淺析圖像融合對土地利用分類的影響
——以西安地區為例

王 娜，馬衛星，王 慶

(黃河水利委員會 黃河上中游管理局，陜西 西安 710021)

圖像融合是一個對多遙感器的圖像數據和其他信息處理的過程，它著重于把那些在空間或時間上冗余或互補的多源數據，按一定規則或算法進行運算處理，從而獲得比任何單一數據更精確、更豐富的信息，生成一幅具有新的空間、波譜、時間特征的合成圖像。它不僅僅是數據間的簡單復合，更強調信息的優化，以突出有用的專題信息，消除無關信息，從而增加解譯的可靠性，改善分類的效果[1]。圖像融合的具體目標在于提高圖像空間分辨率、改善圖像幾何精度、增強特征顯示能力、改善分類精度、提供變化檢測能力、替代或修補圖像數據的缺陷等。

1 試驗方法與數據準備

本文采用高分辨率遙感數據與多光譜數據進行融合，融合的主要算法為主成分分析法。主成分分析對圖像編輯、圖像數據壓縮、圖像增強、變化檢測、多時相維數和圖像融合等均是十分有效的方法。主成分分析是在統計特征基礎上的多維正交線性變換，它是將多波段空間中的圖像數據映射到所選取的主成分空間中，各主成分由各波段協方差矩陣的特征向量為加權系數的線性組合而成。也就是將各波段有用信息壓縮到盡可能少的主成分中，各主成分間具獨立性，信息不重復。因而它起到信息壓縮和信息分離的效果，便于各波段信息量的計算。

主成分分析法在融合中通常采用兩種方法，一種是用一幅高分辨率圖像來代替多波段圖像的第一主成分(PC1)，另一種是對多波段圖像數據的所有波段進行主成分分析。前者通過高分辨率的圖像來增加多波段圖像的空間分辨率，即先將高分辨率的圖像拉伸到第一主成分PC1的方差和均值，然后將拉伸后的圖像替代多波段圖像數據的PC1。由于PC1的方差最大，它包含了所有波段絕大部分信息，因此融合后的圖像中既有多光譜信息又具有高分辨率。第二種方法是對多遙感器圖像數據或單遙感器多波段數據的所有波段經主成分分析后，生成一幅圖像文件，以減少數據的冗余[2]。

本文選取西安周邊地區作為研究區，數據源(分辨率為28.5 m)采用ETM遙感圖像，圖像中的地物主要有植被、河流、果園、居民地、山地、旱地等。將高分辨率的全色波段TM第8波段與TM的多光譜數據(TM的其他6個波段)進行融合，融合后分辨率為14 m。本文采用主成分分析的算法進行融合，采用的是上述第一種算法。由于研究區的數據是NLAPS格式的，因此使用前必須轉換數據格式。在ERDAS軟件環境中利用導入/導出主菜單里的命令，對數據進行了轉換，并利用剪裁工具裁出所需區域。接著再對所需區域融合圖像進行監督分類和非監督分類，最終進行對比分析。

2 圖像融合及分類結果

用高分辨率波段與多光譜進行融合后，圖像的空間分辨率大大提高，從原來的28.5 m提高到了14 m，圖像的細部信息反映得更清晰，地面上的地物信息更易分辨，特別是對于小塊的居民地及一些線狀地物如河流與道路，在融合后的圖像上很容易區分。融合后圖像的光譜特征發生了變化，圖像的亮度增強，混合地物中不同地物的對比度也增強，同類地物的光譜特征更趨于一致。圖像質量上升，增加了圖像解譯的可靠性，改善了分類效果。

對融合前后的圖像分別建立訓練樣本，并進行監督分類，提取出水田、植被、山地、耕地、河流、果園以及居民地七類地物進行對比。植被在原影像均呈現紅色，融合后植被的茂密程度、分布狀態更接近真實色彩；城市的細節地物也能較好地反映出來；農田在原影像中基本均呈現綠色，融合后農田中不同分布、不同種類的地物被區分出來，呈現淺綠色、深綠色以及棕色，相對于融合前更能清晰地反映旱地與水澆地。對兩種監督分類結果利用ERDAS軟件進行精度評估，結果顯示未融合圖像監督分類的分類精度為75.78%，融合后監督分類的分類精度為82.81%。

對融合前后的圖像進行七種地物的非監督分類，并對兩種非監督分類結果進行精度評估。融合后，非監督分類中將果園和植被更好地區分了出來，居民地也從耕地地類中反映出來。通過精度分析，未融合圖像非監督分類的分類精度為75.00%，融合后非監督分類的分類精度為74.02%。

3 圖像融合對分類的影響和精度分析與評價

(1)由于融合后圖像的分辨率提高，在原多光譜圖像上不易進行采樣的線狀地物及一些混合地物，在融合后的圖像上能較容易地進行采樣，這就提高了采樣的精度，將最終影響到分類的結果。

(2)比較融合前后的分類結果，可以看到在沒有進行融合的圖像上分類后不能被分出來的地物在融合后的圖像的分類中能很好地被分出來，另外，有些在原圖像中未表現出的地物特征在融合后的影像中能明顯表現出來。例如：有一部分旱地在原圖像中地物特征不明顯，而在融合后則表現出來，被采樣分類。這說明用融合后的圖像進行分類其效果要明顯優于沒有進行融合的圖像。

(3)從分類的精度評估結果看，進行融合后圖像的監督分類精度要高于沒有融合的圖像的分類精度，達到82.81%，其次是未融合的監督分類、未融合的非監督分類、融合后的非監督分類。在該試驗中，從理論上融合后的非監督分類精度應該高于未融合的非監督分類，但是由于融合后的非監督分類是根據光譜相似性進行的計算機自動分類，分類后產生的光譜集群組并不一定對應于分析者想要的類別，具有一定的隨機性，因此分析者很難對產生的類別進行控制，特別是對于異物同譜現象很難將其區分開，有時甚至分不出某種地物。在該試驗中，水田和河流就為異物同譜現象，都為淺藍色，以至于水田被劃分為河流層。

(4)融合圖像分類后與實際地物的分布吻合程度較好，而沒有融合的圖像分類后錯分的現象較明顯。這一方面與采樣的精度有關，另一方面與地物的光譜特征有關，在沒有進行融合的圖像上混合地物中不同地物光譜的區分不明顯，從而造成對分類結果精度的降低。 對于各個類別，融合后的圖像分類后各個地物的吻合度明顯提高；對于特殊地物，由于其色調單一，分類精度在4種分類方法中相差不大，如河流；其他地物的吻合度在融合后的圖像監督分類中吻合度最高。

4 總 結

通過比較圖像融合前后的監督分類、非監督分類結果，可以看出圖像融合技術給遙感分類技術所帶來的優勢，它利用了多源的、互補的圖像數據，改善了遙感圖像的分辨率和效果，有利于遙感圖像的解譯分類。在實際工作中應充分利用融合的優點來對圖像進行處理，以提高圖像的空間分辨率、改善圖像幾何精度、增強特征顯示能力，從而提高分類精度，達到更好的分類效果。

[參考文獻]

[1] 廖文峰,肖繼東,馮志敏,等.基于數據融合的土地遙感分類技術研究[J].新疆氣象,2004,4(27):22-24.

[2] 趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003.