李利伟，王 威，吴雪娇

(国家林业和草原局调查规划设计院，北京 100714)

1 引言

高分一号卫星(GF-1)是中国高分辨率对地观测系统的首发星，是高分辨率对地观测系统重要的组成部分，高分辨率对地观测系统是中国正着手研发的新一代高分辨率对地观测系统[1～3]。到2020年，高分系统与其他观测手段相结合，将形成具有全天候、时空协调、全球范围观测能力的稳定运行的系统。GF-1卫星发射成功后，将能够为自然资源部门、环境保护部门、农业部门、水利部门、林业部门提供高精度、宽范围的空间观测服务，在地理测绘、海洋和气候气象观测、水利和林业资源监测、城市和交通精细化管理、疫情评估与公共卫生应急、地球系统科学研究等领域发挥重要作用[4～7]。

2 研究影像数据

GF-1卫星装载了2台2 m分辨率全色、8 m分辨率多光谱相机(简称高分相机)和4台16 m分辨率多光谱相机(简称宽幅相机)。GF-1 PMS相机可以获取2 m的全色黑白图像、8 m多光谱彩色图像(蓝、绿、红、近红外4个波段)以及多光谱和全色融合之后的2 m真彩产品[2]。GF-1波普范围及数据时相如表1所示。

表1 GF-1波普范围及数据时相

传感器波段平均太阳辐照度(Band Mean Solar Irradiance， BMSI)是传感器光谱响应函数与大气层外太阳光谱辐照度的积分值，反映传感器对太阳辐射能量的响应性能[8,9](表2)。

表2 传感器波段平均太阳辐照度

3 研究方法

3.1 影像校正

GF-1影像的原始数据包括2 m分辨率的全色影像和8 m分辨率的多光谱影像，以研究地区1∶1 万DOM数据为基准，引入DEM 高程信息，对GF-1全色数据进行控制点的选择，最后将影像重采样成正射影像。再以校正后的全色影像为基准，用同样的方法对多光谱数据做正射校正，最后将校正后的全色和多光谱影像融合得到2 m分辨率的彩色影像。全色影像正射校正主要过程为：在全色影像数据上选取控制点，基于物理模型或有理函数模型进行正射纠正。以单景全色波段影像为校正单元，导入卫星轨道参数、传感器参数文件，选取控制点，读取DEM，通过同名控制点像素的坐标与大地坐标，计算控制点坐标值误差ΔX、ΔY、点位残差RMS及中误差MS，利用模型求解，重采样进行校正，重采样像素大小等同于原始遥感影像[7～9]。

3.2 影像融合

为了提高遥感影像地物识别能力，采用算法将各遥感影像数据中含的信息系统结合起来，能够针对性地去除冗余信息，大幅度减少数据处理量，消除无用信息，提高遥感数据处理的时效。同时遥感影像融合，能将多源数据有用信息集中起来，融合在一起，便于多种信息互补，减少识别森林区域的模糊性和不确定性，为快捷、准确地识别和提取森林地物信息奠定基础。目前已有成熟的融合算法方法很多，如主成分变换法(PCA)、HIS变换法、小波变换法(Wavelet)、高通滤波融合法(HPF)、超分辨率贝叶斯法(Pansharp)、Subtractive融合法、HCS融合法等。其中，Pansharp是通过合并高分辨率的全波段影像(PAN)增强多波段影像的空间分辨率的一种影像融合技术，此种算法要求全波段影像和多波段影像同平台、同时间(或时间间隔很短)获得[10～14]。

4 结果分析

4.1 不同控制点数量对比分析

校正选点的原则一般是先四角中间再向四边的原则进行选取，选点可以采取M形，选点位置建议在地界交汇处、房角、道路交叉口、线状地物交差点等[13]。研究遥感影像采集窗口为255 像素×255 像素；数字地图采集窗口为1023 像素×1023 像素(图1、2)。

图1 全色控制点采集

图2 多光谱控制点采集

为了使校正精度更高，本研究在保证控制点分布均匀的基础上(图1、图2)，对GF-1全色影像以控制点数量分别为81～124区间内确定7组数据，进行精度比较(表3、图3)。通常情况下，较多的控制点能达到更高的校正精度，但是控制点数量的增加也可能会造成遥感影像扭曲，使校正精度下降，经过对比分析，控制点为95～105区间选择控制点数量最为合适。对多光谱影像进行校正时，采用校正后的全色影像为基准进行配准。

表3 不同控制点数量对影像RMS的影响(单位：像元)

图3 不同控制点数量对比分析

4.2 不同模型精度对比分析

控制点数量确后，研究采用相同控制点数，选择Satellite Orbital Modelling和Rational Functions(3，4，5)模型进行对比分析。从结果可以看出，Satellite Orbital Modelling 模型的校正精度最高，运行时间相对最快，控制点-RMS 为1.91个像元，X-RMS 为1.54个像元，Y- RMS 为1.15个像元; Rational Functions(5) 模型校正精度其次，控制点-RMS 为1.93个像元，X-RMS 为1.61个像元，Y-RMS 为1.32个像元(表4)。

表4 不同模型精度对比分析

本研究对比PCA、HIS、Pansharp这 3种融合算法,选择含有采伐区域、道路、植被等要素的典型区域进行影像融合试验，对结果通过定量评价找到适合GF-1卫星影像融合的最佳方法(图4)。

4.3 定性评价

为了便于目视解译及定性评价，分别从实验区选取2 块子区域进行目视解译比较分析。融合结果均采用波段3(R)、波段2(G)、波段1( B)的真彩色组合并且以同样的拉伸方法进行显示。与原始多光谱影像对比发现，利用以上4 种融合方法得到的融合影像质量都有了很大的提高，在不同程度上加强了空间信息和保持了一定的光谱信息。在光谱保真度方面，选取实验区域中包含采伐的一片区域进行分析。经过与原图像对比可知，PCA和Pansharp融合影像的光谱保真度最好；HIS融合影像虽然也保持了较好的光谱信息，但是存在颗粒状噪声。PCA和Pansharp相比较，后者融合影像中的采伐区域作业道路细节和纹理信息最清晰。

图4 不同融合算法对比分析

4.4 定量评价

对影像融合进行定量评价，研究采用信息熵、平均梯度、相关系数和偏差指数4 个指标进行评价。①影像的信息熵可以反映影像信息量的多少。通常情况下，融合影像的熵值越大，表明其信息量越多，融合质量越好。②平均梯度常用来评价影像的清晰程度。通常情况下，融合后的影像平均梯度越大，图像层次越多，表示影像越清晰。③相关系数反映了融合影像与原始影像光谱特征的相似程度。相关系数越大，说明对光谱值的保持越好。④偏差指数反映融合影像对原始多光谱影像的光谱保持程度。偏差指数越小，表明融合影像与原始多光谱影像的偏离程度越小。

经过不同融合方法定量分析，信息熵值从大到小顺序为：Pansharp> HIS> PCA；平均梯度值从大到小顺序为：Pansharp> PCA> HIS；相关系数值从大到小顺序为：Pansharp> PCA> HIS；偏差指数值从大到小顺序为：PCA > HIS >Pansharp。综合分析Pansharp融合算法相对较优(表5)。

经过主观评价和客观统计发现，PCA、HIS、Pansharp这3种融合算法，融合效果都可以满足GF-1影像数据的融合。Pansharp法含有丰富的信息，较好的保持了全色影像的高空间分率，伐区微小细节的表达能力强。综合分析，这3种影像融合方法都能使用的情况下，优先选择Pansharp融合算法。

4.5 影像增强

由于光照度、传感器精度等因素的影响，有必要对影像进行增强处理，减少遥感影像模糊、较亮或较暗等现象。通过改变影像中信息的分布方式，压缩高亮度区减小轮廓的模糊程度，利于进行目视解译和后面的图像处理，先对影像的直方图分段，具体可分为低-中-高3段，对不同段进行相应处理，使得其通过一定方式的变换而重新分布，最终获得较好的影像的质量，改善影像质量(图5)。将影像转换为有利于目视解译分析的影像。像增强的主要方法有边缘增强和对比度拉伸[15,16]，研究中采用对比度拉伸方法，对比度拉伸是影像增强中使用非常频繁的方法。

表5 不同融合方法定量评价结果

5 结语

研究从林业行业森林调查应用出发，针对国产GF-1卫星数据的特点，从国产GF-1影像数据基本特征、正射校正与配准、波段组合影像融合算法比较精度评价等一系列流程进行研究，探索出国产GF-1卫星

数据在森林资源采伐信息提取方面的应用关键技术。研究结果表明GF-1影像数据校正时，控制点选择为95～105区间数量最为合适；经过Pansharp、PCA、 HIS融合方法定性与定量分析，Pansharp融合算法相对较优。研究探索国产GF-1卫星数据在森林资源采伐信息提取方面的途径，形成一套较完整的林业监测信息提取技术，为国产卫星数据的行业推广应用奠定理论基础。