多源遥感图像融合光谱保真算法与评价研究

多源遥感图像融合光谱保真算法与评价研究

【摘要】：随着传感器以及相关遥感技术的发展，遥感图像应用到生活中的各个领域，但是遥感图像的多光谱和高分辨率面临着无法在同一张影像上同时生成这一技术瓶颈，因而学者们提出了各种传统图像融合算法用于弥补这一缺陷，但是融合后的图像一般都有严重的光谱扭曲失真，本文针对于这一问题参考归纳了现有的光谱保真算法的研究以及融合算法的有效性的评价机制，据此来评估以后图像融合的发展趋势。

【关键词】：图像融合光谱保真融合算法效果评价

1.引言

遥感技术经过二十多年的迅猛发展，各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星和机载遥感系统大量涌现，已被广泛应用于军事和民用领域（柴勇，2009）。遥感传感器的分辨率从最初的几十米提高到目前的几十厘米，如美国Geoeye 公司在2008 年发射的遥感卫星甚至把分辨率提高到0.41m。然而遥感图像分辨率不断提高仍然无法满足人们对遥感图像的空间信息和光谱信息的丰富性及准确性的要求。因为在遥感成像系统的设计中, 空间分辨率和光谱分辨率不可兼得, 有两个原因:(1)受遥感器的辐射度量特性的影响,传感器在感应来自目标物反射或辐射的电磁波的能力是有限的, 而多光谱成像系统的光谱带宽很窄,同样高空间分辨率系统的瞬时视场很小,总得牺牲其中的一个。( 2)传感器所能采集的数据量的限制, 以及从遥感卫星向地面站传输数据的能力的限制(李春华,2008)。

因此，遥感图像越来越多的用算法层面去进行处理，遥感图像融合应运而生。遥感图像融合技术是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术（王海晖，2003）。很多的图像融合算法，如IHS变换法，Brovey变换法，主成分分析法，高通滤波等传统的遥感图像融合算法得到了广泛的应用。但是融合后的图像一般都有严重的光谱扭曲失真。

基于这一缺陷,有学者提出了各种改进算法:传感器光谱响应函数SKF；基于统计原理的Gram-schmidt、PCI pansharp融合方法；小波变化的多分辨率分析与IHS变换叠加融合法以及其他算法.根据这些改进算法得出来的效果我们还需要更健全的评价机制来评估算法的效果, 常用的客观融合评价方法有标准偏差、平均误差、信息度量、清晰度、相关系数、对比

度和峰值信噪比（柴勇，2009）。

2.融合图像光谱失真的原因

2.1遥感数据的辐射误差

用户所得到的遥感图像是经过粗纠正后的图像。若要想根本上解决融合后的光谱失真问题，用户应该考虑的是辐射精校正包括大气的影响引起的辐射误差及太阳高度角、日地距离和地形等光照条件差异引起的辐射误差（李春华,2008）。所以在图像融合前，辐射精校正是十分重要的一步。

2.2不同传感器Pan波段与强度分量I的差异

传统的融合方法如H IS变换法, 主成分分析法, BROVEY变换法对SPOT Pan 与低分辨率的MS影像Landsat TM的融合是比较成功的, 融合后的颜色偏差很小, 但是IKONOS、QuickBird 的Pan与MS 的融合颜色差异就十分突出（李春华,2008）。下面，图1给出了几种常用卫星的全色传感器光谱响应范围。

不同传感器Pan波段范围(李春华,2008)

图1

由于IKONOS、QuickBird的Pan波段已经扩展到了近红外波段，而HIS和BROVEY变换法中的强度分量和主成分分析法的第一主成分分量仍在可见光波段，两者之间的差异巨大而又勉强用来替换的话，融合图像不可避免地产生光谱失真的问题。

3.现有光谱保真的方法

3.1．传感器光谱响应函数SKF

光谱响应函数记录的是在每一波长λ传感器记录的辐射能量与入瞳处辐射能量之间的比值(窦闻,2011).图2是IKONOS卫星搭载的全色和多光谱传感器各波段的光谱响应函数.

Spectral response functions(SRF)for Ikonos-2 bands(窦闻,2011)

图2

窦闻等(2011)在对传感器光谱响应函数(SRF)的分析基础上，将三种基于SRF的审问细节调制参数构建方法，与高斯高通滤波提取的空间细节信息结合，产生3种基于SRF的遥感图像融合方法。融合方法首先是对Dou（2007）基于线性正交变换的分量替换融合方法的数学推导而建立的GCOS模型（如下（1）式）进行改进：

V h MS,i=V L MS,i+ωtδ（1）

（其中：V h MS,i为i波段的融合结果，V L MS,i为低分辨率多光谱数据的相应波段，ωt为逆变换矩阵的第一列构成向量，δ为从高分辨率全色数据中提取的空间细节信息）把ωt改为为空间细节调制参数；把δ改为空间细节信息，即高分辨率全色数据与低分辨率多光谱数据尺度上的全色数据估计值之问的差值。这样，就避免了GCOS模型中由于直方图匹配等过程造成的空间细节信息定义的模糊（窦闻,2011）。基于这一改进模型，即可得出三种基于SRF的融合方法：（1）SRF-LIN—HP方法：基于线性关系估计调制参数，其取值为多光谱传感器i波段的光谱响应函数覆盖的面积与全色传感器光谱响应函数覆盖的面积的比值；（2）：SRF-PROJ—HP方法：基于特征空间投影关系估计调制参数，其取值为特征空间中MS各波段与亮度分量之间的投影关系；（3）：SRF-PROB—HP方法：基于条件概率估计调制参数，其取值为为全色传感器和多光谱传感器i波段的光谱响应函数覆盖的面积与全色传感器光谱响应函数覆盖的面积的比值。由于这种融合方法把融合问题归结于空间细节调制参数构建与空问细节信息提取两个问题上，所以融合结果大幅减少了光谱扭曲和失真。

3.2．基于统计原理的Gram-schmidt、PCI pansharp融合方法

（1） Gram-schmidt 变换法

这种融合方法的基本原理是对矩阵或多维影像进行正交变换，把n个波段的多光谱图像转化为一个包含n个向量的线性无关的向量组从而来消除相关的多光谱波段之间的相关性（谭永生，2008）。正交之后各分量的信息量相差不大，避免了信息量过于集中而导致的光谱扭曲。其融合的基本步骤是：①将高分辨率的全色图像重采样为低分辨率的图像, 得到模拟的高分辨率全色波段；②对该模拟的全色波段和多光谱图像进行Gram-schmidt变换, 其中, 模拟的全色波段作为第一个向量；③用全色波段来替换Gram-schmidt变换后的第一个向量, 产生一个新的数据集；④将新的数据集进行反Gram-schmidt变换, 即可产生融合后的多光谱图像（李春华，2008）。

(2) Pansharp变换法

Geomatica Advanced Pan Sharpening是Geomatica 9 Prime的扩展模块, 该算法库是专为最新的高空间分辨率图像设计的, 同时也支持所有的传感器（李春华，2008）。这种融合方法是由张云博士发明的融合算法,其基本原理是利用最小方差技术把待融合的全色波段和多光谱波段结合输入的参考波段进行最佳匹配，并且调整单个波段的灰度分配，以减少融合色差，并用统计方法解决融合过程的标准化和自动化问题, 因而获得较高色调的保真效果（赵真梅，2010）。

利用统计原理来减少光谱扭曲的算法在运算复杂度以及光谱保真上都比较成功，对这些算法的进一步改进将更有助于其推广使用。

3.3. 小波变化的多分辨率分析与IHS变换叠加融合法

基于小波变换的多分辨率分析是一种的时域/ 频域信号分析工具。叠加融合算法的具体步骤如下:(1) 对高分辨率全色影像与多光谱影像几何纠正； (2) 采用基于区域的几何配准方法 , 将多光谱影像配准到高分辨率全色影像上；(3) 对高分辨率全色影像按áTrous 小波算法进行小波分解,分解层数一般为3 —5 ；(4)将小波分解的小波面叠加至多光谱影像经IHS 变换后的强度I中；(5) 进行小波逆变换得到新的强度影像I′；(6) 将I′、H、S 依据(11) 式进行IHS 逆变换,得到融合后的影像（李军，1999）。如下图3解：