高分一號衛星數據影像校正及融合算法在林業監測中的研究

李利偉，王 威，吳雪嬌

(國家林業和草原局調查規劃設計院，北京 100714)

1 引言

高分一號衛星(GF-1)是中國高分辨率對地觀測系統的首發星，是高分辨率對地觀測系統重要的組成部分，高分辨率對地觀測系統是中國正著手研發的新一代高分辨率對地觀測系統[1～3]。到2020年，高分系統與其他觀測手段相結合，將形成具有全天候、時空協調、全球范圍觀測能力的穩定運行的系統。GF-1衛星發射成功后，將能夠為自然資源部門、環境保護部門、農業部門、水利部門、林業部門提供高精度、寬范圍的空間觀測服務，在地理測繪、海洋和氣候氣象觀測、水利和林業資源監測、城市和交通精細化管理、疫情評估與公共衛生應急、地球系統科學研究等領域發揮重要作用[4～7]。

2 研究影像數據

GF-1衛星裝載了2臺2 m分辨率全色、8 m分辨率多光譜相機(簡稱高分相機)和4臺16 m分辨率多光譜相機(簡稱寬幅相機)。GF-1 PMS相機可以獲取2 m的全色黑白圖像、8 m多光譜彩色圖像(藍、綠、紅、近紅外4個波段)以及多光譜和全色融合之后的2 m真彩產品[2]。GF-1波普范圍及數據時相如表1所示。

表1 GF-1波普范圍及數據時相

傳感器波段平均太陽輻照度(Band Mean Solar Irradiance， BMSI)是傳感器光譜響應函數與大氣層外太陽光譜輻照度的積分值，反映傳感器對太陽輻射能量的響應性能[8,9](表2)。

表2 傳感器波段平均太陽輻照度

3 研究方法

3.1 影像校正

GF-1影像的原始數據包括2 m分辨率的全色影像和8 m分辨率的多光譜影像，以研究地區1∶1 萬DOM數據為基準，引入DEM 高程信息，對GF-1全色數據進行控制點的選擇，最后將影像重采樣成正射影像。再以校正后的全色影像為基準，用同樣的方法對多光譜數據做正射校正，最后將校正后的全色和多光譜影像融合得到2 m分辨率的彩色影像。全色影像正射校正主要過程為：在全色影像數據上選取控制點，基于物理模型或有理函數模型進行正射糾正。以單景全色波段影像為校正單元，導入衛星軌道參數、傳感器參數文件，選取控制點，讀取DEM，通過同名控制點像素的坐標與大地坐標，計算控制點坐標值誤差ΔX、ΔY、點位殘差RMS及中誤差MS，利用模型求解，重采樣進行校正，重采樣像素大小等同于原始遙感影像[7～9]。

3.2 影像融合

為了提高遙感影像地物識別能力，采用算法將各遙感影像數據中含的信息系統結合起來，能夠針對性地去除冗余信息，大幅度減少數據處理量，消除無用信息，提高遙感數據處理的時效。同時遙感影像融合，能將多源數據有用信息集中起來，融合在一起，便于多種信息互補，減少識別森林區域的模糊性和不確定性，為快捷、準確地識別和提取森林地物信息奠定基礎。目前已有成熟的融合算法方法很多，如主成分變換法(PCA)、HIS變換法、小波變換法(Wavelet)、高通濾波融合法(HPF)、超分辨率貝葉斯法(Pansharp)、Subtractive融合法、HCS融合法等。其中，Pansharp是通過合并高分辨率的全波段影像(PAN)增強多波段影像的空間分辨率的一種影像融合技術，此種算法要求全波段影像和多波段影像同平臺、同時間(或時間間隔很短)獲得[10～14]。

4 結果分析

4.1 不同控制點數量對比分析

校正選點的原則一般是先四角中間再向四邊的原則進行選取，選點可以采取M形，選點位置建議在地界交匯處、房角、道路交叉口、線狀地物交差點等[13]。研究遙感影像采集窗口為255 像素×255 像素；數字地圖采集窗口為1023 像素×1023 像素(圖1、2)。

圖1 全色控制點采集

圖2 多光譜控制點采集

為了使校正精度更高，本研究在保證控制點分布均勻的基礎上(圖1、圖2)，對GF-1全色影像以控制點數量分別為81～124區間內確定7組數據，進行精度比較(表3、圖3)。通常情況下，較多的控制點能達到更高的校正精度，但是控制點數量的增加也可能會造成遙感影像扭曲，使校正精度下降，經過對比分析，控制點為95～105區間選擇控制點數量最為合適。對多光譜影像進行校正時，采用校正后的全色影像為基準進行配準。

表3 不同控制點數量對影像RMS的影響(單位：像元)

圖3 不同控制點數量對比分析

4.2 不同模型精度對比分析

控制點數量確后，研究采用相同控制點數，選擇Satellite Orbital Modelling和Rational Functions(3，4，5)模型進行對比分析。從結果可以看出，Satellite Orbital Modelling 模型的校正精度最高，運行時間相對最快，控制點-RMS 為1.91個像元，X-RMS 為1.54個像元，Y- RMS 為1.15個像元; Rational Functions(5) 模型校正精度其次，控制點-RMS 為1.93個像元，X-RMS 為1.61個像元，Y-RMS 為1.32個像元(表4)。

表4 不同模型精度對比分析

本研究對比PCA、HIS、Pansharp這 3種融合算法,選擇含有采伐區域、道路、植被等要素的典型區域進行影像融合試驗，對結果通過定量評價找到適合GF-1衛星影像融合的最佳方法(圖4)。

4.3 定性評價

為了便于目視解譯及定性評價，分別從實驗區選取2 塊子區域進行目視解譯比較分析。融合結果均采用波段3(R)、波段2(G)、波段1( B)的真彩色組合并且以同樣的拉伸方法進行顯示。與原始多光譜影像對比發現，利用以上4 種融合方法得到的融合影像質量都有了很大的提高，在不同程度上加強了空間信息和保持了一定的光譜信息。在光譜保真度方面，選取實驗區域中包含采伐的一片區域進行分析。經過與原圖像對比可知，PCA和Pansharp融合影像的光譜保真度最好；HIS融合影像雖然也保持了較好的光譜信息，但是存在顆粒狀噪聲。PCA和Pansharp相比較，后者融合影像中的采伐區域作業道路細節和紋理信息最清晰。

圖4 不同融合算法對比分析

4.4 定量評價

對影像融合進行定量評價，研究采用信息熵、平均梯度、相關系數和偏差指數4 個指標進行評價。①影像的信息熵可以反映影像信息量的多少。通常情況下，融合影像的熵值越大，表明其信息量越多，融合質量越好。②平均梯度常用來評價影像的清晰程度。通常情況下，融合后的影像平均梯度越大，圖像層次越多，表示影像越清晰。③相關系數反映了融合影像與原始影像光譜特征的相似程度。相關系數越大，說明對光譜值的保持越好。④偏差指數反映融合影像對原始多光譜影像的光譜保持程度。偏差指數越小，表明融合影像與原始多光譜影像的偏離程度越小。

經過不同融合方法定量分析，信息熵值從大到小順序為：Pansharp> HIS> PCA；平均梯度值從大到小順序為：Pansharp> PCA> HIS；相關系數值從大到小順序為：Pansharp> PCA> HIS；偏差指數值從大到小順序為：PCA > HIS >Pansharp。綜合分析Pansharp融合算法相對較優(表5)。

經過主觀評價和客觀統計發現，PCA、HIS、Pansharp這3種融合算法，融合效果都可以滿足GF-1影像數據的融合。Pansharp法含有豐富的信息，較好的保持了全色影像的高空間分率，伐區微小細節的表達能力強。綜合分析，這3種影像融合方法都能使用的情況下，優先選擇Pansharp融合算法。

4.5 影像增強

由于光照度、傳感器精度等因素的影響，有必要對影像進行增強處理，減少遙感影像模糊、較亮或較暗等現象。通過改變影像中信息的分布方式，壓縮高亮度區減小輪廓的模糊程度，利于進行目視解譯和后面的圖像處理，先對影像的直方圖分段，具體可分為低-中-高3段，對不同段進行相應處理，使得其通過一定方式的變換而重新分布，最終獲得較好的影像的質量，改善影像質量(圖5)。將影像轉換為有利于目視解譯分析的影像。像增強的主要方法有邊緣增強和對比度拉伸[15,16]，研究中采用對比度拉伸方法，對比度拉伸是影像增強中使用非常頻繁的方法。

表5 不同融合方法定量評價結果

5 結語

研究從林業行業森林調查應用出發，針對國產GF-1衛星數據的特點，從國產GF-1影像數據基本特征、正射校正與配準、波段組合影像融合算法比較精度評價等一系列流程進行研究，探索出國產GF-1衛星

數據在森林資源采伐信息提取方面的應用關鍵技術。研究結果表明GF-1影像數據校正時，控制點選擇為95～105區間數量最為合適；經過Pansharp、PCA、 HIS融合方法定性與定量分析，Pansharp融合算法相對較優。研究探索國產GF-1衛星數據在森林資源采伐信息提取方面的途徑，形成一套較完整的林業監測信息提取技術，為國產衛星數據的行業推廣應用奠定理論基礎。