高分二号全色-多光谱影像融合方法对比研究

郑雅兰 王雷光 陆 翔

(西南林业大学林学院，云南 昆明 650224)

高分二号 (GF-2) 卫星于2014年8月19日在太原成功发射，8月21日首次开机成像并下传数据，是我国自主研制的第1颗高分辨率的民用光学遥感卫星。GF-2卫星搭载有0.8 m全色和3.2 m多光谱2台高分辨率相机，观测幅宽可达45.3 km，具有亚米级空间分辨率、大幅宽成像、高定位精度和快速姿态机动能力等特点，有效地提高了卫星综合观测效能，达到了国际先进水平。该卫星数据已为国土土地利用调查、矿产资源开发现状调查与监测、农业作物估产和长势监测、水利洪涝灾害及地震灾害监测等行业部门应用[1-3]。

在遥感影像分析中，将高光谱分辨率的多光谱影像与高空间分辨率的全色影像进行融合是提高遥感影像质量的主要手段。融合后的影像具有更好的视觉效果，便于目视解译及影像分析，不仅能提高影像的分类精度[4]，还能够促进影像在林业、农业等领域的应用。目前，常用的影像融合方法有亮度-色度-饱和度 (IHS) 变换、GS变换 (GS)、主成分分析 (PCA)、NND融合算法 (NND)、UNB融合算法 (UNB)、小波变换 (WT) 等。这些方法在高空间分辨率遥感影像融合方面都取得了较好的效果。

由于不同的传感器具有不同的成像特性，对于不同的卫星影像各种融合方法的效果也不一样[3]。近年来，董金芳等[5]采用PCA变换、GS变换、HSV变换和Brovey变换等方法对资源一号02C卫星的多光谱和全色影像进行了融合试验，并利用均值、标准差、平均梯度、信息熵和相关系数5个定量指标和目视解译方式对融合结果进行评价，总结出GS变换是最适用于资源一号02C卫星影像融合的方法。潘鑫等[6]选取多种常用的影像融合技术对资源三号卫星的多场景影像进行了融合对比试验，并在光谱和空间特性上做了效果评价，分析了适用于资源三号卫星不同场景影像的融合方法。孙攀等[7]采用5种常用方法对GF-2全色和多光谱影像进行了融合处理，并采用客观定量分析和主观目视解译2种方法进行了质量评价，综合对比结果表明，GS为最佳融合方法。熊德峰[3]选取了5种常见的融合方法对GF-2卫星进行了融合试验，并在目视判别和定量分析方面做了评价，试验结果表明，对于不同的场景，影像融合效果不一，需根据实际应用来选取合适的融合方法。

针对GF-2卫星影像，现有融合方法的适用性仍有待探究。同时，现有的评价方法多通过简单的定量指标评价融合效果，难以反映融合结果对后续影像分析的影响。因此，本研究选取6种主流的融合方法，对广州地区不同场景的GF-2卫星影像数据进行融合试验，并采用目视判读和定量评价的方法对融合结果进行直接评价，最后通过分类精度对融合结果进行间接评价，以探究适用于GF-2卫星影像的融合方法。

1 材料与方法

1.1 数据来源

研究区主要位于广东省广州市，研究对象包含建筑物、耕地、林地、水体、道路等多种地物类型。研究数据采用1景GF-2卫星影像，影像基本信息见表1。

表1 影像基本信息Table 1 Basic information of image

1.2 数据预处理

由于影像配准的精度会影响融合结果的质量，因此在融合前，需要将每组数据的多光谱影像与全色影像进行精确的地理校正，并将配准误差控制在0.3个像元以内，使得数据满足像素级融合的需要。配准完成后，多光谱影像与全色影像具有相同的空间大小。

考虑到影像处理速度的问题，本研究分别选取3组多光谱影像大小为5 000 × 5 000像素及1组1 000 × 1 000像素的子影像进行融合试验。

1.3 融合算法

1.3.1GS融合算法

GS融合算法首先根据适当的权重计算蓝、绿、红和近红外4个波段，合成出1个低分辨率的全色波段；然后，将合成的全色波段作为第1个波段，与多光谱波段进行GS正变换；最后，将高分辨率的全色波段替换变换后的第1成分，再进行GS逆变换，得到高分辨率的多光谱影像[8]。

1.3.2自适应GS融合算法 (GSA)

GSA融合算法与GS变换算法的过程相同，二者的区别在于采用不同的方式生成低分辨率的全色影像。在这一过程中，GS变换对多光谱的各个波段使用相同的权重系数，而GSA算法对多光谱的各个波段进行自适应权重系数的选择，从而能更好的保持光谱连续性[9]。

1.3.3PCA融合算法

PCA融合算法的主要过程：首先对低分辨率的多光谱影像进行PCA正变换，得到若干主成分分量；然后，对全色影像进行直方图均衡化，并替换第1主成分分量；最后，进行PCA逆变换得到融合后的结果影像。该方法的融合质量依赖于全色和多光谱影像的光谱重合度，否则容易出现光谱失真现象[10-11]。

1.3.4NND融合算法

NND融合算法：首先，将全色影像下采样到多光谱影像大小；然后，通过线性回归计算光谱波段贡献向量，从而得出原始全色影像中每个像素的最邻近超像素的差异因子；最后，运用线性混合模型来得到融合后的影像。其中，强度平滑因子和空间平滑因子这2个重要参数可以根据应用来设置。试验中使用默认参数[12]。

1.3.5UNB融合算法

UNB融合算法较为复杂，首先将参与融合的多光谱和全色影像进行直方图均衡化；然后，用最小方差方法对全色波段光谱范围覆盖下多光谱波段的灰度值采取最佳匹配，匹配过程中产生的权重与对应波段多光谱相乘并求和来合成1个新的影像；最后计算均衡化的全色影像和合成影像之间的比值，将均衡化的多光谱影像与之相乘，得到最终融合结果。此方法在融合过程中运用了多种统计运算，提高了融合过程的自动化程度[13-14]。

1.3.6SRM融合算法

SRM (Subtractive Resolution Merge) 融合算法首先由多光谱影像的各波段按照合适的权重构建1个低分辨率的全色影像；然后，将合成的全色影像尺度上推到与原始高分辨率全色影像同样的像素大小，并且用高分辨的全色影像减去合成的低分辨率全色影像来提取边缘细节；最后，将细节信息乘以全色影像的贡献权重，再加回到低通滤波后的多光谱影像中，得到融合结果[15]。该算法集成在ERDAS软件中。

1.4 质量评价指标

1.4.1信息熵

信息熵 (EN) 是用来表示任何一种能量在空间中的均匀分布程度，能量分布得越均匀，熵就越大。在影像中 (噪声因素除外)，熵越大，表示影像包含的信息量越多，影像的融合效果越好[16]。

(1)

式中：F(a) 是某一像元a在图像中出现的概率。

1.4.2相关系数

相关系数 (CC) 反映2幅影像光谱特征的相似程度，相关系数越大，说明待评价图像与标准图像越接近[17]。定义结果影像与原始影像的相关系数的表达式为：

(2)

1.4.3相对全局维数综合误差

相对全局维数综合误差 (ERGAS) 能够反映图像的总体质量，ERGAS值越小，说明图像的质量越高[18]。其计算公式如下：

(3)

式中：dP表示待评价影像像素大小，dMS表示标准影像像素大小，K是多光谱影像波段数，MEANi表示第i个波段的均值，RMSEi表示融合影像与标准影像第i个波段的均方根误差。

1.4.4光谱角

光谱角 (SAM) 计算融合影像与参考影像对应像素的角度，反映了光谱失真情况，该值越小，表示融合影像的质量越高[19]。其公式表达式如下：

(4)

式中：v表示融合影像的所有像素点集，v′表示参考影像的所有像素点集。

1.5 分类精度

除了采用质量评价指标来定量分析融合影像的质量好坏，影像的分类精度也是1种精确验证融合方法有效性的方式，它能反映融合结果对后续影像分析的影响。影像的分类精度以生产者精度 (PA)、用户精度 (UA)、总体精度 (OA) 和Kappa系数4种指标来定量表示，它们的值越高，表明融合影像中类别的可分性越高，从而反映了融合方法能够较好的保持原始多光谱影像的光谱特性。

2 结果与分析

2.1 目视判别

本研究选取6种主流的融合算法进行对比试验，截取了2组GF-2影像不同地物类型的融合结果进行对比分析，为了方便视觉比较，所有的影像都以标准假彩色方式显示，并做了5%的对比拉伸，见图1～2。

图1耕地和道路的参考影像及不同方法的融合影像对比结果
Fig.1 The comparison between reference images and fused results of plough and road with different methods

图2林地和水体的参考影像及不同方法的融合影像对比结果
Fig.2 The comparison between reference images and fused results of forest area and water body with different methods

从耕地和道路的不同方法的融合影像对比结果 (图1) 可以看出，PCA方法的融合结果颜色偏浅，尤其是在耕地部分更为明显。NND方法的融合影像整体效果较好，但在耕地部分有明显的模糊现象，细节信息增强的力度不够。相对来说，GSA和GS方法有较好的光谱保真性，地物的细节信息也得到明显的增强。UNB和SRM方法次之。

从林地和水体的不同方法的融合影像对比结果 (图2) 可以看出，对于林地区域的融合效果，GSA方法最好，不仅增强了空间细节，光谱信息也很好的保留了下来，其次是UNB、SRM和GS方法。PCA方法增强了细节信息，但林地部分颜色偏浅。NND方法在光谱和细节增强方面都次于其他方法。就水体而言，GS、GSA和UNB方法的效果优于其他几种方法，SRM方法水体颜色有一定程度的偏差。

2.2 定量评价

利用4种质量评价指标对各融合方法结果进行评价，统计结果见表2～3。

表2 耕地和道路的不同融合方法影像质量评价Table 2 The quality evaluation of different fusion methods

表3 林地和水体不同融合方法影像质量评价Table 3 The quality evaluation of different fusion methods

由表2可知，GSA方法的前3个指标值最好，SAM值较好，说明GSA融合方法的结果在光谱保持和细节增强方面都有很好的表现，这是因为GSA方法采用了局部窗口计算方式，使得光谱信息具有连续性。其次是GS和PCA方法，这与图1中的目视判别结果相符合。而NND、UNB和SRM方法各指标结果相对较差。

由表3可知，PCA方法的信息熵最高，其次是GS方法，说明PCA和GS方法在保持影像的信息量方面优于其他方法。这是因为二者都是基于全局模型的算法，避免了细节损失。GSA方法的相关系数指数最好，ERGAS指标次好，说明GSA方法的光谱保持特性比其他方法强。NND方法的SAM值最好，但在图2(f) 中NND方法的融合结果出现了少量的光谱失真，且林区表面不够锐化。这与NND方法中强度因子设置的大小有关，强度因子越小，融合结果影像越平滑；反之，影像越锐化[12]。本研究中，NND方法使用默认参数设置。UNB方法的ERGAS值最好，CC指标次好，说明该方法的光谱保持能力仅次于GSA方法，但其EN值最低，表明细节增强能力较差。相对来说，SRM方法的光谱保持和细节增强能力不突出，融合效果介于NND和UNB方法之间。

2.3 分类精度分析

为了更直观地反映融合结果对后续影像分析的影响，从应用方面分析各种融合方法效果的好坏，本研究采用支持向量机 (SVM) 分类方法[20]，仅提取光谱特征，选取1组GF-2影像进行融合，并对各融合结果影像进行监督分类。依据目视解译并结合研究区土地覆盖情况，将真实地表数据划分为157个地块，共包含水体、树、草、道路等10种地物类型，各地物类别的训练样本及测试样本如表4所示。

多光谱及不同方法融合影像的分类结果见图3。从目视角度分析，虽然细碎的小斑和错分的地物较多，但各类融合方法的分类结果都比多光谱影像直接分类效果好，且总体差异不大。其中，SRM方法分类结果的整体性优于其他方法。

表4 不同地物类别的训练样本及测试样本Table 4 Sample size of different types of objects 像素

图3多光谱及不同方法融合影像的分类结果
Fig.3 The classification results of the multispectral image and different fusion methods

表5统计了多光谱影像及不同方法融合影像的分类精度。从生产者精度和用户精度可知，各类融合方法都能将水体完整的分出，精度可达100%；而对于作物2、树、作物3和道路这4种地物类型，各融合方法的分类精度均能达到90%以上。综合各类地物的分类结果来看，每种方法都会出现部分漏分或错分现象，但SRM方法的生产者精度和用户精度总体高于其他方法，例如：在黑色大棚、5种农作物和道路的分类结果中，SRM方法的生产者精度和用户精度均高于其他方法；在树的分类结果中，UNB方法的生产者精度和用户精度最高，SRM方法次高；在草的分类结果中，GS方法的生产者精度和用户精度最高，SRM方法次高。此外，SRM方法的OA精度和Kappa系数最高，GS方法次高，接着是GSA和UNB方法，而PCA和NND方法分类精度较低。综合上述精度分析结果可知，SRM方法适用于GF-2影像地物分类方面的应用。

表5 多光谱及不同融合方法影像的分类精度Table 5 The classification accuracy of the multispectral image and different fusion methods %

2.4 融合方法适用性分析

综合上述3种分析结果可以得出，针对GF-2卫星影像，各融合方法都能增强原始多光谱影像的空间细节信息和目视效果，同时提高影像的分类精度。但总体来说，GSA、GS和PCA方法在空间细节增强和光谱保持方面的效果较好，尤其在绿色植被和水体区域的表现优于其他方法，适用于影像的目视解译；SRM和UNB方法融合效果适中，且SRM方法的分类精度较高，适用于地物分类方面的应用；NND方法会出现轻微光谱失真现象，且其分类精度较低，在实际应用中则不建议选择。

3 结论与讨论

本研究针对GF-2卫星影像数据，选取6种主流的融合方法对其全色和多光谱影像进行融合处理，并采用目视解译和4种质量评价指标对融合结果进行直接定量评价，再利用各融合影像的地物分类精度间接评价各融合方法的有效性和适用性。结果表明，研究区覆盖的地物类型不同，各种融合方法的效果也不同，对于水体部分，GS和PCA方法的光谱保真性高于其他方法，而对于绿色植被区域，GSA方法的效果最优，这3种方法适用于目视解译；从地物分类的角度来说，SRM方法的分类精度最高，比较适合用于地物分类方面的应用；而UNB融合方法效果适中，可用作GF-2卫星影像融合的替补方法；NND方法会出现轻微光谱失真现象，且其分类精度偏低，在实际应用中则不建议采用。因此，对于GF-2卫星影像数据，需根据研究区的地物类型及具体应用来选取合适的影像融合方法。

在后期工作中，将采用一些新的光谱失真较小的融合方法，如基于局部窗口自适应参数选择的方法和基于小波变换的方法[21]等，来探寻更适用于GF-2卫星影像的融合方法，从而提高融合影像的质量，扩大其应用范围。

[参考文献]

[1] 云成. 高分二号卫星[J]. 卫星应用, 2014(9): 65.

[2] 潘腾. 高分二号卫星的技术特点[J]. 中国航天, 2015(1): 3-9.

[3] 熊德峰. 高分二号卫星影像融合方法探析[J]. 测绘与空间地理信息, 2016, 39(9): 102-104, 108.

[4] Wang L G, Wu W, Dai Q, et al. Remote Sensing Image Texture Classification Based on Gabor Wavelet and Support Vector Machine[C]// Geoinformatics 2006: Remotely Sensed Data and Information. Bellingham: SPIE,2006.

[5] 董金芳, 袁媛, 高蓓, 等. 资源一号02C星遥感影像融合分析[J]. 地理空间信息, 2015, 13(1): 36-38.

[6] 潘鑫, 杨英宝, 张竹林, 等. 资源三号卫星影像融合方法的比较与评价[J]. 地理空间信息, 2014, 12(5): 59-61, 9.

[7] 孙攀, 董玉森, 陈伟涛, 等. 高分二号卫星影像融合及质量评价[J]. 国土资源遥感, 2016, 28(4): 108-113.

[8] Laben C A, Brower B V. Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening: US, US 6011875[P]. 2000-01-04.

[9] Aiazzi B, Baronti S, Selva M. Improving component substitution Pansharpening through multivariate regression of MS+Pan data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(10): 3230-3239.

[10] Shettigara V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set[J]. Photogrammetric Engineering and Remote Sensing, 1992, 58(5): 561-567.

[11] Shah V P, Younan N H, King R L. An efficient pan-sharpening method via a combined adaptive PCA approach and contourlets[J]. IEEE Transactions on Geoscience and Remote Sensing,2008,46(5):1323-1335.

[12] Sun W, Chen B, Messinger D W. Nearest-neighbor diffusion-based pan-sharpening algorithm for spectral images[J]. Optical Engineering, 2014, 53(1): 013107.

[13] Zhang Y. Understanding image fusion[J]. Photogrammetric Engineering and Remote Sensing, 2004, 70(6): 657-661.

[14] Zhang Y, MISHRA R K. From UNB PanSharp to Fuze Go-the success behind the pan-sharpening algorithm[J]. International Journal of Image and Data Fusion, 2013, 5(1): 39-53.

[15] Ashraf S, Brabyn L, Hicks B J. Image data fusion for the remote sensing of freshwater environments[J]. Applied Geography, 2012, 32(2): 619-628.

[16] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27(3): 379-423.

[17] Klonus S, Ehlers M. Image fusion using the ehlers spectral characteristics preservation algorithm[J]. GIScience and Remote Sensing, 2007, 44(2): 93-116.

[18] Ranchin T, Wald L. Fusion of high spatial and spectral resolution images: the ARSIS concept and its implementation[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(2): 49-61.

[19] Yuhas r H, Goetz A F H, Boardman J W. Discrimination among semi-arid landscape endmembers using the Spectral Angle Mapper (SAM) algorithm[C]// Summaries of the Third Annual JPL Airborne Geoscience Workshop. Pasadena: JPL. 1992.

[20] Boser B E, Guyon I M, Vapnik V N. A training algorithm for optimal margin classifiers[J]. Proceedings of the Fifth Annual Workshop on Computational Learning Theory-COLT ′92, 1992: 144-152.

[21] Pajares G, Manuel de la Cruz J. A wavelet-based image fusion tutorial[J]. Pattern Recognition, 2004, 37(9): 1855-1872.