孙越，2，黄国满2，赵争2，刘本强

(1.山东科技大学 测绘科学与工程学院，山东 青岛 266590；2.中国测绘科学研究院，北京 100036)

0 引言

随着遥感技术的发展，从不同遥感平台获得的遥感影像形成了多级多分辨率的影像金字塔序列，给遥感用户提供了海量的对地观测数据源[1]。然而，在现有卫星发射成本和传感器硬件技术的限制下，卫星成像指标之间是相互制约的，单一遥感器对地观测所获取的信息并不全面。合成孔径雷达(synthetic aperture radar，SAR)能反映不同地物的后向散射信息，具有全天时、全天候、大范围、长时间和周期性的对地观测能力，影像包含丰富的纹理、几何和地形特征信息，对地物识别具有显著优势，但缺乏光谱信息。光学遥感数据能反映不同地物的反射光谱信息，但成像过程易受天气影响，特别是在多云雨雾的地区，数据采集较困难，限制了光学图像的应用。在遥感成像系统中，很难同时获得高分辨率的光谱、空间和时间信息，制约了遥感影像的应用[2]。为了解决遥感卫星无法同时获得具有多属性高分辨率的遥感影像这一难题[3]，图像融合技术应运而生，它能极大地提高影像间的利用率，获得时-空-谱分辨率最优的遥感数据，提高影像的解译能力[4]。

图像融合早期概念始于20世纪70年代初，其理论方法研究始于20世纪80年代以后[5]。图像融合作为一种有效的图像应用手段，在时代变迁中得到了井喷式的发展。国内的图像融合技术相比国外而言起步较晚，直到20世纪80年代才有少量文献提及这一概念，90年代才在国内形成研究热潮[6]。

目前，遥感影像融合可分成像素级融合、特征级融合和决策级融合3个层次，其中基于像素级的影像融合在图像融合领域中应用较早也较为广泛，它是直接对传感器采集获得的原始数据或经过预处理的数据采用适当的融合策略进行融合处理。像素级融合算法大致分成三类：一是基于代数运算的方法，如加权融合法、高通滤波法[7-8]、Brovey融合法；二是基于分量替换的方法，如IHS变换、主成分分析(principal components analysis，PCA)[9]、正交变换和线性回归融合法；三是基于多尺度变换的方法，如小波变换融合法[10-12]。像素级融合算法简单易行，但对源图像的预处理过程要求较高，尤其是SAR数据和多光谱图像融合。由于SAR系统是侧视相干成像，SAR图像中固有的斑点噪声会降低影像的可解译程度，对后续影像融合、地物分类、变化检测和信息提取等工作产生严重影响，因此抑制SAR图像中的相干斑噪声是进一步解译和应用的前提。实际上，学者们研究SAR滤波方法的差异对图像融合的影响远少于影像配准对图像融合的影响，针对不同滤波方法与不同融合算法之间最优组合的研究更是鲜有报道。

鉴于此，本文以全极化Radarsat-2数据和Landsat-5 TM影像为数据源，首先分析了SAR斑点噪声的产生机理，其次对现有的Lee滤波、Frost滤波、Kuan滤波、Gamma MAP滤波、增强Lee滤波和增强Frost滤波等6种相干斑噪声滤除方法进行了简述；然后在数据预处理的基础上，将IHS变换、PCA变换、GS变换和PCA_IHS变换等4种经典融合算法应用于SAR影像和多光谱图像的融合；最后对融合效果进行精度评价和分析，以期寻找出不同滤波方法下的最佳融合策略，获得空间纹理细节更加丰富、清晰度更高、具有较少光谱失真的更高质量的融合影像，为进一步影像分类、变化检测和信息提取等实际应用奠定基础。

1 原理与方法

1.1 相干斑滤波

由于SAR为侧视斜距相干成像，使得具有均匀散射系数的目标在雷达影像上并不具有均匀的灰度，从而导致SAR图像上出现许多斑点噪声[13]，使得影像信噪比低，给后续的影像解译工作造成困难，因此在使用SAR影像进行解译之前，必须对其进行处理以减少噪声影响。

目前SAR影像相干斑抑制的研究主要是针对成像之后的相干斑抑制，国内外针对SAR图像滤波开展了大量研究，形成了一些较为成熟的算法[14]。本文采用Lee滤波、Frost滤波、Kuan滤波、Gamma MAP滤波、增强Lee滤波和增强Frost滤波等6种经典的SAR影像滤波方法进行实验及对比分析，滤波窗口设定为5×5窗口，表1总结了经典SAR影像滤波方法的特点及性能。

表1 不同滤波方法性能比较

1.2 IHS变换

IHS (intensity，hue，saturation)变换能将人类感知的RGB颜色空间转换为IHS颜色空间，并且通过对比度的拉伸将IHS反变换为RGB模型，生成一个色彩增强的彩色图像，从而实现多源遥感影像间的信息融合[15](图1)。

图1 IHS变换融合流程图

IHS变换融合法既能保留影像的空间分辨率又能增添丰富的光谱特征，从而提高了影像的分类识别能力。但是它只能处理3个波段，并且扭曲了原始多光谱影像的光谱特性，易产生光谱退化现象[16]。

1.3 PCA变换

PCA变换是一种最小均方误差意义上的最优正交变换，已广泛应用于图像数据压缩、特征选择等方面[17](图2)。

图2 PCA变换融合流程图

PCA变换融合法[18]的优点是可以进行所有波段的多光谱数据和高分辨率数据交换，从而分离各个波段的纹理信息[19]。但是PCA融合法只是简单的用高分辨率数据替换PC1分量，故会损失影像中光谱特征的有用信息，使融合后影像存在严重的光谱畸变现象。ENVI5.3提供PC Spectral Sharpening工具，可以直接对预处理后的影像进行PCA融合。

1.4 GS变换

正交变换(gram-schmidt，GS)[20]是统计学中常用的方法，它通过对矩阵或多维影像进行正交变换，消除波段之间的相关性[21]。GS与PCA的主要区别在于，PCA变换后的PC1包含最多的信息，其他分量信息含量依次减少，而GS变换产生的各个分量仅正交，各分量所含信息量基本均等(图3)。

图3 GS变换融合流程图

1.5 PCA_IHS变换

PCA变换是基于数学统计方法的融合，以数据压缩和信息融合为目的，能抑制噪声，起到图像增强的效果。IHS变换是基于彩色空间的融合，它利用高分辨率影像波段替代亮度分量，能够提高多光谱影像的纹理特征，增强其空间细节表现能力[22]。结合2种方法的优点，进行一种基于PCA_IHS变换的全极化SAR与多光谱影像融合实验(图4)。

图4 PCA_IHS变换融合流程图

该方法结合了多光谱图像的其他波段信息，同时注入了SAR图像的纹理细节信息，抑制了相干斑噪声，从而能提高融合影像在光谱信息保真和空间细节信息增强方面的综合性能。

2 实验与分析

2.1 数据

实验区域位于温哥华，地理坐标为49°4′N～49°13′N，122°59′W～123°9′W。实验数据为Radarsat-2全极化精细模式，数据为SAR地理编码系统校正(SAR systematically geocoded，SSG)产品，像元大小3.125 m，分辨率8 m，成像时间为2008年4月15日，视数1×1。同地区的Landsat-5 TM光学影像从欧空局网站获得，拍摄于2008年5月25日，分辨率为30 m。

图5(a)为SAR影像的VH、HV和HH极化方式合成的RGB(R：VH；G：HV；B：HH)伪彩色图像，图5(b)是将Landsat-5 TM影像的5、4、3波段进行彩色合成，并利用ENVI5.3进行1%线性拉伸显示所得RGB(R：5；G：4；B：3)图像。

图5 实验区待融合影像

实验区域中SAR影像与多光谱影像成像清晰，层次丰富，无云雾遮挡，时间间隔较小，该区域主要为居民区、农田和河流，自然变化相对较小，因此忽略时间差异对影像融合效果的影响。

2.2 实验

本文选用的实验数据为全极化Radarsat-2的SSG产品，该数据是在SGF(SAR georeferenced fine)产品的基础上进行了地图投影校正，因此本文仅对Radarsat-2影像进行了相干斑滤波以及与TM影像在空间上精确配准，以消除几何畸变，另外将多光谱图像进行采样，使其与SAR图像具有相同的像素大小。滤波后的SAR影像如图6所示。

将预处理后的SAR影像和Landsat-5 TM影像分别进行IHS融合、PCA融合、GS融合和PCA_IHS融合，融合结果以真彩色显示，并进行了1%的线性拉伸。由于融合影像范围较大，不利于目视判读，本文截取了地物类型丰富，纹理细节信息丰富且色彩突出的感兴趣区进行展示。另外，王霄鹏等[23]通过实验得出Radarsat-2 4个极化分量中HV极化与TM影像融合效果最好。因此，在进行IHS变换、PCA变换、GS变换和PCA_IHS变换时，本文只利用HV分量与TM影像进行融合实验，融合结果如图7、图8、图9和图10所示。

图6 SAR影像在不同滤波器下的滤波结果

图7 不同滤波方法的IHS融合影像对比

图8 不同滤波方法的PCA融合影像对比

图9 不同滤波方法的GS融合影像对比

图10 不同滤波方法的PCA_IHS融合影像对比

3 融合效果质量评价

现有的影像质量评价方法主要分为两大类：主观评价和客观评价。其中，主观评价是基于对预先设定的标准和视觉效果的分析，简单直观但依赖评价者的先验知识，主观性较强；客观评价是基于图像的统计参数，可靠性较高。因此，本文利用两类评价方法对融合效果进行综合评价与分析。

3.1 主观评价

从图6结果可以看出，增强Lee和增强Frost滤波效果最优，能有效去除SAR影像上的斑点噪声同时较好地保留了影像的边缘纹理细节信息，Frost和Gamma MAP滤波效果较好、Lee和Kuan滤波后影像效果相对较差。从图7、图8、图9和图10可以看出，6种滤波下的4种融合算法所得融合影像在空间细节保持方面，融合后影像均提高了源图像的空间分辨率，极大地丰富了源图像的纹理细节信息，提高了影像的判读解译能力，其中PCA_IHS变换所得融合影像纹理细节清晰，边缘信息保持能力最好；在光谱保真度方面，融合影像均存在光谱失真现象，其中IHS变换和PCA_IHS变换后影像整体色调变化显著，在光谱保真度方面效果较差，PCA变换融合法略优，GS变换融合法与源图像的光谱信息最贴近。

3.2 客观评价

为进一步定量地分析不同融合方法对空间细节信息与光谱信息的影响，本文对滤波后的融合影像，分别选取均值、信息熵、平均梯度作为融合影像的质量评价指标，并用3个指标的平均值做为定量评价的最终结果，具体评价结果如表2所示。

表2 融合结果评价参数表

比较表2中各种方法的融合影像与原始多光谱影像的评价指标，分析得出以下结果：

1)均值是图像中所有像元亮度值的算术平均值，反映了地物的平均反射强度，均值变化越小，则融合后影像的平均亮度越接近原始影像[24]。6种滤波下，4种融合算法或多或少都存在一些光谱失真现象，其中GS变换所得融合影像的均值最接近原始影像，光谱保真度较好；Gamma、增强Frost滤波后的PCA融合图像均值与源图像基本一致，光谱保真度最好；PCA_IHS变换所得融合影像的整体色调较暗，光谱失真较严重；IHS变换所得融合影像光谱畸变最严重。

2)信息熵反映了图像包含信息量的多少，是衡量图像信息丰富程度的重要指标。所有融合影像的熵值均大于源影像的熵值，表明融合影像的信息量均增加。不同滤波下的融合方法所得图像熵值比较：PCA_IHS>IHS>GS>PCA。Lee滤波后的融合图像包含的信息量相对较多。

3)平均梯度反映了影像的清晰度和图像微小细节反差的表达能力和纹理变化特征，梯度值越大，影像越清晰。由表2可知，融合后影像的梯度值均明显大于源图像的梯度值，表明融合后影像的细节表现能力增强。PCA_IHS变换在6种滤波方法下的梯度值均大于其他融合算法；Lee滤波下的融合影像相比其他5种滤波方法，梯度值增幅较大，说明Lee滤波后的融合影像空间细节表现能力较强；Frost、Gamma和增强Lee滤波在融合影像纹理细节方面的提升力不佳，其中Gamma滤波后所得融合图像清晰度最差。

4 结束语

本文对Lee滤波、Frost滤波、Kuan滤波、Gamma MAP滤波、增强Lee滤波和增强Frost滤波等6种经典滤波方法和IHS变换、PCA变换、GS变换、PCA_IHS变换等4种常用融合算法进行了介绍，然后研究分析了不同滤波方法下的全极化SAR数据和多光谱影像在不同融合算法上的差异，通过目视判读和定量分析可知，同原始影像相比，融合后影像均保留了源图像的高频信息，地物细节特征清晰，同时增加了光谱信息。值得注意的是，增强Frost滤波后IHS变换、Lee滤波后的PCA变换和GS变换以及Kuan滤波下的PCA_IHS变换所得融合影像在纹理细节和光谱保真度方面整体效果最优。但是，融合影像仍或多或少的存在一些光谱扭曲现象，因此，下一步将解决IHS变换、PCA变换等经典融合算法所引起的光谱失真现象。另外，随着遥感影像时-空-谱分辨率的提高以及新型SAR传感器的出现，多尺度、多源、多时态遥感影像快速高效融合，也将是下一步继续研究和关注的重点。