珠海一號高光譜影像融合方法對比

楊婭婷，韓芬，楊陽，吳兆萍，官瑞芬，張允

(寧夏回族自治區遙感調查院(高分辨率對地觀測系統寧夏數據與應用中心)，寧夏，銀川 750000)

高光譜遙感(hyperspectral remote sensing)是目前獲取地物空間信息和光譜信息的一種新技術。具有光譜分辨率高、波段多、波段連續等新特點，其光譜分辨率為納米級，波段從幾個、幾十個到上千個不等，每個像元可提供幾乎連續的地物光譜曲線，因此，利用高光譜數據可對地物進行精準定量分析和細節信息提取[1]，為地物光譜深度分析提供重要依據。但高光譜數據空間分辨率不同程度的限制了高光譜數據的應用深度和廣度，因此，高光譜數據的融合非常必要。

遙感影像融合技術是將高光譜分辨率影像和高空間分辨率影像合并，剔除冗余信息，得到一幅同時保留二者優點的新合成圖像，讓圖像數據信息互補，使圖像數據更加全面、豐富和準確，從而增強圖像對地面物體的識別能力，實現更高精度的數據分類、提取及分析[2]。國內外學者對高光譜的融合進行了大量的研究。豐明博[3]等人利用小波融合算法對hyperion圖像和Spot5圖像進行融合實驗，融合后的圖像空間分辨率和光譜分辨率得到了改善；程傳陽[4]基于HSI進行高光譜圖像融合，并利用線性變換、中值濾波及改進基于小波變換的邊緣檢測等方法對融合后的圖像進行了增強，圖像融合效果得到很大的提高；王浩[5]對小波變換進行改進對高光譜遙感圖像進行融合研究，融合結果較好；宋亞萍[6]等利用多光譜資源三號和全色快舟一號數據，采用Gram-Schmidt、高通濾波法、最鄰近法等算法進行融合實驗，融合后圖像的空間信息和光譜信息都得到了提升；李存軍[7]等人以IKONOS影像為例，對比Gram-Schmidt、PC、IHS等算法的融合結果，得出Gram-Schmidt光譜保真效果較PC和IHS有了較大的提高。然而，很多研究使用的數據大多是國外的免費數據或者模擬數據，對國產衛星數據研究相對較少，數據源較為單一，種類不豐富，且不同分辨率、不同傳感器的影像融合較少。

為研究適合于珠海一號高光譜數據且易于實現的融合方法，本文選用HSV Sharpening(HSV)、Color Nornalized(Brovey)Sharpening、CN Spectral Sharpening(CN)、Gram-Schmidt Pan Sharpening(GS)、PC Spectral Sharpening(PC)、NNDiffuse Pan Sharpening(NND)等6種融合方法，分別對不同類型、不同分辨率國產衛星數據和珠海一號高光譜數據融合，通過目視分析和指標分析，對比影像融合前后空間分辨率和光譜特征變化情況，為高光譜影像數據在融合、信息提取、定量分析等方面的應用和研究分析提供參考。

1 方法及原理

1.1 融合方法

(1)HSV融合方法：HSV是一種色彩空間變換的融合方法，應用HSV變換融合時，首先采用三次卷積技術對高光譜圖像重采樣，使得高光譜和全色圖像在像元尺寸上一致，然后對高光譜影像實施HSV正變換，分離出亮度(V)、飽和度(S)及色度(H)分量，再讓高分辨率單波段全色圖像和HSV正變換得到的亮度分量進行直方圖匹配，并替換亮度分量V，最后經逆變換得到高光譜高空間分辨率的融合圖像[8-9]，變換過程如圖1。

圖1 HSV變換流程圖Fig 1. HSV Transformation Flowchart

(2)Brovey融合方法：實質上是一種比值運算融合方法，該方法首先將高光譜圖像重采樣到高空間分辨率全色圖像的像元尺寸上，然后對高光譜圖像和全色圖像數據數學合成，得到融合結果[9]。其融合表達式如下：

式中，HSi(j=1，2，3)-高光譜圖像參與運算波段；pan-高空間分辨率全色圖像；Ii-各波段融合結果。

(3)GS融合方法：根據正交線性變換理論實現，首先從低分辨率高光譜波段中分出一個分量，并將該分量和高光譜波段正交變換，然后用高空間分辨率單波段全色圖像替換變換后的分量，在與其他分量一起反變換得到融合影像[10-11]，變化過程如圖2。

圖2 GS變換流程圖Fig 2. GS Transformation Flowchart

(4)PC融合方法：即主成分變換。該方法是將高光譜圖像經過變換，得到各不相關的主成分

分量圖像，然后用直方圖匹配后的全色圖像替換第一主成分圖像，最后使用逆變換得到融合圖像，變換流程如圖3。

圖3 PC變換流程圖Fig 3. PC Transformation Flowchart

(5)NND融合方法：通過計算高光譜各波段的貢獻向量，而后計算高光譜和全色圖像的差異因子，最后運用數學模型得到融合圖像。該算法光譜保留較完整，色彩不容易扭曲。

(6)CN融合方法：也稱“能量分離變換”，是彩色標準化銳化算法的延續，其實質是將高光譜分辨率圖像各波段進行歸一化處理，輸出融合影像[12]。

2.2 評價方法

融合后的圖像評價主要評價圖像空間分辨率和高光譜數據光譜信息保持程度。常用評價方式有主觀評價和客觀評價[13]，主觀評價是將融合后的影像和原始影像疊加，通過判讀影像紋理、邊界、細節等清晰度及色彩的保持程度來評估影像質量，方法直觀簡單，但易受觀察者經驗影響，不能有效的判斷其質量的好壞；客觀評價是通過統計和計算不同評價指標對融合影像光譜、信息量、噪聲等特性評價。該方法容易受到軟件兼容性影響，將上述方法結合評價更加全面和系統。

(1)均值是指影像像素的灰度平均值，反映圖像的平均亮度，融合后圖像均值與原始的高光譜圖像均值差值越小，目視效果越好。其表達式：

(2)平均梯度用來評價圖像清晰程度，反映圖像改善情況。平均梯度越大，圖像的清晰度越高，保留的信息越豐富。其表達式：

(3)信息熵是評價影像中含信息量多少建立的評價指標。通過分析信息熵變化，判斷圖像信息量變化。對于影像，假設其各像素的灰度值彼此獨立，則該圖像灰度分布：p={pi，p2，p3，…，pn}其中，pi-圖像中灰度值i的像素個數與像素總數之比，L-圖像灰度級數，圖像信息熵表達式：

融合圖像熵越大，表明圖像包含的信息量越多，圖像信息越豐富，融合效果越好。

(4)相關系數：反映圖像間相似程度，值越大光譜信息保持越好，顏色變化越穩定。表達式：

3 影像融合與結果分析

3.1 數據源

本文以高光譜數據珠海一號(OHS)及光學數據吉林一號(JL1)、高分二號(GF2)、高分六號(GF6)影像為數據源進行融合實驗。其中，OHS是珠海一號衛星星座第2組衛星，于2018年4月26日發射，空間分辨率10m，光譜分辨率2.5nm，波譜范圍400nm～1000nm，波段數32個[14]。GF-2空間分辨率優于1m；GF6是中國首顆精準農業觀測高分衛星，分辨率2m，4個波段；JL1是中國規模最大的商業光學衛星，分辨率0.5m，4個波段。實驗數據相關參數見表1。

表1 實驗數據參數表Tab1. Experimental Data Parameters

3.2 影像融合

本文試驗區選取寧夏銀川市靈武市臨河鎮和寧東鎮交界處，以鴨子蕩水庫和寧東鎮城區為中心，該區域地勢平坦，地物豐富，有林地、沙地、建設用地、水庫、道路等地物。

實驗數據均為1A級產品，為提高影像融合后精度，以ENVI圖像處理軟件為平臺，對實驗數據分別進行輻射定標、大氣校正及幾何精校正，為保證多種實驗數據精準套合，裁切了7000m×7000m相同區域進行融合實驗，裁切校正數據如圖4至圖7。為便于融合后圖像的質量評價，融合過程中，珠海一號RGB值對應選擇12，7，2，且函數采樣方法均采用三次卷積。

3.3 結果分析

(1)目視分析：分析融合結果，HSV和Brovey方法只能保留RGB三個波段，其余方法均保持高光譜32個波段，為便于目視分析，將原始高光譜和融合結果32個波段數據用12，7，2波段組合成RGB真彩色方式顯示，拉伸方式統一使用線性1%，并選取水域、建筑和道路在細節上對比分析，融合結果見圖8。

圖8 不同數據、融合方法的融合結果Fig 8. Fusion Results of Different Data and Fusion Methods

整體視覺上，相較融合前圖像，融合后圖像清晰度JL1>GF2>GF6(>表示優于)，但光譜信息均有不同程度的損失。三種實驗數據HSV結果色彩偏黑灰、偏藍，與原始高光譜圖像相差較大，JL1的NND結果色彩整體偏暗，Brovey、GS、PC和CN結果色彩偏紅，GS從色層次、飽和度與原始圖像最接近。GF2和GF6的Brovey結果色彩偏灰白，GS和PC結果色彩相差不多，GF2的NND和CN局部區域曝光嚴重且色彩不均勻，說明光譜保真度較差，GF6的NND結果與原始高光譜圖像相近，GS和PC相比，GS效果最優。

紋理細節上，JL1建筑區NND效果優于GS和PC，與地物紋理表達較為相近，HSV和Brovey方法有暈色現象，CN方法部分區域像素丟失，導致地物紋理模糊，GF2和GF6的PC和GS效果較好；三種數據道路GS和PC效果較好，NND較暗，HSV光譜退化嚴重，效果最差。融合圖像紋理上都有不同程度失真，但較原始高光譜圖像，融合后紋理內容更加豐富，空間細節清晰度也得到很大提高，原始影像上無法準確識別的建筑、道路、水域等地物邊界融合后較之前更加清晰。

融合方法比較上，吉林一號融合結果GS>PC>NND>CN>Brovey>HSV；高分二號融合結果GS>PC>Brovey>HSV>CN>NND；高分六融合結果GS>PC>NND>Brovey>HSV>CN。數據源上比較，HSV結果JL1>GF2>GF6；Brovey結果JL1>GF2>GF6；GS結果GF6>GF2>JL1；PC結果GF6>GF2>JL1；NND結果GF6>JL1>GF2；CN結果JL1>GF6>GF2。

(2)指標評價：通過計算不同數據源、不同融合方法融合結果波段平均值定量評價。包括亮度信息、清晰度、光譜信息和信息量。其中，HSV和Brovey只有3個波段，信息量、相關系數不做評估。不同數據、融合方法融合結果指標值統計見表2。

表2 融合結果評價指標值統計表Tab2. Statistics of Evaluation Indicators for Fusion Results

亮度信息：對比融合方法，表2中GS均值與原始高光譜圖像差值最小，其次PC變換，HSV和Brovey較差，HSV和Brovey融合只有3個波段，導致光譜變化較大。亮度指標最好的是GS變換，PC次之，Brovey最差。對比數據源，JL1亮度信息優于GF6，GF2效果較差，說明JL1融合后目視效果最佳。

清晰度：由表2，JL1和GF6的NND平均梯度值最大，其次GS和PC，且兩者平均梯度值相同，HSV居中，JL1的Brovey最小，GF6的CN最小，GF2的GS最大，PC次之，CN最小。說明JL1和GF6的NND融合方法、GF2的GS融合方法的融合結果紋理信息更突出，邊界更清晰，有利于線性地物邊界提取，JL1和GF6的GS和PC次之，清晰程度一樣，JL1的Brovey清晰度最差，GF6和GF2的CN清晰度最差。JL1數據只有CN融合后平均梯度高于高分數據，NND、GS、PC、HSV及Brovey融合結果平均梯度值均低于GF2和GF6，其中，GF6平均梯度值最高，說明使用這幾種方法融合，融合結果受原數據空間分辨率影響較大，異源影像空間分辨率差距越大，融合結果清晰度越低，相反，異源影像空間分辨率相差越小，融合結果清晰度越高。

信息量：對比信息熵值，三種數據NND信息熵值最大，包含信息量較多，信息保持能力較強，JL1和GF6的PC信息熵值次之，GF2的GS值次之，JL1和GF6的GS和PC值相差不大，包含信息量差不多，GF2和GF6的CN信息熵值最小，且與原始數據信息熵值相差較大，說明GF2和GF6的CN融合結果信息損失較為嚴重，信息量保持能力較差，JL1的CN信息熵值最小，與PC、GS及原始數據相比，相差不大，與GF2和GF6相比，信息量保持能力較好。

光譜信息：由表2，幾種融合方法的GS相關系數最大，GF2、JL1的PC相關系數次之，GF6的NND高于PC，CN相關系數最小，說明CN光譜保持最差，GF6、JL1的GS光譜信息保持最好。

融合方法上比較，GS在亮度和光譜信息保持度上效果最好，NND在清晰度和信息量保持能力上較突出，PC方法次之，HSV和Brovey指標較差；數據源上比較，JL1融合結果各項指標值均高于GF2和GF6，且指標值較穩定，表現最優。指標分析得出的結論與目視分析結果基本一致，GS、PC、NND等方法能夠適用于珠海一號高光譜數據的融合。

4 結 論

本文利用幾種常見的融合方法對不同高分辨率影像進行融合實驗，通過目視分析和指標分析方法，對比不同方法融合結果。實驗結果：GS綜合效果最好，指標值較穩定，光譜保真能力強，可用于目視解譯、制圖、展示等適用于光譜保真度要求高的工作；PC和GS融合結果相差不大，但PC方法信息集中在第一主成分上，不利于高光譜數據光譜信息深入分析；NND清晰度和信息量保持較好，可應用于專題信息提取。此外，高分系列全色圖像與高光譜圖像融合，全色圖像和高光譜圖像空間分辨率相差越小，融合圖像色彩和紋理表達與高光譜圖像越接近。高分數據和吉林數據相對比，吉林一號數據融合結果比高分數據更穩定，但其數據量較大，耗時較多。本文總結出針對不同目的可選取的融合方法，為珠海一號高光譜數據在后續的融合應用方面提供參考。