基于主组分分析（PCA）算法的北京城市信息的融合.pdfVIP

第26卷 第4期 沈阳师范大学学报(自然科学版) Vo1．26．NO．4 2008年 10月 JournalofShenyangNormalUniversity(NaturalScience) Oct．2008 文章编号：1673—5862(2008)04—0452 04 基于主组分分析 (PCA) 算法的北京城市信息的融合 富 晓 凇 (中国地质大学 地球科学与资源学院，北京 100083) 摘 要：以基于CBERS、RAIDER、SPOT、TM 四种卫星数据源的北京城市信息遥感数据为图 像基础，分别以不同的组合，应用遥感数据融合中的主组分分析(PCA)算法，将多源遥感数据进行 融合．通过对其生成图像效果的比较与分析，总结归纳出针对北京城市，特别是市区部分使用 PCA 算法提取信息的最优数据组合方法，并对融合结果进行理论性的评价． 关 键 词：融合；主组分分析(P(、A)；城市信息 中图分类号：TP751．1 文献标识码：A 0 引 言 今天的遥感技术已经成为人们获取即时信息不可或缺的手段与方法．主要针对的是不同数据源使 用同一种地理信息融合方法的研究，以来 自CBERS、RADER、SPOT、LandsatTM 四种卫星数据源的北 京城市信息为数据依据，通过使用ENVI4．0软件中的基于主组分分析 (PrincipalComponentsAnalysis， PCA)算法的融合功能，分别完成 了CBERS对 RADER、CBERS对 SPCrr、CBERS对 LandsatTM、 LandsatTM对SPOT、LandsatTM对RADER共 5组数据间的融合过程，同时对其原理进行了适当的 研究，并对融合效果进行了比较与评价． 1 基本理论 主组分分析(PCA)变换法又被称为K—L变换，它是对某一光谱图像，利用K—L变换矩阵进行线性 组合，产生一组新的光谱图像．主组分分析对图像编辑、图像数据压缩、图像增强、变化监测、多时相维数 和图像融合等均是十分有效的方法．在图像数据融合中，PCA常采用2种方法： 第一种方法是通过高分辨率的图 多光谱图像 I I高分辨率图像的第一主分量 像(A)来增加多波段图像的空间分辨 率，即先将高分辨率的图像 (A)拉伸到 PC1的方差和均值，然后将拉伸后的图 经逆变换后生成融合图像 像(A)替代多波段图像数据的PC1．由 图1 主成分变换法流程图 于PC1的方差最大，它包含了所有波段 绝大部分信息，因此融合后的图像中既有多光谱信息又具高分辨率． 第二种方法是对多遥感器图像数据或单遥感器多波段数据的所有波段经主成分变换后，生成一幅 图像文件，以减少数据的冗余度．此种方法的流程图如图1所示． 2 图像融合分析 2．1 数据源参数 研究中所使用的数据多集中采集于2000年夏季，总体而言比较有利于信息的融合，甚至可以说，包 收稿 日期：2008—05．27 作者简介：富晓凇(1982一)，女，辽宁沈阳人，中国地质大学硕士研究生 ． 第4期 富晓凇：基于主组分分析 (PCA)算法的北京城市信息的融合 453 括植被在内的易随季节变化的地物基本信息也没有过多的变更．这样一来，融合后的图像可以较为正确 的提供所需信息，使融合效果得到提高．各个数据源具体的参数如表 l所示． 表 1 SPOT，LandsatTM。RADER，CBERS数据源参数 2．2 预处理 经过对原始图像进行裁剪一配准一再裁剪一重采样等步骤处理后的各组图像，即各种融合前进行 配准后的图像如图2～图6所示，以此与融合后的图像进行比较．为了便于解译，各图像在该文的对比 过程中均进行裁减，仅保留故宫、北海、中海、南海、景山公园等明显建筑． 图2 CBERS与RADER图像