結合改進Laplacian能量和參數(shù)自適應雙通道ULPCNN的遙感影像融合方法

龔循強,侯昭陽,呂開云,魯鐵定,夏元平,李威俊

1.東華理工大學自然資源部環(huán)鄱陽湖區(qū)域礦山環(huán)境監(jiān)測與治理重點實驗室,江西 南昌 330013; 2.東華理工大學測繪與空間信息工程學院,江西 南昌 330013; 3.江西省地質局第六地質大隊,江西 鷹潭 335000

隨著傳感器成像技術的迅速發(fā)展,可獲得的影像信息也日益豐富[1]。單一傳感器的遙感影像受限于光譜帶寬和儲存空間等因素的約束,無法同時滿足高空間分辨率和高光譜分辨率。遙感影像融合技術能夠較好地實現(xiàn)不同類型數(shù)據(jù)之間的優(yōu)勢互補和冗余控制,可有效服務于對地觀測領域。合成孔徑雷達(synthetic aperture radar,SAR)是一種主動式的微波成像傳感器,具有全天時、全天候工作的優(yōu)勢。此外,SAR影像的后向散射能量直接反映土地覆蓋的含水量、粗糙度和介電特性等信息,能夠較好地表征各種土地覆蓋類型的結構特征,有利于不同土地覆蓋類型的識別[2]。然而,SAR影像通常會受到嚴重的相干斑噪聲干擾,可解釋性差。多光譜(multi-spectral,MS)影像包含豐富的光譜信息,具有較好的可解釋性,可根據(jù)不同地物的光譜特性進行分類,但其成像過程依賴于地球表面物體的太陽光照射,同時較差的空間分辨率使其無法有效體現(xiàn)各種地物的結構特征[3]。因此,多光譜和SAR影像可以提供同一區(qū)域不同模態(tài)的互補信息,兩者優(yōu)勢的有效結合有助于對影像區(qū)域的解譯和理解。

遙感影像融合方法主要包括成分替換方法、多尺度變換方法、基于模型方法和混合方法4大類[4]。其中經(jīng)典的成分替換方法有亮度-色度-飽和度變換(intensity-hue-saturation,IHS)[5]、主成分分析(principal component analysis,PCA)[6]和GS(Gram-Schmidt)[7]等。該類方法具有較好的空間表達能力,但是存在較嚴重的光譜扭曲現(xiàn)象[8]。小波變換(wavelet transform,WT)[9]、曲波變換(curvelet transform,CVT)[10]、雙樹復小波變換(dual tree complex wavelet transform,DTCWT)[11]、非下采樣輪廓波變換(non-subsampled contourlet transform,NSCT)[12]和非下采樣剪切波變換(non-subsampled shearlet transform,NSST)[13]等都是較常用的多尺度變換方法。該類融合方法能夠較好地抑制光譜扭曲現(xiàn)象,但是其融合性能除了受多尺度分解結構影響外,很大程度上依賴于不同子帶融合規(guī)則的設計?；谀Ｐ头椒ㄖ饕凶兎帜Ｐ秃拖∈璞硎灸Ｐ?其中稀疏表示模型的稀疏編碼和字典創(chuàng)建是一個復雜的過程,同時稀疏字典的高冗余性會導致運算成本過大。混合方法通常為前幾類融合方法的結合形式,綜合利用各類融合方法的優(yōu)勢。因此,本文將成分替換方法和多尺度變換方法混合,綜合利用IHS變換的空間保留能力和NSST的光譜保真優(yōu)勢,其中NSST雖然能夠有效地抑制光譜信息的丟失,但是獲得優(yōu)秀的融合結果還需對不同子帶的融合規(guī)則進行合理設計。目前,多尺度變換方法的融合規(guī)則通常根據(jù)局部特征信息進行設計,例如局部能量、局部空間頻率和局部拉普拉斯等。這些局部特征信息關注的影像特征單一,無法有效兼顧影像結構信息的保持和細節(jié)信息的提取。同時,脈沖耦合神經(jīng)網(wǎng)絡(pulse coupled neural network,PCNN)由于具有脈沖同步、全局耦合等特性被廣泛用于高頻子帶融合規(guī)則的設計,但是該模型存在參數(shù)設置復雜和空間相關性差等問題。

綜合考慮以上問題,本文提出一種結合改進Laplacian能量和參數(shù)自適應雙通道單位連接PCNN(Unit-linking PCNN,ULPCNN)的遙感影像融合方法。該方法在NSST的基礎上重點對低頻和高頻子帶的融合規(guī)則進行設計,這也是多尺度變換方法提高融合性能的關鍵。其中對低頻子帶采用結合加權局部能量(weighted local energy,WLE)和八鄰域修正拉普拉斯加權和(weighted sum of eight-neighborhood-based modified Laplacian,WSEML)的規(guī)則,綜合考慮結構信息和細節(jié)信息的提取,減少由于融合規(guī)則設置的單一性造成的信息丟失現(xiàn)象。高頻子帶則采用參數(shù)自適應雙通道ULPCNN模型進行融合,根據(jù)高頻子帶的多尺度形態(tài)梯度(multi-scale morphological gradient,MSMG)調制鏈接強度,再利用OTSU閾值和影像強度來實現(xiàn)其他參數(shù)的自適應選擇,從而解決傳統(tǒng)PCNN中參數(shù)設置復雜的問題,同時提高融合影像的空間相關性。選擇兩個區(qū)域的數(shù)據(jù)對本文方法和其他13種融合方法進行對比試驗,使用11種評價指標對融合結果進行定量評價。選擇隨機森林(random forest,RF)分類器對原多光譜影像、14種融合方法分別得到的融合影像進行土地覆蓋分類,并根據(jù)總體精度(overall accuracy,OA)和Kappa系數(shù)比較它們的分類結果。

1 本文方法

由于本文方法重點對低頻和高頻子帶的融合規(guī)則進行設計,因此有必要對低頻和高頻子帶的融合規(guī)則進行介紹。

1.1 WLE和WSEML

低頻子帶體現(xiàn)了影像的整體結構,包含了影像的大部分能量。傳統(tǒng)的低頻子帶融合方法中通常根據(jù)能量信息對影像的活動水平進行度量,往往會忽略低頻子帶中的部分細節(jié)信息。雖然NSST可以將絕大多數(shù)的細節(jié)信息分到高頻子帶,但是由于受NSST的分解層數(shù)限制,無法將細節(jié)信息完全歸入高頻子帶。為了保證原始影像結構信息的保留和細節(jié)信息的提取,低頻子帶系數(shù)采用WLE和WSEML進行融合,其中,WSEML是對Laplacian能量進行改進,WLE輔助WSEML進行信息提取,WLE主要度量影像的結構信息,WSEML主要度量影像的細節(jié)信息。WLE的表達式為

IX(i+m,j+n)2

(1)

八鄰域修正拉普拉斯算子(eight-neighborhood-based modified Laplacian,EML)考慮到了對角系數(shù)的影響,可以充分利用鄰域信息。WSEML是對EML的加權表示,表達式為

(2)

1.2 參數(shù)自適應雙通道單位連接PCNN

高頻子帶系數(shù)包含大量的紋理細節(jié)和邊緣信息,直接體現(xiàn)影像的清晰度。PCNN常用于高頻子帶融合規(guī)則的設計,主要由感受域、調制域和脈沖發(fā)生器3個部分組成。ULPCNN是PCNN的改進模型,簡化了模型結構,減少了參數(shù)設置,使得整個模型的脈沖傳播行為易于分析和控制。由于遙感影像融合是對兩幅影像進行處理,單一通道的PCNN需要對每幅影像分別進行一次處理,結構復雜,效率低下。然而雙通道PCNN可以很好地解決這一問題,故在ULPCNN的基礎上改進得到雙通道ULPCNN,其模型的架構如圖1所示,數(shù)學表達式為

圖1 雙通道ULPCNN模型

(3)

由式(3)可知雙通道ULPCNN主要存在4個參數(shù),即βA、βB、αη和VE。較之SF和SML等活動度量,MSMG具有更大的離散度,因此能夠更好地表達影像的清晰度。此外MSMG可以為影像提供更高的歸一化值,因此比其他活動度量具有更高的預測率[14]。選擇高頻子帶的MSMG作為模型的鏈接強度,可以更好地量化影像的清晰度,增強影像的空間相關性。其表達式為

(4)

(5)

1.3 方法步驟

本文方法將成分替換方法的IHS變換和多尺度變換方法的NSST相結合,綜合兩種方法分別在空間信息和光譜信息方面的優(yōu)勢。再對NSST不同子帶的融合規(guī)則進行設計,提高能量保持能力和細節(jié)提取能力,并優(yōu)化PCNN模型,解決PCNN模型參數(shù)設置復雜和空間相關性差等問題。試驗步驟主要包括IHS變換、NSST分解、低頻子帶融合、高頻子帶融合、NSST重建和IHS逆變換6個部分。本文方法流程如圖2所示,主要實現(xiàn)步驟如下。

圖2 本文方法流程

(1) IHS變換。對多光譜影像IMS進行IHS變換,得到3個分量:亮度I、色度H和飽和度S。

(3) 低頻子帶融合。根據(jù)式(1)和式(2),結合WLE和WSEML對低頻子帶系數(shù)LSAR和LMS進行融合,得到融合低頻子帶系數(shù)LF(i,j),表達式為

(6)

(7)

(5) NSST重建。對融合后的低頻和高頻融合系數(shù)進行NSST逆變換,得到新的亮度分量I′。

(6) IHS逆變換。將融合得到的新亮度分量I′和其他2個分量H和S進行IHS逆變換,最終獲得融合影像。

2 試驗設計

2.1 試驗數(shù)據(jù)

本文選取2個區(qū)域的數(shù)據(jù)進行試驗分析,區(qū)域1為內蒙古某機場的多光譜和SAR影像的試驗數(shù)據(jù),該數(shù)據(jù)來源于航空遙感系統(tǒng),主要包括道路、建筑物、林地、草地和裸地5種土地覆蓋類型。區(qū)域2的多光譜影像從谷歌地球獲得,SAR影像為高分三號衛(wèi)星影像,主要包括道路、建筑物、林地、草地和水域5種土地覆蓋類型。多光譜和SAR影像經(jīng)過降噪和配準等預處理操作后,具有相同的空間位置和像素大小,其中區(qū)域1的影像像素大小為400×600,數(shù)據(jù)如圖3(a)和圖3(b)所示,區(qū)域2的影像像素大小為500×500,數(shù)據(jù)如圖4(a)和圖4(b)所示。5種土地覆蓋類型的樣本分別選取了100個,均勻地分布于整個研究區(qū)域,其中每種土地覆蓋類型中隨機選取50個作為訓練樣本,剩余50個作為驗證樣本。

圖4 區(qū)域2的原始影像和14種融合影像

2.2 對比方法

為了更好地說明試驗效果,將本文方法與13種其他方法進行比較,其中包括3種經(jīng)典的多尺度變換方法,即曲波變換(curvelet)、雙樹復小波變換(dual tree complex wavelet transform,DTCWT)和NSCT[18]。3種基于稀疏表示理論的融合方法,即自適應稀疏表示(adaptive sparse representation,ASR)[19]、卷積稀疏表示(convolutional sparse representation,CSR)[20]和卷積稀疏性形態(tài)分量分析方法(convolution sparsity and morphological component analysis,CSMCA)[21]。3種基于邊緣保持濾波的融合方法,即交叉雙邊濾波(cross bilateral filtering,CBF)[22]、滾動導向濾波(rolling guidance filtering,RGF)[23]和梯度轉移濾波(gradient transfer filtering,GTF)[24]。4種結合多尺度變換和PCNN模型的融合方法,即結合能量屬性(energy attribute,EA)和參數(shù)自適應PCNN(parameter adaptive PCNN,PAPCNN)的NSST域融合方法(EA-PAPCNN)[25],結合WLE和PAPCNN的NSST域融合方法(WLE-PAPCNN)[16],結合EA和雙通道PCNN的NSST域融合方法(EA-DCPCNN)[26],以及結合低級視覺特征和PAPCNN的NSST域融合方法(low-level visual features-PAPCNN,LLVF-PAPCNN)[13]。為了保證試驗的嚴謹性,本文方法與對比方法選擇相同的試驗環(huán)境。同時,這些對比方法中的所有參數(shù)都按照其默認值進行設置。本文方法中的分解濾波器為maxflat,分解程度為4級,參數(shù)自適應雙通道ULPCNN的迭代次數(shù)設置為110[16,25,27]。

2.3 評價指標

定性評價主要是通過人眼的視覺系統(tǒng)進行觀測,依據(jù)專家知識庫對融合后影像目視效果、紋理細節(jié)、色彩信息及空間結構等方面進行比較分析,對每組融合結果做出主觀性的評價。定量評價是通過評價指標對試驗結果進行客觀性的評價,試驗中選取了信息熵(information entropy,IE)、互信息量(mutual information,MI)、平均梯度(average gradient,AG)、空間頻率(spatial frequency,SF)、空間相關系數(shù)(spatial correlation coefficient,SCC)、光譜扭曲度(spectral distortion,SD)、光譜角制圖(spectral angle mapper,SAM)、相對整體維數(shù)綜合誤差(ERGAS,源于法語“erreur relative globale adimensionnelle de synthèse”)、結構相似性(structural similarity,SSIM)、峰值信噪比(peak signal-to-ratio,PSNR)和無參考質量指標(quality with no reference,QNR)11個評價指標。

2.4 土地覆蓋分類器

隨著對生態(tài)環(huán)境和土地資源的保護力度增大,土地覆蓋分類研究也得到廣泛關注。其中,分類器的研究主要集中于支持向量機(support vector machine,SVM)、RF和深度學習等模型。深度學習模型需要根據(jù)深度網(wǎng)絡對大量訓練樣本進行學習,參數(shù)設置復雜,計算效率較低,通常有限的遙感地物樣本很難滿足高質量的深度學習[28]。SVM和RF則能夠以較小的計算成本得到高精度的分類結果,其中SVM對參數(shù)和核函數(shù)選擇敏感,針對不同的研究需要選擇相應的核函數(shù)和參數(shù),同時核函數(shù)和參數(shù)的選擇通常依賴于經(jīng)驗[29]。相比之下,RF則具有訓練速度快、參數(shù)易控制、不易過擬合和準確率高等特點,且得到廣泛的認可[30]。

3 試驗結果與分析

為了對試驗結果進行全面地評價,分別從主觀定性和客觀定量2個方面對所有融合結果進行對比分析,接著根據(jù)分類結果圖和分類精度對土地覆蓋分類結果進行分析。

3.1 定性評價

圖3(c)—(p)和圖4(c)—(p)依次顯示了13種對比方法和本文方法的融合結果。圖5(a)—(n)和圖6(a)—(n)依次顯示了所有融合結果對應的誤差圖像,其中誤差圖像是根據(jù)SAM指標計算得到。通過目視分析可以看出,在3種經(jīng)典的多尺度變換方法中,curvelet和DTCWT 2種方法的空間分辨率得到了明顯的提高,清晰度較好,但是存在較為嚴重的光譜失真現(xiàn)象,較原多光譜影像明顯偏暗。NSCT由于融合規(guī)則設計簡單,對空間細節(jié)的描述和光譜信息的保留效果都不理想?；谙∈璞硎纠碚摰?種方法中,ASR和CSR 2種方法的空間分辨率和光譜分辨率都很低,特別是道路和建筑物的邊緣出現(xiàn)明顯的模糊現(xiàn)象,影像整體顏色偏灰偏紅;CSMCA的形態(tài)分量分析有助于空間信息和光譜信息的提取,較ASR和CSR的融合質量有明顯的提高,但是融合質量提高的能力有限,還有較大提升空間。3種基于邊緣保持濾波的方法中,CBF和GTF的細節(jié)表達不佳,光譜扭曲嚴重,部分區(qū)域的細節(jié)和光譜信息丟失嚴重,幾乎無法正確反映該區(qū)域的實際特征。RGF通過滾動濾波的形式提高了融合影像的細節(jié)信息和邊緣信息的保留能力,但是在光譜保真方面的改善并不明顯。在4種基于結合多尺度變換和PCNN模型的融合方法中,EA-PAPCNN在細節(jié)表達和光譜保真上都沒有優(yōu)勢,WLE-PAPCNN和EA-DCPCNN在空間和光譜信息提取上優(yōu)勢不大,LLVF-PAPCNN對空間分辨率和光譜分辨率的提升能力較強,光譜信息表達準確?？傮w分析,本文方法的清晰度最高,能夠清晰地表現(xiàn)出道路邊緣和建筑物結構等特征,同時與原多光譜影像的光譜信息最接近,融合效果最好。根據(jù)誤差圖像可以看出,在區(qū)域1中EA-DCPCNN和本文方法相對于其他對比方法的誤差較小,區(qū)域2中WLE-PAPCNN、LLVF-PAPCNN和本文方法的誤差相對不明顯。

圖6 區(qū)域2中14種融合影像對應的誤差圖像

3.2 定量評價

定性評價是一種依據(jù)專家知識庫的主觀性評價方式,受限于人眼視覺感知,主觀性較大,因此還需結合定量評價指標進行客觀、全面的評價,其中定量評價主要根據(jù)信息量、空間信息和光譜信息等幾個方面展開。表1和表2分別列出了所有方法對區(qū)域1和區(qū)域2的定量評價結果。其中“↑”表示數(shù)值越大越好,“↓”表示數(shù)值越小越好,粗體表示最優(yōu)值,下劃線表示次優(yōu)值,“—”表示無實際意義。

表1 區(qū)域1融合影像的定量評價結果

表2 區(qū)域2融合影像的定量評價結果

由表1中區(qū)域1融合影像定量評價結果可知,在基于影像信息量的評價指標IE和MI上,排名前三的方法依次是本文方法、LLVF-PAPCNN和WLE-PAPCNN,其中本文方法較排名第二的LLVF-PAPCNN分別提高0.013和0.060,較排名第三的WLE-PAPCNN分別提高0.111和0.228,體現(xiàn)出本文方法具有保留更多有用信息的能力。本文方法在AG、SF和SCC 3個評價影像空間質量的指標上都表現(xiàn)為最優(yōu),次優(yōu)值則分別出現(xiàn)于curvelet和DTCWT,相比于次優(yōu)值,本文方法分別提高了1.421、3.343和0.003,表明本文方法能夠較好地提取影像紋理細節(jié)信息和邊緣輪廓信息。SD、SAM和ERGAS是衡量融合影像與原多光譜影像之間光譜扭曲程度的指標,值越小扭曲程度越小,融合效果就越好。在這3個指標中,本文方法的表現(xiàn)較其他13種方法具有明顯的優(yōu)勢,其中本文方法較LLVF-PAPCNN分別降低了2.080、0.092和0.943,說明本文方法的光譜保真度高。SSIM指標評價了融合影像與原始影像之間的結構相關性,除RGF外所有方法都表現(xiàn)出不錯的效果,其中本文方法最為突出。評價指標PSNR上,只有本文方法、LLVF-PAPCNN和EA-DCPCNN超過了20,其他方法則大部分都分布在16～19之間,較之LLVF-PAPCNN,本文方法提高了1.209。對于評價指標QNR,本文方法略次于LLVF-PAPCNN?？傮w來看,本文方法在所有指標上都表現(xiàn)為最優(yōu),且在多數(shù)指標上具有明顯優(yōu)勢。

區(qū)域2和區(qū)域1的總體評價結果相似。由表2的定量評價結果可知,本文方法僅在QNR評價指標上表現(xiàn)為次優(yōu),在其他10個評價指標上均表現(xiàn)為最優(yōu),較其他13種對比方法具有明顯的優(yōu)勢。相較于所有評價指標上的次優(yōu)值,本文方法在IE、MI、AG、SF、SCC、SD、SAM、ERGAS、SSIM和PSNR 10個評價指標上分別優(yōu)化了0.008、0.082、1.183、0.920、0.001、6.023、0.065、2.014、0.004和1.693,表明本文方法含有豐富的信息,具有較高的空間分辨率和光譜分辨率,與原始影像的結構相似度高。

3.3 土地覆蓋分類結果分析

區(qū)域1的土地覆蓋類型主要有道路、建筑物、林地、草地和裸地,分別由紅色、黃色、深綠色、淺綠色和深褐色表示。區(qū)域2的土地覆蓋類型主要有道路、建筑物、林地、草地和水域,分別由紅色、黃色、深綠色、淺綠色和青色表示。選擇RF分類器對原多光譜影像、所有方法的融合影像進行土地覆蓋分類,并根據(jù)OA和Kappa系數(shù)對分類結果進行評價。為了保證試驗的嚴謹性,所有融合影像在進行土地覆蓋分類時都選擇相同的訓練樣本和試驗環(huán)境。區(qū)域1和區(qū)域2中各種融合影像的土地覆蓋分類結果分別見圖7和圖8,土地覆蓋分類精度分別見表3和表4。

表3 區(qū)域1的土地覆蓋分類精度

表4 區(qū)域2的土地覆蓋分類精度

由圖7和圖8可知,原始多光譜影像由于具有較高的光譜特性,使得分類結果中同一地物覆蓋類型相對聚集,但是較低的空間分辨率使得分類結果的細節(jié)區(qū)分不佳,特別是建筑物的邊緣結構顯得比較粗糙。各種融合影像的分類結果由于結合了SAR影像的空間信息,對細節(jié)特征的刻畫都較原多光譜信息突出,但是SAR影像中不可避免的相干斑噪聲使分類結果出現(xiàn)了不同程度的斑點現(xiàn)象。其中本文方法融合影像的分類結果較精細地區(qū)分出不同土地覆蓋類型的邊緣,同時斑點現(xiàn)象最弱,較好地區(qū)分出不同的土地覆蓋類型。

由表3可知,GTF和curvelet的光譜信息丟失嚴重,表1中基于光譜信息的評價指標SD和ERGAS也體現(xiàn)了這一點。同時這兩種方法在空間分辨率上也表現(xiàn)不佳,所以在OA和Kappa系數(shù)兩個評價指標上都低于原多光譜影像的85.911%和0.819。CBF雖然保持了較好的光譜特性,但是較差的清晰度導致其分類精度也低于原始多光譜影像。DTCWT、CSR、CSMCA、RGF和EA-PAPCNN的光譜保真能力不突出,在所有方法中排名居中,在一定程度上限制了土地覆蓋的分類效果,特別是道路和林地、道路和草地之間的混淆現(xiàn)象較為明顯,其OA均分布于86%～87%之間。NSCT、WLE-PAPCNN、EA-DCPCNN、LLVF-PAPCNN和ASR在提高空間分辨率的同時也較好地保留了光譜信息,其分類精度相較于其他8種對比方法具有較大的優(yōu)勢,具體在OA上提高都超過了1.5%,Kappa系數(shù)上也有超過0.02的提升表現(xiàn)。本文方法具有較強的空間增強和光譜保真能力,極大地提高了土地覆蓋分類精度,分類結果的OA和Kappa系數(shù)較原多光譜影像分別提高了8.350%和0.107,較13種其他方法中最好方法分別提高了1.377%和0.023。

由表4可知,所有融合影像的土地覆蓋分類精度都高于原始多光譜影像。GTF、EA-PAPCNN和EA-PADCPCNN的土地覆蓋分類精度略高于原始多光譜影像,這是由于這3種方法在信息量、清晰度、光譜保真和結構相似性等方面都沒有明顯的優(yōu)勢,且在光譜保真上都表現(xiàn)出較差的效果。CBF、DTCWT、CSMCA、RGF和curvelet的OA都分布于85%至86%之間,分類效果一般。這5種方法都無法較好地兼顧空間信息和光譜信息,不能有效地平衡原始影像的互補信息。NSCT、ASR、CSR、WLE-PAPCNN和LLVF-PAPCNN能夠較好地提取原始影像中的特征信息,較于其他對比方法能夠得到更高的分類精度,所以在OA和Kappa系數(shù)兩個指標上都分別超過了86%和0.82。所有對比方法都具有一定的局限性,無法較好地整合SAR影像的后向散射信息和多光譜影像的光譜信息,使得土地覆蓋分類精度無法有效提高。本文方法在信息量、清晰度、光譜信息和結構相似性等幾個方面都表現(xiàn)出了較好的效果,分類結果的OA和Kappa系數(shù)較原多光譜影像分別提高了6.896%和0.091,較13種其他方法中最好方法分別提高了0.169%和0.001。

4 結 論

在基于多尺度變換的多光譜和SAR影像融合中,如何有效提高結構信息和細節(jié)信息的提取能力,同時增強PCNN模型的參數(shù)自適應性和空間相關性,對增強融合方法的性能非常重要。為此,本文提出一種結合改進Laplacian能量和參數(shù)自適應雙通道ULPCNN的遙感影像融合方法,將IHS與NSST相結合,并重點對NSST不同子帶的融合規(guī)則進行優(yōu)化設計。其中,通過結合WLE和WSEML兩個活動度量解決了低頻分量中細節(jié)信息提取能力差的問題,提出參數(shù)自適應雙通道ULPCNN模型來解決高頻分量中PCNN參數(shù)設置復雜和空間相關性差等問題。選取2組數(shù)據(jù)和11種評價指標對本文方法和其他13種方法進行試驗和對比評價,分析融合方法的空間增強和光譜保真性能,再通過RF分類器進行土地覆蓋分類,分析融合影像的分類效果。試驗結果表明,本文方法在定性評價和定量評價上總體表現(xiàn)最好,表明本文方法能夠在較大程度上兼顧空間信息和光譜信息的保留。在土地覆蓋分類評價指標OA和Kappa系數(shù)上較原始多光譜影像和其他融合影像都得到了明顯提高,說明本文方法的融合結果能夠提高土地覆蓋分類精度,有助于對研究區(qū)域的解譯和分析。