GF-2卫星数据融合及在矿山地物识别中的应用

李得全，马玉强，张福仓，申元强

(1.山金西部地质矿产勘查有限公司，青海 西宁 810003；2.中国建筑材料工业地质勘查中心青海总队，青海 西宁 810001)

0 引 言

自2010年“高分专项”工事实行以来，我国交叉发射了多颗陆地观测卫星，其中高分二号(GF-2)卫星以其能够提供空间分辨率高达1 m的卫星数据深受广大用户的青睐，海量卫星数据资料源源不断地提供和推广应用彻底改变了以往依赖国外卫星数据的尴尬局面。然而就GF-2卫星数据而言，全色波段数据分辨率较高，而多光谱图像能更细致地反映地物光谱的一些特征，如何充分融合遥感影像信息，能更好发挥最大的使用效益，众多学者认为对于同一种融合方式，当数据源、参数设置或者研究目的不同时，其融合效果也会有明显的差别[1]。文章就当下众多学者一直关注的图像融合的焦点问题，以GF-2卫星数据的矿山地物目视解译为应用目的，对几种普遍常用的融合方法展开试验及探讨。

1 数据源及研究区概况

该次实验研究所选用的卫星数据为GF-2数据，包括1 m分辨率全色波段数据和4 m分辨率的多光谱数据，图像经过预处理使误差节制在半个像元以内，能够有效保证多光谱数据与全色波段数据融合效果。研究区在新疆维吾尔自治区库车县北部约50 km处库车矿山区。

1.1 数据源简介

高分二号卫星于2014年8月19日发射成功，装有2台高分辨率1 m全色、4 m多光谱相机，在生态环境、地质矿产、农业、林业、环境保护、灾害监测等方面都具有很大的实用价值，是我国陆地观测卫星中分辨率最高的卫星，其星下点空间分辨率可达0.8 m，亚米级的空间分辨率、定位精度、快速姿态、机动力、轨道参数参见表1，是当前我国民用陆地观察卫星中的分辨率最高卫星[2-4]。

表1 GF-2卫星轨迹参数一览表

1.2 试验区概况

试验区内盆地和山地分明，山地为中山地貌，盆地为山前冲洪积平原，海拔在2 100 m左右；此外，实验区内共有采矿权19处，其中：矿山企业10处(小型矿山企业7处、中型矿山企业2处、大型矿山企业1处)，开采方式为地下开采和露天开采2种形式，矿山地下开采区域主要分布在试验区西侧，而露天开采区则主要分布在试验区东侧，地物目标包含有矿山开采硐口、矿山开采面、矿山中转场地、矿山固体废弃物、矿山建筑以及矿山开发引发的滑坡、崩塌、地面塌陷等，为GF-2矿山地物识别分析提供了基础。

2 图像融合试验

遥感图像数据融合的过程是在统一的地理坐标系统中，利用特定的遥感图像进行算法的分析，为了更好的表达该目标信息，同时，使该图像具有新的空间特征、波谱特征、时间特征，由此得出具有更的数据[5-6]。在融合模式上，已经有一些传统的演化算法，例如GS变换、Brovey变换、PCA变换、NNDIFFUSE演化等，因为全色带资料与多光谱资料的频谱响应范围不符，采用以上方法，融合后的图像与多光谱图像的颜色存在着差异[7-8]。采用GS转换法，Brovey转换法，PCA转换法，NNDIFFUSE算法，对GF-2全色波段的数据进行试验融合。

2.1 不同融合方法原理简介

BroveyFusion又称颜色标准化融合(Colornormalization)融合(Colornormalization)，是美国科学家Brovey建立和推广的模型，是一种RGB的色彩融合转换方式，目前已有大量的应用[9-11]。该方法主要将多光谱影像的图像空间分解成颜色及亮度成分，并对其进行操作(complex)。在进行融合处理时，首先将图像显示的多光谱波段色彩归一化，然后对其分别乘以多光谱图像中的每个波段的灰度，也就是整个色影像的灰度[5，12-13]。其公式定义为：

式中：Pan表示安排巨细后的全色影像的对应值，I0、R0、G0、R0分别表示安排巨细后的多光谱影像的对应值，Rnew、Gnew、Rnew则分别表示融合后的多光谱影像的对应值[14]。

PCA融合处理方法是将多波段影像转换到各不相关的成分，然后依照特定的融合规则，将高解析度影像与低解析度影像的主要成分进行融合处理，并以此融合后的主要成分取代原有的主要成分，最后利用反向转换来重建融合影像的过程[15]。

GS变换(GStransformation)是一种多维线性正交转换。在进行GS融合时：①用多光谱影像来模拟全色影像的方法，使低通滤波产生低分辨率全色影像；②对多光谱影像进行GS变换，使全色影像作为第一分量，从而得到其它分量；③将高解析度图像进行仿真，将校正后的图像作为第一份量与其它重量一起进行GS反向的，最后得到了融合后的图像[6，12]。

通过对美国罗彻斯特理工学院(RIT)的分析，发现了1种新的算法。该算法利用了1种基于存储并行编程(OpenMP)与统一计算装置结构(CUDA)技术，以改善其处理性能，与以往的方法相比，其在融合影像的品质和处理速度上具有更大的优势。在不同的波长范围不交叉的情况下，在多光谱的全部波段之间，通常情况下，全色波段几乎能在波长区域内覆盖多光谱的所有波段时，其融合效果要好得多。用NNDiffuse融合方法必须符合下列条件：①低分辨率图像的像元大小必须是高分辨率图像的整数倍，若无，就必须进行再制造；②图像一定要投影信息一致；③形象的尺寸一定要一致；④保证图像左角度对齐，不会对融合精度产生影响，如果配准精度低于辅助像象素[12]。

2.2 融合试验

在ENVI图像专业处理软件下对经过精纠正的GF-2多光谱图像和全色波段图像分别进行GS变换法、Brovey变换法、PCA变换法和NNDiffuse算法融合，融合成果采取真彩色展示，并进行2 %“掐头”拉伸增强处理。GF-2卫星原始全色影像和真彩色合成多光谱影像见图1，采用上述4种融合方式所得到的融合图像见图2。

图1 试验区GF-2卫星原始数据

3 融合效果评价

从空间细节的加强和频谱信息的维持2个角度，对以上不同方法的图像进行了主观视觉和客观定量对比和评价[16]，最后：NNDiffuse算法在亮度信息、清晰度和频谱信息等方面均有较好的优势，融合后的图像不但能很好地保持原始图像的光谱特性，而且还能提高图像的可解译性，从而提高图像的可解性[17]。

3.1 主观视觉评价

从空间分析角度来看，Brovey转换法、PCA转换法、GS转换法、NNDiffuse算法等已有的图像，都会让原来的多光谱图像的空间解析度得到了提高，图像资讯得到最大程度，能够准确地区分各地物的空间结构和各个物之间的边界线，提高判读能力。图像的地物感知更为强，地物的纹理也比原有的多光谱图像更加清楚，所以在抽取图像信息时，Brovey转换方法的融合效果要差，从而得到更丰富、更精确的结果[5，12]。

从光谱特性上进行分析，即Brovey转换法融合后的图像，其道路颜色变化最大，光谱信息损耗较大，光谱扭曲严重，方法受波段限制，整体光谱色调变化明显；PCA融合法采集到的融合图光谱信息不变较大，颜色变化较大；将NNDiffuse算法与NNDiffuse算法融合后的图像色调与原来的多光谱图像相近，总体上没有过度变化，图像的光谱信息也得到了很好的保存。通过对GS转换法和NNDiffuse演算法的融合后的图像进行比较，可以看出NNDiffuse演算法的视觉效果最好，各个物料与原有相近，整体效果最佳[5，12]。

3.2 客观定量评价

分别筛选信息熵、标准差、平均梯度、偏向指数和相关系数等5个指标从影像的亮度信息、信息量、清晰度和光谱信息等方面的差异对4种融合方式所取得的融合图像进行定量比较[16]。定量比较结果见表2。

表2中不同融合法的定量评估结果分析如下：①信息熵表示图像包含的平均信息量的多少，它是衡量图像信息丰富程度的重要指标，其大小为值。从表2可以看出，以上4种融合后得到的融合影像，其信息熵比原影像都要大，说明它们的信息量比原影像都要丰富；此外，NNDiffuse演算法比PCA转换法、GS转换法和Brovey转换法的值更大，说明它的信息量比另外3种融合影像的信息量更丰富；此外，在一定程度上还可以用标准差来评估图像信息量的大小，可见NNDiffuse算法对图像进行整合的信息量最大，其次是GS转换法；②平均梯度反映了图像中微小细节与纹理变化特征之间的对比能力，同时也反映了图像的清晰度，可以看出NNDiffuse算法融合图像的平均梯度值最大，即对微小细节和纹理特征在图像中的反映能力更强；③偏差指数体现融合结果与原始图像的偏向水平，相关系数反映融合成效与原状图像的相似程度，可以看出PCA变换法与Brovey变换法的偏向指数值较大，而两者的相关系数相对较小，因此这2种融合方法获得的融合图像与原始图像留有较大的失真，NNDiffuse算法与GS变换法融合结果的偏向指数在四种融合算法中相对较小，而相关系数较大，说明它们在维持图像的光谱信息中具有较好的效果[16]。

4 矿山地物识别应用研究

通过对试验区(库车矿山开采区)的实地调查发觉，该实验区内矿山地物类型包括矿产资源开采井口、露天开采面、矿山开发占地(主要包括采场、中转场地、固体废弃物、矿山建筑)[18-19]，崩塌、泥石流、滑坡、地面采空塌陷等矿山地质灾害和矿山环境恢复治理等信息。

该文以NNDiffuse算法融合好的1 m空间分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段组合的遥感影像为信息源，就该融合图像下对矿山地物目标的识别能力进行分析研究，以明确基于NNDiffuse算法融合的GF-2卫星数据在矿山地物识别中的应用能力。

地物识别能力的强弱是遥感数据信息量较多的一种体现，信息量的大小首要在于传感器的光谱分辨率和地面分辨率，而矿山地物的目视辨认效果则主要从地物边界的可圈定能力、地物内部细节的反映能力2个方面来考察[9，20-21]，表3为基于NNDiffuse算法融合的1 m空间分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段组合影像下不同矿山地物的识别能力一览表。从中可以看出，在该影像下不同矿山地物均可较好的识别，其边界亦能够准确地圈定，甚至能够判别出固体废弃物利用状况；此外，根据相关文献研究表明人眼对于计算机屏幕的最佳辨别为0.25 mm，即在1 mm单位内可以辨别出4个像素；最大辨别为0.5 mm，即在1 mm单位内可以辨别出2个像素，也就是说1 mm单位内人眼可以辨别出2～4个像素，那么可以推算出1 m空间分辨率的GF-2彩色合成影像识别最小矿山地物的面积为9 m2，即理论上对于>9 m2的矿山地物目标均能够识别和圈定，如理想状况下在没有其他地物(如植被、树木等)干扰下能够识别出单个的井口、对长约5 m、宽约2 m的地裂缝能够识别出。图3为试验区某地下开采矿山区中转场地1 m空间分辨率GF-2彩色合成影像，可以清晰地分辨出长约 5 m、宽约2 m的单个运输汽车。

图3 某矿山中转场地遥感影像图(数据源：GF-2，空间分辨率：1 m)

表3 GF-2卫星1 m分辨率彩色合成影像数据判别矿山地物能力一览表

因此，通过上述的分析研究可以表明：基于NNDiffuse算法融合的1m空间分辨率GF-2彩色合成影像在矿产资源开发环境遥感调查工作中能够发挥重要的作用，理论上对于>9 m2的不同矿山地物目标均能够识别和圈定，完全可以解决矿山地质环境以及矿产资源开发状况遥感调查工作。就国产卫星数据类型的现状来看，GF-2卫星数据是矿山遥感调查与监测工作的最佳数据源选择之一。

5 结 语

文章以GF-2国产卫星数据为研究对象，以某矿山区为试验区，就多光谱与全色波段数据融合图像的矿山地物目视解译为目的，从GS变换法、Brovey变换法、PCA变换法和NNDiffuse算法开展融合试验研究，对4种方法融合的图像从空间细节的加强和光谱信息的保持2个方位进行主观视觉和客观定量进行了比拟评判，得出以下结论：

(1)认为Brovey变换法融合后影像集体光谱色调变化清晰，光谱扭曲明显，融合效果极差，并且该方法受波段限制；PCA融合方式获得的融合图像的光谱信息有比较大失真；GS变换法和NNDiffuse算法融合后影像更好地保留了其光谱信息，但NNDiffuse算法融合后影像目视效果更好，所有地物的颜色与原始影像都较近乎，总体效果更好。

(2)通过基于NNDiffuse算法融合的1 m空间分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段组合图像对矿山地物识别能力的分析研究，认为1 m空间分辨率的GF-2彩色合成图像对于>9 m2的不同矿山地物目标均能够识别和圈定。

该次实验结果可供矿山地物信息识别应用中的GF-2卫星影像资料的集成处理和参考。