韓瑞梅，楊 曉，劉 培

?

基于光學(xué)和雷達(dá)遙感影像融合的地類識別研究

韓瑞梅1,2，楊 曉3，劉 培1,2

（1. 河南理工大學(xué) 礦山空間信息技術(shù)國家測繪與地理信息局重點(diǎn)實(shí)驗(yàn)室，河南 焦作 454003；2. 河南理工大學(xué) 測繪與國土信息工程學(xué)院，河南 焦作 454003；3. 浙江正元地理信息有限責(zé)任公司，浙江 德清 313200）

針對光學(xué)和雷達(dá)協(xié)同處理信息挖掘的需求，為提高主被動(dòng)遙感數(shù)據(jù)協(xié)同處理應(yīng)用于土地利用/覆蓋地類識別的能力，提出了一種改進(jìn)的光學(xué)和雷達(dá)遙感數(shù)據(jù)融合識別方法。以意大利PAVIA地區(qū)的ERS SAR和Landsat TM影像、江蘇徐州礦區(qū)的ALOS PALSAR和AVNIR-2影像對，ALOS PALSAR 和SPOT影像對為信息源，利用改進(jìn)的小波變換與色彩域變換算法進(jìn)行處理，融合結(jié)果與傳統(tǒng)的Brovey、GS、PCT、HSV、Wavelet融合算法作定量比較，并采用支持向量機(jī)（SVM）算法以相同的訓(xùn)練區(qū)分別對融合前后的影像，及不同融合結(jié)果進(jìn)行典型地物類型識別。通過融合影像定量指標(biāo)評價(jià)和識別應(yīng)用驗(yàn)證，結(jié)果表明改進(jìn)的融合算法很好地保留了融合前影像的光譜和紋理信息，且使用融合后影像識別的精度不僅明顯優(yōu)于單獨(dú)利用光學(xué)或雷達(dá)影像，而且比采用的傳統(tǒng)融合算法的識別結(jié)果也有較大提高。

光學(xué)和雷達(dá)數(shù)據(jù)；信息融合；數(shù)據(jù)挖掘；地物識別

0 引言

提高遙感影像土地利用/覆蓋類型識別精度可以從數(shù)據(jù)預(yù)處理和識別算法改進(jìn)兩方面著手。預(yù)處理過程中數(shù)據(jù)信息融合是提高地類識別精度最顯著的步驟。多源遙感數(shù)據(jù)融合，按照融合層次可分為像素級融合、特征級融合、決策級融合[1-2]。按融合算法可分為變換域分量替換融合算法；多分辨率融合方法；空間域算術(shù)運(yùn)算與濾波[3-4]。

Marcello從目視解譯和定量指數(shù)兩個(gè)方面對融合后數(shù)據(jù)的光譜和空間扭曲度比較分析了多種遙感影像融合算法，認(rèn)為從目視解譯方面來看非基于小波的融合技術(shù)能夠提供較好的空間效果，特別是色彩標(biāo)準(zhǔn)化和擴(kuò)展的快速IHS變換要比基于小波的融合算法提供更好的邊緣效果[5]。在計(jì)算機(jī)圖像處理領(lǐng)域，HIS（亮度、色度、飽和度）系統(tǒng)是和RGB顏色系統(tǒng)一樣被廣泛應(yīng)用的顏色系統(tǒng)，所具有的特征更適合應(yīng)用于融合高分辨率全色圖像和低分辨率多光譜圖像[6-7]。HSV顏色空間是另一被廣泛應(yīng)用的顏色表示系統(tǒng)，文獻(xiàn)[8]詳細(xì)介紹了從RGB顏色空間轉(zhuǎn)換為HSV顏色空間和從HSV顏色空間轉(zhuǎn)換為RGB顏色空間的數(shù)學(xué)模型?；谛〔ǖ倪b感圖像融合方法是當(dāng)前研究較多、且被證明行之有效的圖像融合方法[7]，它將小波分析的多尺度、多分辨率分析用于圖像融合，取得了良好的效果。標(biāo)準(zhǔn)小波變換的融合過程包括以下步驟：1）將配準(zhǔn)好的圖像A和圖像B分別進(jìn)行小波變換，獲取各自的低頻圖像和細(xì)節(jié)/紋理圖像；2）按一定的規(guī)則進(jìn)行篩選；3）對替代后的圖像進(jìn)行小波逆變換，得到融合結(jié)果圖像。通過把高分辨率SAR圖像融合到多光譜數(shù)據(jù)中實(shí)現(xiàn)提高多光譜光學(xué)數(shù)據(jù)的空間分辨率，GS融合策略的流程概括為[9]：①使用多光譜低分辨率遙感影像對高分辨率波段影像進(jìn)行模擬；②對低分辨率多光譜圖像和模擬的全色影像做GS變換；③通過統(tǒng)計(jì)高分辨率全色圖像來調(diào)節(jié)模擬的低分辨率全色圖像來產(chǎn)生改進(jìn)的高分辨率全色圖像；④用改進(jìn)了的高空間分辨率波段替代由GS變換后的第一個(gè)分量，產(chǎn)生一個(gè)新的數(shù)據(jù)集。將新的數(shù)據(jù)集進(jìn)行反GS變換，即可產(chǎn)生空間分辨率增強(qiáng)的多光譜影像。

從相關(guān)領(lǐng)域的研究進(jìn)展可以看出眾多學(xué)者對某一特定融合算法的改進(jìn)及融合結(jié)果定量評價(jià)進(jìn)行了大量研究，且偏向于高分辨率與多光譜數(shù)據(jù)的處理。對于光學(xué)和雷達(dá)數(shù)據(jù)的協(xié)同處理，特別是協(xié)同處理后應(yīng)用于提高土地利用/覆蓋識別精度方面的研究相對較少。本論文在前人的研究基礎(chǔ)上對小波多分辨率分析和IHS變換進(jìn)行改進(jìn)，將融合結(jié)果應(yīng)用于提高土地利用/覆蓋類型的識別研究，并通過數(shù)據(jù)融合定量評價(jià)因子和識別精度兩方面對使用進(jìn)行定量評價(jià)。

1 研究方法

由于色彩域變化算法和主成分分析算法能夠很好地保留圖像的光譜信息，多分辨率分析技術(shù)能夠完美提取高分辨率/雷達(dá)數(shù)據(jù)的紋理信息，因此在實(shí)驗(yàn)多孔小波變換（ATWT）、IHS變換、Brovey變換、GS變換、PCT變換和HSV變換等遙感數(shù)據(jù)融合方法的基礎(chǔ)上，根據(jù)融合算法的優(yōu)缺點(diǎn)，改進(jìn)了IHS融合與多孔小波變換協(xié)同的融合方法。把ATWT融合算法引入到IHS變換中，實(shí)現(xiàn)了多方法協(xié)同的融合策略。

由于IHS融合策略能夠較好的處理光譜信息，而小波策略能夠較好的處理空間信息[6,10]，IHS算法最常用的變換之一可以表示為以下數(shù)學(xué)模型：

正變換為：

式中：為亮度；1、2為中間變量；為色調(diào)；為飽和度。

小波融合的優(yōu)點(diǎn)在于能夠通過變換保留高頻的空間細(xì)節(jié)信息，同時(shí)最小化色彩失真[10]。對于×維大小空間分辨率為＋1的遙感圖像，小波多分辨率正、逆變換可以表達(dá)為公式(5)和公式(6)所示：

單純小波變換融合算法可表述為分解濾波（公式(7)）和合成濾波（公式(8)）。即：1）分別對多光譜和SAR數(shù)據(jù)進(jìn)行多孔小波變換；2）把SAR圖像的高頻信息添加到變換后的多光譜圖像中；3）進(jìn)行小波逆變換。

本論文結(jié)合已經(jīng)實(shí)現(xiàn)的IHS和ATWT小波變換，利用編程語言實(shí)現(xiàn)了多方法協(xié)同算法的基本思路為：①把多光譜由RGB空間轉(zhuǎn)為IHS空間；②對分量進(jìn)行小波變換；③對SAR圖像進(jìn)行濾波去噪，并將去噪后的SAR數(shù)據(jù)與分量進(jìn)行直方圖匹配生成新的SAR圖像SAR￠；④對SAR￠進(jìn)行小波分解；⑤將分量小波域近似圖像注入SAR￠小波域近似圖像，生成新的小波域分解結(jié)構(gòu)；⑥對5的結(jié)果進(jìn)行小波逆變換獲取新的分量￠；⑦用￠替換進(jìn)行IHS逆變換，獲取最終融合結(jié)果。實(shí)現(xiàn)過程如圖1所示。

對于融合后影像從定性和定量兩個(gè)方面進(jìn)行評價(jià)，定性方面主要是目視解譯，定量方面采用融合評價(jià)指標(biāo)和融合后分類精度進(jìn)行評價(jià)。本研究采用的融合定量指標(biāo)有以下幾種：①相關(guān)系數(shù)。相關(guān)系數(shù)反映了圖像之間的相關(guān)性，融合影像與多光譜影像的相關(guān)系數(shù)能反映融合影像對原影像的保光譜能力；與雷達(dá)影像的相關(guān)系數(shù)能反映融合影像空間分辨率改善程度。②偏差指數(shù)。偏差指數(shù)是融合影像與低分辨率影像差值的絕對值與其低分辨率影像值之比，偏差指數(shù)一定程度上反映了融合后圖像對原始圖像光譜信息的保存能力，其值越小，說明融合后圖像保真能力越強(qiáng)。③信息熵。熵是從信息量方面來評價(jià)影像質(zhì)量的，反映了融合后影像信息的增加程度，融合后的圖像熵值越大圖像中蘊(yùn)含信息量越多，反之越少。④平均梯度。平均梯度反映圖像中微小細(xì)節(jié)反差與紋理變化特征，表征影像的清晰程度。

圖1 改進(jìn)的融合算法

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)區(qū)域與數(shù)據(jù)集

實(shí)驗(yàn)選取徐州市西部礦區(qū)2003年10月28日的SPOT多光譜數(shù)據(jù)和2008年11月9日的ALOS PALSAR數(shù)據(jù)，數(shù)據(jù)大小為1530×643像素，重采樣后空間分辨率為10m×10m；以及2008年11月12日和9日獲取的ALOS多光譜數(shù)據(jù)和雷達(dá)數(shù)據(jù)；和1994年10月3日、1994年4月7日獲取的意大利北部PAVIA地區(qū)的Landsat TM數(shù)據(jù)和ERS SAR 數(shù)據(jù)為數(shù)據(jù)源，數(shù)據(jù)大小為787×787像素，空間分辨率30m×30m。所用數(shù)據(jù)源如表1所示。所選用數(shù)據(jù)集在研究區(qū)的光學(xué)和雷達(dá)數(shù)據(jù)分別如圖2，圖3和圖4所示。實(shí)驗(yàn)過程中首先對所選取典型區(qū)域的傳統(tǒng)融合、識別算法、以及改進(jìn)的融合、識別算法進(jìn)行比較分析，然后基于融合結(jié)果進(jìn)行識別算法實(shí)驗(yàn)，提取地表覆蓋信息，并對識別結(jié)果進(jìn)行分析。對3套不同數(shù)據(jù)集從融合后目視解譯、融合定量評價(jià)指標(biāo)和融合后識別結(jié)果3方面進(jìn)行評價(jià)。

表1 所采用數(shù)據(jù)源

2.2 徐州市SPOT和PALSAR數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析

對原始數(shù)據(jù)的預(yù)處理包括，光學(xué)SPOT多光譜數(shù)據(jù)的輻射校正，對SAR數(shù)據(jù)的斑點(diǎn)濾波處理，對光學(xué)和SAR數(shù)據(jù)之間的幾何配準(zhǔn)校正，配準(zhǔn)誤差控制在0.5個(gè)像元之內(nèi)。分別利用融合算法中色彩標(biāo)準(zhǔn)化融合、G_S證據(jù)理論融合、HSV變化融合、PC變化融合，小波變換、改進(jìn)的多方法協(xié)同的融合算法對數(shù)據(jù)集SPOT_PALSAR進(jìn)行融合，部分融合結(jié)果如圖5所示。

圖2 研究區(qū)光學(xué)和雷達(dá)數(shù)據(jù)

圖3 研究區(qū)光學(xué)和雷達(dá)數(shù)據(jù)

圖4 研究區(qū)光學(xué)和雷達(dá)數(shù)據(jù)

圖5 ALOS雷達(dá)數(shù)據(jù)與SPOT多光譜數(shù)據(jù)融合效果圖

融合后的圖像可以從定性、定量指標(biāo)以及融合后應(yīng)用效果等多個(gè)方面進(jìn)行評價(jià)。李霞等、周芳等、朱亞輝和彭國華的研究表明雖然定量評價(jià)的方法在一定程度上優(yōu)于主觀性強(qiáng)的定性評價(jià)，但眾多的定量評價(jià)指標(biāo)間差異性較大，建議多種評價(jià)方法綜合運(yùn)用，更有助于最終結(jié)果的驗(yàn)證[11-13]。本研究分別計(jì)算融合結(jié)果的熵、平均梯度、相關(guān)系數(shù)和偏差指數(shù)，如表2所示。從不同的融合結(jié)果可以看出來，Wavelet融合結(jié)果和改進(jìn)的多方法協(xié)同融合結(jié)果要明顯優(yōu)于傳統(tǒng)的融合算法，圖像紋理清晰，光譜扭曲、失真度小，達(dá)到了主被動(dòng)數(shù)據(jù)融合的目的。分析融合定量評價(jià)指標(biāo)可以看出，HSV方法融合后圖像信息最豐富，多方法協(xié)同算法次之；多方法協(xié)同融合后圖像相似性最大，光譜扭曲程度幾乎最小，從目視解譯的結(jié)果來看，多方法協(xié)同算法融合后的結(jié)果也比較理想。

西班牙的哈武戈（Jabugo）地區(qū)是伊比利亞黑豬的重要產(chǎn)地，那里環(huán)境清潔，水草豐美。以半野生狀態(tài)生活在那里的伊比利亞黑豬，以林木的果實(shí)、牧草和谷物為食，待到橡樹結(jié)果時(shí)，小黑豬便會食用大量的橡果。伊比利亞黑豬是非常優(yōu)質(zhì)的肉類食材，是聞名世界的伊比利亞火腿的原材料。

在融合后識別實(shí)驗(yàn)中通過Jeffries-Matusita（JM）距離計(jì)算感興趣區(qū)域Region of Interesting（ROI）的可分離性，根據(jù)研究區(qū)主要地表覆蓋情況，利用專家知識解譯獲取研究區(qū)域地表真實(shí)類別圖，JM距離定量獲得的轉(zhuǎn)換分離度（Transformed Divergence）取值區(qū)間為0～2，大于1.9說明樣本之間可分離性好；1.4～1.8屬于合格樣本，小于1.4需要重選樣本，小于1可考慮將兩類合成一類樣本，把融合后數(shù)據(jù)分為3類：水體、人工建筑和其它類別。其它類別主要包括裸土和農(nóng)業(yè)用地，比如植被覆蓋區(qū)域等。其中部分識別結(jié)果圖和地表真實(shí)結(jié)果如圖6所示。并對識別精度進(jìn)行統(tǒng)計(jì)（表3所示），綜合分析融合算法對識別精度的影響，融合后識別精度與定量評價(jià)指標(biāo)之間的關(guān)系。

從識別精度統(tǒng)計(jì)數(shù)據(jù)可以看出，融合算法的數(shù)據(jù)識別精度要優(yōu)于僅用雷達(dá)數(shù)據(jù)識別的結(jié)果，多方法協(xié)同融合算法的識別精度要優(yōu)于單獨(dú)使用光學(xué)或雷達(dá)數(shù)據(jù)的識別結(jié)果。通過光學(xué)與雷達(dá)數(shù)據(jù)融合，既保存了多光譜數(shù)據(jù)的光譜特性同時(shí)又獲取了雷達(dá)數(shù)據(jù)的紋理特征信息，不僅有利于目視解譯也更有利于地圖制圖。

通過表3和圖7分析SPOT-PALSAR數(shù)據(jù)集的地物識別精度與融合定量評價(jià)指標(biāo)之間的關(guān)系可以看出，獲得高偏差指數(shù)值和低相關(guān)性的融合圖像能夠獲取較好的地物識別結(jié)果。分析融合定量評價(jià)指標(biāo)可以看出，HSV方法融合后圖像信息最豐富，ATWT算法次之；ATWT融合后圖像相似性最大，光譜扭曲程度幾乎最小，從目視解譯的結(jié)果來看，ATWT算法融合后的結(jié)果也比較理想。

表2 SPOT和PALSAR融合定量評價(jià)表

圖6 SPOT和PALSAR識別結(jié)果

Fig.6 Recognition of result and ground truth

表3 SPOT 和 PALSAR識別精度統(tǒng)計(jì)表

圖7 SPOT和PALSAR識別精度和定量指標(biāo)分析

2.3 徐州市ALOS AVNIR-2和PALSAR數(shù)據(jù)實(shí)驗(yàn)結(jié)果

對多源遙感影像進(jìn)行幾何精校正，校正后總殘差RMS為0.390元。采用Brovey變換、高通濾波、PC變換和Wavelet變換等融合算法，評價(jià)指標(biāo)因子采用信息熵、平均梯度、相關(guān)系數(shù)、偏差指數(shù)等定量指標(biāo)與目視評價(jià)相結(jié)合的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證，其中融合結(jié)果如圖8所示。

圖8 ALOS 多光譜與雷達(dá)數(shù)據(jù)融合效果

從目視效果來看，6種融合方法都不同程度地提高了圖像的空間分辨率，豐富了圖像細(xì)節(jié)，使圖像更容易判讀分析。從定量的角度分別計(jì)算了不同融合方法評價(jià)指標(biāo)（表4所示）。通過分析表3和表4可以看出：

1）對于同一傳感器獲取的SAR和光學(xué)數(shù)據(jù)，小波融合信息熵最大，表明光學(xué)與雷達(dá)數(shù)據(jù)融合時(shí)，小波算法融合增加信息量最多融合后圖像信息量最大；同時(shí)小波融合的梯度值也是最大，表明小波融合后圖像最為清晰，這和目視效果保持一致；高通濾波的相關(guān)系數(shù)最大，偏差指數(shù)最小，兩者十分一致，表明高通濾波融合后圖像具有高保真能力。

2）通過比較，可以得出主被動(dòng)數(shù)據(jù)融合后圖像清晰度和信息量豐富度方面依次是小波融合、高通濾波融合、PC變換融合、Brovey變換融合；從融合后圖像的保真能力來看依次是高通濾波、PC變換、小波融合和Brovey變換；可以得出在處理主被動(dòng)光學(xué)與雷達(dá)數(shù)據(jù)融合時(shí)，高通濾波、小波變換都能得到較好融合效果，PC變換效果次之，Brovey變換融合效果最差。

3）通過各定量指標(biāo)評價(jià)和各融合算法比較可以看出，在對相同分辨率的不同傳感器多光譜數(shù)據(jù)和同一雷達(dá)數(shù)據(jù)融合試驗(yàn)中，不同融合算法間有較高的一致性和較小的差異性，小波算法的優(yōu)越性和較強(qiáng)的適應(yīng)性得以體現(xiàn)。

對于AVNIR-2和PALSAR數(shù)據(jù)集分別以Brovey、GS、HSV、主成分分析、小波變換和多孔小波混合IHS變化等融合方法為融合策略，選取具有代表性的地表覆蓋類型水體、包括建筑、道路、裸地等的城市區(qū)域和以植被、農(nóng)田為主的其它區(qū)域，采用SVM算法對融合后圖像進(jìn)行識別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖9所示。并通過人工專家識別確定地表真實(shí)類別作為驗(yàn)證結(jié)果進(jìn)行評價(jià)分析，分別獲得單獨(dú)使用雷達(dá)數(shù)據(jù)的識別精度、單獨(dú)使用光學(xué)圖像的識別精度、協(xié)同光學(xué)與雷達(dá)數(shù)據(jù)的識別精度以及多種融合算法的識別精度。

從ALOS AVNIR-2 PALSAR數(shù)據(jù)融合后識別精度表可以看出，融合后的識別結(jié)果都不同程度改善了地物提取精度，改進(jìn)的多方法協(xié)同算法對AVNIR-2、PALSAR數(shù)據(jù)對的融合后識別精度改善最為明顯，相比單獨(dú)使用SAR數(shù)據(jù)的識別精度高出10.41個(gè)百分點(diǎn)，比單獨(dú)使用光學(xué)數(shù)據(jù)的識別精度高出9.27個(gè)百分點(diǎn)，在AVNIR-2、PALSAR數(shù)據(jù)對的融合后識別實(shí)驗(yàn)中，改進(jìn)的融合結(jié)果在應(yīng)用于土地利用識別方面也達(dá)到了最優(yōu)精度。

表4 AVNIR-2和PALSAR數(shù)據(jù)融合定量評價(jià)

圖9 AVNIR-2 和PALSAR 識別結(jié)果

為了更好地分析光學(xué)與雷達(dá)數(shù)據(jù)融合后對典型地表覆蓋類型識別能力的影響，綜合表4、表5和圖10分析了融合后圖像的總體識別精度與融合圖像定量指標(biāo)之間的關(guān)系。通過對以上圖表分析，可以看出如果融合后圖像通過定量評價(jià)指標(biāo)評價(jià)獲得高DI值、低CC值，則融合后圖像能夠獲取較好的識別結(jié)果。而且分析融合定量評價(jià)指標(biāo)可以看出，HSV方法融合后圖像信息最豐富，多方法協(xié)同算法次之；多方法協(xié)同融合后圖像相似性最大，光譜扭曲程度幾乎最小，從目視解譯的結(jié)果來看，多方法協(xié)同算法融合后的結(jié)果也比較理想。

表5 AVNIR-2 和 PALSAR識別精度統(tǒng)計(jì)表

2.4 PAVIA ERS和Landsat數(shù)據(jù)實(shí)驗(yàn)結(jié)果

預(yù)處理包括對TM數(shù)據(jù)的輻射校正，光學(xué)和SAR數(shù)據(jù)之間的幾何校正，配準(zhǔn)誤差控制在0.5像元內(nèi)，和對SAR數(shù)據(jù)進(jìn)行斑點(diǎn)濾波處理。分別利用融合算法中色彩標(biāo)準(zhǔn)化融合、G_S證據(jù)理論融合、HSV變化融合、PC變化融合，小波變換、改進(jìn)的多方法協(xié)同進(jìn)行實(shí)驗(yàn)，部分結(jié)果如圖11所示。

從不同的融合結(jié)果圖可以看出來，Brovey、HSV、PCT、GS等基于變量替換、數(shù)學(xué)運(yùn)算的融合方法效果都比較差，而基于多尺度分析的小波理論更適合SAR與多光譜數(shù)據(jù)的融合，其中融合效果最好的為改進(jìn)的多方法協(xié)同融合算法。HSV、PCT、GS方法光譜扭曲嚴(yán)重，基于多尺度小波變換的融合方法不僅較好地保留了SAR圖像的紋理信息，同時(shí)光譜保真度也比較好。改進(jìn)的多方法協(xié)同融合方法與原始小波算法相比進(jìn)一步提高了融合效果，特別是建筑分布密集的城市區(qū)域，紋理更加清晰，光譜逼真程度也比較好。

圖10 AVNIR-2和PALSAR定量評價(jià)指標(biāo)與識別精度的關(guān)系

分別計(jì)算融合結(jié)果的熵、平均梯度、相關(guān)系數(shù)和偏差指數(shù)，從定量指數(shù)的角度對融合結(jié)果進(jìn)行評價(jià)。計(jì)算融合前后的均值，結(jié)果如表6所示。從表6可以看出改進(jìn)的多方法協(xié)同融合算法和GS算法比其它算法更好地增加了融合后圖像的紋理信息，多方法協(xié)同算法與原始數(shù)據(jù)多光譜數(shù)據(jù)相關(guān)性最好，光譜扭曲度最小。

為了方便對比分析，同時(shí)也受限于專家知識解譯獲取的研究區(qū)域地表參考類別圖，同樣把融合后數(shù)據(jù)分為3類：水體、人工建筑和其它類別。其它類別主要包括裸土和農(nóng)業(yè)用地，比如植被覆蓋區(qū)域等。其中部分識別結(jié)果圖和地表真實(shí)結(jié)果如圖12所示。并對識別精度進(jìn)行統(tǒng)計(jì)（表7），綜合分析融合算法對識別精度的影響，融合后識別精度與定量評價(jià)指標(biāo)之間的關(guān)系。

從識別結(jié)果可以看出，HSV，GS，PCT和特征組合的數(shù)據(jù)融合方法都不同程度地提高了融合后識別的精度，其中PCT變化融合方法提高的精度最大，ATWT融合算法較大程度地提高了圖像的目視解譯能力，Brovey算法不適合ERS和TM組合的數(shù)據(jù)融合，目視解譯，定量指數(shù)和識別精度不能達(dá)到令人滿意的效果。為了進(jìn)一步解譯分析表7中的識別精度數(shù)據(jù)，圖13揭示了識別精度與定量指標(biāo)之間的關(guān)系，通過分析融合識別精度數(shù)據(jù)與融合定量評價(jià)指標(biāo)可以看出來，偏差指數(shù)越大，相關(guān)系數(shù)越小融合后識別結(jié)果越好。事實(shí)上大的偏差指數(shù)意味著較多的SAR數(shù)據(jù)信息被保存在了融合結(jié)果的數(shù)據(jù)中。

圖11 ERS和Landsat 多光譜與雷達(dá)數(shù)據(jù)融合效果

表6 TM和ERS定量指標(biāo)分析

表7 識別精度分析

圖12 ERS 和 Landsat 數(shù)據(jù)融合識別結(jié)果圖

Fig.12 Recognition result of AVNIR-2 and PALSAR fusion data

3 結(jié)束語

本論文主要研究和改進(jìn)了基于多方法協(xié)同的主被動(dòng)光學(xué)和雷達(dá)遙感數(shù)據(jù)融合識別策略，并進(jìn)行了實(shí)驗(yàn)和相關(guān)分析，結(jié)果表明構(gòu)建的基于多分辨率分析數(shù)據(jù)信息融合算法是最穩(wěn)健有效的。研究過程中，首先利于多種融合算法對光學(xué)遙感數(shù)據(jù)和SAR雷達(dá)數(shù)據(jù)進(jìn)行融合，對其中的小波融合方法進(jìn)行改進(jìn)，并對融合結(jié)果從定性、定量兩個(gè)方面進(jìn)行評價(jià)分析。通過融合定量指標(biāo)分析及融合后識別應(yīng)用驗(yàn)證，結(jié)果進(jìn)一步驗(yàn)證數(shù)據(jù)融合具有充分利用光學(xué)和SAR數(shù)據(jù)信息的能力，改進(jìn)的融合方法在ERS雷達(dá)、Landsat光學(xué)數(shù)據(jù)集中，達(dá)到次優(yōu)識別效果；在SPOT光學(xué)、PALSAR數(shù)據(jù)集和AVNIR-2、PALSAR數(shù)據(jù)集實(shí)驗(yàn)中，都到達(dá)最優(yōu)識別效果。

圖13 Landsat 和ERS識別精度與定量指標(biāo)分析

[1] 賈永紅. 多源遙感影像數(shù)據(jù)融合技術(shù)[M]. 北京: 測繪出版社, 2005.

[2] Mitchell H.,[M]. Springer-Verlag Berlin Heidelberg: 2010.

[3] 吳艷. 多傳感器數(shù)據(jù)融合算法研究[D]. 西安: 西安電子科技大學(xué), 2003.

[4] 杜培軍. 遙感科學(xué)與進(jìn)展[M]. 江蘇: 中國礦業(yè)大學(xué)出版社, 2007.

[5] Marcello J, Medina A, Eugenio F. Evaluation of Spatial and Spectral Effectiveness of Pixel-Level Fusion Techniques[J].,, 2013(10): 432-436.

[6] Zhang Y. Hong G. An IHS and wavelet integrated approach to improve pan-sharpening visual quality of natural colour IKONOS and QuickBird images Information Fusion[J]., 2005(6): 225-234.

[7] 高文濤, 汪小欽, 凌飛龍, 等. 雷達(dá)與光學(xué)圖像小波融合方法研究[J]. 地球信息科學(xué), 2007, 9(4): 129-133.

[8] Huang Min-min , Leng Jin-Song , Xiang Chang-cheng. A study on HIS, WT and HSV, WT methods of image fusion information[C]//2008, 2008(1): 665 -668.

[9] Metwalli M R, Nasr A H. Satellite image fusion based on principal component analysis and high-pass filtering[J]., 2010, 27: 1385-1394.

[10] Amolins, K, Zhang Y, Dare P. Wavelet based image fusion techniques——An introduction, review and comparison[J]., 2007, 62: 249-263.

[11] 李霞, 朱倩, 張昆, 等. 不同地貌的TH-1遙感影像融合質(zhì)量評價(jià)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2014, 11(4): 1-8.

[12] 周芳, 王鵬波, 李春升, 等. 遙感圖像融合效果評估方法[J]. 現(xiàn)代雷達(dá), 2013(3): 19-23.

[13] 朱亞輝, 彭國華. 基于奇異值分解的圖像融合效果綜合評價(jià)研究[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2013(2): 25-28.

Land Cover Identification Based on Optical and SAR Remotely Sensed Data Fusion

HAN Rui-mei1,2，YANG Xiao3，LIU Pei1,2

(1.,,454003,; 2.,,454003,; 3..,.,313200,)

In order to improve the effection of optical and SAR data collaboratively processing for land use/ land cover identification, a modified optical and SAR data fusion method is proposed in this research. The modified wavelet transform and color domain transform method is applied on ERS SAR and Landsat TM optical dataset over PAVIA city of Italy, ALOS PALSAR and AVNIR-2 optical dataset, ALOS PALSAR and SPOT dataset over Xuzhou mining area of Jiangsu province. The processing outcomes were compared with results of traditional fusion methods such as Brovey, GS, PCT, HSV, Wavelet through entropy, correlation coefficient, average gradient, deviation index, quantitative fusion evaluation indices, etc. And SVM classifier was also selected to generate land use/ land cover types of original data and different fusion outcomes with the same train samples. The results were evaluated by quantitative indexes for fused images and overall accuracy for classification maps, and which demonstrates that the modified multi-method collaboration strategy not only observed spectral and texture information, but also improved classification accuracy than only optical or SAR data, even outcomes of the traditional image fusion algorithms.

optical and SAR data，information fusion，data mining，land use/cover identification

TP391

A

1001-8891(2015)11-0949-07

2015-03-19；

2015-04-30.

韓瑞梅（1984-），女，河南洛陽人，講師，碩士，主要從事遙感理論教學(xué)及遙感影像處理與應(yīng)用研究。E-mail：hrm@hpu.edu.cn。

劉培（1985-），男，河南許昌人，講師，博士，主要從事遙感理論教學(xué)及可見光與紅外遙感數(shù)據(jù)處理。E-mail：liupeirs@126.com。

河南省高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金，編號：NSFRF140113；河南理工大學(xué)博士基金，編號：B2015-20；國家自然科學(xué)基金委員會與神華集團(tuán)有限責(zé)任公司聯(lián)合資助項(xiàng)目，編號：重點(diǎn)項(xiàng)目U1261206，培育項(xiàng)目U1261106；測繪地理信息公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目，編號：201412020；河南理工大學(xué)青年基金，編號：Q2015-3；焦作市科技計(jì)劃項(xiàng)目，編號：2014400003。