基于ERDAS和PCI高分辨率影像几种融合方法分析比较.docVIP

基于ERDAS和PCI高分辨率影像几种融合方法分析比较 　　摘 要：简述了ERDAS软件和PCI软件中几种常用的融合方法，采用QB的全色影像和多光谱影像，对几种常用的融合方法进行试验和分析，结果表明HPF融合、PanSharp融合这两种融合方法整体融合效果较好。 　　关键词：影像融合；主成份变换；小波变换；HPF融合；PanSharp融合 　　随着现代遥感技术的发展，人们可以获得不同空间、时间和光谱分辨率的遥感影像[1]。使用融合后的影像比单独使用全色影像或者多光谱影像更为有效[2]；融合后的影像有更丰富的细节信息，可以显著提高分类结果的准确性[3]。影像融合是将全色高分辨率影像的纹理细节信息和多光谱低分辨率影像的色彩信息相结合，获得高分辨率的多光谱影像的一种技术。对于许多遥感应用，尤其是基于GIS的应用，对影像既有清晰的纹理需求又有丰富的光谱信息需求，因此影像融合是遥感影像应用的关键。文章分别使用ERDAS软件中的主成分变换法（PCA）、小波变换法（Wavelet）、HPF融合法和PCI软件中的PanSharp融合法对高分辨率影像QuickBird（以下简称QB）的全色影像和多光谱影像进行融合，并对不同的融合方法进行比较和分析。 　　1 影像融合方法 　　1.1 主成分变换法（PCA）融合 　　主成分变换（PCA，Principal Component Analysis），又称K-L变换，是建立在图像统计特征基础上的多维线性变换，具有方差信息浓缩、数据量压缩的作用，以高分辨率数据替代多波段数据变换以后的第一主成分来达到融合的目的。具体过程：先由多光谱影像数据求得影像间的相关系数矩阵，根据相关系数矩阵计算特征值和特征向量，求得各主成分影像；再将高分辨率影像进行直方图匹配，使其与第一主成分影像数据具有相同的直方图；最后用直方图匹配生成的高分辨率影像来替换第一主成分，将它同其他主成分一起经逆主分量变换得到融合的影像[4]。 　　1.2 小波变换（Wavelet）融合 　　小波变换融合方法是Mallat于1989年提出的小波的多分辨分析思想及小波的分解和重构快速算法，基本函数是一些小型波。该方法首先对参与融合的遥感影像数据进行小波正变换，将影像分解为更低分辨率的近似低频影像和高频细节影像，获得相应的低频信息和高频信息。再分别抽取来自高分辨率影像的高频信息和低分辨率的低频信息进行小波逆转换，生成融合影像。 　　1.3 HPF（高通滤波）融合 　　HPF（High Pass Filtering）法是将高空间分辨率图像中的边缘信息提取出来，加入到低分辨率高光谱图像中，由Schowengerdt在1980年提出。其基本思想是：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，实现低分辨率多光谱图像和高分辨率全色图像之间的数据融合。 　　1.4 PanSharp融合 　　该方法基于统计原理，利用最小方差技术对参与融合波段的灰度值进行最佳匹配，同时利用该原理调整单个波段的灰度分布来减少融合结果的颜色偏差。此外，该方法还对输入的所有波段进行一系列的统计运算来消除融合结果对数据集的依赖性并提高融合过程的自动化程度。 　　2 试验效果与分析 　　2.1 试验数据及效果图 　　文章采用的数据是PCI2013试用版中的试验数据QB卫星影像，分为全色影像和多光谱影像两种，其中全色影像的分辨率为0.61米，多光谱分辨率为2.44米，数据格式为img格式。原始的全色和多光谱影像已配准好，为了便于目视定性比较，从试验数据中截取局部示意范围图如图1所示。对以上数据分别采用IHS变换法、主成分变换法（PCA）、小波变换（Wavelet）、HPF（高通滤波）融合、PanSharp融合等方法进行融合。根据经验值newband2=band2*0.9+band4*0.1，重组2波段，再进行波段堆积，最终获得3波段的效果影像图，如图2所示。 　　2.2 比较分析 　　由不同融合方法得到的影像，从空间分辨率和清晰度来看，相对原始多光谱影像均有非常明显的提高；从色彩方面来看，相对原始全色影像而言，融合结果图像色彩丰富，更有益于对地物的辨识和解译。通过对居民区建筑物轮廓、道路等的细节和植被的色彩等进行比较，很容易验证这一点。上述各种融合方法有利也有弊，下面分别进行表述。 　　（1）主成分变化（PCA）融合法保留多光谱图像的光谱特征方面优于IHS变换融合法，相对而言，融合图像上的细部特征更加清晰，光谱信息更加丰富，不过变换后的色彩信息较弱，各主成分失去了原有的物理特性，且该方法对融合区域的选择非常敏感[5]。同时，因为该方法融合效果取决于替代图像与第一主分量图像的相似程度，所以容易