基于多源遥感数据的融合算法变换效果对比研究

杨佳佳，冯雨林，孙中任，高 铁

中国地质调查局沈阳地质调查中心（沈阳地质矿产研究所），辽宁沈阳110034

基于多源遥感数据的融合算法变换效果对比研究

杨佳佳，冯雨林，孙中任，高 铁

中国地质调查局沈阳地质调查中心（沈阳地质矿产研究所），辽宁沈阳110034

随着多源遥感影像融合技术的成熟发展，如何提高高分辨率遥感数据的利用效益和使用质量已经成为影响其应用效果的瓶颈问题.针对QucikBird-2高分遥感数据光谱分辨率不足等问题，结合ASTER多光谱遥感数据，引入3种融合方法：主成分分析（PCA）融合、小波PCA融合和基于小波的IHS（色度、亮度、饱和度变换）融合，实现了对多光谱图像和高分辨率图像的融合，得到了多光谱高分辨率影像，使得在增强影像空间分辨率的同时也尽可能地保留了影像的多光谱信息.最后对3种融合方法的结果进行了定性和定量评价.

遥感；高分辨率；融合；图像增强

0 引言

遥感技术的发展使我们可以获得更高空间分辨率的影像，在轨运行的QuickBird-2可以获得0.61 m分辨率的数据，而Terra卫星上的ASTER传感器可以获得从可见光到热红外的14个波谱通道.这些影像为地物观测提供了更加精确的地物尺寸、形状，更加丰富的信息和细节，有着广泛的应用前景.

随着影像空间分辨率的提高，数据量随之也大幅度增加，地物信息呈现高度细节化.而先前大部分的遥感图像目视解译及地物分类是建立在中低分辨率影像的基础上的，传统的融合方法无法有效地提高高分辨率遥感数据的解译水平［1］.因此，针对高分辨率遥感影像的融合技术问题，诸多学者进行了不懈的探索. Chibani等［2］给出了IHS变换与多分辨小波变换相结合的融合方法；Myint［3］利用小波提取区域的纹理特征以弥补光谱特征的不足；Kontoes［4］认为核空间可能产生低维光谱特征所不具备的新特征，从而提高高分辨率影像的分类精度；黄昕等［1］提出一种邻域多尺度特征融合算法，通过提取多尺度下不同邻域的空间特征，结合支持向量机这一模式识别工具进行分类，然后根据不同尺度的特点进行了决策级融合.冯昕等［5］利用北京市QuickBird影像，使用面向对象信息提取技术，对北京市部分地区用地类型进行分类.

本文基于QucikBird-2和ASTER数据影像，以高分辨率影像融合应用为目标，利用遥感影像融合技术，比较不同处理技术对融合结果质量的影响，并对结果进行定性和定量评价.基于多种遥感数据源，对比并评价IHS变换、PCA分析、小波融合3种融合技术及它们之间结合运用在提高空间分辨率、保持原始图像光谱信息方面的优劣.

1 图像增强及融合方法

1.1 图像增强的概念

图像增强是按照特定的需要突出一幅图像的某些信息，同时削弱或去除某些不需要的信息的处理方法，主要目的是扩大不同图像特征之间的差别，以便提高对图像的解译和分析能力，使之更适合实际应用.

1.2 融合方法的介绍

图像融合是指将多源信息通道采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度地提取各自信道中的有用信息合成高质量的图像.融合影像产生的数据不仅具有原始影像的优点，而且减少了识别目标的模糊性和不确定性，提高遥感图像整体质量和综合分析精度，同时又能满足遥感地物分类需要更多光谱信息和空间纹理信息的要求.本次研究所采用的融合方法有以下3种［6］.

1）假彩色变换（IHS彩色变换）

IHS变换是将多光谱的RGB图像数据变换到IHS空间，得到3个独立的分量.首先将高分辨率图像数据经过适当的拉伸，使得它的方差和均值变换到和I分量一致，然后用拉伸后的数据替换I分量，得到I′，最后将I′、H和S变换回RGB空间，得到融合图像（图1）［7］.

图1 IHS彩色变换流程图Fig.1 Flow chart of IHS color conversion

其中，I表示亮度；H表示色度；S表示饱和度；R、G、B分别表示红、绿、蓝；Pan表示高分辨率全色波段.

优点：IHS融合方法完整地保留了Pan图像的空间信息.缺点：以Pan图像完全地替换I分量破坏了ASTER图像的光谱信息，导致比较严重的光谱（颜色）失真，而且这种方法只能融合3个波段的ASTER数据.

2）PCA（主成分分析）

PCA变换是统计特征基础上的多维正交变换，在消除模式特征之间的相关性，突出差异性方面有最优的效果.主成分变换融合的具体步骤为：

①参与法

②替换法

其中，RV表示象征性的分辨率融合符号；MS表示多光谱低分辨率波段变量；PC表示主成分波段变量；m表示波段数；Pan代表高分辨率波段变量.

优点：PCA方法侧重于尽可能多地保留Pan图像的空间信息.缺点：以Pan图像直接替换PC1会产生较严重的光谱失真.

3）小波变换

小波变换可有效地增强多光谱图像的空间细节表现能力，并能保持图像融合前后的光谱特性［8-9］.小波分解变换过程如图2所示.其中，xi、yi分别代表第i级小波分解后图像的近似部分（低频部分，反映影像的整体视觉信息）和细节部分（高频部分）的小波系数矩阵（图2）.

图2 小波变换流程图Fig.2 Flow chart of wavelet transform

通过将小波变换与PCA变换、IHS变换相结合的融合方法，既利用了小波变换后可以保留影像融合后的光谱信息，又利用PCA变换、IHS变换融合法来增强多光谱影像的空间细节信息，提高结果影像的地物纹理特性［10］（图3、4）.

①小波IHS融合

图3 基于IHS彩色变换的小波融合变换流程图Fig.3 Flow chart of wavelet transform fusion based on IHS transform

②小波PCA融合

图4 基于PCA变换的小波融合变换流程图Fig.4 Flow chart of wavelet transform fusion based on PCA transform

2 研究区简介及数据预处理

2.1 研究区地理概况

研究区属于青海省格尔木市乌图美仁乡管辖区，乡政府距格尔木市区约180km.全乡海拨2790～3098m，行政区域面积近3.5×104km2，南与玉树州相邻，北与大柴旦、茫崖接壤，东起中灶火，西至甘森，占全市区域总面积的29%.乌乡是格尔木市重要的有色金属原产地，辖区内有丰富的铜、铅、锌、铁等矿产资源及野牦牛、野驴、藏羚羊等珍稀野生动物等，是一个具有资源和旅游开发潜力的地区.

2.2 数据简介及预处理

1）数据简介

ASTER是Terra卫星上的一种高级光学传感器，包括了从可见光到热红外共14个光谱通道，可以为多个相关的地球环境资源研究领域提供科学、实用的卫星数据［6］.QuickBird-2卫星是由“数字全球”公司于2001年10月19日用波音德尔塔-2火箭成功发射的高分辨率商用卫星.卫星的全色图像分辨率为0.61 m，多光谱图像分辨率为2.5 m.Terra卫星的ASTER数据与QuickBird-2卫星数据相比（表1），其空间分辨率与光谱分辨率都有了很大的提高.

2）数据预处理

①光谱反射转换

下列公式将DN值转换为光谱反射值.

表1 ASTER与QuickBird-2数据比较Table 1 Comparison between ASTER and QuickBird-2 data

其中，L是波段的光谱辐射值，K是波段复合反射转换因子，△是波段有效波长.结果是大气层上的DN值.

传感器对反射的总量（Ltotal）主要包括以下几方面.太阳直接辐射（Ldirect）：地物直接反射太阳光辐射.散射光（Lupwelling）：太阳光在大气中向上的散射.

散射反射（Ldownwelling）：太阳光经过大气散射照射到地物，再向上反射到传感器.

②反射校正

通常情况下，传感器接收到处在阴影中地物的反射主要是散射光，我们估计光路反射贡献值通过传感器波段直方图的低的一端来实现.一旦光路反射估计出来，从每个波段中减去即可.结果为光路反射校正DN值.

转换为光路反射校正DN值后，影像做了非线性拉伸.直方图截取通常将高端和低端的信息裁掉.

按照如下公式拉伸：

其中，DNstretch代表拉伸后的DN值；DNPRC是光路反射校正DN值；Lo_cutoff和Hi_cutoff分别是低端和高端截取值；G是Gammar因子.

③动态范围调整

为了正确显示QuickBird-2影像，设备色彩定标非常重要.从使用的不同要求出发，辐射定标分相对定标和绝对定标.相对定标只是确定场景中各像元之间、各探测器之间、各谱段之间以及不同时间测得的辐射度量的相对值，相对定标可用于消除由于探测器响应不一致引起的辐射度量误差.绝对定标是确定星载传感器输出量与它入瞳处辐射度量之间的关系.

3 融合结果及评价

3.1 融合过程及结果

1）数据统计以及最佳波段组合选择

一般图像中波段之间是相关的，因此需要一些统计值来定量地表示其相关程度.其中相关系数和协方差是变量之间相关程度的指标.协方差是计算图像中两波段的像元值和其他各波段均值之差的乘积的平均值，用两波段之间的协方差除以各波段的标准差，就得到其相关系数R，相关系数的取值范围为［-1，1］.|R|值越大，变量之间的线性相关程度越高.

QuickBird-2数据各波段的标准差大小顺序为：波段4>波段3>波段2>波段1.ASTER数据各波段的标准差大小顺序为：波段4>波段7>波段3>波段5>波段6>波段8>波段2>波段9>波段1（表2、3）.

表2 QuickBird-2数据波段信息量统计Table 2 The amount of information statistics of QuickBird-2 bands

表3 ASTER数据波段信息量统计Table 3 The amount of information statistics of ASTER bands

QuickBird-2数据4个波段的相关系数差别不大，由于波段4的标准差最大，而且波段4处于近红外波段，为了增加图像的信息量，以波段4为基准，发现其与波段2、波段3相关性最为明显，其系数达到0.99以上，说明两者在光谱信息上有很强的一致性.而波段4和波段3之间的协方差相对较小.同时发现波段1与波段2的相关系数偏大，而波段1与波段3相关系数相对较小，同时协方差也最小，由此可见两波段之间具有较强的独立性（表4、5）.

表4 QuickBird-2数据波段相关性分析Table 4 Correlation analysis of QuickBird-2 bands

表5 QuickBird-2数据波段协方差分析Table 5 Covariance analysis of QuickBird-2 bands

ASTER数据9个波段的相关系数差别不大，由于波段7的标准差最大，而且波段7处于近红外波段，为了增加图像包含的信息量，以波段7为基准，发现其与近红外5个波段相关性最为明显，其系数基本都达到0.98以上，说明它们之间在光谱信息上有很强的一致性.同时发现波段7与波段3的相关系数为最小，协方差也相对较小.波段3与波段1的相关系数和协方差都相对偏小，由此可见两波段之间具有较强的独立性（表6、7）.

通过分析后，确定了以4（R）、3（G）、1（B）波段组合作为QuickBird-2数据进行融合的彩色基础图像，R（7）G（3）B（1）波段组合作为ASTER数据进行融合的彩色基础图像.为了便于分析，将波段7（分辨率30 m）通过栅格重采样转化为与波段3、1相同的分辨率（15 m），通过重采样操作，将低空间分辨率的多光谱遥感影像重采样成与高空间分辨率的全色影像相同的分辨率，得到的图像将同时具有高光谱分辨率和高空间分辨率的信息.

该组合图像集结了近红外及可见光波段信息的优势，色彩反差明显，清晰度高，层次感好，具有极为丰富的地质信息，可解译程度高，不同类型的岩石边界清晰，岩石地层单元的边界、特殊岩性的展布也显示的较为清楚.

表6 ASTER数据波段相关性分析Table 6 Correlation analysis of ASTER bands

表7 ASTER数据波段协方差分析Table 7 Covariance analysis of ASTER bands

2）融合结果如图5、6、7及8所示.

图5 QuickBird-2数据PCA融合结果Fig.5 PCA fusion result about QuickBird-2 data

3.2 融合评价

3.2.1 定性评价

通过对融合图像和原始图像进行分类，根据该图像内实际的地物解译适合解译水平作为参考，比较融合后图像和融合前图像分类的结果，以判断融合的质量.主要以目视判读为主，因人而异，具有主观性.

图6 QuickBird-2数据IHS融合结果Fig.6 IHS fusion result about QuickBird-2 data

图7 ASTER数据PCA融合结果Fig.7 PCA fusion result about ASTER data

通过融合后的图像对比发现，ASTER数据与QuickBird-2数据经过小波的IHS融合后的图像不仅增强了图像的清晰度，同时也继承了原图像的光谱信息.图像细节对比表达能力最强，颜色也最为均衡（图5、6、7、8）.

图8 ASTER数据小波IHS融合结Fig.8 Wavelet and IHS fusion result about ASTER data

3.2.2 定量评价

从融合图像包含的信息量和分类精度两方面进行评价，评价指标为熵、平均梯度、偏差指数.

1）熵：描述图像信息量的一个指标.根据仙农（Shannon）信息论原理，熵越大则图像包含的信息越丰富［11］.

其中，x为输入的图像变量；Pi为图像像元灰度值为i的概率.

2）平均梯度：即图像的清晰度（definition），反映图像对细节对比的表达能力以及图像对细微反差表达的灵敏程度，融合后图像的平均梯度越大，说明融合图像越清晰［12］.其计算公式为：

其中，M（x，y）、N（x，y）为融合前图像灰度值；m、n分别为遥感图像的总行数和总列数.

其中，F（i，j）为图像的第i行、第j列的灰度值；M、N分别为图像的总行数和总列数.

3）偏差指数：融合后影像的亮度值与原始影像的亮度值的差的绝对值与原始影像的亮度值的比值，比值越小则说明融合影像与原多光谱影像的偏离程度越小，光谱特征就得到了最大限度的保留［13］.

对融合后的影像进行信息统计，结果如表8、9及10.

表8 QuickBird-2高分辨率数据自身融合前后判定指标指数对比Table 8 Comparison between the benchmark indexes fusion before and after the QuickBird-2 high-resolution data fusion

表9 QuickBird-2与ASTER数据融合前后判定指标指数对比Table 9 Comparison between the benchmark indexes before and after the fusion of QuickBird-2 and ASTER data

表10 QuickBird-2与ASTER数据波段组合融合前后判定指标指数Table 10 Comparison between the benchmark indexes before and after the fusion of QuickBird-2 high-resolution 431 band and QuickBird-2/ASTER 831 band

融合后图像的熵均比原始图像的要大，这是因为融合后的图像的空间分辨率有了很大提高，包含的信息更加丰富.从融合后的统计数据来看：QuickBird-2数据自身融合方法比较后，发现基于IHS融合方法的偏差指数变化较大，光谱信息失真明显.利用ASTER数据与QuickBird-2全色数据进行融合后图像的熵比QuickBird-2自身融合后的要大，这说明ASTER多光谱数据加入融合后的图像包含的信息更加丰富.3种融合方法指标显示采用基于小波的IHS融合的图像的偏差指数最小，融合后的图像方差及熵都大于原始图像的相应波段，均值和中值也普遍大于原始波段（表8、9），说明融合后图像动态范围变大，原图中不太明显的细节信息显示了出来.另外，从融合后图像之间平均梯度比较来看，基于小波的IHS融合的图像的平均梯度明显较高，其中，以ASTER数据与QuickBird-2数据经过小波的IHS融合后的平均梯度为最高（表10），说明该方法融合后的图像细节对比表达能力最强，图像对细微反差表达的灵敏度最高，图像最清晰.

4 结论

实验表明：IHS加小波融合的方法优于IHS变换和PCA变换方法，不仅提高了影像的空间分辨率，而且在最大熵值及光谱特征保持的定量评价下都取得较好的效果，更适合多光谱数据与高分辨率全色数据之间的融合处理.增强后的图像在应用于感兴趣区建立以及图像分类时，可以解决由于高分辨率图像光谱分辨率不足而导致的解译、分类效果不佳、纹理粗糙等问题.空间及光谱分辨率增强后的融合图像提高了遥感图像整体质量和综合分析精度，将有利于提高解译、分类和制作专题图等的精度.

［1］黄昕，张良培，李平湘.基于多尺度特征融合和支持向量机的高分辨率遥感影像分类［J］.遥感学报,2007,11（1）：48—54.

［2］Chibani Y,Houacine A.The joint use of IHS transform and redundant waveletdecomposition forfusing multispectraland panchromatic images［J］.International Journal of Remote Sensing,2002,23（18）：3821—3833.

［3］Myint S W,Lam S N,Tylor J.An evaluation of four different wavelet decomposition procedures for spatial feature discrimination within and around urban areas［J］.Transactions in GIS,2002,6（4）：403—429.

［4］Kontoes C C,Raptis V.The potential of kernel classification techniques for land use mapping in urban areas using 5M-spatial resolution IRS-1C imagery［J］.Int J Remote Sensing,2000,21（16）：3145—3151.

［5］冯昕，杜世宏，张方利，等.基于多尺度融合的高分辨率影像城市用地分类［J］.地理与地理信息科学,2013,29（3）：43—47.

［6］杨佳佳.基于多源遥感数据的青海格尔木地区岩矿信息提取研究［D］.长春：吉林大学,2012：22—32.

［7］邓洁，夏春林，王润芳.基于IHS变换和WT变换的遥感影像融合［J］.测绘与空间地理信息,2009,32（1）：107—110.

［8］吴均，赵忠明.利用基于小波的尺度共生矩阵进行纹理分析［J］.遥感学报,2001,5（2）：100—103.

［9］徐胜详，胡超，徐运清.利用Matlab实现基于小波变换的遥感图像融合［J］.微计算信息,2008,24（1-3）：302—303.

［10］曹敏，史照良，沈泉飞.IHS变换和提升小波变换相结合的影像融合模型研究［J］.测绘通报,2009（3）：20—23.

［11］孙华，林辉，熊育久，等.SPOT5影像统计分析及最佳组合波段选择［J］.遥感信息,2006（4）：57—61.

［12］陆欢，吴庆宪，姜长生.基于PCA与小波变换的彩色图像融合算法［J］.计算机仿真,2007,24（9）：202—206.

［13］喻怀义，朱谷昌，杨自安，等.ASTER多光谱波段与SPOT全色波段融合方法研究［J］.矿产地质,2008,22（1）：69—73.

COMPARATIVE STUDY ON THE TRANSFORMATION EFFECTS OF FUSION ALGORITHM BASED ON MULTISOURCE REMOTE SENSING DATA

YANG Jia-jia,FENG Yu-lin,SUN Zhong-ren,GAO Tie

Shenyang Institute of Geology and Mineral Resources,CGS,Shenyang 110034,China

With the mature development of multisource remote sensing image fusion technology,how to improve the efficiency and quality of high resolution remote sensing data has become a bottleneck problem for its application effect. Aiming at the problem of low spectral resolution of QucikBird-2 high resolution remote sensing data,combining with ASTER multispectral remote sensing data,three fusion methods,namely PCA fusion,wavelet PCA fusion and IHS fusion based on wavelet are introduced to realize the fusion of multispectral and high resolution images and obtain multispectral high resolution imagery,which enhances the spatial resolution of image and at the same time retains the multispectral information as much as possible.Finally,qualitative and quantitative evaluation is conducted on the results of three fusion methods.

remotesensing;highresolution;fusion;imageenhancement

1671-1947（2015）05-0489-07

P627；TP79

A

2014－07－16；

2015-04-22.编辑：李兰英．

中国地质调查局“东北边境地区基础地质遥感调查”项目（编号12120115063001）.

杨佳佳（1984—），男，博士研究生，地学信息工程专业，主要从事遥感应用方面的研究，通信地址辽宁省沈阳市皇姑区黄河北大街280号，E-mail//haixianxiaomei@163.com