第一论文网免费提供科技创新论文范文,科技创新论文格式模板下载

基于土地覆盖分类的IKONOS影像融合与精度评价

  • 投稿薪人
  • 更新时间2015-09-24
  • 阅读量770次
  • 评分4
  • 80
  • 0

白洪伟

(宿州学院;安徽省煤矿勘探工程技术研究中心,安徽 宿州 234000

摘 要:遥感影像的融合,可以提高目视和自动影像提取的类别精度,已成为遥感应用研究领域的重要主题,不同的图像融合算法会产生不同程度的光谱畸变.概略介绍IHS变换、Brovey变换、PCA变换、SFIM变换、Gram-Schmidt变换五种融合方式,结合融合后影像的数据统计以及分类结果,得出对于此次试验区的IKONOS影像来说,在图像空间信息提高和光谱信息保真方面以SFIM变换和Gram-Schmidt变换相对较好,其中Gram-Schmidt变换对图像微小细节反差的表达能力优于SFIM变换.分类之后,在上述5种图像融合算法中Gram-Schmidt变换得到的融合影像分类精度最高,总体精度和Kappa系数分别为95.20%和0.93,表明利用Gram-Schmidt变换进行IKONOS影像融合更适合基于光谱的土地覆盖分类.

教育期刊网 http://www.jyqkw.com
关键词 :IKONOS影像;土地覆盖分类;融合算法;精度

中图分类号:P237 文献标识码:A 文章编号:1673-260X(2015)03-0137-03

基金项目:安徽省优秀青年人才基金(2013SQRL085ZD)、宿州学院安徽省煤矿勘探工程技术研究中心开放课题资助(2013YKF04)、宿州学院教研项目(szxyjyxm201418、szxyjyxm201419)、宿州学院一般科研项目(2013yyb06)

1 引言

影像融合技术在近10年发展较快, 成为遥感应用研究领域的重要主题.图像融合则可以产生具有多光谱和高空间分辨率的影像,实现不同空间分辨率、不同光谱分辨率和不同时间分辨率的多种信息资源的互补,提高图像空间分辨率、改善图像几何精度、增强特征显示能力、改善分类精度、提供变化检测能力、替代或修补图像数据的缺陷等,从而提高人们对遥感数据的应用能力,增加决策的科学性和准确性[1-2].虽然就大多数图像融合算法而言,都可以实现空间分辨率和光谱分辨率的互补,最大程度的降低原有信息损失,使融合后遥感影像的空间分辨率和清晰度较原始多光谱影像有了明显的改善,纹理特征增强,细节更加突出,一定程度上更有利于遥感影像分类精度的改善,但不同的图像融合算法会产生不同程度的光谱畸变,并且随着空间分辨率的提高,地类内部的异质性增加,这些都会影响影像分类精度的提高,因此究竟何种融合算法更有利于提高遥感影像的分类精度,还需要进一步的研究与分析[3-6].

2 影像融合算法与评价

2.1 图像融合算法

目前常用的图像融合算法大致可分为算术运算法、图像变换法和彩色合成法三大类,具体主要有IHS变换、PCA变换、Brovey变换、SFIM变换、Gram-Schimdt变换等融合.

2.1.1 IHS变换

IHS变换基于IHS色彩模型,是应用较广泛的融合变换方法.此变换可用于相关资料的色彩增强、地质特征强、空间分辨率的改善、分类精度的提高,以及不同性质数据源的融合等.

2.1.2 Brovey变换

Brovey图像融合又称为色彩标准化变换融合,它是将多光谱图像的像元空间分解为色彩和亮度成分并进行计算,其特点是简化了图像转换过程,又保留了多光谱数据的信息,提高了融合图像的视觉效果;缺点是容易造成直方图压缩,使图像变暗.其具体步骤是:先将多光谱波段颜色(红、绿、蓝)归一化,然后将高分辨率影像与多个光谱波段(通常取三波段)相乘完成融合.该方法对图像的预处理要求较高,要求图像要进行相应的去相关处理和噪声滤波处理.

2.1.3 PCA变换

PCA变换又称主成分分析,是通过降维技术把多个分量约化为少数几个综合分量的方法.首先由多光谱影像数据求得影像间的相关系数矩阵,由相关系数矩阵计算特征值和特征向量,求得各主分量影像;然后用高空间分辨率的全色影像力影像来代替第一主分量,将它同其他的主分量一起经逆变换,得到融合的影像.

2.1.4 SFIM变换

基于光滑滤波的强度调整法SFIM(Smoothing Filter- Based Intensity Modulation)进行图像融合首先对低分辨率图像和高分辨率图像进行严格配准,依此为基础,然后对高分辨率图像进行邻域平滑的卷积运算,将运算的结果作为中值图像,变换公式:

式中MAGElow为低分辨率的图像对高分辨率的图像重采样后的图像,IMAGEhihg表示高分辨率图像;MAGEmean表示模拟低分辨率图像,为经过均值滤波处理后的高分辨率图像.

2.1.5 Gram-Schmidt变换

Gram—Schmidt变换是通过对矩阵或多维影像正交变换消除冗余信息.其关键步骤为:

(1)使用低分辨率多光谱波段模拟出一个低分辨率的全色波段;

(2)对模仿出的全色波段和多光谱波段进行Gram —Schmidt变换;

(3)使用高分辨率全色波段替换Gram—Schmidt变换后的第一波段,并对替换后的数据进行Gram—Schmidt变换反变换,产生空间分辨率增强的多光谱影像.

2.2 图像融合效果的分析与评价

图像融合的目的是实现光谱分辨率和空间分辨率的互补,以最大的程度降低原有信息损失,依据目视判定结合数理统计法对其效果进行评价.研究区位于石河子垦区地处天山北麓中段,古尔班通古特大沙漠南缘,即东经85°59′12″~86°08′13″,北纬44°15′13″~44°19′13″.

2.2.1 目视评价

为比较不同融合算法的目视效果,从整景影像中截取了部分子区(图1).由图可见5种融合算法所得到融合影像的空间分辨率和清晰度都较原始的IKONOS多光谱影像有了很大提高.在融合影像上地块及道路边界清晰可见,城镇建筑和城市绿化地也能够明显的分辨出来.空间纹理信息大大加强,细节信息更为突出,借助于纹理信息可以方便的实现葡萄和棉花等种植区域的区分.利用5种算法融合后的彩色合成影像同原多光谱影像相比在色彩上整体相似,但存在一些色调和亮度的差异.通过对融合后影像的比较发现,从影像的颜色看,GS变化、SFIM变换以及Brovey与原始影像最为接近;IHS变换后失真严重;PCA变换后图像明显有层“薄雾”,使图像变亮.从影像的清晰度上看,SFIM变换和Brovey变换后效果最好;IHS变换效果最差,光谱失真较严重;Gram-schmidt变换良好的保持了地物特征.

2.2.2 定量分析

目视评价的结果易受观察者的经验、观察条件等影响,因此评价结论可能由于评价者的不同而出现较大差异.定量评价是通过融合图像与参考图像之间的量化公式(如,熵、梯度等)对融合图像效果进行定量分析和判断,以提高判断的准确性和客观性,因此对融合后的图像除了形象直观的目视评价外还应进行定量的客观评价.本研究利用6个统计参数(均值,标准差,熵,平均梯度,偏差指数,相关系数)对IKONOS图像全色和多光谱波段的融合效果进行定量评价,评价结果见表1.

Gram-Schmidt变换和SFIM变换影像清晰度较高,能够展示更多的地物层次,光谱保真性方面较好,对于原多光谱的扭曲程度较小,预测会有很高的分类效果.

3 不同算法融合后影像分类精度评价

不同的融合算法有不同的优势和局限性,利用混淆矩阵对分类结果进行分析,对5种图像融合算法进行进一步的精度评价.

3.1 最大似然分类方法

最大似然法是最常用的一种监督分类算法.在研究区确定监督分类所需的训练样本,然后用最大似然的监督分类方法对5种变换后的IKONOS融合影像按照棉花地、葡萄地、居民地、水体与裸地5种地表覆盖类型进行分类(以绿色、蓝色、青蓝色、红色、黄色表示),分类结果见图2.

由图3可知,分类效果最差的是IHS变换后融合影像,SFIM变换和Gram-Schmidt 变换得到的融合影像分类效果较好.

3.2 分类精度评价

为更客观的验证分类精度,更好的估计不同融合算法的分类效果,利用ENVI软件在整幅影像内随机产生若干个离散点并依此建立混淆矩阵,计算各种统计量并进行统计检验,比较实际类别和分类结果,得到不同融合算法的图像分类总体精度和kappa系数.融合影像地表覆盖分类精度最高是Gram-Schmidt变换,总体分类精度均超过95%,影像的分类精度最低IHS变换,总体精度仅为71.69%.

4 结论

本文以IKONOS全色和多光谱影像为研究对象,分别采用Brovey变换、PCA变换、SFIM变换、Gram-Schmidt变换、HIS变换5种算法对其进行图像融合,通过目视判读和定量统计参数两种方法对图像融合效果进行了定性和定量评价,并在此基础上进一步利用最大似然分类法对融合后的遥感影像进行分类.

(1)在图像空间信息提高和光谱信息保真方面以SFIM变换和Gram-Schmidt变换相对较好,其中对图像微小细节反差的表达能力Gram-Schmidt变换优于SFIM变换.IKONOS影像像素级融合结果表明,Gram-Schmidt融合能够较好地提高多光谱影像的空间分辨率,同时很好的保持了多光谱影像的光谱信息,光谱畸变较小,在本实验区具有较好的融合效果.

(2)选用最大似然法对Brovey变换、PCA变换、SFIM变换和Gram-Schmidt变换、IHS变换后的融合影像进行分类,并利用混淆矩阵对分类精度进行评价,在上述5种图像融合算法中Gram-Schmidt变换得到的融合影像分类精度最高,总体精度和Kappa系数分别为95.20%和0.93,表明利用Gram-Schmidt变换进行IKONOS影像融合更适合基于光谱的土地覆盖分类.

教育期刊网 http://www.jyqkw.com
参考文献

〔1〕贾永红.遥感多光谱影像空间分解力增强的融合方法[J].遥感技术与应用,1997,12(1):19~2.

〔2〕董广军,张永生,等.遥感数据融合研究[J].解放军信息工程大学测绘学院.郑州,2006.

〔3〕PohlC,Van Genderen JL.Multi-sensor Image Fusion in Remote Sensing :Concepts, Methods and Applications[J].INTJ Remote Sensing,1998,19(5):823~854.

〔4〕Chavez P S, Sides S C,Anderson J A.Comparison of the Three Different Methods to Merge Multi-resolution and Multi spectral Data:TM &SPOT Pan[J].Photogrammetric Engineering and Remote Sensing,1991,57:295~303.

〔5〕EhlersM. Multi-sensors Image Fusion Techniques in Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing, 1991, 46: 19~30.

〔6〕Franklin S E, Bloggett C F. An Example of Satellite Multi-sensor Data Fusion[J]. Computer & Geosciences,1993,19(4):577~583.