基于压缩感知的GF-1遥感影像IHS融合算法

马瑞琪， 程 博， 刘旭楠， 刘岳明,4， 江 威,4， 杨 晨

(1.中国地质大学(武汉)李四光学院，武汉 430074； 2.中国科学院遥感与数字地球研究所，北京 100094；3.国家海洋局海洋减灾中心，北京 100194； 4.中国科学院大学,北京 100049； 5.中国地质大学(武汉)信息工程学院，武汉 430074)

基于压缩感知的GF-1遥感影像IHS融合算法

马瑞琪1， 程 博2， 刘旭楠3， 刘岳明2,4， 江 威2,4， 杨 晨5

(1.中国地质大学(武汉)李四光学院，武汉 430074； 2.中国科学院遥感与数字地球研究所，北京 100094；3.国家海洋局海洋减灾中心，北京 100194； 4.中国科学院大学,北京 100049； 5.中国地质大学(武汉)信息工程学院，武汉 430074)

针对高分一号(GF-1)遥感影像高空间分辨率的特点，综合压缩感知理论改进了传统的IHS影像融合算法，利用稀疏基和测量矩阵对多光谱影像IHS变换后的I′分量和全色影像进行处理，采用加权平均和OMP(orthogonal matching pursuit)重构得到新的I分量，再通过IHS反变换得到结果影像，并结合5个定量指标进行分析评价。实验结果表明，与传统方法相比，结合压缩感知的IHS融合算法所得相关系数更高、扭曲程度更小，融合结果不仅具有更高的空间信息丰富度，并且保持了多光谱影像的色彩信息，可为GF-1影像的目视解译和影像分类提供参考。

影像融合； IHS变换； 稀疏基； 测量矩阵； OMP重构

0 引言

近年来我国陆续发射了多颗高分系列卫星，卫星遥感技术正朝着高空间分辨率和高光谱分辨率方向发展，在时间分辨率上也有很好的表现。高分一号卫星(GF-1)突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感关键技术，研究GF-1全色和多光谱影像融合算法对于资源环境调查等应用至关重要[1]。

目前，已有多种融合算法被广泛应用，如基于IHS(intensity-hue-saturation)变换和Curvelet变换的融合方法[2]、基于NSCT(nonsubsampled contourlet transform)变换和主成分分析(principal component analysis,PCA)的图像融合方法[3]、增强飞行视觉系统下小波变换融合方法[4]、低通滤波改进下的Brovey变换法[5]、光谱和空间局部相关的SVR(synthetic variable ratio)变换法[6]、Nearest-neighbor diffusion-based Pansharp融合方法[7]和Gram-Schmidt(GS)变换[8]等。其中IHS变换融合算法较其他方法更易实现，很多学者基于该算法开展了不同的改进研究。肖化超等[2]提出基于IHS变换和Curvelet变换的融合方法，但是所得结果与原始影像之间的相关系数较低，扭曲程度较大； 王晓艳等[9]提出了基于结构形式度的IHS变换融合算法，但由于在融合过程中需要逐个窗口判断全色影像和多光谱影像的结构是否相似，增加了算法的计算时间及复杂度，且相关系数不高； 袁林山等[10]提出基于灰色绝对关联度边缘检测的多源遥感影像加权IHS融合方法，然而相关系数仍较低； 余先川等[11]提出基于Kurtosis-IHS的融合算法，但其结果的相对平均光谱误差较高，存在光谱失真现象； 张荣群等[12]通过研究也发现了IHS融合方法得到的融合影像出现较强的光谱扭曲现象。

由于压缩感知(compressed sensing，CS)中信号稀疏化、重构理论与影像融合理论相契合，为了解决上述光谱扭曲等问题，许多学者将压缩感知理论运用到融合算法中。Luo等[13]结合压缩感知理论，利用随机投影、加权系数的方式得到融合影像，其结果比未改进算法的融合效果好，但是所采用的实验数据为自然场景图片，并未对具有复杂成像背景的遥感影像进行实验; 郭晶[14]系统地研究了基于压缩感知理论的影像融合算法，提出基于压缩感知理论的IHS方法和CS-PCA-FWT方法，并得到较好的效果，但该方法是在高度配准的影像上进行的，通用性不强； 王远淋[15]研究了基于小波隐马尔科夫树模型的压缩感知图像融合方法和基于多变量模型的压缩感知融合算法，从不同角度分析了这2种方法的可行性，但是在模型训练过程中耗时较多，算法效率降低。

本文提出综合压缩感知理论的IHS改进算法(CS-IHS)，实现了GF-1遥感影像高质量融合，相比于将全色影像直接替换I分量的传统方法，该算法采用加权平均数的方法进行融合，能够较好地保持I分量和全色波段的信息，并从目视效果和定量指标2个方面与传统融合方法进行对比分析，综合评价了CS-IHS算法的融合效果。

1 基于压缩感知理论的IHS融合算法

遥感影像除了采用RGB彩色模型显示外，还可以采用IHS彩色模型，RGB模型与IHS模型之间存在线性和非线性转换[14]。IHS彩色模型定义了亮度I(intensity)、色度H(hue)和饱和度S(saturation)3个互不相关的属性。由于这3个分量与人类视觉认知系统的特性近似相同，在进行IHS显示影像时，只需要提高I分量的空间分辨率，就可以提高影像的空间分辨率。

CS理论于2006年由Donoho等人提出，目前的CS理论框架主要是针对离散信号，这与遥感影像相一致[16]。通过CS理论中稀疏变换可以将信号中主要信息保留，而将一些微小信息变为接近0的值，采用该方法便可由多光谱影像的I分量和全色影像得到稀疏矩阵，利用测量矩阵得到2个测量值，然后再按照一定的规则进行融合处理。这样使得融合影像不仅与原始影像的差异性较低，又提高了影像的细节信息。

本文改进算法流程如下：

1)裁剪同一块区域的全色影像和多光谱影像，并进行配准。

2)对多光谱影像进行IHS正变换，分别得到I分量、H分量和S分量。

3)选择离散小波变换基作为稀疏基，选择Hadamard矩阵为测量矩阵，分别得到多光谱影像I分量和全色影像的测量值，表达式为

y=φX=φΨS,

(1)

式中：X为稀疏矩阵；S为原始矩阵；φ为Hadamard矩阵；Ψ为离散小波变换基。得到的多光谱和全色影像的测量值分别为yms和ypan。

4)通过多次实验选择最佳权值ω1和ω2。对步骤3中得到的yms和ypan利用加权平均数的方式进行融合，得到新的测量值，即

y′=ymsω1+ypanω2。

(2)

5)利用OMP(orthogonal matching pursuit)重构算法对y′值进行重构，得到新的I′分量。

6) 步骤5中的I′分量和步骤2中的H和S分量组成新的IHS模型，对新的IHS模型进行IHS反变换，得到融合后的影像。

具体算法流程如图1所示。

图1 CS-IHS影像融合算法流程Fig.1 Flow chart of CS-IHS image fusion algorithm

2 实验结果与分析

2.1 GF-1遥感影像图像融合目视效果

为了研究改进算法的可行性与通用性，选择北京怀柔区(区域1)、大连长兴岛(区域2)和新疆喀什地区(区域3)的3景GF-1卫星影像进行融合实验。影像成像时间分别为2014年11月18日、2016年2月8日和2013年11月19日，全色影像空间分辨率为2 m，多光谱影像空间分辨率为8 m，实验数据大小均为2 048像素×2 048像素。

本文改进算法利用Matlab2014a编写，采用操作系统为Windows 10 Professional。另外，为了验证改进算法的融合效果，选择3景影像中的不同区域与ENVI5.0中HSV方法、GS方法、Brovey方法和PCA方法进行对比分析。图2—4分别为3个区域不同方法的融合结果。

(a) B3(R)B2(G)B1(B)彩色合成影像(b) CS-IHS融合结果 (c) HSV融合结果

(d) GS融合结果(e) Brovey融合结果 (f) PCA融合结果

图2北京怀柔区影像融合结果对比

Fig.2ComparisonfusionresultsusingdifferentmethodsinBeijingHuairou

(a) B3(R)B2(G)B1(B)彩色合成影像(b) CS-IHS融合结果 (c) HSV融合结果

(d) GS融合结果(e) Brovey融合结果 (f) PCA融合结果

图3大连长兴岛影像融合结果对比

Fig.3ComparisonfusionresultsusingdifferentmethodsinDalianChongxingIsland

(a) B3(R)B2(G)B1(B)彩色合成影像(b) CS-IHS融合结果 (c) HSV融合结果

(d) GS融合结果(e) Brovey融合结果 (f) PCA融合结果

图4新疆喀什地区影像融合结果对比

Fig.4ComparisonfusionresultsusingdifferentmethodsinXinjiangKashi

从图2—4中3个不同区域融合结果的目视效果来看，HSV方法融合结果在色彩上与原始多光谱影像差异性明显，光谱失真现象严重； Brovey方法存在较强的色彩偏差； 本文改进算法可以清楚地看到不同地物之间的分界线，且色彩保持度高，目视效果好。其中，图2(a)中红框位置局部细节的对比效果如图5所示，相对于原始多光谱影像，融合后的影像具有更多的影像信息，地物之间的分界线更加的清晰，同时融合后影像的空间分辨率也比原始影像明显增高。

(a) 原始局部影像(b) CS-IHS算法融合后局部影像

图5CS-IHS融合结果和原始影像对比

Fig.5ComparingCS-IHSfusionresultandoriginalimage

2.2 定量指标评价

目视评价只能直观反映融合效果的差异，且受人为主观因素较强，需要结合评价指标定量评价融合结果。 本文选择标准差、信息熵、平均梯度、相关系数和扭曲程度5个评价指标[17-19]，分别对不同方法融合结果进行评价，评价结果如图6所示。

(a) 区域1标准差 (b) 区域2标准差 (c) 区域3标准差

(d) 区域1信息熵 (e) 区域2信息熵 (f) 区域3信息熵

(g) 区域1平均梯度 (h) 区域2平均梯度(i) 区域3平均梯度

(j) 区域1相关系数 (k) 区域2相关系数(l) 区域3相关系数

(m) 区域1扭曲程度 (n) 区域2扭曲程度(o) 区域3扭曲程度

图63个区域融合结果定量评价指标结果

Fig.6Assessmentindexsoffusionresultsinthreeregions

标准差、信息熵和平均梯度3个指标表征影像携带的信息量； 相关系数和扭曲程度2个指标反映了融合结果和原始多光谱影像之间的光谱保持度。从图6可知，本文改进算法与其他4种方法在标准差、信息熵和平均梯度3个指标上存在一定的差异，但也能够较完整地保持高分影像丰富的细节信息； 在相关系数和扭曲程度2个指标上具有明显优势，所得相关系数比其他4种方法更高，扭曲程度更小。PCA方法和GS方法虽在标准差、信息熵和平均梯度3个指标上表现突出，但是其相关系数和扭曲程度与CS-IHS算法相差太大，导致其整体的色彩保真度不高。

综合上述5项定量评价指标可以得到，本文提出的CS-IHS算法在3个不同区域中标准差、信息熵、平均梯度与其他4种方法相近，但是在相关系数和扭曲程度这2个指标上要比其他方法表现的更好。这主要由于CS-IHS算法利用CS理论，保留全色影像和I分量的主要信息，通过加权融合，不仅保留了全色影像丰富的细节信息，同时也保留了多光谱影像丰富的色彩信息， 使得CS-IHS算法在目视效果、相关系数和扭曲程度上优于其他4种方法。

3 结论

结合压缩感知理论和IHS融合方法，对3景不同区域的高分一号卫星(GF-1)多光谱和全色影像进行融合实验，利用稀疏化处理，得到全色影像和I分量的主要信息，并采用加权融合的方式，使得融合后影像目视效果更好，且融合后影像和原始多光谱影像的相关系数更高，扭曲程度更小，不仅保持了多光谱丰富的色彩信息，又保持了全色影像丰富的细节信息，可为GF-1影像融合提供参考。

但是，CS-IHS算法对不同传感器影像数据的适用性还有待进一步验证，尤其是针对后续高分系列卫星； 此外，在矩阵稀疏化时，将系数接近0的值直接用0替换，在一定程度上造成了信息的丢失，下一步将研究这些损失信息的类别以及对遥感影像目视解译的影响。

[1] 赵英石.遥感应用分析原理与方法[M].北京:科学出版社,2003:251-255.

Zhao Y S.Analysis Principle and Method of Remote Sensing Applications[M].Beijing:Science Press,2003:251-255.

[2] 肖化超,周 诠,郑小松.基于IHS变换和Curvelet变换的卫星遥感图像融合方法[J].华南理工大学学报(自然科学版),2016,44(1):58-64.

Xiao H C,Zhou Q,Zheng X S.A fusion method of satellite remote sensing image based on IHS transform and Curvelet transform[J].Journal of South China University of Tchenology(Natural Science Edition),2016,44(1):58-64.

[3] 吴粉侠,李 红,李洪星.基于NSCT变换和PCA的图像融合算法[J].航空计算技术,2015,45(3):47-51.

Wu F X,Li H,Li H X.Image fusion algorithm based on NSCT and PCA[J].Aeronautical Computing Technique,2015,45(3):47-51.

[4] Nunez J,Otazu X,Fors O,et al.Multiresolution-based image fusion with additive wavelet decomposition[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(3):1204-1211.

[5] 吴连喜.用低通滤波器改进Brovey融合法[J].计算机应用研究,2010,27(11):4383-4385.

Wu L X.Improved Brovey transform by low-pass filter[J].Application Research of Computers,2010,27(11):4383-4385.

[6] 王慧贤,江万寿,雷呈强,等.光谱与空间局部相关的SVR影像融合方法[J].测绘学报,2013,42(4):508-515.

Wang H X,Jiang W S,Lei C Q,et al.A robust SVR image fusion method based on local spectral and spatial correlation[J].Acta Geodaetica et Cartographica Sinica,2013,42(4):508-515.

[7] Sun W H,Chen B,Messinger D W.Nearest-neighbor diffusion-based pan-sharpening algorithm for spectral images[J].Optical Engineering,2014,53(1):013107.

[8] 张 涛,刘 军,杨可明,等.结合Gram-Schmidt变换的高光谱影像谐波分析融合算法[J].测绘学报,2015,44(9):1042-1047.

Zhang T,Liu J,Yang K M,et al.Fusion algorithm for hyperspectral remote sensing image combined with harmonic analysis and Gram-Schmidt transform[J].Acta Geodaetica et Cartographica Sinica,2015,44(9):1042-1047.

[9] 王晓艳,刘 勇,蒋志勇.一种基于结构相似度的IHS变换融合算法[J].遥感技术与应用,2011,26(5):670-676.

Wang X Y,Liu Y,Jiang Z Y.An IHS fusion method based on structural similarity[J].Remote Sensing Technology and Application,2011,26(5):670-676.

[10] 袁林山,杜培军,王 莉,等.基于灰色绝对关联度边缘检测的多源遥感影像加权IHS融合[J].地理与地理信息科学,2008,24(3):11-15.

Yuan L S,Du P J,Wang L,et al.Weighted IHS fusion of multi-source remotely-sensed image based on edge detection using grey absolute correlation degree[J].Geography and Geo-Information Science,2008,24(3):11-15.

[11] 余先川,熊利平,张立保,等.基于Kurtosis-IHS的遥感影像融合[J].地质学刊,2014,38(3):380-386.

Yu X C,Xiong L P,Zhang L B,et al.Kurtosis-IHS based remote sensing image fusion[J].Journal of Geology,2014,38(3):380-386.

[12] 张荣群,赵 明,王志成,等.IHS方法在QuickBird数据融合中存在的问题及其改进[J].国土资源遥感,2007,19(3):36-38.doi:10.6046/gtzyyg.2007.03.08.

Zhang R Q,Zhao M,Wang Z C,et al.The problem existent in the IHS method for QuickBird image fusion and the countermeasures for its improvement[J].Remote Sensing for Land and Resources,2007,19(3):36-38.doi:10.6046/gtzyyg.2007.03.08.

[13] Luo X Y,Zhang J,Yang J Y,et al.Image fusion in compressed sensing[C]//Proceedings of the 2009 16th IEEE International Conference on Image Processing.Cairo:IEEE,2009:2205-2208.

[14] 郭 晶.基于压缩感知理论的卫星遥感图像融合算法研究[D].北京:北京交通大学,2013.

Guo J.Satellite Remote Sensing Image Fusion Based on Compressed Sensing[D].Beijing:Beijing Jiaotong University,2013.

[15] 王远淋.基于压缩感知的图像融合[D].哈尔滨:哈尔滨工程大学,2013.

Wang Y L.Image Fusion Based on Compressed Sensing[D].Harbin:Harbin Engineering University,2013.

[16] 宁寰宇,文亚洲.压缩感知理论简介[J].电子技术,2012,39(6):10-12.

Ning H Y,Wen Y Z.A brief introduction of compression sensing theory[J].Electronic Technology,2012,39(6):10-12.

[17] 胡 洋,习晓环,王 成,等.Pléiades卫星影像融合方法与质量评价[J].遥感技术与应用,2014,29(3):476-481.

Hu Y,Xi X H,Wang C,et al.Study on fusion methods and qulity assessment of Pléiades data[J].Remote Sensing Technology and Application,2014,29(3):476-481.

[18] 郭 蕾,杨冀红,史良树,等.SPOT6遥感图像融合方法比较研究[J].国土资源遥感,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12.

Guo L,Yang J H,Shi L S,et al.Comparative study of image fusion algorithms for SPOT6[J].Remote Sensing for Land and Resources,2014,26(4):71-77.doi:10.6046/gtzyyg.2014.04.12.

[19] 刘会芬,杨英宝,于 双,等.遥感图像不同融合方法的适应性评价——以ZY-3和Landsat8图像为例[J].国土资源遥感,2014,26(4):63-70.doi:10.6046/gtzyyg.2014.04.11.

Liu H F,Yang Y B,Yu S,et al.Adaptability evaluation of different fusion methods on ZY-3 and Landsat8 images[J].Remote Sensing for Land and Resources,2014,26(4):63-70.doi:10.6046/gtzyyg.2014.04.11.

ResearchonGF-1remotesensingIHSimagefusionalgorithmbasedoncompressedsensing

MA Ruiqi1， CHENG Bo2， LIU Xu’nan3， LIU Yueming2,4， JIANG Wei2,4， YANG Chen5

(1.SchoolofLisiguang,ChinaUniversityofGeosciences(Wuhan),Wuhan430074,China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094,China; 3.NationalMarineHazardMitigationService,Beijing100194,China; 4.UniversityofChineseAcademyofSciences，Beijing100049,China; 5.FacultyofInformationEngineering,ChinaUniversityofGeosciences(Wuhan),Wuhan430074,China)

According to characteristics of GF-1 remote sensing images with high spatial resolution, the authors used compressed sensing theory to improve the traditional IHS image fusion algorithm. The component I from IHS transform and panchromatic images used sparse matrix and measure matrix, the weighted average and OMP yielded new component I′. Finally, through an inverse IHS transform the result image was obtained. Combined with five quantitative indexes, analysis and evaluation were conducted. Experimental results show that, compared with the traditional methods, IHS fusion algorithm combined with compression perception can obtain a higher and less distorted correlation coefficient, and the fusion results not only have higher spatial information richness, but also maintain the color information of multi-spectral images. It may provide a reference to GF-1 image visual solutions for translation and image classification.

remote sensing image fusion; IHS transform; sparse basis; measurement matrix; OMP reconstruction

10.6046/gtzyyg.2017.04.05

马瑞琪,程博,刘旭楠,等.基于压缩感知的GF-1遥感影像IHS融合算法[J].国土资源遥感,2017,29(4)：26-32(Ma R Q,Cheng B,Liu X N,et al.Research on GF-1 remote sensing IHS image fusion algorithm based on compressed sensing[J].Remote Sensing for Land and Resources,2017,29(4):26-32.)

TP 751.1

A

1001-070X(2017)04-0026-07

2016-06-03；

2016-08-09

国家自然科学基金项目“高分辨率SAR图像典型地物目标样本特征提取和识别研究”(编号： 61372189)和中国科学院大学生创新实践训练计划项目“基于压缩感知的遥感影像融合研究”(编号： Y5Y01206QM)共同资助。

马瑞琪(1995-),男,本科生,主要从事遥感专业学习。Email： mrq_rs@163.com。

程 博(1974-),男,博士,教授级高级工程师,主要从事遥感卫星信息处理与应用研究。Email： chengbo@radi.ac.cn。

(责任编辑：陈理)