当前课程知识点:遥感数字图像处理理论与方法 > 第八章 遥感图像变化检测 > 第八章习题 > 6.3 基于主成分变换的图像融合
我们来学习PCA图像融合
将原始多光谱图像进行PCA变换
然后用高分辨率图像的
像元值代替PCA变换后的第1分量
最后再反变换到RGB空间
基于PCA 变换的图像融合算法的
最大优点是可以融合
多于3个波段的遥感数据
因而它比IHS融合法
可以更好地利用多波段数据的光谱特征
在改进多光谱图像的性能
同时也可以更好地保留其光谱信息
我们来学习PCA图像融合的技术流程
PCA图像融合的具体步骤
一 以高空间分辨率的全色图像为参考
对多光谱图像进行精确配准
二 将多光谱图像的空间分辨率
重采样到与高空间分辨率全色图像相同
三 将多光谱图像进行主成分变换
得到各个分量 PCA1 PCA2 PCA3
四 用高空间分辨率的全色数据Pan波段
替换多光谱图像
进行主成分变换后的第一主成分PCA1
五 将替换后的数据 Pan PCA2 PCA3
进行主成分逆变换
生成具有多波段融合结果图像
和IHS融合结果一样
PCA融合也存在光谱扭曲现象
也需要我们对算法进行改良
如何改进光谱保持性能呢
本小节介绍另外一种改进算法
我们采用拉伸全色图像的值域范围的这种方式
使其与多光谱图像PCA
变换后的第一主分量值域范围一致
从而提升融合图像的光谱保持性能
我们具体介绍一下
光谱扭曲及其改进方法
基本思路是用全色影像替代
多光谱影像第一主分量时
使全色影像的值域范围
和第一主分量相同
假定全色图像像素的值域范围为
多光谱影像经过PCA变换后的
第一主分量PCA1的值域范围为
对全色图像每个像素的灰度值
进行拉伸处理
经过变换后的全色图像的灰度
具有和多光谱图像第一主分量
相同的值域范围
用变换后的全色图像
来代替第一主分量
来进行PCA逆变换
得到的融合结果
能很好的保持原始图像的多光谱信息
-第一章习题
-第一讲
-第二讲
-第二章习题
-第三章习题
-第一讲
--4.1.1 概述
--最小二乘法原理
-第二讲
-第四章习题
-第一讲
-第二讲
-第五章习题
-第六章习题
-第一讲
-第二讲
-第七章习题
-第八章习题