干旱区Landsat8全色与多光谱数据融合算法评价

doi:10.6046/gtzyyg.2019.04.02

摘要
图/表
参考文献
相关文章
Metrics

全文: PDF(3738 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

针对目前Landsat8影像像素级融合算法中单因素评价指标对比性不强、置信度较低、难以实现融合效果综合评估的问题,基于居延泽地区的Landsat8影像,采用11种单因素指标和面向对象分类方法,从空间信息量、光谱特征及地物分类精度3个方面综合评价了主成分变换法(principle component transform,PC)、比值变换法(brovey transform,BT)、HSV(hue-saturation-value)变换法、相位恢复变换法(Gram-Schmidt pan sharpening,G-S)、高通滤波算法(high pass filtering,HPF)和小波变换法(wavelet transform,WT)等6种融合算法的融合效果。结果表明,各融合算法的空间分辨率及纹理特征相较于原始影像均得到增强。HSV法表达空间细节的能力最佳,但其光谱保真度较差; WT法可最大程度地保持光谱特征,且空间细节表达能力仅次于HSV法,最适用于Landsat 8的影像融合; 综合考虑空间信息量与光谱特征,PC法和G-S法效果适中,略低于HPF法,BT法最劣。从分类结果来看,WT法和HPF法的分类精度相较于原始影像的分类精度有一定的提高。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	杨丽萍
	马孟
	谢巍
	潘雪萍

关键词 ：图像融合, 光谱信息, 空间信息, 面向对象分类, 效果评价

Abstract：

With lower contrast and confidence level, single factor evaluation index is not very effective in the comprehensive evaluation of pixel level image fusion algorithms of Landsat 8 in arid regions. Based on the Landsat 8 image of Juyanze area, 11 single factor indicators and object-oriented classification method were used to compare the following six image fusion algorithms, i.e., Principal Component (PC), Brovey Transform (BT), Hue-Saturation-Value Transform (HSV), Gram-Schmidt Pan Sharpening (G-S), High-pass filtering(HPF) and Wavelet Transform (WT) according to the spatial information quantity, spectral feature and classification accuracy. The results indicate that the spatial resolution and texture features of all fusion images are enhanced in comparison with the original image. HSV is proved to be the best algorithm to highlight the texture features in arid regions, but its spectral fidelity is bad. WT exhibits an excellent capability in maintaining the spectral information, and its capability of revealing spatial details is just next to the HSV method. Therefore, WT is considered the most suitable algorithm for image fusion of Landsat 8 in this study. Taking the spatial information quantity and spectral features into account simultaneously, the authors hold that PC and G-S have moderate performance, and their performance is a little lower than that of HPF, while the performance of BT is the worst. The classification results show that the classification accuracy of WT and HPF is improved to some extent compared with the original image.

Key words： fusion algorithm spectral information spatial information object-oriented classification effect evaluation

收稿日期: 2018-09-11 出版日期: 2019-12-03

TP79

基金资助:国家自然科学基金项目“干旱区湖泊古环境多源重建与耦合研究”(41371220);中央高校基本科研业务费专项资金项目“基于光学和全极化雷达遥感的居延泽古水文研究”共同资助(00009-2014G2270012)

作者简介: 杨丽萍(1968-),女,博士,副教授,主要从事环境遥感及3S应用研究。Email: zylpyang@chd.edu.cn。

引用本文:

杨丽萍, 马孟, 谢巍, 潘雪萍. 干旱区Landsat8全色与多光谱数据融合算法评价[J]. 国土资源遥感, 2019, 31(4): 11-19.
Liping YANG, Meng MA, Wei XIE, Xueping PAN. Fusion algorithm evaluation of Landsat 8 panchromatic and multispetral images in arid regions. Remote Sensing for Land & Resources, 2019, 31(4): 11-19.

链接本文:

https://www.gtzyyg.com/CN/10.6046/gtzyyg.2019.04.02 或 https://www.gtzyyg.com/CN/Y2019/V31/I4/11

Fig.1 研究区位置示意图

评价指标	计算公式		参数及含义
均值(U),表示影像像素灰度的平均值	$U = 1 MN ∑ i = 1 M ∑ j = 1 N Z i, j$		i和j分别为同一波段影像中各像元的行列号; M和N分别为影像行列数; Z(i,j)为像元的灰度值
标准差( $σ$ ),反映图像各像元灰度离散情况	$σ = 1 MN ∑ i = 1 M ∑ j = 1 N Z (i, j) - Z - 2$		$Z -$ 为像元的灰度平均值
平均梯度( $G -$ ),反映图像对微小细节变化的表达能力	$G - = 1 M × N ∑ i = 1 M ∑ j = 1 N 12 Δ I x 2 + Δ I y 2$		$Δ I x$ 和 $Δ I y$ 分别表示x和y方向的一阶差分
信息熵(H),表示偏离影像直方图高峰灰度区的大小	$H = - ∑ i = 1 L P i lb P i$		L为图像的最大灰度级; P_i为图像像元灰度值为i的概率
联合熵(CE),用于评价多波段影像总信息量	$CE = - ∑ i 1 = 0 L - 1 ∑ i 2 = 0 L - 1 P i 1 i 2 lb P i 1 i 2$		$P i 1 i 2$ 表示图像X和Y的像元灰度值i₁和i₂的联合分布概率
空间频率(SF),反映影像的总体活跃程度,可通过行频率和列频率计算	$SF = H F 2 + V F 2 HF = ∑ i = 1 M ∑ j = 2 N Z i, j - Z i, j - 1 2 M N - 1 VF = ∑ i = 2 M ∑ j = 1 N Z i, j - Z i - 1, j 2 M - 1 N$		HF为水平方向频率; VF为垂直方向频率
结构相似性(SSIM),是符合人眼视觉系统特性的图像质量客观评价指标	$SSIM X, Y = L X, Y × C X, Y × S X, Y = 2 u X u Y + C 1 2 σ XY + C 2 u X 2 + u Y 2 + C 1 σ X 2 + σ Y 2 + C 2 L X, Y = 2 u X u Y + C 1 u X 2 + u Y 2 + C 1 C X, Y = 2 σ X σ Y + C 2 σ X 2 + σ Y 2 + C 2 S X, Y = σ XY + C 3 σ X σ Y + C 3$		L(X,Y),C(X,Y)和S(X,Y) 分别为亮度比较、对比度比较和结构比较; $u X$ , $u Y$ , $σ X 2$ , $σ Y 2$ 和 $σ XY$ 分别为影像X和Y的均值、方差和协方差; C₁,C₂和C₃为常数; C₁=(K₁×L)²; C₂=(K₂×L)²; C₃=C₂/2; K₁=0.01; K₂=0.03; L=255
峰值信噪比(PSNR),衡量图像失真或噪声水平的客观指标	$PSNR = 10 lg MN × Max Y i, j 2 ∑ i = 1 M ∑ j = 1 N X i, j - Y i, j 2$		X(i,j)为原始多光谱影像像素值; Y(i,j)为融合影像像素值; Max[Y(i,j)]为融合影像最大值
光谱扭曲度(D_i),用于评价多光谱信息的保持程度	$D i = 1 MN ∑ i = 1 M ∑ j = 1 N X i, j - Y i, j$
评价指标		计算公式	参数及含义
偏差指数(D),表示融合影像和原始影像灰度值的偏差		$D = 1 MN ∑ i = 1 M ∑ j = 1 N X i, j - Y i, j Y i, j$
相关系数(g),反映2幅影像的相关程度		$γ = ∑ i = 1 M ∑ j = 1 N X i, j - u X Y i, j - u Y ∑ i = 1 M ∑ j = 1 N X i, j - u X 2 Y i, j - u Y 2$

Tab.1 评价指标

Fig.2 图像融合效果比较

Fig.3 局部区域融合效果比较

Tab.2 融合效果评价指标

Fig.4 不同融合算法分类结果

Tab.3 精度评价

Fig.5 不同类别地物精度对比

[1]	翁永玲, 田庆久 . 遥感数据融合方法分析与评价综述[J].遥感信息,2003(3):49-54.
	Weng Y L, Tian Q J . Analysis and evaluation of method on remote sensing data fusion[J].Remote Sensing Information,2003(3):49-54.
[2]	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, 2015,30(5):980-986. doi: 10.11873/j.issn.1004-0323.2015.5.0980
	Liu K, Fu J Y, Li F . Evaluation study of four fusion methods of GF-1 pan and multi-spectral images[J]. Remote Sensing Technology and Application, 2015,30(5):980-986.
[3]	郑雅兰, 王雷光, 陆翔 . 高分二号全色-多光谱影像融合方法对比研究[J]. 西南林业大学学报(自然科学版), 2018,38(2):103-111.
	Zheng Y L, Wang L G, Lu X . Comparison of image fusion methods for GF-2 panchromatic-multispectral[J]. Natural Science of Southwest Forestry University, 2018,38(2):103-111.
[4]	邢元军, 刘晓农, 宋亚斌 , 等. 国产高分辨率遥感影像融合方法比较与分析[J]. 中南林业科技大学学报, 2016,36(10):83-88.
	Xing Y J, Liu X N, Song Y B , et al. Research on fusion method comparison and analysis for domestic high resolution satellite images[J]. Journal of Central South University of Forestry and Technology, 2016,36(10):83-88.
[5]	郭蕾, 杨冀红, 史良树 , 等. SPOT6遥感图像融合方法比较研究[J]. 国土资源遥感, 2014,26(4):71-77.doi: 10.6046/gtzyyg.2014.04.12. doi: 10.6046/gtzyyg.2014.04.12
	Guo L, Yang Y H, Shi L S , et al. Comparative study of image fusion algorithms for SPOT6[J]. Remote Sensing for Land and Resources, 2014,26(4):71-77.doi: 10.6046/gtzyyg.2014.04.12.
[6]	杨丽萍, 夏敦胜, 陈发虎 . Landsat 7 ETM+全色与多光谱数据融合算法的比较[J]. 兰州大学学报(自然科学版), 2007,43(4):7-11.
	Yang L P, Xia D S, Chen F H . On fusion algorithm of Landsat 7 ETM+ pan and multi-spectral images[J]. Natural Sciences of Lanzhou University, 2007,43(4):7-11.
[7]	谢士琴, 赵天忠, 王威 , 等. 高分二号卫星影像融合方法比较研究[J]. 系统仿真学报, 2017,29(11):2742-2746.
	Xie S Q, Zhao T Z, Wang W , et al. Study on fusion algorithms of GF-2 satellite image[J]. Journal of System Simulation, 2017,29(11):2742-2746.
[8]	Song H H, Huang B, Liu Q S , et al. Improving the spatial resolution of Landsat TM/ETM+ through fusion with Spot5 images via learning-based super-resolution[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,53(3):1195-1204.
[9]	孙攀, 董玉森, 陈伟涛 , 等. 高分二号卫星影像融合及质量评价[J]. 国土资源遥感, 2016,28(4):108-113.doi: 10.6046/gtzyyg.2016.04.17. doi: 10.6046/gtzyyg.2016.04.17
	Sun P, Dong Y S, Chen W T , et al. Research on fusion of GF-2 imagery and quality evaluation[J]. Remote Sensing for Land and Resources, 2016,28(4):108-113.doi: 10.6046/gtzyyg.2016.04.17.
[10]	张兵, 崔希民, 韦锐 , 等. 基于RS与GIS多源数据融合的高原区地质调查研究[J]. 煤炭工程, 2016,48(3):99-102.
	Zhang B, Cui X M, Wei R , et al. Multi-data fusion in geological survey and mapping in plateau area based on RS and GIS[J]. Coal Engineering, 2016,48(3):99-102.
[11]	姬永杰, 岳彩荣, 张王菲 . SAR数据与光学数据融合在土地覆盖分类中的应用研究[J]. 西南林业大学学报, 2016,36(3):158-162.
	Ji Y J, Yue C R, Zhang W F . Use fusion of SAR and optical images for land cover classification[J]. Journal of Southwest Forestry University, 2016,36(3):158-162.
[12]	龚家栋, 程国栋, 张小由 , 等. 黑河下游额济纳地区的环境演变[J]. 地球科学进展, 2002,17(4):491-496.
	Gong J D, Cheng G D, Zhang X Y , et al. Environmental changes of Ejina region in the lower reaches of Heihe river[J]. Advance In Earth Sciences, 2002,17(4):491-496.
[13]	张玉君 . Landsat 8简介[J]. 国土资源遥感, 2013,25(1):176-177.
	Zhang Y J . Introduction to Landsat 8[J]. Remote Sensing for Land and Resources, 2013,25(1):176-177.
[14]	Welch R . Merging multiresolution Spot HRV and Landsat TM data[J]. Photogrammetric Engineering and Remote Sensing, 1987,53(3):301-303.
[15]	Vol. N . Multispectral imagery band sharpening study[J]. Photogrammetric Engineering and Remote Sensing, 1996,62(9):1075-1084.
[16]	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, 2000,66(7):829-839.
[17]	Ehlers M, Klonus S, Åstrand P J , et al. Multi-sensor image fusion for pansharpening in remote sensing[J]. International Journal of Image and Data Fusion, 2010,1(1):25-45.
[18]	Schowengerdt R A . Reconstruction of multispatial, multispectral image data using spatial frequency content[J]. Photogrammetric Engineering and Remote Sensing, 1980,46(10):1325-1334.
[19]	Psjr C, Sides S C, Anderson J A . Comparison of three different methods to merge multiresolution and multispectral data:Landsat TM and SPOT panchromatic[J]. Photogrammetric Engineering and Remote Sensing, 1991,57(3):265-303.
[20]	周芳, 王鹏波, 李春升 . 遥感图像融合效果评估方法[J]. 现代雷达, 2013,35(3):19-23.
	Zhou F, Wang P B, Li C S . Evaluation method of remote sensing image fusion effect[J]. Modern Radar, 2013,35(3):19-23.
[21]	阳方林, 郭红阳, 杨风暴 . 像素级图像融合效果的评价方法研究[J]. 测试技术学报, 2002,16(4):276-279.
	Yang F L, Guo H Y, Yang F B . Study of evaluation methods on effect of pixel-level image fusion[J]. Journal of test and measurement technology, 2002,16(4):276-279.
[22]	狄红卫, 刘显峰 . 基于结构相似度的图像融合质量评价[J]. 光子学报, 2006,35(5):766-771.
	Di H W, Liu X F . Image fusion assessment based on structural similarity[J]. Acta Photonica Sinica, 2006,35(5):766-771.
[23]	刘家福, 刘吉平, 姜海玲 . eCognition数字图像处理方法[M]. 北京: 科学出版社, 2017: 56-62.
	Liu J F, Liu J P, Jiang H L. Ecognition digital image processing method[M]. Beijing: Science Press, 2017: 56-62.

[1]	范莹琳, 娄德波, 张长青, 魏英娟, 贾福东. 基于面向对象的铁尾矿信息提取技术研究——以迁西地区北京二号遥感影像为例[J]. 自然资源遥感, 2021, 33(4): 153-161.
[2]	夏既胜, 马梦莹, 符钟壬. 基于GF-2遥感影像的机械性破损面提取方法[J]. 国土资源遥感, 2020, 32(2): 26-32.
[3]	黄惠, 郑雄伟, 孙根云, 郝艳玲, 张爱竹, 容俊, 马红章. 基于引力自组织神经网络的震害遥感影像分类[J]. 国土资源遥感, 2019, 31(3): 95-103.
[4]	陈震, 张耘实, 章远钰, 桑玲玲. 高标准农田建后遥感监测方法[J]. 国土资源遥感, 2019, 31(2): 125-130.
[5]	刘万军, 李天慧, 曲海成. 基于Fisher准则和TrAdaboost的高光谱相似样本分类算法[J]. 国土资源遥感, 2018, 30(4): 41-48.
[6]	尹峰, 曹丽琴, 梁鹏. 改进的Welsh颜色迁移算法在GF-2图像融合中的应用[J]. 国土资源遥感, 2017, 29(4): 126-131.
[7]	苏红军, 刘浩. 一种利用空间和光谱信息的高光谱遥感多分类器动态集成算法[J]. 国土资源遥感, 2017, 29(2): 15-21.
[8]	滑永春, 李增元, 高志海, 郭中. 基于GF-2民勤县白刺包提取技术[J]. 国土资源遥感, 2017, 29(1): 71-77.
[9]	孙攀, 董玉森, 陈伟涛, 马娇, 邹毅, 王金鹏, 陈华. 高分二号卫星影像融合及质量评价[J]. 国土资源遥感, 2016, 28(4): 108-113.
[10]	李雪冬, 张洪岩, 杨广斌, 李晓松, 周越. 辅以地貌类型的喀斯特地区土地利用信息提取[J]. 国土资源遥感, 2016, 28(3): 138-145.
[11]	赵志明, 周小成, 付乾坤, 汪小钦. 基于资源三号影像的建筑物高度信息提取方法[J]. 国土资源遥感, 2015, 27(3): 19-24.
[12]	马世斌, 杨文芳, 张焜. SPOT6卫星图像处理关键技术研究[J]. 国土资源遥感, 2015, 27(3): 30-35.
[13]	李文静, 温文鹏, 王清和. 基于Contourlet变换的遥感图像融合方法研究[J]. 国土资源遥感, 2015, 27(2): 44-50.
[14]	刘会芬, 杨英宝, 于双, 孔令婷, 章勇. 遥感图像不同融合方法的适应性评价——以ZY-3和Landsat8图像为例[J]. 国土资源遥感, 2014, 26(4): 63-70.
[15]	郭蕾, 杨冀红, 史良树, 战鹰, 赵冬玲, 张超, 孙家波, 季佳佳. SPOT6遥感图像融合方法比较研究[J]. 国土资源遥感, 2014, 26(4): 71-77.

Viewed

Full text

Abstract

Cited

Shared

Discussed