GF-2观测幅宽达到45 km, 侧摆角为15° , 星下点分辨率为全色0.81 m, 多光谱3.24 m^[10]。该数据4个多光谱(multi-spectral, MS)波段范围分别为0.45~0.52 μ m, 0.52~0.59 μ m, 0.63~0.69 μ m和0.77~0.89 μ m, 全色波段范围为0.45~0.90 μ m, 与国际同类卫星波段设置基本相同。本研究以覆盖东北地区的4景GF-2影像作为数据源进行图像融合及其效果评价, 数据成像时间为2014年11月22日(1景)和27日(3景)。研究区覆盖类型主要以山地、丘陵为主, 总体起伏度不高。

由于IHS变换对图像融合的波段数有一定的限制, 为了评价IHS融合效果, 依据最佳指数法(optimum index factor, OIF)选择最佳波段组合^[11], 即

OIF= ∑i=1nS_i/( ∑i=1n∑j=i+1n|R_ij|) , (1)

式中, S_i为第i波段标准差; R_ij为第i, j波段之间的相关系数。OIF越大表示该波段组合越优。

GF-2中3个MS波段组合的OIF如表1 所示。

表1

Tab.1

表1(Tab.1)

表1 3个MS波段组合的OIF Tab.1 OIF of the three MS bands combination 波段组合 3, 2, 1 4, 2, 1 4, 3, 1 4, 3, 2 OIF 93.724 83.874 84.817 84.296

表1 3个MS波段组合的OIF Tab.1 OIF of the three MS bands combination

从表1中可以看出, 3, 2, 1 波段组合最优, 将其构成RGB图像进行IHS融合。其他融合方法均针对4个波段进行融合。

2.1.1 PCA变换

PCA变换是将具有相关性的多维数据变换到几个完全独立的主成分分量上, 具有方差信息浓缩、数据量压缩的作用^[12]。对MS波段进行PCA变换后, 将全色波段与PCA第一主成分分量进行灰度拉伸匹配, 并将其代替^[13], 再经过PCA逆变换得到融合影像。

2.1.2 GS变换

GS变换是将MS影像转换到正交空间消除冗余信息, 使变换后的各分量在正交空间里都正交, 各分量中信息量的保留程度相差不大, 其与PCA变换的差异之处在于改善了信息过于集中等问题^{[14, 15]}。

2.1.3 modified-IHS变换

modified-IHS变换是基于IHS变换^[16], 通过估计每个MS波段和全色波段波长的有效重合范围来确定融合的权值, 相对于传统的IHS变换具有更好的光谱保真度^[17]。

2.1.4 HPF方法

HPF方法是通过高通滤波算法分离出全色影像的空间信息, 将分离结果逐像元叠加到MS影像上, 获取融合影像^{[16, 18]}。

2.1.5 HCS变换

图像在N维超球面空间上表现为一个亮度I分量和N-1个角度分量, 传统彩色空间转换到超球面空间后, 全色图像与I分量匹配建模, 得到全色锐化后的新I分量, 再反变换到原彩色空间得到HCS融合影像^[19]。

2.2.1 主观评价

融合影像主观评价主要是检验图像光谱保真度和空间细节改进效果^[20]。不同地物类型(建筑物、耕地和林地)融合效果分别如图1和图2 所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 建筑物和耕地5种方法的影像融合结果Fig.1 Image fusion results with five kinds of fusion methods for buildings and cultivated land

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 林地5种方法的影像融合结果Fig.2 Image fusion results with five kinds of fusion methods for woodland

通过图1和图2发现, 利用5种方法得到的融合影像相比于MS影像都具有一定的信息增强。但是相对于全色影像, 融合后的细节信息稍有损失。在HCS变换与HPF方法中, 房屋和道路等的边缘最为清晰, 其次为modified-HIS, PCA和GS变换。不同的融合影像在颜色上与MS影像都有不同程度的差异, HCS变换最接近原始颜色, PCA, modified-IHS和GS变换相差不大, 但是HPF方法光谱偏离最明显, 说明该方法的光谱保真度最差。

2.2.2 定量评价

利用信息熵、平均梯度、相关系数和光谱扭曲度等4个指标进行定量评价, 统计结果如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 原始影像和不同融合影像的4种指标对比Fig.3 4 kinds of indexes of the original MS images and fusion images

在4景影像中选择不同的区域进行分析, 通过求其均值和标准差分析原始MS影像和不同融合影像之间的差异, 以实现对融合效果的定量评价。

信息熵是衡量图像信息丰富程度的一个重要指标^{[21, 22]}。从图3(a)中可以发现, 融合影像的信息熵均相对高于原始MS影像, 表明利用这4种方法获得的融合影像信息都有所增加; HCS变换的信息熵最高, 增加的信息量最大; GS变换的信息熵大于PCA变换, 但相对于其他2种方法偏小; 而HPF和modified-IHS的信息量基本相同。平均梯度反映了图像中的微小细节^[23]。在图3(b)中, 融合影像的平均梯度都约为原始MS影像的3~4倍; HCS变换与HPF方法的平均梯度较大, 其空间细节信息的增强效果最好; PCA和GS变换相对较差。相关系数是以原始MS影像为参考, 值越高表示融合影像越接近于参考影像^{[24, 25]}。在图3(c)中, HCS变换的相关系数最大, 具有最佳的光谱保持效果; HPF方法的相关系数最小; GS和PCA变换除第4波段相差较大外, 其他3个波段大小相当, 而modified-IHS的相关系数总体上与GS变换相当。光谱扭曲度直接反映了融合影像与参考影像之间的光谱失真程度^[26], 用于反映融合影像对原始MS影像的保真度。在图3(d)中, HCS变换的光谱扭曲度最小, 其保真度最好; HPF方法光谱扭曲度最大, 光谱保真度最差; GS, PCA和modified-IHS变换扭曲度相当, 其保真度均高于HPF变换。

为了分析5种融合方法对融合影像应用效果的影响^{[27, 28]}, 本文采用最大似然分类法(maximum likelihood classification, MLC)对融合影像进行监督分类^[29], 从地物分类精度方面对GF-2融合影像进行应用效果评价。

依据研究区土地利用情况, 结合目视解译和实地野外调查, 确定地物类型为林地、耕地、建筑物(居民地及工矿用地)、水域(包括冰覆盖)、道路和阴影共6类。确定训练样本后, 对GF-2融合影像分别进行监督分类, 并统计其分类精度。各种融合影像的地物分类精度如表2所示。

表2

Tab.2

表2(Tab.2)

表2 影像分类精度 Tab.2 Accuracy of the classification results 方法 林地/% 耕地/% 建筑物/% 水域/% 道路/% 阴影/% 总体精度/% Kappa MS 76.5 61.2 59.8 58.1 50.8 71.3 66.7 0.63 HCS 85.4 60.6 63.7 63.6 43.0 78.4 70.1 0.71 GS 86.7 72.4 62.8 61.8 40.8 80.4 71.2 0.73 HPF 84.5 68.3 64.9 57.3 49.3 78.3 67.0 0.64 modified-IHS 80.7 64.7 64.5 59.9 39.3 75.1 68.8 0.67 PCA 83.8 71.4 53.9 60.1 42.9 76.1 69.8 0.69

表2 影像分类精度 Tab.2 Accuracy of the classification results

从表2可以看出, 与原始MS影像相比, 各融合影像的分类精度都有所提高。其中HCS与GS变换融合影像的分类精度较高, 总体精度高于70%, Kappa大于0.7。但是, 各类地物分类精度提升悬殊, HCS和GS变换除道路分类精度略有降低, HCS变换耕地分类精度不变外, 其他地物分类精度都平稳增加3.9%~10.1%。针对地物分类采用HCS或GS变换都是较好的融合方法。但由于蔬菜大棚、道路、建筑物之间及含水量高的水田、水域、阴影之间光谱相似, 高空间分辨率卫星影像地类内部的异质性增加, 分类图像有明显的“ 椒盐” 现象^[27], 这是造成基于像素光谱特征的分类方法总体精度不高(不到75 %)的主要原因。