刘甲 李卫东 段金龙

摘 要：不同卫星所拍摄的遥感影像对融合算法具有不同的适应性，人们需要根据不同的需求选择不同的融合算法。本文以Landsat 8遥感影像为研究对象，进行全色影像和多光谱影像的融合，同时选择4种影像融合算法，对校正后的Landsat 8多光谱影像和全色影像进行融合处理，并对融合后结果进行定性和定量评价。试验结果表明，Brovey融合算法均值最大为168.266 737，融合效果相对较差;PC融合算法的均值最小为161.863 477，影像光谱保真度最好;HSV融合算法信息熵和平均梯度依次为5.286 542、18.826 124，其表达空间细节的能力最佳，但其光谱保真度较差;NNDiffuse融合算法各项评价指标综合效果最好。

关键词：Landsat 8;影像融合;效果评价

Abstract： The remote sensing images taken by different satellites have different adaptability to the fusion algorithm， people need to select different fusion algorithms according to different needs. Taking Landsat 8 remote sensing image as the research object， this paper carried out the fusion of panchromatic image and multispectral image， and choosed 4 image fusion algorithms to fuse the corrected Landsat 8 multispectral image and panchromatic image， and qualitatively and quantitatively evaluated the results after fusion. The experimental results show that average value of Brovey fusion algorithm is 168.266 737， and the fusion effect is relatively poor; the minimum value of the PC fusion algorithm is 161.863 477， and the image spectral fidelity is the best; the information entropy and average gradient of the HSV fusion algorithm are 5.286 542 and 18.826 124 in order， its ability to express spatial details is the best， but its spectral fidelity is poor; the comprehensive effect of various evaluation indexes of NNDiffuse fusion algorithm is the best.

Keywords： Landsat 8;image fusion; effect evaluation

影像融合是指通过不同的融合算法对某一地区的多源影像数据进行处理，在保留多光谱信息的同时提高影像的空间分辨率。融合后的影像比源影像有更好的目视效果[1]。

国内外针对多源影像数据以及不同的融合算法进行了大量研究，代表性的算法有Brovey、PC、HSV等，并依据均值、标准差、信息熵和平均梯度等评价指标进行评价。本文选取Landsat 8影像数据（2018年4月8日郑州某地区Landsat 8 OLI影像，利用ENVI5.3软件对影像进行裁剪、辐射定标和大气校正等预处理）进行融合，采用Brovey、PC、HSV、NNDiffuse 4种算法，从定性和定量这两个方面对融合效果进行评价，以期更好地获取城市绿地分布的空间信息，为城市生態评价和景观生态建设提供必要的基础数据。

1 融合算法

本文采用Brovey、PC、HSV、NNDiffuse 融合算法，其原理简单介绍如下。

1.1 Brovey融合算法

Brovey又称色彩标准化（Color Normalization）融合，其原理是将多光谱各波段影像进行归一化，再与全色影像进行乘积性的波段运算来增强影像信息[2]。

1.2 PC融合算法

PC Spectral锐化是针对原始多光波谱影像进行融合的方法。首先，对多光谱数据进行主成分变换。其次，用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被匹配到第一主成分波段，从而避免波谱信息失真。最后，进行主成分反变换得到融合图像[3]。

1.3 HSV融合算法

HSV变换是将原始多光谱影像转换到HSV空间，分离出色度（H）、饱和度（S）、亮度（V），然后用全色影像的波段代替已分离的亮度（V），利用重采样技术将已分离的色度（H）和饱和度（S）重采样为高空间分辨率的像元，利用HSV反变换，获得融合影像[4]。

1.4 NNDiffuse融合算法

NNDiffuse（Nearest Neighbor Diffusion）是由美国罗彻斯特理工学院（RIT）提出的融合算法。该算法采用OpenMP和CUDA技术来提高其处理性能，融合后影像能较好地保留色彩、纹理和光谱信息[5]。

2 试验结果

本试验中，Brovey算法将选择原始多光谱图像4、3、2波段与全色影像进行融合，其余算法均是对7个波段进行融合。影像结果在ENVI中统一按照3、2、1波段进行2%线性拉伸显示，结果如图1所示。

3 融合质量评价

3.1 定性评价

通过融合结果对比分析，4种融合算法均提高了原始多光谱影像的空间分辨率，能准确区分地物的空间结构及各个地物之间的边缘部分。从光谱特征方面来看，Brovey影像光谱扭曲严重，容易造成地物划分错误。HSV、PC和NND影像的光谱色调基本接近原始影像，较好地保留了光谱信息。HSV较其他融合影像纹理特征最为明显，但是存在色彩失真现象。总体来看，NNDiffuse目视效果最好。

3.2 定量评价

为了对融合结果做进一步客观评价，本研究选取均值、标准差、信息熵、平均梯度4个指标进行评价。各个定量评价指标，如表1所示。

由表1可知，就亮度信息而言，Brovey的影像均值为168.266 737，在所有结果中是最高的，表明Brovey算法的目视效果最差;PC的影像均值为161.863 477，较其他3种算法，亮度较高，目视效果较好。在4种融合影像的标准差中，HSV算法的标准差最大，数值为91.967 902，其融合结果的灰度级分散，图像反差大，能看出更多的信息;Brovey算法的标准差最小，为88.400 826，说明经过Brovey变换后的影像灰度级不够分散，影像反差不大，色调也偏向于单一均匀。从信息熵和平均梯度指标来看，HSV算法数值依次为5.286 542、18.826 124，其融合最优，说明经过HSV变换后的影像具有较好的空间信息，图像层次、细节反映较好，而Brovey、PC、NND 3种算法信息熵依次为4.892 973、4.874 581、4.891 906，其结果较为接近，信息量保持方面相当，Brovey平均梯度数值为7.233 279，表明其融合后的细节反映最差。从相关系数指标来看，Brovey的相关系数最高为0.992 586，说明Brovey在光谱保持性方面都要优于其他方法，HSV的相关系数最低为0.858 446，在光谱保持性方面最差。综合各项指标来看，NND效果最好，而这一结果与目视判别的结果吻合。

4 结论

Brovey、PC、HSV和NNDiffuse 4种融合算法均能提高影像的视觉效果和空间分辨率。Brovey算法均值最大为168.266 737，融合效果相对较差;PC算法的均值最小为161.863 477，影像光谱保真度最好;HSV算法信息熵和平均梯度依次为5.286 542、18.826 124，其表达空间细节的能力最佳，但其光谱保真度较差;NNDiffuse算法各项评价指标综合效果最好。本次试验的结果可为Landsat 8卫星影像数据的融合处理及应用提供一定的参考和借鉴。

参考文献：

[1]刘锟，付晶莹，李飞.高分一号卫星4种融合方法评价[J].遥感技术与应用，2015（5）：980-986.

[2]李爽，姚静.北京一号高分辨率影像数据融合效果评价[J].河南大学学報（自然科学版），2008（3）：276-280.

[3]Welch R.Merging multiresolution Spot HRV and Landsat TM data[J].Photogrammetric Engineering and Remote Sensing，1987（3）：301-303.

[4]Koutsias N，Karteris M，Chuvieco E.The use of intensity -hue- saturation transformation of Landsat-5 thematic mapper data for burned land mapping[J].Photogrammetric Engineering and Remote Sensing，2000（7）：829 -839.

[5]Sun W，Chen B，Messinger D W.Nearest-neighbor Diffusion-based Pan Sharpening Algorithm for Spectral Images[J].Optical Engineering，2014（1）：13117.