李得全，馬玉強，張福倉，申元強

(1.山金西部地質(zhì)礦產(chǎn)勘查有限公司，青海 西寧 810003；2.中國建筑材料工業(yè)地質(zhì)勘查中心青?？傟?，青海 西寧 810001)

0 引 言

自2010年“高分專項”工事實行以來，我國交叉發(fā)射了多顆陸地觀測衛(wèi)星，其中高分二號(GF-2)衛(wèi)星以其能夠提供空間分辨率高達(dá)1 m的衛(wèi)星數(shù)據(jù)深受廣大用戶的青睞，海量衛(wèi)星數(shù)據(jù)資料源源不斷地提供和推廣應(yīng)用徹底改變了以往依賴國外衛(wèi)星數(shù)據(jù)的尷尬局面。然而就GF-2衛(wèi)星數(shù)據(jù)而言，全色波段數(shù)據(jù)分辨率較高，而多光譜圖像能更細(xì)致地反映地物光譜的一些特征，如何充分融合遙感影像信息，能更好發(fā)揮最大的使用效益，眾多學(xué)者認(rèn)為對于同一種融合方式，當(dāng)數(shù)據(jù)源、參數(shù)設(shè)置或者研究目的不同時，其融合效果也會有明顯的差別[1]。文章就當(dāng)下眾多學(xué)者一直關(guān)注的圖像融合的焦點問題，以GF-2衛(wèi)星數(shù)據(jù)的礦山地物目視解譯為應(yīng)用目的，對幾種普遍常用的融合方法展開試驗及探討。

1 數(shù)據(jù)源及研究區(qū)概況

該次實驗研究所選用的衛(wèi)星數(shù)據(jù)為GF-2數(shù)據(jù)，包括1 m分辨率全色波段數(shù)據(jù)和4 m分辨率的多光譜數(shù)據(jù)，圖像經(jīng)過預(yù)處理使誤差節(jié)制在半個像元以內(nèi)，能夠有效保證多光譜數(shù)據(jù)與全色波段數(shù)據(jù)融合效果。研究區(qū)在新疆維吾爾自治區(qū)庫車縣北部約50 km處庫車礦山區(qū)。

1.1 數(shù)據(jù)源簡介

高分二號衛(wèi)星于2014年8月19日發(fā)射成功，裝有2臺高分辨率1 m全色、4 m多光譜相機，在生態(tài)環(huán)境、地質(zhì)礦產(chǎn)、農(nóng)業(yè)、林業(yè)、環(huán)境保護(hù)、災(zāi)害監(jiān)測等方面都具有很大的實用價值，是我國陸地觀測衛(wèi)星中分辨率最高的衛(wèi)星，其星下點空間分辨率可達(dá)0.8 m，亞米級的空間分辨率、定位精度、快速姿態(tài)、機動力、軌道參數(shù)參見表1，是當(dāng)前我國民用陸地觀察衛(wèi)星中的分辨率最高衛(wèi)星[2-4]。

表1 GF-2衛(wèi)星軌跡參數(shù)一覽表

1.2 試驗區(qū)概況

試驗區(qū)內(nèi)盆地和山地分明，山地為中山地貌，盆地為山前沖洪積平原，海拔在2 100 m左右；此外，實驗區(qū)內(nèi)共有采礦權(quán)19處，其中：礦山企業(yè)10處(小型礦山企業(yè)7處、中型礦山企業(yè)2處、大型礦山企業(yè)1處)，開采方式為地下開采和露天開采2種形式，礦山地下開采區(qū)域主要分布在試驗區(qū)西側(cè)，而露天開采區(qū)則主要分布在試驗區(qū)東側(cè)，地物目標(biāo)包含有礦山開采硐口、礦山開采面、礦山中轉(zhuǎn)場地、礦山固體廢棄物、礦山建筑以及礦山開發(fā)引發(fā)的滑坡、崩塌、地面塌陷等，為GF-2礦山地物識別分析提供了基礎(chǔ)。

2 圖像融合試驗

遙感圖像數(shù)據(jù)融合的過程是在統(tǒng)一的地理坐標(biāo)系統(tǒng)中，利用特定的遙感圖像進(jìn)行算法的分析，為了更好的表達(dá)該目標(biāo)信息，同時，使該圖像具有新的空間特征、波譜特征、時間特征，由此得出具有更的數(shù)據(jù)[5-6]。在融合模式上，已經(jīng)有一些傳統(tǒng)的演化算法，例如GS變換、Brovey變換、PCA變換、NNDIFFUSE演化等，因為全色帶資料與多光譜資料的頻譜響應(yīng)范圍不符，采用以上方法，融合后的圖像與多光譜圖像的顏色存在著差異[7-8]。采用GS轉(zhuǎn)換法，Brovey轉(zhuǎn)換法，PCA轉(zhuǎn)換法，NNDIFFUSE算法，對GF-2全色波段的數(shù)據(jù)進(jìn)行試驗融合。

2.1 不同融合方法原理簡介

BroveyFusion又稱顏色標(biāo)準(zhǔn)化融合(Colornormalization)融合(Colornormalization)，是美國科學(xué)家Brovey建立和推廣的模型，是一種RGB的色彩融合轉(zhuǎn)換方式，目前已有大量的應(yīng)用[9-11]。該方法主要將多光譜影像的圖像空間分解成顏色及亮度成分，并對其進(jìn)行操作(complex)。在進(jìn)行融合處理時，首先將圖像顯示的多光譜波段色彩歸一化，然后對其分別乘以多光譜圖像中的每個波段的灰度，也就是整個色影像的灰度[5，12-13]。其公式定義為：

式中：Pan表示安排巨細(xì)后的全色影像的對應(yīng)值，I0、R0、G0、R0分別表示安排巨細(xì)后的多光譜影像的對應(yīng)值，Rnew、Gnew、Rnew則分別表示融合后的多光譜影像的對應(yīng)值[14]。

PCA融合處理方法是將多波段影像轉(zhuǎn)換到各不相關(guān)的成分，然后依照特定的融合規(guī)則，將高解析度影像與低解析度影像的主要成分進(jìn)行融合處理，并以此融合后的主要成分取代原有的主要成分，最后利用反向轉(zhuǎn)換來重建融合影像的過程[15]。

GS變換(GStransformation)是一種多維線性正交轉(zhuǎn)換。在進(jìn)行GS融合時：①用多光譜影像來模擬全色影像的方法，使低通濾波產(chǎn)生低分辨率全色影像；②對多光譜影像進(jìn)行GS變換，使全色影像作為第一分量，從而得到其它分量；③將高解析度圖像進(jìn)行仿真，將校正后的圖像作為第一份量與其它重量一起進(jìn)行GS反向的，最后得到了融合后的圖像[6，12]。

通過對美國羅徹斯特理工學(xué)院(RIT)的分析，發(fā)現(xiàn)了1種新的算法。該算法利用了1種基于存儲并行編程(OpenMP)與統(tǒng)一計算裝置結(jié)構(gòu)(CUDA)技術(shù)，以改善其處理性能，與以往的方法相比，其在融合影像的品質(zhì)和處理速度上具有更大的優(yōu)勢。在不同的波長范圍不交叉的情況下，在多光譜的全部波段之間，通常情況下，全色波段幾乎能在波長區(qū)域內(nèi)覆蓋多光譜的所有波段時，其融合效果要好得多。用NNDiffuse融合方法必須符合下列條件：①低分辨率圖像的像元大小必須是高分辨率圖像的整數(shù)倍，若無，就必須進(jìn)行再制造；②圖像一定要投影信息一致；③形象的尺寸一定要一致；④保證圖像左角度對齊，不會對融合精度產(chǎn)生影響，如果配準(zhǔn)精度低于輔助像象素[12]。

2.2 融合試驗

在ENVI圖像專業(yè)處理軟件下對經(jīng)過精糾正的GF-2多光譜圖像和全色波段圖像分別進(jìn)行GS變換法、Brovey變換法、PCA變換法和NNDiffuse算法融合，融合成果采取真彩色展示，并進(jìn)行2 %“掐頭”拉伸增強處理。GF-2衛(wèi)星原始全色影像和真彩色合成多光譜影像見圖1，采用上述4種融合方式所得到的融合圖像見圖2。

圖1 試驗區(qū)GF-2衛(wèi)星原始數(shù)據(jù)

3 融合效果評價

從空間細(xì)節(jié)的加強和頻譜信息的維持2個角度，對以上不同方法的圖像進(jìn)行了主觀視覺和客觀定量對比和評價[16]，最后：NNDiffuse算法在亮度信息、清晰度和頻譜信息等方面均有較好的優(yōu)勢，融合后的圖像不但能很好地保持原始圖像的光譜特性，而且還能提高圖像的可解譯性，從而提高圖像的可解性[17]。

3.1 主觀視覺評價

從空間分析角度來看，Brovey轉(zhuǎn)換法、PCA轉(zhuǎn)換法、GS轉(zhuǎn)換法、NNDiffuse算法等已有的圖像，都會讓原來的多光譜圖像的空間解析度得到了提高，圖像資訊得到最大程度，能夠準(zhǔn)確地區(qū)分各地物的空間結(jié)構(gòu)和各個物之間的邊界線，提高判讀能力。圖像的地物感知更為強，地物的紋理也比原有的多光譜圖像更加清楚，所以在抽取圖像信息時，Brovey轉(zhuǎn)換方法的融合效果要差，從而得到更豐富、更精確的結(jié)果[5，12]。

從光譜特性上進(jìn)行分析，即Brovey轉(zhuǎn)換法融合后的圖像，其道路顏色變化最大，光譜信息損耗較大，光譜扭曲嚴(yán)重，方法受波段限制，整體光譜色調(diào)變化明顯；PCA融合法采集到的融合圖光譜信息不變較大，顏色變化較大；將NNDiffuse算法與NNDiffuse算法融合后的圖像色調(diào)與原來的多光譜圖像相近，總體上沒有過度變化，圖像的光譜信息也得到了很好的保存。通過對GS轉(zhuǎn)換法和NNDiffuse演算法的融合后的圖像進(jìn)行比較，可以看出NNDiffuse演算法的視覺效果最好，各個物料與原有相近，整體效果最佳[5，12]。

3.2 客觀定量評價

分別篩選信息熵、標(biāo)準(zhǔn)差、平均梯度、偏向指數(shù)和相關(guān)系數(shù)等5個指標(biāo)從影像的亮度信息、信息量、清晰度和光譜信息等方面的差異對4種融合方式所取得的融合圖像進(jìn)行定量比較[16]。定量比較結(jié)果見表2。

表2中不同融合法的定量評估結(jié)果分析如下：①信息熵表示圖像包含的平均信息量的多少，它是衡量圖像信息豐富程度的重要指標(biāo)，其大小為值。從表2可以看出，以上4種融合后得到的融合影像，其信息熵比原影像都要大，說明它們的信息量比原影像都要豐富；此外，NNDiffuse演算法比PCA轉(zhuǎn)換法、GS轉(zhuǎn)換法和Brovey轉(zhuǎn)換法的值更大，說明它的信息量比另外3種融合影像的信息量更豐富；此外，在一定程度上還可以用標(biāo)準(zhǔn)差來評估圖像信息量的大小，可見NNDiffuse算法對圖像進(jìn)行整合的信息量最大，其次是GS轉(zhuǎn)換法；②平均梯度反映了圖像中微小細(xì)節(jié)與紋理變化特征之間的對比能力，同時也反映了圖像的清晰度，可以看出NNDiffuse算法融合圖像的平均梯度值最大，即對微小細(xì)節(jié)和紋理特征在圖像中的反映能力更強；③偏差指數(shù)體現(xiàn)融合結(jié)果與原始圖像的偏向水平，相關(guān)系數(shù)反映融合成效與原狀圖像的相似程度，可以看出PCA變換法與Brovey變換法的偏向指數(shù)值較大，而兩者的相關(guān)系數(shù)相對較小，因此這2種融合方法獲得的融合圖像與原始圖像留有較大的失真，NNDiffuse算法與GS變換法融合結(jié)果的偏向指數(shù)在四種融合算法中相對較小，而相關(guān)系數(shù)較大，說明它們在維持圖像的光譜信息中具有較好的效果[16]。

4 礦山地物識別應(yīng)用研究

通過對試驗區(qū)(庫車礦山開采區(qū))的實地調(diào)查發(fā)覺，該實驗區(qū)內(nèi)礦山地物類型包括礦產(chǎn)資源開采井口、露天開采面、礦山開發(fā)占地(主要包括采場、中轉(zhuǎn)場地、固體廢棄物、礦山建筑)[18-19]，崩塌、泥石流、滑坡、地面采空塌陷等礦山地質(zhì)災(zāi)害和礦山環(huán)境恢復(fù)治理等信息。

該文以NNDiffuse算法融合好的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合的遙感影像為信息源，就該融合圖像下對礦山地物目標(biāo)的識別能力進(jìn)行分析研究，以明確基于NNDiffuse算法融合的GF-2衛(wèi)星數(shù)據(jù)在礦山地物識別中的應(yīng)用能力。

地物識別能力的強弱是遙感數(shù)據(jù)信息量較多的一種體現(xiàn)，信息量的大小首要在于傳感器的光譜分辨率和地面分辨率，而礦山地物的目視辨認(rèn)效果則主要從地物邊界的可圈定能力、地物內(nèi)部細(xì)節(jié)的反映能力2個方面來考察[9，20-21]，表3為基于NNDiffuse算法融合的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合影像下不同礦山地物的識別能力一覽表。從中可以看出，在該影像下不同礦山地物均可較好的識別，其邊界亦能夠準(zhǔn)確地圈定，甚至能夠判別出固體廢棄物利用狀況；此外，根據(jù)相關(guān)文獻(xiàn)研究表明人眼對于計算機屏幕的最佳辨別為0.25 mm，即在1 mm單位內(nèi)可以辨別出4個像素；最大辨別為0.5 mm，即在1 mm單位內(nèi)可以辨別出2個像素，也就是說1 mm單位內(nèi)人眼可以辨別出2～4個像素，那么可以推算出1 m空間分辨率的GF-2彩色合成影像識別最小礦山地物的面積為9 m2，即理論上對于>9 m2的礦山地物目標(biāo)均能夠識別和圈定，如理想狀況下在沒有其他地物(如植被、樹木等)干擾下能夠識別出單個的井口、對長約5 m、寬約2 m的地裂縫能夠識別出。圖3為試驗區(qū)某地下開采礦山區(qū)中轉(zhuǎn)場地1 m空間分辨率GF-2彩色合成影像，可以清晰地分辨出長約 5 m、寬約2 m的單個運輸汽車。

圖3 某礦山中轉(zhuǎn)場地遙感影像圖(數(shù)據(jù)源：GF-2，空間分辨率：1 m)

表3 GF-2衛(wèi)星1 m分辨率彩色合成影像數(shù)據(jù)判別礦山地物能力一覽表

因此，通過上述的分析研究可以表明：基于NNDiffuse算法融合的1m空間分辨率GF-2彩色合成影像在礦產(chǎn)資源開發(fā)環(huán)境遙感調(diào)查工作中能夠發(fā)揮重要的作用，理論上對于>9 m2的不同礦山地物目標(biāo)均能夠識別和圈定，完全可以解決礦山地質(zhì)環(huán)境以及礦產(chǎn)資源開發(fā)狀況遙感調(diào)查工作。就國產(chǎn)衛(wèi)星數(shù)據(jù)類型的現(xiàn)狀來看，GF-2衛(wèi)星數(shù)據(jù)是礦山遙感調(diào)查與監(jiān)測工作的最佳數(shù)據(jù)源選擇之一。

5 結(jié) 語

文章以GF-2國產(chǎn)衛(wèi)星數(shù)據(jù)為研究對象，以某礦山區(qū)為試驗區(qū)，就多光譜與全色波段數(shù)據(jù)融合圖像的礦山地物目視解譯為目的，從GS變換法、Brovey變換法、PCA變換法和NNDiffuse算法開展融合試驗研究，對4種方法融合的圖像從空間細(xì)節(jié)的加強和光譜信息的保持2個方位進(jìn)行主觀視覺和客觀定量進(jìn)行了比擬評判，得出以下結(jié)論：

(1)認(rèn)為Brovey變換法融合后影像集體光譜色調(diào)變化清晰，光譜扭曲明顯，融合效果極差，并且該方法受波段限制；PCA融合方式獲得的融合圖像的光譜信息有比較大失真；GS變換法和NNDiffuse算法融合后影像更好地保留了其光譜信息，但NNDiffuse算法融合后影像目視效果更好，所有地物的顏色與原始影像都較近乎，總體效果更好。

(2)通過基于NNDiffuse算法融合的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合圖像對礦山地物識別能力的分析研究，認(rèn)為1 m空間分辨率的GF-2彩色合成圖像對于>9 m2的不同礦山地物目標(biāo)均能夠識別和圈定。

該次實驗結(jié)果可供礦山地物信息識別應(yīng)用中的GF-2衛(wèi)星影像資料的集成處理和參考。