国产高分辨率遥感影像融合方法比较与分析

邢元军，刘晓农，宋亚斌，彭检贵

（国家林业局中南林业调查规划设计院，湖南 长沙 410014）

国产高分辨率遥感影像融合方法比较与分析

邢元军，刘晓农，宋亚斌，彭检贵

（国家林业局中南林业调查规划设计院，湖南 长沙 410014）

GF-1，ZY-3和ZY1 02C三种国产卫星数据为研究对象，在分析单波段信息熵的基础上，运用联合熵，最佳指数和相关系数矩阵确定3种影像数据的最佳波段组合，选择具代表性的PC、Brovey、GS、IHS和MT变换融合等五种基于像素的融合方法对影像进行融合，分析融合前后影像联合熵以及融合后各影像波段的梯度变化。研究结果表明：(1) GF-1的最佳组合为Band1、Band3及Band4，ZY-3的最佳组合为Band2、Band3及Band4，ZY-1 02C数据的最佳波段组合为Band1、Band2及Band3；(2)融合后影像中Brovey变换融合的联合熵小于融合前，其余4种融合方法联合熵均大于融合前联合熵值；(3) GF-1、ZY-3和ZY 1 02C影像数据最佳融合方法分别为GS融合、PC融合以及IHS变换融合。

林业遥感；图像融合；联合熵；最佳指数；平均梯度

森林资源监测是林业重要的基础性工作，我国虽然已建成了比较完备的森林资源监测体系，但是森林资源监测信息的时效性和现势性较差，难以应对国际国内林业发展的新形势。因此，森林资源监测工作需要改进技术手段，开拓发展思路，创新监测方法，不断优化和完善监测体系，以适应国家经济社会发展和现代林业建设的新形势、新任务和新要求。自1999年起，国家林业局规定在开展每5年一次的森林资源连续清查的同时运用遥感技术对原有固定样地的抽样间隔进行加密，进行遥感判读解译和区划获取森林资源宏观监测数据，自此遥感技术在森林资源宏观监测中扮演者越来越重要的角色。

图像融合是影像森林类型识别和信息提取的基础。在数据源的选择上，注重多光谱与高光谱[1-2]、多光谱与SAR[3-4]、低分辨率与高分辨率数据的融合[5-7]，以提升数据的空间分辨率和光谱分辨率。在方法上采用多种方法的复合以及多种知识的综合运用。遥感影像的融合通常包括3个层次，即像元级融合[8-10]、特征级融合[11-13]、决策级融合[14]。其中像元级融合是指直接对传感器采集的数据进行处理进行融合，这种融合方法是高层次影像融合的基础。特征级融合是指从原始影像提取影像的特征信息，将特征集融合，并加以综合分析和处理，经过此种融合方法后的影像冗余信息减少，有利于海量数据的处理。决策级融合是影像融合的最高层次，针对具体的决策目标，对多幅影像进行统计或逻辑推理，融合结果直接为决策者提供决策信息参考[9]。

上述3种影像融合层次，各具优势，在实际应用过程中，不仅要考虑方法的合理性，还要考虑时效性，同时还要兼顾影像融合效果评价。对于全国宏观森林资源监测而言，利用遥感技术进行监测，遥感影像融合与处理的工作量大，要在一年内完成全国监测区信息的提取。在选择融合方法时需要兼顾不同监测省份的实际情况以及融合方法操作的可行性。选择基于像元级的融合方法是一种比较合理的方式。鉴于此，研究以国产卫星GF-1，ZY-3以及ZY1 02C三种数据为基础，开展国产高分辨率影像融合方法比较与分析，以期为国家宏观森林资源监测提供准确的数据源。对提高遥感区划判读精度、规范遥感应用技术和区划判读工作流程、保证监测成果能够客观反映森林资源的现状和动态变化情况具有重要意义。

1 材料与方法

1.1 数据源及预处理

根据国家宏观森林资源监测遥感区划的要求，选择湖南省为中南监测区示范省份，研究所涉及的遥感影像包括GF-1，ZY-3以及ZY02C三种国产数据，数据源的接收时间及特点如表1所示。依照前期湖南省遥感区划结果，选择3景地形和地类破碎程度具有代表性的影像开展影像的融合与比较分析。在ENVI5.1和ERMapper7.1软件的支持下，开展遥感影像的定标，大气校正工作。以1∶10 000数字化地形图及DEM为基础，选择道路，铁路交叉口作为同名地物点，对上述GF-1，ZY-3以及ZY1 02C三种国产数据进行正射校正，校正误差控制在5 m以内，最终生成研究所用的DOM影像（见图1，封二）。

表1 影像数据主要参数Table 1 Main parameters of remote sensing data

1.2 数据融合方法

为了对观测目标有一个更加全面、清晰、准确的理解与认知，本次研究着重于把在空间或时间上冗余或互补的多源数据，按一定的算法（规则）进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图像，为后续的区划判读提供更多的细节信息，提高识别和解译能力。利用遥感图像处理系统软件采用极具代表性的PC Spectral Sharpening（PC）、Color Normalized（Brovey）变换融合、Gram-Schmidt Spectral Sharpening（GS）融合、IHS变换融合、乘积变换（MT）等五种基于像素的融合方法对影像进行融合[15-18]，对其处理结果进行分析筛选，取其效果最佳、最方便后续目视解译的结果进行影像增强处理。

1.3 数据融合结果评价

图像融合结果需要进行评价，一般从定性和定量2个方面加以比较。定性评价主要包括检测影像是否存在重影，影像的色彩和亮度是否符合要求，纹理特征、边缘特征是否得到增强，地物的可分性以及清晰度是否得到提高。定量评价主要是采用一些技术指标分析影像融合前后的变化，对影像融合结果进行客观评价。本次研究主要采用信息熵，联合熵，最佳指数以及清晰度等指标对影像融合前后的结果进行比较。波段信息熵，联合熵，最佳指数以及清晰度的计算公式及推导详见文献[19]。

2 结果与分析

2.1 单波段影像数据分析

遥感影像信息量的大小一般通过均值、标准差、信息熵等来体现。标准差体现波段内像元值大小的离散程度，一般来说图像的标准差越大表示单个波段的信息量越大，对应的信息熵也就越大。此次研究涉及的GF-1，ZY-3以及ZY1 02C三种国产数据的单波段特征如表2所示。

表2 三种国产高分影像的波段特征Table 2 Band characteristics of three domestic high resolution satellite images

由表2可知，三种国产影像各波段DN值分布范围基本一致，最小值为0，最大值为254或255。均值与标准差的差异较大，GF-1、ZY-3的第4波段以及ZY1 02C的第3波段为近红外波段，这3个波段标准差与均值要均大于各自对应的可见光波段对应的值。从信息熵计算结果来看不同影像之间波段信息熵的差异具体如下：GF-1影像信息熵以近红外波段（Band4）最大为5.24，第一波段信息熵次之为5.13，总体排序为Band4＞Band1＞Band2＞Band3；ZY-3影像信息熵以可见光Band1最大为5.41，Band2信息熵次之，Band3信息熵最小为5.03，具体排序为Band1＞Band2＞Band4＞Band3；ZY1 02C影像的多光谱只有3个波段，其中第3波段为近红外波段，也是信息熵最大的波段。从上述3种影像信息熵分析结果来看，近红外对应的熵值大于可见光部分的波段，但ZY-3影像近红外的波段例外，其信息上信息熵小于第一波段和第二波段。

2.2 多波段影像组合分析

单波段信息分析是波段选择的基础，对于多波段的高分辨率影像而言，最终用于显示的影像是3波段的组合结果。因此需要对多波段影像进行选择与评价，除了单波段信息熵的大小之外，还需考虑波段之间的相关系数。理想的波段选择是选择出来的3个波段信息熵最大，且相互之间相关性最小，也就是相关系数最小。相关系数小意味着波段之间的相似性小，相似性越小冗余信息少，这样的波段组合效果就最佳。3种国产数据波段之间的相关系数矩阵如表3。

表3 三种国产高分影像的波段相关系数矩阵Table 3 Correlation matrix of three domestic high resolution satellite images

从表3可知，对于GF-1数据来说，Band1和Band2的相关系数最大为0.98，Band4与Band3的相关系数最小为0.92，且Band4与Band3的相关系数为0.92，从相关系数的角度来看，对于GF-1数据来说，Band4是一个必选的波段，且Band4的熵也是最大。Band2与其余几个波段的相关系数均大于Band4与其他几个波段之间的相关系数，从相关系数的大小及单个波段信息熵的角度来说，Band1，Band3和Band4是GF-1影像波段组合中较好的组合方式。对于ZY-3影像来说，多光谱的4个波段之中，以Band4波段与其余3个波段之间的相关系数较小，Band3与Band2波段之间的相关性最大为0.98，从波段组合的角度来看，这两个波段只能选择一个，因为二者之间的信息重叠度过大。结合单个波段的信息熵和相关系数矩阵，Band1、Band3、Band4以及Band2、Band3、Band4是较好的波段组合。而对于ZY1 02C来说，Band3与其余2个波段的相关性较小，Band2与Band1相关系数最大为0.94，考虑到多光谱只有3个波段，3个波段组合就是最佳的组合了，不需要重新进行分析。

信息熵与相关系数的分析可以从一个侧面反映最佳的波段组合方式，若要选择出3种国产数据的最佳波段组合，还需要考虑3个波段联合熵以及最佳指数等定量分析指标。表4是3种影像不同波段组合联合熵与最佳指数计算结果。从联合熵的角度来看，GF-1的最佳组合为Band1、Band3、Band4，联合熵最大，最佳指数计算结果也最大，分别为14.56和75.63。ZY-3影像的最佳组合为Band2、Band3、Band4，联合熵与最佳指数分别为14.01和125.44，Band1、Band3、Band4的组合计算结果次之，联合熵与最佳指数分别为13.70和122.13。综合单个波段信息熵，标准差，3个波段联合熵与最佳指数计算结果，确定GF-1影像的最佳波段组合为Band1、Band3、Band4，ZY-3影像的最佳波段组合为Band2、Band3、Band4，而ZY1 02C的最佳组合为 Band1、Band2、Band3。

表4 三种影像波段组合联合熵与最佳指数结果Table 4 Union entropy and Optimum Index Factor of three domestic high resolution satellite images

2.3 国产数据融合结果分析

图像融合是影像解译的基础，不同融合方法所得结果存在差异，本次研究在确定3种国产影像数据最佳波段组合的基础上，选择具代表性的PC、Brovey、GS、IHS和MT变换融合等五种基于像素的融合方法对影像进行融合，并对5种方法所得结果从定性和定量两个方面进行分析。

2.3.1 融合结果定性分析

图2（见封二）是GF-1影像Band1、Band3及Band4波段与全色波段融合的结果。从空间分解力和清晰度来看，两种不同的图像融合及增强方法得到的影像相对原始影像均有很大的提高，通过对农田、道路和居民点建筑的轮廓、山区植被的构像及其它地物的影像细节比较很容易验证这一点。从光谱特征来看，MT融合与其他4种融合方法产生的结果出现不同的颜色，差别很大；GS变换融合结果图中对不同地类的反应相比其余4幅图更敏感，在纹理特征表达上更为清晰，融合后对阴影的处理效果较好。

从图3 （见封三）ZY-3波段融合效果可知，5种融合方法所得结果在色彩上的差异较GF-1大，尤其是IHS变换融合后的色彩效果较差。从地类区分的角度看，GS变换融合结果各地类的层次性最好，PC变换融合次之，但对于山区阴影处理方面，PC变换融合效果更佳。MT变换融合、Brovey变换融合效果一般。从森林类型区分的角度看，PC变换融合和GS变换融合较其他几种方式有一定的优势。从农田、池塘等非林地的纹理特征区分上GS变换和Brovey变换融合的效果略好些。

图4 （见封三）是ZY1 02C影像多光谱波段与全色波段融合效果。从空间分解力和清晰度来看，不同的图像融合方法得到的影像相对原始影像均有很大的提高，通过对农田和道路的轮廓、山区植被的构像及其它地物的影像细节比较很容易验证这一点。从融合整体效果来看，Brovey融合、MT融合、GS融合结果颜色较为一致，PC和IHS变换融合的效果与其余几种方法差别较大，尤其是PC融合出现了一定的分块效应，局部地物纹理模糊；从森林类型区分的角度看Brovey融合、MT融合、GS以及IHS变换融合基本一致，IHS变换融合效果在农田，道路以及河流纹理特征方面更为清晰。

2.3.2 融合结果定量分析

为了更好的评价5种影像融合方法对于国产高分辨率影像融合的适用性，在定性分析的基础上，选择联合熵和平均梯度变化两个指标进行定量评价。通过比较不同融合方法联合熵在融合前后的变化以及不同方法所得融合结果的各个波段平均梯度的变化。平均梯度变化越大影像越清晰，对应的方法融合效果也就越好；融合后影像的联合熵越大，说明信息量越大，融合效果也就具有优势。

从3种影像融合前后联合熵变化的结果来看（见图5），IHS变换融合、GS融合以及PC融合在信息量的角度具有优势，优于MT和Brovey变换融合。从联合熵大小的比较来看，3种影像融合的结果中，Brovey变换融合结果最小，甚至小于融合前的信息量，结合定性分析结果表明Brovey变换融合不适用于国产高分辨率影像的融合。对于ZY1 02C影像来说，除了Brovey变换融合不适用之外，MT变换融合结果联合熵也小于融合前3个多光谱波段的联合熵。

图5 三种影像波段组合融合前后联合熵值Fig.5 Union entropy change ofthree domestic satellite images before and after fusion

从表5中可以发现，3种影像5种不同方法融合后，各波段的平均梯度变化差异较大，对于GF-1影像来说，Band1的平均梯度以IHS变换融合结果最大为5.74，其余4种方法所得结果与IHS差异较小；Band3的平均梯度以Brovey变换融合最大，GS与PC融合结果次之，而对于Band4来说，GS变换融合梯度变化最大。ZY-3影像各波段平均梯度变化中以PC变换变化最大，Band2、Band3和Band4梯度变换分别为5.94，6.81和6.24。ZY 1 02C影像中IHS融合的梯度变化占有优势，Brovey和GS融合效果次之，PC和MT梯度变化最小。

综上，结合3种国产影像的定性、影像融合前后联合熵的变化以及不同融合方法所得结果的平均梯度变化结果来看，GS融合、PC融合以及IHS变换融合分别是GF-1、ZY-3和ZY 1 02C影像数据最佳融合方法。

3 结论与讨论

论文以GF-1，ZY-3以及ZY1 02C三种国产高分辨率卫星数据为例，开展国产卫星数据融合方法研究，采用定量分析方法对单个波段的信息熵，多光谱波段之间相关系数以及联合熵确定最佳波段组合。同时选择具代表性的PC、Brovey、GS、IHS和MT变换融合等五种基于像素的融合方法对影像进行融合，分析融合前后影像联合熵以及融合后各影像波段的梯度变化。研究结论如下：

表5 三种影像不同融合方法平均梯度结果Table 5 Average gradient result ofdifferent fusion methods forthree domestic satellite images

（1）分析了3种国产卫星数据各波段信息量的大小，并对各波段的信息上进行排序。GF-1影像各波段的信息熵大小排序为Band4＞Band1＞Band2＞Band3，ZY-3影像各波段的信息熵大小排序为Band1＞Band2＞Band4＞Band3，ZY1 02C影像各波段的信息熵大小排序为Band3＞Band2＞ Band1。

（2）确定了3种国产影像数据最佳波段组合。在单波段信息熵分析的基础上，考虑各波段之间的相关性，计算各种可能组合的联合熵与最佳指数，最终确定GF-1，ZY-3，ZY-1 02C数据的最佳波段组合分别为，其中GF-1的最佳组合为Band1、Band3及Band4，ZY-3的最佳组合为Band2、Band3及Band4，ZY-1 02C数据的最佳波段组合为Band1、Band2及Band3。

（3）运用定性和定量方法，确定3种国产数据最佳融合方法。采用PC、Brovey、GS、IHS和MT变换融合等五种基于像素的融合方法对影像进行融合，对融合结果开展定性评价，分析不同方法对森林类型以及农田、水域和道路等非林地类型的区分度、色调和阴影处理的效果。比较融合前后影像联合熵的差异以及融合后影像各波段平均梯度的变化，确定了各自最佳的融合方法，GF-1、ZY-3和ZY 1 02C影像数据最佳融合方法分别为GS融合、PC融合以及IHS变换融合。

[1]谢登峰, 张锦水, 潘耀忠,等. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报, 2015, 19(5):791-805.

[2]熊文成, 魏 斌, 孙中平,等. 一种针对环境一号卫星A星高光谱与CCD数据融合的方法[J]. 遥感信息,2012,27(6):79-82.

[3]邹丽丽, 崔海山, 李 颖,等. SAR与SPOT数据融合方法研究[J]. 遥感技术与应用, 2010, 25(6):836-841.

[4]C. Pohl, J. L. Van Genderen. Review article Multisensor image fusion in remote sensing: concepts, methods and applications[J].International Journal of Remote Sensing, 1998, 19(5):823-854.

[5]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, 2006,21(4):57-60.

[6]巩垠熙, 冯仲科, 吴露露, 等. QuickBird影像融合算法的评价研究[J]. 红外, 2010, 31(7): 18-23.

[7]郭 蕾, 杨冀红, 史良树, 等. SPOT6 遥感图像融合方法比较研究[J]. 国土资源遥感, 2014, 26(4): 71-77.

[8]Chien C L, Tsai W H. Image Fusion With No Gamut Problem by Improved Nonlinear IHS Transforms for Remote Sensing[J].IEEE Transactions on Geoscience & Remote Sensing, 2014,52(52): 651-663.

[9]林 辉, 孙 华, 熊育久, 等.林业遥感[M].北京:中国林业出版社,2011

[10]龚建周, 刘彦随, 夏北成,等. IHS和小波变换结合多源遥感影像融合质量对小波分解层数的响应[J]. 中国图象图形学报, 2010, 15(8):1269-1277.

[11]Kempeneers P, Sedano F, Seebach L,et al.Data Fusion of Different Spatial Resolution Remote Sensing Images Applied to Forest-Type Mapping[J]. IEEE Transactions on Geoscience &Remote Sensing, 2011, 49(12):4977-4986.

[12]邬明权, 王洁, 牛铮,等. 融合MODIS与Landsat数据生成高时间分辨率Landsat数据[J]. 红外与毫米波学报, 2012,31(1):80-84.

[13]伊力哈木·亚尔买买提, 谢丽蓉, 孔 军. 基于PCA变换与小波变换的遥感图像融合方法[J]. 红外与激光工程, 2014,43(7): 2335-2340.

[14]Luo B, Khan M M, Bienvenu T, et al. Decision-Based Fusion for Pansharpening of Remote Sensing Images[J]. IEEE Geoscience& Remote Sensing Letters, 2013, 10(1):19-23.

[15]东启亮, 林 辉, 孙 华,等. 多源遥感数据融合方法在湿地分类中的适用性研究[J]. 中南林业科技大学学报, 2013,33(1):52-57.

[16]亓兴兰, 刘 健, 陈福海,等. SPOT-5遥感影像自身融合在马尾松毛虫害信息提取中的应用[J]. 中南林业科技大学学报,2011, 31(2):15-21.

[17]秦善善, 王世新, 周 艺,等. NSCT与GS变换的资源三号卫星数据融合方法研究与应用[J]. 地球信息科学学报, 2014,16(6): 949-957.

[18]王 佳, 尹华丽, 王晓莹,等. 基于资源三号影像的森林蓄积量估测遥感因子选择[J]. 中南林业科技大学学报, 2015,35(12): 29-33.

[19]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.

Research on fusion method comparison and analysis for domestic high resolution satellite images

XING Yuan-jun, LIUXiao-nong, SONGYa-bin, PENG Jian-gui
(Central South Forest Inventory and Planning Institute of State Forestry Administration, Changsha 410014, Hunan, China)

Three kinds of domestic high resolution satellite images such as GF-1, ZY-3 and ZY1 02C were selected in this study. Best band combination was de fined for each satellite data, which based on union entropy; optimum index factor and correlation coef ficient matrix after analysis each band entropy of three domestic high resolution satellite data. Five different fusion methods which are PC Spectral Sharpening(PC), Color Normalized(Brovey), Gram-Schmidt Spectral Sharpening(GS), IHS transformand Multiplicative transform(MT) were applied in three kinds of domestic high resolution satellite images fusion. Furthermore, we analyzed band average gradient and image union entropy changes result before and after image fusion.The result show that optimum band combination of GF-1 areband4 for red, band3 for green, and band1 for blue. Band4 for red, band3 for green, and band2 for blue are the best bandcombination for ZY-3. The optimum band combination for ZY1 02C are band3 for red, band2 for green, and band1. The union entropy of color normalized fusion result was less than before image fusion in all three domestic satellite data, and the other four fusion result of union entropy were more than before fusion. According to these results, the best fusionmethod of GF-1, ZY-3 and ZY1 02C were Gramschmidt spectral sharpening, PC spectral sharpeningand IHS transform, respectively.

forestry remote sensing; image fusion; union entropy; optimum index factor;average gradient

S771.8

A

1673-923X(2016)10-0083-06

10.14067/j.cnki.1673-923x.2016.10.015

2016-02-18

国家发改委项目：全国林业生态工程遥感监测（2015XXGL257）；国家林业局资源司项目：全国森林资源宏观监测（2015-ld-009）

邢元军，工程师，硕士；E-mail：zny_xyj@foxmail.com

邢元军，刘晓农，宋亚斌，等. 国产高分辨率遥感影像融合方法比较与分析[J].中南林业科技大学学报,2016,36(10):83-88.

[本文编校：吴 彬]