應用于城市森林監測的WorldView－1與GeoEye－1融合效果評價研究

徐 釗，溫小榮，佘光輝

(南京林業大學森林資源與環境學院，南京 210000)

近年來，遙感成像分辨率不斷提高，在林業中的應用從低空間分辨率要求的大尺度野外森林資源監測，到對紋理光譜均有較高要求的城市森林、園林資源統計等工作，如近年升空的World-View－1、Geoeye－1(多光譜波段)分別達到了0.5 m、2.5 m級分辨率，這兩顆衛星進入民用領域時間很短，卻已先后在鹽城丹頂鶴生態濕地、吉林查干湖自然保護區、南京中山陵等地的相關研究中得到應用，隨著其在各個領域的挖掘不斷深入，影像的信息標準也不斷提高，如何有效地處理多源信息在描述同一地物時的準確解譯問題是一大焦點，而具有高空間、高波譜分辨率、低信息冗余的遙感影像是解決這一問題的重要途徑［1］，但就目前而言，類似Geoeye－1的米級數據仍不能滿足現實需求，如城市中散生單木仍難以識別，多源影像融合技術正是基于這一訴求，經過對多通道源所采集的關于同一場景圖像的預處理，提取互補信息，融合成信息量更豐富、更準確的新圖像。其融合質量的好壞直接關系到數據的解析度與可用性，關于融合質量評測，主要分為主觀法和客觀法［2］，前者多為擁有專業背景知識的人員通過目視判斷，此方法與人眼保持了較好的一致性，但缺乏具體評價標準，應用局限性大;后者常采用定量評價模型，以多通道像元值為數據源，經過計算得到科學指標。客觀評價方法經過多年的發展，從完全基于全幅像元統計，到引入信息理論，再到基于特征參量，其趨勢是充分考慮人的視覺機制和對不同區域的重視程度［3］。本文綜合主客觀兩種方法，并以城市綠地為感興趣區域，對基于像素級的DWT、PSP、HSV、Brovey、PCA和Gram方法融合World－View－1全色波段與Geoeye－1多光譜波段的結果進行質量評價。

1 數據介紹

Geoeye－1發射于2008年9月，軌道高度681 km，多光譜分辨率達到1.65 m，擁有 blue、Green、Red和NIR波段，該衛星具有分辨率高、測圖能力強和重訪周期短的特點，已開始為GoogleEarth 提供數據［4］。

WorldView－1衛星發射于2007年，運行在450 km高度的軌道上，傾角97.12°，每天可以拍攝多達50萬張影像，僅搭載了一臺單波段全色傳感器，可以提供分辨率為0.5 m的灰度產品。

本研究采用2010年8月的江蘇省徐州市沛縣影像為數據源，其中Geoeye－1為2 m多光譜產品。可以看出，WorldView－1具有4倍于Geoeye－1(多光譜)的空間分辨率，將兩種數據源融合后可得到滿足應用需求的影像。

2 融合評價原理

2.1 引入植被權重的改進相似度定量評價法

如何將紋理、光譜信息與人眼的視覺特性相結合一直是融合評價的研究方向之一，而在城市森林資源調查中，綠地信息能否被清晰地辨識同樣是評價要考慮的一大要素，因此，本文在這一要求下，嘗試性地引入了結構相似度概念，并在此基礎上構建了一種新的評價方法和程序。

結構相似度 (Structure Similarity，SSIM)是一種基于特征參量的評測方法，此方法基于傳統的像素統計量，充分考慮了人眼的視覺感受，人眼在接觸圖像后，首先是宏觀上的整體感受，之后對圖像做細部提取，這一過程實際上是在辨識感興趣部分與背景的差異，包含紋理特征和色彩差別，尤其對結構信息的變化敏感度，是一種區域結構形態通過視覺的表達方式，因此模型與人的主觀評價具有一致性［5］，正是基于這一機理，定義如下:

式中:μi、μj、、、σi，j分別表示圖像X、Y的均值、方差、協方差;lX，Y(i，j)、cX，Y(i，j)是圖像內亮度、對比度的粗略估計;sX，Y(i，j)體現的是圖像間的非線性改變，代表二者結構信息的比較，代入式 (1)中得到:

為了防止由于平滑區域導致的接近于零的情況出現，一般將式 (2)寫成:

在實際應用這一理論時，一般將融合前后的影像按一定尺度進行非重疊分割，形成M×N個窗體，不同的相連窗體構成了各類地物區域，如農田、廣場、綠地等。區域間的結合帶內，結構信息的熵值影響著人眼區別地物的視覺反應，如以面向植被分布和覆蓋率為觀察目標，在搜尋植物信息時，先根據其與周邊地物的紋理光譜差，確定了植被范圍后，再提取植被內部信息。鑒于此，引入感興趣區域和普通區域的概念，將影像區分為IR、NIR兩部分，前者對結果的影響權重更大，在二者的邊界確定上，利用植被歸一化指數，即GeoEye的第3、第4波段構建經－1～1拉伸的NDVI灰度圖，經多次統計分析，將滿足0.09＜NDVI＜1的像元占窗體比例＞10%的窗體劃分為IR，其它部分為NIR，興趣權重為λR，當前窗體i占整個圖像的顯著特征因子ωi由窗體方差占總方差的百分比與興趣權重λR共同決定，即ωIRi=λR·Di、ωNIRi=(1－λR)·Di，其中，λR的值依據實際應用時，目標區域的實際重要程度來決定，越大則越重要，換言之，若λR=0.5，則意味著評價更側重于影像整體的融合質量，區域間的重要性趨于平衡。

最后將各窗體的改進相似度平均求和，最終得到如下相似度評價公式:

2.2 基于傳統像素統計的評價方法

面向像元灰度值或經大氣校正、輻射定標后的反射率為數據源的統計法結果是融合評價的重要參考指標，本文分別從光譜保真度、紋理清晰度兩方面進行評測，其中，像素均值DN、標準差σ分別反映了圖像的灰度分布的分散程度和平均亮度，若反差大，意味著圖像有更多的信息;相關系數C、扭曲度W體現的是原始影像與融合影像光譜信息的偏離度，相關系數越接近1，表明結果越接近原始數據。圖像信息量的豐富程度常以信息熵H表示，平均梯度G則敏感地反映了圖像對微小細節的表達能力，值越大，細節越豐富，紋理清晰度越高。

3 實驗方法及步驟

3.1 波段組合優化與融合

在一些融合方法上如Brovey、IHS等只能選用3個波段進行融合，這就需要進行波段特征分析和波段優化組合分析。波段組合優化需要考慮兩個問題，一是各波段的相關性要盡量小;二是要選擇信息量大的波段。通過對案例區多光譜影像的相關系數分析，并根據GeoEye－1多光譜傳感器的特點，認為其在可見光區，紅色波段與紅外波段相關性高。再對4種波段組合中進行定量分析后，應用最佳指數因子法，得到1、2和4波段組合獨立性、信息質量為最高的結果。

3.2 實驗步驟

研究結合江蘇省徐州城市綠地調查，首先將2幅原影像配準后，按坐標以矩形裁切，長寬像元數均為8的倍數，區域內地物類型豐富，包含道路、街旁綠地、生態游園、多層次的建筑及陰影、少量水體等，植被覆蓋率較高且部分被陰影所遮擋。利用ENVI軟件分別采用主成分變換 (PCA)、三角HIS法、彩色標準化 (Brovey)、超分辨率貝葉斯法 (Pan)、小波變換法 (Wavelet)、施密特正交變換法 (Gram-Schmidt)進行融合，融合效果如圖1～圖8所示:

圖1 GeoEye－1 4、2、1波段影像Fig.1 No.4，No.2，and No.1 band image by GeoEye－1

圖2 WorldView－1全色影像Fig.2 Panchromatic image by WorldView－1

圖4 Pan波段影像Fig.4 Band image by Pan

圖6 Brovey融合影像Fig.6 Fusion image by Brovey

圖8 Gram-Schmidt融合影像Fig.8 Fusion image by Gram-Schmidt

圖3 HIS融合影像Fig.3 Fusion image by HIS

圖5 PCA融合影像Fig.5 Fusion image by PCA

圖7 Wavelet融合影像Fig.7 Fusion image by Wavelet

3.2 評價步驟與指標結果

利用MatLab將融合前后影像由左至右、由上至下以8像元×8像元大小、8pixel步長的窗口做非重疊滑動，形成窗口圖像Fi，并分別建立G_MMSIM和常規融合評價指標程序，對于源影像，只計算光譜均值、標準差、平均梯度、信息熵，見表1和表2。

表1 G_MMSIM統計表Tab.1 G_MMSIM statistics

表2 常規評價指標統計表Tab.2 Statistics of conventional evaluation indexes

4 指標分析與討論

經目視發現，除Wavelet外，其它5種融合方法均有效地提高了圖像的分辨率，而PCA、PAN和Gram-Schmidt有著更好光譜還原度，且紋理較為清晰，綠地信息突出，均接近于原始影像，Brovey和HIS色彩還原度較差，雖然紋理更為清晰，但目視效果不佳。對比G_MMSIM表，可以看出，PCA、Gram和Pan均在0.54以上，與目視結果保持一致，在 G_MMSIM 公式中，由于 e－(λI－1)2的存在，多光譜、全色影像對融合的信息貢獻是否均衡比結構信息對結果的影響更顯著，偏差越大，G_MMSIM則越小，Brovey和HIS均為紋理清晰度較高而光譜保真度差，Wavelet則是紋理信息損失過大，其結構指標數值過低，造成最終結果不理想。

結合常規評價分析，PCA、Gram-Schmidt和Wavelet的均值、標準差與多光譜影像最為接近，即亮度、整體的灰度離散情況保持一致性，PCA、PAN和Gram-Schmidt光譜相關系數均在78%以上，Wavelet達到88.43%，與原始光譜十分接近，這主要源于其融合原理，PCA、PAN、Gram-Schmidt均為分量替換法，不同的是Gram-Schmid的各分量間信息量程均衡分布，PCA被替換的原始分量本身所表達的即為空間結構信息，Gram-Schmid需根據高分辨影像的均值和標準差來模擬多光譜影像的全色波段，其與高分辨影像的信息量特征相似，因此，在進行變換后，有效地保持了原始的光譜信息;Wavelet利用小波分解與逆變換將多光譜影像的低頻分量和高分辨影像的高頻分量在不同尺度按一定規則融合提取小波系數，進而有機地將前者的光譜信息和后者的空間信息結合在一起［7］，其本身即有著良好的光譜保真度;HIS由于明度分量與worldview具有不同光譜特征曲線，雖然替換前已經過統計特征匹配，但匹配誤差的存在導致了光譜信息變形，植被嚴重失真，均值偏低導致整體發暗，75.12%的光譜相關系數也為最低;Brovey將多光譜影像的每一個波段都乘以高分辨率數據與彩色波段總和的比值，此方法更多保留了高分辨信息，空間相關度最高，達到84.83%，但是色彩失真，色調偏藍，指標上稍高于HIS，但是在目視上甚至遜于HIS。

在紋理評價上從高到低依次為Brovey、HIS、PAN、Gram、PCA和Wavelet，前二者的空間相關性、信息熵、平均梯度表現優秀，這也與其原理相吻合，也體現了兩指標在變化上的正相關性［8－9］;由于Gram-Schmid各分量間信息量相差不大，一定程度上改進了PCA信息過于集中而造成的信息熵損失，因此，前者23.948的平均梯度和0.179 03的信息熵均略優于后者;對于Wavelet，在經過多次對高通和低通濾波在不同尺度的變換后，紋理信息有較大損失，融合對清晰度的提高有限，目視上，各地物的邊界較模糊，銳化程度不夠，指標均為最低。

5 結束語

在當今高分辨傳感器應用不斷深入的背景下，本文一方面對較為先進并已經民用的World-View-1和Geoeye－1影像的融合效果尤其綠地可辨識度進行主客觀評價，得到PCA和Gram最優、PAN稍遜，Brovey和 HIS較差、Wavelet效果最差的結果［10－13］;在另一方面，以人眼視覺特性為出發點，結合結構相似度原理，并考慮了融合結果的光譜與紋理信息需均有優良表現的特點，加入 e－(λI－1)2因子，同時，側重于具體的應用中對興趣地物的提取和重要程度的判斷，如本研究結果應用于江蘇省徐州市綠化調查統計，其對識別塊狀綠地、建筑附屬綠地、行道樹及散生單木均有較高要求，因此，在構建公式時，以相似度為基礎，將NDVI閾值用于感興趣區域的劃分，并探討了權值分配，最終得到了G_MMSIM評價公式，其結果與主觀評價具有一致性，可以作為一種實用的運用于農、林等遙感信息提取的融合影像評價參考指標，同時，值得注意的是，此方法中突出植被信息的部分稍做修改，便可以用于其它感興趣目標的融合評價，如突出巖石、水體等地物評價中。［14］

【參 考 文 獻】

［1］馬友平，馮仲科，何友均，等．基于ERDAS IMAGINE軟件的快鳥影像融合研究［J］．北京林業大學學報，2007，29(2):181 －182．

［2］黎新亮，趙書河，柯長青，等．遙感圖像融合定量評價方法及實驗研究［J］．遙感技術與應用，2007，22(3):461 －463．

［3］許少凡，劉顯峰，狄紅衛．基于加權結構相似度的圖像融合質量評價［J］．暨南大學學報(自然科學版)，2007，28(5):471 －473．

［4］仇大海，吳亞玲，張瑞絲．Worldview_1與SPOT5遙感數據融合評價［J］．西南大學學報，2010，32(6):168 －169．

［5］張 勇，金偉其．基于結構相似度與感興趣區域的圖像融合評價方法［J］．光子學報，2011，40(2):313 －314．

［6］羅曉清，吳小俊．一種基于區域相似性的圖像融合評價方法［J］．電子學報，2010(5):1153 －1156．

［7］張愛明，李乃強．多源遙感影像小波融合方法研究與分析［J］．現代測繪，2009，32(5):39 －46．

［8］趙 平．我國園林綠化裝備發展面臨的新形勢［J］．林業機械與木工設備，2001，39(10):12 －15．

［9］李瑞改，李時舫，肖冰．基于3S的森林資源消長數據采集與更新系統設計［J］．林業機械與木工設備，2011，39(2):41 －44．

［10］Toet A，Franken E M．Perceptual evaluation of different image fusion schemes［J］．Displays，2003，24(1):25 － 37．

［11］Petrovi V．Subjective tests for image fusion evaluation and objective metric validation［J］．Information Fusion，2007，8(2):208 －216．

［12］Le Hégarat-Mascle S，Richard D．Multi-scale data fusion using Dempster-Shafer evidence theory［J］．Integrated Computer-Aided Engineering，2003，10:9 －22．

［13］Piella G．A general framework for multiresolution image fusion from pixels to regions［J］．Information Fusion，2003，4(4):259 －280．

［14］王洪軍，宮 芳．森林資源培育利用中的問題及對策［J］．森林工程，2004，20(4):14 －15．