采煤沉陷區(qū)高分遙感數(shù)據(jù)融合方法

占惠珠，尚 慧，甘智慧

(西安科技大學(xué) 地質(zhì)與環(huán)境學(xué)院，陜西 西安 710054)

0 引 言

采煤沉陷區(qū)地表環(huán)境監(jiān)測是針對(duì)采煤引發(fā)的地質(zhì)環(huán)境問題進(jìn)行治理恢復(fù)過程中的重要工作。當(dāng)前，礦產(chǎn)資源的開發(fā)利用對(duì)中國地形地貌、土地資源分布及相關(guān)工程活動(dòng)造成一定影響，而采用遙感技術(shù)對(duì)礦山地表環(huán)境進(jìn)行實(shí)時(shí)、準(zhǔn)確、有效地監(jiān)測已成為必然趨勢[1-5]。在遙感影像處理技術(shù)中，影像融合技術(shù)可以通過融合具有不同光譜特性、不同分辨率的影像數(shù)據(jù)來提高影像質(zhì)量，以便準(zhǔn)確獲取因礦山開采被破壞和壓占的土地、植被以及其他建筑物信息。因此，探尋一種適合于采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測的遙感影像融合方法顯得尤為重要。隨著高分辨率商業(yè)遙感衛(wèi)星影像獲取途徑的增加，傳統(tǒng)中低分辨率遙感衛(wèi)星影像在精準(zhǔn)調(diào)查和監(jiān)測等方面的局限性日益顯現(xiàn)，與此同時(shí)，針對(duì)小范圍地質(zhì)環(huán)境細(xì)節(jié)信息提取精度不足的問題也逐漸獲得解決：LI等綜合運(yùn)用HIS變換、主成分變換和小波融合等多種方法，借助Spot-5遙感衛(wèi)星影像全色、多光譜及短波紅外波段，針對(duì)礦區(qū)生態(tài)環(huán)境要素信息提取開展了相應(yīng)研究，研究成果為礦區(qū)地質(zhì)環(huán)境評(píng)價(jià)和開墾提供了基礎(chǔ)數(shù)據(jù)[6]；HESHAM等基于 HIS變換方法，融合假彩色復(fù)合Spot比率影像及高分辨率的Spot全色波段，對(duì)巖石類別進(jìn)行劃分，并繪制相關(guān)礦區(qū)地質(zhì)圖[7]；MEZNED等以突尼斯北部地區(qū)為例，融合Spot-5全色波段與Landsat ETM+多光譜數(shù)據(jù)，突出顯示礦區(qū)尾礦渣堆和尾礦庫的分布情況，結(jié)果表明基于多光譜和多源數(shù)據(jù)融合的遙感技術(shù)能夠有效應(yīng)用于尾礦渣和尾礦庫的監(jiān)測研究[8]；褚進(jìn)海等運(yùn)用Brovey，IHS，PCA和Pan Sharpening等變換方法對(duì)QuickBird影像進(jìn)行融合，并對(duì)融合效果進(jìn)行評(píng)價(jià)，結(jié)果顯示Pan Sharpening算法是最適合QuickBird數(shù)據(jù)在露天開采礦山工作面及尾礦庫遙感監(jiān)測方面的融合方法[9]；王俊芳等結(jié)合QuickBird影像和Spot-5影像全色波段，采用波段組合與圖像融合技術(shù)，對(duì)露天磁鐵及硐采煤礦區(qū)進(jìn)行地質(zhì)災(zāi)害及環(huán)境污染監(jiān)測研究，結(jié)果證實(shí)采用高分辨率遙感監(jiān)測技術(shù)對(duì)礦山地質(zhì)環(huán)境進(jìn)行調(diào)查的有效性和必然性[10]；白光宇等基于Spot-5影像對(duì)吉林省遼源市煤礦進(jìn)行了室內(nèi)圖像處理及野外實(shí)地調(diào)研，并通過分析得出Spot-5衛(wèi)星影像的最優(yōu)波段組合、融合算法及地物解譯標(biāo)志，對(duì)其他礦區(qū)應(yīng)用Spot-5衛(wèi)星影像開展礦山地質(zhì)環(huán)境調(diào)查具有借鑒意義[11]。

雖然利用高分影像融合技術(shù)解決了小范圍地質(zhì)環(huán)境細(xì)節(jié)信息提取精度問題，但是研究對(duì)象主要集中在礦區(qū)污染物、地質(zhì)災(zāi)害、尾礦渣和尾礦庫等，所用高分?jǐn)?shù)據(jù)類型較單一，且在針對(duì)采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測的多源高分遙感數(shù)據(jù)融合方法的研究成果偏少。以寧夏回族自治區(qū)石嘴山市惠農(nóng)采煤沉陷區(qū)為研究區(qū)，選取2003年QuickBird衛(wèi)星影像(研究區(qū)進(jìn)行礦山地質(zhì)環(huán)境治理恢復(fù)前)和2018年高分二號(hào)衛(wèi)星影像(研究區(qū)礦山地質(zhì)環(huán)境現(xiàn)狀)，采用PC Spectral Sharpening法、NNDiffuse Pan Sharpening法、Gram-Schmidt法及Brovey Sharpening法進(jìn)行融合分析處理，并對(duì)處理結(jié)果進(jìn)行定性與定量評(píng)價(jià)，探討適合于采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測的最優(yōu)融合方法，可為采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測研究提供高質(zhì)量的遙感基礎(chǔ)數(shù)據(jù)，豐富礦山地質(zhì)環(huán)境演化遙感監(jiān)測的理論和方法，為資源枯竭型城市的可持續(xù)發(fā)展及環(huán)境質(zhì)量的改善提供借鑒。

1 地質(zhì)背景及主要礦山地質(zhì)環(huán)境問題

惠農(nóng)采煤沉陷區(qū)地處寧夏回族自治區(qū)石嘴山市，是由石嘴山礦區(qū)(包括一礦和二礦)井下煤炭開采形成，總面積約40 km2，位于東經(jīng)106°45′39″～106°47′21″，北緯 39°13′50″～39°15′44″之間(圖1)。沉陷區(qū)出露地層涵蓋長城系、薊縣系、二疊系、新近系、第四系，含煤地層為上石炭統(tǒng)太原組和下二疊統(tǒng)山西組，可采煤層總厚度為28.75 m。經(jīng)過60 a的煤炭開采，存在的主要礦山地質(zhì)環(huán)境問題包括：壓占和破壞土地資源、地貌景觀；礦山次生地質(zhì)災(zāi)害；礦山固體廢棄物對(duì)環(huán)境的污染。分布廣、影響最大的礦山地質(zhì)環(huán)境問題主要是占用、破壞土地資源和地貌景觀，其次是礦山地質(zhì)災(zāi)害，其中，地質(zhì)災(zāi)害發(fā)育最嚴(yán)重的為地面塌陷和地裂縫，沉陷區(qū)共發(fā)育7個(gè)較大的塌陷坑，地表最大下沉值超過26 m，一般深8～10 m，塌陷坑總面積達(dá)9.1 km2[12]。除此之外，區(qū)內(nèi)還有由采礦引起的地面塌陷22處，面積約1.3 km2；地裂縫140余條，總長15 462 m，裂縫影響面積0.8 km2。沉陷區(qū)內(nèi)地表巖體破碎，植被稀疏，砂石散布，污水橫流，甚至一些區(qū)域還成為了城市垃圾堆積場，環(huán)境污染異常嚴(yán)峻，給沉陷區(qū)及其周邊人居生活環(huán)境造成極大影響。伴隨城市的進(jìn)一步擴(kuò)張，采煤沉陷區(qū)日愈趨近城市中心，污染嚴(yán)重、管理缺位的采煤沉陷區(qū)與惠農(nóng)城區(qū)形成了強(qiáng)烈對(duì)比，為當(dāng)?shù)鼐用竦纳a(chǎn)生活帶來不便。從2004年開始，惠農(nóng)采煤沉陷區(qū)進(jìn)行了近11 a的治理，治理面積約40 km2(圖1)，目前礦區(qū)的環(huán)境得到很大改善，基本消除了礦區(qū)地質(zhì)災(zāi)害隱患，大幅度提高了植被覆蓋率，減少了水土流失，使荒棄的土地成為城市綠色屏障，建成了集湖面、園林和塌陷區(qū)地貌景觀為一體的特色園區(qū)，改善了礦區(qū)居民生存環(huán)境，提升了礦區(qū)居民生活質(zhì)量。

圖1 采煤沉陷區(qū)位置及范圍

2 數(shù)據(jù)源及其預(yù)處理

2.1 數(shù)據(jù)源選擇

高分辨率遙感影像相比于傳統(tǒng)中低分辨率遙感影像具有空間分辨率高、數(shù)據(jù)規(guī)模大等特點(diǎn)，可從影像中獲取更多、更準(zhǔn)確的地物信息[13]。因此，選用了符合實(shí)驗(yàn)標(biāo)準(zhǔn)且含云量較少的惠農(nóng)采煤沉陷區(qū)2003年QuickBird影像(研究區(qū)進(jìn)行礦山地質(zhì)環(huán)境治理恢復(fù)前)及2018年高分二號(hào)影像(研究區(qū)礦山地質(zhì)環(huán)境現(xiàn)狀)進(jìn)行融合方法研究。其中，QuickBird影像包括了分辨率為0.61 m的全色影像和2.44 m的多光譜影像，全色波長范圍0.405～1.053 μm，多光譜影像的波長范圍為0.430～0.545 μm(藍(lán)色波段)、0.466～0.620 μm(綠色波段)、0.59～0.71 μm(紅色波段)、0.715～0.918 μm(近紅外波段)；高分二號(hào)全色影像的空間分辨率為0.80 m，波長范圍：0.45～0.90 μm；多光譜影像的空間分辨率為3.20 m，包含了4個(gè)波段，波長范圍分別為：0.45～0.52 μm(藍(lán)色波段)、0.52～0.59 μm(綠色波段)、0.63～0.69 μm(紅色波段)、0.77～0.89 μm(近紅外波段)。

2.2 圖像預(yù)處理

與傳統(tǒng)中低分辨率影像相比，相同面積的高分辨率影像包含了更多、更復(fù)雜的空間信息，同時(shí)影像上同物異譜或者同譜異物的問題也更嚴(yán)重，因此在融合前，對(duì)原始多光譜波段與全色波段影像進(jìn)行了幾何糾正和多光譜影像的重采樣等預(yù)處理，其中QuickBird影像的配準(zhǔn)誤差為0.215個(gè)像元，高分二號(hào)影像的配準(zhǔn)誤差為0.238個(gè)像元，滿足影像融合的精度要求。

3 高分辨率遙感影像融合

3.1 融合算法

通過對(duì)比分析傳統(tǒng)遙感影像融合方法[14-18]，根據(jù)QuickBird影像和高分二號(hào)影像的特點(diǎn)，結(jié)合采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測應(yīng)用的需要，分別選取光譜信息和空間信息保持相對(duì)較好的PC Spectral Sharpening，NNDiffuse Pan Sharpening，Gram-Schmidt和Brovey Sharpening4種融合算法對(duì)研究區(qū)2003年QuickBird影像和2018年高分二號(hào)影像進(jìn)行了融合處理，通過定性評(píng)價(jià)和定量評(píng)價(jià)得到最優(yōu)融合算法。

3.1.1 PCA融合算法

主成分分析法(principal component analyst，PCA)是基于像元的融合算法，又稱Karhunen-Loeve(K-L)變換。首先計(jì)算多光譜影像的系數(shù)矩陣的特征值與特征向量，得到多光譜影像的各主成分分量，并對(duì)第一主成分進(jìn)行提取；其次將全色波段影像拉伸到與提取的多光譜影像第一主成分的均值和方差相同；最后用經(jīng)過拉伸后的全色波段影像替換第一主成分，并疊加其余主成分進(jìn)行逆變換，獲得融合后的影像。算法特點(diǎn)是可以處理3個(gè)以上的波段，省去了波段選擇的過程，使融合后影像既保留了原始多光譜影像的高頻信息，又具有高分辨率、高光譜的特征，同時(shí)也會(huì)對(duì)原始多光譜影像的光譜信息造成一定的丟失。

3.1.2 NNDiffuse Pan Sharpening融合算法

NNDiffuse(nearest neighbor diffusion)Pan Sharpening融合算法是基于臨近擴(kuò)散算法實(shí)現(xiàn)的[19]，主要是對(duì)高分辨率全色波段影像進(jìn)行降采樣，得到與多光譜影像相同的分辨率，再將每個(gè)波段相同位置的像素進(jìn)行線性回歸運(yùn)算，得到光譜貢獻(xiàn)量T，通過權(quán)重向量T來規(guī)范光譜，得到與原影像近似的光譜信息。算法特點(diǎn)是運(yùn)算速度快，光譜保真度較好且對(duì)波段要求低，沒有數(shù)量要求。但對(duì)融合之前的多光譜影像與全色波段影像的空間分辨率有要求，需呈整數(shù)倍，否則需對(duì)影像先進(jìn)行重采樣后才能實(shí)現(xiàn)融合。

3.1.3 Gram-Schmidt融合算法

Gram-Schmidt融合算法是基于PCA算法進(jìn)行改進(jìn)的一種融合算法。PCA融合影像經(jīng)過主成分變換后，信息在各個(gè)主成分之間進(jìn)行重新分配，第一主成分包含大部分信息，其他主成分包含的信息量依次減少，而 Gram-Schmidt融合算法以消除波段間信息的冗余性和相關(guān)性為目的，對(duì)影像的矩陣進(jìn)行正交變換[20],各分量所包含的信息量大致相同，這就避免了PCA融合算法中信息過于集中在某個(gè)分量的問題。該算法在一次融合過程中可處理3個(gè)以上的波段，省去了波段選擇過程，融合后的影像光譜保真度較好。由于Gram-Schmidt變換過程較為復(fù)雜，在融合過程中容易出現(xiàn)一些難以預(yù)料的誤差。

3.1.4 Brovey Sharpening融合算法

Brovey Sharpening融合算法是基于代數(shù)的一種較為簡便的融合算法，將高分辨率全色影像與歸一化后的多光譜影像相乘即可完成數(shù)據(jù)融合。優(yōu)點(diǎn)是簡化了影像轉(zhuǎn)換過程的系數(shù)，可以很好地提高影像上陰影、水體、城鎮(zhèn)居民地之間的對(duì)比度，在具有高對(duì)比度的RGB影像上能夠產(chǎn)生良好的視覺效果[21]，缺點(diǎn)是它只允許同時(shí)對(duì)3個(gè)波段數(shù)據(jù)進(jìn)行融合運(yùn)算。

3.2 定量評(píng)價(jià)指標(biāo)

目前對(duì)于融合影像質(zhì)量的定量評(píng)價(jià)方法沒有統(tǒng)一的標(biāo)準(zhǔn)，不同的學(xué)者選用的評(píng)價(jià)指標(biāo)不同。在前人的研究基礎(chǔ)上，文中從融合影像的空間信息融入度[22]和光譜信息保真度[23]2個(gè)方面對(duì)不同融合算法的融合影像進(jìn)行評(píng)價(jià)。在空間信息融入度方面選取了標(biāo)準(zhǔn)差、信息熵、平均梯度和相關(guān)系數(shù)4個(gè)評(píng)價(jià)指標(biāo)；在光譜信息保真度方面選取了灰度均值、相對(duì)偏差和光譜扭曲度3個(gè)評(píng)價(jià)指標(biāo)。

3.2.1 灰度均值

灰度均值指影像中所有像元灰度值的算術(shù)平均值，即人眼觀察到的影像的平均亮度。若計(jì)算得到的融合影像的灰度均值越近似于原始多光譜影像的灰度均值，則表明該融合影像的信息保留度越好。

3.2.2 標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差代表了影像灰度級(jí)的分布狀況。若計(jì)算得到的融合影像的標(biāo)準(zhǔn)差越大，則表明該影像的灰度級(jí)分布越離散，影像的反差越大，影像所包含的信息量越多。

3.2.3 信息熵

信息熵是用來反映影像信息豐富情況的一個(gè)重要指標(biāo)，熵值的大小直接與影像所包含的平均信息量相關(guān)。若計(jì)算得到的融合影像的信息熵值越大，則表明影像所包含的信息量越多，融合效果越好。

3.2.4 平均梯度

平均梯度即影像的清晰度，用來衡量影像對(duì)地物的細(xì)節(jié)和紋理信息的表征能力大小，若計(jì)算得到的值越大，則表明該影像對(duì)地物的細(xì)節(jié)和紋理信息的表征能力越大，清晰度越高，融合效果越好。

3.2.5 相關(guān)系數(shù)

相關(guān)系數(shù)反映的是原始多光譜影像與融合影像之間的相關(guān)程度。若計(jì)算得到的相關(guān)系數(shù)越接近于1，則表明2幅影像的相關(guān)程度越高，融合影像保持了較多的原始多光譜影像的光譜特征，融合的效果也越好。

3.2.6 相對(duì)偏差

相對(duì)偏差是融合影像相比原始多光譜影像在光譜信息上的偏離程度。若計(jì)算得到的相對(duì)偏差值越小則說明融合影像不僅提高了空間分辨率，且較好地保持了原始多光譜影像的光譜特征。

3.2.7 光譜扭曲度

光譜扭曲度即光譜信息丟失程度，一般用融合影像與原始多光譜影像在光譜信息上的差距大小來表示。若計(jì)算得到的光譜扭曲度越大，則說明融合影像的原始光譜信息丟失越多，與原始多光譜影像的匹配度越小。

3.3 融合結(jié)果評(píng)價(jià)與分析

3.3.1 定性評(píng)價(jià)

定性評(píng)價(jià)即通過目視判別，由人眼去觀察融合后影像的整體亮度、色彩反差是否合適、色調(diào)是否均勻、細(xì)節(jié)和紋理信息是否豐富、各種地物邊緣是否清晰等。盡管定性評(píng)價(jià)通常會(huì)受到顯示器性能、評(píng)價(jià)主體的經(jīng)驗(yàn)與偏見等影響，但由于人眼對(duì)色彩具有強(qiáng)烈的感知能力且評(píng)價(jià)過程與方法具有簡單、快捷的特點(diǎn)，其對(duì)融合后影像的評(píng)價(jià)是其他方法所無法比擬的。

由QuickBird和高分二號(hào)影像以真彩色RGB波段組合，2%的線型拉伸顯示的多光譜影像及幾種算法融合后的影像對(duì)比可知(圖 2、圖3)，在空間分辨率方面，4種算法的融合影像與原始多光譜影像相比，采煤沉陷區(qū)內(nèi)廠房、矸石山、植被等地物的紋理和輪廓結(jié)構(gòu)在各幅融合影像上更清晰。尤其是PCA融合影像與NNDiffuse融合影像上的地物紋理細(xì)節(jié)特征更加清晰豐富，更易于辨別；在光譜保真度方面，前3種算法的融合影像色彩與原始多光譜影像較為接近，較好地保留了原始多光譜影像的光譜信息，其中QuickBird影像數(shù)據(jù)的GS融合影像和PCA融合影像色彩的亮度、飽和度和對(duì)比度有很大程度提高，可準(zhǔn)確判讀治理前煤矸石山的范圍與形態(tài)，礦區(qū)建筑物邊界與道路清晰可見。而NNDiffuse和 Brovey融合影像的融合效果相對(duì)較差；高分二號(hào)PCA與 NNDiffuse融合影像與原始多光譜影像相比，色彩的飽和度、亮度、對(duì)比度都有不同程度的提高，且地物的紋理細(xì)節(jié)與邊緣特征較為突出，可看出經(jīng)過治理后沉陷區(qū)內(nèi)植被的顏色變化，能有效提取植物生長高度及密度等信息。GS融合影像包含的信息量較少，色彩的亮度、對(duì)比度和地物的紋理細(xì)節(jié)和邊緣特征均較差。Brovey融合影像在色彩上與原始多光譜影像相差較大，根據(jù)其原理可知在對(duì) RGB影像進(jìn)行變換或計(jì)算時(shí)會(huì)丟失一部分的光譜信息，但地物的紋理與邊緣特征得到了增強(qiáng)。

圖2 幾種算法融合前后的QuickBird影像對(duì)比

圖3 幾種算法融合前后的高分二號(hào)影像對(duì)比

3.3.2 定量評(píng)價(jià)

通過分析QuickBird和高分二號(hào)融合前后的影像參數(shù)(表1、表2):

表1 QuickBird原始多光譜與融合后影像的參數(shù)

表2 高分二號(hào)原始多光譜與融合后影像的參數(shù)

QuickBird影像數(shù)據(jù)在空間信息融入度方面，標(biāo)準(zhǔn)差代表了影像灰度級(jí)的分布狀況，PCA融合影像的標(biāo)準(zhǔn)差最大(值為127.295)，灰度級(jí)分布最分散，包含的信息量最多；信息熵反映了影像信息豐富情況，PCA融合影像的信息熵最大(值為8.125)，表明該融合影像包含的平均信息量最多；平均梯度是衡量影像對(duì)地物的細(xì)節(jié)和紋理信息的表征能力大小的指標(biāo)，GS融合影像的平均梯度最大(值為23.415)，其空間細(xì)節(jié)信息表現(xiàn)最清楚，PCA和NNDiffuse融合影像次之，Brovey融合影像的平均梯度最小；相關(guān)系數(shù)反映的是原始多光譜影像與融合影像之間的相關(guān)程度，NNDiffuse和GS融合影像的相關(guān)系數(shù)較大，分別為0.961，0.956。在光譜信息保真度方面，灰度均值反映了影像的平均亮度，GS融合影像的灰度均值(值為329.293)最接近原始影像，光譜保持最好，與目視結(jié)果相一致；PCA和GS融合影像的偏差指數(shù)均較大，NNDiffuse融合影像的光譜扭曲度最小，Brovey融合影像的光譜扭曲度最大。

高分二號(hào)影像數(shù)據(jù)在空間信息融入度方面，GS融合影像的標(biāo)準(zhǔn)差(值為712.718)最大，NNDiffuse和PCA融合影像次之，Brovey和HSV融合影像較小；NNDiffuse融合影像的信息熵最大(值為11.258)，信息豐富程度最高，PCA和GS融合影像次之；GS融合影像的平均梯度(值為97.767)較其他融合影像大，表明其對(duì)地物的細(xì)節(jié)和紋理信息的表征能力最大，清晰度最高；而相關(guān)系數(shù)除GS融合影像較低外，其他3個(gè)融合影像都與原始多光譜影像具有高度相關(guān)性，PCA融合影像的相關(guān)系數(shù)最高，達(dá)到0.942。在光譜信息保真度方面，PCA融合影像的灰度均值(值為990.059)最接近原始多光譜影像的灰度均值(值為1 046.940)，原始影像信息保留度最好，GS融合影像和NNDiffuse融合影像次之，Brovey融合影像和HSV融合影像最差；PCA融合影像的相對(duì)偏差(值為0.124)和光譜扭曲度(值為152.030)最小，與原始多光譜影像最匹配，NNDiffuse融合影像和GS融合影像次之，Brovey和HSV融合影像的原始光譜信息丟失最多。

3.3.3 評(píng)價(jià)結(jié)果

惠農(nóng)采煤沉陷區(qū)治理工程從2004年開始至2015年基本完成。因此，綜合前文定性評(píng)價(jià)和定量評(píng)價(jià)的結(jié)果，對(duì)于研究區(qū)進(jìn)行礦山地質(zhì)環(huán)境治理恢復(fù)前的2003年QuickBird數(shù)據(jù)，采用GS融合算法最易于獲取因礦山開采引起地質(zhì)災(zāi)害或占用、破壞土地資源的典型地物，如地裂縫、煤矸石、煤堆、礦坑水等的范圍、紋理及形態(tài)信息(圖4)；而對(duì)于研究區(qū)進(jìn)行礦山地質(zhì)環(huán)境治理恢復(fù)后的2018年高分二號(hào)數(shù)據(jù)，采用PCA融合算法最適合提取復(fù)綠植被、觀景平臺(tái)、中心廣場等人造景觀的幾何結(jié)構(gòu)和紋理信息等(圖5)。研究成果可推廣到其他類似研究區(qū)，可為采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測提供高質(zhì)量遙感基礎(chǔ)數(shù)據(jù)。

圖4 GS融合處理后的QuickBird遙感影像

圖5 PCA融合處理后的高分二號(hào)遙感影像

4 結(jié) 論

1)通過對(duì)4種融合算法得到的融合影像與多光譜影像進(jìn)行對(duì)比分析，QuickBird影像采用GS和PCA融合算法得到的融合影像與原始多光譜影像相比，色彩的亮度、飽和度和對(duì)比度有很大程度提高，可準(zhǔn)確判讀治理前煤矸石的范圍與形態(tài)、礦區(qū)建筑物邊界、道路等；高分二號(hào)影像的PCA和NNDiffuse算法的融合效果優(yōu)于Brovey、HSV和GS融合算法，且PCA融合影像較NNDiffuse融合影像的地物幾何結(jié)構(gòu)和紋理信息表現(xiàn)得更為明顯，易于采煤沉陷區(qū)地表環(huán)境信息的提取。

2)通過對(duì)比分析融合影像的7個(gè)定量評(píng)價(jià)指標(biāo)值，QuickBird影像數(shù)據(jù)的GS融合影像不僅在空間信息融入度方面較好，而且具有很強(qiáng)的光譜保真能力。其與原始多光譜影像相關(guān)性最高，像元灰度級(jí)分散，包含的平均信息量多，空間細(xì)節(jié)信息表現(xiàn)最清楚；高分二號(hào)影像數(shù)據(jù)在空間信息融入度方面，GS融合影像最優(yōu)，像元灰度級(jí)較分散，影像較清晰。在光譜信息保真度方面，PCA融合影像最優(yōu)，與原始影像灰度均值最接近，相對(duì)偏差和光譜扭曲度最小，較其他融合影像光譜信息丟失程度小。

3)綜合融合算法定性和定量評(píng)價(jià)結(jié)果，GS融合算法最適合研究區(qū)進(jìn)行礦山地質(zhì)環(huán)境治理恢復(fù)前的QuickBird數(shù)據(jù)提取，如地裂縫、煤矸石、煤堆、礦坑水等的范圍、紋理及形態(tài)信息；PCA融合算法最易于提取研究區(qū)礦山地質(zhì)環(huán)境治理恢復(fù)后的高分二號(hào)數(shù)據(jù)中復(fù)綠植被、觀景平臺(tái)、中心廣場等人造景觀的幾何結(jié)構(gòu)和紋理等信息；研究成果可為采煤沉陷區(qū)地質(zhì)環(huán)境監(jiān)測提供高質(zhì)量遙感基礎(chǔ)數(shù)據(jù)。