南方崩岗区Pleiades影像融合评价及自动识别

刘 洁 ，廖凯涛 ，宋月君 ，赖格英 ，郑海金

（1.江西省水土保持科学研究院，江西 南昌 330029；2.江西省土壤侵蚀与防治重点实验室，江西 南昌 330029；3.江西师范大学地理与环境学院，江西 南昌 330022）

0 引言

崩岗侵蚀是指山坡土体在水力和重力共同作用下发生崩塌侵蚀的现象[1]，是我国南方地区危害严重、侵蚀强度最大的侵蚀类型，通过高分辨率遥感大面积的监测和地面调查相结合的办法可以全面了解崩岗侵蚀现状，对崩岗侵蚀防治治理有重要意义[2]。

常用的影像融合方式主要有主成分变换、能量分离变换、Brovey变换、Gram-Schmidt光谱锐化融合、NNDiffuse全色增强变换融合、HPF高通滤波融合、乘积变换融合、小波变换等[3]。Pleiades卫星数据质量高、重返周期短被国内外学者作为数据源应用到土地分类等相关研究[4]，Bangun[5]等利用 Pleiades 影像、QuickBird影像对城市绿地进行规划及评价，获得了较好的城市绿地影像；董熙等[6]对Pleiades影像融合效果进行分析，HCS影像融合方法针对北方林地监测提取效果较好。在南方地区特殊的地理环境下识别崩岗侵蚀区域，Pleiades影像的融合分析并未有相关研究。本文以南方地区江西省赣县金钩形崩岗区影像为基础，采用7种使用广泛的影像融合技术对Pleiades卫星数据进行融合，对不同方法的融合效果进行评价，以期挑选出针对南方崩岗侵蚀区监测有较高保真度且有利于崩岗提取的遥感影像融合方法。

1 材料与方法

1.1 研究区介绍

研究区位于江西省赣县金钩形小流域（N26°17′～26.23′，E115°14′～115°20′）。赣县地形属于中低山丘陵地区，是江西省水土流失最严重的县之一，据2005年江西省崩岗调查，全县现有崩岗4 138个，崩岗面积1 808.3万m2。金钩形小流域是江西省崩岗密度最大、数量最多、类型最全、流失最严重的区域，具有代表性[7]。

1.2 影像数据

法国Pleiades高分辨率卫星由2颗完全相同的卫星Pleiades-1和Pleiades-2组成，包括4个多光谱（分辨率2.0m）和1个全色波段（分辨率0.5m）。本研究采用的数据为2014年11月23日影像，范围为东经115°14′～115°20′、北纬 26°17′～26°23′的江西省赣县金钩形小流域崩岗群的全色和多光谱影像，面积约25km2，研究区内主要地物有居民地、林地、水体、水田、崩岗等。

1.3 影像融合方法

对获取的Pleiades影像进行预处理，包括多光谱数据与全色数据的影像配准，多光谱数据的FLAASH大气校正，控制误差，确保影像融合质量。

通过参阅文献，参考已有研究[8，9]，选择主成分变换、能量分离变换、Brovey变换、Gram-Schmidt光谱锐化融合、NNDiffuse全色增强变换融合、HPF高通滤波融合及乘积变换融合7种影像融合方法对Pleiades多光谱数据与全色数据进行融合处理。

1.4 影像融合评价

为了比较不同方法的融合效果，本文采用定性评价与定量评价相结合的办法。定性评价就是将人作为观察者，通过常识和自身经验目视对比融合后的影像，进而进行判断，是较为直观和简单的一种观察评价方法。定量分析采用均值、标准差、信息熵和相关系数对融合效果进行定量分析。

1.5 基于融合影像的崩岗自动提取

基于融合后的具有高分辨率和光谱信息的影像，利用崩岗的纹理特征和光谱信息特征，采用面向对象的方法自动提取崩岗范围，并于实际崩岗面积进行对比，比较不同融合算法下崩岗自动识别精度。

2 融合结果与评价

2.1 定性分析

从融合影像配准角度看，几种融合方法整体匹配程度较好，经过融合后的多光谱影像，增加了全色影像的分辨率，影像精度有显著的提高，纹理更加清晰，对于南方丘陵地区居民地、水田分布、道路设计、崩岗识别等研究有较好的效果，更容易进行目视判读。从颜色保持角度看，Brovey变换、乘积变换融合方法和主成分变换与原始影像颜色较为接近，可以较好地保留原始影像的光谱特征；由于主成分变换法所有参与变换的波段具有共同确定的信息大多数信息集中于第一分量，融合特征因此加剧了影像的光谱畸变，在河流、水田和居民地等地，融合效果较差，边缘锯齿状明显，对于丘陵林地地区阴影处融合效果较差，建筑物边缘有扩散，这与胡洋等研究一致[10]。能量分离变换、Gram-Schmidt光谱锐化融合方法对比度和亮度适宜，影像特征清晰，空间细节明显，影像纹理更为突出，衔接处界限清晰，有利于区分不同地物，整体效果较好。

图1 不同融合方法的结果

表1 不同融合方法评价质量指标

2.2 定量分析

通过定量分析，可以更加客观地评价影像融合效果，从图像均值角度看经过能量分离变换融合方法的灰度平均值较高，人眼反应的平均亮度最佳，影像特征最为明显。

从标准差指标相比，能量分离变换方法数值最大，其次是主成分变换和NNDiffuse全色增强变换融合，Brovey融合方法的标准差值最小，因而能量分离变换方法的灰度值更为离散，图像的反差最大，通过对比增加，可以识别出更多的影像信息。

从信息熵指标可以看出，Gram-Schmidt光谱锐化融合数值最大，更接近原图信息量，其次是能量分离变换、HPF高通滤波融合变换。高分辨率乘积变换信息熵较小，所包含的信息量较低。

通过相关系数指标来看，乘积变换融合的数值最高，其次是Brovey变换、能量分离变换。较高相关性可以有效保留光谱特征，使光谱特征保存更为丰富，影像质量好。

2.3 融合影像崩岗侵蚀区自动识别

图2 不同融合算法面向对象崩岗面积提取的结果

表2 不同融合算法的面向对象分类提取崩岗面积及精度

采用面向对象的识别方法，可以克服传统分类方法中对样本提取所出现的“椒盐”效应，减少“同谱异物”和“同物异谱”的问题[11]。由于崩岗的发生多在山地林地，目视解译的方法可以较好的提取崩岗范围，结合计算机自动提取可以提高对崩岗范围提取的效率。图2、表2可以看出，HPF高通滤波融合方法融合后的影像提取崩岗面积结果最为接近目视解译所提取的崩岗面积，面积重合度达到98.11%，但崩岗提取的边界较为破碎，崩岗发生的位置与目视提取存在差异；能量分离变换融合后的影像提取崩岗面积与目视解译较为接近，与目视解译面积误差为5.58%，可以整体对影像中崩岗样本进行提取，接近目视解译所提取的崩岗面积，对研究区混合型崩岗的形态提取较好，可以帮助研究人员对崩岗发育形态进行判断，且崩岗边界与林地边界区分清晰，能反映研究区崩岗面积的实际情况。

3 结果与讨论

本文采用主成分变换、能量分离变换、Brovey变换、Gram-Schmidt光谱锐化融合、NNDiffuse全色增强融合变换融合、HPF高通滤波融合及乘积变换融合七种影像融合方法对Pleiades卫星影像进行融合处理。从定性分析及定量分析结果看出，能量分离变换融合方法、Gram-Schmidt光谱锐化变换方法，可以有效保持光谱保真度并且在均值、标准差、信息熵的客观指标上优于其他算法，二者都最大程度包含了原始影像多光谱信息，融合效果最好。融合后的Pleiades卫星空间分辨率为0.5m，从亚米级分辨率的影像上能够非常容易地提取崩岗数据；通过能量分离融合算法融合后的Pleiades，能够实现崩岗的自动识别与提取，与人工调查精度差别不大，可以为我国南方红壤丘陵区崩岗动态监测和治理等方面的应用提供一定的参考。

由于我国环境复杂，应以实际需求为主，在不同情况下选择适宜的融合方法。同时，随着国产卫星的空间分辨率不断提高，应进一步加强国产卫星在崩岗提取与动态监测中的应用研究，拓展国产卫星数据的应用领域。