面向林地信息提取的Pleiades-1影像融合算法评价分析

林　雪，彭道黎，黄国胜，王雪军，胡　杨

(1.北京林业大学 林学院，北京 100083；2. 国家林业局 调查规划设计院，北京 100714)



面向林地信息提取的Pleiades-1影像融合算法评价分析

林雪1，彭道黎1，黄国胜2，王雪军2，胡杨1

(1.北京林业大学 林学院，北京 100083；2. 国家林业局 调查规划设计院，北京 100714)

以Pleiades-1影像为对象，以探究其面向林地信息提取的融合算法选择为视角，通过基于目视和定量特征分析、辅助面向对象分类分析的方法，为林业部门遥感影像大规模融合应用提供参考。研究认为Pansharp和Gram-Schmidt算法融合结果目视效果良好，各波段与原多光谱相关系数均高达0.8以上，清晰度与纹理增强明显。两种融合算法影像在不同林地层次信息提取能力各有优势，Pansharp融合结果在林地层次分类总精度可达86.55%，Gram-Schmidt融合结果则在森林类型层次具有最高的分类总精度78.76%。具体融合算法的选取需根据其应用的信息提取层次而定。

林地信息提取；Pleiades-1影像；融合算法

影像融合是对影像数据高效利用的重要手段，影像像素级融合既可以有效利用全色波段提高影像空间分辨率又可以使影像兼具多光谱波段色彩信息丰富的特点。在遥感影像融合方法上学者进行了许多研究：文献[1-7]分别对Geoeye-1、WorldView-2、资源一号02C星、高分一号、QUICKBIRD、资源三号卫星数据全色和多光谱数据进行影像融合试验并通过质量评价选择出适宜于影像的最优融合方法；针对Pleiades-1卫星数据，胡洋[8]等人采用多种方法进行影像融合并通过影像质量评价分析，认为Pansharp融合能够取得较好的效果。同时，我国在第一次全国地理国情普查中，使用Pleiades、WorldView-2、WorldView-1、QUICKBIRD等数据源，遥感影像的融合处理也采用Pansharp算法。

目前，我国已经成功绘制全国林地“一张图”，其通过遥感影像、全国林地落界数据、二类调查资料、基础地理信息等多源数据集合，以林地界线为核心内容，构建我国林业有史以来可动态监测、及时决策的林地资源管理系统[9]。其项目早期主要使用SPOT-5等遥感卫星数据，在影像融合方式中选择改进的Brovey算法，而目前在林地变更调查中主要使用包括Pleiades卫星影像的高分辨率遥感影像，数据源的改变对于影像融合算法也将有不同的适应性，因此需要针对Pleiades数据选择适宜的影像融合算法。

影像融合算法选择依赖于影像质量评价，传统评价方法基本都采用目视分析与指标定量分析相结合的综合评价，缺乏行业应用的针对性，适宜于城市地区影像的融合方式未必适合于进行林地信息提取，影像质量评价指标难以定量反映不同融合影像针对林地信息提取的应用效果。因此，本文选取5种常用的像素级影像融合算法针对Pleiades-1林区影像实例进行融合试验，通过目视分析、定量分析进行影像融合质量评价，并通过面向对象分类方法分析分类精度，研究不同影像融合算法与林地信息提取的相宜性关系，最终选择出适宜于Pleiades-1影像林地信息提取的影像融合算法，以期为林业行业高分辨率遥感影像批量融合处理、全国林地“一张图”的更新提供参考。

1　研究数据及预处理

本研究区位于辽宁省朝阳市，位于120°29′～120°33′E、41°26′～41°29′N，研究范围为5km×5km。按照国家级土地利用与覆被分类系统[10]，研究区土地覆盖类型包括耕地、林地、城乡工矿居民用地、未利用地4个一级地类，林地地类包含有林地、灌木林地、园地有林地3个二级地类，有林地地类中包含针叶林、阔叶林、混生林3个三级地类，地物类型丰富有利于试验研究。

数据使用法国太空研究中心研制的新一代极限性能高分辨率小卫星Pleiades-1遥感数据[11]，采集时间2013-09-12，全色波段空间分辨率0.5m，多光谱影像(RGB+NIR四波段组合数据)空间分辨率2m,影像质量良好。为保证影像融合的质量，全色影像与多光谱影像对应像元需保证较高的一致性，因此试验数据在正射校正的基础上，以1：5万数字正射影像(DOM)数据作为参考对高分辨率全色影像进行纠正，而后使用纠正好的高分辨率数据对低分辨的多光谱数据进行配准。

2　研究方法

2.1影像融合方法

研究采用高分辨影像应用较多的5种像素级融合算法对Pleiades-1全色和多光谱影像进行融合试验：PCA(PrincipalComponentAnalysis)[12-13]，HPF(HighPassFusion)[14]，Brovey[15]，Gram-Schmidt[3]，Pansharp[16]。以上融合算法的步骤及原理已有大量研究并已发表，本文在此不做赘述。

Gram-Schmidt变换融合由ENVI5.0软件实现，Pansharp融合算法基于PCIGeomaticaV9.1软件平台，其余融合算法均通过ERDASIMAGINE2013软件平台操作。由于Brovey变换融合多光谱影像只能由3个波段参与，因此本试验选择BAND2(G)，BAND3(B)，BAND4(NIR)与全色波段进行融合，其余融合算法均采用四波段多光谱影像和全色影像融合。

2.2影像融合质量评价方法

融合影像的质量评价采用基于视觉效果的定性分析和基于数理统计的定量特征分析两种方法。其中定性分析关注影像的整体亮度、光谱保真度、清晰度、空间纹理特征，这种方法简单且具有主观性，依赖于评价者的经验[17]。定量特征分析能减少对融合影像评价的随机性使评价结果更客观，研究中主要以整体影像特征和分地类纹理特征定量分析评价融合质量。

通过融合影像均值、平均梯度、光谱相关系数、高频信息融入度等指标综合分析影像融合的整体效果。为了更好地评价融合影像纹理特征，在研究区内林地、耕地、城乡工矿居民用地、未利用地四大一级地类中分别随机选取30块200像素×200像素的样地分区统计熵值、二阶矩纹理特征。

定量分析指标[18-20]如下：

1)均值(v)：

3)光谱相关系数(C)：

4)高频信息融入度(H):

5)方差(σ2)：

6)熵值(E)：

7)二阶矩(SM)：

式中：M，N为图像的行列数；F(i,j)为融合后影像的灰度值；R(i,j)为融合前多光谱影像的灰度值；vR，vF分别为融合前后两幅多光谱影像的均值；P(i,j)为重采样到融合后影像像元大小的全色影像的灰度值；vP分别为重采样后全色影像的均值；Pi为影像中灰度值为i的概率密度；L为图像灰度级数；G(Xi,j)为灰度共生矩阵元素。

2.3面向对象分类

面向对象分类是目前遥感影像自动提取植被信息效果较好的一种方法，其突破了传统分类以像元为单位、分类结果破碎化程度高、“椒盐现象”严重的问题，通过多尺度分割得到多个相邻像元组成的对象，并可利用对象的灰度信息、纹理信息、几何信息等多元信息实现对目标地物的提取。本研究基于eCogitionDeveloper8.6软件平台对Pleiades-1多种融合算法下融合影像进行面向对象分类。分类结果与外业实地调查结果建立基于面积的混淆矩阵定量精度评估，评估指标包括总体精度、生产者精度、使用者精度及Kappa系数。

3　结果与分析

3.1目视分析

从研究区域中截取一块包含多种地类的子区域用于比较影像融合前后的目视效果(见图1)。明显可见，PCA算法融合结果在空间分辨率、纹理效果均没有得到明显提高，色调偏深林地与阴影界限不清，总体融合效果不理想。HPF算法融合影像较原始多光谱影像在清晰度、层次感均有提高，然而在色调上有较严重的改变，目视效果不佳。Brovey，Gram-Schmidt，Pansharp三种算法融合结果较原始多光谱影像在空间分辨率、空间细节上增益效果显著，亮度适中色调自然，目视效果均在可接受范围内。Brovey融合影像中建筑物轮廓最为清晰，更利于提取建筑物边界。Gram-Schmidt，Pansharp融合方法则能更有效增强植被区域层次感和对比度，纹理更清晰，对耕地、林地以及林地阴影的边界更具有可判读性。因此，从目视提取林地信息的经验角度认为Gram-Schmidt和Pansharp融合算法在林地信息提取上较PCA，HPF，Brovey算法更适合Pleiades-1影像融合应用。

3.2影像整体特征分析

均值反映影像像素的平均灰度值即平均亮度，均值适中则色调自然。平均梯度反映影像的清晰度，其值越大表示影像层次越丰富、对比度越大。光谱相关系数反映影像光谱信息的保持性，相关系数越高说明融合对于原始影像光谱信息改变越小。高频信息融入度反映融合影像波段与全色波段的相关性，其值越大表示融合影像更好的继承了全色波段的空间信息特征。

统计融合前后影像各波段的4个指标，结果见表1。Brovey，Gram-Schmidt，Pansharp3种算法融合影像各波段与原始影像均值接近，平均梯度增幅较大，除了Brovey融合结果的NIR波段外平均梯度增幅均在15%以上，说明其融合结果亮度适中，清晰度和对比度提高显著。而HPF和PCA法融合结果较原始多光谱影像均值出现大幅下降，其中PCA融合结果各波段均值降幅都在50%以上，HPF及PCA融合结果四波段平均梯度均低于原始影像，说明光谱信息损失严重、清晰度改善甚少。与目视分析结论具有一致性，均值与平均梯度指标在影像目视效果中有较为直观的体现。

图1　融合影像目视对比

在光谱相关系数上，仅有PCA融合结果R波段为0.675，其余各融合结果波段与原多光谱波段相关系数均在0.8以上，表明各算法均能良好地保持原多光谱影像的光谱特征。在高频信息融入度上，R，G波段高频信息融入度高达0.9以上，B，NIR波段分别为0.851，0.586，Pansharp法融合影像更好的继承了全色波段的空间信息，Gram-Schmidt算法次之。因此从影像整体特征指标上分析，Pansharp融合算法能得到整体质量更高的融合影像。

值得注意的是，作为植被反射率极高的NIR波段对于林地信息提取具有重要的意义，而不同算法下NIR波段高频信息融入度均明显低于其他波段，表明NIR波段在继承全色波段的空间信息特征上具有相对的局限性，仅有Gram-Schmidt算法下NIR波段高频信息融入度达到0.700，其余算法均低于0.600。由此推测Gram-Schmidt算法融合影像在林地信息提取可能具有更大的潜力，仅从影像整体特征分析难以判断出更适合林地信息提取的影像融合方法。

3.3不同地类纹理特征分析

熵值表示影像所包含的信息量，熵值越大则影像空间细节丰富。从地类上看影像融合对于林地和城乡工矿居民用地地类影像较原始多光谱影像的熵值增加最为明显，对于耕地和未利用地地类中信息熵增益效果不佳，见图2。在林地地类的融合结果中，Pansharp，Gram-Schmidt，PCA3种融合算法信息熵分别为1.13，1.07，1.03较远多光谱影像信息熵0.81提高均在27%以上，信息量改善良好。

图2　熵值指标统计

二阶矩又叫能量，二阶矩越小说明影像灰度分布均匀、纹理细致。如图3所示，从地类上来看与熵值指标具有相似性，以林地、城乡工矿居民用地地类的二阶矩增益较为明显，耕地、未利用地地类融合影像二阶矩增益不显著。在林地中，Pansharp，Gram-Schmidt，HPF3种融合算法下影像的二阶矩分别为0.37、0.41、0.44，较原始多光谱影像二阶矩0.53均有显著改善，其中Pansharp改善效率最高为30%。

图3　二阶矩指标统计

综合两个纹理特征指标，Gram-Schmidt，Pansharp算法均对纹理具有稳定和显著的改善，其中Pansharp在增益效果上更具优势，融合影像信息量最大，纹理最为细致。

3.4面向对象分类结果分析

为了探究各融合算法下的影像质量及在林地信息提取上的应用效果，本研究利用面向对象方法采用多尺度分割和最邻近分类法对原始多光谱影像及五种不同融合算法影像进行分析，分类结果如图4所示。

从原多光谱影像中随机在耕地、林地、灌木林地、园地、城乡工矿居民用地、未利用地中抽取约一成面积的样本图斑进行外业实地核实，以此样本作为相对真值与面向对象分类结果建立基于面积的混淆矩阵，分类精度见表2。

分析可得，Pansharp算法融合结果分类精度最高，总精度为86.55%，Kappa系数0.82，较原始多光谱影像分类精度提高约13%，其次是Gram-Schmidt、HPF及PCA算法，Brovey算法融合影像分类精度为69.89%低于原始多光谱影像分类精度73.65%，说明并不是所有融合算法都能增强影像信息提取的能力。在有林地信息提取精度上，Pansharp和Gram-Schmidt算法生产精度分别为88.53%，88.89%，用户分别为91.84%，90.40%，较其他融合算法有明显的优势，同时Pansharp在其余地类生产精度上均优于Gram-Schmidt。说明对于有林地提取，Pansharp融合算法能获得更高的总体精度。这一结果与上文目视分析、定量分析结论具有一致性，通过目视评价、影像整体特征分析以及纹理分析来评价融合结果的林地信息提取能力具有合理性。

图4　融合影像分类结果图

表2　研究区地类分类精度对比　%

为了进一步研究不同融合算法影像对有林地地类中森林类型信息提取效果，本研究对上一步中有林地地类进行再次分割和最邻近分类，分为针叶林、阔叶林、混生林3个三级地类，并以5种融合影像分类结果和多光谱分类结果正确分类的有林地重叠部分中的样本作为相对真值样本，与分类结果建立基于面积的混淆矩阵，分类精度见表3。

表3　研究区有林地内分类精度对比　%

可见，Gram-Schmidt，HPF算法融合结果在有林地内分类精度最高，总体精度分别达到78.76%、77.43%，Kappa系数分别达到0.66、0.64，其次是Pansharp，PCA算法，Brovey算法融合结果分类精度最低。阔叶林分类生产精度普遍高于针叶林，Gram-Schmidt，HPF，Pansharp，PCA算法均达到80%以上，混生林总体分类精度低，仅有Gram-Schmidt，HPF算法融合结果在生产精度及用户精度均能达到50%以上。因此，在森林类型层次的林地信息提取中采用Gram-Schmidt融合算法更为适宜，在一定程度上证实Gram-Schmidt算法融合影像在林地信息提取具有潜力的推测。

4　结束语

针对面向林地信息提取的遥感影像融合算法选择问题，在采用目视与定量特征分析的传统影像质量评价基础上，辅助面向对象分类林地信息提取效果分析。经上述研究，得出以下结论：①面向林地信息提取的Pleiades-1影像融合算法需根据应用的具体层次选择融合算法，在有林地层次的信息提取中Pansharp算法较为适宜，在森林类型信息提取则采用Gram-Schmidt更为有效；②传统的目视及定量指标分析具有一定的合理性，然而其难以针对各融合结果不同层次林地信息提取能力做出比较、只能推断应用效果不能量化林地信息提取精度也成为传统分析的局限所在，然其可作为林业部门大批量影像融合时筛选融合算法的初选方法，最终通过林地信息提取试验定夺影像融合算法。

[1]杨智翔，徐佳，何秀凤.Geoeye-1全色与多光谱影像融合方法[J].光电工程，2011，38(5):120-125.

[2]陈春华，苏逸平，邹崇尧.WorldView-2 遥感影像融合方法实验研究[J].地理空间信息，2013，11(6):72-74.

[3]董金芳，袁媛，高蓓,等. 资源一号02C星遥感影像融合分析[J].地理空间信息，2015，13(1):36-38.

[4]陈金凤，程乾. 高分1号融合光谱特征提取杭州湾河口沿岸湿地典型植被信息方法研究[J]. 杭州师范大学学报(自然科学版)，2015，14(1):38-42.

[5]许康，卢刚，郭雪瑶，等. 基于资源三号卫星遥感影像的城市绿地提取[J].测绘与空间地理信息，2015,38(5):85-88.

[6]邢颖，刘奥东. 基于QUICKBIRD的遥感影像融合[J]. 哈尔滨师范大学(自然科学版)，2014，30(4):60-63.

[7]王华斌，李国元，张本奎,等. 资源三号卫星影像融合算法对比分析[J]. 测绘科学，2015，40(1):47-51.

[8]胡洋，习晓环，王成,等.Pleiades卫星影像融合方法与质量评价[J]. 遥感技术与应用，2014，29(3):476-480.

[9] 肖鹏峰，刘顺喜，冯学智,等.基于遥感的土地利用与覆被分类系统评述及代码转换[J].遥感信息，2003(4):54-58.

[10] 徐伟，朴永杰. 从Pleiade剖析新一代高性能小卫星技术发展[J].中国光学，2013，6(1)：9-19.

[11] 孟京辉，陆元昌，刘刚，等. 基于ETM+遥感图像的图像融合试验及评价方法[J].南京林业大学学报(自然科学版)，2010，34(1)：69-72.

[12] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社，2003.

[13] 郑著彬，李俊，任静丽.HPF图像融合技术在大理市遥感影像中的运用探讨[J].云南地理环境研究，2007，19(6)：96-98，104.

[14] 窦闻，陈云浩，何辉明. 光学遥感影像像素级融合的理论框架[J]. 测绘学报，2009，38(2)：131-137.

[15] 李霖，佘梦媛，罗恒.ZY-3卫星全色与多光谱影像融合方法[J]. 农业工程学报，2014，30(16)：157-165.

[16] 王乐，牛雪峰，魏斌，等. 遥感影像融合质量评价方法研究[J].测绘通报，2015(2)：77-79.

[17] 陈超，秦其明，王金梁，等. 农地遥感图像融合质量评价方法比较[J]. 农业工程学报，2011，27(10)：95-100.

[18] 王晓绵，姜芸. 高分一号遥感卫星影像融合及质量评价方法研究[J].测绘与空间地理信息，2015,38(8):178-179.

[19] 李晓娟，宫兆宁，刘晓萌，等.ENVI遥感影像处理教程[M]. 北京：中国环境科学出版社，2007：387-402.

[20] 徐胜祥，徐运清. 基于Matlab的遥感图像融合效果的客观评价方法[J]. 测绘科学，2008，33(4)：143-145.

[责任编辑：李铭娜]

Evaluation analysis of fusion algorithms for Pleiades-1 data oriented to extraction of forestland information

LIN Xue1，PENG Daoli1，HUANG Guosheng2，WANG Xuejun2，HU Yang1

(1.CollegeofForestry，BeijingForestryUniversity，Beijing100083，China；2.Survey&PlanningInstituteofStateForestryAdministration，Beijing100714，China)

BaseonthePleiades-1data,theoptimalfusionalgorithmisselectedintheperspectiveoftheextractionofforestlandinformation.Thefusionimagesarecomparedandanalyzedbyusingbothvisualjudgmentsandstatisticalmethod.Furthermore,theobject-orientedclassificationmethodisusedtoevaluatetheperformanceofthefusionmethodsatinformationlevel.Thispaperissupposedtoprovidethereferenceforlarge-scaleimagefusionapplicationinforestryindustry.TheresultindicatesthatPansharpandGram-Schmidtfusionimageshavegoodvisualeffect,strongabilityofspectralpreservationwiththecorrelationcoefficientupto0.8highspectralfiedelityandcleartexture.Intermoftheclassificationaccuracy,eachfusionalgorithmhasanadvantageinextractionofforestlandinformationofdifferentlevels.Pansharpfusionimagehashighestoverallaccuracy(86.55%)atforestlandlevel,andGram-Schmidttransformationissuperiortothatofotherfusionalgorithmsatforesttypelevel(78.76%).Specificfusionalgorithmshallbechosendifferentlyfromitsapplicationlevels.

extractionofforestlandinformation；Pleiades-1data；fusionalgorithm

10.19349/j.cnki.issn1006-7949.2016.11.004

2015-10-14

国家948计划资助项目(2015-4-32)；科技部科技基础性工作专项(2013FY11160_1)；林业科学技术成果推广项目(2015-02)

林雪(1991-)，女，硕士研究生.

TP751

A

1006-7949(2016)11-0018-07