珠海一號高光譜影像融合方法對比

楊婭婷，韓芬，楊陽，吳兆萍，官瑞芬，張允

(寧夏回族自治區(qū)遙感調(diào)查院(高分辨率對地觀測系統(tǒng)寧夏數(shù)據(jù)與應(yīng)用中心)，寧夏，銀川 750000)

高光譜遙感(hyperspectral remote sensing)是目前獲取地物空間信息和光譜信息的一種新技術(shù)。具有光譜分辨率高、波段多、波段連續(xù)等新特點(diǎn)，其光譜分辨率為納米級，波段從幾個、幾十個到上千個不等，每個像元可提供幾乎連續(xù)的地物光譜曲線，因此，利用高光譜數(shù)據(jù)可對地物進(jìn)行精準(zhǔn)定量分析和細(xì)節(jié)信息提取[1]，為地物光譜深度分析提供重要依據(jù)。但高光譜數(shù)據(jù)空間分辨率不同程度的限制了高光譜數(shù)據(jù)的應(yīng)用深度和廣度，因此，高光譜數(shù)據(jù)的融合非常必要。

遙感影像融合技術(shù)是將高光譜分辨率影像和高空間分辨率影像合并，剔除冗余信息，得到一幅同時保留二者優(yōu)點(diǎn)的新合成圖像，讓圖像數(shù)據(jù)信息互補(bǔ)，使圖像數(shù)據(jù)更加全面、豐富和準(zhǔn)確，從而增強(qiáng)圖像對地面物體的識別能力，實現(xiàn)更高精度的數(shù)據(jù)分類、提取及分析[2]。國內(nèi)外學(xué)者對高光譜的融合進(jìn)行了大量的研究。豐明博[3]等人利用小波融合算法對hyperion圖像和Spot5圖像進(jìn)行融合實驗，融合后的圖像空間分辨率和光譜分辨率得到了改善；程傳陽[4]基于HSI進(jìn)行高光譜圖像融合，并利用線性變換、中值濾波及改進(jìn)基于小波變換的邊緣檢測等方法對融合后的圖像進(jìn)行了增強(qiáng)，圖像融合效果得到很大的提高；王浩[5]對小波變換進(jìn)行改進(jìn)對高光譜遙感圖像進(jìn)行融合研究，融合結(jié)果較好；宋亞萍[6]等利用多光譜資源三號和全色快舟一號數(shù)據(jù)，采用Gram-Schmidt、高通濾波法、最鄰近法等算法進(jìn)行融合實驗，融合后圖像的空間信息和光譜信息都得到了提升；李存軍[7]等人以IKONOS影像為例，對比Gram-Schmidt、PC、IHS等算法的融合結(jié)果，得出Gram-Schmidt光譜保真效果較PC和IHS有了較大的提高。然而，很多研究使用的數(shù)據(jù)大多是國外的免費(fèi)數(shù)據(jù)或者模擬數(shù)據(jù)，對國產(chǎn)衛(wèi)星數(shù)據(jù)研究相對較少，數(shù)據(jù)源較為單一，種類不豐富，且不同分辨率、不同傳感器的影像融合較少。

為研究適合于珠海一號高光譜數(shù)據(jù)且易于實現(xiàn)的融合方法，本文選用HSV Sharpening(HSV)、Color Nornalized(Brovey)Sharpening、CN Spectral Sharpening(CN)、Gram-Schmidt Pan Sharpening(GS)、PC Spectral Sharpening(PC)、NNDiffuse Pan Sharpening(NND)等6種融合方法，分別對不同類型、不同分辨率國產(chǎn)衛(wèi)星數(shù)據(jù)和珠海一號高光譜數(shù)據(jù)融合，通過目視分析和指標(biāo)分析，對比影像融合前后空間分辨率和光譜特征變化情況，為高光譜影像數(shù)據(jù)在融合、信息提取、定量分析等方面的應(yīng)用和研究分析提供參考。

1 方法及原理

1.1 融合方法

(1)HSV融合方法：HSV是一種色彩空間變換的融合方法，應(yīng)用HSV變換融合時，首先采用三次卷積技術(shù)對高光譜圖像重采樣，使得高光譜和全色圖像在像元尺寸上一致，然后對高光譜影像實施HSV正變換，分離出亮度(V)、飽和度(S)及色度(H)分量，再讓高分辨率單波段全色圖像和HSV正變換得到的亮度分量進(jìn)行直方圖匹配，并替換亮度分量V，最后經(jīng)逆變換得到高光譜高空間分辨率的融合圖像[8-9]，變換過程如圖1。

圖1 HSV變換流程圖Fig 1. HSV Transformation Flowchart

(2)Brovey融合方法：實質(zhì)上是一種比值運(yùn)算融合方法，該方法首先將高光譜圖像重采樣到高空間分辨率全色圖像的像元尺寸上，然后對高光譜圖像和全色圖像數(shù)據(jù)數(shù)學(xué)合成，得到融合結(jié)果[9]。其融合表達(dá)式如下：

式中，HSi(j=1，2，3)-高光譜圖像參與運(yùn)算波段；pan-高空間分辨率全色圖像；Ii-各波段融合結(jié)果。

(3)GS融合方法：根據(jù)正交線性變換理論實現(xiàn)，首先從低分辨率高光譜波段中分出一個分量，并將該分量和高光譜波段正交變換，然后用高空間分辨率單波段全色圖像替換變換后的分量，在與其他分量一起反變換得到融合影像[10-11]，變化過程如圖2。

圖2 GS變換流程圖Fig 2. GS Transformation Flowchart

(4)PC融合方法：即主成分變換。該方法是將高光譜圖像經(jīng)過變換，得到各不相關(guān)的主成分

分量圖像，然后用直方圖匹配后的全色圖像替換第一主成分圖像，最后使用逆變換得到融合圖像，變換流程如圖3。

圖3 PC變換流程圖Fig 3. PC Transformation Flowchart

(5)NND融合方法：通過計算高光譜各波段的貢獻(xiàn)向量，而后計算高光譜和全色圖像的差異因子，最后運(yùn)用數(shù)學(xué)模型得到融合圖像。該算法光譜保留較完整，色彩不容易扭曲。

(6)CN融合方法：也稱“能量分離變換”，是彩色標(biāo)準(zhǔn)化銳化算法的延續(xù)，其實質(zhì)是將高光譜分辨率圖像各波段進(jìn)行歸一化處理，輸出融合影像[12]。

2.2 評價方法

融合后的圖像評價主要評價圖像空間分辨率和高光譜數(shù)據(jù)光譜信息保持程度。常用評價方式有主觀評價和客觀評價[13]，主觀評價是將融合后的影像和原始影像疊加，通過判讀影像紋理、邊界、細(xì)節(jié)等清晰度及色彩的保持程度來評估影像質(zhì)量，方法直觀簡單，但易受觀察者經(jīng)驗影響，不能有效的判斷其質(zhì)量的好壞；客觀評價是通過統(tǒng)計和計算不同評價指標(biāo)對融合影像光譜、信息量、噪聲等特性評價。該方法容易受到軟件兼容性影響，將上述方法結(jié)合評價更加全面和系統(tǒng)。

(1)均值是指影像像素的灰度平均值，反映圖像的平均亮度，融合后圖像均值與原始的高光譜圖像均值差值越小，目視效果越好。其表達(dá)式：

(2)平均梯度用來評價圖像清晰程度，反映圖像改善情況。平均梯度越大，圖像的清晰度越高，保留的信息越豐富。其表達(dá)式：

(3)信息熵是評價影像中含信息量多少建立的評價指標(biāo)。通過分析信息熵變化，判斷圖像信息量變化。對于影像，假設(shè)其各像素的灰度值彼此獨(dú)立，則該圖像灰度分布：p={pi，p2，p3，…，pn}其中，pi-圖像中灰度值i的像素個數(shù)與像素總數(shù)之比，L-圖像灰度級數(shù)，圖像信息熵表達(dá)式：

融合圖像熵越大，表明圖像包含的信息量越多，圖像信息越豐富，融合效果越好。

(4)相關(guān)系數(shù)：反映圖像間相似程度，值越大光譜信息保持越好，顏色變化越穩(wěn)定。表達(dá)式：

3 影像融合與結(jié)果分析

3.1 數(shù)據(jù)源

本文以高光譜數(shù)據(jù)珠海一號(OHS)及光學(xué)數(shù)據(jù)吉林一號(JL1)、高分二號(GF2)、高分六號(GF6)影像為數(shù)據(jù)源進(jìn)行融合實驗。其中，OHS是珠海一號衛(wèi)星星座第2組衛(wèi)星，于2018年4月26日發(fā)射，空間分辨率10m，光譜分辨率2.5nm，波譜范圍400nm～1000nm，波段數(shù)32個[14]。GF-2空間分辨率優(yōu)于1m；GF6是中國首顆精準(zhǔn)農(nóng)業(yè)觀測高分衛(wèi)星，分辨率2m，4個波段；JL1是中國規(guī)模最大的商業(yè)光學(xué)衛(wèi)星，分辨率0.5m，4個波段。實驗數(shù)據(jù)相關(guān)參數(shù)見表1。

表1 實驗數(shù)據(jù)參數(shù)表Tab1. Experimental Data Parameters

3.2 影像融合

本文試驗區(qū)選取寧夏銀川市靈武市臨河鎮(zhèn)和寧東鎮(zhèn)交界處，以鴨子蕩水庫和寧東鎮(zhèn)城區(qū)為中心，該區(qū)域地勢平坦，地物豐富，有林地、沙地、建設(shè)用地、水庫、道路等地物。

實驗數(shù)據(jù)均為1A級產(chǎn)品，為提高影像融合后精度，以ENVI圖像處理軟件為平臺，對實驗數(shù)據(jù)分別進(jìn)行輻射定標(biāo)、大氣校正及幾何精校正，為保證多種實驗數(shù)據(jù)精準(zhǔn)套合，裁切了7000m×7000m相同區(qū)域進(jìn)行融合實驗，裁切校正數(shù)據(jù)如圖4至圖7。為便于融合后圖像的質(zhì)量評價，融合過程中，珠海一號RGB值對應(yīng)選擇12，7，2，且函數(shù)采樣方法均采用三次卷積。

3.3 結(jié)果分析

(1)目視分析：分析融合結(jié)果，HSV和Brovey方法只能保留RGB三個波段，其余方法均保持高光譜32個波段，為便于目視分析，將原始高光譜和融合結(jié)果32個波段數(shù)據(jù)用12，7，2波段組合成RGB真彩色方式顯示，拉伸方式統(tǒng)一使用線性1%，并選取水域、建筑和道路在細(xì)節(jié)上對比分析，融合結(jié)果見圖8。

圖8 不同數(shù)據(jù)、融合方法的融合結(jié)果Fig 8. Fusion Results of Different Data and Fusion Methods

整體視覺上，相較融合前圖像，融合后圖像清晰度JL1>GF2>GF6(>表示優(yōu)于)，但光譜信息均有不同程度的損失。三種實驗數(shù)據(jù)HSV結(jié)果色彩偏黑灰、偏藍(lán)，與原始高光譜圖像相差較大，JL1的NND結(jié)果色彩整體偏暗，Brovey、GS、PC和CN結(jié)果色彩偏紅，GS從色層次、飽和度與原始圖像最接近。GF2和GF6的Brovey結(jié)果色彩偏灰白，GS和PC結(jié)果色彩相差不多，GF2的NND和CN局部區(qū)域曝光嚴(yán)重且色彩不均勻，說明光譜保真度較差，GF6的NND結(jié)果與原始高光譜圖像相近，GS和PC相比，GS效果最優(yōu)。

紋理細(xì)節(jié)上，JL1建筑區(qū)NND效果優(yōu)于GS和PC，與地物紋理表達(dá)較為相近，HSV和Brovey方法有暈色現(xiàn)象，CN方法部分區(qū)域像素丟失，導(dǎo)致地物紋理模糊，GF2和GF6的PC和GS效果較好；三種數(shù)據(jù)道路GS和PC效果較好，NND較暗，HSV光譜退化嚴(yán)重，效果最差。融合圖像紋理上都有不同程度失真，但較原始高光譜圖像，融合后紋理內(nèi)容更加豐富，空間細(xì)節(jié)清晰度也得到很大提高，原始影像上無法準(zhǔn)確識別的建筑、道路、水域等地物邊界融合后較之前更加清晰。

融合方法比較上，吉林一號融合結(jié)果GS>PC>NND>CN>Brovey>HSV；高分二號融合結(jié)果GS>PC>Brovey>HSV>CN>NND；高分六融合結(jié)果GS>PC>NND>Brovey>HSV>CN。數(shù)據(jù)源上比較，HSV結(jié)果JL1>GF2>GF6；Brovey結(jié)果JL1>GF2>GF6；GS結(jié)果GF6>GF2>JL1；PC結(jié)果GF6>GF2>JL1；NND結(jié)果GF6>JL1>GF2；CN結(jié)果JL1>GF6>GF2。

(2)指標(biāo)評價：通過計算不同數(shù)據(jù)源、不同融合方法融合結(jié)果波段平均值定量評價。包括亮度信息、清晰度、光譜信息和信息量。其中，HSV和Brovey只有3個波段，信息量、相關(guān)系數(shù)不做評估。不同數(shù)據(jù)、融合方法融合結(jié)果指標(biāo)值統(tǒng)計見表2。

表2 融合結(jié)果評價指標(biāo)值統(tǒng)計表Tab2. Statistics of Evaluation Indicators for Fusion Results

亮度信息：對比融合方法，表2中GS均值與原始高光譜圖像差值最小，其次PC變換，HSV和Brovey較差，HSV和Brovey融合只有3個波段，導(dǎo)致光譜變化較大。亮度指標(biāo)最好的是GS變換，PC次之，Brovey最差。對比數(shù)據(jù)源，JL1亮度信息優(yōu)于GF6，GF2效果較差，說明JL1融合后目視效果最佳。

清晰度：由表2，JL1和GF6的NND平均梯度值最大，其次GS和PC，且兩者平均梯度值相同，HSV居中，JL1的Brovey最小，GF6的CN最小，GF2的GS最大，PC次之，CN最小。說明JL1和GF6的NND融合方法、GF2的GS融合方法的融合結(jié)果紋理信息更突出，邊界更清晰，有利于線性地物邊界提取，JL1和GF6的GS和PC次之，清晰程度一樣，JL1的Brovey清晰度最差，GF6和GF2的CN清晰度最差。JL1數(shù)據(jù)只有CN融合后平均梯度高于高分?jǐn)?shù)據(jù)，NND、GS、PC、HSV及Brovey融合結(jié)果平均梯度值均低于GF2和GF6，其中，GF6平均梯度值最高，說明使用這幾種方法融合，融合結(jié)果受原數(shù)據(jù)空間分辨率影響較大，異源影像空間分辨率差距越大，融合結(jié)果清晰度越低，相反，異源影像空間分辨率相差越小，融合結(jié)果清晰度越高。

信息量：對比信息熵值，三種數(shù)據(jù)NND信息熵值最大，包含信息量較多，信息保持能力較強(qiáng)，JL1和GF6的PC信息熵值次之，GF2的GS值次之，JL1和GF6的GS和PC值相差不大，包含信息量差不多，GF2和GF6的CN信息熵值最小，且與原始數(shù)據(jù)信息熵值相差較大，說明GF2和GF6的CN融合結(jié)果信息損失較為嚴(yán)重，信息量保持能力較差，JL1的CN信息熵值最小，與PC、GS及原始數(shù)據(jù)相比，相差不大，與GF2和GF6相比，信息量保持能力較好。

光譜信息：由表2，幾種融合方法的GS相關(guān)系數(shù)最大，GF2、JL1的PC相關(guān)系數(shù)次之，GF6的NND高于PC，CN相關(guān)系數(shù)最小，說明CN光譜保持最差，GF6、JL1的GS光譜信息保持最好。

融合方法上比較，GS在亮度和光譜信息保持度上效果最好，NND在清晰度和信息量保持能力上較突出，PC方法次之，HSV和Brovey指標(biāo)較差；數(shù)據(jù)源上比較，JL1融合結(jié)果各項指標(biāo)值均高于GF2和GF6，且指標(biāo)值較穩(wěn)定，表現(xiàn)最優(yōu)。指標(biāo)分析得出的結(jié)論與目視分析結(jié)果基本一致，GS、PC、NND等方法能夠適用于珠海一號高光譜數(shù)據(jù)的融合。

4 結(jié) 論

本文利用幾種常見的融合方法對不同高分辨率影像進(jìn)行融合實驗，通過目視分析和指標(biāo)分析方法，對比不同方法融合結(jié)果。實驗結(jié)果：GS綜合效果最好，指標(biāo)值較穩(wěn)定，光譜保真能力強(qiáng)，可用于目視解譯、制圖、展示等適用于光譜保真度要求高的工作；PC和GS融合結(jié)果相差不大，但PC方法信息集中在第一主成分上，不利于高光譜數(shù)據(jù)光譜信息深入分析；NND清晰度和信息量保持較好，可應(yīng)用于專題信息提取。此外，高分系列全色圖像與高光譜圖像融合，全色圖像和高光譜圖像空間分辨率相差越小，融合圖像色彩和紋理表達(dá)與高光譜圖像越接近。高分?jǐn)?shù)據(jù)和吉林?jǐn)?shù)據(jù)相對比，吉林一號數(shù)據(jù)融合結(jié)果比高分?jǐn)?shù)據(jù)更穩(wěn)定，但其數(shù)據(jù)量較大，耗時較多。本文總結(jié)出針對不同目的可選取的融合方法，為珠海一號高光譜數(shù)據(jù)在后續(xù)的融合應(yīng)用方面提供參考。