基于遥感影像融合的地物提取

肖智文

(桂林电子科技大学 电子工程与自动化学院，广西 桂林 541004)

基于遥感影像融合的地物提取

肖智文

(桂林电子科技大学 电子工程与自动化学院，广西 桂林 541004)

针对有些地区地物种类多、地块小、形状多样，用单一中低分辨率遥感影像难以实现高精度分类的现状。文中用IHS变换融合法、PCA变换融合法、小波变换融合法、PCA与小波变换相结合融合法以及IHS与小波变换相结合融合法这5种方法，对黑龙江省富锦市SPOT多光谱影像和全色影像进行融合，再用面向对象分类方法进行分类，对比分析地物提取精度的改善程度。结果表明，5种融合方法均提高了影像的分类精度，并可有效对该区域进行地物信息提取。

图像融合；PCA变换；IHS变换；小波变换；面向对象分类

对地物信息的提取，掌握该地区地物的分布情况，可用于指导城市扩建、农业生产、环境监测等工作。遥感技术具有宏观、动态、实时等优点，已广泛运用于对地物影像信息的获取工作中。

由于单一传感器所获得的遥感影像数据，受诸多局限而信息不全，难以满足工作需求。但可通过影像的融合，丰富其有用信息的方式来解决这一问题[1]。目前，遥感影像融合有[2]：像素级融合、特征级融合、决策级融合。其中，像素级融合主要有[3-5]：PCA变换、IHS变换、小波变换等方法。

监督分类和非监督分类是常见的两种主流遥感影像分类方法[6]。相对这两种基于像元层次的分类方法而言，面向对象分类，则是考虑了对象空间信息的智能化分类方法[7-8]。

1 研究区域及数据

本文用2011年9月25号获取的富锦市SPOT多光谱与全色影像，来进行融合实验。全色影像分辨率为2.5 m，多光谱影像分辨率为10 m。该研究区域主要地物类型有耕地、林地、湿地、人工表面、水体、未利用地。原始SPOT多光谱与全色影像如图1和图2所示。

图1 多光谱影像

图2 全色影像

2 技术路线和方法

本文先以5种影像融合方法来对获取到的影像进行融合，然后通过面向对象分类的方法对融合影像进行地物信息的提取。

2.1 遥感影像融合方法

2.1.1 PCA变换融合法

PCA变换法[10]是通过对遥感影像进行降维处理，使影像波段间的相关性大幅降低，以此达到最终的融合。用PCA变换法对影像进行融合时的主要步骤如下(1)对原始待融合影像进行配准；(2)对SPOT多光谱影像进行PCA变换，得到各主分量；(3)对SPOT全色影像与PCA变换的第一主分量进行直方图匹配，然后替换其第一主分量，得到新的第一主分量；(4)作逆主分量变换得到最终的融合影像。

2.1.2IHS变换融合法

IHS变换主要是[6]将影像从RGB空间变换到IHS空间。相对于融合前单一影像而言，IHS变换后的融合影像不仅保留了影像的光谱信息，同时也提高了影像的空间信息。

在“一带一路”项目建设中，经济风险普遍存在，主要是因为当地经济制度与经济政策的转变，会导致部分地区出现通货膨胀，随着当地政府债务、贸易状况的恶化，受到外界因素的影响，会突然开展严格的外汇管控，由于某种原因，会突然开展外国资本征用与国有化政策。一般情况下，随着经济体制的僵化，导致经济水平降低，市场开放度停滞不前，进而影响国家的发展。由于“一带一路”项目涉及60多个国家，国家主权信用级差跨度较大，很容易形成债务危机，严重的话还会导致债务危机与银行危机不断恶性循环，这无疑会影响“一带一路”金融支持与合作的发展。

基于IHS变换的遥感影像融合步骤如下：(1) 对原始影像进行配准；(2) 将多光谱影像进行IHS变换，分别得到亮度I图像、色度H图像、饱和度S图像；(3)以亮度I为基准，将全色影像与I进行直方图匹配，并替换I分量；(4)用新得到的I分量，同H分量、S分量进行IHS逆变换，最终得到融合影像。

2.1.3 小波变换融合方法

小波变换具有多次度特性，能将影像中的信息分别提取出来，然后利用相关原理分别进行融合，使影像中的信息得到全面增加[11]。基于小波变换的影像融合流程：(1) 对原始多光谱影像和全色影像进行配准；(2) 对原始SPOT多光谱和全色影像进行小波分解，分别得到各自的高、低频信息,并根据一种融合机制进行融合；(3) 对融合得到的高频信息和低频信息进行小波逆变，最终得到融合影像。

2.1.4 PCA变换与小波变换相结合融合方法

当用全色影像直接替换由多光谱影像PCA变换得到的第一主分量时，会导致影像信息的大量丢失。在获得新第一主分量时，若用全色影像与原始第一主分量进行小波变换融合处理，而不单是直接替换，这样不仅改善了小波变换的运行效率，且还尽量保存了PCA变换过程中影像的信息。

融合的具体流程：(1) 对原始多光谱影像和全色影像进行配准；(2) 将SPOT多光谱影像进行PCA变换，得到多光谱影像的3个分量；(3) 对SPOT全色影像与PCA变换中获得的第一主分量进行直方图匹配，并进行分解，得到各个分解级上的高频分量和低频分量；(4) 将高频分量与低频分量选择相应的融合方法进行融合，并将其进行小波重建得到新第一主分量；(6) 将新的3个分量进行逆主分量变换，最终得到融合影像。

2.1.5IHS变换与小波变换相结合融合方法

由于小波变换能较好的保留影像的光谱信息，而IHS变换能增加空间分辨率[9]，通过小波与IHS变换相结合的影像融合能得到一幅既具有影像的光谱特性，又有较高的空间分辨率的影像。

具体融合流程：(1)对原始SPOT影像进行配准；(2)对SPOT多光谱影像进行IHS变换，得到亮度I图像、色度H图像、饱和度S图像；(3)对全色影像和亮度I图像分别进行小波分解，得到各个分解级上的高频、低频分量，并按相应规则进行融合；(4)对新的高、低频分量进行小波重建，得到新的强度分量，再进行IHS逆变换，得到最终融合影像。

2.2 面向对象分类方法

面向对象的影像分类方法[12-14]是一种综合考虑了像元光谱值和空间信息的智能化影像分析方法。面向对象分类过程的步骤为[15]：影像多尺度分割、分类规则设定。

2.2.1 影像尺度分割

遥感影像的分割[16]是将整个影像根据颜色、形状等特征划分为由同质像元组成的大小不同、形状各异的影像对象的过程。影像分割时尺度的选择也很重要，其对分类结果精度起着决定性作用[17]。经过多次试验，本实验具体分割参数选择如下：颜色(光谱)权重为0. 8，形状权重为0.2，其中光滑度权重为 0.9，紧凑度权重为0.1，分割尺度为10。

2.2.2 分类规则设定

根据影像的特征与实地考察，将影像分成耕地、林地、湿地、人工表面、水体、未利用地6大主要类型，分类结果按照以下分类规则： (1)水体。影像中的水体主要是河流，在分类时可通过NDVI河流指数将影像中的河流提取出来;(2)人工表面。在影像中人工表面的颜色主要有青色、灰色、白色，形状规则，边界清晰;(3)林地。在影像中林地的颜色主要有深红色、暗红色，形状规则，边界自然圆滑、清晰;(4)耕地。耕地主要分为旱地、水田，颜色主要是浅红色，几何特征规则，边界清晰;(5)湿地。主要分布在河漫滩、低洼地;(6)未利用地。在这影像中主要是河流周边的沙地，颜色主要是白色或浅淡褐色。各对象的分类结构图如图3所示。

图3 分类结构

3 结果分析

3.1 融合结果

利用Matlab和ArcGIS软件，分别按上述步骤，依次采用PCA变换融合法、IHS变换融合法、小波变换融合法、PCA变换与小波变换相结合融合法、IHS变换与小波变换相结合融合法对SPOT多光谱影像和全色影像进行融合，所得到的融合影像如图4所示。

图4 融合图像

3.2 影像分类结果

分别依次对上述5幅融合影像采用面向对象分类方法进行分类，所得结果如图5所示。对实验中各幅影像进行地物信息提取，其中采样点在影像中用随机法得到，精度评价结果如表1～表6所示。

图5 分类图像

土地利用类型生产精度/%用户精度/%林地75.4878.49水体84.3985.28居民点82.7183.44耕地78.9079.26湿地77.3978.56未利用地80.1379.85总精度=80.12%Kappa系数=0.793

表2 PCA变换融合影像精度评价结果

表3 IHS变换融合影像精度评价结果

表4 小波变换融合影像精度评价结果

表5 PCA与小波变换相结合融合影像精度评价结果

表6 IHS与小波变换相结合融合影像精度评价结果

3.3 分类效果分析

首先，5幅融合影像采用面向对象分类后进行地物信息提取，其提取精度均高于原始影像。

其次，从总精度和Kappa系数来看，PCA与小波变换相结合的融合方法在影像地物信息提取精度上效果最佳，融合影像地物信息提取的总精度提高到89.24%，Kappa系数也提高到0.886，相比于原始的0.793也有质的增长。从地物信息提取的各项指标来看，这5种融合方法对影像进行融合得到的最终效果依次是：PCA与小波变换相结合>IHS与小波变换相结合>小波变换>PCA变换>IHS变换>原始多光谱影像。

综上所述，用这5种融合方法融合后的影像在一定程度上均提高了影像的信息含量。其中，单一的PCA和IHS变换融合方法的地物信息提取精度改善效果最差；小波变换的影像融合方法基于其多次度分析的特点，地物信息提取精度较前两种融合方法效果好；而基于PCA和IHS变换融合方法与小波变换相结合的融合方法发挥了各自方法的优点，在一定程度上弥补其缺点，在最终影像地物信息提取精度的效果上达到最好。

4 结束语

本文用5种融合方法对富锦市SPOT数据进行影像融合，然后运用基于面向对象分类的方法对影像进行地物信息提取，验证不同影像融合方法对地物信息提取精度的改善效果，得出以下结论：(1) 这5种融合方法均增强了原始影像的信息，小波变换利用其分频的特点，与主成份变换结合改善了主成份变换的信息丢失的现象，与IHS变换相结合克服了IHS变换直接替换融合降低多光谱影像光谱信息的缺点；(2) 通过对黑龙江省富锦市影像融合结果与原始影像进行地物信息提取精度对比分析，可直观的从地物信息提取精度表中看出这5种融合方法最终对影像的改善效果：PCA变换与小波变换相结合法>IHS变换与小波变换相结合法>小波变换法>PCA变换法>IHS变换法>原始多光谱影像分类。

[1] 巫震宇,王鹏,马猛.多传感器遥感图像数据融合研究[J].空间科学学报,2006,26(1):48-53.

[2] 杨波.基于小波的像素级图像融合算法研究[D].上海:上海交通大学,2008.

[3] 朱福珍,李金宗,李冬冬,等.IHS变换与小波变换相结合的图像融合新方法[J].计算机应用研究,2009,26(2):784-786.

[4] 赵晓雷.基于IHS变换和主成分分析变换的图像融合[J].科学技术与工程,2010,10(20):4954-4957.

[5] 刘成云,常发亮,刘春生,等.区域特征动态加权的IHS小波遥感图像融合[J].计算机工程,2012,38(8):198-200.

[6] 赵英时.遥感应用分析原理与方法[M].2版.科学出版社,2015.

[7] 刘发勇,王海莉,田建宏,等.影像融合效果的质量评价研究[J].现代测绘,2008,31(4):7-9.

[8] 莫利江,曹宇,胡远满,等.面向对象的湿地景观遥感分类—以杭州湾南岸地区为例[J].湿地科学,2012,10(2):206-213.

[9] 李洋,焦淑红,孙新童.基于IHS与小波变换的可见光与红外图像融合[J].智能系统学报,2012,7(6):554-559.

[10] 丁彦.基于PCA和半监督聚类的入侵防御技术研究[D].镇江:江苏科技大学,2013.

[11] 郑继明,耿金玲.小波变换在图像融合中的应用研究[J].重庆邮电大学学报:自然科学版,2008,20(5):561-567.

[12] 陈燕丽,莫伟华,莫建飞,等.基于面向对象分类的南方水稻种植面积提取方法[J].遥感技术与应用,2011,26(2):163-168.

[13] Ecognition B.Definients image GmbH user guide[M].Germany:eCognition,2003.

[14] 祖琪,袁希平,莫源富,等.基于面向对象分类方法在SPOT影像中的地物信息提取[J].中国岩溶,2011,30(2):227-232.

[15] Gao Y,Mas J F.A comparison of the performance of pixel-based and object-based classification over image with various spatial resolutions[J].Archives of Photogrammetry,Remote Sensing and Spatial Information Science,2008,2(1):27-35.

[16] 王敬贵,范建友,陈丹.基于面向对象分类技术的小流域土壤侵蚀遥感监测方法研究[J]人民珠江,2012,33(5):1-6.

[17] 于欢,张树清,孔博,等.面向对象遥感影像分类的最优分割尺度选择研究[J].中国图象图形学报,2010,15(2):352-360.

Feature Extraction Based on Remote Sensing Image Fusion

XIAO Zhiwen

(School of Electrical Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China)

Some areas feature have many kinds of small plots, diverse in shape, with a single low-resolution remote sensing image classification is difficult to achieve high accuracy. Paper use IHS transform fusion method, PCA transform fusion method, wavelet transform fusion method, PCA transform and wavelet transform fusion method, IHS transform and wavelet transform fusion method of these five methods, which fuse SPOT multi-spectral image and panchromatic image on fujin city of Heilongjiang province, and then use the object-oriented classification method to classify, comparative analysis of the degree of improvement of feature extraction accuracy. The results show that the five kinds of fusion method improves the classification precision of image, the feature information of the region are extracted effectively.

image fusion; PCA transform; IHS transform; wavelet transform; object-oriented classification

2016- 03- 17

肖智文(1987-)，男，硕士研究生。研究方向：图像处理。

10.16180/j.cnki.issn1007-7820.2017.01.045

TP751

A

1007-7820(2017)01-164-04