Comparison of fusion algorithms for GF-2 data from extracted forestland information

本研究区位于北京市延庆县，经纬度范围为40°27′~40°32′N，115°44′~115°52′E，研究范围为10 km × 10 km。数据使用GF-2遥感数据，采集时间2015年5月2日，基本无云，影像质量较好。包括有林地、灌木林地、水体、耕地、未利用地等多种地物类型，且各种地物所占比例相当。

为保证影像融合的质量，全色影像与多光谱影像对应像元需保证较高的一致性，因此，试验在GIS中进行几何校正，并使用ENVI以1:10 000数字高程模型（DEM）及0.5 m航片作为基准影像进行正射校正，校正误差控制在1个像素以内。

本研究采用高分辨影像应用较多的6种融合算法对GF-2全色和多光谱影像进行融合试验：HSV变换^[4]、Brovey变换^{[4, 13]}、PC变换^[14]、HPF变换^[6]、GS变换^[15]和Pansharp变换^[16]。其中HPF变换由ERDAS IMAGINE 2014软件实现，Pansharp变换基于PCI Geomatica 2013软件平台，其余融合算法均由ENVI 5.0软件实现。由于HSV变换和Brovey变换融合多光谱影像只能由3个波段参与，因此，本研究分别选择BAND2（G），BAND3（R），BAND4（NIR）与全色波段进行融合，其余融合算法均采用四波段多光谱影像和全色影像融合。

为了比较不同方法的融合效果，用2种方法进行评价^[16-18]：一是基于视觉效果的定性分析，关注影像的整体亮度、光谱保真度、清晰度和空间纹理特征等，这种方法简单且具有主观性，依赖于评价者的经验；二是基于数理统计的定量特征分析，能减少对融合影像评价的随机性使评价结果更客观，主要从整体影像特征和不同地类纹理特征等方面进行评价分析，整体影像特征主要包括均值、平均梯度、光谱相关系数、高频信息融入度等指标，纹理特征包括熵值、二阶矩等指标。为了更好地判断融合影像的纹理特征，本研究参照参考文献[3]，选择水域、建筑用地、耕地、林地等4块不同的区域进行熵值与二阶矩指标分区域分析。本研究中，光谱相关系数和二阶矩指标的计算由ENVI软件实现，其余指标的计算都由Matlab实现。定量分析指标公式^[15-19]如下。均值：

式（1）中：M，N为图像的行列数，F（i, j）为融合后影像的灰度值。平均梯度：

式（2）中：M，N为图像的行列数，F（i, j）为融合后影像的灰度值。光谱相关系数：

式（3）中：R（i, j）为融合前多光谱影像的灰度值，v_R，v_F分别为融合前后2幅多光谱影像的均值。高频信息融入度：

式（4）中：P（i, j）为重采样到融合后影像像元大小的全色影像的灰度值，v_P分别为重采样后全色影像的均值。熵值：

式（5）中：P_i为影像中灰度值为i的概率密度，L为图像灰度级数。二阶矩：

式（6）中：G（X_i，j）为灰度共生矩阵元素。

为探讨各方法对林区影像的适用性，研究基于eCognition软件采用面向对象的KNN分类方法，通过多尺度分割，利用对象的灰度信息、空间特征、纹理信息等，进行地类提取分析，对6种融合算法的效果进一步对比，并建立基于地类提取结果与外业实地调查结果面积的混淆矩阵，进行定量评估，评估指标包括总体精度、生产者精度、使用者精度及Kappa系数。为了进一步探究不同融合算法对不同森林类型的提取效果，研究增加有林地地类的分类结果。

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。

Figure 1.  Visual contrast on fusion images

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。

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。

Figure 2.  Statistical chart of entropy indexes

Figure 3.  Statistical chart of second moment indexes

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。

Figure 4.  Classification results of fusion images

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。

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。

影像融合是为了使不同数据源实现优势互补，从而对影像数据高效利用。针对基于GF-2影像面向林地信息提取的遥感影像融合算法选择问题，本研究选择6种具有代表性的融合算法（HSV变换，Brovey变换，PC变换，HPF变换，GS变换，Pansharp变换），在采用目视与定量特征分析的传统影像质量评价基础上，辅助面向对象分类林地信息效果分析。在融合影像整体质量方面，HSV和Pansharp变换目视效果较好，其中Pansharp变换在在光谱继承和增强信息纹理方面取得了较好的平衡，光谱相关系数及高频信息融入度都较高，对纹理具有稳定和显著的改善。传统的目视及定量指标分析有一定的合理性，但也缺乏针对性，难以对不同层次的森林类型的信息提取作出比较，具有局限性。

在基于融合影像的面向对象分类中，HSV，Brovey，HPF变换总体分类精度较高，其余3种方法在个别类型中具有明显劣势。对于林地信息提取的最优融合算法需根据应用的具体层次来选择，在有林地层次的信息提取中HSV变换较为适宜，在森林类型信息提取则采用Brovey和Pansharp变换更为有效。因此，综合融合影像整体质量及分类精度，针对GF-2影像的林地信息提取，HSV及Pansharp变换的融合效果优于其他4种算法，可为GF-2影像在林业行业大规模融合提供参考。不同融合方法对不同地类信息的提取各有优势。在进行森林动态监测、地类信息提取、地块变化等不同林业遥感工作中，需考虑具体情况及地类信息比例选择合适的融合方法。

感谢中国林业科学研究院资源信息研究所为本研究提供的GF-2卫星影像数据。