EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 6: 949 - 957

DOI: https://doi.org/10.3724/SP.J.1047.2014.00949

Orginal Article

A Research on Fusion Method for ZY-3 Satellite Data Based on NSCT and GS Transform

  • QIN Shanshan , 1, 2 ,
  • WANG Shixin , 1, * ,
  • ZHOU Yi 1 ,
  • WANG Futao 1, 3 ,
  • LIU Wenliang 1
Expand
  • 1. Institute of Remote Sensing and Digital Earth, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100149, China
  • 3. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin University of Technology, Guilin 541000, China
*Corresponding author: WANG Shixin, E-mail:

Received date: 2013-11-18

  Request revised date: 2014-03-28

  Online published: 2014-11-01

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

ZY-3 satellite data, which is a new type of remote sensing imagery, has not yet owned a specific images fusion method. This paper proposed a new fusion algorithm based on the nonsubsampled Contourlet transform and Gram-Schmidt (GS) transform according to the characteristics of CBERS-03 data. Firstly, the linear regression method was used to generate the low-resolution panchromatic image with respect to the low-frequency pixels. Then, the nonsubsampled Contourlet transform was applied respectively on the high-resolution panchromatic image, the low-resolution panchromatic image, and the image generated from their differences, to generate high frequency and low frequency coefficients. With these coefficients, a new panchromatic image was produced by using adaptive fusion strategies. At last, the fused image was obtained through GS orthogonal transformation, by replacing the first component of GS positive transformation with the low-resolution panchromatic image, and replacing the first component of GS inverse transformation with the newly generated panchromatic image. Compared with the traditional image fusion methods, which always have defects of spectral distortion, the proposed method had obvious advantages in terms of spectral fidelity, spatial resolution and classification accuracy. In conclusion, the proposed method is appropriate for images fusion on the ZY-3 multispectral and high resolution data.

Key words： ZY-3 satellite; nonsubsampled Contourlet transform; Gram-Schmidt transform; SVM; low resolution panchromatic image; fusion evaluation

Cite this article

QIN Shanshan , WANG Shixin , ZHOU Yi , WANG Futao , LIU Wenliang . A Research on Fusion Method for ZY-3 Satellite Data Based on NSCT and GS Transform[J]. Journal of Geo-information Science, 2014 , 16(6) : 949 -957 . DOI: 10.3724/SP.J.1047.2014.00949

1 引言

资源三号卫星的多光谱影像有4个波段,波谱范围分别为0.45~0.52 µm、0.52~0.59 µm、0.63~ 0.69 µm、0.77~0.89 µm,全色影像的波谱范围为0.5~ 0.8 µm。全色影像与多光谱影像各有特点,图像融合将它们各自的优势整合,改善了目标识别的图像环境,增加解译的可靠性[1]。但以往传统方法[2]对于高分辨率资源三号卫星影像的融合效果欠佳,存在显著的光谱变形[3],影响遥感影像的应用。目前,基于小波变换的图像融合算法成为研究的主流[4],融合效果明显优于传统的融合算法。但小波变换只能检测有限方向的边缘信息,不能充分表现图像本身的特性,变换后图像信息缺失较大,容易产生假边缘和光谱扭曲等现象[5],影响资源三号卫星数据的应用。
Gram-Schmidt(GS)变换不受波段限制,较好地保持空间纹理信息,具有光谱信息高保真度的优势,但空间分辨率较低,远不及IHS与PCA的融合影像。非下采样Contourlet变换是一种多尺度、多分辨率、多方向的图像分解工具,可克服小波变换在高维信号处理中的缺陷,使用少量稀疏系数能有效地表示图像的平滑轮廓[6]。具有平移不变性及有良好的空域、频域局部特性,使图像在同一尺度变换下的高频分量表现了多个方向的细节信息,能够更好地表现图像的细节特征[7],较好地消除了利用小波变换中出现的频谱泄露及频谱混叠等缺陷。
为了弥补GS变换在融合影像空间细节方面的局限,同时基于NSCT变换的优势,本文选用GS与NSCT变换相结合的融合方法,在对光谱信息高保真的基础上,最大可能地增加影像的空间细节信息。

2 基于NSCT与GS变换的图像融合方法

将海南省白沙黎族自治县部分区域作为研究区,研究区的面积为39.7 km2,影像的大小为3000×3000个像元,研究区中包含居民区、植被、水体、道路等地物。本文选用2012年3月获取的资源三号卫星影像作为实验数据,多光谱影像空间分辨率为5.8 m,全色影像空间分辨率为2.1 m。图像融合前应对2幅图像进行几何纠正、配准等预处理操作。并选用DEM数据辅助进行正射校正、几何精校正、图像精确配准,只有将2幅图像进行精确配准,才可能得到满意的融合结果。

2.1 非下采样Contourlet变换

非下采样Contourlet变换(NSCT)是一种多尺度、多分辨率、多方向的图像分解工具,包括具有多尺度性质的非下采样塔形分解结构和多方向分解性质的非下采样方向滤波器组结构2部分[8]。
非下采样金字塔分解是利用àtrous小波变换[9]通过分离方式实现的,分离低频信号,输出一个带通图像。利用Z变换的等效位移性质,对于下一级分解,先对滤波器H作下二采样,再以迭代的方式对上一级分解的低频分量以相同的方式分解,构成一个树型结构以达到多尺度分解的目的。
非下采样方向滤波器组将频谱分解成不同方向的楔形区域,只对滤波器进行上采样。通过双通道滤波器级联而成,第一级滤波器采用互补扇形滤波器,而后两滤波器组通过线性变换得到。非下采样方向滤波器组的基本单元是双通道非下采样扇形滤波器,通过迭代N级双通道扇形滤波器可得到2n个方向的非下采样方向滤波器组。
NSCT具有的平移不变性,各个子带图像之间具有相同尺度大小相等的特性,消除了频谱混淆和光谱扭曲的现象。

2.2 基于Gram-Schmidt变换的图像融合

Gram-Schmidt方法是对多维影像进行正交变换,消除波段之间的相关性。变换后各分量分别正交,所包含的信息量相近,改进了PCA中信息过分集中的问题,且不受波段数的限制。Gram-Schmidt法能保持融合前后影像波谱信息的一致性,是一种高保真的遥感影像融合方法。
传统的Gram-Schmidt融合方法是将多光谱图像采用简单平均的方法拟合低空间分辨率全色影像,作为第一分量,参与生成其余正交分量。将高空间分辨率全色影像取代第一分量,进行Gram-Schmidt逆变换,得到同时具有高光谱分辨率和高空间分辨率的融合影像。

2.3 NSCT与GS变换相结合的图像融合

GS的融合影像的光谱保真度较高,但空间分辨率较低,远不及IHS与PCA的融合影像[10]。本文选择GS与非下采样Contourlet变换算法相结合的方法,增强空间信息。
全色传感器与多光谱传感器的感光波长范围有很大部分的重叠,理论上全色波段的辐射能量就是对应多光谱波段辐射能量之和,但考虑到传感器的光谱响应特性,全色波段的辐射值可以由对应波段的多光谱波段的辐射值进行估算。在一些融合算法中,假设低分辨率全色影像与多光谱图像存在多元一次线性回归关系[11],即
Pan = ω 1 B + ω 2 G + ω 3 R + ω 4 NIR + a (1)
式(1)中,Pan、B、G、R、NIR分别代表全色、蓝色、绿色、红色、近红外波段的辐射值;a代表常数。全色波段覆盖范围与多光谱波段不完全重合,所以存在常数a。
为弥补传统的GS变换中低分辨率全色影像由多光谱影像简单平均得到的不足,本文考虑多全色图像与多光谱图像光谱响应函数关系,建立低分辨率全色影像与多光谱影像之间的关系式。
由于不同分辨率的全色影像低频信息一致,高频信息(边缘、噪声等)存在较大差别[12]。因此高空间分辨率全色影像(HPan)低频部分像元灰度值可由与对应位置多光谱影像像元灰度值进行线性回归拟合,得到低空间分辨率的全色影像(LPan)。
本文采用SVM监督学习算法来自动分离高、低频信息像元。支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。SVM在解决问题时与样本维数无关,很适合分类问题。
在低频像元中,随机选取若干点进行低分辨率全色影像拟合。为了进行拟合的低频像元能够均匀分布在影像中,采用Bucket技术选点[13],从而保证图像中各区域都具有较好的拟合效果。
建立多光谱图像与低分辨率全色影像之间的回归方程,采用线性回归法求解拟合系数,进而拟合低分辨率全色影像。低分辨率全色影像作为GS变换的第1分量,进行正交变换,得到其它正交分量。第n分量的计算公式为：
G S n i , j = D n i , j - E n - ∑ i = 1 n - 1 ∅ D n ， G S i × G S i i , j (2)
式(2)中, G S n 表示为GS变换分量; D n 为多光谱第n波段DN值; E n 为多光谱波段平均值; ∅ 为 D n 与 G S i 的协方差。
全色影像与低空间分辨率的全色影像的差值为空间细节信息,为提高融合影像的空间分辨率,细节信息的注入方式应进行调整,本文通过NSCT变换将更多的细节信息保留到融合影像中。
ω = HPan - LPan (3)
式(3)中, ω 代表细节信息;Hpan、LPan分别代表高、低空间分辨率全色影像。
将富含光谱信息的低空间分辨率全色影像、富含空间信息的细节影像( ω )及高空间分辨率全色影像分别进行NSCT分解,得到高低频系数 { L i ， H i , k } ,其中, L i 代表分解第i层的低频系数; H i , k 代表第i层k方向的高频系数。低频分量包含了主要能量,决定影像轮廓。高频分量反映图像的细节信息,较大模值的高频子带变换系数对应明显的影像特征。对于高低频系数采用不同的融合规则,将LPan与HPan由NSCT变换得到的低频系数采用区域能量加权的方法融合,将HPan与 ω 由NSCT变换得到的高频系数采用梯度优先原则进行融合[14]。
对于LPan的低频系数与HPan的低频系数,分别计算每个像元对应3×3大小窗口的能量值,依据局部能量的大小来优先决定两幅图像低频系数所占比例值。具体的计算方法为：
L F n , i = ω A n , i × L A n , i + ω B n , i × L B n , j (4)
式(4)中, L F n , i 、 L A n , i 、 L B n , i 分别代表第n个子块的低频融合系数、图像A的低频系数、图像B的低频系数; ω A n , i 、 ω B n , i 分别代表相应子块融合的权值系数。
ω A n , i = E L A n , i E L A n , i + E L B n , i ω B n , i = E L B n , i E L A n , i + E L B n , i (5)
式(5)中, E L X n , i 代表图像X第n子块的能量。
对于HPan的高频系数和 ω 的高频系数,先对某一级某个方向进行分块,而后根据子块的平均梯度特征显著性决定该子块的权值。为突出影像的局部对比度,充分考虑中心像元与周围像元的相关性。根据高频分量的局部特征改变相应局部的权值,自适应确定权值[15]。
H i , k ( x , y ) = H i , k A x , y ， G A ( x , y ) ≥ G B ( x , y ) H i , k B x , y ， G A ( x , y ) < G B ( x , y ) (6)
式(6)中, G X ( x , y ) 表现3×3窗口中高频系数与其领域系数8个方向的平均梯度变化值。
G x , y = 1 8 ∑ m = - 1 1 ∑ n = - 1 1 H i , k x , y - H i , k ( x + m , y + n ) (7)
将融合后的高低频系数进行NSCT重构,得到全新的全色影像。将包含丰富的纹理信息的高频系数与具有丰富的光谱信息的低频系数最优化处理,最大程度保留有用信息,去除噪声影响,从光谱保真度和高频信息融入度两方面同时实现信息最优化配置。
由低空间分辨率全色影像取代GS正交换的第一分量,同时,具有丰富细节信息与光谱信息的高空间分辨率全色影像取代GS反变换第一分量,参与GS正交变换,得到融合影像。
非下采样Contourlet变换与Gram-Schmidt变换相结合的图像融合算法流程如图1所示。
Fig. 1 Algorithm flow chart

图1 算法流程图

3 资源三号卫星数据融合与评价分析

3.1 模拟低分辨率全色影像

为获得真实的低空间分辨率全色影像,须精确分离高低频信息像元。首先,对多光谱影像重采样到与全色影像相同的像元大小,再然后对全色影像进行Laplacian高通滤波,选取7×7的核窗口,最大限度地提取各方向的高频信息。根据高通滤波原理及SVM训练样本具有代表性、均匀分布的原则,将经过高通滤波的影像均匀分为20×20个区域,每个区域统计该区域的最大值、最小值,即对应该区域的高、低信息像元。多光谱4个波段与高通滤波结果对应位置上灰度值构成训练样本 [ M S 1 , M S 2 , M S 3 , M S 4 , Pan ] ,分类类别Group用-1和+1分别代表高频、低频,属性值如式(8)所示。其中, M S i , j 表示i位置的像元对应多光谱影像j波段的灰度值; MS 、 M S ′ 分别对应高、低频像元样本的灰度值。将得到的800个属性值作为训练样本,进行SVM训练。
tr ainData = M S 11 M S 11 ' ⋮ M S ( m*n ) 1 M S ( m*n ) 1 ' M S 12 M S 12 ' ⋮ M S ( m*n ) 2 M S ( m*n ) 2 ' M S 13 M S 13 ' ⋮ M S ( m*n ) 3 M S ( m*n ) 3 ' M S 14 M S 14 ' ⋮ M S ( m*n ) 4 M S ( m*n ) 4 ' Pa n 1 Pa n 1 ' ⋮ Pa n ( m*n ) Pa n ( m*n ) ' , Group = - 1 + 1 ⋮ - 1 + 1 (8)
通过支持向量机训练得到的分离高低频像元的最优分类器参数,即核函数的最优核参数及惩罚函数。将影像中所有像元按照trainData的格式 M S 1 ， M S 2 ， M S 3 ， M S 4 ， Pan ,形成分类样本,进行SVM分类。得到类别值为-1的为高频像元,类别值为+1的对应低频像元。
在由SVM分类得到的低频像元中,均匀地选取10 000个像元点观测数据进行拟合低分辨率全色影像,以保证每个低频像元都有同等的机会被选中。将高低频信息结果图均匀地分为100 × 100个矩阵,计算每个矩阵中低频像元的个数及总低频像元数的频率累积和。随机产生10 000个0-1之间的随机数,统计随机数出现在每个矩阵对应频数范围内的次数,从而决定从每个矩阵中选取低频像元的个数。从每个像元选取低频像元,利用1-100之间二维随机数,确定选中点的行列号。
全色传感器的光谱范围的改变会引起影像光谱畸变,在拟合低分辨率全色影像时,应将全色波段与其光谱范围覆盖下的多光谱波段近似拟合。资源三号卫星全色传感器的波谱范围是0.5~0.8 µm,4个多光谱波谱范围为：0.45~0.52 µm、0.52~0.59 µm、0.63~0.69 µm、0.77~0.89 µm,其全色波段覆盖多光谱的B、G、R、NIR 4个波段,将这4个波段的多光谱数据进行线性拟合低分辨率全色影像,求解出构造低分辨率全色影像的加权系数为[-0.001,1.183,0.63,0.475],其线性拟合的相关系数为0.94,说明拟合程度较高。
将多光谱4个波段乘以加权系数,拟合低分辨率全色影像(图2)。与高分辨率全色影像相比,低空间分辨率影像的细节信息较差,但光谱信息与全色影像相接近,各主要地物的灰度基本一致,从而验证了此方法获得低空间分辨率全色影像的可行性。
Fig. 2 Low-resolution panchromatic image

图2 低分辨全色影像

3.2 非下采样Contourlet分解与重构

将HPan、LPan、HPan与LPan的差值 ω 分别进行非下采样Contourlet分解,非下采样塔形滤波器组选用最平滤波器,方向滤波器组选用7个方向的方形最平滤波器。本文中的NSCT变换有4层,每层变换的方向数目分别为8、4、2、1。将LPan与HPan每层的低频系数依据式(5)求融合权值系数,获得融合后的低频系数。将 ω 与HPan每层的高频系数依据式(7)求平均梯度值,由局部特征自适应确定权值,得到每一级每个方向融合后的高频系数。将新的高、低系数作为参数,进行NSCT重组,得到同时具备光谱信息与细节信息的新全色影像Npan(图3)。与原始的全色影像比较,新全色影像上各地物的光谱信息相似,影像更加清晰,包含更多的细节信息。
Fig. 3 New high-resolution panchromatic image

图3 新高空间分辨率全色影像

低分辨率全色影像与新的高分辨率全色影像局部放大对比如图4所示。新的全色影像的纹理明显比低分辨率全色影像清晰,部分地物的光谱信息也较丰富。通过NSCT的分解与重构,更多保留了多光谱影像的光谱信息、全色影像的细节信息,为融合处理提供了高质量的全色影像。
Fig. 4 Comparison of a partial view of LowPan and NewPan Images

图4 低分辨率全色影像与新高分辨率全色影像局部对比图

3.3 改进的Gram-Schmidt变换

借助ENVI的Gram-Schmidt Spectral Sharpening融合工具,将原始多光谱数据MS、低空间分辨率全色影像LPan、NSCT变换得到的新全色影像NPan作为数据源进行GS变换。LPan作为第一分量,与MS各波段运算得到其他正交分量,即GS正变换。将NPan替代第一分量LPan,进行GS反变换,得到融合影像(图5)。实现多光谱影像与全色影像在光谱信息及空间信息上的互补。
Fig. 5 Fused images with NSCT_GS

图5 NSCT_GS融合影像

3.4 融合结果评价

为了评价本文的融合方法、Gram-Schmidt方法(GS)、快速IHS方法(QIHS)、主成分方法(PCA),改进的融合算法、小波结合IHS方法(WAIHS)[16],以及基于低空间分辨率全色影像的Gram-Schmidt方法(LP)的融合结果,将6种融合影像的部分区域与多光谱影像从光谱保真度及细节信息的融入度两方面[17]进行定性与定量的比较,结果如图6所示。
Fig. 6 Fused images with different methods

图6 不同融合算法得到的融合影像

(1)定性分析
从图可清晰地看出,在图6(a)方框圈出的植被区域中,GS变换、快速IHS变换、主成分变换的融合结果与多光谱原始影像有较明显的色彩畸变,尤其是快速IHS变换,水体的颜色也发生了畸变,光谱信息损失严重。主成分变换融合与GS变换融合结果的整幅影像色彩很深,主成分变换融合影像颜色偏差最大,GS变换次之。LP的融合影像的方框中的区域色彩也发生畸变,相对较小。本文的融合结果与小波结合IHS变换的融合结果整体色调相似,方框区域内的植被色调与多光谱影像无差别,在图示区域内光谱保真度上较好。
从目视效果来看,各种方法的融合结果在空间分辨率都有明显提高,影像的纹理信息更加丰富。快速IHS融合影像最为清晰,但光谱扭曲严重。WIHS变换结果光谱保真最好,但空间分辨率低,影像最模糊,视觉效果最差。本文方法的融合结果影像视觉分辨率仅次于快速IHS融合方法,纹理清晰。
Fig. 7 Bar chart of classification accuracy

图7 分类精度柱状图

本文的融合算法所得到的影像在具有较高光谱保真度的同时,兼顾空间分辨率,影像较为清晰,与多光谱影像的色调基本一致,地物的边缘和纹理都很清晰。与其他5种融合算法相比,在光谱分辨率及空间分辨率上都有较好的融合效果。
(2)定量分析
为进一步定量地评价不同融合方法对空间细节信息与光谱信息的影响,本文选取了偏差指数bia、相关系数corre、标准差std、信息熵entropie、峰值信噪比PSNR、通用图像质量指数UIQI 6个评价指标[18]。其中,标准差、信息熵反映空间细节信息,而偏差指数、UIQI、相关系数、峰值信噪比反映光谱信息,具体的评价参数如表1所示。
Tab. 1 The fusion results evaluation parameter list

表1 融合结果评价参数表


融合方法		 评价方法
Bia UIQI corre PSNR std entropie
QIHS 26.157 0.926 0.882 155.740 92.902 7.239
GS 30.288 0.935 0.921 170.177 71.126 6.937
LP 19.874 0.950 0.963 169.605 79.281 6.954
WAIHS 18.833 0.954 0.967 172.427 91.118 6.824
PCA 46.681 0.919 0.921 145.557 84.811 7.532
NSCT-GS 13.376 0.958 0.966 172.748 91.947 6.992
偏差是融合图像与源图像差值的灰度平均值,反映融合图像和源图像在光谱信息上的差异大小和光谱特性变化的平均程度,偏差越小,说明光谱扭曲程度越低。6种融合方法的bia指标大小顺序：NSCT-GS<WAIHS<LP<QIHS<GS<PCA,本文融合方法NSCT-GS的偏差指数最小,表明本文的融合结果与源影像在光谱信息上的差异最小,光谱的扭曲程度最低。WAIHS方法的偏差值略小于本文方法,其光谱保真度较好;PCA的偏差最大,光谱扭曲程度最严重,GS的偏差也较大,光谱严重扭曲。
从相关信息损失、辐射值扭曲和对比度扭曲3个方面衡量融合影像质量的通用图像质量指数UIQI,其值越大,说明融合效果越好。6种融合算法的UIQI指数的大小顺序：NSCT-GS>WAIHS>LP>GS>QIHS>PCA,本文融合影像的UIQI最大,融合效果最好。在反映光谱信息的3个指标中,除本文方法的相关系数略低于WIHS方外,偏差指数与UIQI值都最大,因此,NSCT-GS在光谱保真度方面最优,光谱信息损失最小。
在反映影像光谱特征相似度的相关系数及空间分辨率改善程度的指标WAIHS>NSCT-GS>LP=PCA>QIHS,相关系数越大,说明融合图像从源图像中获取的信息越多,融合效果越好。WAIHS变换的相关系数最大,但本文方法的相关系数值几乎与WAIHS相等。这说明WAIHS与NSCT_GS的融合影像从源影像中获取的信息最多,其空间分辨率改善程度较高,融合效果也较好。QIHS的相关系数最小,说明QIHS的融合影像与源影像的相似度最小,存在光谱扭曲。
标准差越大,影像的灰度级数分布越分散,目视效果越好[19]。6种融合方法的std指标大小顺序：QIHS>NSCT-GS>WAIHS>PCA>LP>GS,QIHS影像的标准差最大,影像整体的对比度加强,图像更为清晰。本文方法的标准差仅次于QIHS,整幅影像的对比度较大,也很清晰。图像的信息熵反映图像中不同信息出现的概率及其差别,对图像像元的个数进行统计。
峰值信噪比是用来评价融合影像品质的一个重要指标,衡量图像失真或是噪声水平。6种融合方法的PSNR大小顺序为：NSCT-GS>WAIHS>GS>LP>QIHS>PCA,PSNR值越大,代表失真越少,图像质量越好。PSNR数与人眼看到的视觉品质不一定完全一致,因为人眼视觉对于误差的敏感度不是绝对的,感知结果受许多因素影响。因此,PSNR值较高者的视觉效果比PSNR较低者差,NSCT-GS的融合影像在视觉上没有QIHS效果好,但影像本质最优。
信息熵能够较好地表现图像包含的信息量,信息熵越大,高频细节信息越丰富。6种融合方法的entropie的大小顺序：PCA>QIHS>NSCT-GS>LP>GS>WAIHS,PCA的信息熵最大,说明PCA融合影像包含的信息量最丰富。NSCT-GS排第3,包含的信息量也很丰富。但信息熵并未考虑影像中像元位置关系,图像中像元的位置关系对图像的视觉效果会有一定的影响[20],仅利用信息熵表示图像的信息量具有不完备性。将源影像的信息熵与融合影像的信息熵的差别程度作为评价参数评价融合效果 [5]。PCA、QIHS方法的融合影像光谱扭曲较大,存在虚假边缘,在计算与源影像信息熵的差别程度时,其值最大。虽然PCA、QIHS包含的信息量最丰富,但与源影像的信息熵偏离更大,虚假信息熵也就越大,融合效果越差。虽然从视觉上感觉PCA、QIHS融合影像的空间分辨率最大,图像细节清晰,但与源影像信息量背离的现象是不合理的。本文融合方法的信息熵略小于QIHS,但与源影像的背离程度也极小,说明本文方法的融合影像的信息量最为丰富,且丰富的信息量是合理的。本文方法的标准差较大,影像的对比度加强,影像更加清晰。WIHS融合影像的信息熵较小,但与源影像的背离程度却很大。这是由于小波变换方向上的缺乏,不能充分表现图像本身的特性,融合影像容易产生光谱混淆和假边缘现象。非下采样Contourlet变换弥补了小波变换的高维信号处理中缺点,较好地消除了小波变换方法在融合图像中出现的频谱混叠及假边缘等缺陷。
(3)应用对比分析
融合影像的地物分类精度是评价融合质量的一个重要指标,根据研究区域的地物特性,大体将地物分为耕地、经济作物、水体、建筑物、森林5类地物。将快速IHS变换(QIHS)、主成分变换(PCA)、小波结合HIS变换(WAIHS)与本文融合方法得到的融合影像进行最大似然法监督分类,4幅融合影像选用相同的感兴趣区作为训练样本及测试样本,计算Kappa系数及Overall精度,对分类结果进行评价。
由图7分类统计结果可看出,本文融合方法得到的融合影像的分类精度最高。4种融合算法得到的融合影像的分类精度都高于0.86,分类精度都较高,满足分类要求。分类结果与前面定性、定量分析的结果一致。影像分类精度与光谱特征及几何特征有很大的相关性,小波结合IHS变换与本文方法的融合影像光谱保真度相近,但WAIHS融合影像的清晰度太差,以致分类精度最差。QIHS变换影像清晰,但存在光谱扭曲,分类精度也不高。PCA融合影像整体偏暗,但影像的清晰度优于QIHS方法,分类精度高于QIHS方法。本文的融合影像光谱保真度最高,影像清晰度略次于PCA、QIHS,且影像纹理仍然很清晰,本文融合影像的分类精度明显高于其他融合算法。
4幅影像中各地物的分类精度如表2所示,本文融合影像中各地物的分类精度都是最高的,体现了本文融合方法的优越性及在地物分类中的应用潜力。
Tab. 2 The classification accuracy of various types of surface features

表2 各地物分类精度表

融合方法 分类精度(%)
建筑物 水体 耕地 经济作物 森林
NSCT-GS 82.55 100.00 94.82 96.01 99.98
PCA 76.45 99.76 92.97 98.54 96.70
QIHS 67.13 99.51 87.49 97.75 99.74
WAIHS 71.69 99.10 86.37 93.19 99.70

4 结论

本文提出的NSCT变换与GS变换相结合方法,对资源三号卫星多光谱影像与全色影像进行了融合。与目前较成熟的融合算法相比,在评价光谱保真度的偏差指数、UIQI、峰值信噪比指标中,本文算法占优势,可最大程度的保留光谱信息。在信息熵、标准差指标中虽不及PCA、QIHS方法,但相差不大,与传统Gram-Schmidt方法相比,清晰度有了很大提高,融合效果较传统融合算法好。在影像的分类精度上,本文融合方法占优势,各地物的分类精度明显高于其他融合算法。分析结果表明,本文方法的融合影像在保持多光谱影像光谱信息的同时也增加融合影像的清晰度,提高了融合影像的分类精度,是一种更适合于资源三号高分辨率遥感影像的融合方法。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张永生,戴晨光,张云彬,等.基于多源遥感信息融合理论算法与应用系统[M].北京:科学出版社,2005.

[2]
李秉柏,杨沈斌,申双和.ENVISATASAR 数据与CBERS-02数据的融合与应用[J].地理信息与科学,2008,10(2):263-268.

[3]
杨智翔,徐佳,何秀凤.Geoeye-1全色与多光谱影像融合方法[J].光电工程,2011,38(5):120-126.

[4]
刘丽娟,范文义.基于MATLAB的HIS变换与小波变换影像融合与应用[J].地球信息与科学,2008,10(5):670-677.

[5]
Dou W, Chen Y H, Li X B, et al.A general framework for component substitution image fusion: An implementation using the fast image fusion method[J]. Computers & Geosciences, 2007,33(2):219-228.

[6]
Bartlett M S, Movellan J R, Sejnowsk T J.Face recognition by independent component analysis[J]. IEEE Trans on Neural Networks, 2002,13(6):1450-1464.

[7]
Cunhaa A L, Zhou J P, Do M N.The nonsubsampled Contourlet transform: Theory, design and applications[J]. IEEE Trans on Image Processing, 2006,15(10):3089-3101.

[8]
肖易寒,席志红,海涛,等.基于非下采样contourlet变换的图像边缘检测新方法[J].系统工程与电子技术,2011,33(7):1698-172.

[9]
林卉,景海涛,张连蓬. àTrous 小波变换与PCA变换相结合的遥感影像融合分析[J].地球信息与科学,2008,10(2):269-272.

[10]
袁金国,王卫.多源遥感数据融合应用研究[J].地球信息科学,2005,7(3):97-103.

[11]
李平湘,王智均. 空间分辨率影像和多光谱影像融合的研究[J]. 武汉大学学报·信息科学版,2003,28(1):14-17.

[12]
窦闻. 多源遥感数据像元级融合统一理论框架研究[D].北京:北京师范大学,2006.

[13]
Tao C V, Hu Y.A comprehensive study on the rational function model for photogrammetric processng[J]. Photogrammetric Engineering and Remote Sensing, 2001,67(12):1347-1357.

[14]
张一平,龚志辉,胡玲,等.基于非下采样Contourlet变换的遥感影像融合[J].测绘科学技术学报,2012,29(3):204-208.

[15]
梁栋,李瑶,沈敏,等.一种基于小波-Contourlet变换的多聚焦图像融合算法[J].电子学报,2007,35(2):320-322.

[16]
胡子付,曾志远,张振龙,等.小波和HIS变换结合实现ETM图像波段融合[J].地球信息科学,2005,7(4):29-32.

[17]
李春华,徐涵秋.高分辨率遥感图像融合的光谱保真问题[J].地球信息与技术,2008,10(4):520-526.

[18]
Shi W Z, Zhu C Q, Tian Y, et al.Wavelet-based image fusion and quality assessment[J]. International Journal of Applied Earth Observation and Geoinformation, 2005,6(3):241-251.

[19]
于海洋,闫柏琨,甘甫平,等.基于Gram Schmidt变换的高光谱遥感图像改进融合方法[J].地理与地理信息科学,2007,23(5):39-42.

[20]
李其申,李俊峰,江泽涛.非下采样Contourlet变换的图像整合及评价[J].计算机应用研究,2009,26(3):1138-1150.

Options
Outlines

/

〈 〉