黄安,王旭红,杨联安,杜挺,王元元,刘建红

西北大学城市与环境学院,陕西西安710127



基于乡镇尺度Landsat8 OLI影像融合算法适应性研究

黄安,王旭红*,杨联安,杜挺,王元元,刘建红

西北大学城市与环境学院,陕西西安710127

摘要:本文利用OIF因子选择乡镇尺度下Landsat8 OLI影像MS最优波段组合，在此基础上，研究OLI影像MS波段与PAN波段对6种融合算法：Brovey法、PCA法、Daubechies小波变换法、Coifet小波变换法、HIS与小波相结合的变换法、PCA与小波相结合的变换法融合的适应性，并对融合前后影像进行SVM分类，以验证融合结果在实际生产应用中的有效性。结果表明：B456为7波段35种组合方式中最佳波段组合，其OIF值为27.842；对融合前后影像进行定性和定量精度评价，OLI影像对PCA算法融合适应性最强，各精度指标均占优；Daubechies小波算法光谱扭曲度最小；HIS-wavelet算法清晰度最高；PCA-wavelet算法相关系数最高，融合结果信息含量最大；适应性最差为Brovey算法。土地利用分类精度验证结果表明：OLI影像经PCA算法融合后有助于提高分类精度。

关键词:OLI影像;融合算法;适应性;应用研究;乡镇尺度

Landsat卫星是目前全世界范围内应用领域最广、应用性强的民用对地观测卫星，其影像已成为资源与环境调查、评价与监测的重要信息源[1-3]。NASA于2013年2月11号成功发射了Landsat8卫星，其上携带有两个主要载荷：OLI和TIRS。其中，OLI影像有7个MS波段，分辨率为30 m，1 个PAN波段，分辨率为15 m；对OLI影像进行融合，可为各领域研究提供更高质量的图像数据[4]；

不同融合算法对融合影像光谱信息继承、空间分辨率提高、信息容量的增加等方面影响程度不同[5-7]，目前对Landsat8 OLI影像融合研究较少；本文利用色彩标准变化融合法（Brovey融合）、主成分变化法（PCA融合）、Daubechies小波融合、Coifet小波融合、HIS与小波相结合以及PCA与小波相结合的融合算法6种算法，对乡镇尺度下Landsat8 OLI影像MS波段和PAN波段影像融合，通过定性和定量相结合的精度评价方法进行精度分析，以研究OLI影像在不同融合算法中的适应性；最后，选出精度最优的融合影像，利用支持向量机（Support Vector Machine，SVM）的分类方法对融合前后影像进行分类，比较其分类精度，研究融合算法在影像分类应用中的适应性及有效性。以期为Landsat8 OLI影像提高空间分辨率、影像可视化效果及分类精度提供理论基础。

1　研究方法

1.1最优波段选择

为了适应不同方法波段组合数不统一的要求，达到图像增强、减少数据冗余的目的，本文引入美国查维茨教授提出的最佳指数公式（Optimum Index Factor，OIF），选取OIF得分最大的三个波段进行波段融合[8]。最佳指数公式遵循：单波段反映的信息量大，波段间相关性尽可能弱，目标地物类型在所选波段组合中能被很好地区分三个原则。

式中: Yi为第i个波段的亮度标准差；Zij为第i和第j波段的相关系数；n为参与合成的波段数目。

1.2融合算法选择

本文旨在研究不同算法在新一代Landsat8 OLI影像融合中的适应性及有效性。参照前人研究，笔者选择以下6种影像融合算法：Brovey融合[9]、PCA融合[10]、Daubechies小波融合、Coifet小波融合[11]以及PCA、HIS与小波融合相结合的融合算法[12]对OLI影像MS最佳组合波段和PAN波段进行融合。6种融合算法请参考相关文献[9~12]，在此不再赘述。

1.3精度分析

本文采用定性的主观评价和定量的客观评价法对6种融合算法精度进行分析。定性主观评价法主要目视判断融合前后影像空间、光谱、纹理等信息的变化。定量客观评价法根据融合图像与原图像信息经过计算所得相关指标进行评价；主要评价指标分为以下三种，图像亮度信息指标：均值，空间信息保持能力指标：标准差、信息熵和清晰度，以及光谱信息保持能力指标：光谱扭曲程度、偏差指数和相关系数[13,14]。具体计算过程在MATALAB中编程实现。

1.4分类方法

支持向量机（Support Vector Machine，SVM）分类算法是建立在统计学理论（VC维理论和结构风险最小原理）基础上，相对较新的模式识别方法，具有快速、自适应学习，以及处理高维特征数据优势，使其在遥感分类应用领域受到广泛关注，其最大优点是分类时无需进行数据降维，在算法收敛性、训练速度、分类精度等方面具有较高性能。具体算法参照文献[15]。

2　结果分析

2.1研究区选取及最优波段选择

2.1.1研究区选择及一般性描述用于实验的OLI影像下载于中科院地理空间数据云网站，成像于2014 年5月11日。利用ENVI5.1打开影像MTL文件提取MS波段和PAN波段子集，在影像中选择一块地物类型较为齐全的乡镇区域（图1）作为融合实验数据，所选研究区是以陕西省宝鸡市扶风县常兴镇为中心的乡镇尺度正方形区域，MS波段区域大小为255×241个像元，PAN波段大小为506×478个像元。数据前期预处理分为辐射定标、大气校正、影像裁剪等。

经过前期处理的MS和PAN影像基本信息如表1所示。最佳波段选择的前提是计算各MS波段相关系数（表2）。由一般性统计描述可知：标准差最大值为第五波段（近红外波段），说明Band5图像灰度级分布分散，图像反差大，信息量最丰富。波段间相关系数反映了数据冗余量，系数越高，冗余越高；MS相关系数表明：OLI影像前4个波段都大于0.9，说明前4个波段信息冗余非常大。研究区中B5与其他波段相关性呈极显著负相关关系，说明B5中包含的信息量与其他波段包含的信息量差异很大，这与B5波段近红外成像原理密切相关。

图1　研究区Fig.1 Studied area

表1　MS波段一般性统计描述Table1 The Statistics of general description to MS band

表2　MS波段相关性分析Table2 Correlation analysis to MS band

2.1.2 OIF因子计算7个MS波段的3个波段组合方式共有35种，根据表1、表2和公式（1）计算最优波段组合OIF因子，结果如表3所示。由表可知：OIF因子得分最高波段组合为B456组合，其

表3　波段组合OIF因子Table3 The OIF factor of band combination

标准差和最大，相关系数和最小，即满足单波段反映的信息量大，波段间相关性尽可能弱，目标地物类型在所选波段组合中能被很好地区分三个原则。因此，本文选择B456波段进行波段融合研究，后文所提的R、G、B波段分别对应所选波段中4、5、6波段。

2.2融合分析

根据6种方法对所选最优MS波段组合B456与PAN波段进行融合，并对6种融合算法所得影像进行定性和定量评价。

2.2.1定性评价本文从光谱分辨率和空间分辨率两个方面进行融合精度评价。光谱分辨率主要判断融合影像整体色彩是否与原始多光谱影像保持一致，判断融合后影像整体亮度是否保持一致、色彩反差是否过大，是否存在噪声和斑块。6种融合算法融合前后细节部分结果如表4所示，PCA算法、HIS-wavelet、PCA_wavelet保持了原始光谱特性，但也存在局部色彩差异大的现象，如PCA中部分

表4　融合前后影像定性分析Table4 The qualitative analysis to the image of before and after fusion

呈紫颜色的居民地有所加深，而HIS-wavelet、PCA-wavelet融合结果中居民地光谱保持最好，Brovey、Daubechies、Coifet三种算法居民地的光谱特性均有所变白；Brovey、Daubechies算法整体亮度偏暗，色彩反差相对较小，尤其是在有植被的农耕区，色调整体偏暗；6种算法结果中，河流的光谱特性均保持较好，Daubechies中河流颜色变暗；HIS-Wavelet、PCA_wavelet两种算法中，整体存在大量的噪声和斑块，且较为明显，地物光谱特征显得不连贯，两种算法光谱分辨率差异较小，目视识别很难区分两者差异。

空间分辨率评价主要从纹理信息着手：6种算法均提高了空间分辨率，原始影像中某些不可识别的小路均可在融合影像中识别；其中，对纹理突出较好的算法为PCA融合算法，其地物边缘突出，耕地和非耕地界线清晰，居民地、道路、水体、农田纹理清晰，易于目视解译；Brovey、Daubechies、Coifet三种算法均存在不同程度的模糊性；而在HIS-Wavelet、PCA-Wavelet中，由于有大量的噪声和斑块的存在，严重影响影像纹理的清晰性，不易于目视解译。

综合以上目视效果分析可知，6种算法中，PCA算法对OLI影像融合效果最佳，其光谱分辨率与原始影像基本保持一致，各种地物间纹理清晰，斑点和噪声最少，易于目视解译。

2.2.2定量精度分析为保证影像融合前后质量差异评价的客观性，本文基于MATALAB通过编程实现融合影像与原始影像相关精度指标计算，由于各项精度指标计算是基于单波段RGB进行，本文结果取三个波段的平均值作为各个指标的质量评价指数，各指标计算结果如表5所示。

表5　定量精度分析Table 5 Quantitative analysis of accuracy

由表可知：PCA算法融合结果各项指标均占优，Brovey算法融合结果最差。均值是描述图像亮度信息的指标，均值越接近原始影像值，说明其光谱特性与原始影像保持一致性效果更好，6种算法中，PCA均值与原始影像一致，为44.011，其接近原始影像均值的大小排序依次为PCA> HIS-wavelet > Daubechies > Coifet > PCA-wavelet > Brovey。空间信息保持能力的评价指标，标准差、信息熵、清晰度值越接近原始影像，说明影像空间信息保持能力越强，PCA的标准差、信息熵、清晰度与原始影像标准差最接近，其值分别为10.734、4.751、3.370，说明其光谱保持能力最强；6种影像标准差接近原始影像程度大小排序依次为PCA>Daubechies>HIS-wavelet>Coifet>PCA–wavelet> Brovey，信息熵的接近程度大小排序依次为PCA>HIS-wavelet>Daubechies>Coifet>PCA-wavelet> Brovey；清晰度是表征图像边缘两次明暗差异能力的指标，值越大，清晰度越高，6种方法中清晰度大小依次为HIS-wavelet> Daubechies>Coifet > PCA >PCA-wavelet > Brovey。光谱扭曲度是评价融合前后光谱信息一致性的指标，其中光谱扭曲程度越小，说明融合后光谱失真程度越小，融合质量越好，Daubechies算法失真程度最小，其值为4.068，PCA位居第二，为4.385，扭曲程度最大为Brovey算法；偏差系数是表征融合前后影像辐射亮度偏差程度的客观指标，6种方法中PCA算法的偏差系数值最小，其值为0.089，说明其偏差程度最小，最大值为Brovey算法，其值为42.371。相关系数可作为衡量融合前后影像信息保真程度的指标，值越大，光谱保真越好；PCA-wavelet算法相关系数最高，为0.918，说明信息保持能力最好，PCA算法位居第二，其值为0.881，保真程度最差算法为Brovey，其值为0.584。

综合以上定量分析可知：所选6种算法中PCA算法各指标均占优，为最佳融合算法，换句话说，OLI影像对PCA融合适应性最好。不同算法具有不同特点，Daubechies算法光谱扭曲度最小；HIS-wavelet算法清晰度最高；PCA-wavelet算法相关系数最高，说明融合后信息含量最大；Brovey算法各精度指标均较差，融合效果最差。

2.3融合影像应用分析

本文利用支持向量机（SVM）的监督分类方法对融合前后的OLI影像进行分类，并以目视解译的分类成果作为标准分类图，对融合前后影像分类进行精度分析，以验证OLI融合影像在实际分类中的有效性。分类前将原始影像采样至15 m，以利于后续分析；融合影像选择PCA融合结果图像；标准样图通过融合影像结合Google地图中10 m分辨率的SPOT5影像以及中科院2000年3级分类标准的土地利用成果数据进行目视解译所得。三种分类结果如图2所示，分类精度如表6所示。

图2　SVM监督分类结果Fig.2 The result of SVM classification

表6　分类精度Table 6 The analysis on classification accuracy

结合图2和表6对分类结果进行定性定量精度评价，分类结果图中显示：水体信息提取精度相当，所有水体均被提出；PCA融合后影像分类结果中，耕地、交通、园地分类效果与标准土地利用类型图的分类一致性明显优于原始影像分类结果；另外，原始影像分类结果中，耕地内部存在较多交通用地碎斑，错分现象较为明显。从总体分类精度和Kappa系数可知，PCA算法融合后的分类精度显著提高，PCA融合后影像分类总体精度为79.68%，Kappa系数为0.576，而融合前原始影像总体精度为74.19%，Kappa系数为0.512；说明经过融合后的OLI影像在分类中具有一定的优越性。从融合前后生产精度和用户精度可以看出，不同地类分类精度有较大差别。融合后的各地类生产精度中：水体、居民地、耕地、园地4种地类的生产精度均大于原始影像；融合后影像分类用户精度显示：水体、交通用地、耕地和裸地分类精度均优于原始影像分类精度。融合前后分类精度偏低（一般在80%以上），这可能是由于利用OIF因子选择最优波段组合的同时，舍去了信息含量大的信息，导致参与分类的影像信息量相对低、光谱分辨率降低，从而影响总体分类精度；另外，分类器对影像分类的适应性也可能导致总体精度偏低。

3　结论

本文基于OIF因子对Landsat8 OLI影像进行最优波段组合选择，研究现有融合算法对乡镇尺度下OLI影像MS波段与PAN波段融合的适应性，从定性和定量的角度分析了6种融合算法在光谱、空间分辨率、纹理信息等方面的特点，并利用较为成熟的SVM分类算法对融合前后影像进行土地利用分类，以验证OLI融合影像在实际生产应用中的有效性。结果表明：

（1）利用OIF因子进行最优波段组合选择，可客观选择信息容量大、冗余度小的波段进行融合，达到减少数据冗余、增强影像空间信息的效果。本研究中最优波段组合为B456，其OIF因子值为27.842。这与杜挺[16]研究结论中B245为最佳波段指数有所差异，本文所选取的研究区域为乡镇尺度，区域内各地类所占比例较为均衡，而杜挺研究中选取县域尺度，在其研究区中，耕地和林地所占比例较大，从而引起最佳波段组合不相同。

（2）通过定性和定量的精度评价方法对6种算法融合结果影像进行质量评价：结果显示PCA算法在定性和定量精度分析中各项指标均占优，其光谱分辨率与原始影像基本保持一致，各种地物间纹理清晰，斑点和噪声最少，易于目视解译，换句话说，OLI影像对PCA算法融合最适应。不同算法具有不同特点，Daubechies算法光谱扭曲度最小；HIS-wavelet算法清晰度最高；PCA-wavelet算法相关系数最高，说明融合后信息含量最大；融合效果最差为Brovey算法。

（3）通过SVM分类对PCA融合影像与原始影像进行分类，再通过标准土地利用分类图对分类结果进行定性定量精度验证，结果表明：经过PCA融合后有助于提高分类精度，换句话说，对OLI影像进行PCA算法融合，有利于土地利用分类的进行，验证了OLI影像经过融合后在实际生产应用分类中的有效性。

致谢：本文得到西北大学城市与环境学院2012级硕士研究生杜挺在理论与技术上的大力支持以及宝贵意见，特此致谢！

参考文献

[1]徐涵秋,唐菲.新一代Landsat系列卫星:Landsat8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3 249-3257

[2]许君利,张世强,上官冬辉.30a来长江源区冰川变化遥感监测[J].干旱区研究,2013,30(5):919-926

[3]辛亚楠,邓磊.基于小波变换的遥感图像融合方法研究[J].激光与光电子学进展,2013,21(1):1-6

[4]张玉君. Landsat8简介[J].国土资源遥感,2013,25(1):176-177

[5]林丽娟,徐涵秋,陈静洁,等.异源、同源传感器影像融合的比较研究[J].遥感技术与应用,2010,25(5):619-626

[6]赖格英,曾祥贵,刘影.基于ETM和图像融合的优势植被冠层叶面积指数和消光系数的遥感反演[J].遥感技术与应用,2013,28(4):697-706

[7]蒋年德,王耀南.一种新的基于主分量变换与小波变换的图像融合方法[J].中国图象图形学报,2005,10(7):910-915

[8] Alireza Hamedianfar, Helmi ZM Shafri. Development of fuzzy rule-based parameters for urban object-oriented classification using very high resolution imagery[J]. Geocarto International, 2014,29(3):268

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

[10]刘成云,陈振学,常发亮,等.基于特征量积与PCA的小波遥感图像融合[J].计算机工程与应用,2010,46(33):201-204

[11]陈颖彪,郭冠华,吴志峰,等.城市景观遥感影像融合质量对小波基选取的响应[J].地理与地理信息科学,2011,27(4):98-103

[12]方芳,张一平,赵深深,等.IHS与多尺度变换结合遥感影像融合质量对分解层数的响应[J].遥感信息,2014,29(1):51-55

[13]龚建周,刘彦随,夏北成.IHS和小波变换结合多源遥感影像融合质量对小波分解层数的响应[J].中国图像图形学报,2010,15(8):1269-1277

[14]潘祖燕.面向城镇地震倒塌房屋的多源遥感影像融合研究[D].重庆:西南大学,2011

[15] WANG Ke, GU Xing Fa, YU Tao. Classification of hyperspectral remote sensing images using frequency spe ctrum similarity[J]. Science China, 2013,56(4):980-988

[16]杜挺.Landsat8 OLI遥感影像融合算法比较及其土地利用分类适应性分析[D].西安:西北大学,2015

*通迅作者:Author for correspondence. E-mail:jqy_wxh @163.com.

Study on the Suitability of Landsat8 OLI Image for Fusion Algorithms Based on the Township Scale

HUANGAn, WANG Xu-hong*, YANG Lian-an, DU Ting, WANG Yuan-yuan, LIU Jian-hong

College of Urban and Environmental Science/Northwest University, Xi an 710127, China

Abstract:In this study, we used the OIF factor to choose the best MS band combination for Landsat8 OLI image at the township scale, aiming to study the suitability of 6 kinds of fusion algorithms including standard color variation method (Brovey method), the principal component transformation method (PCA method), Daubechies transformation method for wavelet, Coifet wavelet transformation method, transformation method combining HIS with wavelet and PCA combining with wavelet transformation method for merging of MS and PAN brands of OLI images, and classified the image before and after merging to verify the validity of the fusion results in actual production application with SVM method. Results showed that the B456 brand which OIF value was 27.842 was the best band combination among 35 kinds of combinations of 7 bands. Qualitative and quantitative accuracy assessment before and after merging image showed that each index of OLI image was the dominated for PCA algorithm, which had the highest merging adaptation. And the spectral distortion degree of Daubechies wavelet algorithm was the smallest; HIS-wavelet algorithm had the highest sharpness; PCA-wavelet algorithm had the highest correlation coefficient and merging information contents compared with others. Brovey was the worst adaptive algorithm among 6 kinds of fusion algorithms; Accuracy verification of land use classification demonstrated that OLI image which merged by PCAalgorithm would contribute to improve the classification accuracy.

Keywords:OLI images; merging algorithms; suitability; application research; township scale

作者简介:黄安(1990-),男,四川雅安人,硕士生,主要研究方向为遥感与地理信息系统应用. E-mail:hhanner@163.com

基金项目:西北大学“211工程”研究生自主创新项目(YZZ13002);国家自然科学基金(41071271)

收稿日期:2015-01-05修回日期: 2015-01-25

中图法分类号:TP30116

文献标识码:A

文章编号:1000-2324(2015)04-0600-07