基于Landsat8_OLI影像不同融合方法的研究——以拉萨市为例*

蒋宁 刘炜

（西藏民族大学信息工程学院，陕西 咸阳 712082）

0 引言

早在上个世纪，国内外的专家对影像融合进行了数量多且高层次的的研究和实验。在目标识别层上专家学者区分出了三个融合层次，分别为像素（Pixel based）［2］、特征级融合［3］（Feature based）和决策级融合［4］（Decision level）。在上述的三个层次中，当前较为常用的影像融合方法是像素级融合。相对于比较其他层次，它能在融合过程中使其图像的微小的信息保留的很好。本文在传感器采集信息之后，将通过使用ENVI5.3 和MATLAB 软件对较为常用的Brovey、PCA、Gram-Schmidt 和NNDiffuse 四种融合方式对拉萨某地区从Landsat 8_OLI（2021 年1 月28 日）卫星上得到的遥感影像进行融合处理，并对融合之后的效果进行评价，从而将会找到最为理想的一种融合方法。理想的融合方法可以使图像的质量有质的变化。

1 数据源与预处理

1.1 数据源

Landsat8 影像数据获取时间为2021 年1 月28 日，在地理空间数据云的官网中就可以下载云的覆盖率小于等于百分之一的影像，这样就可以保证实验的合理性和真实性。Landsat8_OLI卫星总共有11 波段，每个波段的波长都不相同。其中第8波段是所要用到的质量较高的波段，第4、3、2 波段为该影像的红绿蓝波段。在做图像融合时，Brovey 会选择较低分辨率的多光谱图像的红绿蓝波段与第8波段的全色影像进行融合，其它三个方法融合而是针对于具有7 个波段的影像与全色影像的融合。

其中作为实验地区的拉萨市，它位于中国的西南地区。处在西藏高原中部、北邻喜马拉雅山、东靠林芝、西接日喀则、南连山南，它是西藏自治区的中心城市。拉萨海拔高，太阳光照时间充足，故有“日光城”之说。

1.2 图像预处理

图像进行融合通过ENVI 软件对下载的Landsat8影像进行裁剪和预处理。预处理的步骤如下，首先在ENVI 软件中打开下载的影像数据的MTL 文件，打开MTL 文件可以显示出所有波段。对MTL 文件和8 波段的全色图像进行相同大小的裁剪；然后对裁剪过的影像采用自动设置参数的辐射定标操作，为的使在大气校正中有适合的数据类型；之后就可以进行大气校正了，选择适当的参数然后就可以应用实现；把校正过的影像再进行融合。这就是影像融合之前的准备工作。之后把融合后的影像输出格式为TIFF的影像格式，这样会方便计算其评价指标。经过处理之后得到的低分辨率的彩色影像与全色Pan 影像如图1所示。

2 研究方法

Brovey、PCA、GS 和NNDiffuse［5］融合方式是文章所需要用到的，原理简单介绍如：

2.1 Brovey融合

Brovey 融合就是使彩色的多光谱各个波段影像进行归一化的处理，然后再用具有乘积性的影像波段来计算全色影像从而达到增强影像信息的目的，所以Brovey融合也称为乘积变换法融合［6］。因为这种方法只有红绿蓝这几个波段参与影像融合，所以会造成其光谱的扭曲变形。总结如下，Brovey 变换融合的缺点是波谱失真较为严重，然后还会使彩色影像和Pan 融合后的图像波谱范围不均匀。Brovey 融合的优势在于能够使融合前的彩色图像的波谱内容依然存在，也能使融合后的图像的边缘清晰度增大。并且在物体地物的划分上会更加清楚，但是颜色的亮度在城市的居住区域，效果不是特别亮好。

2.2 PC Spectral

PC Spectral也称作锐化融合。它也是一种通过分辨率较低的多光谱影像的融合方法。它是一种偏线性的、多种维度的融合方式，可以通过多个波段进行正交变换［7］而显示出来。最开始先将影像矩阵中的最大特征向量的求出来，作为第一主成分；其次为了防止波谱中的信息丢失，必须确保高分辨率的波段能够匹配到第一个的主成分的分量，通常会使用ENVI软件将高分辨率图像进行拉伸，其目的是为了使分辨率较好的波段替代第一主成分波段；最后，还需要把图像进行逆向变换，从而获取到实验后的图像。总结如下,PC Spectral 融合方法的优势能够使全部的彩色波段参与到融合过程里；而PC Spectral 融合方法的缺点是它的主要融合方式中只能用彩色多光谱影像的首个成分被Pan 影像所取代来实现，因为它的首个成分的信息值含量最大。而且是会导致PC Spectral 方法里多光谱的首个成的彩色信息的量变少。这是PC Spectral 融合算法里的最为重要的缺陷，该种方法仅仅基于数学计算的问题处理，而没有基于影像中每个波长的特征。

2.3 Gram-Schmidt融合

Gram-Schmidt 融合变换就是在其变换的过程中使每个分量之间都能进行正交［8］。总体来说它的变换和PCA 变换有很大承程度相似的。它的相似表现为都是多维线性的的融合方式。为了使融合的两幅影像具有相差较小的信息特征，首先需要把全色波段的影像通过多光谱影像的函数进行模拟，或者把全色波段的影像缩小模糊到与多光谱影像等大小；把模拟过的全色影像像PCA变换一样作为第一波段，准备工作走完之后就可以进行Gram-Schmidt 变换；总结如下：Gram-Scehmidt 的优点在于它的融合过程不像是PC Spectral 融合方法的缺点一样，PC Spectral 融合方法只能用彩色多光谱影像的首个成分被Pan影像所取代。而是它具有成分几乎一样的各个成分，这样就会使彩色的光谱信息保持良好。它的第二种特征为融合前后的GS1（GS 变换融合的第一个分量）分量是相同的并且它的数值没有发生改变的。

在试验中，耗能钢棒是通过预埋钢筋和预埋板焊接在一块共同实现作用，在试验中构件没有发生扭转，底部钢板和反力架底梁之间几乎没有滑移，所以在有限元模型中，并未对预埋钢板进行建模，而是将墙板两端各自的自由度分别耦合在一个点上，再通过固接的方式来处理，为了让模型分析时更好收敛，把墙板侧面均耦合到一个加载点上，从而保证模拟与试验情况相吻合。有限元分析加载制度与试验工况一致。

2.4 NNDiffuse融合

NNDiffuse 融合为了提高其处理性能采用了OpenMP 和CUDA 两种技术，运用这两个技术并执行矩阵乘法运算；相较于以往的方法，使用的方法能使融合后影像能较好地保留色光谱信息［9］。并且在彩色影像融合质量方面和对影像的处理速度方面都会有比较好的的结果。为了让其融合的效果更好，需要使多光谱波段的波长在区域内不相交，高分辨率的Pan也就能够全面的覆盖住多光谱波段的全部的波长范围。本实验需要用到的Landsat-8 卫星类型的传感器就可以被NNDiffuse 方法所支持。它的优点是具备RPC 信息、多线程的计算还能提供API 接口。NN‐Diffuse 融合结果反映出其对光谱上的各种细节都可以有比较好的实现。

3 融合结果与质量评价

3.1 融合结果

本次试验的数据是选用2021 年1 月28 日的Landsat8_OLI 遥感影像，通过ENVI 平台进行辐射定标和大气校正。选取融合的影像是波段分别为空间分辨率较低的彩色影像和较高分辨率的全色影像。融合得出的影像既具有较低分辨率的彩色特点，又具有高分辨率的特点。因为所研究实验的区域内有道路、水体和山脉，所以本文采用波段为OLI4、3、2 的真彩色图像进行试验。Band4 为红色波段既可用于城市中道路的观察，又可以观测不同种类的植物和无植物的土壤；Band3 为绿色波可以分辨图像里是否有植物；Band2蓝色波段可用于水体穿透，能分辨出土壤和植被。

四种影像融合Brovey、PCA、Gram-Schmidt 和NNDiffuse融合结果如下所示：

3.2 定性评价

通过判断图2 中Landsat8 融合的图像可知，上述几种方法融合后都比原始的多光谱影像要清晰的多，细节的表现能力会有所提高，表现在其能使模糊的道路、水体和建筑物的轮廓比较准确的分辨出来，也容易看出不相同的融合方式有不尽相同的呈现方式。从光谱特征方面来看，Brovey 融合因其亮度较低，因此不能清晰的区分影像上各种类别的物体，Brovey 变换融合后整体会呈现出相对较暗的影像，从图上很容易看出来其光谱扭曲严重，是因为BT 融合在房屋建筑上得出的结果亮度会偏暗。但是也能从图片上显示它的保真度较好，相较于原始彩色影像物体种类的划分较为明显。而GS、PCA 和NND 融合在光谱特征方面会比Brovey 融合在此实验地区内会融合好的多。之后在光谱色调方面GS、PCA 和NND 三种融合方法会更靠近于原始影像，它们使光谱信息更好的保留。从图2 总体来看，GS 融合和NDD 融合目视的效果是比较好一些的，PCA、Brovey融合结果会差一些。

3.3 定量评价

3.3.1 定量评价标准。本文进一步研究选用平均值、标准差、信息熵、扭曲程度、平均梯度这5 个标准再予以评价。

图像的平均亮度是均值评价方法的重要指标，均值评价方法也常被称作灰度平均值［10］。其评价标准为均值的大小，均值的值增加则表示该图像的亮度较好，融合的结果也是不错的。反之均值的值减少则表示该图像的亮度较为不理想，融合的结果也是差一些的。

图像的灰度离散的程度是标准差［11］的重要标准，其评价标准为标准差的偏差大小。随着标准差的变大，灰度图像越分布的离散，图像的像素相对来讲越高，眼睛所看到的结果是较为满意的。反之，标准差值得变小，灰度图像离散程度较弱，其目视效果较差。

图像的清晰程度是衡量平均梯度［12］是的关键参数，通俗的讲它能清楚的反映图像的纹理的细致程度。随着平均梯度的变大，就能得出其融合后的图像清晰程度越好。图像的清晰程度越好则能表现出图像的质量优秀。

信息熵［13］是融合的常用指标。它也被叫做香农熵。熵的主要功能是评价一幅影像所含平均信息量多少。融合后影像的信息熵越大，其所蕴藏的相关信息越丰富，融合效果就会越好。信息熵越小所得出的信息就稍显匮乏。信息熵能表现出来影像灰度图像的聚集的性质，二维熵能表现出起空间分布特征。

3.3.2 定量评价结果。在进行定量评价的过程中，需要用到Matlab 软件。在进行有参照物的评价结果中，融合前后的维度会不一样，这时候就需到用到imwrite()函数的方法来对图像进行处理，才能对融合后的影像进行评价，否则就会因为维度不匹配而无法运行程序。这是总结运行评价指标的过程中Matlab 软件所遇到的问题。当然这个问题也可以在ENVI 软件中选择右侧工具栏中的Resize 方法将图片重新确定维度大小。

解决上述问题并进行定量评价的结果如表1所示：

表1 定量评价结果

其中Mul，Pan 分别为原来的多光谱彩色影像和全色影像，GS、NDD、PCA 与BT 分别为以上四种融合方式的缩写。

根据表1 所显示的结果，NDD 的影像平均数值为109.3267，在这几种方法里面都是最大的，说明了NDD算法有相对于其他几种具有比较好的亮度，其眼睛所目视的效果是比较好的并且和之前定性的评价保持一致；而BT 的灰度平均是36.5001，相比于其他四种效果都是较差的，BT 之所以比较差是因为它只有三个波段进行融合，也是因为实验地区是房屋建筑较多区域的缘故，所以从图片上看亮度也是比较暗的；还有GS 的均值和NDD 融合差不了太多，PCA 次之。对于标准差来说，NDD 和GS标准差比较接近，都在五十五以上，这就意味着如果图像的反差对比大一点，而且灰度级数分散，那么就可以得到更多的纹理信息了；BT 算法的标准差很小，值是20.2505，说明了影像的对比反差小了一些，而且灰度级数也不是非常的离散的，所以纹理信息就比较小，但由于是标准比值法所以整个图象就比较简单；PCA 的标准差就比NDD 差了有百分之四，但是效果也会比BT 好一些。对于信息熵来说，NDD 算法数值7.6114，在这四种融合中也是最好的。GS 融合与PCA 融合次之，其熵分别为7.6084 和7.5252。信息熵越大表明图中的信息就越多；从平均梯度这个定量评价来看，Brovey 平均梯度数值为0.0621，而NDD 的平均梯度数据为0.1725，依然是最好的，这就表示其细节是较好的。从光谱的扭曲程度可以知道NDD与GS的扭曲程度与全色影像相差不大，虽然与原本的彩色图像相比数值大，但是整体效果会更好。通过这几种的客观评价中可以知道GS和NDD融合在拉萨的该实验地区的效果是较为理想的。虽然每个参数只有不到1 的差别，但是NDD融合的结果会比GS融合的结果更好。

4 结论

影像融合技术是一种基于多传感器的成像技术。它主要包括对同一场景中的各种传感器获得的图像数据信息进行有明显成果的空间匹配。并以此为基础，实现了各种图像数据的优势。并且可以把这些优势变为这些数据信息的有效信息，将其转化为新颖的、效果更好的信息。

对以上定性与定量的评价结果进行总结可以知道，BT 变换在该区域的融合效果没有特别理想，相比其他三种的融合效果较差，其具有严重的光谱失真，信息量没有特别的丰富。是因为BT 融合的结果在房屋建筑上亮度是相对来说是较暗的。所以BT 的融合方法在此实验的区域融合效果不佳。而在GS 和PCA中融合效果相比较BT 变换而言会好的很多，各种信息会比之前都要好。最为理想的就是NNDiffuse 融合，它在综合了目视和客观的评价标准之后，对于该实验区来说结果是较为不错的。NNDiffuse 融合之后的影像能最大程度的区分地类范围，并且图像信息和空间细节也会更丰富，各个方面比融合之前的多光谱图像要好。

因此，对于Landsat8-OLI 卫星所获取的拉萨这一区域的融合影像通过分析，得出来了下面的结果：NNDiffuse融合相较于Brovey、PCA和Gram-Schmidt这三种融合成果来说是最为好的。所以在拉萨的这个区域它能达到更好的融合结果。也表明了不一样的融合方式、卫星类型和实验地域都会对融合的结果产生差异影像。