面向林地分類的GF-2影像融合算法評價

胡 曼，彭道黎

（北京林業(yè)大學 林學院，北京100083）

面向林地分類的GF-2影像融合算法評價

胡 曼，彭道黎

（北京林業(yè)大學 林學院，北京100083）

針對林業(yè)部門目前常用的遙感影像融合算法，探究適合于林地信息提取的GF-2影像融合算法。以GF-2衛(wèi)星1 m全色/4 m多光譜分辨率平面影像為數(shù)據(jù)源，采用HSV變換（hue-saturation-value，顏色空間變換），Brovey變換（彩色標準化變換），PC變換（principle components，主成分變換），HPF變換（high-pass fusion，高通濾波變換），GS變換（gram-schmidt，正交化變換），Pansharp變換（超分辨率貝葉斯變換）等6種常用融合算法，通過目視和定量特征分析對融合效果進行評價，并結合面向對象分類方法對融合后影像進行地類信息提取和分析，探討6種融合算法對GF-2影像在林區(qū)地類提取的適宜性。研究結果表明：基于Brovey和HSV算法的融合結果目視效果良好，清晰度與紋理增強明顯；這2種融合算法影像在不同地類信息的提取上各有優(yōu)勢，HSV算法融合結果在不同地類的提取上效果最好，分類總精度可達85.14%，Brovey算法融合結果則在森林類型的提取上具有最高的分類總精度，為75.72%；其余4種融合算法在圖像質(zhì)量及其他地類提取中各有優(yōu)勢，具體融合算法的選取需根據(jù)應用目的和影區(qū)應用區(qū)域的實際情況而定。該研究可為林業(yè)部門提高GF-2衛(wèi)星的適用性及大規(guī)模應用提供參考。圖4表4參19關鍵詞：森林經(jīng)理學；影像融合；林地提取；GF-2影像；面向對象分類

GF-2衛(wèi)星是中國第1顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星，衛(wèi)星可提供1 m全色/4 m多光譜分辨率平面影像，在森林資源調(diào)查、土地利用動態(tài)監(jiān)測、環(huán)境保護與監(jiān)測等領域提供服務支撐，發(fā)揮重要作用。目前，中國已經(jīng)成功繪制全國林地 “一張圖”，是通過高分辨率遙感影像、全國林地落界數(shù)據(jù)、二類調(diào)查資料、基礎地理信息等多源數(shù)據(jù)集合，以林地界線為核心內(nèi)容，構建的中國林業(yè)有史以來可動態(tài)監(jiān)測、及時決策的林地資源管理系統(tǒng)［1］，取得了較好的應用效果，高分辨率遙感影像作為其中重要的一部分，主要用來提取林地及林木參數(shù)等信息，為林業(yè)數(shù)據(jù)庫的建設提供了重要的基礎數(shù)據(jù)支撐。因此，應用高分辨率國產(chǎn)衛(wèi)星數(shù)據(jù)解決實際問題成為林業(yè)發(fā)展的重要趨勢。影像融合是對遙感影像數(shù)據(jù)高效利用的重要手段，它綜合了影像在光譜分辨率和空間分辨率上的優(yōu)勢，既提高了多光譜影像的分辨率，又保留其多光譜特性，從而增強解譯的可靠性，提高分類精度［2］。在以往的研究中，遙感影像融合算法主要包括彩色技術、數(shù)學運算、圖形變換等3種。彩色技術包括HSV變換（hue-saturation-value，顏色空間變換）等；數(shù)學運算包括Brovey變換（彩色標準化變換）等；圖形變換包括PC變換（principle components，主成分變換）、HPF變換（high-pass fusion，高通濾波變換），GS變換（gram-schmidt，正交化變換）、Pansharp變換（超分辨率貝葉斯變換）等［3］。HSV算法采用全色影像替換多光譜影像的亮度分量，使HSV變換在增強多光譜影像空間細節(jié)表現(xiàn)能力的同時，也帶來了較大的光譜失真；Brovey變換只能而且必須同時對3個波段進行融合運算，該變換在增強影像的同時保持了原多光譜影像的光譜信息［4］；PC變換可以使所有的波段參與融合，可以更好地保留圖像的光譜信息［5］；HPF變換對于影像紋理和細節(jié)處理方面效果較好，但色彩的層次感一般［6］；GS變換有明確的數(shù)學意義，對待融合的遙感影像無波段數(shù)限制，并且具有較高的光譜信息保持度；Pansharp變換對人為主觀因素與數(shù)據(jù)本身質(zhì)量的依賴性較小，光譜和細節(jié)特征保真度高［7］。針對不同的數(shù)據(jù)源，鄭中等［8］，郭會敏等［9］，王海江等［10］，王華斌等［11］，陳春華等［12］分別對QuickBird，GF-1，資源一號02C星，資源三號，WorldView-2衛(wèi)星數(shù)據(jù)全色和多光譜數(shù)據(jù)進行影像融合試驗，并通過質(zhì)量評價選擇出適宜于影像的最優(yōu)融合方法。目前研究中對于GF-2影像的融合基本未見報道，其影像數(shù)據(jù)特征與QuickBird，WorldView-2等衛(wèi)星數(shù)據(jù)不完全一致，適合于現(xiàn)有衛(wèi)星影像的融合方法不一定適合于GF-2衛(wèi)星影像。因此，針對目前常用的融合方法，探究適合于林地信息提取的GF-2影像融合算法，為林業(yè)行業(yè)中大范圍使用GF-2影像融合應用提供參考具有重要意義。本研究以GF-2高分辨國產(chǎn)衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，采用6種常用的影像融合算法針對林區(qū)樣地影像進行融合試驗，通過目視分析和定量比較進行影像融合質(zhì)量評價，并通過面向對象分類方法對不同地類進行提取分析，研究不同影像融合算法在地類信息提取上的適用性，最終選擇出適宜于GF-2影像林地信息提取的融合算法，為林地信息提取、林地變化動態(tài)監(jiān)測等應用提供參考。

1 研究方法

1.1 研究數(shù)據(jù)及預處理

本研究區(qū)位于北京市延慶縣，經(jīng)緯度范圍為40°27′～40°32′N，115°44′～115°52′E，研究范圍為10 km×10 km。數(shù)據(jù)使用GF-2遙感數(shù)據(jù)，采集時間2015年5月2日，基本無云，影像質(zhì)量較好。包括有林地、灌木林地、水體、耕地、未利用地等多種地物類型，且各種地物所占比例相當。

為保證影像融合的質(zhì)量，全色影像與多光譜影像對應像元需保證較高的一致性，因此，試驗在GIS中進行幾何校正，并使用ENVI以1∶10 000數(shù)字高程模型（DEM）及0.5 m航片作為基準影像進行正射校正，校正誤差控制在1個像素以內(nèi)。

1.2 融合算法

本研究采用高分辨影像應用較多的6種融合算法對GF-2全色和多光譜影像進行融合試驗：HSV變換［4］、Brovey變換［4,13］、PC變換［14］、HPF變換［6］、GS變換［15］和Pansharp變換［16］。其中HPF變換由ERDAS IMAGINE 2014軟件實現(xiàn)，Pansharp變換基于PCI Geomatica 2013軟件平臺，其余融合算法均由ENVI 5.0軟件實現(xiàn)。由于HSV變換和Brovey變換融合多光譜影像只能由3個波段參與，因此，本研究分別選擇BAND2（G），BAND3（R），BAND4（NIR）與全色波段進行融合，其余融合算法均采用四波段多光譜影像和全色影像融合。

1.3 融合質(zhì)量評價指標

為了比較不同方法的融合效果，用2種方法進行評價［16-18］：一是基于視覺效果的定性分析，關注影像的整體亮度、光譜保真度、清晰度和空間紋理特征等，這種方法簡單且具有主觀性，依賴于評價者的經(jīng)驗；二是基于數(shù)理統(tǒng)計的定量特征分析，能減少對融合影像評價的隨機性使評價結果更客觀，主要從整體影像特征和不同地類紋理特征等方面進行評價分析，整體影像特征主要包括均值、平均梯度、光譜相關系數(shù)、高頻信息融入度等指標，紋理特征包括熵值、二階矩等指標。為了更好地判斷融合影像的紋理特征，本研究參照參考文獻［3］，選擇水域、建筑用地、耕地、林地等4塊不同的區(qū)域進行熵值與二階矩指標分區(qū)域分析。本研究中，光譜相關系數(shù)和二階矩指標的計算由ENVI軟件實現(xiàn)，其余指標的計算都由Matlab實現(xiàn)。定量分析指標公式［15-19］如下。均值：

式（1）中：M，N為圖像的行列數(shù)，F(xiàn)（i,j）為融合后影像的灰度值。平均梯度：

式（2）中：M，N為圖像的行列數(shù)，F(xiàn)（i,j）為融合后影像的灰度值。光譜相關系數(shù)：

式（3）中：R（i,j）為融合前多光譜影像的灰度值，vR，vF分別為融合前后2幅多光譜影像的均值。高頻信息融入度：

式（4）中：P（i,j）為重采樣到融合后影像像元大小的全色影像的灰度值，vP分別為重采樣后全色影像的均值。熵值：

式（5）中：Pi為影像中灰度值為i的概率密度，L為圖像灰度級數(shù)。二階矩：

式（6）中：G（Xi，j）為灰度共生矩陣元素。

1.4 融合影像分類方法

為探討各方法對林區(qū)影像的適用性，研究基于eCognition軟件采用面向對象的KNN分類方法，通過多尺度分割，利用對象的灰度信息、空間特征、紋理信息等，進行地類提取分析，對6種融合算法的效果進一步對比，并建立基于地類提取結果與外業(yè)實地調(diào)查結果面積的混淆矩陣，進行定量評估，評估指標包括總體精度、生產(chǎn)者精度、使用者精度及Kappa系數(shù)。為了進一步探究不同融合算法對不同森林類型的提取效果，研究增加有林地地類的分類結果。

2 結果及分析

2.1 基于視覺效果的定性分析

從各融合影像中截取1塊包含多種地類的子區(qū)域（圖1）。6種算法融合后的影像空間分辨率較原始多光譜影像都有了較大的提高，更容易判讀。其中HSV和HPF融合影像中建筑物、道路及水體輪廓最為清晰，更利于該地類的提取；Brovey和HSV融合算法的植被區(qū)紋理更清晰，層次感和對比度更好。PC融合算法在紋理效果上沒有得到明顯提高，林區(qū)邊緣清晰度較低，融合效果較差；GS融合算法則在色調(diào)上有較大的改變，目視效果不佳；Pansharp融合影像顆粒感較強，目視效果一般。因此，從目視經(jīng)驗角度認為，對于GF-2衛(wèi)星影像，使用Brovey和HSV融合算法在林地信息提取上較另外4種算法更為適合。

圖1 融合影像目視對比圖Figure 1 Visual contrast on fusion images

2.2 基于數(shù)理統(tǒng)計的定量分析

2.2.1 整體影像特征分析 均值反映影像像素的平均灰度值即平均亮度，均值適中則色調(diào)自然。除了Brovey和HSV方法，其余4種方法各波段均值與原始影像均值接近，說明Brovey和HSV算法光譜信息損失較為嚴重，其余融合結果亮度適中（表1）。平均梯度反映影像的清晰度，其值越大表示影像層次越豐富、對比度越大。在本次試驗中6種方法各波段平均梯度在原始影像上都有了較大程度的提升，除了HSV融合結果的B波段外平均梯度增幅均在50%以上，說明其融合結果的清晰度和對比度提高顯著。光譜相關系數(shù)反映影像光譜信息的保持性，相關系數(shù)越高說明融合對于原始影像光譜信息改變越小。HPF融合結果在R，G，B波段上的值最大（＞0.4）；在NIR波段上，HSV算法的值高達0.8，保持光譜特征上優(yōu)于其他算法。高頻信息融入度反映融合影像波段與全色波段的相關性，其值越大表示融合影像更好地繼承了全色波段的空間信息特征。Pansahrp和GS算法在R，G，B波段的值都遠高于其他幾種算法，NIR波段上HSV和Pansahrp算法的值超過0.5，更好地繼承了全色波段的空間信息。另外，植被反射率極高的NIR波段對于林地信息提取具有重要的意義，除HPF算法在NIR波段光譜相關系數(shù)低于其他波段，GS算法在NIR波段高頻信息融入度低于其他波段，其余各算法在光譜相關系數(shù)和高頻信息融入度上均優(yōu)于其他波段，表明NIR波段在繼承光譜信息和全色波段的空間信息特征上比其他波段更有優(yōu)越性。HSV算法下光譜相關系數(shù)和高頻信息融入度分別達到0.823和0.570，Pansharp算法次之，分別為0.603和0.501。由此推測，這2種影像融合算法在林地信息提取上具有更大的潛力。

表1 原多光譜影像各波段與融合影像整體影像特征對比表Table 1 Contrast on indexes of each band between multi-spectral image and fusion images

2.2.2 紋理分析 隨機選擇水域、建筑用地、耕地、林地等4塊區(qū)域分析其熵值與二階矩指標，其中，林地、耕地與建筑用地50 m×50 m樣地各30塊，水域50 m×50 m樣地15塊，10 m×10 m樣地10塊。熵值表示影像所包含的信息量，熵值越大則影像空間細節(jié)豐富。分析熵值指標統(tǒng)計圖（圖2），影像融合對于林地的熵值增加最為明顯，HSV，Pansharp等2種融合算法信息熵分別為2.10，1.82，較原多光譜影像信息熵（1.45）均提高達25%以上，信息量改善良好。二階矩又叫能量，二階矩越小說明影像灰度分布均勻、紋理細致。分析二階矩指標統(tǒng)計圖（圖3）發(fā)現(xiàn)林地的二階矩增益較為明顯。在林地中，HSV和Pansharp融合影像的二階矩分別為0.13，0.19，較原始多光譜影像二階矩（0.31）均有顯著改善，其中HSV改善效率超過50%。綜合2個紋理特征指標，HSV和Pansharp算法對紋理具有穩(wěn)定和顯著的改善，其中HSV在增益效果上更具優(yōu)勢，融合影像信息量最大，紋理最為細致。

2.3 面向對象分類結果分析

為了探究各融合算法下的影像質(zhì)量及在林地信息提取上的應用效果，本研究利用面向對象多尺度分割的方法，結合光譜、紋理和空間信息等特征值進行KNN分類，分割尺度為220，形狀因子0.1，緊實度因子0.5，分類結果部分區(qū)域如圖4所示。本研究利用原始多光譜影像，結合2014年森林資源二類調(diào)查數(shù)據(jù)，選擇7種地類的典型樣本共274個作為分類樣本，并實測全球定位系統(tǒng)（GPS）點148個作為驗證樣本（表2）。使用eCognition軟件建立基于樣本的混淆矩陣，分類精度見表3。

圖2 熵值指標統(tǒng)計圖Figure 2 Statistical chart of entropy indexes

圖3 二階矩指標統(tǒng)計圖Figure 3 Statistical chart of second moment indexes

表2 研究區(qū)各地類樣本數(shù)量表Table 2 Sample’s number of surface features on the study area

表3 研究區(qū)地類分類精度對比表Table 3 Contrast on classification accuracy of surface features on study area

從總體精度和Kappa系數(shù)指標來看，HSV變換融合結果分類精度最高，總精度為85.14%，Kappa系數(shù)0.82，較原始多光譜影像分類精度提高了約13%，其次是Brovey，HPF及Pansharp變換， PC變換融合影像分類精度為63.51%，低于原始多光譜影像分類精度（72.30%），說明對于GF-2影像來說并不是所有融合變換都能增強影像信息提取的能力。

在對有林地信息提取精度上，HSV和Brovey變換生產(chǎn)者精度分別為97.67%，86.05%，使用者精度分別為87.50%，90.24%，較其他融合變換有明顯的優(yōu)勢， GS變換和PC變換不適宜提取林地，生產(chǎn)者角度和使用者精度均較低。

對草地分類中，除GS變換和HPF變換使用者精度較低外，其余變換均較高，Brovey，HSV和Pansharp變換使用者精度都超過90%，適宜草地的提取。對耕地提取中，除GS變換外，其余5種變換都較原始多光譜影像分類有所提高，其中Brovey變換使用者精度最高，PC變換生產(chǎn)者精度最高，適于耕地提取。苗圃地提取分析中，Brovey和Pansharp變換生產(chǎn)者精度較高都在95%以上，HSV變換使用者精度最高約85.71%。其他3種方法不適宜苗圃地類提取。水域提取分析中，對比其他地類提取，6種融合圖像的生產(chǎn)者精度和使用者精度均較高。相比較而言PC變換不適宜提取水體，生產(chǎn)者精度較低。城礦居民用地提取分析中僅Brovey變換在生產(chǎn)者精度上有了顯著的提升，適于城礦居民用地的提取。

為了進一步研究不同融合變換影像對有林地地類中森林類型信息提取效果，本研究利用上一步中有林地地類矢量與影像中NDVI大于0.35且Brightness小于1 500的矢量疊加，重疊區(qū)作為有林地范圍，進行再次分割和KNN分類，分為闊葉林、針葉林、混交林3個地類。分割尺度為100，形狀因子0.1，緊實度因子0.5。分類樣本共128個，并實測GPS點闊葉林30個、針葉林30個以及混交林30個作為驗證樣本，使用eCognition軟件建立基于樣本的混淆矩陣，分類精度見表4。

圖4 融合影像分類結果圖Figure 4 Classification results of fusion images

表4 研究區(qū)有林地內(nèi)分類精度對比表Table 4 Contrast on classification accuracy of woodland on study area

可見，Brovey和Pansharp變換融合結果在有林地內(nèi)分類精度最高，總體精度分別達到75.72%和72.58%，Kappa系數(shù)分別達到0.63和0.60，其次是HPF和GS變換，PC變換融合結果分類精度最低。闊葉林分類生產(chǎn)者精度普遍高于針葉林，GS，Brovey，Pansharp和HPF變換均達到80%以上，混生林總體分類精度低，僅有Brovey和HPF變換融合結果在生產(chǎn)者精度及使用者精度均能達到50%以上。因此，在森林類型層次的林地信息提取中采用Brovey或Pansharp融合算法更為適宜。

3 結論及討論

影像融合是為了使不同數(shù)據(jù)源實現(xiàn)優(yōu)勢互補，從而對影像數(shù)據(jù)高效利用。針對基于GF-2影像面向林地信息提取的遙感影像融合算法選擇問題，本研究選擇6種具有代表性的融合算法（HSV變換，Brovey變換，PC變換，HPF變換，GS變換，Pansharp變換），在采用目視與定量特征分析的傳統(tǒng)影像質(zhì)量評價基礎上，輔助面向對象分類林地信息效果分析。在融合影像整體質(zhì)量方面，HSV和Pansharp變換目視效果較好，其中Pansharp變換在在光譜繼承和增強信息紋理方面取得了較好的平衡，光譜相關系數(shù)及高頻信息融入度都較高，對紋理具有穩(wěn)定和顯著的改善。傳統(tǒng)的目視及定量指標分析有一定的合理性，但也缺乏針對性，難以對不同層次的森林類型的信息提取作出比較，具有局限性。

在基于融合影像的面向對象分類中，HSV，Brovey，HPF變換總體分類精度較高，其余3種方法在個別類型中具有明顯劣勢。對于林地信息提取的最優(yōu)融合算法需根據(jù)應用的具體層次來選擇，在有林地層次的信息提取中HSV變換較為適宜，在森林類型信息提取則采用Brovey和Pansharp變換更為有效。因此，綜合融合影像整體質(zhì)量及分類精度，針對GF-2影像的林地信息提取，HSV及Pansharp變換的融合效果優(yōu)于其他4種算法，可為GF-2影像在林業(yè)行業(yè)大規(guī)模融合提供參考。不同融合方法對不同地類信息的提取各有優(yōu)勢。在進行森林動態(tài)監(jiān)測、地類信息提取、地塊變化等不同林業(yè)遙感工作中，需考慮具體情況及地類信息比例選擇合適的融合方法。

4 致謝

感謝中國林業(yè)科學研究院資源信息研究所為本研究提供的GF-2衛(wèi)星影像數(shù)據(jù)。

［1］ 梅青.全國林地 “一張圖” 大數(shù)據(jù)時代的經(jīng)典力作［EB/OL］.http://www.greentimes.com/green/news/yaowen/zhxw/ content/2013-10/23/content_235974.htm,2013-10-23.

［2］ 趙英時.遙感應用分析原理與方法［M］.北京：科學出版社，2003：251－262.

［3］ 李霖，佘夢媛，羅恒.ZY-3衛(wèi)星全色與多光譜影像融合方法比較［J］.農(nóng)業(yè)工程學報，2014，30（16）：157－165. LI Lin,SHE Mengyuan,LUO Heng.Comparison on fusion algorithms of ZY-3 panchromatic and multi-spectral images［J］.Trans Chin Soc Agric Eng,2014,30（16）:157－165.

［4］ 楊麗萍，夏敦勝，陳發(fā)虎.Landsat 7 ETM+全色與多光譜數(shù)據(jù)融合算法的比較［J］.蘭州大學學報（自然科學版）， 2007，43（4）：7－11. YANG Liping,XIA Dunsheng,CHEN Fahu.On fusion algorithms of Landsat 7 ETM+PAN and multi-spectral images［J］.J Lanzhou Univ Nat Sci,2007,43（4）:7－11.

［5］ 高志雄.基于ZY-3衛(wèi)星的森林分類及郁閉度提取方法研究［D］.北京：北京林業(yè)大學，2015. GAO Zhixiong.Study on the Forest Classification and Crown Density Extraction Method Based on ZY-3 Image Data［D］.Beijing:Beijing Forestry University,2015.

［6］ 鄭著彬，李俊，任靜麗.HPF圖像融合技術在大理市遙感影像中的運用探討［J］.云南地理環(huán)境研究，2007，19（6）：96－98. ZHENG Zhubin,LI Jun,REN Jingli.Discussion for technology of HPF resolution merge using in Dali’s remote sensing image［J］.Yunnan Geogr Environ Res,2007,19（6）:96－98.

［7］ 趙珍梅，馬偉，王潤生.3種高保真遙感影像融合方法效果評價與分析［J］.地址與勘探，2010，46（4）：705－710. ZHAO Zhenmei,MA Wei,WANG Runsheng.Evaluation and analysis of there methods of fusion remote sensing images with high fidelity of information［J］.Geol Explor,2010,46（4）:705－710.

［8］ 鄭中，祁元，張金龍．基于光譜角和光譜距離評價指標的遙感影像融合算法比較研究：以QuickBird數(shù)據(jù)為例［J］.遙感技術與應用，2013，28（3）：437－443. ZHENG Zhong,QI Yuan,ZHANG Jinlong.Comparing with different remote sensing image fusion method based on evaluation index of spectral angle and spectral distance:taking Quickbird datas as example［J］.Rem Sens Technol Appl,2013,28（3）:437－443.

［9］ 郭會敏，洪運富，李營，等.基于高分一號衛(wèi)星影像的多種融合算法比較［J］.地理與地理信息科學，2015，31（1）：23－26. GUO Huimin,HONG Yunfu,LI Ying,et al.Comparison of fusion methods used for GF-1 satellite image［J］.Geogr Geo-Inf Sci,2015,31（1）:23－26.

［10］ 王海江，王周龍，李麗宏，等.基于高平衡階多進制多小波包變換的遙感影像融合［J］.農(nóng)業(yè)工程學報，2015，31（1）：178－186. WANG Haijiang,WANG Zhoulong,LI Lihong,et al.Remote sensing image fusion based on high-balanced multiband multiwavelet packet transform［J］.Trans Chin Soc Agric Eng,2015,31（1）:178－186.

［11］ 王華斌，李國元，張本奎，等.資源三號衛(wèi)星影像融合算法對比分析［J］.測繪科學，2015，40（1）：47－51. WANG Huabin,LI Guoyuan,ZHANG Benkui,et al.Construct and analysis of different fusion algorithms for ZY-3satellite images［J］.Sci Surv Mapp,2015,40（1）:47－51.

［12］ 陳春華，蘇逸平，鄒崇堯.WorldView-2遙感影像融合算法實驗研究［J］.地理空間信息，2013，11（6）：72－74. CHEN Chunhua,SU Yiping,ZOU Chongyao.Study on remote sensing image fusion algorithm［J］.Geospat Inf,2013, 11（6）：72－74.

［13］ 許民.高分辨率遙感影像融合方法研究及融合效果評價：以ALOS和SPOT的全色與多光譜影像為例［D］.蘭州：蘭州大學，2010. XU Min.Reseach on High Resolution Remotely Sensed Image Fusion Methods and Evaluation of Fusion Quality:A Case Study of Mutlti-spectral and Panchromatic Data of ALOS and SPOT［D］.Lanzhou:Lanzhou University,2010

［14］ 黃先德，周群，王興.資源三號衛(wèi)星全色與多光譜影像融合算法［J］.測繪通報，2015（1）：109－114. HUANG Xiande,ZHOU Qun,WANG Xing.Fusion of resources satellite-3 remote sensing panchromatic and multispectral Images［J］.Bull Surv Mapp,2015（1）:109－114.

［15］ 鄭麗.SPOT多光譜影像與全色影像融合研究［J］.佳木斯大學學報（自然科學版），2015，33（6）：868－871．ZHENG Li.Research on the SPOT multi-spectral image and panchromatic image fusion［J］.J Jiamusi Univ Nat Sci Ed,2015,33（6）:868－871.

［16］ 任德智，潘剛，葛麗雯.基于 Titan Image軟件的QuickBird影像融合［J］.東北林業(yè)大學學報，2013，41（3）：131－134．REN Dezhi,PAN Gang,GE Liwen.Image fusion of QuickBird based on Titan Image software［J］.2013,41（3）:131－134.

［17］ 王樂，牛雪峰，魏斌，等.遙感影像融合質(zhì)量評價方法研究［J］.測繪通報，2015（2）：77－79. WNAG Le,NIU Xuefeng,WEI Bin,et al.Study on quality evaluation methods for remotely sensed images fusion［J］. Bull Surv Mapp,2015（2）:77－79.

［18］ 孟京輝，陸元昌，劉剛，等.基于ETM+遙感圖像的圖像融合試驗及評價方法［J］.南京林業(yè)大學學報（自然科學版），2010，34（1）：69－72. MENG Jinghui,LU Yuanchang,LIU Gang,et al.Trail of image fusion methods and quality assessment for ETM+image［J］.J Nanjing For Univ Nat Sci Ed,2010,34（1）,69－72.

［19］ 王廣杰，周介銘，楊存建，等.基于不同算法的遙感影像融合分析［J］.四川師范大學學報（自然科學版），2011，34（2）：255－259. WANG Guangjie,ZHOU Jieming,YANG Cunjian,et al.Analysis of remote sensing image fusion based on different algorithms［J］.J Sichuan Norm Univ Nat Sci,2011,34（2）:255－259.

Comparison of fusion algorithms for GF-2 data from extracted forestland information

HU Man,PENG Daoli
（College of Forestry,Beijing Forestry University,Beijing 100083,China）

To obtain an optimal method for image enhancement of GF-2 forestry area data,six frequently-used methods were analyzed:Brovey transformation;hue,saturation,and value （HSV）transformation;Principle Component （PC）spectral sharpening;high pass filter （HPF）spectral sharpening;Gram-Schmidt spectral sharpening;and Pansharp transformation.Qualitative and quantitative analyses were used to assess the effect and quality of the fusion images.Indexes include mean,average gradient,high-frequency information integration,correlation index,entropy index and second moment index.Among them,correlation index and second moment index were calculate by ENVI,other indexes were all by Matlab.Furthermore,to access an appropriate fusion method for GF-2 forestland data extraction,fusion images were classified by performance of fusion methods at two information extraction levels based on an object-oriented classification method.All the transformations used the same parameter and methods on each level,and use the same samples to classify and accuracy check.Results showed that correlation index and high-frequency information integration of HSV transformation could reach 0.823 and 0.570,respectively.In addition,the entropy index and second moment index could improved 25%and 50%compared to original multiple image,respectively.It had a better visual effect with obvious enhanced clarity and texture features.For classification experiments,HSV and Brovey transformations had their own superiority for the extraction of different classes with the HSV transformation having the highest over-all classification accuracy of 85.1%and the Brovey transformation having the highest accuracy on the second level of 75.7%.The other four methods had different advantages for quality and information extraction of the fusion images.Thus,the final selection of fusion methods should consider practical forestry application and image information which could provide a reference for GF-2 images to be applied on a large scale in forested areas.［Ch,4 fig.4 tab.19 ref.］

forest management;image fusion;forestland;GF-2 data;object-oriented image classification

S757.2

A

2095-0756（2017）02-0340-09

10.11833/j.issn.2095-0756.2017.02.019

2016-04-14；

2016-06-28

國家重點林業(yè)工程監(jiān)測技術示范推廣項目（2015-02）

胡曼，從事森林資源監(jiān)測與評價的研究工作。E-mail：humanamanda@163.com。通信作者：彭道黎，教授，從事森林資源監(jiān)測、森林經(jīng)營管理以及林業(yè)信息領域研究。E-mail：dlpeng@bjfu.edu.cn