-
GF-2卫星是中国第1颗空间分辨率优于1 m的民用光学遥感卫星,卫星可提供1 m全色/4 m多光谱分辨率平面影像,在森林资源调查、土地利用动态监测、环境保护与监测等领域提供服务支撑,发挥重要作用。目前,中国已经成功绘制全国林地“一张图”,是通过高分辨率遥感影像、全国林地落界数据、二类调查资料、基础地理信息等多源数据集合,以林地界线为核心内容,构建的中国林业有史以来可动态监测、及时决策的林地资源管理系统[1],取得了较好的应用效果,高分辨率遥感影像作为其中重要的一部分,主要用来提取林地及林木参数等信息,为林业数据库的建设提供了重要的基础数据支撑。因此,应用高分辨率国产卫星数据解决实际问题成为林业发展的重要趋势。影像融合是对遥感影像数据高效利用的重要手段,它综合了影像在光谱分辨率和空间分辨率上的优势,既提高了多光谱影像的分辨率,又保留其多光谱特性,从而增强解译的可靠性,提高分类精度[2]。在以往的研究中,遥感影像融合算法主要包括彩色技术、数学运算、图形变换等3种。彩色技术包括HSV变换(hue-saturation-value,颜色空间变换)等;数学运算包括Brovey变换(彩色标准化变换)等;图形变换包括PC变换(principle components,主成分变换)、HPF变换(high-pass fusion,高通滤波变换),GS变换(gram-schmidt,正交化变换)、Pansharp变换(超分辨率贝叶斯变换)等[3]。HSV算法采用全色影像替换多光谱影像的亮度分量,使HSV变换在增强多光谱影像空间细节表现能力的同时,也带来了较大的光谱失真;Brovey变换只能而且必须同时对3个波段进行融合运算,该变换在增强影像的同时保持了原多光谱影像的光谱信息[4];PC变换可以使所有的波段参与融合,可以更好地保留图像的光谱信息[5];HPF变换对于影像纹理和细节处理方面效果较好,但色彩的层次感一般[6];GS变换有明确的数学意义,对待融合的遥感影像无波段数限制,并且具有较高的光谱信息保持度;Pansharp变换对人为主观因素与数据本身质量的依赖性较小,光谱和细节特征保真度高[7]。针对不同的数据源,郑中等[8],郭会敏等[9],王海江等[10],王华斌等[11],陈春华等[12]分别对QuickBird,GF-1,资源一号02C星,资源三号,WorldView-2卫星数据全色和多光谱数据进行影像融合试验,并通过质量评价选择出适宜于影像的最优融合方法。目前研究中对于GF-2影像的融合基本未见报道,其影像数据特征与QuickBird,WorldView-2等卫星数据不完全一致,适合于现有卫星影像的融合方法不一定适合于GF-2卫星影像。因此,针对目前常用的融合方法,探究适合于林地信息提取的GF-2影像融合算法,为林业行业中大范围使用GF-2影像融合应用提供参考具有重要意义。本研究以GF-2高分辨国产卫星数据为数据源,采用6种常用的影像融合算法针对林区样地影像进行融合试验,通过目视分析和定量比较进行影像融合质量评价,并通过面向对象分类方法对不同地类进行提取分析,研究不同影像融合算法在地类信息提取上的适用性,最终选择出适宜于GF-2影像林地信息提取的融合算法,为林地信息提取、林地变化动态监测等应用提供参考。
HTML
-
从各融合影像中截取1块包含多种地类的子区域(图 1)。6种算法融合后的影像空间分辨率较原始多光谱影像都有了较大的提高,更容易判读。其中HSV和HPF融合影像中建筑物、道路及水体轮廓最为清晰,更利于该地类的提取;Brovey和HSV融合算法的植被区纹理更清晰,层次感和对比度更好。PC融合算法在纹理效果上没有得到明显提高,林区边缘清晰度较低,融合效果较差;GS融合算法则在色调上有较大的改变,目视效果不佳;Pansharp融合影像颗粒感较强,目视效果一般。因此,从目视经验角度认为,对于GF-2卫星影像,使用Brovey和HSV融合算法在林地信息提取上较另外4种算法更为适合。
-
均值反映影像像素的平均灰度值即平均亮度,均值适中则色调自然。除了Brovey和HSV方法,其余4种方法各波段均值与原始影像均值接近,说明Brovey和HSV算法光谱信息损失较为严重,其余融合结果亮度适中(表 1)。平均梯度反映影像的清晰度,其值越大表示影像层次越丰富、对比度越大。在本次试验中6种方法各波段平均梯度在原始影像上都有了较大程度的提升,除了HSV融合结果的B波段外平均梯度增幅均在50%以上,说明其融合结果的清晰度和对比度提高显著。光谱相关系数反映影像光谱信息的保持性,相关系数越高说明融合对于原始影像光谱信息改变越小。HPF融合结果在R,G,B波段上的值最大(>0.4);在NIR波段上,HSV算法的值高达0.8,保持光谱特征上优于其他算法。高频信息融入度反映融合影像波段与全色波段的相关性,其值越大表示融合影像更好地继承了全色波段的空间信息特征。Pansahrp和GS算法在R,G,B波段的值都远高于其他几种算法,NIR波段上HSV和Pansahrp算法的值超过0.5,更好地继承了全色波段的空间信息。另外,植被反射率极高的NIR波段对于林地信息提取具有重要的意义,除HPF算法在NIR波段光谱相关系数低于其他波段,GS算法在NIR波段高频信息融入度低于其他波段,其余各算法在光谱相关系数和高频信息融入度上均优于其他波段,表明NIR波段在继承光谱信息和全色波段的空间信息特征上比其他波段更有优越性。HSV算法下光谱相关系数和高频信息融入度分别达到0.823和0.570,Pansharp算法次之,分别为0.603和0.501。由此推测,这2种影像融合算法在林地信息提取上具有更大的潜力。
影像/方法 波段 均值 平均梯度 相关系数 高频信息融人度 原始影像 R 1 198.725 3.124 G 1 295.094 3.679 B 1 203.466 4.255 NIR 2 006.270 6.043 PAN 305.893 12.847 彩色标准变换 (Brovey) G 106.712 13.285 0.105 0.328 B 86.911 9.939 0.215 0.298 NIR 112.739 12.815 0.740 0.373 颜色空间变换 (HSV) G 103.394 6.254 0.261 0.207 B 83.878 4.257 0.240 0.223 NIR 108.964 4.961 0.823 0.570 正交化变换 (GS) R 1 197.940 54.319 0.210 0.475 G 1 294.331 55.066 0.204 0.474 B 1 202.743 54.543 0.242 0.479 NIR 2 007.082 57.072 0.279 0.376 高通滤波变换 (HPF) R 1 120.665 54.261 0.403 0.287 G 1 217.212 54.707 0.404 0.293 B 1 125.426 55.394 0.403 0.297 NIR 2 011.079 21.692 0.111 0.481 主成分变换 (PC) R 1 117.781 41.135 0.170 0.357 G 1 214.369 42.257 0.172 0.356 B 1 122.488 41.237 0.166 0.361 NIR 2 011.442 50.553 0.181 0.375 超分辨率贝叶斯变换(Pansharp) R 1 086.786 53.438 0.103 0.427 G 1 091.470 53.829 0.358 0.437 B 1 183.465 55.879 0.358 0.432 NIR 2 011.589 60.308 0.603 0.501 说明:相关系数表示融合后波段与原始多光谱对应波段的相关性。 Table 1. Contrast on indexes of each band between multi-spectral image and fusion images
-
随机选择水域、建筑用地、耕地、林地等4块区域分析其熵值与二阶矩指标,其中,林地、耕地与建筑用地50 m×50 m样地各30块,水域50 m×50 m样地15块,10 m×10 m样地10块。熵值表示影像所包含的信息量,熵值越大则影像空间细节丰富。分析熵值指标统计图(图 2),影像融合对于林地的熵值增加最为明显,HSV,Pansharp等2种融合算法信息熵分别为2.10,1.82,较原多光谱影像信息熵(1.45)均提高达25%以上,信息量改善良好。二阶矩又叫能量,二阶矩越小说明影像灰度分布均匀、纹理细致。分析二阶矩指标统计图(图 3)发现林地的二阶矩增益较为明显。在林地中,HSV和Pansharp融合影像的二阶矩分别为0.13,0.19,较原始多光谱影像二阶矩(0.31)均有显著改善,其中HSV改善效率超过50%。综合2个纹理特征指标,HSV和Pansharp算法对纹理具有稳定和显著的改善,其中HSV在增益效果上更具优势,融合影像信息量最大,纹理最为细致。
-
为了探究各融合算法下的影像质量及在林地信息提取上的应用效果,本研究利用面向对象多尺度分割的方法,结合光谱、纹理和空间信息等特征值进行KNN分类,分割尺度为220,形状因子0.1,紧实度因子0.5,分类结果部分区域如图 4所示。本研究利用原始多光谱影像,结合2014年森林资源二类调查数据,选择7种地类的典型样本共274个作为分类样本,并实测全球定位系统(GPS)点148个作为验证样本(表 2)。使用eCognition软件建立基于样本的混淆矩阵,分类精度见表 3。
地类 分类样本 验证样本 有林地 80 43 草地 36 20 耕地 40 21 苗圃 20 7 水域 25 16 城矿居民用地 38 21 未利用地 35 20 总数 274 148 Table 2. Sample's number of surface features on the study area
地类 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 有林地 83.02/71.43 86.05/90.24 97.67/87.50 79.60/66.67 83.72/90.70 75.12/66.37 86.05/67.27 草地 95.00/86.36 99.61/99.36 95.00/99.80 77.17/79.93 99.16/76.92 99.31/86.96 95.00/99.20 耕地 33.33/87.5 57.14/99.80 61.90/92.86 29.05/50.00 47.62/99.24 66.67/60.87 57.14/75.00 苗圃 86.71/54.54 99.03/50.00 85.71/85.71 71.43/45.45 57.14/57.14 71.43/71.43 98.79/50.00 水域 43.75/98.17 87.50/98.00 93.75/99.62 99.05/94.12 93.75/93.75 93.75/88.23 93.75/93.75 城矿居民用地 85.71/60.00 90.48/59.38 66.67/58.33 71.43/53.57 80.95/56.67 57.14/35.3 52.38/68.75 未利用地 50.00/71.43 70.00/93.33 80.00/80.00 35.00/75.00 75.00/88.24 30.62/8.53 40.00/66.67 总精度/Kappa系数 72.30/0.66 83.10/0.79 85.14/0.82 71.52/0.62 80.40/0.76 63.51/0.56 78.75/0.68 Table 3. Contrast on classification accuracy of surface features on study area
从总体精度和Kappa系数指标来看,HSV变换融合结果分类精度最高,总精度为85.14%,Kappa系数0.82,较原始多光谱影像分类精度提高了约13%,其次是Brovey,HPF及Pansharp变换,PC变换融合影像分类精度为63.51%,低于原始多光谱影像分类精度(72.30%),说明对于GF-2影像来说并不是所有融合变换都能增强影像信息提取的能力。
在对有林地信息提取精度上,HSV和Brovey变换生产者精度分别为97.67%,86.05%,使用者精度分别为87.50%,90.24%,较其他融合变换有明显的优势,GS变换和PC变换不适宜提取林地,生产者角度和使用者精度均较低。
对草地分类中,除GS变换和HPF变换使用者精度较低外,其余变换均较高,Brovey,HSV和Pansharp变换使用者精度都超过90%,适宜草地的提取。对耕地提取中,除GS变换外,其余5种变换都较原始多光谱影像分类有所提高,其中Brovey变换使用者精度最高,PC变换生产者精度最高,适于耕地提取。苗圃地提取分析中,Brovey和Pansharp变换生产者精度较高都在95%以上,HSV变换使用者精度最高约85.71%。其他3种方法不适宜苗圃地类提取。水域提取分析中,对比其他地类提取,6种融合图像的生产者精度和使用者精度均较高。相比较而言PC变换不适宜提取水体,生产者精度较低。城矿居民用地提取分析中仅Brovey变换在生产者精度上有了显著的提升,适于城矿居民用地的提取。
为了进一步研究不同融合变换影像对有林地地类中森林类型信息提取效果,本研究利用上一步中有林地地类矢量与影像中NDVI大于0.35且Brightness小于1 500的矢量叠加,重叠区作为有林地范围,进行再次分割和KNN分类,分为阔叶林、针叶林、混交林3个地类。分割尺度为100,形状因子0.1,紧实度因子0.5。分类样本共128个,并实测GPS点阔叶林30个、针叶林30个以及混交林30个作为验证样本,使用eCognition软件建立基于样本的混淆矩阵,分类精度见表 4。
林分 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 阔叶林 73.33/62.86 86.67/76.92 73.44/59.10 90.00/71.05 80.00/55.26 76.67/64.52 83.33/70.37 针叶林 57.70/60.00 80.77/84.00 67.70/48.39 61.54/69.57 63.85/63.63 54.30/54.17 65.54/57.12 混交林 22.45/33.33 70.00/46.67 54.30/38.46 32.64/40.00 44.56/50.00 32.64/27.27 40.00/36.36 总精度/Kappa系数 59.10/0.47 75.72/0.63 66.67/0.51 68.18/0.54 71.10/0.59 64.54/0.51 72.58/0.60 Table 4. Contrast on classification accuracy of woodland on study area
可见,Brovey和Pansharp变换融合结果在有林地内分类精度最高,总体精度分别达到75.72%和72.58%,Kappa系数分别达到0.63和0.60,其次是HPF和GS变换,PC变换融合结果分类精度最低。阔叶林分类生产者精度普遍高于针叶林,GS,Brovey,Pansharp和HPF变换均达到80%以上,混生林总体分类精度低,仅有Brovey和HPF变换融合结果在生产者精度及使用者精度均能达到50%以上。因此,在森林类型层次的林地信息提取中采用Brovey或Pansharp融合算法更为适宜。