范军;赵绒绒;王婷婷
【摘 要】遥感数据融合可有效改善影像的光谱和空间分辨率,提高影像的视觉效果和信息提取能力,是多源、多尺度、多元遥感数据信息集聚的重要途径.采用乘积变换(Brovey)、HSV变换、主成分分析(PCA)和光谱锐化(Gram-Schmidt)4种方法对Landsat8 OLI全色和多光谱数据进行融合,运用Matlab软件计算提取融合后图像的均值、标准差、信息熵、平均梯度和相关系数等指标,从定性和定量两个方面对这4种融合结果进行分析比较,结合主观、客观因素分别分析对比4种融合方法的融合效果.通过研究,增进了对不同融合方法的理解和认识,为进一步挖掘
Landsat8 OLI遥感数据的潜力奠定基础,为Landsat卫星遥感数据的应用提供技术支持.
【期刊名称】《现代测绘》 【年(卷),期】2018(041)001 【总页数】6页(P26-31)
【关键词】Landsat8遥感影像;波段组合;图像融合;质量评价 【作 者】范军;赵绒绒;王婷婷
【作者单位】南京市国土资源信息中心,江苏 南京 210005;江苏省地质测绘院,江苏 南京 211102;南京林业大学土木工程学院,江苏 南京 210037 【正文语种】中 文 【中图分类】TP751
0 引 言
多种对地观测遥感卫星的发射成功、遥感技术快速发展,多传感器、多时相、多光谱、多空间分辨率遥感影像数据迅猛增加提供了从粗到精、从多光谱到细光谱段的遥感对地观测数据源[1]。在遥感领域中,单一传感器影像数据通常不能提取足够多的信息去满足一些应用需要,它所提取的信息是有限的,不完整的[2]。因此,如何将这些海量遥感数据作为一个整体来综合应用,克服单一遥感影像提供信息不足带来的问题,从而有效利用不同分辨率、不同时相、不同传感器的遥感海量数据信息便成为当前遥感影像处理的一个热门研究课题。
图像融合不是简单的信息叠加,它是要产生新的、包含更多、更有价值的信息的图像,即达到1+1＞2的效果[3]。具有高空间分辨率的全色波段和具有丰富光谱信息的多光谱波段的数据融合,可得到保持多光谱图像光谱特征、空间细节表现能力的融合图像[4]。本文以Landsat 8 OLI全色影像和多光谱影像为数据源(轨道号分别为P122R41影像的B652、B764、B564组合和P125R47影像的B251组合),采用乘积变换(Brovey)、HSV变换、主成分分析(PCA)和光谱锐化法(Gram-Schmidt,GS)4种方法对多光谱影像和全色影像进行融合,运用Matlab软件计算提取融合后图像的均值、标准差、信息熵、平均梯度和相关系数等定量评价指标,结合主观和客观因素评价数据融合效果。 1 数据源与研究方法 1.1 数据源及其预处理
Landsat 8卫星于2013年2月发射,按近极点太阳同步轨道绕地球飞行,轨道高度705 km,倾角98.2°,每98.9 min绕地球一圈,每16 d覆盖地球一遍,降交点时间为当地上午10:00—10:15,卫星数据下行速率为441 Mbps,携带陆地成像仪(Operational Land Imager,OLI)和热红外传感器(Thermal Infrared
Sensor,TIRS)[5]。OLI包含ETM+传感器所有波段,为避免大气吸收特征,重新调整了Band5(0.845～0.885μm),排除0.82μm处水汽吸收特征。同时,OLI全色波段Band8范围较窄,增强了植被和无植被特征区分能力;传感器新增两个波段:用于海岸带监测蓝色波段(Band1:0.433～0.453μm)、云检测短波红外波段(Band9:1.360～1.390μm)[6]。本文选择轨道号分别为P122R41、P125R47的Landsat 8 OLI遥感影像为数据源,对其实现几何纠正和大气校正等预处理,完成遥感数据融合,增进对不同融合方法的理解和认识。 1.2 遥感数据融合方法
有效的遥感数据融合算法可尽量保持多光谱影像的光谱信息,提高多光谱影像的空间分辨率,满足实际应用需求。同一种融合方法针对同一影像,观察者感兴趣的部分不同,对融合效果的质量评价也不同;针对不同应用方向,对影像的各项参数要求也不同,需采用不同融合方法[7-9]。因此,本文选择Brovey、HSV、PCA和Gram-Schmidt四种融合方法对Landsat 8 OLI遥感数据进行处理(表1),分析数据质量是否达到预期效果[10]。
表1 不同遥感数据融合方法表达及融合效果融合方法 数学表达式融合效果Brovey乘积变换法[11]R n=R×Pan R+G+B;G n=G×Pan R+G+B;B n=B×Pan R+G+B简化图像转换过程,运算速度快,能够较完整地保留原多光谱图像的光谱信息和色彩信息。HSV变换法[12]I=1/3(R+G+B)H=tg-1(2R+G+B)/3(G+B)+C S=6/3 R2+G2+B2-RG-RB-GB保留多光谱图像边缘信息、目标光谱信息和全色图像高分辨率特征,增强图像的纹理细节。PCA主成份分析法[13]F=A T[f-E(f)]正变换f=AF+E(f) 逆变换具有数据压缩、信息浓缩的作用,第一主分量的信息量较高,当用全色图像代替第一主分量进行逆变换时,在一定程度上出现光谱扭曲现象。Gram-Schmidt光谱锐化法[14]GS t(i,j)=(B T(i,J)-ur)-∑t=1φ(B t,GS1)×GS1(i,j)T-1能够很好保持原多光谱图像的光谱信息,空间信息也明显增强,光谱保真效果较好。
1.3 数据融合质量评价 1.3 .1 主观评价
主观评价建立在人的视觉感官和经验知识基础上,通过人眼对图像的感知能力判断图像质量[11],但其缺点在于不具备客观性,所得到的评价结果可能存在失误。人眼对图像比较明显的感知体现为:图像是否有重影、不同地物分界是否清晰、颜色差别是否很大等。从亮度、清晰度、对比度等方面对融合图像的观察,需在初步主观目视判别基础上进行客观定量评价。 1.3 .2 客观评价
图像融合结果客观定量评价是采用一定量化指标来评价融合效果的,克服了人为主观影响,对图像的评价更加科学、客观[12-14]。常见的客观评价指标主要分为3大类,即影像的亮度信息、空间细节信息、光谱信息量及融合结果的相关类评价参数。本文主要运用Matlab编程计算Landsat OLI 8影像融合前和融合后的均值、标准差、平均梯度、信息熵和相关系数作为客观定量评价指标。 2 结果分析
2.1 B652数据融合及其质量评价
在空间分辨率和清晰度上,利用4种融合方法的融合影像相较原始影像有所改善:融合影像纹理特征更为清晰,保留了尽可能多的原始信息,提高了地物细节特征,更加易于判读。同时,也改善了影像的光谱特征,各类地物光谱畸变较小,保留了原始影像的光谱信息。Brovey融合影像的颜色更鲜艳,绿色更接近于植被真实颜色;HSV融合影像中,裸地部分与植被部分界限十分清晰,但植被部分太暗,难以识别其具体地物;高通滤波融合影像的空间清晰度和PCA影像最接近(图1)。
图1 4种融合算法的融合影像与原始多光谱影像(a:原始OLI多光谱影像;b:Brovey融合影像;c:Gram-Schmidt融合影像;d:HSV融合影像;e:PCA融合影像) 将4种融合方法提取的定量评价指标列举如下(表2)。
从表2可知:①HSV的亮度最低,其他3种变化RGB值都差不多;②HSV变换后的影像信息量丰富,即经过HSV变换后图像不仅人眼可以识别较多信息,且实际光谱信息也相对较多;③HSV变换明显高于其他任何变换指标,图像细节信息得到明显增强;④ 高通滤波融合算法综合较高,所得的图像与原图像匹配度较高,光谱保真能力较强,而HSV变换较小,对原图像的光谱保真能力较差;⑤Brovey变换、PCA变换和GS变换的效果基本符合主观评价的结果。
表2 不同融合方法提取的定量评价指标影像类别 波段 均值 标准差 平均梯度 信息熵 相关系数Brovey影像6(R) 105.142 0 26.164 8 4.635 4 6.260 9 0.966 7 5(G) 147.055 0 30.688 8 5.110 8 5.771 8 0.980 2 2(B) 120.747 1 32.816 8 4.882 1 5.956 8 0.879 8 Gram-Schmidt影像6(R) 106.584 3 25.719 9 4.447 8 6.225 7 0.950 1 5(G) 142.125 2 28.657 0 4.833 4 5.517 1 0.962 8 2(B) 137.865 8 29.452 0 4.844 8 5.945 6 0.916 2 HSV影像6(R) 107.862 8 56.910 6 17.805 1 7.548 0 0.901 0 5(G) 129.960 6 52.542 9 18.119 0 7.517 8 0.630 8 2(B) 113.358 7 52.916 0 17.634 8 7.503 8 0.825 5 PCA影像6(R) 106.290 6 25.748 6 4.349 4 6.254 6 0.917 7 5(G) 140.809 2 28.308 4 4.656 3 5.381 6 0.932 4 2(B) 137.088 6 30.310 9 4.820 2 6.036 5 0.905 1
波段组合B652的图像植被类型较丰富,裸地信息明显,可与有作物的耕地区分。HSV变换后图像反差较大,影像层次较多,可分性大,但是HSV融合后第5波段的相关系数较低,植被部分光谱保真较差,会降低后期分类精度,不建议采用。Brovey变换要优于Gram-Schmidt光谱锐化变换和PCA变换,可分性较大,且主观分析图片质量较好,更适合被用作植被解译及信息提取。 2.2 B764数据融合及其质量评价
从影像的空间分辨率、清晰度来看,4种融合算法所得融合影像的空间分辨率、清晰度都较原始多光谱影像有很大提高。从光谱特征看,HSV亮度适中,且建筑物及裸
地部分与植被部分界限明显,其他融合影像也均具有较丰富的色彩,但融合后的图像相对较暗,GS相对偏蓝(图2)。
4种融合方法提取的定量评价指标如下(表3)。
图2 4种融合算法的融合影像与原始多光谱影像(a:原始OLI多光谱影像);b:Brovey融合影像;c:Gram-Schmidt融合影像;d:HSV融合影像;e:PCA融合影像
表3 不同融合方法提取的定量评价指标影像类别 波段 均值 标准差 平均梯度 信息熵 相关系数Brovey影像7(R) 129.5777 24.3256 4.9656 5.9317 0.9549 6(G) 129.4971 25.4959 5.3136 6.0834 0.9898 4(B) 122.8578 27.8402 5.1452 5.8656 0.9115 Gram-Schmidt影像7(R) 79.9003 16.7326 3.7996 5.3860 0.9194 6(G) 128.6845 27.7475 4.5944 5.8401 0.9886 4(B) 126.5873 27.6162 4.7184 5.7881 0.9485 HSV影像7(R) 97.4705 44.1781 16.3681 7.2419 0.9052 6(G) 130.9566 53.4884 17.0617 7.4874 0.9497 4(B) 120.3305 50.4227 16.6633 7.3990 0.9523 PCA影像7(R) 78.4612 16.2804 3.6464 5.3356 0.8955 6(G) 129.0368 27.8817 4.4261 5.7878 0.9848 4(B) 125.4342 27.6493 4.6053 5.8001 0.9398
从表3可知:①Brovey、GS和PCA融合虽然目视颜色较丰富,但均值略偏低;② HSV变换信息量丰富,即经过HSV变换后图像具有最多光谱信息;③HSV变换平均梯度明显高于其他任何变换指标,融合后图像细节信息得到明显增强,影像较清晰;④4种融合结果相关系数相差不大,光谱保真力区分不明显;⑤Brovey变换、PCA变换和GS变换在空间信息详细度和影像清晰度上融合效果很接近,HSV融合光谱信息量和清晰度相对较好。
HSV融合后图像反差较大,影像层次较多,建筑物和植被分界明显,可分性较大,且其光谱保真较好:无论从定性还是定量方面,都利于建筑物解译和信息提取。其他3种融合无论是从主观还是客观评价,其效果都比较相似。
2.3 B564数据融合及其质量评价
B564适合用于土壤湿度和植被状况的分析、陆地水体和陆地/水体分界线确定以及山地、丘陵、平原台地等喀斯特地貌景观及各类用地影像特异分异。B564波段合成非标准假彩色图像,红外波段与红色波段合成,水体边界清晰,利于海岸识别;植被有较好显示,但不便于区分具体植被类别。采取5、6、4波段分别赋予红、绿、蓝色合成图像,色彩反差明显,层次丰富,且各类地物的色彩显示规律与常规合成片相似,符合过去常规片的目视解译(图3)。
将4种融合方法提取的定量评价指标列举如下(表4)。
图3 4种融合算法的融合影像与原始多光谱影像(a:原始OLI多光谱影像;b:Brovey融合影像;c:Gram-Schmidt融合影像;d:HSV融合影像;e:PCA融合影像)
表4 不同融合方法提取的定量评价指标影像类别 波段 均值 标准差 平均梯度 信息熵 相关系数Brovey影像5(R) 157.901 0 32.901 2 5.438 8 5.788 8 0.985 7 6(G) 113.686 8 27.352 0 4.834 5 6.170 4 0.974 0 4(B) 108.849 4 31.127 9 5.017 6 6.171 7 0.909 5 Gram-Schmidt影像5(R) 150.841 5 30.361 6 5.192 3 5.468 1 0.964 0 6(G) 114.520 2 26.551 9 4.671 0 6.140 7 0.944 8 4(B) 117.483 4 28.214 3 4.835 3 6.131 3 0.938 4 HSV影像5(R) 131.825 3 52.602 3 17.793 2 7.480 7 0.572 1 6(G) 109.633 7 57.232 2 17.662 8 7.499 2 0.880 7 4(B) 100.685 5 56.855 8 17.522 7 7.465 4 0.926 9 PCA影像5(R) 145.979 4 29.288 2 5.215 8 5.378 7 0.894 3 6(G) 111.786 1 26.564 7 4.802 5 6.197 5 0.891 2 4(B) 115.178 6 29.164 6 5.017 0 6.225 8 0.933 6
通过上述4种融合方法,融合影像在空间分辨率和清晰度上均有所改善,融合影像纹理特征变得清晰,保留了尽可能多的原始信息,提高了地物细节特征,更加易于判读。同时,也改善了影像的光谱特征,各类地物光谱畸变较小,保留了原始影像的光谱信息。Brovey融合影像具有较丰富的色彩,HSV融合影像中,水体部分与陆地部分界限十
分清晰,但是植被偏暗,裸地部分偏亮,不易分析,难以识别其具体地物。高通滤波融合影像的空间清晰度和PCA影像最接近。
从表4可知:①Brovey变换和GS变换后的均值相对较高;②HSV变换融合信息量丰富,即经过HSV变换后,图像具有最多的光谱信息量;③HSV变换明显高于其他任何变换指标,融合后图像的细节信息得到了较高增强,影像比较清晰;④Brovey算法和高通滤波融合算法的保真能力较高,说明此变换得到的图像与原图像的匹配度较高,失真较小,光谱保真能力较强,而HSV变换和PCA变化结果较小,该算法对原图像的光谱保真能力较差;⑤Brovey变换和GS变换这两种算法无论是在光谱保真上还是影像清晰度上,融合效果都很接近。HSV融合和PCA融合光谱保真效果都很差,但光谱信息量很大。
2.4 B251数据融合及其质量评价
本次融合加入新元素海蓝波段(Band1:0.433～0.453μm),主要应用海岸带观测,将其与波段2和波段5组合应用,对波段组合添加方法,可给地物解译添加新内容。本文利用4种融合方法对B251波段与全色波段进行融合和质量评价。上述4种融合方法的融合影像在空间分辨率和清晰度上比原始影像有所改善,融合影像纹理特征变得清晰,保留了尽可能多的原始信息,提高了地物细节特征,更加易于判读,且保留了原始影像的光谱信息。Brovey融合影像略清晰,但是相对PCA影像和GS影像偏暗。HSV融合影像中,植被部分和海洋部分都偏暗,但分界线很明显。高通滤波融合影像和PCA影像在色度和空间清晰度上比较接近(图4)。 将4种同融合方法提取的定量价指标举如下(表5)。
图4 4种融合算法的融合影像与原始多光谱影像(a:原始OLI多光谱影像;b:Brovey融合影像;c:Gram-Schmidt融合影像;d:HSV融合影像;e:PCA融合影像)
表5 不同融合方法提取的定量评价指标影像类别 波段 均值 标准差 平均梯度 信息熵 相关系数Brovey影像2(R) 134.432 1 48.701 2 9.640 9 6.434 5 0.977 5 5(G)
117.680 8 43.428 6 7.627 5 6.475 7 0.992 3 1(B) 142.814 6 53.478 8 8.749 2 6.515 1 0.986 8 Gram-Schmidt影像2(R) 129.523 5 50.610 9 8.195 7 6.547 7 0.967 5 5(G) 126.306 2 50.602 7 8.619 4 6.642 0 0.993 4 1(B) 140.493 9 49.272 1 8.445 9 6.434 8 0.957 7 HSV影像2(R) 49.316 2 29.728 8 11.017 9 6.543 1 0.769 1 5(G) 42.656 0 26.827 8 10.662 8 6.310 7 0.734 8 1(B) 51.175 5 30.240 6 11.160 5 6.608 3 0.755 5 PCA影像2(R) 129.086 5 50.364 1 8.162 2 6.513 4 0.971 8 5(G) 126.672 9 50.637 6 8.620 0 6.638 8 0.993 6 1(B) 140.164 2 48.755 9 8.375 0 6.387 3 0.963 7
从表5可知:①Brovey变换、GS变换和PCA变换其图像亮度也很相近,而HSV影像亮度最低;② 各变换标准差有所降低而信息熵却是增加的,这说明经过各影像变换后光谱信息量有所损失也有所添加,其中HSV变化光谱信息损失得最大;③HSV变换明显高于其他任何变换指标,而Brovey变化其次,说明融合后图像的细节信息得到了较高增强,影像也比较清晰;④Brovey算法综合较高,此变换得到的图像与原图像的匹配度较高,失真较小,光谱保真能力较强,而HSV变换的相对系数最小,该算法对原图像的光谱保真能力较差。⑤4种变化中Brovey算法的融合效果相对较好,HSV算法无论是从色度、光谱保真还是信息量都相对较差,其他两种居于二者之间。
Brovey、GS和PCA变换后图像反差较大,影像层次较多,可分性大,利于后期信息提取及地物分类。再对比这3组融合,Brovey变换后海蓝波段1标准差和信息熵都相对较高,且光谱保真较好,符合本次融合的目的,Brovey变换下波段1的优势使其在海岸带遥感图像中成为首选融合方法。而本次融合HSV变换效果较差。 3 结 语
本文利用上述4种方法对Landsat 8 OLI全色影像和多光谱影像进行融合处理,进而评价分析了4种融合方法的融合效果,得出以下结论。
(1)基于B652的融合结果:HSV变换后图像综合效果较好,但是HSV融合后第5波段的相关系数较低,说明植被部分的光谱保真较差,会降低后期分类精度,不建议采用。Brovey变换要优于GS变换和PCA变换,可分性较大,且主观分析图片质量较好,适合被用作植被解译及信息提取。
(2)基于B764的融合结果:HSV融合后图像反差较大,影像层次较多,建筑物和植被分界明显,可分性较大,且其光谱保真较好,利于建筑物的解译和信息提取。 (3)基于B564的融合结果:HSV融合后的图像可分性较大,比较容易区分水体和陆地边界,且其信息量也较大,但光谱保真较差,仅适用于水体边界划分。Brovey变换可分清陆地和水体边界,且地物也比较清晰,光谱保真较好,且优于PCA变换法和GS变换法。
(4)基于B251的融合结果:Brovey、GS和PCA变换后图像反差较大,影像层次较多,可分性大,利于后期信息提取及地物分类。Brovey变换后蓝波段Band 1标准差和平均梯度都相对较高,且光谱保真较好,使其在海岸带遥感图像中成为首选融合方法;HSV融合效果较差。 参考文献
[1]李德仁.论自动化和智能化空间对地观测数据处理系统的建立[J].环境遥感,1994,9(1):1-10.
[2]周雅丽,秦志远,尚炜.分布函数在遥感影像融合评价中的应用研究[J].海洋测绘,2007,27(1):48-51.
[3]周荫清,洪信镇.多传感器信息融合技术[J].遥测遥控,1996(1):16-22. [4]夏清,胡振琪,李建华,等.不同遥感影像融合方法的质量评价[J].地理空间信息,2013,11(1):49-51.
[5]初庆伟,张红群,吴业炜,等.Landsat-8卫星数据应用初探[J].遥感信息,2013,28(4):110-114.
[6]张玉君.Landsat8简介[J].国土资源遥感,2013,25(1):176-177. [7]田丰,王昆,王猛.高空间分辨率遥感影像融合方法探讨[J].海洋测绘,2012,32(1):61-64.
[8]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003. [9]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(2):131-137.
[10]杨丽萍,夏敦胜,陈发虎.Landsat 7 EYM+全色与多光谱数据融合算法的比较[J].兰州大学学报:自然科学版,2007,43(4):7-11.
[11]王海晖,彭嘉雄,吴巍.多源遥感图像融合效果评价方法研究[J].计算机工程与应用,2003(25):3-37.
[12]贾永红,李德仁.多源遥感影像像素级融合分类与决策及分类融合方法的研究[J].2001,15(5):430-434.
[13]夏明革,何友,欧阳文.像素级图像融合方法与融合效果评价[J].遥感技术与应用,2002,17(4):224-229.
[14]徐胜祥,徐云清.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,(4):143-145.
[15]翁永玲,田庆久.遥感数据融合方法分析与评价综述[J].遥感信息,2003(3):49-54. [16]贾永红,李德仁,孙家抦,等.四种HIS变换用于SAR与TM影像复合的比较[J].遥感学报,1998,2(2):103-106.
[17]黄伦春,肖玉环,张红英.基于PCA变换的多元遥感影像融合方法研究[J].工程地球物理学报,2014,11(2):266-270.
[18]袁金国,王卫.多源遥感数据融合研究[J].地球信息科学,2005,7(3):97-103.
因篇幅问题不能全部显示，请点此查看更多更全内容