基于土地覆蓋分類的IKONOS影像融合與精度評價

白洪偉

（宿州學院；安徽省煤礦勘探工程技術研究中心，安徽 宿州 234000

1 引言

影像融合技術在近10年發展較快,成為遙感應用研究領域的重要主題.圖像融合則可以產生具有多光譜和高空間分辨率的影像，實現不同空間分辨率、不同光譜分辨率和不同時間分辨率的多種信息資源的互補，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，從而提高人們對遙感數據的應用能力，增加決策的科學性和準確性[1-2].雖然就大多數圖像融合算法而言，都可以實現空間分辨率和光譜分辨率的互補，最大程度的降低原有信息損失，使融合后遙感影像的空間分辨率和清晰度較原始多光譜影像有了明顯的改善，紋理特征增強，細節更加突出，一定程度上更有利于遙感影像分類精度的改善，但不同的圖像融合算法會產生不同程度的光譜畸變，并且隨著空間分辨率的提高，地類內部的異質性增加，這些都會影響影像分類精度的提高，因此究竟何種融合算法更有利于提高遙感影像的分類精度，還需要進一步的研究與分析[3-6].

2 影像融合算法與評價

2.1 圖像融合算法

目前常用的圖像融合算法大致可分為算術運算法、圖像變換法和彩色合成法三大類，具體主要有IHS變換、PCA變換、Brovey變換、SFIM變換、Gram-Schimdt變換等融合.2.1.1 IHS變換

IHS變換基于IHS色彩模型，是應用較廣泛的融合變換方法.此變換可用于相關資料的色彩增強、地質特征強、空間分辨率的改善、分類精度的提高，以及不同性質數據源的融合等.

2.1.2 Brovey變換

Brovey圖像融合又稱為色彩標準化變換融合，它是將多光譜圖像的像元空間分解為色彩和亮度成分并進行計算，其特點是簡化了圖像轉換過程，又保留了多光譜數據的信息，提高了融合圖像的視覺效果；缺點是容易造成直方圖壓縮，使圖像變暗.其具體步驟是：先將多光譜波段顏色(紅、綠、藍)歸一化，然后將高分辨率影像與多個光譜波段(通常取三波段)相乘完成融合.該方法對圖像的預處理要求較高，要求圖像要進行相應的去相關處理和噪聲濾波處理.

2.1.3 PCA變換

PCA變換又稱主成分分析，是通過降維技術把多個分量約化為少數幾個綜合分量的方法.首先由多光譜影像數據求得影像間的相關系數矩陣，由相關系數矩陣計算特征值和特征向量，求得各主分量影像；然后用高空間分辨率的全色影像力影像來代替第一主分量，將它同其他的主分量一起經逆變換，得到融合的影像.

2.1.4 SFIM變換

基于光滑濾波的強度調整法SFIM（Smoothing Filter-Based Intensity Modulation）進行圖像融合首先對低分辨率圖像和高分辨率圖像進行嚴格配準，依此為基礎，然后對高分辨率圖像進行鄰域平滑的卷積運算，將運算的結果作為中值圖像，變換公式:

式中MAGElow為低分辨率的圖像對高分辨率的圖像重采樣后的圖像，IMAGEhihg表示高分辨率圖像；MAGEmean表示模擬低分辨率圖像，為經過均值濾波處理后的高分辨率圖像.

2.1.5 Gram-Schmidt變換

Gram—Schmidt變換是通過對矩陣或多維影像正交變換消除冗余信息.其關鍵步驟為：

(1)使用低分辨率多光譜波段模擬出一個低分辨率的全色波段；

(2)對模仿出的全色波段和多光譜波段進行Gram —Schmidt變換；

(3)使用高分辨率全色波段替換Gram—Schmidt變換后的第一波段，并對替換后的數據進行Gram—Schmidt變換反變換，產生空間分辨率增強的多光譜影像.

2.2 圖像融合效果的分析與評價

圖像融合的目的是實現光譜分辨率和空間分辨率的互補，以最大的程度降低原有信息損失，依據目視判定結合數理統計法對其效果進行評價.研究區位于石河子墾區地處天山北麓中段，古爾班通古特大沙漠南緣，即東經85°59′12″～86°08′13″，北緯 44°15′13″～44°19′13″.

2.2.1 目視評價

為比較不同融合算法的目視效果，從整景影像中截取了部分子區(圖1).由圖可見5種融合算法所得到融合影像的空間分辨率和清晰度都較原始的IKONOS多光譜影像有了很大提高.在融合影像上地塊及道路邊界清晰可見，城鎮建筑和城市綠化地也能夠明顯的分辨出來.空間紋理信息大大加強，細節信息更為突出，借助于紋理信息可以方便的實現葡萄和棉花等種植區域的區分.利用5種算法融合后的彩色合成影像同原多光譜影像相比在色彩上整體相似，但存在一些色調和亮度的差異.通過對融合后影像的比較發現，從影像的顏色看，GS變化、SFIM變換以及Brovey與原始影像最為接近；IHS變換后失真嚴重；PCA變換后圖像明顯有層“薄霧”，使圖像變亮.從影像的清晰度上看，SFIM變換和Brovey變換后效果最好；IHS變換效果最差，光譜失真較嚴重；Gram-schmidt變換良好的保持了地物特征.

圖1 五種融合后影像以及原始影像截圖

2.2.2 定量分析

目視評價的結果易受觀察者的經驗、觀察條件等影響，因此評價結論可能由于評價者的不同而出現較大差異.定量評價是通過融合圖像與參考圖像之間的量化公式(如，熵、梯度等)對融合圖像效果進行定量分析和判斷，以提高判斷的準確性和客觀性，因此對融合后的圖像除了形象直觀的目視評價外還應進行定量的客觀評價.本研究利用6個統計參數（均值，標準差，熵，平均梯度，偏差指數，相關系數）對IKONOS圖像全色和多光譜波段的融合效果進行定量評價，評價結果見表1.

Gram-Schmidt變換和SFIM變換影像清晰度較高，能夠展示更多的地物層次，光譜保真性方面較好，對于原多光譜的扭曲程度較小，預測會有很高的分類效果.

表1 IKONOS多光譜與全色波段融合定量評價指標統計

3 不同算法融合后影像分類精度評價

不同的融合算法有不同的優勢和局限性，利用混淆矩陣對分類結果進行分析，對5種圖像融合算法進行進一步的精度評價.

3.1 最大似然分類方法

圖2 五種變換方式融合后影像分類圖

最大似然法是最常用的一種監督分類算法.在研究區確定監督分類所需的訓練樣本，然后用最大似然的監督分類方法對5種變換后的IKONOS融合影像按照棉花地、葡萄地、居民地、水體與裸地5種地表覆蓋類型進行分類（以綠色、藍色、青藍色、紅色、黃色表示），分類結果見圖2.

由圖3可知，分類效果最差的是IHS變換后融合影像，SFIM變換和Gram-Schmidt變換得到的融合影像分類效果較好.

3.2 分類精度評價

為更客觀的驗證分類精度，更好的估計不同融合算法的分類效果，利用ENVI軟件在整幅影像內隨機產生若干個離散點并依此建立混淆矩陣，計算各種統計量并進行統計檢驗，比較實際類別和分類結果，得到不同融合算法的圖像分類總體精度和kappa系數.融合影像地表覆蓋分類精度最高是Gram-Schmidt變換，總體分類精度均超過95%，影像的分類精度最低IHS變換，總體精度僅為71.69%.

表2 融合后影響分類精度統計

4 結論

本文以IKONOS全色和多光譜影像為研究對象，分別采用Brovey變換、PCA變換、SFIM變換、Gram-Schmidt變換、HIS變換5種算法對其進行圖像融合，通過目視判讀和定量統計參數兩種方法對圖像融合效果進行了定性和定量評價，并在此基礎上進一步利用最大似然分類法對融合后的遙感影像進行分類.

（1）在圖像空間信息提高和光譜信息保真方面以SFIM變換和Gram-Schmidt變換相對較好，其中對圖像微小細節反差的表達能力Gram-Schmidt變換優于SFIM變換.IKONOS影像像素級融合結果表明，Gram-Schmidt融合能夠較好地提高多光譜影像的空間分辨率，同時很好的保持了多光譜影像的光譜信息，光譜畸變較小，在本實驗區具有較好的融合效果.

（2）選用最大似然法對Brovey變換、PCA變換、SFIM變換和Gram-Schmidt變換、IHS變換后的融合影像進行分類，并利用混淆矩陣對分類精度進行評價，在上述5種圖像融合算法中Gram-Schmidt變換得到的融合影像分類精度最高，總體精度和Kappa系數分別為95.20%和0.93，表明利用Gram-Schmidt變換進行IKONOS影像融合更適合基于光譜的土地覆蓋分類.

〔1〕賈永紅.遙感多光譜影像空間分解力增強的融合方法[J].遙感技術與應用，1997,12(1):19～2.

〔2〕董廣軍,張永生,等.遙感數據融合研究[J].解放軍信息工程大學測繪學院.鄭州,2006.

〔3〕PohlC,Van Genderen JL.Multi-sensor Image Fusion in Remote Sensing:Concepts,Methods and Applications[J].INTJRemote Sensing,1998,19(5):823～854.

〔4〕Chavez P S,Sides S C,Anderson J A.Comparison of the Three Different Methods to Merge Multi-resolution and Multi spectral Data:TM&SPOT Pan[J].Photogrammetric Engineering and Remote Sensing,1991,57:295～303.

〔5〕EhlersM.Multi-sensors Image Fusion Techniques in Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,1991,46:19～30.

〔6〕Franklin S E,Bloggett C F.An Example of Satellite Multi-sensor Data Fusion[J].Computer&Geosciences,1993,19(4):577～583.