罗冬　罗红霞　刘光鹏　雷茜　冯华梅

摘要：為了提高多云雾地区光学遥感影像利用率、探索不同云量的光学影像和SAR影像的最佳融合尺度，选取重庆市渝中地区为研究区，基于Sentinel-1A极化合成孔径雷达（SAR）影像与不同云量的Sentinel-2A（云量分别为0、10%、20%、30%）光学影像，进行小波变换融合、乘积变换融合、高通滤波融合，再利用图像评价方法评价影像融合以后的效果，最后利用面向对象的方法对融合前后的影像进行分类，利用混淆矩阵比较最终的分类精度。结果显示，无云情况下，小波变换融合效果最好，最大限度地保留了原多光谱影像的亮度、反差，有效防止了影像信息的丢失，对植被的解译能力有了明显改善，而融合后的影像保真度较差，其余两种融合效果相对次之，因此，在多云雾地区进行多源遥感数据融合时，尤其是异质数据融合时，优先推荐小波融合算法;当云量为10%以上时，3种融合算法虽然信息熵略有增加，但平均梯度、标准差减少了，造成解译困难，导致最终分类精度均略低于Sentinel-2A影像，远低于Sentinel-1A影像，基本不能满足使用要求，因此，在进行地表覆被解译时，推荐用SAR影像替代光学影像。

关键词：影像融合;合成孔径雷达（SAR）;地表覆被分类;面向对象分类方法;多云雾地区

中图分类号：P237         文献标识码：A

文章编号：0439-8114（2020）05-0028-09

Abstract： This research aimed to improve the utilization ratio of optical remote sensing image in cloudy areas and explore the best fusion scales of different cloud cover optical remote sensing image and SAR image. Taking the Yuzhong area of Chongqing city as the research area， wavelet transform fusion， multiplicative transform fusion and high-pass filter fusion was carried out based on sentinel-1A polarized synthetic aperture radar （SAR） image and different cloud cover of sentinel-2A （cloud volume of 0， 10%， 20%， 30%） multi-spectral images， then the effect of image fusion was evaluated by image evaluation method， finally all images were classified by object-oriented methods，and the final classification accuracy was compared by the confusion matrix. The results show that， in the cloudless case， the wavelet transform has the best fusion effect， and the brightness and contrast of the original multi-spectral image are preserved to the maximum extent， which effectively prevents the loss of image information， and the interpretation ability of the vegetation is obviously improved， but after the fusion the image fidelity is poor， and the other two fusion effects are relatively inferior. Therefore， when multi-source remote sensing data fusion is performed in a cloudy fog region， especially when heterogeneous data is fused， the wavelet fusion algorithm is preferred. When the cloud cover is more than 10%， although the information entropy is slightly increased in the four fusion algorithms， the average gradient and standard deviation are reduced， which makes the interpretation difficult， resulting in the final classification accuracy is slightly lower than the sentinel-2A image， much lower than sentinel-1A images basically cannot meet the requirements for use. Therefore， when performing surface overlay interpretation， it is recommended to replace the optical images with SAR images.

Key words： image fusion; polarimetric synthetic aperture radar（sar）; land cover classification; object-oriented classification; cloudy areas

多云雾地区一直是遥感研究的瓶颈之一，这种地区云雾较多，其形成过程复杂，涉及物理、化学、湍流、辐射、动力学以及下垫面状况等诸多因素[1]，典型区域有四川盆地及周边山区、东南沿海、西南季风迎风坡的云贵高原部分地区等[2]。由于云雾较多，这些区域可利用的光学遥感影像数量较少。由重庆市2017—2018年（行：39-40，列：127-129）的8景Landsat-8 OLI存档数据（USGS）以及12景Sentinel-2 MSI1C多光谱存档数据发现，Landsat-8影像云量低于5%的影像数量不到全年总量的4%，云量低于10%的影像数量只有全年总量的5%左右;而Sentinel-2影像云量低于5%的影像数量低于全年总量的5%，云量低于10%的影像数量不到全年总量的7%;结果显示该地区可供利用的优质光学遥感影像数量较少。利用光学影像进行资源、环境、灾害调查与监测一直都是遥感研究的重要课题[3]，而由于气候和地表环境等因素的影响，使得多云霧地区光学影像的利用效率受到限制。

合成孔径雷达（Synthetic aperture radar，SAR）影像由于其高分辨率、多模式、多极化方向、数据获取过程与自然光源无关，具有穿透云雾、全天候和全天时对地观测、对地物形状敏感的特点，弥补了光学遥感的不足[4]。融合光学遥感影像和SAR影像已成为提高光学遥感影像利用效率的重要手段之一，且大量研究证明融合光学影像和SAR影像能提高光学影像的利用率，尤其是在地表解译时的分类精度[5，6]。

目前，光学遥感影像和SAR影像的融合算法主要还是借鉴了光学遥感影像这类同质影像的融合算法，主要分为像元级、特征级、决策级3个级别[7-10]，大部分的融合算法还是基于像元级的融合，特征级和决策级的融合算法相对较少，像元级典型的融合算法有IHS（Intensity hue saturation，IHS）变换、乘积变换、Brovey变换、高通滤波、主成分分析、小波变换、GS（Gram-schmidt Pan，GS）以及支持向量机等。IHS融合方法简单，容易实现。贾永红等[11]最早进行了4种IHS变换方法用于多光谱影像与SAR影像融合的试验比较。Brovey变换对融合后的影像光谱信息保持较好，但受波段限制;乘积变换对大的地貌类型效果好，同时可用于多光谱与高光谱的融合。贾永红等[12，13]进行了分辨率变换融合（Brovey变换、乘积变换等）、小波分析、证据推理的遥感融合分析，发现融合算法能明显提高分类精度;向海燕[14]采用乘积变换、Brovery变换将ALOS-2全极化影像和Landsat OLI影像进行融合并对融合后的影像进行解译发现，融合后的影像分类总精度和Kappa系数均有明显提高。融合后的影像既有光学影像的光谱信息，又有全极化SAR影像的极化分解特征，具有很强的信息互补性。小波变换融合对图像的视觉特征、明暗色调、纹理特征反映较好，既提高了光学影像的空间分辨率，又保留了其光谱特征[15，16]。王智均等[17]研究了不同小波变换的遥感影像数据融合算法，证明小波变换在融合时比别的算法更具优势;以上这些研究都取得了较好的效果。Garzelli[18]、Wang等[19]以及王宇航[20]的研究表明，与单一采用多光谱影像进行地表覆被分类相比，SAR和多光谱影像融合以后的影像更有优势，两种数据具有互补性和合作性;在地形测绘、土地利用分类、农作物分类、森林和湿地监测、城市监测、洪涝灾害监测等实际运用方面具有重要意义[21-25]。而对于多云雾地区，可利用的光学影像数量稀少，多源遥感数据融合是解决这一问题的重要途径之一。因此，本研究选择了2018年不同云量（0、10%、20%、30%）的4景Sentinel-2A数据和相对应的4景Sentinel-1A，进行多云雾地区不同云量光学影像和SAR影像融合的适应性研究。原则上云量越少融合的效果越好，但由于多云雾地区光学影像数量稀少，有时不得不使用部分的有云雾数据，所以考虑到现实条件以及适用性，本研究选择小波变换（多分辨率）、乘积变换（波段运算）、高通滤波（滤波模型）3种典型的融合算法融合4景不同云量的Sentinel-2A多光谱影像和相对应的4景Sentinel-1A SAR影像，以求提高多云雾地区光学遥感影像的利用率、弥补光学遥感影像的缺点，探索不同云量光学遥感影像和SAR影像最佳融合方法，发挥各自的长处，实现多源遥感影像的综合运用。

1  研究区与数据源

1.1  研究区

研究区位于重庆市的部分主城区，主要包括渝中、渝北、江北、沙坪坝、南岸、北碚、九龙坡，介于106°23′9.58″—106°36′36.36″E，29°28′16.50″—29°39′48.95″N;东西被中梁山和铜锣山包围，中间为嘉陵江和长江的交汇地带;属于典型的山地城市，地势起伏大，最低海拔108 m，最高海拔663 m;地形以山地、丘陵为主;属亚热带湿润性季风气候，降水丰富。

1.2  数据源

Sentinel-1A是欧空局ERS-1/2和Envisat的后续卫星，Sentinel-1A搭载了C波段SAR传感器，具有干涉宽（IW，Interferometric wide swath）、条带成像（SM，Stripmap）、波浪（Wave mode）、超宽幅（EW，Extra wide swath）4种成像模式;可实现单极化、双极化，它和Sentinel-1B组网后重访周期可由12 d缩短成6 d。本研究选取了4景2018年的Sentinel-1A地距影像（GRD，Ground range detected）产品，具体参数见表1。

Sentinel-2A卫星是全球环境与安全监测计划的第二颗卫星，于2015年6月23日发射。Sentinel-2A携带一枚多光谱成像仪，可覆盖13个光谱波段，最高空间分辨率10 m、单颗重访周期10 d，2颗卫星组网重访周期可达5 d。从可见光和近红外到短波红外具有不同的空间分辨率，本研究选取了4景2018年的Sentinel-2A MSL1C产品，具体参数见表1。

2  研究方法

2.1  数据预处理

2.1.1  Sentinel-1A数据预处理  利用欧空局的ESA_SNAP6.0版本软件对Sentinel-1A数据进行轨道校正、热噪声去除、辐射定标、多视处理、滤波、地形校正以及后向散射归一化等预处理，滤波选用的是GAMMA-MAP滤波，滤波窗口大小设置为5×5，然后将图像重采样为10 m×10 m分辨率的影像，用RGB 3个通道显示预处理后的VV极化、VH极化、VV极化，结果如图1所示。

2.1.2  Sentinel-2A数据预处理  利用欧空局的Sen2cor插件对Sentinel-2A影像进行辐射定标、大气校正等预处理，再利用ESA_SNAP、ENVI将Sentinel-1A和Sentinel-2A影像进行配准，重投影，裁剪出研究区范围[本研究尽量裁剪出云量平均分布的区域，但受数据影响，只能裁剪出大概的符合梯度（0、10%、20%、30%）标准的研究区]，裁剪后的Sentinel-2A RGB合成图如图2所示。

2.2  图像融合方法

2.2.1  小波变换  小波变换融合与傅里叶变换类似。首先，对光学影像和合成孔径雷达影像进行匹配，使这两个影像具有相似的概率分布，相应的小波系数具有相同的等级;其次，对合成孔径雷达影像和光学影像分别进行小波分解，对两幅图像的小波系数进行了比较，选取较大的部分组成新的小波分解系数;最后通过新系数重建图像得到融合图像。小波变换融合算法常用于多光谱影像（如TM）与合成孔径雷达影像的融合，它具有提高影像空间分辨率的同时又能保持影像饱和度、色调等不变的优点[26]。

2.2.2  乘积变换  乘积变换融合是一种典型的代数运算融合算法，相似的还有比值变换等，其原理是通过对两幅影像的像元值进行相乘得到融合图像，缺点是融合图像的亮度值高速增长，其计算公式如下：

Rnew=I×RSentinel-2A+RSentinel-1A

Gnew=I×GSentinel-2A+GSentinel-1A

Bnew=I×BSentinel-2A+BSentinel-1A

式中，Rnew、Gnew、Bnew为融合图像红、绿、蓝波段的像元值，I为经验常数，RSentinel-2A、GSentinel-2A、BSentinel-2A为Sentinel-2A图像红、绿、蓝波段的像元值，RSentinel-1A、GSentinel-1A、BSentinel-1A为Sentinel-1A合成图像中的红、绿、蓝波段的像元值。

2.2.3  高通滤波  高通滤波融合算法在融合SAR影像和多光谱影像时可以简单地理解为两个影像信息的加权求和，对高空间分辨率影像进行高通滤波以提取線性特征和边缘等空间结构信息，对低分辨率影像进行低通滤波以提取其光谱、后向散射强度等信息，然后将高通滤波和低通滤波的结果进行加权求和，从而得到融合影像。融合后的影像中高分辨率影像的高频信息显而易见，低频部分却减少了[27]。

2.2.4  图像融合质量评价  对融合后影像的质量进行定量评价更能直接反映融合效果，衡量融合后的影像在光谱信息、空间信息和信息量等方面的改善情况。本研究主要统计了融合前后影像的平均梯度、标准差、信息熵3个参数以对融合前后影像的质量进行定量评价[28]。

3  结果与分析

3.1  融合结果分析与评价

Sentinel-1A和Sentinel-2A影像融合结果如图3所示。从色彩上看，3种融合算法中只有乘积变换、高通滤波融合较好地保留了原始多光谱影像的色彩;小波变换则相反，其对不同地表的覆被赋予了不同的色彩，且不同云量也被赋予了不同的色彩，侧面印证了其保真度较差。从云雾改善状况来看，小波变换大面积改善了云雾状况，但部分厚云区域仍未完全去除。乘积变换和高通滤波对云雾区域的改善仅限部分面积较小的薄云区域，厚云区域基本未得到改善，但后者对薄云区域的融合效果明显优于前者。因此，综合来看，小波变换融合后的影像效果较好，其实际效果需要进一步通过质量定量评价参数进行评价。

融合后影像的质量定量评价结果如表2所示。从表2可以看出，在无云条件下，3种融合算法的平均梯度都明显增加，说明融合后的影像更清晰，层次感更丰富;信息熵除高通滤波外，其余2种融合算法均明显增加，说明这3种融合算法能更多地保留原影像的纹理等细节信息，有利于目标分割;标准差仅小波变换融合有明显增加，乘积变换和高通滤波大幅下降，说明只有小波变换较好地保留了原影像的亮度和光谱信息。从以上3个指标来看，云量为0时，3种融合算法中小波变换融合最优。当云量增加到10%和20%以后，3种融合算法的平均梯度、标准差均明显下降，说明3种融合算法部分保留了原影像的光谱、亮度等信息;信息熵只有小波变换有明显增加，表明这2种算法继承了原影像的纹理等细节信息。总的来说，云量为10%～20%时，小波变换融合效果较好（图4）。当云量为30%时，小波变换融合的平均梯度、标准差均下降，信息熵有所增加，但乘积变换和高通滤波却相反，平均梯度有明显增加，而标准差和信息熵均明显下降。由此可知，云量为30%时，3种融合算法的融合效果均较差。

总之，无论是目视效果还是定量评价，结果都显示小波变换对融合以后影像的质量改善最大，其保留了原多光谱影像的亮度与反差，融合图像能更好地反映图像的细节特征，对植被、河流的解译能力有了很大的提高;乘积变换和高通滤波在云量大幅增加后对原图像的亮度和反差保留较少，纹理细节丢失比较严重，地物间可分辨性降低，地物解译难度变大。

3.2  分类结果分析

3.2.1  面向对象分类方法参数设置  为了评价融合后影像的实际运用效果，采用面向对象最邻近分类法对融合前后的影像进行解译[31]，解译软件采用eCognition9.0。因为研究区土地类型比较单一，加上研究区具体的区域状况，经过多次试验，影像分类参数设置如表3所示。

3.2.2  分类结果精度评价  对影像进行分类评价的目的在于再次验证融合后影像的效果，验证样本主要来源于研究区野外实地调查点、土地利用现状数据和Google Earth卫星影像等共230个验证样本点（图4），采用混淆矩阵进行分类精度评价，同时还分析了云量为0时的影像融合前后的具体地类分类精度及其分类结果。

1）分类精度总体评价。在质量评价结果的基础上，进一步利用影像解译后的分类精度对融合后的影像进行总体分析评价，结果见表4。无云时，3种融合算法解译结果与单一采用多光谱影像或SAR影像相比，总精度提高了近1个百分点或以上。当云量增加到10%和20%时，3种融合算法融合后影像的总精度与光学影像相比，下降了最多5个百分点，与SAR影像相比最多下降了10个百分点，结合图像质量评价结果来看，其原因是融合后的影像虽然信息量有增加，但图像清晰度和反差变小了，地物可分离性降低，图像层次模糊，不利于地表覆被解译。

当云量为30%时，小波变换融合后影像的总精度与光学影像相比下降了不到1个百分点，与SAR影像相比总精度下降了14个百分点，Kappa系数减少了0.18，而乘积变换、高通滤波两种算法的精度则大幅度减少，与光学影像相比下降了约2个百分点，与SAR影像相比下降了16个百分点。结合前面表2分析其原因在于，小波变换的平均梯度、标准差明显减少了，信息熵略有增加，但仍不利于解译，而乘积变换和高通滤波的平均梯度虽然有明显增加，但标准差和信息熵均减少，图像清晰度变差，影像信息量减少，更不利于地表覆被解译。

小波变换在3种云量情况下的总精度和Kappa系数都表现较好，而图像质量评价结果也印证了这一点，从而表明小波变换方法对融合后影像的视觉特征、明暗色调、纹理特征有较好改善。而乘积变换和高通滤波较之差一些，尤其是当云量增加后，融合后的影像结构比较破碎，色调层次感差，增加了地表覆被解译的难度。

2）云量为0时的影像分类精度分析。云量为0时，从总精度和Kappa系数来看，融合后影像对解译的精度有提升但不是特别明显（图5），因此进一步分析了云量为0%时4种融合算法对具体地类的分类效果（图6）。

从图5可看出，云量为0时，融合后的影像对林地和灌草地的解译精度都有明显提高。对人工建筑和水域的解译，融合后的影像没有明显优势，多光谱影像对人工建筑解译精度最高，SAR影像对水域解译的效果最好。

综上所述，无云时，3种融合算法的解译精度较好，能基本满足现实需要;当云量增加到10%以上时，光学数据的分类精度急剧下降，3种融合算法不但没有明显改善分类效果且还有小幅度下降;当云量增加到20%以上时，融合效果和分类精度大幅下降。因此，当光学影像云量超过10%进行地表覆被解译时，建议用SAR影像替代光学影像，基本可以获得80%左右的分类精度，或者寻找别的替代数据。

通过对融合后影像的质量评价和分类结果及云量为0时影像分类后的制图精度分析可知，小波变换在最大限度地保留了原多光谱影像的亮度和光谱信息的同时，还提高了总体分类精度，对植被解译精度较大，融合效果明显优于其余2种融合算法。

影像质量评价结果显示，高通滤波、乘积变换在融合后影像信息量增加了，但是却不能显著提高融合后的图像分类精度，这可能与光学影像上厚云和薄云的占比和分布情况有关，同时还可能受分类方法、分类参数选择等因素影响。

SAR影像虽然基本不受云层影响，但是从融合影像分类结果来看，微波影像对薄云区域的融合效果相较于厚云区域来说有一定提升，这可能是因为薄云区域地表覆被信息频率较多，而厚云区域地表覆被信息频率几乎为零的原因。

无云时，融合后影像的分类总精度与多光谱影像和SAR影像相比虽有一定提高，但没有显著提高，原因可能是受分类方法和验证样本点的影响。

4  小结与讨论

多源遥感影像数据在地形测绘、土地利用分类、地图更新、农作物监测分类、森林监测分类、洪涝灾害监测等领域发挥了重要作用。本研究选择了2018年不同云量（0、10%、20%、30%）的4景Sentinel-2A影像，首先对双极化C波段Sentinel-1A SAR影像进行轨道校正、热噪声去除、辐射校正、多视处理及滤波、地形校正和辐射归一化等预处理，再与辐射定标和大气校正后不同云量的Sentinel-2A影像进行配准并进行小波融合、乘积融合、高通滤波融合，然后评价融合前后影像的质量。最后基于面向对象的最临近分类法对融合前后的影像进行分类，并利用混淆矩阵进行精度分析与评价，比较融合前后影像的质量和分类精度，得出结论如下。

1）无云时，Sentinel-1A SAR影像的数据质量、分类精度和Kappa系数一般都低于Sentinel-2A多光譜影像。3种融合算法中，小波变换融合效果有明显提升，最大限度地保留了原多光谱影像的亮度和光谱信息， 防止了影像信息的丢失，更好地反映了图像的细节特征， 对植被的解译效果有明显改善， 缺点是图像的保真度较差，但3种融合算法相比，建议在进行光学影像和SAR影像融合时，优先采用小波变换融合。

2）与单一遥感数据相比，多源遥感数据融合后所提供的信息具有互补性和合作性，但在多云雾地区，云量低于10%时，多源遥感数据融合能在一定程度上提高数据的质量和利用价值。当云量大于10%后，数据融合的质量和运用价值逐渐减小，因此，在多云雾地区进行地表覆被解译时，当光学影像云量大于10%以上时，不建议进行光学影像和SAR影像融合，可直接用SAR影像代替光学影像或者寻找别的替代数据进行地表覆被解译。

3）融合后的影像对植被的解译精度有较大提升，对人工建筑和水域的解译则没有明显优势。

本研究存在的不足：①本研究区属典型的山地地形，部分地区地形起伏较大，坡度达到了60°，虽进行了地形校正等预处理，但并未完全消除SAR影像上顶底倒置和雷达阴影等现象，对SAR影像和多光谱影像的融合效果以及分类结果都可能造成干扰，而2种影像的分辨率也略有差异，虽重采样为相同的分辨率，但均可能会对分类结果和分类精度产生一定影响。②受数据限制，本研究不同梯度的Sentinel-2A影像云量没有完全在图像上均匀分布，薄云和厚云均有，这在一定程度上会影响影像融合效果和具体地物的分类精度。本研究对云量为10%以上时的建议针对的是厚云，且云雾的具体分布也得视具体情况而定，如在具体运用时，影像以薄云为主，那么这个尺度就不能作为参考，还需要进一步研究。

参考文献：

[1] 林  珲，邵  芸，杨立民.多云多雨地区遥感初探[J].遥感信息，2004（4）：71-74.

[2] VIHMA T，SCREEN J，TJERNSTR？魻M M，et al. The atmospheric role in the Arctic water cycle：A review on processes，past and future changes，and their impacts[J].Journal of geophysical research：Biogeosciences，2016，121（3）：586-620.

[3] 贾永红，李德仁，孙家柄.多源遥感影像数据融合[J].遥感技术与应用，2000，15（1）：41-44.

[4] 张良培，沈焕锋.遥感数据融合的进展与前瞻[J].遥感学报，2016， 20（5）：1050-1061.

[5] GAETANO R，COZZOLINO D，AMIANO L D，et al. Fusion of sar-optical data for land cover monitoring[A].2017 IEEE International geoscience and remote sensing symposium （IGARSS）[C].Fort Worth，TX，USA：IEEE，2017.5470-5473.

[6] ZHU L，TATEISHI R. Fusion of multisensor multitemporal satellite data for land cover mapping[J].International journal of remote sensing，2007，27（5）：903-918.

[7] GHASSEMIAN H. A review of remote sensing image fusion methods[J].Information fusion，2016，32：75-89.

[8] LIU Z，BLASCH E，JOHN V. Statistical comparison of image fusion algorithms：Recommendations[J].Information fusion，2017， 36：251-260.

[9] POHL C，VAN GENDEREN J L. Review article multisensor image fusion in remote sensing：Concepts，methods and applications[J].International journal of remote sensing，2010，19（5）：823-854.

[10] ZHANG J. Multi-source remote sensing data fusion：Status and trends[J].International journal of image and data fusion，2010， 1（1）：5-24.

[11] 贾永红，李德仁.SAR与TM影像的IHS变换复合及其质量定量评价[J].国土资源遥感，1997（3）：36-41.

[12] 賈永红，李德仁.多源遥感影像像素级融合分类与决策级分类融合法的研究[J].武汉大学学报（信息科学版），2001（5）：430-434.

[13] 贾永红，李德仁，孙家柄.一种基于小波变换的图像融合算法[J].电子学报，2004（5）：750-753.

[14] 向海燕.基于光学和SAR数据的多云雾山区土地覆被分类[D].重庆：西南大学，2018.

[15] TANG Z W，WANG J G，HUANG S J. Wavelet transform application for image fusion[J/OL].Wavelet applications VII，2000，4056：https：//doi.org/10.1117/12.381706.

[16] SANLI F B，ABDIKAN S，ESETLILI M T，et al. Evaluation of image fusion methods using PALSAR，RADARSAT-1 and SPOT images for land use/land cover classification[J].Journal of the Indian society of remote sensing，2017，45（4）：591-601.