一种双尺度分解的高分辨率遥感影像融合方法*

干林杰，谭荣建

（昆明理工大学，云南 昆明 650093）

0 引言

21世纪以来，许多国家都在大力发展空间遥感，致力于建设高分辨率的地球观测系统。在高分辨率对地观测系统重大专项工程的指导下，中国高分遥感成像技术不断取得突破和进步，显著促进了整个遥感产业基础技术水平的提高，带动了我国高分辨率卫星的广泛发展[1]。为此，如何快速而高效地提高中低分辨率卫星的空间光谱分辨率已经成为目前影像融合领域[2,3]的研究热点。经过多年各个领域的研究和突破，这些融合方法取得了较好的融合性能，并广泛应用于许多重要领域，如岩性分类[4]、地质解译[5]和地质灾害调查[6]等领域。

多源图像融合可类比为多源信息融合，即先获取源影像原始显著特征，然后通过适当的融合方法将这些优势特征集成到单个图像内。多源遥感图像融合的主要目的之一是在保留光谱信息的基础上同时提升影像空间分辨率，获得高空间分辨率多光谱图像。经过40 多年的研究，目前影像融合可分为基于分量替换的图像融合[7,8]、多尺度图像融合[9,10]、模型图像融合[11,12]等。基于分量替换的方法，如主成分分析法、散饱和（Intensity-Hue-Saturation，IHS）变换法等，简单高效，易于实施，但会存在一定的光谱失真现象。基于多尺度图像融合的方法，如小波变换、剪切波融合、非下采样轮廓波变换等方法，可以较好地将影像融合，但时间效率不高，存在一定的空间失真情况。基于模型的方法，如稀疏表示、变分法等，虽然该方法中的模型可以很好地融合光谱与空间信息，但运算效率低下，算法复杂度高。上述部分融合方法针对不同分辨率的影像融合时存在鲁棒性差、算法复杂度高的问题，所以寻找一种鲁棒性强、复杂度低的融合算法至关重要。

针对以上存在的问题，提出了一种基于引导滤波的双尺度快速遥感影像融合方法。该方法充分考虑结构层和能量层的信息，引入滚动引导滤波模型将遥感影像分解为捕获丰富梯度和小能量信息的结构层和包含能量信息的能量层。所提出的梯度能量（Gradient-Energy，GE）算子和能量属性EA 的融合规则可以有效地将结构层与能量层的信息融合。为了客观地评价融合结果，以高分1 号（GF-1）、高分2 号（GF-2）卫星影像的全色（Panchromatic，PAN）与多光谱（Multi-spectral，MS）影像为数据源，将本文提出的算法与几种最新的融合方法进行定性和定量的比较。实验结果表明，该方法优于现有的大多数融合方法。

1 实验方法

1.1 研究方法

本文提出了一种双尺度分解的国产高分遥感影像融合方法，如图1 所示，主要由5 部分组成：YUV 变换、滚动滤波分解、结构层融合、能量层融合和影像重构。

图1 影像融合流程

该影像融合方法的具体流程为：

（1）对原影像进行校正、上采样等预处理，得到校正后的影像裁剪成影像对；

（2）对影像对中的MS 遥感影像进行YUV 变换提取灰度分量Y，将Y 和全色影像采用联合引导滤波的滚动引导滤波的有效双尺度分解，得到结构层和能量层部分；

（3）针对结构层分量，采用一种梯度能量的GE 模型融合规则，针对能量层，采用能量属性的EA 的融合规则；

（4）将结构层与能量层部分相加，然后经过YUV 逆变换得到最终融合影像；

（5）与其他方法进行比较，并进行定量定性评价。

1.2 YUV-RGB 变换

在YUV 空间中，每一个颜色有一个亮度信号Y 和两个色度信号U 和V。亮度信号是强度的感觉，将它和色度信号断开，这样的话强度就可以不影响颜色的改变。因此，首先将输入的遥感影像转换到YUV 颜色空间，其次生成Y、U、V 这3 个通道。其中，Y 通道是亮度通道，将Y 通道和全色影像进行分解融合得到Y´通道，然后将生成的Y´通道、U 通道和V 通道联合转换到RGB 空间，得到最终的融合图像。

1.3 双尺度分解

双尺度分量分离技术已广泛应用于多种图像融合方法中，通常采用平均滤波、双边滤波等方法。由于遥感影像本身的复杂性，使得这些方法在滤波的过程中会造成大量信息的损失，为此提出了一种基于联合引导滤波的滚动引导滤波的有效双尺度分解方案。

首先，笔者利用MATLAB 集成引导滤波进行滤波。引导滤波的本质是对引导图像进行局部线性滤波，引导图像为输入图像时，引导滤波器[13]就是一个保边平滑滤波器，在滤除图像噪声的同时能够增强图像的细节和边缘信息。

其次，为了解决滤波器在平滑纹理或区域细节时出现的物体轮廓或边界丢失的问题，笔者充分利用了滚动引导滤波[14]边缘和局部亮度保持特性，在平滑小尺度目标及纹理细节时，可以迭代恢复大尺度目标的边缘，并通过引导滤波将输入的全色与多光谱影像分为结构层与能量层。

1.4 结构层融合规则

结构层包含影像更多的细节信息。为了减少细节信息的损失，采用梯度能量的GE[15]的融合规则从影像中提取梯度信息，可以减少影像细节信息，从而增强影像间的相关性。梯度能量计算为：

式中：(x,y)为输入图像I的像素位置；EI(x,y)为图像的位置信息。EI(x,y)可以被定义为：

式中：N为窗口的大小。(2N+1,2N+1)是邻域的大小。N的取值控制窗口的大小。

接下来通过比较图像的结构显著性，来进行图像融合，MA(x,y)和MB(x,y)采用相同的方式，计算方式为：

式中：MA(x,y)和MB(x,y)为结构层显著检测图；A为全色影像；B 为多光谱影像。源图像的融合结构层可以通过以下计算方法获得融合的结构分量：

式中：AS(x,y)和BS(x,y)为利用滚动引导滤波分解的结构层；FS(x,y)为融合的结构层。

1.5 能量层融合规则

能量层包含源图像的大部分信息（纹理结构和背景）。能量层选择的融合规则是否准确决定了融合影像的质量，为了减少信息的丢失，本文在能量层采用能量属性EA[16]融合策略。该EA 融合规则可分为以下3 步：

（1）计算能量层的属性值：

式中：μ和Me分别表示能量层NA和NB的平均值和中值。

（2）EA 函数中能量层影像A 和B 的能量AE和BE的计算方式为：

式中：exp(α|N(x,y)-IPs|)为指数运算符；α为调节参数。

（3）通过加权平均值获得能量层的融合：

式中：FN(x,y)为融合的能量层。

1.6 影像重构

最后，将FS(x,y)和FN(x,y)相加，即可得到最终的融合影像：

2 实验与讨论

2.1 融合评价指标

本文方法采用主观评价和客观评价组合的方式进行综合评价，在客观评价方面使用相对全局融合误差（Relative Dimensionless Global Error，ERGAS）、相对均方误差（Relative Average Square Error，RASE）、均方根误差（Root Mean Square Error，RMSE）、通用图像质量评价指标（Universal Image Quality Index，UIQI） 和相关系数（Correlation-Coefficient，CC）等5个评价指标评估不同的融合方法，验证本文方法的优越性，具体公式如表1 所示。

表1 影像客观评价指标

2.2 实验数据

为了更好地验证本文算法，选取国产卫星高分1 号和高分2 号的影像作为实验数据，如表2 所示。利用ENVI5.3 软件对高分1 号和高分2 号的PAN 影像和MS 影像进行校正、上采样等预处理，将经过预处理后的PAN 和MS 影像进行裁剪形成实验影像对。图2 为高分1 号和高分2 号卫星的影像对，其中图2（a）和图2（b）为高分1 号影像对，图2（c）和图2（d）为高分2 号影像对。

图2 裁剪影像

表2 影像的基本信息

2.3 实验参数讨论

在所提出的模型中，本文中为了更好地获得融合实验结果，对能量层融合策略中调制参数α进行实验，分别使用高分1 号和高分2 号不同尺度的影像数据对参数进行了讨论，利用ERGAS、RASE、RMSE、UIQI 和CC 等5 种不同的指标验证实验的效果，如图3 所示。本文选取α的值为1、2、3、4、5、6、7、8、9、10、20、30、40、50、100、150、200、250 和300，通过实验得出的结果如图3 所示，从图3 中可以看出，当调制参数α=1 时实验结果取得最优值，因此将本文实验中调制参数α的值设置为1。

图3 调节参数α 实验

2.4 实验结果与分析

图4 为采用IHS、FDIF[11]、DGIF[16]、INS[14]和本文方法得到的融合结果。表3 为遥感影像融合得到的客观评价结果。

由图4 可以看出，方法IHS 保持了良好的光谱信息，但空间信息方面取得比较差的效果，方法DGIF 在保持光谱信息和空间方面都取得较差的效果，方法FDIF、INS 和本文方法在保持光谱和空间信息方面获得较好的融合结果，说明本文方法采用的融合规则较好地保留了空间信息，减少了光谱失真的发生。

图4 影像融合结果

本文采用ERGAS、RASE、RMSE、UIQI、CC共5 种评价指标对高分1 号影像和高分2 号影像进行了评价，评价结果见表3。由表3 可知，评价高分1 号影像时，FDIF 方法在ERGAS、RASE 评价指标获得最优的效果，说明融合效果良好地保持了细节信息。本文方法在RMSE、UIQI、CC 获得最优效果，在ERGAS、RASE 获得一个次优效果，说明本文方法在融合影像中较好地保留了空间、结构、边缘等信息。评价高分2 号影像时，DGIF 方法在CC 获得一个最优值，说明融合影像与源影像有较强的相关性，本文方法在ERGAS、RASE、RMSE、UIQI 获得最优效果，在CC 获得一个次优效果，说明本文方法对更好分辨率的遥感影像有更强的适用性，空间细节表现能力得到了有效提高。

表3 影像融合客观评价指标

综上所述，本文方法在针对高分1 号和高分2号不同分辨率的影像时，利用联合引导滤波的滚动引导滤波保留了结构信息和细节信息，并利用基于能量的融合规则保持了能量信息。本文方法虽然客观评价指标有差异，但总体上均达到一个最优的效果。通过实验验证，在细节处理、保护边缘及保留源图像信息上都有一定的优势，说明本文方法的融合策略是可行的。

3 结语

本文提出了一种双尺度分解的高分辨率遥感影像融合方法。该方法利用联合引导滤波的滚动引导滤波有效地对多光谱与全色影像进行双尺度分解，得到结构层和能量层部分，减少了空间光谱信息的丢失；利用梯度能量的GE 融合规则融合，较好保留了结构信息；利用能量属性的EA 融合策略，较好地保留了能量信息。本文选用了不同分辨率大小的高分遥感影像作为实验数据，通过大量实验验证了本文方法的可靠性和泛化能力。本文融合方法在主客观评价上总体优于基于IHS、FDIF、DGIF 和INS 等方法，但还需在较低分辨率的遥感影像融合方面进行进一步研究并提出更好的融合方法，然后将其应用于地质灾害防治、灾害解译等方面的研究中。