遥感影像融合方法比较研究*

杨晓涵， 李雨彤， 王 宁 ， 葛月娥

(1.西南大学 资源环境学院，重庆 400715；2.四川拓土测绘地理信息有限公司，成都 610000)

遥感影像融合方法比较研究*

杨晓涵1， 李雨彤2， 王 宁2， 葛月娥2

(1.西南大学 资源环境学院，重庆 400715；2.四川拓土测绘地理信息有限公司，成都 610000)

影像融合是提高遥感影像特征提取、分类、目标识别能力的重要手段；为比较不同融合方法的融合效果，采用基于低通滤波的IHS变换融合法、PCA变换法、高通滤波法和Gram-Schmidt变换融合法对北京某地区的SPOT-5全色影像和TM多光谱影像进行融合试验，并采用均值、标准差、信息熵和相关系数4个评价指标对结果影像从信息保留性和光谱保持性上进行评价；结果表明：在4种方法中，Gram-Schmidt变换融合法在信息量的保持上具有最大优势，光谱保持性与PCA变化法持平；高通滤波法在对信息量的保留和光谱信息保持均较好，但融合结果的亮度性最差。

遥感影像；融合； PCA变换；HPF融合；Gram-Schmidt变换融合

影像融合是将同一地区的多源遥感数据运用一定的规则和算法，以获得满足某种应用的更高质量的信息，它能减少被感知对象或环境解释中存在的多义性、不完整性、不确定性和误差，进而大大提高在特征提取、分类、目标识别等方面的有效性[1-2]。多光谱影像含有丰富的光谱信息，而全色影像具有很高的空间分辨率，将多光谱影像和全色影像进行融合，在保留多光谱信息的同时提高影像的空间分辨率，从而提高影像的可视效果，提高影像的分类精度，实现信息互补[3]。对于像素级影像融合，需要根据传感器的类型和融合影像数据选取合适的融合方法，以达到较优的融合效果，为后续的融合影像的应用做铺垫。选取了基于低通滤波的IHS变换融合法[4]、PCA(Principle Component Analysis)变换融合法、高通滤波法(High-Pass Filtering，HPF)和Gram-Schmidt变换融合法，针对SPOT-5全色影像和TM多光谱影像进行融合试验，从定性评价和定量评价这两个方面对4种方法的融合效果进行综合评价。

1 基本原理及评价指标

1.1 基本原理

1.1.1 基于低通滤波的IHS变换融合

ISH变换是指将影像从RGB空间变换到ISH空间的变换算法，而ISH逆变换则是指其逆过程。基于低通滤波的IHS变换是对传统IHS融合方法的改进，最早由钱永兰等提出。由于融合结果的空间分辨率主要取决于I分量，因此只对H、S分量进行滤波不会引起影像空间分辨率的降低[4]。方法的主要步骤为：将多光谱影像进行IHS变换，得到I、H、S3个分量；将全色影像与I分量进行直方图匹配，得到新的I′量分量;将H、S分量进行低通滤波，得到H′量、S′量分量；将I′、H′、S′进行IHS逆变换得到新的融合影像。

1.1.2 PCA变换融合

PCA变换融合是统计特征基础上的多波段的正交线性变换。它将各光谱图像视为一个随机变量，进行融合时首先求它们的协方差矩阵的特征值和特征向量，再将特征向量按对应特征值的大小，以从大到小的顺序排列得到变换矩阵，最后对多光谱影像作变换，并按要求取前面几个影像进行融合[5]。采取替换法的思路进行PCA融合：将多光谱的多个波段先进行主分量变换，将高分辨率影像与第一主分量进行直方图匹配，使其均值和方差与第一主分量相同，再用匹配后的高分辨率影像替代第一主分量，最后进行主分量逆变换，得到融合影像[6]。采取替换法进行融合。

1.1.3 高通滤波法(HPF)

高通滤波融合的主要思想是将高分辨率全色影像中的高频信息逐像素加到低空间分辨率影像中，进而实现影像的融合。通过高通滤波器滤波得到高分辨影像中的高频分量，进而在高通滤波结果中加入多光谱影像，形成高频特征突出的融合影像。设低分辨率影像为L，高分辨率影像为H，通过高通滤波器滤波将H分解为高频和低频部分，然后将高频部分与低分辨率影像进行融合，得到重构的影像F:

F(i,j)=L(i,j)+Kij×HP(H(i,j))

(1)

式(1)中F(i,j)表示(i,j)位置上的融合值，L(i,j)，H(i,j)分别表示低分辨率影像和高分辨率影像上(i,j)同一位置上的像素值,Kij是空间变化的权值函数，HP(H(i,j))表示采用高通滤波器对高空间分辨率影像滤波得到的高频影像像素(i,j)的值[6-7]。

1.1.4Gram-Schmidt变换融合

Gram-Schmidt变换是统计学中经常用到的一种多维线性正交变换，通过对多维影像进行正交化可消除冗余信息。它与主成分变换的区别在于：主成分变换的第一分量包含的信息量最多，而后面的分量信息含量逐渐减少，但Gram-Schmidt变换产生的各分量只是正交，变换后各部分信息量没有明显的区别[2]。利用方法进行融合的主要步骤：用低空间分辨率的多光谱影像产生模拟低分辨率全色波段影像；将模拟影像叠加到多光谱上(模拟影像时第一波段)，对重组后的多光谱影像进行G-S正变换；用高分辨率全色波段影像代替G-S变换得到的最终融合影像[9-10]。

1.2 评价指标

为了进一步客观评价所得的融合结果，选取均值、标准差、信息熵、平均梯度4个融合评价指标对得到的结果进行评价。

1.2.1 均 值

均值是指融合图像中所有像素灰度值的算术平均值,它对观察者视觉反映为平均亮度,如果均值适中,那么目视效果比较好。

,y)

(2)

其中m,n为像元的行列数，F(x,y)代表某一位置像元的灰度值。

1.2.2 标准差

标准差反映了灰度值相对于灰度均值的离散程度，标准差越大，说明融合图像灰度级分布越分散。图像的反差越大,这样可以看出更多的信息;反之,标准差小,则说明图像反差小,色调较单一均匀。

(3)

式(3)中m,n为像元的行列数，F(x,y)代表某一位置像元的灰度值，Mean表示影像灰度值均值。

1.2.3 信息熵

信息熵可以衡量融合影像信息丰富的程度,熵值的大小表示融合影像所包含的平均信息量,熵值越大,则融合影像所包含的信息越丰富,其公式如下：

(4)

式(4)中H表示信息熵，p(i)为灰度值为i的像元个数和影像中像元总数的比值。

1.2.4 相关系数

相关系数反映了融合后影像与原始多光谱影像的相似程度，相关系数越大，表明融合后的影像光谱保持性越好，其公式如下:

(5)

2 融合试验

实验数据采用北京某地区的SPOT-5全色影像和TM多光谱影像数据进行融合试验，全色影像分辨率为10 m，多光谱影像分辨率为30 m。实验区内包括植被、水体、建筑物、道路等地物，具有代表性。对影像分别采用上述的5种融合方法进行融合试验，多光谱影像采取双线性内插法进行重采样，最后的融合结果采用波段4(R)，3(G)，2(B)的标准假彩色合成显示。全色数据如图1所示，多光谱数据如图2所示，4种融合方法的融合结果见图3—图6。

图1 全色影像Fig.1 Panchromatic image

图2 TM432(RGB)合成影像Fig.2 TM432(RGB)synthetic images

图3 基于低通滤波的IHS融合结果Fig.3 IHS transform based on low pass filter result

图4 PCA变换融合结果Fig.4 PCA transform fusion result

图5 高通滤波法融合结果Fig.5 High-pass filtering method result

图6 G-S变换融合结果Fig.6 G-S transform fusion result

3 融合结果分析

从目视效果来看，4种融合方法都在保持一定程度光谱信息的同时，提高了结果影像的空间分辨率，使地物更容易识别和提取。例如，融合后的道路和河流的边界变得更加清晰。从光谱保持性上看，高通滤波法最大程度上保留了原始多光谱影像4、3、2波段的假彩色光谱信息，G-S算法和PCA算法的光谱保持性持平，基于低通滤波的IHS算法光谱失真最严重。

计算TM432波段影像及融合结果影像的选取均值、标准差、信息熵、平均梯度4个融合评价指标如表1所示。从表1中可以看出，就亮度信息而言，高通滤波法融合效果的均值在所有结果中是最差的，说明高通滤波法的目视效果最差，PCA融合变换的结果影像均值较好，亮度较高，目视效果最好。G-S变换和基于低通滤波的IHS 变换融合结果均值相当。在4种融合结果影像的标准差中，G-S变换标准差最大，其融合结果的灰度级分散，图像反差大，能看出更多的信息；PCA变换的标准差最小，说明经过PCA变换后的影像灰度级不够分散，影像反差不大，色调也偏向于单一均匀。从融合后影像的信息量丰富程度而言，G-S变换具有较高的信息熵，说明经过G-S变换后的影像具有较好的空间信息量，而基于低通滤波的IHS变换的信息熵较低，说明此方法对原始影像的信息量损失较大，PCA变换和高通滤波法的信息熵相差不多，这两个方法在信息量保持方面效果相当。从相关系数指标来看，计算的是融合结果影像与原始多光谱影像的光谱相关系数，高通滤波法的相关系数最高，说明高通滤波法在光谱保持性方面都要优于其他方法，而这一结果与目视判别的结果吻合，而基于低通滤波的IHS变换的结果影像相关系数较小，光谱失真较严重，PCA变换和G-S变换的相关系数基本持平，说明这两个方法在光谱保持性方面效果相当。

表1 4种融合算法评价指标计算结果

4 结 论

利用基于低通滤波的IHS变换法、PCA变换法、高通滤波法、Gram-Schmidt变换法4种影像融合的方法对SPOT-5和TM数据进行全色和多光谱影像融合实验，并对融合结果进行定性和定量分析，结果表明：利用G-S变换法在信息量保持上效果最好，可以得到较清晰的影像，因此当对融合结果有较高的信息量要求时，G-S变换法是较好的选择。而高通滤波法在信息量保持和光谱信息保持方面效果都较好，但所得的结果影像亮度不高。其他融合方法也在不同程度上保持原始光谱特性的同时，提高了空间分辨率。根据高通滤波融合结果在亮度性上的不足，将尝试研究对高通滤波融合方法的改进。

[1] 谭永生.像素级中高分辨率遥感影像融合研究[D].杭州：浙江大学，2007

TAN Y S.The Study on Pixel-Level Data Fusion for Remote Sensing Images of Medium and High Resolution[D].Hangzhou:Zhengjiang University,2007

[2] 黄登山.像素级遥感影像融合方法研究[D].武汉：中南大学，2011

HUANG D S.Researeh of Pixel-level Remote Sensing Image Fusion Method[D].Wuhan:Central South University,2011

[3] 孙家抦.遥感原理与应用[M].武汉：武汉大学出版社，2013

SUN J B.Principles and Applications of Remote Sensing[M].Wuhan:Wuhan University Press,2013

[4] 钱永兰，杨邦杰.IHS变换与低通滤波相结合的遥感图像增强模型[J].农业工程学报，2007,23(4)：162-165

QIAN Y L,YANG B J.IHS Transform and Low Pass Filter Based Image Enhancement for Crop Classification[J].Transactions of the CSAE,2007,23(4)：162-165

[5] 胡冰，周海芳.遥感图像PCA融合的并行算法研究与实现[J].微电子学与计算机，2006,23(10)：153-161

HU B,ZHOU H F.Parallel Algorithm of PCA Image Fusion in Remote Sensing and It’s Implementation[J].Microelec-tronics & Computer,2006,23(10)：153-161

[6] 王力彦.多源光学遥感影像融合方法研究[D].北京：中国地质大学,2014 WANG L Y.Study on Fusion Methods of Multisource Optical Remote Sensing Images[D].Beijing:China University of Geosciences,2014

[7] 邓磊，孙晨.ERDAS图像处理基础实验教程[M].北京：测绘出版社，2014

DENG L,SUN C.Guide to ERDAS Image Processing[M].Beijing:Surveying and Mapping Press,2014

[8] 何顺斌，牟凤云.基于面向对象的多尺度山地城市土地覆盖信息提取[J].重庆工商大学学报(自然科学版),2016,33(1):83-88

HE S B,MU F Y.Research on Multi-scale Mountainous City Land Cover Information Extraction Based on Objection-oriented[J].Journal of Chongqing Technology and Business University ( Natural Science Edition).2016,33(1):83-88

[9] EHLERS M,WKLONUS S.Multi-sensor Image Fusion for Pansharpening in Remote Sensing[J].International Journal of Image and Data Fusion,2010,(1):25-45[10] LIU J G.Smoothing Filter-based Intensity Modulation:a Spectral Preserve Image Fusion Technique for Improving Spatial Details[J].International Journal of Remote Sensing,2000,21(18)：3461-347

责任编辑：田 静

Comparative Research on Remote Sensing Image Fusion Method

YANG Xiao-han1, LI Yu-tong2, WANG Ning2, GE Yue-e2
(1. School of Resource and Environment, Southwest University, Chongqing 400715, China; 2. Sichuan Tuotu Mapping Geography Information Co., Ltd, Chengdu 610000, China)

Image fusion is an important method for improving feature extraction, classification and objective recognition capacity of remote sensing images. In order to compare the effect of different fusion methods, this paper uses the algorithm based on HIS transform and low pass filter, PCA, High-pass Filtering and Gram-Schmidt to implement fusion experiment on SPOT-5 data and TM data to integrate the images in Beijing, and uses four methods such as mean value, standard deviation, information entropy and relative coefficient to evaluate the spatial information and the spectral fidelity. The results show that in the four methods, Gram-Schmidt fusion method has the most advantage in reserving information and that its spectral fidelity is flat as PCA method. High-pass Filtering fusion method is all good in the retention of information and spectral fidelity but its brightness of the fusion result is worst among the above four methods.

remote sensing image; fusion; PCA transformation; HPF fusion; Gram-Schmidt transform fusion

2016-06-04；

2016-08-12.

西南大学本科生科技创新基金项目(2015240200)；数字制图与国土信息应用工程国家测绘地理信息局重点实验室开放基金资助项目(DM2014SC09).

杨晓涵(1994-)，女，四川人，本科，从事土地资源管理研究.

10.16055/j.issn.1672-058X.2017.0002.018

TP79

A

1672-058X(2017)02-0090-05