Application of fusion in satellite images the Landsat-8 and Sentinel-2 in environmental monitoring

Subject Areas : Geospatial systems development

Mostafa Kabolizadeh ¹ , Kazem Rangzan ² , Shahin Mohammadi ³

1 - Assist. Prof. College of Remote Sensing and GIS, Department of Earth Sciences, Shahid Chamran University of Ahvaz
2 - Assoc. Prof. College of Remote Sensing and GIS, Department of Earth Sciences, Shahid Chamran University of Ahvaz
3 - PhD Student of Remote Sensing and GIS, Department of Earth Sciences, Shahid Chamran University of Ahvaz

Received: 2018-09-22 Accepted : 2018-10-24 Published : 2018-10-23

Keywords: Image quality enhance, Ahvaz, Image fusion, Change detection, Image quality assessment,

Abstract :

In order to increase the spectral and spatial resolution of satellite images, the fusion of multi-resolution images can be used, however, the image fusion usually introduces some spectral and spatial distortions in the resulting fused image that the amount of these distortions highly depends on the pan sharpening technique as well as the type of data. The aim of this study is the fusion of Landsat 8 Operational Land Imager (OLI) with the date of 8 January 2018, and Sentinel-2 Multispectral Imager (MSI) with the date of 11 January 2018, using the Gram Schmidt, CN, Brovey, DWT, SFIM, Multiplication methods in the Ahvaz city. In order to evaluate the image quality that fussed, CC, SAM, PSNR, SIMM, and Laplacian indices were used. The results showed among the used methods, DWT and Brovey, have the best results from the spectral and spatial aspect, respectively. Also, the highest spatial distortion with the amount of 1.18 in the SAM index was in the Multiplication method and the maximum spatial deviation in the DWT index with a correlation of 0.47 with the reference image. Multiplication and DWT methods have the most spatially and spectrally distortion. Therefore, the results showed that SFIM is the optimum method of spectral and spatial aspects.

References:

آفری، ع. و م. ورشوساز. 1392. بهبود روش آماری تلفیق تصاویر کانگور، با استفاده از فیلتر بالاگذر. مجله مهندسی نقشه‌برداری، 1(2): 31- 46.

بشیر پور، م.، م. ج، ولدان و ی. مقصودی. 1396. تلفیق تصاویر سنجش‌ازدور با روش FFT-PCA. نشریه علوم و فنون نقشه‌برداری، 5(2): 123-140.

فاضلی فارسانی، آ.، ر، قضاوی. و م. فرزانه. 1394. بررسی عملکرد الگوریتم‌های طبقه‌بندی کاربری اراضی با استفاده از تکنیک‌های ادغام تصاویر (مطالعۀ موردی: زیر حوزه بهشت‌آباد). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(1): 91-106.

کریمی، م.، ه، مهدوی نصب و ح. پور قاسم. 1391. ﯾﮏ روش ﺟﺪﯾﺪ در ﺑﻬﺒﻮد ﮐﯿﻔﯿﺖ ﺗﺼﺎوﯾﺮ ماهواره‌ای ﺑﻪ ﮐﻤﮏ ادﻏﺎم ﺗﺼﻮﯾﺮ در ﺳﻄﺢ ﭘﯿﮑﺴﻞ ﺑﺎ ﺗﺮﮐﯿﺐ روش‌های ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﺒﺪﯾﻞ وﯾﻮﻟﺖ ﮔﺴﺴﺘﻪ و آﻧﺎﻟﯿﺰ اﺟﺰای اﺻﻠﯽ. اولین کنفرانس ملی ایده‌های نو در مهندسی برق، 16 و 17 آذرماه، دانشگاه آزاد اسلامی واحد خوراسگان اصفهان. 178 صفحه.

کاظمی نیا، ع.، ک، رنگزن و م. محمودآبادی. 1396. بررسی شدت بیابان‌زایی با استفاده از مدل مدالوس (مطالعه موردی: اراضی غرب اهواز). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(2): 111 – 126.

مالیان، ع.، م، تیموری و م. عربی. 1396. آشکارسازی و مستند نگاری رشته قنات بر پایه ادغام تصاویر هوایی و فضایی. نشریه علوم و فنون نقشه‌برداری، 7(2): 79-92.

محمد نژاد نیازی، س.، م، مختار زاده و ف. سعید زاده. 1394. ارائه روش ادغام تصاویر چند طیفی و پانکروماتیک IHS-GA مبتنی بر مناطق بهبودیافته گیاهی. نشریه علوم و فنون نقشه‌برداری، 6(1): 235-248.

محمدی ده چشمه، م.، ع، پروزیان و م. علیزاده. 1396. استخراج و سنجش شاخص‌های شهر سالم در مناطق هشت‌گانه شهر اهواز. فصلنامه پژوهش و برنامه‌ریزی شهری، 8(29): 161-178.

محمدی، ش.، خ، حبشی و س. پورمنافی. 1397. پایش و پیش‌بینی تغییرات کاربری/پوشش اراضی و ارتباط آن با خشک‌سالی (مطالعه موردی: زیر حوزه پارسل ₂ B، حوزه آبخیز زاینده‌رود). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 9(1): 24-39.

Acerbi-Junior F, Clevers J, Schaepman M. 2006. The assessment of multi-sensor image fusion using wavelet transforms for mapping the Brazilian Savanna. International Journal of Applied Earth Observation and Geoinformation, 8(4): 278-288.

Al-Wassai FA, Kalyankar N, Al-Zuky AA. 2011. Arithmetic and frequency filtering methods of pixel-based image fusion techniques. arXiv preprint arXiv:11073348.

An Z, Shi Z. 2014. An improved-SFIM fusion method based on the calibration process. Optik-International Journal for Light and Electron Optics, 125(14): 3764-3769.

Dhruval L, Richard S. 2015. Advance SFIM technique for image fusion in remote sensing domain. International Journal of Innovative Research in Technology, 2(1): 148-161.

Gungor O, Shan J. 2004. Evaluation of satellite image fusion using wavelet transform. In: proceedings of 20th Congress ISPRS “Geo-Imagery Bridging Continents. pp 12-13.

Han S, Li H, Gu H. 2008. The study on image fusion for high spatial resolution remote sensing images. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(B7): 1159-1164.

Hoult DI, Richards R. 1976. The signal-to-noise ratio of the nuclear magnetic resonance experiment. Journal of Magnetic Resonance (1969), 24(1): 71-85.

Kim Y, Lee C, Han D, Kim Y, Kim Y. 2011. Improved additive-wavelet image fusion. IEEE Geoscience and Remote Sensing Letters, 8(2): 263-267.

Klonus S, Ehlers M. 2007. Image fusion using the Ehlers spectral characteristics preservation algorithm. GIScience & Remote Sensing, 44(2): 93-116.

Kruse FA, Lefkoff A, Boardman J, Heidebrecht K, Shapiro A, Barloon P, Goetz A. 1993. The spectral image processing system (SIPS)—interactive visualization and analysis of imaging spectrometer data. Remote sensing of environment, 44(2-3): 145-163.

Lau W, King BA, Li Z. 2000. The influences of image classification by fusion of spatially oriented images. International Archives of Photogrammetry and Remote Sensing, 33(B7/2; PART 7): 752-759.

Lijun Y, Yueping N, Fang L, Jianfeng Z, Yueyin Y, Huaguang G. 2012. Research on data fusion method for archaeological site identification. In: Image Analysis and Signal Processing (IASP), 2012 International Conference on. Ieee, pp 1-4.

Liu J. 2000. Smoothing filter-based intensity modulation: A spectral preserve image fusion technique for improving spatial details. International Journal of Remote Sensing, 21(18): 3461-3472.

Pohl C, Van Genderen J. 1998. Multi sensor image fusion in remote sensing: concepts, methods and applications. International Journal of Remote Sensing, 19(5): 823-854.

Pohl C, Van Genderen J. 2016. Remote sensing image fusion: A practical guide. 1st edn. Crc Press, Boca Raton, 288.

Ranchin T, Wald L. 2000. Fusion of high spatial and spectral resolution images: the ARSIS concept and its implementation. Photogrammetric Engineering and Remote Sensing, 66(1): 49-61.

Sharma M. 2016. A review: image fusion techniques and applications. Int J Comput Sci Inf Technol, 7(3): 1082-1085.

Wang Q, Blackburn GA, Onojeghuo AO, Dash J, Zhou L, Zhang Y, Atkinson PM. 2017. Fusion of Landsat 8 OLI and Sentinel-2 MSI data. IEEE Transactions on Geoscience and Remote Sensing, 55(7): 3885-3899.

Wang Q, Shi W, Atkinson PM, Wei Q. 2017. Approximate area-to-point regression kriging for fast hyperspectral image sharpening. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(1): 286-295.

Wang Z, Bovik AC, Sheikh HR, Simoncelli EP. 2004. Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing, 13(4): 600-612.

Zhang Y. 2004. Understanding image fusion. Photogrammetric Engineering & Remote Sensing, 70(6): 657-661.

Zhang Y. 2008. Methods for image fusion quality assessment-a review, comparison and analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(PART B7): 1101-1109.