地理国情普查中的遥感影像融合算法分析

2016-07-15何宗友区永洪

测绘通报 2016年6期

关键词：全色国情普查

何宗友，区永洪

(广东省国土资源测绘院，广东广州 510500)

地理国情普查中的遥感影像融合算法分析

何宗友，区永洪

(广东省国土资源测绘院，广东广州 510500)

摘要：地理国情普查是一项重大的国情国力调查，是全面获取地理国情信息的重要手段，是掌握地表自然、生态及人类活动基本情况的基础性工作。影像融合旨在生成具有高空间分辨率和高光谱分辨率的遥感影像，为地理国情普查提供基础数据。然而目前影像融合算法虽多却没有一种普适性算法能够有效应用于各种需求，因此需要根据地理国情普查的实际需求分析，以获取较为合适的融合算法。

关键词：地理国情普查；遥感影像融合；HPF；小波变换

一、高分辨率遥感影像融合概述

地理国情主要是指地表自然和人文地理要素的空间分布、特征及其相互关系，是基本国情的重要组成部分。地理国情普查工作主要包括3部分内容：遥感影像解译分类与信息提取、外业调查与核查、内业成果数据整理等。其中，遥感影像解译分类与信息提取工作以遥感正射影像为基础，进行人工目视判读与计算机自动分类相结合的遥感影像解译，获取地表覆盖数据以供后续处理。因此地理国情普查需要具有高空间分辨率和高光谱分辨率的遥感影像作为底图，以进行地物识别和分类。

遥感影像融合也称为多光谱影像锐化(pan-sharpening)，是一种能够将高空间分辨率的全色影像(panchromaticimage)和高光谱分辨率的多光谱影像(multispectralimage)有机结合在一起，生成同时具有高空间分辨率和高光谱分辨率的融合后影像的技术，在实际的遥感影像生产应用中有着重要的作用。

高分辨率商用卫星一般都包括一个高分辨率全色(pan)波段和多个低分辨率多光谱(MS)波段[1]，如SPOT、IKONOS、QuickBird、OrbView、WorldView、Pledias等。之所以一般遥感数据是全色影像和多光谱影像结合使用，主要是由于以下两个问题制约了传感器直接获取高空间分辨率的多光谱影像的能力：

1) 一般来说，全色影像有着比多光谱影像更宽的波长区间，在获取同等辐射能量时，全色探测器的大小会小于多光谱探测器。因此在入射辐射量相近时，全色传感器会比多光谱传感器获取更高分辨率的影像。

2) 增加光谱分辨率和空间分辨率都会大幅度提高影像的数据量，如果传感器直接生成同时具有高光谱分辨率和高空间分辨率的影像，数据量会远大于目前采用的全色影像和多光谱影像配套的方法，在存储和数据对地传输时会受到较大限制。然而影像融合能够很好地处理目前主流遥感数据源，能够有效结合全色影像和多光谱影像的优点，获取同时具有高光谱分辨率和高空间分辨率的遥感影像，是遥感影像处理研究和应用的重点。

二、常用高分辨率遥感影像融合算法分析

常用高分辨率遥感影像融合算法主要有IHS变换、主成分变换(PCA)、小波变换、高通滤波(HPF)等算法[2-4]。本文选取地理国情普查中常用的WorldView-2高分辨率影像作为试验数据对上述算法分别进行试验，并对结果进行了定性和定量的分析。原始影像(如图1所示)由0.5m分辨率单波段的全色影像和2.0m分辨率4波段(图2红、绿、蓝、近红外)的多光谱影像组成，TIFF格式。影像融合前对全色影像和多光谱影像进行了配准，以免产生重影，影响融合结果。对融合成果的波段顺序进行了调换，同时对融合后影像波段进行了组合，将近红外波段20%加入绿色波段使之更符合自然色彩。

遥感影像融合算法的评价目前没有统一和普遍适用性的参数和标准，常用的分析指标如下：灰度平均值体现融合后影像的平均亮度；标准差体现融合后影像的灰度分布情况；影像清晰度体现融合结果的清晰程度；平均梯度体现了融合结果的对比度情况；信息熵体现了融合结果的信息量；空间相关系数以原始全色影像为参考，体现融合结果空间信息保留情况；光谱相关系数以原始多光谱影像为参考，体现融合结果光谱信息保留情况[4-8]。试验中以原始全色、多光谱影像相应指标为基准，统计了上述算法影像融合结果的相应指标，结果如图3所示。

图1　原始全色影像

图2　原始多光谱影像

图3　融合结果定量分析

由试验结果定性分析如下：

IHS变换结果(如图4所示)的空间细节信息保留丰富，然而光谱信息丢失较多，颜色失真。

PCA变换融合(如图5所示)的影像在保留原多光谱影像的光谱特征方面有很大的改变，但变换后的色彩信息较弱，各主成分失去了原有的物理特性[4]。

图4　IHS算法融合结果

图5　PCA变换融合结果

小波变换光谱(如图6所示)扭曲度最小。在融合过程中用多光谱影像低频部分代替了全色影像的低频部分，导致融合结果在保留了较多光谱信息的同时受到了纹理信息的损失[9]；小波变换的阶数与损失纹理信息成反比，即变换阶数越高，保留的空间信息越少，但是保留的光谱信息较多。

图6　小波变换融合结果

HPF算法(如图7所示)的空间分辨率较高，同时保留了丰富的光谱特征，其融合成果比较适用于遥感解译，因此成为地理国情普查中遥感影像融合的主流算法。

图7　HPF算法融合结果

三、融合算法改进

在常用的高分辨率遥感影像融合算法中，HPF算法具有空间分辨率高、细节表现能力强，同时也能较好保留原始多光谱影像的光谱特征的特点，因此在生产中得到了广泛的应用。然而HPF算法也有明显的缺陷，即噪声较大，颗粒感强烈。由定量分析结果可以看出，HPF融合算法和小波变换融合算法具有较大的互补性，小波变换能够为成果保留更多的光谱信息，同时能够有效地平滑和抑制噪声[10]，弥补HPF算法的缺陷。地理国情影像的处理正是基于高通滤波和小波变换的遥感影像融合算法。

首先采用低阶数的小波变换处理原始影像，尽量保留相对较多的低频空间信息。对于一幅N×N的影像而言，在变换的每一层次，图像都被分解为4个四分之一大小的图像，它们都是由原图与一个小波基图像的内积后，再经过在行和列方向进行2倍的间隔抽样而生成如图8所示的形式。

图8　正变换示意图

在高频率域采用小波变换后的全色影像替换多光谱影像的相应部分；在低频率域使用高通滤波算法融合全色和多光谱影像；对融合后结果进行小波逆变换：在每一层，通过在每一列的左边插入一列零值来增频采样前一层的4个阵列；接着用尺度向量h0(x)和h1(x)对各行做卷积运算，再成对地把这几个小的阵列加起来；然后通过在每行上面插入一行零来将上述所得的两个阵列的增频采样为N×N；再用h0(x)和h1(x)与这两个阵列的每列卷积。这两个阵列的和就是这一层重建获取HPF与小波变换结合成果。具体试验成果如图9所示。

试验成果表明HPF融合算法具有空间分辨率高、细节表现能力强的优点；小波变换算法具有在提高空间分辨率的同时，保持光谱扭曲最小的优点，并且可以对HPF结果进行一定程度的平滑，有效减少噪声。因此采用基于小波变换和高通滤波算法的遥感影像融合算法，不仅增强了影像空间细节表现能力，同时很好地保存了多光谱影像的光谱信息，提高了遥感信息的信息量和清晰度。