周淑琴,張青峰,荊耀棟,吳發(fā)啟,畢如田
(1.西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院,陜西 楊凌712100;2.山西農(nóng)業(yè)大學(xué) 資源環(huán)境學(xué)院,山西 太谷030801)
遙感數(shù)據(jù)多傳感器、多分辨率和多時(shí)相的特點(diǎn),導(dǎo)致數(shù)據(jù)量龐大。而且隨著時(shí)間的推移和遙感技術(shù)的進(jìn)步,海量遙感數(shù)據(jù)大幅增加。遙感數(shù)據(jù)分為空間分辨率較高的全色波段和波譜分辨率較高的多光譜波段。為有效利用這兩類(lèi)遙感數(shù)據(jù),最大限度獲取目標(biāo)地物信息,影像融合技術(shù)在研究工作中大量研究和應(yīng)用。影像融合是指把來(lái)自不同傳感器或同一傳感器不同尺度的同一場(chǎng)景的兩幅或多幅影像,采用一定的算法生成一組新的信息或合成影像,以提高影像的清晰度和識(shí)別性,獲得單一影像所不能提供的特征信息[1,2]。影像融合從信息表征層次上可分為三個(gè)層次:像元級(jí)融合、特征級(jí)融合和決策級(jí)融合[3]。每一層次的融合各具特點(diǎn),基本步驟可以概括為空間配準(zhǔn)和影像融合兩步,而空間配準(zhǔn)是影像融合的前提和關(guān)鍵[4]。本文研究的影像自身融合是基于像元級(jí)的融合。
遙感影像的像元級(jí)融合中,對(duì)于不同傳感器不同尺度的影像融合技術(shù)研究較多,而對(duì)高分辨率的ET M+遙感影像自身融合方法研究的較少。不同傳感器間的遙感數(shù)據(jù)融合,圖像配準(zhǔn)是關(guān)鍵技術(shù)之一[5]。而ET M+ 遙感影像的自身融合技術(shù)保證了圖像配準(zhǔn)的精確度。因?yàn)镋T M+遙感影像自身融合是其高空間分辨率的全色波段和多光譜(低空間分辨率)波段間的數(shù)據(jù)融合。該全色波段和多光譜波段來(lái)自相同的傳感器,是在同一時(shí)間獲取的同一區(qū)域的數(shù)據(jù),太陽(yáng)高度角等一系列環(huán)境因素相同[6],二者可以跳過(guò)圖像的配準(zhǔn),直接進(jìn)行數(shù)據(jù)融合。為保留豐富的光譜數(shù)據(jù),又提高空間分辨率,以定邊縣的ET M+數(shù)據(jù)為研究對(duì)象,分析不同方法支持下的影像自身融合過(guò)程。通過(guò)評(píng)價(jià)數(shù)據(jù)融合的效果,結(jié)合當(dāng)?shù)氐牡匦蔚孛蔡卣?,探求提取沙地信息的最佳融合過(guò)程,為后期數(shù)據(jù)的處理提供有力的技術(shù)支撐。
美國(guó)1984年發(fā)射陸地衛(wèi)星Landsat-5,儀器艙裝有專(zhuān)題繪圖儀(T M)傳感器,有7個(gè)波段的感應(yīng)器,地面分辨率為30 m(第6波段為120 m)。Landsat-7衛(wèi)星于1999年發(fā)射,傳感器改型成增強(qiáng)型專(zhuān)題繪圖儀(ET M+),有8個(gè)波段的感應(yīng)器,第6個(gè)波段的地面分辨率提高為60 m,增加的第8波段是地面分辨率為15 m的全色波段[7,8]。選取的數(shù)據(jù)源為1999年9月22日的Landsat-7/ET M+影像,軌道號(hào)為128/034。
定邊縣地處陜西省西北角、榆林市最西端,是黃土高原與內(nèi)蒙古鄂爾多斯荒漠草原的過(guò)渡地帶??h境中部白于山橫亙東西,輻射南北,將全縣分為兩大地貌類(lèi)型:南部為白于山區(qū)丘陵溝壑區(qū),占總面積的52.78%;北部為毛烏素沙漠南緣風(fēng)沙灘區(qū),占總面積的47.22%。境內(nèi)水域較多,北部風(fēng)沙區(qū)有多個(gè)海子,沿縣界由西向東分布,南部多條河流均發(fā)源于白于山區(qū)。定邊縣屬溫帶半干旱大陸性季風(fēng)氣候,春季多風(fēng)、夏季干旱、秋季陰雨、冬季嚴(yán)寒,日照充足。定邊縣處于生態(tài)環(huán)境脆弱的農(nóng)牧交錯(cuò)帶,沙地的發(fā)展變化嚴(yán)重影響該地區(qū)人民的生產(chǎn)和生活。
ET M+遙感影像自身融合是指將高分辨率的第8波段和其它7個(gè)光譜波段間的數(shù)據(jù)融合。光譜波段中T M6的地面分辨率為60 m,分辨率遠(yuǎn)低于其他波段的30 m,且該波段的信息主要反映熱輻射的信息,沙地信息提取過(guò)程和后期數(shù)據(jù)處理中,不涉及熱輻射的內(nèi)容,同時(shí)標(biāo)準(zhǔn)差和亮度范圍太低,在后期的波段選擇中,可以不考慮該波段的信息[9]。所以在數(shù)據(jù)融合時(shí)考慮T M6以外的多光譜波段和T M8波段的數(shù)據(jù)融合。像元級(jí)數(shù)據(jù)融合數(shù)據(jù)量較大,而數(shù)據(jù)融合前進(jìn)行波段的選取,可釋放計(jì)算機(jī)的存儲(chǔ)空間,提高計(jì)算機(jī)的存儲(chǔ)能力和運(yùn)算能力。在減少需要存儲(chǔ)數(shù)據(jù)量的同時(shí),提高了后期數(shù)據(jù)融合處理的速度和效率。
研究區(qū)域沙地信息提取過(guò)程中,沙地紋理特征是重要影響因素之一。而遙感影像空間分辨率大小的不同,直接導(dǎo)致沙地紋理細(xì)膩程度的不同。為提高影像的空間分辨率,凸顯沙地信息,利用3種不同的數(shù)據(jù)融合方法對(duì)數(shù)據(jù)進(jìn)行處理。利用ERDAS I MAGINE進(jìn)行空間分辨率融合時(shí),利用軟件提供的主成分變化融合(Principle component)、乘積變換融合(Multiplicative)和比值變換融合(Br ovey Transfor m)作為備選的融合方法。最后根據(jù)融合效果評(píng)價(jià)和沙地信息提取的優(yōu)劣,選擇最佳的數(shù)據(jù)融合方法。
3.2.1 主成分變換融合
主成分變換(PCA)是應(yīng)用較廣的算法[2,4,10,11],是建立在圖像統(tǒng)計(jì)特征基礎(chǔ)上的多維線(xiàn)性變換,是在舍棄相關(guān)性較差的次要成分后,進(jìn)行反變換恢復(fù)出圖像,是對(duì)原圖像統(tǒng)計(jì)意義的最佳逼近[4]。所以在得到的主成分空間中,第一主成分通常主要包含各波段共有的信息,而各波段特有的信息被分配到其它主成分中。因此第一主成分體現(xiàn)光譜的主要特征。主成分變換(PCA)又叫K-L(Kar hunen-Loeve)變換,首先對(duì)輸入的多波段數(shù)據(jù)進(jìn)行主成分變換,然后以高空間分辨率遙感數(shù)據(jù)替代變換以后的第一主成分,最后再進(jìn)行主成分逆變換,生成具有高空間分辨率的多波段融合圖像[12]。數(shù)據(jù)的融合過(guò)程如圖1。
圖1 主成分變換融合過(guò)程Fig.1 Image fusion flowchart based on PCA
3.2.2 乘積變換融合
乘積變換是應(yīng)用最基本的乘積組合算法,直接對(duì)兩種空間分辨率的遙感數(shù)據(jù)進(jìn)行融合,運(yùn)算公式為Bi_new=Bi_m×B_h(yuǎn)。式中Bi_new代表融合以后的波段數(shù)值(i=1,2,3,…,n),Bi_m 表示多波段影像中的任意一個(gè)波段數(shù)值,B_h(yuǎn)代表高分辨率遙感數(shù)據(jù)。Crippen研究表明:將一定亮度的影像進(jìn)行變換處理時(shí),只有乘法變換可以使其色彩保持不變。
3.2.3 比值變換融合
Brovery變換是較為簡(jiǎn)單的融合方法,應(yīng)用的是乘積組合算法,將多光譜波段顏色(紅、綠、藍(lán))歸一化,將高分辨率影像與多光譜各波段相乘完成融合,可采用下面的公式進(jìn)行計(jì)算。
Bnew=(B/(R+G+B))×Bh,其中Rnew、Gnew、Bnew分別代表融合后的紅、綠、藍(lán)波段,R、G、B代表融合前的紅、綠、藍(lán)波段,Bh代表高分辨率數(shù)據(jù)。
比值變換融合只用到多光譜數(shù)據(jù)中的3個(gè)波段,選用最佳波段組合7、4、3分別作為原始數(shù)據(jù)的紅、綠、藍(lán)波段數(shù)據(jù)值[9]。根據(jù)比值變換融合公式得出:
B=B3/A×B8,其中 A為B7+B4+B3,R、G、B代表融合后的紅、綠、藍(lán)波段,B8為ET M+數(shù)據(jù)中的第8波段,即高分辨率的全色波段。
數(shù)據(jù)融合效果評(píng)價(jià)是對(duì)前期數(shù)據(jù)融合過(guò)程的分析與總結(jié),分為主觀(guān)評(píng)價(jià)和客觀(guān)評(píng)價(jià)。主觀(guān)評(píng)價(jià)主要是進(jìn)行目視判讀,從色彩和空間分辨率兩個(gè)方面來(lái)定性評(píng)價(jià)。主體對(duì)色彩與紋理細(xì)節(jié)的敏感度不同,則評(píng)價(jià)不同,所以評(píng)價(jià)不夠準(zhǔn)確客觀(guān)??陀^(guān)評(píng)價(jià)利用一些指標(biāo)來(lái)定量評(píng)價(jià),通過(guò)對(duì)像元灰度值的計(jì)算,套用公式得出準(zhǔn)確的數(shù)值,科學(xué)性和客觀(guān)性更強(qiáng)。
3.3.1 主觀(guān)評(píng)價(jià)
該區(qū)波段優(yōu)化組合研究中,選用波段7、4、3作為最佳組合[9],數(shù)據(jù)融合后,仍沿用該組合。將3種不同融合方法形成的數(shù)據(jù),選擇波段7、4、3分別賦予紅、綠、藍(lán)3顏色,形成接近于真彩色的彩色影像。對(duì)于原數(shù)據(jù)及不同方法融合后的數(shù)據(jù),截取部分典型區(qū)域,將其轉(zhuǎn)為灰度圖(見(jiàn)圖2),其中3/5為沙地,顏色為白色調(diào);左側(cè)為從縣城延伸的一部分道路,道路兩側(cè)為建筑物,色調(diào)為深灰色及黑色,上部右側(cè)為城外的一些林地和耕地,色調(diào)為淺灰色。
圖2 原數(shù)據(jù)與融合數(shù)據(jù)Fig.2 Primary image and fusion images
從整體色調(diào)來(lái)看,比值法融合的結(jié)果與原始數(shù)據(jù)最接近,PCA變換融合次之,乘積法融合效果最差,整體色調(diào)變淺,亮度值增大。地物中沙地信息的變化差異也較大。比值法中沙地色調(diào)與原始數(shù)據(jù)最接近,白色調(diào)中普遍帶有粉色,而且明顯區(qū)別于其它地物。PCA中的沙地也明顯區(qū)別于其它地物,但是色彩有明顯變化,原始數(shù)據(jù)中為白色調(diào),變換后為淡粉色,紋理的邊緣部分為白色調(diào)。乘積法中的沙地色調(diào)較原數(shù)據(jù)亮,白色調(diào)中的雜色少,容易區(qū)分,但是與研究區(qū)域南部的丘陵溝壑區(qū)有同譜異物的現(xiàn)象,而且數(shù)量較大。林地、草地、耕地、水體和建筑用地方面,PCA變換最優(yōu),比值法稍微差些,乘積法最差。
不同方法支持的數(shù)據(jù)融合,空間分辨率均得到明顯提高,地物紋理和邊界清晰。PCA變換融合的效果最好,各種地物的紋理細(xì)膩,內(nèi)部結(jié)構(gòu)都比原數(shù)據(jù)有很大提高,尤其是沙地的紋理,其間的植被也可識(shí)別。比值法融合的結(jié)果略差,但沙地信息的細(xì)膩程度不輸于PCA變換,只是建筑用地的內(nèi)部結(jié)構(gòu)明顯要差些。乘積法中,沙地信息的紋理結(jié)構(gòu)略有提高,但效果是3種方法中最差的,其它地物也是如此。
通過(guò)比較色彩和空間分辨率可以得出,PCA和比值法變換改善了圖像的紋理細(xì)節(jié),但有一定的光譜失真,PCA變換的失真程度大于比值法。乘積法的光譜退化和失真最小,但是圖像的紋理細(xì)節(jié)遠(yuǎn)比其它兩種方法要差??偟膩?lái)說(shuō),對(duì)于沙地信息提取,比值法比PCA變換的效果好。
3.3.2 客觀(guān)評(píng)價(jià)
目視判斷屬主觀(guān)定性評(píng)價(jià),對(duì)影像數(shù)據(jù)的客觀(guān)評(píng)價(jià),利用數(shù)理統(tǒng)計(jì)方法,選擇極差、均值、方差、模式和平均梯度作為評(píng)價(jià)指標(biāo)。
(1)極差
極差是圖像中所有像元灰度值中最大值與最小值之差,刻畫(huà)光譜數(shù)據(jù)波動(dòng)情況的統(tǒng)計(jì)量。
(2)均值
均值是所有像元灰度值平均水平的統(tǒng)計(jì)量,近似反映圖像灰度值的分布情況,是圖像中地物的平均反射強(qiáng)度,均值適中,視覺(jué)效果良好。公式如下:
其中M和N 為像元的行列數(shù),f(i,j)為第i行j列的像元灰度值,f為像元灰度值的平均值。
(3)中值
像元的灰度值排序后,中間位的灰度值為中值。如果灰度值的個(gè)數(shù)是奇數(shù),則中間那個(gè)數(shù)據(jù)就是影像灰度值的中值;如果數(shù)據(jù)的個(gè)數(shù)是偶數(shù),則中間兩個(gè)數(shù)據(jù)的算術(shù)平均值就是其中值。
(4)模式
模式是像元的某灰度值在所有像元中出現(xiàn)次數(shù)最多的灰度值。
(5)方差
方差常被用作衡量影像信息量的關(guān)鍵指標(biāo),是各個(gè)像元的灰度值與整體像元平均數(shù)之差的平方的平均數(shù),反映各像元灰度值與圖像平均值的總的離散程度。方差的值越大,融合后圖像的動(dòng)態(tài)范圍越大,影像的分解力越大。
其中,M 和N 為像元的行列數(shù),f(i,j)為第i行j列的像元灰度值,f為所有像元灰度值的平均值,S2為方差。
(6)熵
它是衡量信息量豐富程度的一個(gè)重要指標(biāo),影像的熵值越大就表明圖像所含信息量越多,細(xì)節(jié)越豐富,效果越好。其數(shù)學(xué)表達(dá)式:
其中L表示灰度級(jí)的個(gè)數(shù),pi指灰度值為i的像元個(gè)數(shù)和圖像中像元總數(shù)的比值。
表1 3種不同融合方法的定量分析和比較Table 1 comparisons and quantity analyses of three different fusion methods
從表1看出,融合前后不同影像灰度值的均值、中值和模式近似相等,說(shuō)明灰度值的分布符合正態(tài)分布,影像的質(zhì)量都比較高。融合后各數(shù)據(jù)中像元灰度值的極差和原數(shù)據(jù)有些許提高,但主成分和乘積變換變化微小,比值變換的極差增加15個(gè)單位,4張影像中,像元灰度值的波動(dòng)情況相差無(wú)幾。而像元灰度值的均值變化很大。原始數(shù)據(jù)均值為95,主成分變換和乘積變換均減小為63和31,減小幅度較大;比值變換則增大為110,接近最易于目視判讀的灰度值。但是均值受極大值和極小值的影響很大,反映灰度值的客觀(guān)分布情況要比方差弱。從表1看出,方差數(shù)值的變化類(lèi)似于均值得變化,主成分變換和乘積變換均減小為49和64,減小幅度很大;比值變換則增大為625,增加幅度極大。說(shuō)明比值變換后灰度值的離散程度大幅提高,數(shù)據(jù)動(dòng)態(tài)范圍擴(kuò)大,影像的分解力增強(qiáng)。而從熵值的大小可以反映出影像細(xì)節(jié)的豐富程度。所以總的來(lái)說(shuō),比值變換融合的效果遠(yuǎn)優(yōu)于其它兩種方法。這和主觀(guān)目視評(píng)價(jià)的結(jié)果是一致的。
(1)Landsat-7衛(wèi)星遙感影像ET M+數(shù)據(jù)的自身融合,在數(shù)據(jù)準(zhǔn)備階段省去了空間配準(zhǔn)這一關(guān)鍵步驟,但能高精度融合,同時(shí)避免了配準(zhǔn)精確度不夠帶來(lái)的問(wèn)題。
(2)通過(guò)分析比較得出,ET M+數(shù)據(jù)的比值變換融合適合于沙地信息提取,融合效果是3種空間分辨率融合中最好的;PCA變換融合的效果次之,如果不是進(jìn)行沙地信息提取,其目視解譯的效果也不錯(cuò);乘積變化融合的效果最差。
(3)數(shù)據(jù)融合方法不同,最終的數(shù)據(jù)波段也有很大區(qū)別。比值變換融合只用到多光譜數(shù)據(jù)中的3個(gè)波段,分別作為紅、綠、藍(lán)波段的數(shù)值,運(yùn)算后得到3個(gè)波段的數(shù)據(jù)。而PCA變換和乘積變換之后波段數(shù)未變,可以進(jìn)行波段的綜合運(yùn)算,而比值變換由原來(lái)的6個(gè)波段減少為3個(gè)波段,不能進(jìn)行波段的綜合運(yùn)算。
(4)利用主觀(guān)目視和客觀(guān)數(shù)理統(tǒng)計(jì)指標(biāo),對(duì)融合結(jié)果進(jìn)行評(píng)價(jià),結(jié)論基本吻合。但是數(shù)據(jù)融合的最終目的是提高分類(lèi)精度,所以應(yīng)該用分類(lèi)結(jié)果進(jìn)行再次檢測(cè),用分類(lèi)精度進(jìn)行更準(zhǔn)確的評(píng)價(jià)。數(shù)據(jù)融合的研究區(qū)域是定邊縣,更大區(qū)域的范圍理論上也適用,但需要進(jìn)一步的實(shí)驗(yàn)與驗(yàn)證。
[1]朱龍,張占睦.遙感影像獲取與分析[M].北京:科學(xué)出版社,2000:136-137.
[2]貟培東,曾永年,歷華.多尺度遙感影像融合技術(shù)及其算法研究進(jìn)展[J].遙感信息,2006(6):67-71.
[3]Pohl C,Genderen J LV.Multisensor i mage f usion in remote sensing:Concepts,methods and applications[J].International Journal of Remote Sensing,1998,19(5):823-854.
[4]楊麗萍,陳發(fā)虎,頡耀文.國(guó)內(nèi)多源遙感影像信息融合技術(shù)的新進(jìn)展[J].遙感技術(shù)與應(yīng)用,2007,22(1):116-122.
[5]姜蕓,臧淑英,王軍.多源遙感影像數(shù)據(jù)融合技術(shù)研究[J].測(cè)繪與空間地理信息,2009,32(2):46-50.
[6]許榕峰,徐涵秋.ET M+全色波段及其多光譜波段圖像的融合應(yīng)用[J].地球信息科學(xué),2004,6(1):99-103.
[7]梅安新,彭望祿,秦其明,等.遙感導(dǎo)輪[M].北京:高等教育出版社,2001:50-53.
[8]孫家抦,舒寧,關(guān)澤群.遙感原理、方法和應(yīng)用[M].北京:測(cè)繪科學(xué)出版社,1997:40-48.
[9]荊耀棟,周淑琴,吳發(fā)啟.LANDSAT數(shù)據(jù)在沙地動(dòng)態(tài)監(jiān)測(cè)中提取沙地信息的最佳波段組合研究[J].中國(guó)農(nóng)學(xué)通報(bào),2011,17(7):147-150.
[10]王文杰,唐娉,朱重光.一種基于小波變換的圖像融合算法[J].中國(guó)圖像圖形學(xué)報(bào),2001(11):1130-1136.
[11]翁永玲,田慶久,惠鳳鳴.IKONOS高分辨率遙感影像自身融合效果分析[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2004,34(2):274-277.
[12]黨安榮,賈海峰,陳曉峰.ERDAS I MAGINE遙感圖像處理教程[M].北京:清華大學(xué)出版社,2010:111-112.