Landsat 8全色与多光谱数据融合算法对比研究

马梓臻，杜 崇，王笑峰

（黑龙江大学水利电力学院，黑龙江 哈尔滨150080）

0 引言

遥感技术在几十年的发展中已经被频繁的应用在农林业、海洋、气象、环境监测等许多领域。当下遥感卫星的发展趋势越来越好，遥感数据也愈加丰富，但对于遥感信息的利用率却不是很高，所以对遥感影像进行图像融合有利于提高目标地物的提取精度［1］。遥感数据也发展为高分辨率、高光谱、高时相［2］。随着这些遥感数据的增加，如何综合性的利用这些数据的优势来解决遥感影像自动解译过程中存在单一数据源不足的问题，因此，对遥感影像进行融合的技术逐渐成为了其中的热点问题之一［3］。并且融合多光谱影像和全色影像也已经成为了其中比较重要且常用的方法之一，因为多光谱影像具有高光谱分辨率，全色影像具有高空间分辨率。近年来Landsat系列卫星已经发展到Landsat8OLI卫星，其波段的划分更为精确细致，数据的量化范围也逐渐变大［4］。使用遥感影像融合技术可以将高光谱分辨率和高空间分辨率的影像融合来提升影像质量。当下，PCA主成分变换法、Brovey融合算法、Gram-schmidt光谱锐化法、NDD最邻近扩散算法、HPF高通滤波法、Pansharp融合法、SFIM融合法和小波变换法等都是频繁被人们使用到的方法，但不可置否，不论哪种算法都有自身的优缺点存在。对于不同数据源或参数设置不同时使用同一种融合算法，得到的融合效果也会存在较显著的差别。本文使用Gram-Schmidt光谱锐化法、Brovey变换法、PCA主成分分析法和NDD最邻近扩散算法四种方法，通过对Landsat8OLI影像的多光谱影像和全色影像进行融合，并将得到的融合结果从定性和定量两方面进行评价分析。

1 数据来源与预处理

Landsat8卫星由美国航空航天局（NASA）于2013年2月11日发射，卫星上携带了2个传感器，分别为陆地成像仪Operational Land Imager，（简称OLI）和热红外传感器Thermal Infrared Sensor，（简称TIRS）。OLI成像仪包括9个波段（B1～B9），其中包括一个空间分辨率为15 m的全色波段（B8），Band8由于其范围较窄可以更好区分植被和非植被。其余的均为空间分辨率为30 m的波段。TIRS成像仪携带的B10和B11两个热红外波段，其空间分辨率都为100 m，主要用于地球热区地带热量流失的收集。

本文采用2018年12月19日的Landsat8OLI影像主要位于哈尔滨市，且该影像的云覆盖量小于等于10%。对遥感影像使用ENVI5.3软件进行预处理和影像融合工作，其中预处理工作包括裁剪、辐射定标、大气校正和正射校正等。本文选取的Landsat8影像已提前做过正射校正，故不再对其进行正射校正预处理。

2 融合算法

2.1 G-S法

Gram-Schmidt Spectral Sharpening光谱锐化方法（简称G-S算法），首先进行G-S变换，变换要求将模拟后的全色影像作为变换的第一分量，然后再通过模拟高分辨率和低分辨率的波段影像进行G-S变换，然后通过统计值的不断调整来匹配变换后的第一分量，继而将生成的新的数据集进行G-S反变换来得到增强的空间分辨率的多光谱影像。该法不限制波段数量，可以较好地表达空间纹理和光谱特征，也可消除多余信息［4］。

2.2 Brovey法

Brovey融合算法采用的是RGB三个波段，将三个波段分别与全色波段对应像元的灰度值相乘，并将其与RGB图像波段总和进行相比，得到两者比值的结果，最后通过重采样方法得到高分辨率的多光谱图像。但是由于融合后的结果是遵循各波段的光谱信息按比例分配的原则，所以融合的影像会出现一定的色彩失真现象。该方法不适用3个波段地物特征的差异表现不明确的影像，因为这样使用Brovey法得到的融合影像效果将不显著。

2.3 PCA法

Principal component analysis主成分分析法（简称PCA），其融合原理为：先获得主成分分量，主成分分量是由PCA正变换得到的，接着用直方图均衡化后的全色影像替换第一主成分波段并且通过主成分逆变换得到融合后的影像［5］。多光谱和全色影像的光谱重合度决定了融合质量的好坏，否则将会出现光谱失真的现象。主成分变换的目的是去除多余信息，并使得主分成中含有的信息内容互不重叠，总数据量得以减少，图像信息也有所增强。

2.4 NND法

最邻近扩散算法Nearest－Neighbor Diffusion（简称NND）是以像素光谱为最小单位。融合原理为先使用重采样方法将全色影像处理到多光谱影像的空间分辨率。然后，对同一位置各个波段的像素应用线性回归算法获得光谱波段对于像素值的权重，并用全色高分辨率遥感影像计算邻近像素值的差异因子，最后，通过上一步获得光谱权重对光谱进行处理，获取近似于原始多光谱影像的光谱信息。其中，有两个重要参数在实验中选用默认参数，分别为强度平滑因子和空间平滑因子［5］。该方法具有效率高，速度快等特点，并且融合后的效果较好，可以很好的保持影像的空间特征和光谱信息。

3 影像融合效果评价指标

表1 评价指标

4 影像融合效果评价

对影像融合结果的评价通常采用两种方法即定性评价和定量评价。定性评价是通过评价人目视解译来对融合结果进行一定的分析，但是容易受到评价人主观上的影响。但其具有更快、更直观的优势，而且对融合后的结果进行初步判断也可以起到一定的参考作用［3］。但是结合评价指标对影像融合质量进行定量评价，会使结果更加准确且更具有说服力。而且通过指标分析的定量方法要比目视的定性方法更加准确和严谨，在对影像融合后的分辨率和亮度等各项指标的区分也可以更加清楚和明确。

4.1 定性评价

以下为融合结果图（图1～图5），从光谱特征方面来看，G-S、PCA和NND融合算法的影像光谱色调基本接近原始影像，较好地保留了光谱信息。其中NND融合影像的清晰度更好，纹理更清晰，地物划分更为明确。Brovey融合算法的图像清晰度相比其他三种略差，细节反映也不如其他三种。总体来看，NND算法目视效果最好。

图1 原始影像

图2 G-S法

图3 Brove y法

图4 PCA法

图5 NND法

4.2 定量评价

用评价指标对融合效果进行定量评价要比定性评价更为准确和严谨，可以更直观地通过数据清楚地了解图像的亮度，反差的大小，和所含信息量的多少，以及达到的融合效果如何和对一些微小细节的反差的表达水平如何也即图像的模糊程度。选取均值、标准差、信息熵以及平均梯度4个评价单一图像特征的指标来对融合影像进行定量评价，见表2。

表2 评价指标统计情况

在均值方面，NND融合算法的均值为114.8924，为4种结果中最高，G-S和PCA融合算法均值次之，表明NND融合效果的平均亮度较高，Brovey融合算法的均值最低为79.0444，表明其亮度较差。

在标准差方面，PCA融合算法的值最高为67.0438，其次为G-S法和NND法，这三种融合算法的标准差较为接近，表明这三种融合结果的灰度级分散度差不多，图像反差较大，读出的信息也较多。而Brovey融合算法的值最小，说明其融合后的图像灰度级的分散没有其他三种方法好，反差也较另三种方法略差。

在信息熵方面，是从融合效果来说，四种方法的信息熵都很接近，说明融合效果都较接近，NND法的融合效果较另三种略好一点，其包含的信息量也略多，可以更好地区分地物信息。

在评价梯度方面，从模糊程度来说，G-S融合算法、PCA算法和NND融合算法的平均梯度值都较为接近，分别为39.1768、39.4415和39.6474，表明融合后的图像清晰度都较好，Brovey融合算法的值最小为34.8130，图像清晰度相对较差，细节反映略差。总体来说，NND融合算法的融合效果整体上要比其他三种方法好。

5 结语

对Landsaat8OLI影像使用4种不同的融合算法进行融合，通过对比分析，可以得到G-S、Brovey、PCA和NND四种融合算法在空间分辨率上都有所提高，其中，G-S和PCA融合算法融合后的图像较接近原图，清晰度也较好，地物分类较清晰。而Brovey融合后的图像效果与原图有较大差别，灰度级分散度并不好，反差较差，清晰度也是最不好的，细节反映较另三种结果不好，地物分类效果较差，这也是因为Brovey融合算法是将各波段的光谱信息按比例分配，这也就导致了融合后的图像色彩变化较大，清晰度不够，并且存在色彩失真。反之不论是通过目视还是指标定量分析都可以发现NND法的对地物分类的效果更好，能更容易辨别不同的地物。最后，通过定性评价和定量评价得到的结果都表明NND融合算法得到的融合结果的灰度级分散度较好，图像反差较大，读出的信息也较多。