沙地信息提取中的ET M＋遥感影像自身融合研究

周淑琴，张青峰，荆耀栋，吴发启，毕如田

（1.西北农林科技大学 资源环境学院，陕西 杨凌712100；2.山西农业大学 资源环境学院，山西 太谷030801）

遥感数据多传感器、多分辨率和多时相的特点，导致数据量庞大。而且随着时间的推移和遥感技术的进步，海量遥感数据大幅增加。遥感数据分为空间分辨率较高的全色波段和波谱分辨率较高的多光谱波段。为有效利用这两类遥感数据，最大限度获取目标地物信息，影像融合技术在研究工作中大量研究和应用。影像融合是指把来自不同传感器或同一传感器不同尺度的同一场景的两幅或多幅影像，采用一定的算法生成一组新的信息或合成影像，以提高影像的清晰度和识别性，获得单一影像所不能提供的特征信息［1，2］。影像融合从信息表征层次上可分为三个层次：像元级融合、特征级融合和决策级融合［3］。每一层次的融合各具特点，基本步骤可以概括为空间配准和影像融合两步，而空间配准是影像融合的前提和关键［4］。本文研究的影像自身融合是基于像元级的融合。

遥感影像的像元级融合中，对于不同传感器不同尺度的影像融合技术研究较多，而对高分辨率的ET M＋遥感影像自身融合方法研究的较少。不同传感器间的遥感数据融合，图像配准是关键技术之一［5］。而ET M＋ 遥感影像的自身融合技术保证了图像配准的精确度。因为ET M＋遥感影像自身融合是其高空间分辨率的全色波段和多光谱（低空间分辨率）波段间的数据融合。该全色波段和多光谱波段来自相同的传感器，是在同一时间获取的同一区域的数据，太阳高度角等一系列环境因素相同［6］，二者可以跳过图像的配准，直接进行数据融合。为保留丰富的光谱数据，又提高空间分辨率，以定边县的ET M＋数据为研究对象，分析不同方法支持下的影像自身融合过程。通过评价数据融合的效果，结合当地的地形地貌特征，探求提取沙地信息的最佳融合过程，为后期数据的处理提供有力的技术支撑。

1 数据源

美国1984年发射陆地卫星Landsat－5，仪器舱装有专题绘图仪（T M）传感器，有7个波段的感应器，地面分辨率为30 m（第6波段为120 m）。Landsat－7卫星于1999年发射，传感器改型成增强型专题绘图仪（ET M＋），有8个波段的感应器，第6个波段的地面分辨率提高为60 m，增加的第8波段是地面分辨率为15 m的全色波段［7，8］。选取的数据源为1999年9月22日的Landsat－7／ET M＋影像，轨道号为128／034。

2 研究区概况

定边县地处陕西省西北角、榆林市最西端，是黄土高原与内蒙古鄂尔多斯荒漠草原的过渡地带。县境中部白于山横亘东西，辐射南北，将全县分为两大地貌类型：南部为白于山区丘陵沟壑区，占总面积的52.78%；北部为毛乌素沙漠南缘风沙滩区，占总面积的47.22%。境内水域较多，北部风沙区有多个海子，沿县界由西向东分布，南部多条河流均发源于白于山区。定边县属温带半干旱大陆性季风气候，春季多风、夏季干旱、秋季阴雨、冬季严寒，日照充足。定边县处于生态环境脆弱的农牧交错带，沙地的发展变化严重影响该地区人民的生产和生活。

3 数据融合

3.1 波段选取

ET M＋遥感影像自身融合是指将高分辨率的第8波段和其它7个光谱波段间的数据融合。光谱波段中T M6的地面分辨率为60 m，分辨率远低于其他波段的30 m，且该波段的信息主要反映热辐射的信息，沙地信息提取过程和后期数据处理中，不涉及热辐射的内容，同时标准差和亮度范围太低，在后期的波段选择中，可以不考虑该波段的信息［9］。所以在数据融合时考虑T M6以外的多光谱波段和T M8波段的数据融合。像元级数据融合数据量较大，而数据融合前进行波段的选取，可释放计算机的存储空间，提高计算机的存储能力和运算能力。在减少需要存储数据量的同时，提高了后期数据融合处理的速度和效率。

3.2 融合方法

研究区域沙地信息提取过程中，沙地纹理特征是重要影响因素之一。而遥感影像空间分辨率大小的不同，直接导致沙地纹理细腻程度的不同。为提高影像的空间分辨率，凸显沙地信息，利用3种不同的数据融合方法对数据进行处理。利用ERDAS I MAGINE进行空间分辨率融合时，利用软件提供的主成分变化融合（Principle component）、乘积变换融合（Multiplicative）和比值变换融合（Br ovey Transfor m）作为备选的融合方法。最后根据融合效果评价和沙地信息提取的优劣，选择最佳的数据融合方法。

3.2.1 主成分变换融合

主成分变换（PCA）是应用较广的算法［2，4，10，11］，是建立在图像统计特征基础上的多维线性变换，是在舍弃相关性较差的次要成分后，进行反变换恢复出图像，是对原图像统计意义的最佳逼近［4］。所以在得到的主成分空间中，第一主成分通常主要包含各波段共有的信息，而各波段特有的信息被分配到其它主成分中。因此第一主成分体现光谱的主要特征。主成分变换（PCA）又叫K－L（Kar hunen－Loeve）变换，首先对输入的多波段数据进行主成分变换，然后以高空间分辨率遥感数据替代变换以后的第一主成分，最后再进行主成分逆变换，生成具有高空间分辨率的多波段融合图像［12］。数据的融合过程如图1。

图1 主成分变换融合过程Fig.1 Image fusion flowchart based on PCA

3.2.2 乘积变换融合

乘积变换是应用最基本的乘积组合算法，直接对两种空间分辨率的遥感数据进行融合，运算公式为Bi＿new＝Bi＿m×B＿h。式中Bi＿new代表融合以后的波段数值（i＝1，2，3，…，n），Bi＿m 表示多波段影像中的任意一个波段数值，B＿h代表高分辨率遥感数据。Crippen研究表明：将一定亮度的影像进行变换处理时，只有乘法变换可以使其色彩保持不变。

3.2.3 比值变换融合

Brovery变换是较为简单的融合方法，应用的是乘积组合算法，将多光谱波段颜色（红、绿、蓝）归一化，将高分辨率影像与多光谱各波段相乘完成融合，可采用下面的公式进行计算。

Bnew＝（B／（R＋G＋B））×Bh，其中Rnew、Gnew、Bnew分别代表融合后的红、绿、蓝波段，R、G、B代表融合前的红、绿、蓝波段，Bh代表高分辨率数据。

比值变换融合只用到多光谱数据中的3个波段，选用最佳波段组合7、4、3分别作为原始数据的红、绿、蓝波段数据值［9］。根据比值变换融合公式得出：

B＝B3／A×B8，其中 A为B7＋B4＋B3，R、G、B代表融合后的红、绿、蓝波段，B8为ET M＋数据中的第8波段，即高分辨率的全色波段。

3.3 数据融合效果评价

数据融合效果评价是对前期数据融合过程的分析与总结，分为主观评价和客观评价。主观评价主要是进行目视判读，从色彩和空间分辨率两个方面来定性评价。主体对色彩与纹理细节的敏感度不同，则评价不同，所以评价不够准确客观。客观评价利用一些指标来定量评价，通过对像元灰度值的计算，套用公式得出准确的数值，科学性和客观性更强。

3.3.1 主观评价

该区波段优化组合研究中，选用波段7、4、3作为最佳组合［9］，数据融合后，仍沿用该组合。将3种不同融合方法形成的数据，选择波段7、4、3分别赋予红、绿、蓝3颜色，形成接近于真彩色的彩色影像。对于原数据及不同方法融合后的数据，截取部分典型区域，将其转为灰度图（见图2），其中3／5为沙地，颜色为白色调；左侧为从县城延伸的一部分道路，道路两侧为建筑物，色调为深灰色及黑色，上部右侧为城外的一些林地和耕地，色调为浅灰色。

图2 原数据与融合数据Fig.2 Primary image and fusion images

从整体色调来看，比值法融合的结果与原始数据最接近，PCA变换融合次之，乘积法融合效果最差，整体色调变浅，亮度值增大。地物中沙地信息的变化差异也较大。比值法中沙地色调与原始数据最接近，白色调中普遍带有粉色，而且明显区别于其它地物。PCA中的沙地也明显区别于其它地物，但是色彩有明显变化，原始数据中为白色调，变换后为淡粉色，纹理的边缘部分为白色调。乘积法中的沙地色调较原数据亮，白色调中的杂色少，容易区分，但是与研究区域南部的丘陵沟壑区有同谱异物的现象，而且数量较大。林地、草地、耕地、水体和建筑用地方面，PCA变换最优，比值法稍微差些，乘积法最差。

不同方法支持的数据融合，空间分辨率均得到明显提高，地物纹理和边界清晰。PCA变换融合的效果最好，各种地物的纹理细腻，内部结构都比原数据有很大提高，尤其是沙地的纹理，其间的植被也可识别。比值法融合的结果略差，但沙地信息的细腻程度不输于PCA变换，只是建筑用地的内部结构明显要差些。乘积法中，沙地信息的纹理结构略有提高，但效果是3种方法中最差的，其它地物也是如此。

通过比较色彩和空间分辨率可以得出，PCA和比值法变换改善了图像的纹理细节，但有一定的光谱失真，PCA变换的失真程度大于比值法。乘积法的光谱退化和失真最小，但是图像的纹理细节远比其它两种方法要差。总的来说，对于沙地信息提取，比值法比PCA变换的效果好。

3.3.2 客观评价

目视判断属主观定性评价，对影像数据的客观评价，利用数理统计方法，选择极差、均值、方差、模式和平均梯度作为评价指标。

（1）极差

极差是图像中所有像元灰度值中最大值与最小值之差，刻画光谱数据波动情况的统计量。

（2）均值

均值是所有像元灰度值平均水平的统计量，近似反映图像灰度值的分布情况，是图像中地物的平均反射强度，均值适中，视觉效果良好。公式如下：

其中M和N 为像元的行列数，f（i，j）为第i行j列的像元灰度值，f为像元灰度值的平均值。

（3）中值

像元的灰度值排序后，中间位的灰度值为中值。如果灰度值的个数是奇数，则中间那个数据就是影像灰度值的中值；如果数据的个数是偶数，则中间两个数据的算术平均值就是其中值。

（4）模式

模式是像元的某灰度值在所有像元中出现次数最多的灰度值。

（5）方差

方差常被用作衡量影像信息量的关键指标，是各个像元的灰度值与整体像元平均数之差的平方的平均数，反映各像元灰度值与图像平均值的总的离散程度。方差的值越大，融合后图像的动态范围越大，影像的分解力越大。

其中，M 和N 为像元的行列数，f（i，j）为第i行j列的像元灰度值，f为所有像元灰度值的平均值，S2为方差。

（6）熵

它是衡量信息量丰富程度的一个重要指标，影像的熵值越大就表明图像所含信息量越多，细节越丰富，效果越好。其数学表达式：

其中L表示灰度级的个数，pi指灰度值为i的像元个数和图像中像元总数的比值。

表1 3种不同融合方法的定量分析和比较Table 1 comparisons and quantity analyses of three different fusion methods

从表1看出，融合前后不同影像灰度值的均值、中值和模式近似相等，说明灰度值的分布符合正态分布，影像的质量都比较高。融合后各数据中像元灰度值的极差和原数据有些许提高，但主成分和乘积变换变化微小，比值变换的极差增加15个单位，4张影像中，像元灰度值的波动情况相差无几。而像元灰度值的均值变化很大。原始数据均值为95，主成分变换和乘积变换均减小为63和31，减小幅度较大；比值变换则增大为110，接近最易于目视判读的灰度值。但是均值受极大值和极小值的影响很大，反映灰度值的客观分布情况要比方差弱。从表1看出，方差数值的变化类似于均值得变化，主成分变换和乘积变换均减小为49和64，减小幅度很大；比值变换则增大为625，增加幅度极大。说明比值变换后灰度值的离散程度大幅提高，数据动态范围扩大，影像的分解力增强。而从熵值的大小可以反映出影像细节的丰富程度。所以总的来说，比值变换融合的效果远优于其它两种方法。这和主观目视评价的结果是一致的。

4 结论与讨论

（1）Landsat－7卫星遥感影像ET M＋数据的自身融合，在数据准备阶段省去了空间配准这一关键步骤，但能高精度融合，同时避免了配准精确度不够带来的问题。

（2）通过分析比较得出，ET M＋数据的比值变换融合适合于沙地信息提取，融合效果是3种空间分辨率融合中最好的；PCA变换融合的效果次之，如果不是进行沙地信息提取，其目视解译的效果也不错；乘积变化融合的效果最差。

（3）数据融合方法不同，最终的数据波段也有很大区别。比值变换融合只用到多光谱数据中的3个波段，分别作为红、绿、蓝波段的数值，运算后得到3个波段的数据。而PCA变换和乘积变换之后波段数未变，可以进行波段的综合运算，而比值变换由原来的6个波段减少为3个波段，不能进行波段的综合运算。

（4）利用主观目视和客观数理统计指标，对融合结果进行评价，结论基本吻合。但是数据融合的最终目的是提高分类精度，所以应该用分类结果进行再次检测，用分类精度进行更准确的评价。数据融合的研究区域是定边县，更大区域的范围理论上也适用，但需要进一步的实验与验证。

［1］朱龙，张占睦.遥感影像获取与分析［M］.北京：科学出版社，2000：136－137.

［2］貟培东，曾永年，历华.多尺度遥感影像融合技术及其算法研究进展［J］.遥感信息，2006（6）：67－71.

［3］Pohl C，Genderen J LV.Multisensor i mage f usion in remote sensing：Concepts，methods and applications［J］.International Journal of Remote Sensing，1998，19（5）：823－854.

［4］杨丽萍，陈发虎，颉耀文.国内多源遥感影像信息融合技术的新进展［J］.遥感技术与应用，2007，22（1）：116－122.

［5］姜芸，臧淑英，王军.多源遥感影像数据融合技术研究［J］.测绘与空间地理信息，2009，32（2）：46－50.

［6］许榕峰，徐涵秋.ET M＋全色波段及其多光谱波段图像的融合应用［J］.地球信息科学，2004，6（1）：99－103.

［7］梅安新，彭望禄，秦其明，等.遥感导轮［M］.北京：高等教育出版社，2001：50－53.

［8］孙家抦，舒宁，关泽群.遥感原理、方法和应用［M］.北京：测绘科学出版社，1997：40－48.

［9］荆耀栋，周淑琴，吴发启.LANDSAT数据在沙地动态监测中提取沙地信息的最佳波段组合研究［J］.中国农学通报，2011，17（7）：147－150.

［10］王文杰，唐娉，朱重光.一种基于小波变换的图像融合算法［J］.中国图像图形学报，2001（11）：1130－1136.

［11］翁永玲，田庆久，惠凤鸣.IKONOS高分辨率遥感影像自身融合效果分析［J］.东南大学学报：自然科学版，2004，34（2）：274－277.

［12］党安荣，贾海峰，陈晓峰.ERDAS I MAGINE遥感图像处理教程［M］.北京：清华大学出版社，2010：111－112.