SPOT6遥感图像融合方法比较研究

郭蕾， 杨冀红， 史良树， 战鹰， 赵冬玲， 张超， 孙家波， 季佳佳

(1.中国农业大学信息与电气工程学院，北京 100083； 2.中国土地勘测规划院，北京 100035)

0 引言

与单一遥感数据源相比，融合后的遥感数据可提高图像解译的可靠性，有助于更加充分地利用多源遥感信息； 因此，图像融合技术一直是遥感图像处理与应用的研究热点[1-5]。目前，由于高分辨率遥感图像应用的日益普及，高分辨率图像融合技术已成为研究热点中的重点[6]。近些年来，针对各种具体应用已经形成了大量的遥感全色和多光谱图像融合算法，按照参与融合的波段数目可分为2类，一类是对3个波段数据进行融合的方法，应用较多的有彩色空间(intensity hue saturation，IHS)变换法、彩色标准化(color normalized，Brovey)变换法等； 另一类为对多个波段进行融合的方法，应用较广的有主成分分析(principal component analysis，PCA)法、相位恢复(Gram-Schmidt，G-S)变换法、高通滤波 (high-pass filtering，HPF)法等，以及适合高空间分辨率遥感图像融合的超分辨率贝叶斯(Pansharp)法和PanSharpening法。

SPOT5数据已在我国国土资源管理中得到了广泛的应用； SPOT6作为SPOT5的后续卫星获取了新的数据源，可提供1.5 m分辨率的全色图像和6 m分辨率的多光谱图像。但目前针对该数据的研究成果还较少。本文以SPOT6图像为研究对象，选取G-S，HPF，Pansharp和PanSharpening等4种融合方法进行对比实验，并对融合结果进行分析和比较，以期找到更为适用的融合方法，从而加速SPOT6卫星遥感数据在国土管理业务中的推广和应用。

1 融合方法及评价指标

1.1 融合方法

目前大部分成熟的图像融合算法均可通过遥感图像处理商业软件实现。本文采用的融合方法包括G-S变换法、HPF法、Pansharp法和PanSharpening法等4种方法，可利用常用的ENVI，ERDAS和PCI等软件实现。

1)G-S变换融合法是线性代数和多元统计中常用的方法，它通过对多维图像进行正交变换以达到消除冗余信息的目的； 其原理与PCA法相似，但变换后各分量的信息量没有明显区别，能更好地保持多光谱图像的光谱信息[7]。

2)HPF融合法运用高通滤波器对高分辨率图像进行滤波，获取高频分量，并将其按一定的权重依次加入到多光谱图像相应波段中，生成融合图像。

3)Pansharp融合法基于最小二乘法得到较为精准的灰度值，利用最小方差技术对参与融合的波段灰度值进行最佳匹配，可最大程度地减少彩色图像的色彩失真，同时保留全色图像的空间信息[8]。

4)PanSharpening融合法通过合并高分辨率的全色波段图像提高多波段图像的空间分辨率。该方法使得全色图像数据与多光谱图像数据自动配准，能很好地保持多光谱图像的光谱信息，同时可提高空间分辨率[9]。

1.2 评价指标

对图像融合的效果可通过定性和定量方法进行评价。定性评价方法主要通过融合后图像的清晰程度和光谱保持程度等评价图像的目视效果； 而定量评价则通过一系列客观指标定量评价图像的融合效果。本文采用的图像融合定量评价指标包括平均值、标准差、信息熵、平均梯度和相关系数等[10-15]。

,

(1)

式中：M，N分别为图像的行、列数；Z(i,j)为像元的灰度值。融合前、后图像对应波段的像元灰度值的变化程度越小，说明光谱保真性能越好。

2)标准差σ。图像标准差反映了图像各像元灰度相对于灰度平均值的离散情况； 在某种程度上，标准差也可用来评价图像反差的大小。其定义为

(2)

3)信息熵H。信息熵是衡量图像信息多少的一个重要指标，对于灰度范围为{0，1，…，l-1}的图像，其定义为

(3)

式中Pi为第i个灰度的出现概率。图像的信息熵是衡量图像光谱信息丰富程度的一个重要指标。融合图像的信息熵越大，说明融合图像的信息增加越多，即融合图像所包含的信息越丰富，融合质量越好。

(4)

平均梯度越大，图像层次越多，图像越清晰。

5)相关系数ρ。相关系数反映融合前、后2景图像的相关程度，通过比较融合前、后图像的相关系数可以看出多光谱图像的光谱信息改变程度[13]。其定义为

(5)

2 融合实验及结果评价

2.1 融合实验

本文实验数据采用2013年1月25日获取的北京地区SPOT6全色和多光谱图像，其卫星参数见表1。

表1 SPOT6卫星参数

SPOT6具有以下特点： ①保留了SPOT5的标志性优势，SPOT 6具有60 km的大幅宽； ② SPOT6卫星每日可接收600万km2的图像； ③制定编程计划过程中集成了自动天气预报，最大程度地提高了接收成功率； ④可连续采集60 km×600 km范围的图像数据，图像为正南北定向，易于处理。

实验区内地物主要包括水体、建筑物、耕地、林地和道路等。在进行融合实验前，将SPOT6全色图像与多光谱影像进行几何配准，配准误差控制在0.5个像元之内，以保证融合效果。分别运用G-S法、HPF法、Pansharp法和PanSharpening法等4种方法进行图像融合实验，融合结果采用SPOT6 B3(R)B2(G)B1(B)波段组合的真彩色图像显示(图1—3)。

(a) 原SPOT6多光谱图像(b) 原SPOT6全色图像(c) G-S法融合结果

(d) HPF法融合结果(e) Pansharp法融合结果(f) PanSharpening法融合结果

(a) 原SPOT6多光谱图像(b) 原SPOT6全色图像(c) G-S法融合结果

(d) HPF法融合结果(e) Pansharp法融合结果(f) PanSharpening法融合结果

(a) 原SPOT6多光谱图像(b) 原SPOT6全色图像(c) G-S法融合结果

(d) HPF法融合结果(e) Pansharp法融合结果(f) PanSharpening法融合结果

2.2 结果评价

2.2.1 定性评价

从图1—3可以看出，与原始多光谱图像相比，融合后图像的质量都有了很大的提高，在增加空间信息的同时，都较好地保持了原有的光谱信息。在颜色保真方面，G-S和Pansharp融合方法优于HPF和PanSharpening融合方法； 在空间细节方面，Pansharp和HPF融合方法保持细节较好。因此，SPOT6图像用于目视解译时，Pansharp融合方法的效果更优。

从SPOT6图像中分别选取水体、建设用地、道路、林地和耕地等5种地类对原始多光谱图像(图4)与上述4种融合方法的结果图像(图5)进行光谱特征对比分析，以考察不同融合方法对光谱特征的保真情况。

图4 原始多光谱图像波谱曲线

(a) G-S法(b) HPF法(c) Pansharp法(d) PanSharpening法

从图5可以看出，4种融合图像光谱与原始图像光谱(图4)相比，Pansharp和HPF融合方法保真性较好，不仅同一地物波谱曲线的变化趋势一致，而且不同地物波谱曲线之间的相对关系也保持较好。对于G-S与PanSharpening融合方法，虽然同一地物波谱曲线的形状总体上没有明显变化，但是部分不同地物波谱曲线之间的相对关系发生了变化。

2.2.2 定量评价

分别选取均值、标准差、信息熵、平均梯度和相关系数这5个指标，从信息量、光谱特征和清晰度3个方面对图像融合结果进行定量评价。表2列出上述5个评价指标的计算结果。

表2 客观评价指标计算结果

表2中的统计数据表明： ①从R，G，B三个波段的标准差、信息熵和相关系数来看， PanSharpening法融合图像的值最大，HPF法和G-S法次之，Pansharp法融合图像的值最小。这说明PanSharpening法在信息量增加及融合后与融合前图像相关性方面，相对于其他融合方法具有明显的优势； ②从R，G，B三个波段的灰度均值来看，与原始图像的灰度均值最接近的是Pansharp法融合图像， 而PanSharpening法融合图像与原始图像的灰度均值偏差最大； ③从R，G，B三个波段的平均梯度来看，Pansharp法融合图像的值最大，PanSharpening法融合图像的值最小。以上统计数据说明，在光谱保持性和细节表现力方面，Pansharp法最优。

但本文中Pansharp法融合图像的标准差、信息熵和相关系数值均最低，其原因除了因为该融合方法对SPOT6图像适用性差之外，也和运用Pansharp融合方法时参考波段选择的优劣有关。

2.2.3 融合后图像分类精度评价

考虑到融合图像应用的多样性，对融合方法的选择和融合图像的评价除光谱质量外，还应验证融合效果对图像分类精度的影响[16-17]。

本文依据研究区域覆盖类型，结合目视解译和实地调查，确定地物类别为水域、道路(交通用地)、耕地、建筑物(土地利用类型为居民及工矿用地)、林地和阴影共6类。由于是在冬季获取的SPOT6图像，有冰覆盖，导致地物光谱差异较大； 因此在训练样本时，将水域分为2个小类分别计算其光谱特征。同样，建筑物根据屋顶材质分为3个小类分别计算其光谱特征。确定分类体系后，选用同一组SPOT6数据进行最大似然分类，并对分类的整体精度和类别精度进行分析。

在整景图像中随机选取150个离散点，比较融合前、后图像的实际类别与分类结果，对分类总体精度进行评价(图6)。

图6 图像分类总体精度和Kappa

各融合图像的分类结果与原始多光谱图像的分类结果相比，分类精度都有提高。其中HPF法融合图像与Pansharp法融合图像的分类精度较高，总体精度高于80%，Kappa高于0.75。各种融合图像的地物分类精度如图7所示。

图7 各种融合图像分类用户精度

从图7可以看出： ①对于建筑物与阴影，HPF法和Pansharp法融合图像的分类精度明显高于其他3种融合图像的分类精度，说明这2种融合方法对减少高分辨率遥感图像中建筑物阴影的影响、更好地识别建筑物是有效的； ②对于耕地和水域，5种图像的分类精度均较高，可得到较好的识别效果； ③对于林地，4种融合图像的分类精度较原始多光谱影像的分类精度均有较大提高，其中G-S法、HPF法和PanSharpening法融合图像的分类精度均达到80%以上，可较好地识别林地； ⑤道路的分类精度总体较低，这是因为建筑物与道路之间光谱特征相似，运用基于像元光谱特征的分类方法难以达到较高精度。综合考虑道路的形状等其他特征可能是提高道路分类精度的有效途径。

3 结论

本文分别利用高通滤波(HPF)法，超分辨率贝叶斯(Pansharp)法，PanSharpening法和相位恢复(G-S)法等4种图像融合方法对SPOT6数据进行全色和多光谱图像融合实验，并对融合结果进行了评价分析，得到以下结论：

1)从与融合前图像的相关性及光谱信息的丰富程度来看，PanSharpening法融合效果最好。

2)从图像清晰度、对微小细节和纹理信息的表达能力及光谱保持性来看，Pansharp法的效果最优。

3)从分类精度来看，HPF法与Pansharp法融合图像的分类精度较高。

4)由分析结果可知，当SPOT6图像用于目视解译时，采用Pansharp法较为合适； 当用于计算机分类时，采用HPF法较为合适。

5)对于不同地物类型，最优的融合方法也不同； 因此，应针对不同的应用需要，选择不同的融合方法，以达到最好的应用效果。

由于本文采用的是在冬季获取的SPOT6图像，对耕地、林地等植被覆盖区的光谱分析可能存在一定的局限性。如采用其他季节获取的遥感图像，需对本文的方法进行相应的修正和调整。

参考文献(References)：

[1] 周前祥,敬忠良,姜世忠.多源遥感影像信息融合研究现状与展望[J].宇航学报,2002,23(5):89-94.

Zhou Q X,Jing Z L,Jiang S Z.Comments on research and development of multi-source information fusion for remote sensing images[J].Journal of Astronautics,2002,23(5):89-94.

[2] 孔庆楠.多源遥感影像数据的融合方法探讨[J].测绘与空间地理信息,2008,3(4):108-113.

Kong Q N.Discussion on the methods for multi-source remote sensing image fusion[J].Geomatics and Spatial Information Technology,2008,3(4):108-113.

[3] 姚静,武文波,康停军.多源遥感影像数据融合技术探讨[J].测绘与空间地理信息,2008,31(1):29-31.

Yao J,Wu W B,Kang T J.Discussion on the technology of multi-source remote sensing image data fusion[J].Geomatics and Spatial Information Technology,2008，31(1):29-31.

[4] 张庆河,邹峥嵘,余加勇.遥感影像像素级融合方法比较研究[J].测绘工程,2008,17(4):35-42.

Zhang Q H,Zou Z R,Yu J Y.Research on the fixel fusion method of remote sensing image[J].Engineering of Surveying and Mapping,2008,17(4):35-42.

[5] Pohl C,Van Genderen J L.Multisensor image fusion in remote sensing:Concept,methods and applications[J].International Journal of Remote Sensing,1988,19(5):823-854.

[6] 许民.高分辨率遥感影像融合方法研究及融合效果评价——以ALOS和SPOT的全色与多光谱影像为例[D].兰州:兰州大学,2010.

Xu M.Research on high resolution remotely sensed image fusion methods and evaluation of fusion quality:A case study of multi-spectral and panchromatic data of ALOS and SPOT[D].Lanzhou:Lanzhou University,2010.

[7] Clayton D G.Gram-Schmidt orthogonalization[J].Applied Statistics,1971,20(3):335-338.

[8] 初禹,单久库,侯建国.GeoEye-1遥感影像融合效果的比较分析[J].测绘与空间地理信息,2011,34(3):21-26.

Chu Y,Shan J K,Hou J G.Comparison and analysis of the fusion results of GeoEye-1 remote sensing imagery[J].Geomatics and Spatial Information Technology,2011,34(3):21-26.

[9] 姜红艳,邢立新,梁立恒,等.PanSharpening自动融合算法及应用研究[J].测绘与空间地理信息,2008,31(5):72-78.

Jiang H Y,Xing L X,Liang L H,et al.Study on Pansharpening auto-fusion arithmetic and application[J].Geomatics and Spatial Information Technology,2008,31(5):72-78.

[10]李存军,刘良云,王纪华,等.两种高保真遥感影像融合方法比较[J].中国图象图形学报,2004,9(11):1376-1385.

Li C J,Liu L Y,Wang J H,et al.Comparison of two methods of fusing remote sensing images with fidelity of spectral information[J].Journal of Image and Graphics,2004,9(11):1376-1385.

[11]何海鹏,何国金.IKONOS高分辨率遥感影像融合方法比较研究[J].科技导报,2009,27(5):33-37.

He H P,He G J.Comparison of image fusion algorithms for IKONOS high spatial resolution satellite image[J].Science and Technology Review,2009,27(5):33-37.

[12]樊旭艳,付春龙,韩鹏,等.QuickBird高分辨率影像融合方法比较研究[J].无线电工程,2011,41(6):19-21.

Fan X Y,Fu C L,Han P,et al.Comparison of image fusion algorithms for QuickBird high spatial resolution satellite image[J].Radio Engineering,2011,41(6):19-21.

[13]谭永生,沈掌泉,贾春燕,等.QuickBird全色与多光谱影像融合方法比较研究[J].科技通报,2008,24(4):498-503.

Tan Y S,Shen Z Q,Jia C Y,et al.Study on fusion algorithms of QuickBird PAN and multi spectral images[J].Bulletin of Science and Technology,2008,24(4):498-503.

[14]黄鹤,冯毅,张萌,等.天绘一号卫星影像的融合及评价研究[J].测绘通报,2013(1):6-9.

Huang H,Feng Y,Zhang M,et al.Research on fusion of Mapping Satellite-1 imagery and its evaluation[J].Bulletin of Surveying and Mapping,2013(1):6-9.

[15]陈雪洋,袁超.ZY-1 02C卫星影像融合方法评价[J].测绘与空间地理信息,2013,36(2):50-53.

Chen X Y,Yuan C.Data fusion evaluation of ZY-1 02C satellite images[J].Geomatics and Spatial Information Technology,2013,36(2):50-53.

[16]王建梅,李德仁.QuickBird全色与多光谱数据融合方法用于土地覆盖分类中的比较研究[J].测绘通报,2005(10):37-41.

Wang J M,Li D R.A study of fusion algorithms of QuickBird pan and multispectral images for land cover classification[J].Bulletin of Surveying and Mapping,2005(10):37-41.

[17]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.

Weng Y L,Tian Q J,Hui F M.Research on the fusion effects of IKONOS high-resolution remote sensing image[J].Journal of Southeast University:Natural Science Edition,2004,34(2):274-277.