GF-2衛星數據融合及在礦山地物識別中的應用

李得全，馬玉強，張福倉，申元強

(1.山金西部地質礦產勘查有限公司，青海 西寧 810003；2.中國建筑材料工業地質勘查中心青海總隊，青海 西寧 810001)

0 引 言

自2010年“高分專項”工事實行以來，我國交叉發射了多顆陸地觀測衛星，其中高分二號(GF-2)衛星以其能夠提供空間分辨率高達1 m的衛星數據深受廣大用戶的青睞，海量衛星數據資料源源不斷地提供和推廣應用徹底改變了以往依賴國外衛星數據的尷尬局面。然而就GF-2衛星數據而言，全色波段數據分辨率較高，而多光譜圖像能更細致地反映地物光譜的一些特征，如何充分融合遙感影像信息，能更好發揮最大的使用效益，眾多學者認為對于同一種融合方式，當數據源、參數設置或者研究目的不同時，其融合效果也會有明顯的差別[1]。文章就當下眾多學者一直關注的圖像融合的焦點問題，以GF-2衛星數據的礦山地物目視解譯為應用目的，對幾種普遍常用的融合方法展開試驗及探討。

1 數據源及研究區概況

該次實驗研究所選用的衛星數據為GF-2數據，包括1 m分辨率全色波段數據和4 m分辨率的多光譜數據，圖像經過預處理使誤差節制在半個像元以內，能夠有效保證多光譜數據與全色波段數據融合效果。研究區在新疆維吾爾自治區庫車縣北部約50 km處庫車礦山區。

1.1 數據源簡介

高分二號衛星于2014年8月19日發射成功，裝有2臺高分辨率1 m全色、4 m多光譜相機，在生態環境、地質礦產、農業、林業、環境保護、災害監測等方面都具有很大的實用價值，是我國陸地觀測衛星中分辨率最高的衛星，其星下點空間分辨率可達0.8 m，亞米級的空間分辨率、定位精度、快速姿態、機動力、軌道參數參見表1，是當前我國民用陸地觀察衛星中的分辨率最高衛星[2-4]。

表1 GF-2衛星軌跡參數一覽表

1.2 試驗區概況

試驗區內盆地和山地分明，山地為中山地貌，盆地為山前沖洪積平原，海拔在2 100 m左右；此外，實驗區內共有采礦權19處，其中：礦山企業10處(小型礦山企業7處、中型礦山企業2處、大型礦山企業1處)，開采方式為地下開采和露天開采2種形式，礦山地下開采區域主要分布在試驗區西側，而露天開采區則主要分布在試驗區東側，地物目標包含有礦山開采硐口、礦山開采面、礦山中轉場地、礦山固體廢棄物、礦山建筑以及礦山開發引發的滑坡、崩塌、地面塌陷等，為GF-2礦山地物識別分析提供了基礎。

2 圖像融合試驗

遙感圖像數據融合的過程是在統一的地理坐標系統中，利用特定的遙感圖像進行算法的分析，為了更好的表達該目標信息，同時，使該圖像具有新的空間特征、波譜特征、時間特征，由此得出具有更的數據[5-6]。在融合模式上，已經有一些傳統的演化算法，例如GS變換、Brovey變換、PCA變換、NNDIFFUSE演化等，因為全色帶資料與多光譜資料的頻譜響應范圍不符，采用以上方法，融合后的圖像與多光譜圖像的顏色存在著差異[7-8]。采用GS轉換法，Brovey轉換法，PCA轉換法，NNDIFFUSE算法，對GF-2全色波段的數據進行試驗融合。

2.1 不同融合方法原理簡介

BroveyFusion又稱顏色標準化融合(Colornormalization)融合(Colornormalization)，是美國科學家Brovey建立和推廣的模型，是一種RGB的色彩融合轉換方式，目前已有大量的應用[9-11]。該方法主要將多光譜影像的圖像空間分解成顏色及亮度成分，并對其進行操作(complex)。在進行融合處理時，首先將圖像顯示的多光譜波段色彩歸一化，然后對其分別乘以多光譜圖像中的每個波段的灰度，也就是整個色影像的灰度[5，12-13]。其公式定義為：

式中：Pan表示安排巨細后的全色影像的對應值，I0、R0、G0、R0分別表示安排巨細后的多光譜影像的對應值，Rnew、Gnew、Rnew則分別表示融合后的多光譜影像的對應值[14]。

PCA融合處理方法是將多波段影像轉換到各不相關的成分，然后依照特定的融合規則，將高解析度影像與低解析度影像的主要成分進行融合處理，并以此融合后的主要成分取代原有的主要成分，最后利用反向轉換來重建融合影像的過程[15]。

GS變換(GStransformation)是一種多維線性正交轉換。在進行GS融合時：①用多光譜影像來模擬全色影像的方法，使低通濾波產生低分辨率全色影像；②對多光譜影像進行GS變換，使全色影像作為第一分量，從而得到其它分量；③將高解析度圖像進行仿真，將校正后的圖像作為第一份量與其它重量一起進行GS反向的，最后得到了融合后的圖像[6，12]。

通過對美國羅徹斯特理工學院(RIT)的分析，發現了1種新的算法。該算法利用了1種基于存儲并行編程(OpenMP)與統一計算裝置結構(CUDA)技術，以改善其處理性能，與以往的方法相比，其在融合影像的品質和處理速度上具有更大的優勢。在不同的波長范圍不交叉的情況下，在多光譜的全部波段之間，通常情況下，全色波段幾乎能在波長區域內覆蓋多光譜的所有波段時，其融合效果要好得多。用NNDiffuse融合方法必須符合下列條件：①低分辨率圖像的像元大小必須是高分辨率圖像的整數倍，若無，就必須進行再制造；②圖像一定要投影信息一致；③形象的尺寸一定要一致；④保證圖像左角度對齊，不會對融合精度產生影響，如果配準精度低于輔助像象素[12]。

2.2 融合試驗

在ENVI圖像專業處理軟件下對經過精糾正的GF-2多光譜圖像和全色波段圖像分別進行GS變換法、Brovey變換法、PCA變換法和NNDiffuse算法融合，融合成果采取真彩色展示，并進行2 %“掐頭”拉伸增強處理。GF-2衛星原始全色影像和真彩色合成多光譜影像見圖1，采用上述4種融合方式所得到的融合圖像見圖2。

圖1 試驗區GF-2衛星原始數據

3 融合效果評價

從空間細節的加強和頻譜信息的維持2個角度，對以上不同方法的圖像進行了主觀視覺和客觀定量對比和評價[16]，最后：NNDiffuse算法在亮度信息、清晰度和頻譜信息等方面均有較好的優勢，融合后的圖像不但能很好地保持原始圖像的光譜特性，而且還能提高圖像的可解譯性，從而提高圖像的可解性[17]。

3.1 主觀視覺評價

從空間分析角度來看，Brovey轉換法、PCA轉換法、GS轉換法、NNDiffuse算法等已有的圖像，都會讓原來的多光譜圖像的空間解析度得到了提高，圖像資訊得到最大程度，能夠準確地區分各地物的空間結構和各個物之間的邊界線，提高判讀能力。圖像的地物感知更為強，地物的紋理也比原有的多光譜圖像更加清楚，所以在抽取圖像信息時，Brovey轉換方法的融合效果要差，從而得到更豐富、更精確的結果[5，12]。

從光譜特性上進行分析，即Brovey轉換法融合后的圖像，其道路顏色變化最大，光譜信息損耗較大，光譜扭曲嚴重，方法受波段限制，整體光譜色調變化明顯；PCA融合法采集到的融合圖光譜信息不變較大，顏色變化較大；將NNDiffuse算法與NNDiffuse算法融合后的圖像色調與原來的多光譜圖像相近，總體上沒有過度變化，圖像的光譜信息也得到了很好的保存。通過對GS轉換法和NNDiffuse演算法的融合后的圖像進行比較，可以看出NNDiffuse演算法的視覺效果最好，各個物料與原有相近，整體效果最佳[5，12]。

3.2 客觀定量評價

分別篩選信息熵、標準差、平均梯度、偏向指數和相關系數等5個指標從影像的亮度信息、信息量、清晰度和光譜信息等方面的差異對4種融合方式所取得的融合圖像進行定量比較[16]。定量比較結果見表2。

表2中不同融合法的定量評估結果分析如下：①信息熵表示圖像包含的平均信息量的多少，它是衡量圖像信息豐富程度的重要指標，其大小為值。從表2可以看出，以上4種融合后得到的融合影像，其信息熵比原影像都要大，說明它們的信息量比原影像都要豐富；此外，NNDiffuse演算法比PCA轉換法、GS轉換法和Brovey轉換法的值更大，說明它的信息量比另外3種融合影像的信息量更豐富；此外，在一定程度上還可以用標準差來評估圖像信息量的大小，可見NNDiffuse算法對圖像進行整合的信息量最大，其次是GS轉換法；②平均梯度反映了圖像中微小細節與紋理變化特征之間的對比能力，同時也反映了圖像的清晰度，可以看出NNDiffuse算法融合圖像的平均梯度值最大，即對微小細節和紋理特征在圖像中的反映能力更強；③偏差指數體現融合結果與原始圖像的偏向水平，相關系數反映融合成效與原狀圖像的相似程度，可以看出PCA變換法與Brovey變換法的偏向指數值較大，而兩者的相關系數相對較小，因此這2種融合方法獲得的融合圖像與原始圖像留有較大的失真，NNDiffuse算法與GS變換法融合結果的偏向指數在四種融合算法中相對較小，而相關系數較大，說明它們在維持圖像的光譜信息中具有較好的效果[16]。

4 礦山地物識別應用研究

通過對試驗區(庫車礦山開采區)的實地調查發覺，該實驗區內礦山地物類型包括礦產資源開采井口、露天開采面、礦山開發占地(主要包括采場、中轉場地、固體廢棄物、礦山建筑)[18-19]，崩塌、泥石流、滑坡、地面采空塌陷等礦山地質災害和礦山環境恢復治理等信息。

該文以NNDiffuse算法融合好的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合的遙感影像為信息源，就該融合圖像下對礦山地物目標的識別能力進行分析研究，以明確基于NNDiffuse算法融合的GF-2衛星數據在礦山地物識別中的應用能力。

地物識別能力的強弱是遙感數據信息量較多的一種體現，信息量的大小首要在于傳感器的光譜分辨率和地面分辨率，而礦山地物的目視辨認效果則主要從地物邊界的可圈定能力、地物內部細節的反映能力2個方面來考察[9，20-21]，表3為基于NNDiffuse算法融合的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合影像下不同礦山地物的識別能力一覽表。從中可以看出，在該影像下不同礦山地物均可較好的識別，其邊界亦能夠準確地圈定，甚至能夠判別出固體廢棄物利用狀況；此外，根據相關文獻研究表明人眼對于計算機屏幕的最佳辨別為0.25 mm，即在1 mm單位內可以辨別出4個像素；最大辨別為0.5 mm，即在1 mm單位內可以辨別出2個像素，也就是說1 mm單位內人眼可以辨別出2～4個像素，那么可以推算出1 m空間分辨率的GF-2彩色合成影像識別最小礦山地物的面積為9 m2，即理論上對于>9 m2的礦山地物目標均能夠識別和圈定，如理想狀況下在沒有其他地物(如植被、樹木等)干擾下能夠識別出單個的井口、對長約5 m、寬約2 m的地裂縫能夠識別出。圖3為試驗區某地下開采礦山區中轉場地1 m空間分辨率GF-2彩色合成影像，可以清晰地分辨出長約 5 m、寬約2 m的單個運輸汽車。

圖3 某礦山中轉場地遙感影像圖(數據源：GF-2，空間分辨率：1 m)

表3 GF-2衛星1 m分辨率彩色合成影像數據判別礦山地物能力一覽表

因此，通過上述的分析研究可以表明：基于NNDiffuse算法融合的1m空間分辨率GF-2彩色合成影像在礦產資源開發環境遙感調查工作中能夠發揮重要的作用，理論上對于>9 m2的不同礦山地物目標均能夠識別和圈定，完全可以解決礦山地質環境以及礦產資源開發狀況遙感調查工作。就國產衛星數據類型的現狀來看，GF-2衛星數據是礦山遙感調查與監測工作的最佳數據源選擇之一。

5 結 語

文章以GF-2國產衛星數據為研究對象，以某礦山區為試驗區，就多光譜與全色波段數據融合圖像的礦山地物目視解譯為目的，從GS變換法、Brovey變換法、PCA變換法和NNDiffuse算法開展融合試驗研究，對4種方法融合的圖像從空間細節的加強和光譜信息的保持2個方位進行主觀視覺和客觀定量進行了比擬評判，得出以下結論：

(1)認為Brovey變換法融合后影像集體光譜色調變化清晰，光譜扭曲明顯，融合效果極差，并且該方法受波段限制；PCA融合方式獲得的融合圖像的光譜信息有比較大失真；GS變換法和NNDiffuse算法融合后影像更好地保留了其光譜信息，但NNDiffuse算法融合后影像目視效果更好，所有地物的顏色與原始影像都較近乎，總體效果更好。

(2)通過基于NNDiffuse算法融合的1 m空間分辨率B4(R)[(B2+B3)/2)](G)B1(B)波段組合圖像對礦山地物識別能力的分析研究，認為1 m空間分辨率的GF-2彩色合成圖像對于>9 m2的不同礦山地物目標均能夠識別和圈定。

該次實驗結果可供礦山地物信息識別應用中的GF-2衛星影像資料的集成處理和參考。