基于Landsat8_OLI影像不同融合方法的研究
——以拉薩市為例*

蔣寧 劉煒

（西藏民族大學信息工程學院，陜西 咸陽 712082）

0 引言

早在上個世紀，國內外的專家對影像融合進行了數量多且高層次的的研究和實驗。在目標識別層上專家學者區分出了三個融合層次，分別為像素（Pixel based）［2］、特征級融合［3］（Feature based）和決策級融合［4］（Decision level）。在上述的三個層次中，當前較為常用的影像融合方法是像素級融合。相對于比較其他層次，它能在融合過程中使其圖像的微小的信息保留的很好。本文在傳感器采集信息之后，將通過使用ENVI5.3 和MATLAB 軟件對較為常用的Brovey、PCA、Gram-Schmidt 和NNDiffuse 四種融合方式對拉薩某地區從Landsat 8_OLI（2021 年1 月28 日）衛星上得到的遙感影像進行融合處理，并對融合之后的效果進行評價，從而將會找到最為理想的一種融合方法。理想的融合方法可以使圖像的質量有質的變化。

1 數據源與預處理

1.1 數據源

Landsat8 影像數據獲取時間為2021 年1 月28 日，在地理空間數據云的官網中就可以下載云的覆蓋率小于等于百分之一的影像，這樣就可以保證實驗的合理性和真實性。Landsat8_OLI衛星總共有11 波段，每個波段的波長都不相同。其中第8波段是所要用到的質量較高的波段，第4、3、2 波段為該影像的紅綠藍波段。在做圖像融合時，Brovey 會選擇較低分辨率的多光譜圖像的紅綠藍波段與第8波段的全色影像進行融合，其它三個方法融合而是針對于具有7 個波段的影像與全色影像的融合。

其中作為實驗地區的拉薩市，它位于中國的西南地區。處在西藏高原中部、北鄰喜馬拉雅山、東靠林芝、西接日喀則、南連山南，它是西藏自治區的中心城市。拉薩海拔高，太陽光照時間充足，故有“日光城”之說。

1.2 圖像預處理

圖像進行融合通過ENVI 軟件對下載的Landsat8影像進行裁剪和預處理。預處理的步驟如下，首先在ENVI 軟件中打開下載的影像數據的MTL 文件，打開MTL 文件可以顯示出所有波段。對MTL 文件和8 波段的全色圖像進行相同大小的裁剪；然后對裁剪過的影像采用自動設置參數的輻射定標操作，為的使在大氣校正中有適合的數據類型；之后就可以進行大氣校正了，選擇適當的參數然后就可以應用實現；把校正過的影像再進行融合。這就是影像融合之前的準備工作。之后把融合后的影像輸出格式為TIFF的影像格式，這樣會方便計算其評價指標。經過處理之后得到的低分辨率的彩色影像與全色Pan 影像如圖1所示。

2 研究方法

Brovey、PCA、GS 和NNDiffuse［5］融合方式是文章所需要用到的，原理簡單介紹如：

2.1 Brovey融合

Brovey 融合就是使彩色的多光譜各個波段影像進行歸一化的處理，然后再用具有乘積性的影像波段來計算全色影像從而達到增強影像信息的目的，所以Brovey融合也稱為乘積變換法融合［6］。因為這種方法只有紅綠藍這幾個波段參與影像融合，所以會造成其光譜的扭曲變形。總結如下，Brovey 變換融合的缺點是波譜失真較為嚴重，然后還會使彩色影像和Pan 融合后的圖像波譜范圍不均勻。Brovey 融合的優勢在于能夠使融合前的彩色圖像的波譜內容依然存在，也能使融合后的圖像的邊緣清晰度增大。并且在物體地物的劃分上會更加清楚，但是顏色的亮度在城市的居住區域，效果不是特別亮好。

2.2 PC Spectral

PC Spectral也稱作銳化融合。它也是一種通過分辨率較低的多光譜影像的融合方法。它是一種偏線性的、多種維度的融合方式，可以通過多個波段進行正交變換［7］而顯示出來。最開始先將影像矩陣中的最大特征向量的求出來，作為第一主成分；其次為了防止波譜中的信息丟失，必須確保高分辨率的波段能夠匹配到第一個的主成分的分量，通常會使用ENVI軟件將高分辨率圖像進行拉伸，其目的是為了使分辨率較好的波段替代第一主成分波段；最后，還需要把圖像進行逆向變換，從而獲取到實驗后的圖像。總結如下,PC Spectral 融合方法的優勢能夠使全部的彩色波段參與到融合過程里；而PC Spectral 融合方法的缺點是它的主要融合方式中只能用彩色多光譜影像的首個成分被Pan 影像所取代來實現，因為它的首個成分的信息值含量最大。而且是會導致PC Spectral 方法里多光譜的首個成的彩色信息的量變少。這是PC Spectral 融合算法里的最為重要的缺陷，該種方法僅僅基于數學計算的問題處理，而沒有基于影像中每個波長的特征。

2.3 Gram-Schmidt融合

Gram-Schmidt 融合變換就是在其變換的過程中使每個分量之間都能進行正交［8］。總體來說它的變換和PCA 變換有很大承程度相似的。它的相似表現為都是多維線性的的融合方式。為了使融合的兩幅影像具有相差較小的信息特征，首先需要把全色波段的影像通過多光譜影像的函數進行模擬，或者把全色波段的影像縮小模糊到與多光譜影像等大小；把模擬過的全色影像像PCA變換一樣作為第一波段，準備工作走完之后就可以進行Gram-Schmidt 變換；總結如下：Gram-Scehmidt 的優點在于它的融合過程不像是PC Spectral 融合方法的缺點一樣，PC Spectral 融合方法只能用彩色多光譜影像的首個成分被Pan影像所取代。而是它具有成分幾乎一樣的各個成分，這樣就會使彩色的光譜信息保持良好。它的第二種特征為融合前后的GS1（GS 變換融合的第一個分量）分量是相同的并且它的數值沒有發生改變的。

在試驗中，耗能鋼棒是通過預埋鋼筋和預埋板焊接在一塊共同實現作用，在試驗中構件沒有發生扭轉，底部鋼板和反力架底梁之間幾乎沒有滑移，所以在有限元模型中，并未對預埋鋼板進行建模，而是將墻板兩端各自的自由度分別耦合在一個點上，再通過固接的方式來處理，為了讓模型分析時更好收斂，把墻板側面均耦合到一個加載點上，從而保證模擬與試驗情況相吻合。有限元分析加載制度與試驗工況一致。

2.4 NNDiffuse融合

NNDiffuse 融合為了提高其處理性能采用了OpenMP 和CUDA 兩種技術，運用這兩個技術并執行矩陣乘法運算；相較于以往的方法，使用的方法能使融合后影像能較好地保留色光譜信息［9］。并且在彩色影像融合質量方面和對影像的處理速度方面都會有比較好的的結果。為了讓其融合的效果更好，需要使多光譜波段的波長在區域內不相交，高分辨率的Pan也就能夠全面的覆蓋住多光譜波段的全部的波長范圍。本實驗需要用到的Landsat-8 衛星類型的傳感器就可以被NNDiffuse 方法所支持。它的優點是具備RPC 信息、多線程的計算還能提供API 接口。NN‐Diffuse 融合結果反映出其對光譜上的各種細節都可以有比較好的實現。

3 融合結果與質量評價

3.1 融合結果

本次試驗的數據是選用2021 年1 月28 日的Landsat8_OLI 遙感影像，通過ENVI 平臺進行輻射定標和大氣校正。選取融合的影像是波段分別為空間分辨率較低的彩色影像和較高分辨率的全色影像。融合得出的影像既具有較低分辨率的彩色特點，又具有高分辨率的特點。因為所研究實驗的區域內有道路、水體和山脈，所以本文采用波段為OLI4、3、2 的真彩色圖像進行試驗。Band4 為紅色波段既可用于城市中道路的觀察，又可以觀測不同種類的植物和無植物的土壤；Band3 為綠色波可以分辨圖像里是否有植物；Band2藍色波段可用于水體穿透，能分辨出土壤和植被。

四種影像融合Brovey、PCA、Gram-Schmidt 和NNDiffuse融合結果如下所示：

3.2 定性評價

通過判斷圖2 中Landsat8 融合的圖像可知，上述幾種方法融合后都比原始的多光譜影像要清晰的多，細節的表現能力會有所提高，表現在其能使模糊的道路、水體和建筑物的輪廓比較準確的分辨出來，也容易看出不相同的融合方式有不盡相同的呈現方式。從光譜特征方面來看，Brovey 融合因其亮度較低，因此不能清晰的區分影像上各種類別的物體，Brovey 變換融合后整體會呈現出相對較暗的影像，從圖上很容易看出來其光譜扭曲嚴重，是因為BT 融合在房屋建筑上得出的結果亮度會偏暗。但是也能從圖片上顯示它的保真度較好，相較于原始彩色影像物體種類的劃分較為明顯。而GS、PCA 和NND 融合在光譜特征方面會比Brovey 融合在此實驗地區內會融合好的多。之后在光譜色調方面GS、PCA 和NND 三種融合方法會更靠近于原始影像，它們使光譜信息更好的保留。從圖2 總體來看，GS 融合和NDD 融合目視的效果是比較好一些的，PCA、Brovey融合結果會差一些。

3.3 定量評價

3.3.1 定量評價標準。本文進一步研究選用平均值、標準差、信息熵、扭曲程度、平均梯度這5 個標準再予以評價。

圖像的平均亮度是均值評價方法的重要指標，均值評價方法也常被稱作灰度平均值［10］。其評價標準為均值的大小，均值的值增加則表示該圖像的亮度較好，融合的結果也是不錯的。反之均值的值減少則表示該圖像的亮度較為不理想，融合的結果也是差一些的。

圖像的灰度離散的程度是標準差［11］的重要標準，其評價標準為標準差的偏差大小。隨著標準差的變大，灰度圖像越分布的離散，圖像的像素相對來講越高，眼睛所看到的結果是較為滿意的。反之，標準差值得變小，灰度圖像離散程度較弱，其目視效果較差。

圖像的清晰程度是衡量平均梯度［12］是的關鍵參數，通俗的講它能清楚的反映圖像的紋理的細致程度。隨著平均梯度的變大，就能得出其融合后的圖像清晰程度越好。圖像的清晰程度越好則能表現出圖像的質量優秀。

信息熵［13］是融合的常用指標。它也被叫做香農熵。熵的主要功能是評價一幅影像所含平均信息量多少。融合后影像的信息熵越大，其所蘊藏的相關信息越豐富，融合效果就會越好。信息熵越小所得出的信息就稍顯匱乏。信息熵能表現出來影像灰度圖像的聚集的性質，二維熵能表現出起空間分布特征。

3.3.2 定量評價結果。在進行定量評價的過程中，需要用到Matlab 軟件。在進行有參照物的評價結果中，融合前后的維度會不一樣，這時候就需到用到imwrite()函數的方法來對圖像進行處理，才能對融合后的影像進行評價，否則就會因為維度不匹配而無法運行程序。這是總結運行評價指標的過程中Matlab 軟件所遇到的問題。當然這個問題也可以在ENVI 軟件中選擇右側工具欄中的Resize 方法將圖片重新確定維度大小。

解決上述問題并進行定量評價的結果如表1所示：

表1 定量評價結果

其中Mul，Pan 分別為原來的多光譜彩色影像和全色影像，GS、NDD、PCA 與BT 分別為以上四種融合方式的縮寫。

根據表1 所顯示的結果，NDD 的影像平均數值為109.3267，在這幾種方法里面都是最大的，說明了NDD算法有相對于其他幾種具有比較好的亮度，其眼睛所目視的效果是比較好的并且和之前定性的評價保持一致；而BT 的灰度平均是36.5001，相比于其他四種效果都是較差的，BT 之所以比較差是因為它只有三個波段進行融合，也是因為實驗地區是房屋建筑較多區域的緣故，所以從圖片上看亮度也是比較暗的；還有GS 的均值和NDD 融合差不了太多，PCA 次之。對于標準差來說，NDD 和GS標準差比較接近，都在五十五以上，這就意味著如果圖像的反差對比大一點，而且灰度級數分散，那么就可以得到更多的紋理信息了；BT 算法的標準差很小，值是20.2505，說明了影像的對比反差小了一些，而且灰度級數也不是非常的離散的，所以紋理信息就比較小，但由于是標準比值法所以整個圖象就比較簡單；PCA 的標準差就比NDD 差了有百分之四，但是效果也會比BT 好一些。對于信息熵來說，NDD 算法數值7.6114，在這四種融合中也是最好的。GS 融合與PCA 融合次之，其熵分別為7.6084 和7.5252。信息熵越大表明圖中的信息就越多；從平均梯度這個定量評價來看，Brovey 平均梯度數值為0.0621，而NDD 的平均梯度數據為0.1725，依然是最好的，這就表示其細節是較好的。從光譜的扭曲程度可以知道NDD與GS的扭曲程度與全色影像相差不大，雖然與原本的彩色圖像相比數值大，但是整體效果會更好。通過這幾種的客觀評價中可以知道GS和NDD融合在拉薩的該實驗地區的效果是較為理想的。雖然每個參數只有不到1 的差別，但是NDD融合的結果會比GS融合的結果更好。

4 結論

影像融合技術是一種基于多傳感器的成像技術。它主要包括對同一場景中的各種傳感器獲得的圖像數據信息進行有明顯成果的空間匹配。并以此為基礎，實現了各種圖像數據的優勢。并且可以把這些優勢變為這些數據信息的有效信息，將其轉化為新穎的、效果更好的信息。

對以上定性與定量的評價結果進行總結可以知道，BT 變換在該區域的融合效果沒有特別理想，相比其他三種的融合效果較差，其具有嚴重的光譜失真，信息量沒有特別的豐富。是因為BT 融合的結果在房屋建筑上亮度是相對來說是較暗的。所以BT 的融合方法在此實驗的區域融合效果不佳。而在GS 和PCA中融合效果相比較BT 變換而言會好的很多，各種信息會比之前都要好。最為理想的就是NNDiffuse 融合，它在綜合了目視和客觀的評價標準之后，對于該實驗區來說結果是較為不錯的。NNDiffuse 融合之后的影像能最大程度的區分地類范圍，并且圖像信息和空間細節也會更豐富，各個方面比融合之前的多光譜圖像要好。

因此，對于Landsat8-OLI 衛星所獲取的拉薩這一區域的融合影像通過分析，得出來了下面的結果：NNDiffuse融合相較于Brovey、PCA和Gram-Schmidt這三種融合成果來說是最為好的。所以在拉薩的這個區域它能達到更好的融合結果。也表明了不一樣的融合方式、衛星類型和實驗地域都會對融合的結果產生差異影像。