基于IKONOS数据的全色波段与多光谱波段的融合及分类分析

基于IKONOS数据的全色波段与多光谱波段的融合及分类分析

李泽文

广州市城市更新规划研究院广州510000

摘要：本文将以IKONOS全色和多光谱影像为例,采用HIS变换法、PCA主成分变换法和HPF滤波变换法对全色和多光谱影像进行融合,从几何特征和光谱特征方面来分析和评价3种融合结果,研究发现PCA融合方法对IKONOS数据融合具有不确定性,并分析与之相关的因素,提出PCA用于IKONOS数据自身融合应注意的问题。

关键词：IKONOS数据；全色波段；多光谱波段；融合；分类

1数据源与研究区概况

本研究采用南京某地区IKONOS数据，该数据包括4个空间分辨率为4m的多光谱波段XS和一个空间分辨率1m的全色波段PAN，图像经过几何精纠正，纠正误差控制在半个像元以内，以确保数据融合效果.选取东南郊1800×1600像元的范围作为研究子区.研究子区域内分布有树木、农川、村庄、道路、河流、池塘等地物，土地覆盖类型较全面，以保证本试验的有效性。

2数据融合处理方法

2.1HIS变换融合

图1IHS图像变换融合的过程

彩色图像的表现形式主要有两种方式,一是红(R)、绿(G)、蓝(B)三原色坐标系统,即RGB混色系统;二是明度(I)、色调(H)、饱和度(S)坐标系统,即显色系统。对于RGB空间来说,影像的三个通道是非线性相关的,使得对色调的定量操作较为困难;相反地,在IHS彩色坐标系统对颜色属性易于识别和量化,色彩的调整方便、灵活。

IHS变换能有效地将RGB图像分解成代表空间信息的亮度分量(I)和代表光谱信息的色调(H)、饱和度(S)三个分量。

HIS变换是基于HIS色彩模型A应用广泛的融合变换方法.本研究选用IKONOS图像的4,3,2波段进行R,G,B假彩色合成，并将其变换到H,I,S空问，再用PAN代替I分量逆变换到R，G，B空间.研究表明直接用IKONOSPAN代替明度I会产生光谱退化现像，因而替换前将PAN与I分量进行直方图匹配，提高两者问的相关性，以保护原始的光谱信息.

2.2PCA变换融合

主成分分析(PCA)是在统计特征基础上进行的一种多维(多波段)正交线性变换,数学上称为K-L交换。在遥感应用领域这一方法目前主要用于数据压缩,用少数几个主成分代替多波段遥感信息;图像增强,在光谱特征空间中提取有显著物理意义的图像信息和监测地表覆盖物的动态变化。对遥感图像数据进行主成分变换首先需要计算出一个标准变换矩阵,通过变换矩阵使图像数据转换成一组新的图像数据——主成分数据。

遥感图象的各波段间往往存在着很高的相关性，从而带来数据的多余和重复。K-L变换的目的是把原来多波段图像中的有用信息集中到量尽可能少的新的主成分图像中，并使各主成分图像间互不相关，压缩了数据，增强了图像信息。

2.3高通滤波变换融合

高通滤波(HPF)法实现遥感影像融合的概念比较简单。一幅图像通常由不同的频率成分组成的,根据一般图像频谱的概念,高的空间频率对应影像中急剧变化的部分,而低的频率代表灰度缓慢变化的部分。对于遥感图像来说,高频分量包含了影像的空间结构,低频部分则包含了光谱信息。由于我们进行遥感影像融合的目的在于尽量保留低分辨率的多光谱图像的基础上加上高分辨率全色图像的细节信息。因此,我们可以用高通滤波器算子提取出高分辨率图像的细节信息,然后简单的采用像元相加的方法,将提取出的细节信息叠加到低分辨率图像上,这样就实现了多光谱的低分辨率图像和高分辨率全色图像之间的数据融合。HPF法能够在一定程度上提取全色影像细节信息,并把全色影像的细节信息直接叠加到多光谱影像上,因此,增强多光谱图像的空间细节表现能力的同时也容易增加噪声,影响视觉效果。

高通滤波变换融合提高了影像高频细节,同时可以去除高分辨率PAN影像中的低频噪音如建筑物的阴影.针对IKONOS数据的特点,利用了不同尺度的滤波核,如5×5,7×7,11×11,通过试验比较,选用5×5的滤波核对去除建筑物的阴影效果较好.此外,对低分辨率多光谱影像进行低通滤波,以提取多光谱影像的光谱信息.为了在提高空间分辨率的同时尽可能保留多光谱影像的光谱特征,融合变换时经低通滤波的多光谱影像的选取为0.6，,高通滤波后的PAN影像的权为0.4，对各波段求加权和获得融合影像。

2.4融合前后影像的土地覆盖分类分析

分类类别为：水体、道路1（沥青铺面）、道路2（水泥）、耕地、林地、建筑物、裸地、半裸地（部分菜地）、菜地（另部分草地）等九类选取两组样本，一组作为训练样本，一组作为检验样本按监督分类中最大似然法对HIS和HPF融合结果进行分类

HIS融合影像对应的分类图象

图2分类后目视效果

2.4.1地物分类

依据本区域土地覆盖和土地利用类型,结合目解译和实地调查确定地物分类类别为水体、道路1(沥青铺面)、道路2(水泥)、耕地、建筑物、裸地、半裸地、林地和菜地等9类主要地物,并在试验区域内对以上9类地物分别选取2组样本作为训练样本和检验样本,按监督分类中最大似然法对HIS和HPF融合结果进行分类.本文中的试验区(第一子区)不适宜采用PCA变换融合,故不对其分类评价。

2.4.2分类精度

表1HPF、HIS及原始影像分类结果精度比较

（1水体2道路13道路24耕地5居民地6裸地7半裸地8林地9菜地）

评价依据选取的检验样本作为真实地面感兴趣区,对分类精度进行评价,HIS和HPF融合结果分类的总体精度分别为80.36%和83.00%,而原始图像分类的总体精度为73.92%。对于建筑物,HPF融合分类的精度高于HIS法,说明高通滤波变换融合对减小高分辨率影像中建筑物阴影的影响是有效的.在9类地物中,HPF中有6类地物的用户精度高于HIS融合结果.这一分析结果与前文中的光谱特征分析和几何特征分析的结果是一致的,同时影像融合对分类精度有所提高,揭示了影像融合技术优越性及在地物分类中的应用潜力.

3总结

随着传感器技术的飞速发展，通过遥感手段获取的不同来源并具有不同特点的图像的数据量大幅度增长，给其存储、传输以及后续处理工作带来了沉重的负担。这些多源图像数据所包含的信息之间往往同时存在互补性和冗余性，因此，着眼于从其中提取出更精炼、更有用、具有更高质量信息的图像融合技术受到越来越多的关注。

参考文献

【1】翁永玲，田庆久，惠凤鸣《IKONOS高分辨率遥感影像自身融合效果分析》东南大学学报(自然科学版)2004年3月第34卷第2期

【2】许民《高分辨率遥感影像融合方法研究及融合效果评价——以ALOS和SPOT的全色与多光谱影像为例》

【3】陆宇红，马林波，韩嘉福《遥感影像的融合———SPOT全色波段和多光谱影像的融合》测绘与空间地理信息测绘与空间地理信息第27卷第6期