基于SPOT4和Landsat5 TM的不同影像融合方法质量对比研究

摘 要：【目的】探究不同影像融合方法对SPOT4全色影像和Landsat5 TM多光谱影像融合效果的影响。【方法】采用13种不同的影像融合算法开展融合试验，并通过定性和定量分析的方式，对融合结果进行综合评价分析。【结果】结果表明，融合影像的信息熵相比原影像有所增强，RGB三通道的熵值分布更为均匀，主要集中在50～200之间。此外，不同地物类型对融合方法的效果产生了显著影响。对于水体和植被，Brovey、HSV、IHS和EF方法展现出了良好的光谱保真性和细节增强能力，因此更适用于目视解译。NND法在这些区域出现了轻微的光谱失真现象，导致其分类精度偏低。【结论】针对不同传感器的影像选择适当的融合方法，对于提高遥感影像的解译精度和应用价值具有重要意义。

关键词：影像融合；质量评价；SPOT4；Landsat5 TM

中图分类号：P237" " "文献标志码：A" " "文章编号：1003-5168（2024）14-0088-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.14.018

A Comparative Study on the Quality of Different Image Fusion Methods Based on SPOT4 and Landsat5 TM

Abstract： [Purposes] This paper aims to explore the influence of different image fusion methods on the fusion effect of SPOT4 panchromatic image and Landsat5 TM multispectral image. [Methods] Twelve different image fusion algorithms were used to carry out fusion experiments， and the fusion results were comprehensively evaluated and analyzed by visual interpretation and quantitative evaluation. [Findings] The research results show that the information entropy of the fused image is enhanced compared with the original image， and the entropy distribution of RGB three channels is more uniform， mainly concentrated in the range of 50～200. In addition， different types of features have a significant impact on the effect of the fusion method. For water and green vegetation areas， Brovey， HSV， IHS and EF methods show good spectral fidelity and detail enhancement ability， so they are more suitable for visual interpretation. However， the NND method has slight spectral distortion in these regions， which leads to its low classification accuracy. [Conclusions] To sum up， the selection of appropriate fusion methods for images from different sensors is of great significance to improve the interpretation accuracy and application value of remote sensing images.

Keywords： image fusion; quality evaluation; SPOT4; Landsat5 TM

0 引言

在遥感影像分析领域，提升影像质量的关键手段之一在于将高光谱低空间分辨率的多光谱影像与低光谱高空间分辨率的全色影像进行有效融合。相比于原始影像，融合影像显著提升了视觉效果［1-2］，有助于目视解译及深入的地物分析。此外，影像融合技术还提高了影像的空间分辨率，在林业、农业等领域应用广泛。鉴于不同传感器具有独特的成像特性，针对各种卫星影像，融合方法的效果呈现出差异性。

近年来，董金芳等［3］针对资源一号02C卫星的多光谱和全色影像，采用了包括PCA、GS、HSV和Brovey在内的多种方法进行融合试验，得出GS变换是资源一号02C卫星影像融合的最优方法。潘鑫等［4］对资源三号卫星的不同场景影像进行了不同融合方法的对比试验，并从光谱和空间特性两个维度对融合效果进行了评估，深入探讨了适用于资源三号卫星不同场景下的融合策略。孙攀和熊德峰等［5-6］对GF-2全色和多光谱影像采用了5种常用方法进行融合处理，作了比较分析，得出适应于GF-2的融合方法。这些研究均表明，针对不同场景，影像融合效果存在显著差异，因此，在实际应用中根据具体需求选择最合适的融合方法［7-11］，可以有效提升遥感影像的质量和应用价值，为相关领域的决策和研究提供更为准确和全面的信息支持。

为探究不同影像融合方法对不同传感器获取的影像的效果，本研究选取13种不同的影像融合方法，对SOPT4和Langsat5 TM影像开展试验，并采用定性和定量分析方法对融合结果进行综合评价，以探究适合SOPT4和Langsat5 TM的融合模型。

1 数据源

1.1 数据来源

本次试验数据为SPOT4卫星10 m的全色波段影像和Landsat5 TM 30 m多光谱影像，用于不同传感器的图像融合，影像基本信息见表1。

1.2 数据预处理

考虑到影像配准精度对融合结果质量的显著影响，在融合处理之前，对SOPT4和Langsat5 TM进行精确的地理校正，确保配准误差被严格控制在0.3个像元以内，从而满足像素级融合对数据精度的要求。经过精确的配准后，多光谱影像与全色影像具有相同的地理空间信息，然后对影像做辐射定标和大气校正处理。

2 数据融合与质量评价方法

2.1 影像融合方法

影像融合技术是将高光谱低空间分辨率的多光谱影像与低光谱高空间分辨率的全色影像重采样得到一副兼具高光谱分辨率高空间分辨率的影像，为地物分类、城市规划等提供更好的数据支撑。本研究所使用融合方法包括：CN（Energy Subdivision Transform）、Brovey、GS（Cram-Schmidt Pan Sharpenin）、HSV（Hue，Saturation Value）、NND（NNDiffuse Pan Sharpening）、PCA（Principal Component Analysis）、HPF（High-pass filter）、IHS（Intensity-Hue-Saturation）、WT（Wavelet Resolution Merge）、HCS（Hyperspherical Color Space）、RM（Resolution Merge）、PRM（Projective Resolution Merge）。

2.2 质量评价方法

在评价不同方法的融合质量时，需要对融合图像本身的质量进行深入且系统的定性和定量评价分析。在定性评价方面，以融合影像在视觉效果上的表现为主，通过直观分析来评估其光谱保真度和空间纹理特征的优劣。在定量评价方面，从多种维度进行全面评价，具体包括空间信息增强、光谱信息保持和综合质量。其中，空间信息增强通过计算信息熵和平均梯度来量化评估；光谱信息保持则利用光谱相关系数和均方根误差来进行度量；综合质量采用通用图像质量指数来进行综合评价。

信息熵（EN）反映像元在影像中的均匀分布程度，值越大，表示影像包含的信息量越多。二维熵反映灰度分布空间特征。相关系数（CC）越大，两幅影像光谱特征越接近。平均梯度越大，图像层次越丰富。标准差反映图像像素值与均值的离散程度。灰度均值反映了图像的亮度，呈正比关系。

3 试验结果与分析

3.1 定性评价

本研究以SOPT4和Langsat5 TM为试验数据集，选取13种不同的融合算法进行对比试验，为方便视觉比较，所有的影像都以RGB方式显示，如图1所示。以下仅针对本次试验的数据结果进行评价。

由图1可知，CN方法得到的影像效果最差，光谱信息损失严重，基本上辨别不出相关地物。GS、HPF、EF、PCA、WT、HCS等融合影像在去除多光谱影像的云层方面，效果相比其他方法较差，从左下角显示的云层便可看出。Brovey、GS、HSV、NND、PCA、HIS、EF、PRM融合得到的影像能够保留多光谱信息，显示出真彩色影像，而HPF、WT、HPF、HCS、RM等融合方法得到的影像只能呈现出灰色，或是真彩色不明显。EF和WT得到的影像，其光谱信息损失较为严重，地物识别不太明显。PRM在水体和植被识别这块较弱，可以看到有部分水体融合后显示为植被，在这一点上，IHS比PRM要有优势。Brovey和HSV整体显示效果差不多，但是在城市用地区域有差异。

经过对不同融合影像的对比分析，可以观察到PCA方法所得融合影像的颜色普遍偏浅，特别是在耕地部分，此现象尤为显著。而NND方法虽然在整体影像效果上表现良好，但在耕地部分却存在明显的模糊现象，其对于细节信息的增强力度略显不足。Brovey、HSV、GS在光谱保真方面表现较好，地物的细节信息也得到了增强。对于林地和水体，Brovey在林地区域的融合效果最出色，空间细节和光谱特征都得到了加强。尽管PCA方法在细节信息增强方面有所贡献，但林地部分表现较差。NND方法存在光谱失真问题。对于水体，GS和HSV方法的效果最好，而PRM方法存在一定程度的色彩偏差。

3.2 定量评价

由于CN和EF方法融合得到的影像，效果与其他方法差异性较大，与预期很不符合，定量分析阶段，不再对这两幅影像进行评价。计算融合影像的一维信息熵、二维信息熵、平均梯度、标准差和灰度均值的值，进行标准化及可视化处理，如图2所示。

由图2（a）可知，HSV一维信息熵最大，为7.643，其二维熵为5.365，HSV融合影像事物相比其他影像具有不确定性较大，所表现的事物较为复杂。除了HPF、WT、HCS、RM融合影像一维信息熵小于7之外，其他方法的一维信息熵都大于7，并且相差不大，表明这几种融合方法所表现的地物复杂度大体相同，在细节方面有略微差异。WT和RM影像的平均梯度都为0.030 7，表明这两种融合方法的图像层次最丰富，变化最多，图像最清晰。融合影像的平均梯度均大于0.007，相比原影像，平均梯度的增加，说明其他融合方法得到的影像在原有的基础上得到了增强，更能清楚地表达地物。多光谱影像标准差为77.178，全色影像的标准差为32.423，各方法融合影像的标准差介于32和77之间，WT方法的标准差最大为75.461，HPF方法最小为49.277，表明WT图像质量在这些方法中最好，HPF最差。与WT比较接近的是HSV和RM，相差10左右，大部分影像质量都较好。灰度均值最大是HPF，为167.526，说明该方法的融合影像亮度最大；HCS的灰度均值最小为77.531，亮度最小；除了HSV、PRM小于100外，其他方法均大于100。

由图2（b）可知，各个方法融合影像的RGB通道的熵均为等分状态，熵值介于5和7之间，原多光谱影像和全色影像的三个通道的熵值分别处于2.88和5.95左右，HSV、PCA、WT和PRM的熵值均大于5.95，比全色影像熵值大。GS、HSV、NND、PCA、HIS、RM的融合影像RGB处于50～200区间中间高两边底的分布状态，大体相同；Brovey的分布虽与前作相同，但是呈现稀疏状；HPF则集中分布在120～220之间，而HCS集中分布于0～150之间；WT的分布与其他都不相同，只在0～20和150～200之间略有凸起。结合多光谱影像和全色影像来看，不同的融合方法将多光谱影像的信息融合到全色影像中所呈现的RGB分布概率有所差异，但是大部分方法都将RGB分配在50～200之间，概率分布曲线的分布不同，影像所呈现的效果也不同。

4 结论

本研究基于SPOT4全色影像和Landsat5 TM多光谱影像，采用13种影像融合方法对开展融合试验，并从定性和定量两方面对结果进行分析，得出以下结论。

①在图像融合质量方面，HIS、Brovey和HSV融合方法得到的影像能够较为真实地反映原有地物信息，光谱损失较小，在地物细节处理方面相较于其他方法较好。

②CN方法不适应于本次试验的数据，得到影像光谱信息损失严重；虽然EF方法得到的整体效果不好，但是单独水体可以得到突出的显示。

③大部分融合方法得到的影像，信息熵都会有所提高；RGB三通道的分布大多分布在50～200之间，其各通道的熵值呈均分态势。

④在实际应用中，应根据传感器类型，选择合适的融合模型。Brovey、HSV和IHS可以提取水体，Brovey、GS和HSV方法适宜提取林地，NND、GS和PRM方法适宜提取裸地，PRM和IHS方法适宜提取建设用地。

参考文献：

［1］ LIANG L J， HUANG W L ， ZHANG R Y， et al. Sentinel-2Satellitel Image Fusion Method and Quality Evaluation Analysis［J］. Remote Sensing Technology and Application， 2019， 34（3）： 612-621.

［2］SELVA MAIAZZI B，BUTERA F，et al.Hyper-sharpening： a first approach on sim-ga data［J］.IEEE journal of selected topics in applied earth observations and remote sensing，2015，8（6）：3008-3024.

［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］潘鑫，杨英宝，张竹林，等.资源三号卫星影像融合方法的比较与评价［J］. 地理空间信息，2014，12（5）：59-61，9.

［5］孙攀，董玉森，陈伟涛，等.高分二号卫星影像融合及质量评价［J］. 国土资源遥感，2016， 28 （4）：108-113.

［6］熊德峰. 高分二号卫星影像融合方法探析［J］. 测绘与空间地理信息， 2016， 39（9）： 102-104，108.

［7］HARDIE R C， EISMANN M T， WILSON G L. Map estimation for hyperspectral image resolution enhancement using an auxiliary sensor ［J］. IEEE Transactions on Image Processing， 2004，13（9）：1174-1184.

［8］ 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.

［9］ 郑中，祁元，张金龙.基于光谱角和光谱距离评价指标的遥感影像融合方法比较研究：以QuickBird数据为例［J］.遥感技术与应用，2013，28（3）：437-443.

［10］刘锟， 付晶莹， 李飞.高分一号卫星4种融合方法评价［J］.遥感技术与应用， 2015 ，30（5）： 980-986.

［11］WANG Z， BOVIK A C. A universal image quality index［J］.IEEE Signal Processing Letters，2002，9（3）：81-84.