基于鄉(xiāng)鎮(zhèn)尺度Landsat8 OLI影像融合算法適應(yīng)性研究

黃安,王旭紅,楊聯(lián)安,杜挺,王元元,劉建紅

西北大學(xué)城市與環(huán)境學(xué)院,陜西西安710127

?

基于鄉(xiāng)鎮(zhèn)尺度Landsat8 OLI影像融合算法適應(yīng)性研究

黃安,王旭紅*,楊聯(lián)安,杜挺,王元元,劉建紅

西北大學(xué)城市與環(huán)境學(xué)院,陜西西安710127

摘要:本文利用OIF因子選擇鄉(xiāng)鎮(zhèn)尺度下Landsat8 OLI影像MS最優(yōu)波段組合，在此基礎(chǔ)上，研究OLI影像MS波段與PAN波段對(duì)6種融合算法：Brovey法、PCA法、Daubechies小波變換法、Coifet小波變換法、HIS與小波相結(jié)合的變換法、PCA與小波相結(jié)合的變換法融合的適應(yīng)性，并對(duì)融合前后影像進(jìn)行SVM分類，以驗(yàn)證融合結(jié)果在實(shí)際生產(chǎn)應(yīng)用中的有效性。結(jié)果表明：B456為7波段35種組合方式中最佳波段組合，其OIF值為27.842；對(duì)融合前后影像進(jìn)行定性和定量精度評(píng)價(jià)，OLI影像對(duì)PCA算法融合適應(yīng)性最強(qiáng)，各精度指標(biāo)均占優(yōu)；Daubechies小波算法光譜扭曲度最?。籋IS-wavelet算法清晰度最高；PCA-wavelet算法相關(guān)系數(shù)最高，融合結(jié)果信息含量最大；適應(yīng)性最差為Brovey算法。土地利用分類精度驗(yàn)證結(jié)果表明：OLI影像經(jīng)PCA算法融合后有助于提高分類精度。

關(guān)鍵詞:OLI影像;融合算法;適應(yīng)性;應(yīng)用研究;鄉(xiāng)鎮(zhèn)尺度

Landsat衛(wèi)星是目前全世界范圍內(nèi)應(yīng)用領(lǐng)域最廣、應(yīng)用性強(qiáng)的民用對(duì)地觀測(cè)衛(wèi)星，其影像已成為資源與環(huán)境調(diào)查、評(píng)價(jià)與監(jiān)測(cè)的重要信息源[1-3]。NASA于2013年2月11號(hào)成功發(fā)射了Landsat8衛(wèi)星，其上攜帶有兩個(gè)主要載荷：OLI和TIRS。其中，OLI影像有7個(gè)MS波段，分辨率為30 m，1 個(gè)PAN波段，分辨率為15 m；對(duì)OLI影像進(jìn)行融合，可為各領(lǐng)域研究提供更高質(zhì)量的圖像數(shù)據(jù)[4]；

不同融合算法對(duì)融合影像光譜信息繼承、空間分辨率提高、信息容量的增加等方面影響程度不同[5-7]，目前對(duì)Landsat8 OLI影像融合研究較少；本文利用色彩標(biāo)準(zhǔn)變化融合法（Brovey融合）、主成分變化法（PCA融合）、Daubechies小波融合、Coifet小波融合、HIS與小波相結(jié)合以及PCA與小波相結(jié)合的融合算法6種算法，對(duì)鄉(xiāng)鎮(zhèn)尺度下Landsat8 OLI影像MS波段和PAN波段影像融合，通過(guò)定性和定量相結(jié)合的精度評(píng)價(jià)方法進(jìn)行精度分析，以研究OLI影像在不同融合算法中的適應(yīng)性；最后，選出精度最優(yōu)的融合影像，利用支持向量機(jī)（Support Vector Machine，SVM）的分類方法對(duì)融合前后影像進(jìn)行分類，比較其分類精度，研究融合算法在影像分類應(yīng)用中的適應(yīng)性及有效性。以期為L(zhǎng)andsat8 OLI影像提高空間分辨率、影像可視化效果及分類精度提供理論基礎(chǔ)。

1　研究方法

1.1最優(yōu)波段選擇

為了適應(yīng)不同方法波段組合數(shù)不統(tǒng)一的要求，達(dá)到圖像增強(qiáng)、減少數(shù)據(jù)冗余的目的，本文引入美國(guó)查維茨教授提出的最佳指數(shù)公式（Optimum Index Factor，OIF），選取OIF得分最大的三個(gè)波段進(jìn)行波段融合[8]。最佳指數(shù)公式遵循：?jiǎn)尾ǘ畏从车男畔⒘看?，波段間相關(guān)性盡可能弱，目標(biāo)地物類型在所選波段組合中能被很好地區(qū)分三個(gè)原則。

式中: Yi為第i個(gè)波段的亮度標(biāo)準(zhǔn)差；Zij為第i和第j波段的相關(guān)系數(shù)；n為參與合成的波段數(shù)目。

1.2融合算法選擇

本文旨在研究不同算法在新一代Landsat8 OLI影像融合中的適應(yīng)性及有效性。參照前人研究，筆者選擇以下6種影像融合算法：Brovey融合[9]、PCA融合[10]、Daubechies小波融合、Coifet小波融合[11]以及PCA、HIS與小波融合相結(jié)合的融合算法[12]對(duì)OLI影像MS最佳組合波段和PAN波段進(jìn)行融合。6種融合算法請(qǐng)參考相關(guān)文獻(xiàn)[9~12]，在此不再贅述。

1.3精度分析

本文采用定性的主觀評(píng)價(jià)和定量的客觀評(píng)價(jià)法對(duì)6種融合算法精度進(jìn)行分析。定性主觀評(píng)價(jià)法主要目視判斷融合前后影像空間、光譜、紋理等信息的變化。定量客觀評(píng)價(jià)法根據(jù)融合圖像與原圖像信息經(jīng)過(guò)計(jì)算所得相關(guān)指標(biāo)進(jìn)行評(píng)價(jià)；主要評(píng)價(jià)指標(biāo)分為以下三種，圖像亮度信息指標(biāo)：均值，空間信息保持能力指標(biāo)：標(biāo)準(zhǔn)差、信息熵和清晰度，以及光譜信息保持能力指標(biāo)：光譜扭曲程度、偏差指數(shù)和相關(guān)系數(shù)[13,14]。具體計(jì)算過(guò)程在MATALAB中編程實(shí)現(xiàn)。

1.4分類方法

支持向量機(jī)（Support Vector Machine，SVM）分類算法是建立在統(tǒng)計(jì)學(xué)理論（VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理）基礎(chǔ)上，相對(duì)較新的模式識(shí)別方法，具有快速、自適應(yīng)學(xué)習(xí)，以及處理高維特征數(shù)據(jù)優(yōu)勢(shì)，使其在遙感分類應(yīng)用領(lǐng)域受到廣泛關(guān)注，其最大優(yōu)點(diǎn)是分類時(shí)無(wú)需進(jìn)行數(shù)據(jù)降維，在算法收斂性、訓(xùn)練速度、分類精度等方面具有較高性能。具體算法參照文獻(xiàn)[15]。

2　結(jié)果分析

2.1研究區(qū)選取及最優(yōu)波段選擇

2.1.1研究區(qū)選擇及一般性描述用于實(shí)驗(yàn)的OLI影像下載于中科院地理空間數(shù)據(jù)云網(wǎng)站，成像于2014 年5月11日。利用ENVI5.1打開(kāi)影像MTL文件提取MS波段和PAN波段子集，在影像中選擇一塊地物類型較為齊全的鄉(xiāng)鎮(zhèn)區(qū)域（圖1）作為融合實(shí)驗(yàn)數(shù)據(jù)，所選研究區(qū)是以陜西省寶雞市扶風(fēng)縣常興鎮(zhèn)為中心的鄉(xiāng)鎮(zhèn)尺度正方形區(qū)域，MS波段區(qū)域大小為255×241個(gè)像元，PAN波段大小為506×478個(gè)像元。數(shù)據(jù)前期預(yù)處理分為輻射定標(biāo)、大氣校正、影像裁剪等。

經(jīng)過(guò)前期處理的MS和PAN影像基本信息如表1所示。最佳波段選擇的前提是計(jì)算各MS波段相關(guān)系數(shù)（表2）。由一般性統(tǒng)計(jì)描述可知：標(biāo)準(zhǔn)差最大值為第五波段（近紅外波段），說(shuō)明Band5圖像灰度級(jí)分布分散，圖像反差大，信息量最豐富。波段間相關(guān)系數(shù)反映了數(shù)據(jù)冗余量，系數(shù)越高，冗余越高；MS相關(guān)系數(shù)表明：OLI影像前4個(gè)波段都大于0.9，說(shuō)明前4個(gè)波段信息冗余非常大。研究區(qū)中B5與其他波段相關(guān)性呈極顯著負(fù)相關(guān)關(guān)系，說(shuō)明B5中包含的信息量與其他波段包含的信息量差異很大，這與B5波段近紅外成像原理密切相關(guān)。

圖1　研究區(qū)Fig.1 Studied area

表1　MS波段一般性統(tǒng)計(jì)描述Table1 The Statistics of general description to MS band

表2　MS波段相關(guān)性分析Table2 Correlation analysis to MS band

2.1.2 OIF因子計(jì)算7個(gè)MS波段的3個(gè)波段組合方式共有35種，根據(jù)表1、表2和公式（1）計(jì)算最優(yōu)波段組合OIF因子，結(jié)果如表3所示。由表可知：OIF因子得分最高波段組合為B456組合，其

表3　波段組合OIF因子Table3 The OIF factor of band combination

標(biāo)準(zhǔn)差和最大，相關(guān)系數(shù)和最小，即滿足單波段反映的信息量大，波段間相關(guān)性盡可能弱，目標(biāo)地物類型在所選波段組合中能被很好地區(qū)分三個(gè)原則。因此，本文選擇B456波段進(jìn)行波段融合研究，后文所提的R、G、B波段分別對(duì)應(yīng)所選波段中4、5、6波段。

2.2融合分析

根據(jù)6種方法對(duì)所選最優(yōu)MS波段組合B456與PAN波段進(jìn)行融合，并對(duì)6種融合算法所得影像進(jìn)行定性和定量評(píng)價(jià)。

2.2.1定性評(píng)價(jià)本文從光譜分辨率和空間分辨率兩個(gè)方面進(jìn)行融合精度評(píng)價(jià)。光譜分辨率主要判斷融合影像整體色彩是否與原始多光譜影像保持一致，判斷融合后影像整體亮度是否保持一致、色彩反差是否過(guò)大，是否存在噪聲和斑塊。6種融合算法融合前后細(xì)節(jié)部分結(jié)果如表4所示，PCA算法、HIS-wavelet、PCA_wavelet保持了原始光譜特性，但也存在局部色彩差異大的現(xiàn)象，如PCA中部分

表4　融合前后影像定性分析Table4 The qualitative analysis to the image of before and after fusion

呈紫顏色的居民地有所加深，而HIS-wavelet、PCA-wavelet融合結(jié)果中居民地光譜保持最好，Brovey、Daubechies、Coifet三種算法居民地的光譜特性均有所變白；Brovey、Daubechies算法整體亮度偏暗，色彩反差相對(duì)較小，尤其是在有植被的農(nóng)耕區(qū)，色調(diào)整體偏暗；6種算法結(jié)果中，河流的光譜特性均保持較好，Daubechies中河流顏色變暗；HIS-Wavelet、PCA_wavelet兩種算法中，整體存在大量的噪聲和斑塊，且較為明顯，地物光譜特征顯得不連貫，兩種算法光譜分辨率差異較小，目視識(shí)別很難區(qū)分兩者差異。

空間分辨率評(píng)價(jià)主要從紋理信息著手：6種算法均提高了空間分辨率，原始影像中某些不可識(shí)別的小路均可在融合影像中識(shí)別；其中，對(duì)紋理突出較好的算法為PCA融合算法，其地物邊緣突出，耕地和非耕地界線清晰，居民地、道路、水體、農(nóng)田紋理清晰，易于目視解譯；Brovey、Daubechies、Coifet三種算法均存在不同程度的模糊性；而在HIS-Wavelet、PCA-Wavelet中，由于有大量的噪聲和斑塊的存在，嚴(yán)重影響影像紋理的清晰性，不易于目視解譯。

綜合以上目視效果分析可知，6種算法中，PCA算法對(duì)OLI影像融合效果最佳，其光譜分辨率與原始影像基本保持一致，各種地物間紋理清晰，斑點(diǎn)和噪聲最少，易于目視解譯。

2.2.2定量精度分析為保證影像融合前后質(zhì)量差異評(píng)價(jià)的客觀性，本文基于MATALAB通過(guò)編程實(shí)現(xiàn)融合影像與原始影像相關(guān)精度指標(biāo)計(jì)算，由于各項(xiàng)精度指標(biāo)計(jì)算是基于單波段RGB進(jìn)行，本文結(jié)果取三個(gè)波段的平均值作為各個(gè)指標(biāo)的質(zhì)量評(píng)價(jià)指數(shù)，各指標(biāo)計(jì)算結(jié)果如表5所示。

表5　定量精度分析Table 5 Quantitative analysis of accuracy

由表可知：PCA算法融合結(jié)果各項(xiàng)指標(biāo)均占優(yōu)，Brovey算法融合結(jié)果最差。均值是描述圖像亮度信息的指標(biāo)，均值越接近原始影像值，說(shuō)明其光譜特性與原始影像保持一致性效果更好，6種算法中，PCA均值與原始影像一致，為44.011，其接近原始影像均值的大小排序依次為PCA> HIS-wavelet > Daubechies > Coifet > PCA-wavelet > Brovey?？臻g信息保持能力的評(píng)價(jià)指標(biāo)，標(biāo)準(zhǔn)差、信息熵、清晰度值越接近原始影像，說(shuō)明影像空間信息保持能力越強(qiáng)，PCA的標(biāo)準(zhǔn)差、信息熵、清晰度與原始影像標(biāo)準(zhǔn)差最接近，其值分別為10.734、4.751、3.370，說(shuō)明其光譜保持能力最強(qiáng)；6種影像標(biāo)準(zhǔn)差接近原始影像程度大小排序依次為PCA>Daubechies>HIS-wavelet>Coifet>PCA–wavelet> Brovey，信息熵的接近程度大小排序依次為PCA>HIS-wavelet>Daubechies>Coifet>PCA-wavelet> Brovey；清晰度是表征圖像邊緣兩次明暗差異能力的指標(biāo)，值越大，清晰度越高，6種方法中清晰度大小依次為HIS-wavelet> Daubechies>Coifet > PCA >PCA-wavelet > Brovey。光譜扭曲度是評(píng)價(jià)融合前后光譜信息一致性的指標(biāo)，其中光譜扭曲程度越小，說(shuō)明融合后光譜失真程度越小，融合質(zhì)量越好，Daubechies算法失真程度最小，其值為4.068，PCA位居第二，為4.385，扭曲程度最大為Brovey算法；偏差系數(shù)是表征融合前后影像輻射亮度偏差程度的客觀指標(biāo)，6種方法中PCA算法的偏差系數(shù)值最小，其值為0.089，說(shuō)明其偏差程度最小，最大值為Brovey算法，其值為42.371。相關(guān)系數(shù)可作為衡量融合前后影像信息保真程度的指標(biāo)，值越大，光譜保真越好；PCA-wavelet算法相關(guān)系數(shù)最高，為0.918，說(shuō)明信息保持能力最好，PCA算法位居第二，其值為0.881，保真程度最差算法為Brovey，其值為0.584。

綜合以上定量分析可知：所選6種算法中PCA算法各指標(biāo)均占優(yōu)，為最佳融合算法，換句話說(shuō)，OLI影像對(duì)PCA融合適應(yīng)性最好。不同算法具有不同特點(diǎn)，Daubechies算法光譜扭曲度最小；HIS-wavelet算法清晰度最高；PCA-wavelet算法相關(guān)系數(shù)最高，說(shuō)明融合后信息含量最大；Brovey算法各精度指標(biāo)均較差，融合效果最差。

2.3融合影像應(yīng)用分析

本文利用支持向量機(jī)（SVM）的監(jiān)督分類方法對(duì)融合前后的OLI影像進(jìn)行分類，并以目視解譯的分類成果作為標(biāo)準(zhǔn)分類圖，對(duì)融合前后影像分類進(jìn)行精度分析，以驗(yàn)證OLI融合影像在實(shí)際分類中的有效性。分類前將原始影像采樣至15 m，以利于后續(xù)分析；融合影像選擇PCA融合結(jié)果圖像；標(biāo)準(zhǔn)樣圖通過(guò)融合影像結(jié)合Google地圖中10 m分辨率的SPOT5影像以及中科院2000年3級(jí)分類標(biāo)準(zhǔn)的土地利用成果數(shù)據(jù)進(jìn)行目視解譯所得。三種分類結(jié)果如圖2所示，分類精度如表6所示。

圖2　SVM監(jiān)督分類結(jié)果Fig.2 The result of SVM classification

表6　分類精度Table 6 The analysis on classification accuracy

結(jié)合圖2和表6對(duì)分類結(jié)果進(jìn)行定性定量精度評(píng)價(jià)，分類結(jié)果圖中顯示：水體信息提取精度相當(dāng)，所有水體均被提出；PCA融合后影像分類結(jié)果中，耕地、交通、園地分類效果與標(biāo)準(zhǔn)土地利用類型圖的分類一致性明顯優(yōu)于原始影像分類結(jié)果；另外，原始影像分類結(jié)果中，耕地內(nèi)部存在較多交通用地碎斑，錯(cuò)分現(xiàn)象較為明顯。從總體分類精度和Kappa系數(shù)可知，PCA算法融合后的分類精度顯著提高，PCA融合后影像分類總體精度為79.68%，Kappa系數(shù)為0.576，而融合前原始影像總體精度為74.19%，Kappa系數(shù)為0.512；說(shuō)明經(jīng)過(guò)融合后的OLI影像在分類中具有一定的優(yōu)越性。從融合前后生產(chǎn)精度和用戶精度可以看出，不同地類分類精度有較大差別。融合后的各地類生產(chǎn)精度中：水體、居民地、耕地、園地4種地類的生產(chǎn)精度均大于原始影像；融合后影像分類用戶精度顯示：水體、交通用地、耕地和裸地分類精度均優(yōu)于原始影像分類精度。融合前后分類精度偏低（一般在80%以上），這可能是由于利用OIF因子選擇最優(yōu)波段組合的同時(shí)，舍去了信息含量大的信息，導(dǎo)致參與分類的影像信息量相對(duì)低、光譜分辨率降低，從而影響總體分類精度；另外，分類器對(duì)影像分類的適應(yīng)性也可能導(dǎo)致總體精度偏低。

3　結(jié)論

本文基于OIF因子對(duì)Landsat8 OLI影像進(jìn)行最優(yōu)波段組合選擇，研究現(xiàn)有融合算法對(duì)鄉(xiāng)鎮(zhèn)尺度下OLI影像MS波段與PAN波段融合的適應(yīng)性，從定性和定量的角度分析了6種融合算法在光譜、空間分辨率、紋理信息等方面的特點(diǎn)，并利用較為成熟的SVM分類算法對(duì)融合前后影像進(jìn)行土地利用分類，以驗(yàn)證OLI融合影像在實(shí)際生產(chǎn)應(yīng)用中的有效性。結(jié)果表明：

（1）利用OIF因子進(jìn)行最優(yōu)波段組合選擇，可客觀選擇信息容量大、冗余度小的波段進(jìn)行融合，達(dá)到減少數(shù)據(jù)冗余、增強(qiáng)影像空間信息的效果。本研究中最優(yōu)波段組合為B456，其OIF因子值為27.842。這與杜挺[16]研究結(jié)論中B245為最佳波段指數(shù)有所差異，本文所選取的研究區(qū)域?yàn)猷l(xiāng)鎮(zhèn)尺度，區(qū)域內(nèi)各地類所占比例較為均衡，而杜挺研究中選取縣域尺度，在其研究區(qū)中，耕地和林地所占比例較大，從而引起最佳波段組合不相同。

（2）通過(guò)定性和定量的精度評(píng)價(jià)方法對(duì)6種算法融合結(jié)果影像進(jìn)行質(zhì)量評(píng)價(jià)：結(jié)果顯示PCA算法在定性和定量精度分析中各項(xiàng)指標(biāo)均占優(yōu)，其光譜分辨率與原始影像基本保持一致，各種地物間紋理清晰，斑點(diǎn)和噪聲最少，易于目視解譯，換句話說(shuō)，OLI影像對(duì)PCA算法融合最適應(yīng)。不同算法具有不同特點(diǎn)，Daubechies算法光譜扭曲度最小；HIS-wavelet算法清晰度最高；PCA-wavelet算法相關(guān)系數(shù)最高，說(shuō)明融合后信息含量最大；融合效果最差為Brovey算法。

（3）通過(guò)SVM分類對(duì)PCA融合影像與原始影像進(jìn)行分類，再通過(guò)標(biāo)準(zhǔn)土地利用分類圖對(duì)分類結(jié)果進(jìn)行定性定量精度驗(yàn)證，結(jié)果表明：經(jīng)過(guò)PCA融合后有助于提高分類精度，換句話說(shuō)，對(duì)OLI影像進(jìn)行PCA算法融合，有利于土地利用分類的進(jìn)行，驗(yàn)證了OLI影像經(jīng)過(guò)融合后在實(shí)際生產(chǎn)應(yīng)用分類中的有效性。

致謝：本文得到西北大學(xué)城市與環(huán)境學(xué)院2012級(jí)碩士研究生杜挺在理論與技術(shù)上的大力支持以及寶貴意見(jiàn)，特此致謝！

參考文獻(xiàn)

[1]徐涵秋,唐菲.新一代Landsat系列衛(wèi)星:Landsat8遙感影像新增特征及其生態(tài)環(huán)境意義[J].生態(tài)學(xué)報(bào),2013,33(11):3 249-3257

[2]許君利,張世強(qiáng),上官冬輝.30a來(lái)長(zhǎng)江源區(qū)冰川變化遙感監(jiān)測(cè)[J].干旱區(qū)研究,2013,30(5):919-926

[3]辛亞楠,鄧?yán)?基于小波變換的遙感圖像融合方法研究[J].激光與光電子學(xué)進(jìn)展,2013,21(1):1-6

[4]張玉君. Landsat8簡(jiǎn)介[J].國(guó)土資源遙感,2013,25(1):176-177

[5]林麗娟,徐涵秋,陳靜潔,等.異源、同源傳感器影像融合的比較研究[J].遙感技術(shù)與應(yīng)用,2010,25(5):619-626

[6]賴格英,曾祥貴,劉影.基于ETM和圖像融合的優(yōu)勢(shì)植被冠層葉面積指數(shù)和消光系數(shù)的遙感反演[J].遙感技術(shù)與應(yīng)用,2013,28(4):697-706

[7]蔣年德,王耀南.一種新的基于主分量變換與小波變換的圖像融合方法[J].中國(guó)圖象圖形學(xué)報(bào),2005,10(7):910-915

[8] Alireza Hamedianfar, Helmi ZM Shafri. Development of fuzzy rule-based parameters for urban object-oriented classification using very high resolution imagery[J]. Geocarto International, 2014,29(3):268

[9]劉麗娟,范文義.基于MATLAB的IHS變換與小波變換影像融合與應(yīng)用[J].地球信息科學(xué),2008,10,10(5):670-677

[10]劉成云,陳振學(xué),常發(fā)亮,等.基于特征量積與PCA的小波遙感圖像融合[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(33):201-204

[11]陳穎彪,郭冠華,吳志峰,等.城市景觀遙感影像融合質(zhì)量對(duì)小波基選取的響應(yīng)[J].地理與地理信息科學(xué),2011,27(4):98-103

[12]方芳,張一平,趙深深,等.IHS與多尺度變換結(jié)合遙感影像融合質(zhì)量對(duì)分解層數(shù)的響應(yīng)[J].遙感信息,2014,29(1):51-55

[13]龔建周,劉彥隨,夏北成.IHS和小波變換結(jié)合多源遙感影像融合質(zhì)量對(duì)小波分解層數(shù)的響應(yīng)[J].中國(guó)圖像圖形學(xué)報(bào),2010,15(8):1269-1277

[14]潘祖燕.面向城鎮(zhèn)地震倒塌房屋的多源遙感影像融合研究[D].重慶:西南大學(xué),2011

[15] WANG Ke, GU Xing Fa, YU Tao. Classification of hyperspectral remote sensing images using frequency spe ctrum similarity[J]. Science China, 2013,56(4):980-988

[16]杜挺.Landsat8 OLI遙感影像融合算法比較及其土地利用分類適應(yīng)性分析[D].西安:西北大學(xué),2015

*通迅作者:Author for correspondence. E-mail:jqy_wxh @163.com.

Study on the Suitability of Landsat8 OLI Image for Fusion Algorithms Based on the Township Scale

HUANGAn, WANG Xu-hong*, YANG Lian-an, DU Ting, WANG Yuan-yuan, LIU Jian-hong

College of Urban and Environmental Science/Northwest University, Xi an 710127, China

Abstract:In this study, we used the OIF factor to choose the best MS band combination for Landsat8 OLI image at the township scale, aiming to study the suitability of 6 kinds of fusion algorithms including standard color variation method (Brovey method), the principal component transformation method (PCA method), Daubechies transformation method for wavelet, Coifet wavelet transformation method, transformation method combining HIS with wavelet and PCA combining with wavelet transformation method for merging of MS and PAN brands of OLI images, and classified the image before and after merging to verify the validity of the fusion results in actual production application with SVM method. Results showed that the B456 brand which OIF value was 27.842 was the best band combination among 35 kinds of combinations of 7 bands. Qualitative and quantitative accuracy assessment before and after merging image showed that each index of OLI image was the dominated for PCA algorithm, which had the highest merging adaptation. And the spectral distortion degree of Daubechies wavelet algorithm was the smallest; HIS-wavelet algorithm had the highest sharpness; PCA-wavelet algorithm had the highest correlation coefficient and merging information contents compared with others. Brovey was the worst adaptive algorithm among 6 kinds of fusion algorithms; Accuracy verification of land use classification demonstrated that OLI image which merged by PCAalgorithm would contribute to improve the classification accuracy.

Keywords:OLI images; merging algorithms; suitability; application research; township scale

作者簡(jiǎn)介:黃安(1990-),男,四川雅安人,碩士生,主要研究方向?yàn)檫b感與地理信息系統(tǒng)應(yīng)用. E-mail:hhanner@163.com

基金項(xiàng)目:西北大學(xué)“211工程”研究生自主創(chuàng)新項(xiàng)目(YZZ13002);國(guó)家自然科學(xué)基金(41071271)

收稿日期:2015-01-05修回日期: 2015-01-25

中圖法分類號(hào):TP30116

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1000-2324(2015)04-0600-07