【学习笔记】基于区域分割的遥感影像融合方法的研究

2016年电子技术应用第5期

作者：楚 恒，王 兴，李洪川

摘  要： 在遥感影像中，颜色特征信息点多的区域容易在影像融合过程中产生光谱失真。对此，在影像融合之前先将影像分割成绿色植被区域、水体区域和其他区域三块区域，然后每一块区域选择适合自身的影像融合算法来集中不同融合算法的优势，以改善影像的融合效果。实验结果表明，新方法的融合效果更好，融合影像可以获得相对较高的空间分辨率，而且光谱信息丢失更少，融合影像的光谱保真度达到了较好的效果。

0 引言

遥感影像作为重要的空间地理信息，被广泛应用于国防、国民经济、环境保护和社会发展等诸多领域[1]。如今大多数的遥感影像卫星并不能直接呈现出高分辨率多光谱影像，而只能同时得到低分辨率多光谱（Multispectral，MS）影像和高分辨率全色（Panchromatic，PAN）影像。在日常的生产和生活中，单一使用上述任何一种影像都无法满足实际的需求，当前实际应用的遥感影像是通过将PAN与MS进行影像融合来获取的。

当前像素级的融合方法中成分替换类融合是一种广泛应用的融合方法，其主要包括IHS变换、PCA变换和Brovey变换等，这类融合方法的融合影像空间分辨率较好，然而影像的光谱失真现象却非常严重,尤其是影像中颜色特征信息点较多的区域，例如绿色植被区域、水体区域等。相对于成分替换类影像融合方法，多分辨率分析的融合方法具有较好的光谱保真性能，然而该类方法的融合影像可能会出现模糊的现象，融合影像空间分辨率普遍不高。

根据以上的分析，本文用一种新的融合方式对影像进行融合，首先将多光谱影像中比较容易产生光谱失真的区域分割出来，例如水体区域和绿色植被区域等，从而将影像分割成几个区域。在绿色植被区域和水体区域等选用多分辨分析类融合方法中的小波变换融合方法，而在其他区域则选用成分替换类融合中的基于线性回归拟合的融合方法，即根据每个区域的不同的融合特点来选择不同的融合方法进行融合处理。经过实验验证，采用本文融合方法的融合影像空间分辨率较高，图像整体比较清晰，并且影像光谱失真大大减少，尤其是绿色植被区域和水体区域的颜色还原度有了一定程度的提高。

1 影像融合的理论分析

1.1 基于小波变换的影像融合方法

小波变换融合方法在影像融合领域发挥了重要作用，其原理是将配准的全色影像和多光谱影像分别进行N层小波变换，分别得到1个LL(低频分量)、N个HL(水平方向的分量)、N个LH(垂直方向的分量)、N个HH(对角方向的分量)[2]；然后对每一层、每一方向的相应子带图分别进行融合处理产生融合后的各子带图，各子层新的子带图分别为LL、LH、HL、HH；最后将新的LL、HL、LH、HH经小波逆变换生成融合后的影像，如图1所示。

1.2 基于线性回归拟合的影像融合方法

2007年，Dou等总结出了像素级统一融合理论框架：

根据式(1)，高分辨率多光谱影像（融合影像）HRM是将全色影像中的空间细节信息δ注入经过重采样的低分辨率多光谱影像LRM中得到的，其中W表示空间细节注入系数，一般采用通用的{1，1，1，1}；根据式(2)，空间细节信息δ是原始高分辨率全色影像HRP与经过处理后得到的低分辨率全色影像LRP的差值，而本文对于LRP的构建方式采用的是线性回归拟合的方式。

同一卫星下全色波段与其光谱范围覆盖下的多光谱波段满足的某种线性关系[3]如下式所示：

根据式(3)，低分辨率全色影像LRP可以由多光谱影像MS经过线性组合得到，其中HP是通过将全色影像PAN高斯低通滤波并下采样退化到多光谱影像相同的分辨率得到的[4]。HP用于线性回归方程，R、G、B、NIR为多光谱影像的4个波段，构造的线性回归方程如下：

通过式(4)，利用线性回归函数regress（y，x），求解回归系数wi，用于式(3)中作为拟合LRP的加权系数。

2 具体的影像融合步骤

2.1 影像的区域分割

绿色植被区和水体区域的颜色特征点相对丰富，本文中借助光谱保真性较好的小波变换影像融合方法来减少其光谱损失，因此需要利用归一化植被指数NDVI (Normalized Difference Vegetation Index)[5]和归一化水体指数NDWI(Normalized Difference Water Index)[6]来实现绿色植被区域和水体区域的分割。NDVI、NDWI的基本原理都是基于不同的地貌在可见光波段、近红外波段的反射或吸收特性特殊性构建的一种线性关系，在满足一定条件情况下，它们可以有效地识别出绿色植被信息点或者水体信息点。

2.2 区域融合方法的选择

遥感影像的区域分割完成后的遥感影像融合需要依据每块区域的影像融合的要求和本身的特点来分别选择融合方法。绿色植被区域和水体区域颜色特征丰富，相对来说更加容易产生光谱失真，因此在这两块区域选择光谱保真性好的融合方法，本文选择的是小波变换的融合方法；其他区域内含有颜色丰富的特征信息点少，但是细节信息点相对较多，融合要求是在尽量保证颜色还原度的基础上提高影像的空间分辨率，本文选择的是线性回归拟合LRP的融合方法。

2.3 影像融合过程

(1)对原全色图像和多光谱影像进行配准和几何校正，然后利用NDVI、NDWI将多光谱影像分割成绿色植被区域LMSVe、水体区域LMSWat和其他区域LMSNone三部分，原理如下：

(2)根据这三块区域的在LMS中的范围线将全色图像也分割成绿色植被区HRPVe、水体区域HRPWat和其他区域HRPNone三块区域，原理如下：

(3)在非绿色植被区和非水体区域以外的其他区域利用线性回归拟合融合方法，首先需要构造线性回归方程如下：

其中，bias为误差值，HPNone是将HRPNone经过高斯低通滤波并下采样到LMSNone的分辨率得到的。利用线性回归函数regress(y，x)求解回归方程，并得到系数为wi={0.562 5，0.283 5，-0.164 7，0.216 5}，将wi用作拟合LRPNone的系数，然后用式(3)来求取细节信息δNone，通过HRMNone=LRMNone+WδNone得到其他区域的融合影像HRMNone，注入系数W取{1，1，1，1}。

(4)对于绿色植被区和水体区域，本文选用小波变换融合方法进行融合处理。将绿色植被区LMSVe的HRPVe分别进行小波变换，变换时小波基选用coin3，分解层数为三层，得到各个层次的高频子带影像和低频子带影像，然后对不同层次、不同方向的相应的子带影像按照一定的融合规则进行融合处理，得到各子层新的小波序列并将其进行逆变换，得到绿色植被区的融合影像HRMVe。同样地，对水体区域采用类似的融合过程得到融合影像HRMWat。

(5)对步骤(3)和步骤(4)中得到的区域融合影像求和得到融合影像，融合影像HRM原理如下所示：

3 实验结果及分析

实验影像数据拍摄于2013年4月，它是重庆市某地区的资源三号卫星影像，其多光谱影像有R、G、B、NIR 4个波段，并从原始影像数据上截取600像素×600像素的区域进行影像处理，借助MATLAB 2012a工具进行仿真实验。为了进行有效的对比并突出新方法的有效性，另外选取几种常用方法进行对比实验：(1)基于FIHS变换的融合方法；(2)基于GIHS变换的融合方法；(3)基于Brovey变换的融合方法；(4)基于小波变换的融合方法；(5)线性回归拟合融合方法[7]；(6)本文的融合方法；图4～图9表示融合影像。

3.1 主观评价

通过主观目视效果，6种融合影像空间分辨率有较大的提升，影像更加清晰，细节信息呈现更加明显。其中，FIHS和GIHS两种融合影像的清晰度最高，但是绿色植被区域或者水体区域的光谱颜色失真现象也最为严重； Brovey方法的融合图像清晰度一般，略有模糊的迹象，但在颜色保持度方面要好于FIHS和GIHS方法，水体区域和绿色植被区域的融合效果有所提升；小波变换方法的融合影像整体清晰度也不高，但是在影像的光谱保持方面要好于前述的3种方法；线性回归拟合方法的融合图像空间分辨率达到了较高的水平，但在绿色植被区的颜色保真度不及小波变换方法，水体区域也略有失真现象；本文方法的融合影像在清晰度方面集合了线性回归拟合方法的优势，在容易失真的水体区域和绿色植被区域集合了小波变换融合方法的优势，影像的空间分辨率和光谱保真度的整体效果实现了最大程度上的平衡。为了进一步分析融合效果，还需要借助前面提到的几个客观的评价指标来评判。

3.2 客观评价

本文应用平均梯度AG和空间相关系数sCC[8]来评价融合影像的空间分辨率的增强能力，相对平均光谱误差RASE、偏差D1以及相关系数CC来评价融合影像的光谱保真度能力，具体的指标数据见表1。

分析表1中的数据，对融合算法的效果进行客观评价：(1)上述方法的光谱保真能力从优到劣顺序为：本文方法、小波变换融合方法、线性回归拟合融合方法、Brovey方法、GIHS方法、FIHS方法。GIHS方法略好于FIHS方法的光谱保真能力， 因为GIHS方法的亮度分量I中加入了NIR波段使全色波段和多光谱波段的相关性增强，但是整体效果都较差；Brovey方法光谱保持能力略好于前述两种方法，但是不及后面的融合算法；线性回归拟合融合方法的光谱保持能力不及小波变换和本文中的融合方法，这是因为在绿色植被区域依然存在光谱失真；本文方法是影像分割基础上的融合，小波变换融合方法作用于绿色植被区域和水体区域，融合影像色彩还原度最好，光谱保真度大大提高；(2)空间分辨率的提升能力从优到劣顺序为：FIHS法、GIHS方法、本文方法、线性回归拟合融合方法、小波变换方法、Brovey方法。GIHS和FIHS方法清晰度最高，地物的纹理和影像细节呈现得最为完整，因为这两种方法融合过程加入了较多的全色影像的细节信息；Brovey融合和小波变换融合清晰度相对来说最差，但是地物细节也能较好地分辨；线性回归拟合融合方法的融合影像清晰度略低于GIHS、FIHS方法，融合后的影像空间分辨率也很高，细节呈现的也较为完整。本文方法的融合影像清晰度第三，清晰度整体表现较为平稳。综上分析，本文方法集合了小波变换和线性回归拟合融合方法在清晰度和光谱保真度方面的优势，综合效果达到最好。

4 结束语

本文提出了一种基于影像区域分割基础上的影像融合方法，在易产生光谱失真的绿色植被区域和水体区域采用小波变换融合算法，在其他区域采用性能较平稳的线性回归拟合融合方法来进行影像融合。与本文中提到的其他方法相比，新方法在保证了融合影像拥有较高清晰度的同时，光谱信息的失真大大减少，光谱的保真度和清晰度的综合效果达到最好。影像的光谱特征丰富的区域在融合过程中容易产生光谱失真，以后的研究方向将主要集中在如何提高和改善此类区域的光谱保真度来进一步改善影像的融合效果。

参考文献

[1] SHAO Y Z，GUO B X.Application of a fast linear feature detector to road extraction from remotely sensed imagery[J].Journal of Selected Topics in Applied Earth Observations and Remote Sensing，IEEE，2011，4(3)：626-631.

[2] 李洋，焦淑红，孙新童.基于IHS和小波变换的可见光与红外图像融合[J].智能系统学报，2013，7(6)：554-559.

[3] 杨智翔，徐佳，何秀凤.Geoeye-1全色与多光谱影像融合方法[J].光电工程，2011，38(5)：120-126.

[4] Dou Wen，Chen Yunhao，He Huiming.Theoretical frame-work of optical remotely sensed image fusion[J].Acta Geodaetica et Cartographica Sinica，2009，38(2)：131-137.

[5] 郭铌.植被指数及其研究进展[J].干旱气象，2003(4)：71-75.

[6] McFEETERS S K.The use of Normalised Difference Water Index(NDWI) in the delineation of open water features[J].International Journal of Remote Sensing，1996，17(7)：1425-1432.

[7] 黄先德，周群，王兴.资源三号卫星全色与多光谱影像融合方法[J].测绘通报，2015(1)：109-114.

[8] 徐涵秋.基于SFIM算法的融合影像分类研究[J].武汉大学学报：信息科学版，2004，29(10)：920-923