原始多光譜圖像相比，融合后圖像的質量都有了很大的提高，在增加空間信息的同時，都較好地保持了原有的光譜信息。在顏色保真方面，G-S和Pansharp融合方法優(yōu)于HPF和PanSharpening融合方法； 在空間細節(jié)方面，Pansharp和HPF融合方法保持細節(jié)較好。因此，SPOT6圖像用于目視解譯時，Pansharp融合方法的效果更優(yōu)。

從SPOT6圖像中分別選取水體、建設用地、道路、林地和耕地等5種地類對原始多光譜圖像(圖4)與上述4種融合方法的結果圖像(圖5)進行光譜特征對比分析，以考察不同融合方法對光譜特征的保真情況。

圖4 原始多光譜圖像波譜曲線

(a) G-S法(b) HPF法(c) Pansharp法(d) PanSharpening法

從圖5可以看出，4種融合圖像光譜與原始圖像光譜(圖4)相比，Pansharp和HPF融合方法保真性較好，不僅同一地物波譜曲線的變化趨勢一致，而且不同地物波譜曲線之間的相對關系也保持較好。對于G-S與PanSharpening融合方法，雖然同一地物波譜曲線的形狀總體上沒有明顯變化，但是部分不同地物波譜曲線之間的相對關系發(fā)生了變化。

2.2.2 定量評價

分別選取均值、標準差、信息熵、平均梯度和相關系數(shù)這5個指標，從信息量、光譜特征和清晰度3個方面對圖像融合結果進行定量評價。表2列出上述5個評價指標的計算結果。

表2 客觀評價指標計算結果

表2中的統(tǒng)計數(shù)據(jù)表明： ①從R，G，B三個波段的標準差、信息熵和相關系數(shù)來看， PanSharpening法融合圖像的值最大，HPF法和G-S法次之，Pansharp法融合圖像的值最小。這說明PanSharpening法在信息量增加及融合后與融合前圖像相關性方面，相對于其他融合方法具有明顯的優(yōu)勢； ②從R，G，B三個波段的灰度均值來看，與原始圖像的灰度均值最接近的是Pansharp法融合圖像， 而PanSharpening法融合圖像與原始圖像的灰度均值偏差最大； ③從R，G，B三個波段的平均梯度來看，Pansharp法融合圖像的值最大，PanSharpening法融合圖像的值最小。以上統(tǒng)計數(shù)據(jù)說明，在光譜保持性和細節(jié)表現(xiàn)力方面，Pansharp法最優(yōu)。

但本文中Pansharp法融合圖像的標準差、信息熵和相關系數(shù)值均最低，其原因除了因為該融合方法對SPOT6圖像適用性差之外，也和運用Pansharp融合方法時參考波段選擇的優(yōu)劣有關。

2.2.3 融合后圖像分類精度評價

考慮到融合圖像應用的多樣性，對融合方法的選擇和融合圖像的評價除光譜質量外，還應驗證融合效果對圖像分類精度的影響[16-17]。

本文依據(jù)研究區(qū)域覆蓋類型，結合目視解譯和實地調查，確定地物類別為水域、道路(交通用地)、耕地、建筑物(土地利用類型為居民及工礦用地)、林地和陰影共6類。由于是在冬季獲取的SPOT6圖像，有冰覆蓋，導致地物光譜差異較大； 因此在訓練樣本時，將水域分為2個小類分別計算其光譜特征。同樣，建筑物根據(jù)屋頂材質分為3個小類分別計算其光譜特征。確定分類體系后，選用同一組SPOT6數(shù)據(jù)進行最大似然分類，并對分類的整體精度和類別精度進行分析。

在整景圖像中隨機選取150個離散點，比較融合前、后圖像的實際類別與分類結果，對分類總體精度進行評價(圖6)。

圖6 圖像分類總體精度和Kappa

各融合圖像的分類結果與原始多光譜圖像的分類結果相比，分類精度都有提高。其中HPF法融合圖像與Pansharp法融合圖像的分類精度較高，總體精度高于80%，Kappa高于0.75。各種融合圖像的地物分類精度如圖7所示。

圖7 各種融合圖像分類用戶精度

從圖7可以看出： ①對于建筑物與陰影，HPF法和Pansharp法融合圖像的分類精度明顯高于其他3種融合圖像的分類精度，說明這2種融合方法對減少高分辨率遙感圖像中建筑物陰影的影響、更好地識別建筑物是有效的； ②對于耕地和水域，5種圖像的分類精度均較高，可得到較好的識別效果； ③對于林地，4種融合圖像的分類精度較原始多光譜影像的分類精度均有較大提高，其中G-S法、HPF法和PanSharpening法融合圖像的分類精度均達到80%以上，可較好地識別林地； ⑤道路的分類精度總體較低，這是因為建筑物與道路之間光譜特征相似，運用基于像元光譜特征的分類方法難以達到較高精度。綜合考慮道路的形狀等其他特征可能是提高道路分類精度的有效途徑。

3 結論

本文分別利用高通濾波(HPF)法，超分辨率貝葉斯(Pansharp)法，PanSharpening法和相位恢復(G-S)法等4種圖像融合方法對SPOT6數(shù)據(jù)進行全色和多光譜圖像融合實驗，并對融合結果進行了評價分析，得到以下結論：

1)從與融合前圖像的相關性及光譜信息的豐富程度來看，PanSharpening法融合效果最好。

2)從圖像清晰度、對微小細節(jié)和紋理信息的表達能力及光譜保持性來看，Pansharp法的效果最優(yōu)。

3)從分類精度來看，HPF法與Pansharp法融合圖像的分類精度較高。

4)由分析結果可知，當SPOT6圖像用于目視解譯時，采用Pansharp法較為合適； 當用于計算機分類時，采用HPF法較為合適。

5)對于不同地物類型，最優(yōu)的融合方法也不同； 因此，應針對不同的應用需要，選擇不同的融合方法，以達到最好的應用效果。

由于本文采用的是在冬季獲取的SPOT6圖像，對耕地、林地等植被覆蓋區(qū)的光譜分析可能存在一定的局限性。如采用其他季節(jié)獲取的遙感圖像，需對本文的方法進行相應的修正和調整。

參考文獻(References)：

[1] 周前祥,敬忠良,姜世忠.多源遙感影像信息融合研究現(xiàn)狀與展望[J].宇航學報,2002,23(5):89-94.

Zhou Q X,Jing Z L,Jiang S Z.Comments on research and development of multi-source information fusion for remote sensing images[J].Journal of Astronautics,2002,23(5):89-94.

[2] 孔慶楠.多源遙感影像數(shù)據(jù)的融合方法探討[J].測繪與空間地理信息,2008,3(4):108-113.

Kong Q N.Discussion on the methods for multi-source remote sensing image fusion[J].Geomatics and Spatial Information Technology,2008,3(4):108-113.

[3] 姚靜,武文波,康停軍.多源遙感影像數(shù)據(jù)融合技術探討[J].測繪與空間地理信息,2008,31(1):29-31.

Yao J,Wu W B,Kang T J.Discussion on the technology of multi-source remote sensing image data fusion[J].Geomatics and Spatial Information Technology,2008，31(1):29-31.

[4] 張慶河,鄒崢嶸,余加勇.遙感影像像素級融合方法比較研究[J].測繪工程,2008,17(4):35-42.

Zhang Q H,Zou Z R,Yu J Y.Research on the fixel fusion method of remote sensing image[J].Engineering of Surveying and Mapping,2008,17(4):35-42.

[5] Pohl C,Van Genderen J L.Multisensor image fusion in remote sensing:Concept,methods and applications[J].International Journal of Remote Sensing,1988,19(5):823-854.

[6] 許民.高分辨率遙感影像融合方法研究及融合效果評價——以ALOS和SPOT的全色與多光譜影像為例[D].蘭州:蘭州大學,2010.

Xu M.Research on high resolution remotely sensed image fusion methods and evaluation of fusion quality:A case study of multi-spectral and panchromatic data of ALOS and SPOT[D].Lanzhou:Lanzhou University,2010.

[7] Clayton D G.Gram-Schmidt orthogonalization[J].Applied Statistics,1971,20(3):335-338.

[8] 初禹,單久庫,侯建國.GeoEye-1遙感影像融合效果的比較分析[J].測繪與空間地理信息,2011,34(3):21-26.

Chu Y,Shan J K,Hou J G.Comparison and analysis of the fusion results of GeoEye-1 remote sensing imagery[J].Geomatics and Spatial Information Technology,2011,34(3):21-26.

[9] 姜紅艷,邢立新,梁立恒,等.PanSharpening自動融合算法及應用研究[J].測繪與空間地理信息,2008,31(5):72-78.

Jiang H Y,Xing L X,Liang L H,et al.Study on Pansharpening auto-fusion arithmetic and application[J].Geomatics and Spatial Information Technology,2008,31(5):72-78.

[10]李存軍,劉良云,王紀華,等.兩種高保真遙感影像融合方法比較[J].中國圖象圖形學報,2004,9(11):1376-1385.

Li C J,Liu L Y,Wang J H,et al.Comparison of two methods of fusing remote sensing images with fidelity of spectral information[J].Journal of Image and Graphics,2004,9(11):1376-1385.

[11]何海鵬,何國金.IKONOS高分辨率遙感影像融合方法比較研究[J].科技導報,2009,27(5):33-37.

He H P,He G J.Comparison of image fusion algorithms for IKONOS high spatial resolution satellite image[J].Science and Technology Review,2009,27(5):33-37.

[12]樊旭艷,付春龍,韓鵬,等.QuickBird高分辨率影像融合方法比較研究[J].無線電工程,2011,41(6):19-21.

Fan X Y,Fu C L,Han P,et al.Comparison of image fusion algorithms for QuickBird high spatial resolution satellite image[J].Radio Engineering,2011,41(6):19-21.

[13]譚永生,沈掌泉,賈春燕,等.QuickBird全色與多光譜影像融合方法比較研究[J].科技通報,2008,24(4):498-503.

Tan Y S,Shen Z Q,Jia C Y,et al.Study on fusion algorithms of QuickBird PAN and multi spectral images[J].Bulletin of Science and Technology,2008,24(4):498-503.

[14]黃鶴,馮毅,張萌,等.天繪一號衛(wèi)星影像的融合及評價研究[J].測繪通報,2013(1):6-9.

Huang H,Feng Y,Zhang M,et al.Research on fusion of Mapping Satellite-1 imagery and its evaluation[J].Bulletin of Surveying and Mapping,2013(1):6-9.

[15]陳雪洋,袁超.ZY-1 02C衛(wèi)星影像融合方法評價[J].測繪與空間地理信息,2013,36(2):50-53.

Chen X Y,Yuan C.Data fusion evaluation of ZY-1 02C satellite images[J].Geomatics and Spatial Information Technology,2013,36(2):50-53.

[16]王建梅,李德仁.QuickBird全色與多光譜數(shù)據(jù)融合方法用于土地覆蓋分類中的比較研究[J].測繪通報,2005(10):37-41.

Wang J M,Li D R.A study of fusion algorithms of QuickBird pan and multispectral images for land cover classification[J].Bulletin of Surveying and Mapping,2005(10):37-41.

[17]翁永玲,田慶久,惠鳳鳴.IKONOS高分辨率遙感影像自身融合效果分析[J].東南大學學報:自然科學版,2004,34(2):274-277.

Weng Y L,Tian Q J,Hui F M.Research on the fusion effects of IKONOS high-resolution remote sensing image[J].Journal of Southeast University:Natural Science Edition,2004,34(2):274-277.