Optimization of Fusion Method for GF-2 Satellite Remote Sensing Images based on the Classification Effect

Optimización del método de fusión para imágenes satelitales GF-2 basadas en el efecto de clasificación

Con el lanzamiento exitoso de los satélites de la serie GF de China es más importante estudiar la calidad de los datos de imagen, la adaptabilidad del método de procesamiento y el método de extracción de información. Los datos pancromáticos y multiespectrales que se basan en los datos de imágenes GF-2 del satélite de teleobservación de alta resolución en el submetro chino, se fusionaron mediante PCA, Pansharp, Gram-Schmidt y NNDiffuse. Luego, la calidad de las imágenes de fusión se evaluó de manera subjetiva y objetiva. Para evaluar la aplicabilidad de diferentes algoritmos de clasificación a la clasificación, se utilizó el algoritmo de clasificación orientado a objetos que se basa en el algoritmo de aprendizaje automático, como KNN, SVM y árboles aleatorios para clasificar las diferentes imágenes de fusión de GF-2. Los resultados mostraron que: (1) El mejor efecto visual de la imagen de fusión GF-2 fue la imagen de fusión Pansharp; los resultados de la evaluación cuantitativa mostraron que el brillo y la retención de información de la imagen de fusión Gram-Schmidt fueron los mejores, mientras que la imagen de fusión Pansharp tuvo la mayor correlación con la imagen multiespectral original; la imagen de fusión NNDiffuse tuvo la mayor claridad, y el efecto de evaluación cuantitativa de la imagen de fusión PCA fue el peor; (2) De acuerdo con el análisis de aplicabilidad de las imágenes de fusión basadas en diferentes algoritmos de clasificación con características de extracción de información, se pudo ver que se usó el método de fusión NNDiffuse para la fusión de datos de imágenes GF-2, y la clasificación de las imágenes de fusión fue más apropiada utilizando el algoritmo de clasificación KNN o Random Trees.

INTRODUCCIÓN

Con el desarrollo de la tecnología de observación terrestre de teledetección por satélite en estos años, los datos de imágenes de teledetección de alta resolución temporal, hiperespectral y multiplataforma aumentan rápidamente; las imágenes de teledetección en diferentes recursos son diferentes en resolución espectral, resolución de radiancia y resolución espectral (Fang, Huo & Ma, 2016; Sun, Fu & Wang, 2011); las imágenes de teledetección líderes tienen diversidades en el algoritmo de fusión de imágenes (Luo & Du, 2017; Zhao, Li & Lei, 2016; Chen, Zhang, Zang & Dong, 2016; Chen, 2016; Xie, Zhang, Sun & Pan, 2016; Du, 2015) . Algunos investigadores han estudiado y dispuesto la fusión de datos de imágenes de teledetección GF-2. Utilizando la transformada HIS, la transformada PCA, la transformada wavelet, la transformada HIS+wavelet, la transformada HIS+PCA, la transformada PCA+wavelet, los experimentos de fusión de datos de imágenes GF-2 por Wang Aiyun, y "HIS + PCA + transformada wavelet" fue finalmente seleccionado como el mejor método de fusión de datos de imágenes GF-2 en zona montañosa (Wang, 2016). Ren Jintong, Yang Wunian y otros evaluaron los diferentes efectos de fusión de las imágenes GF-2 mediante el uso de métodos de fusión de imágenes comúnmente utilizados, tales como la transformación HSV, la transformación Brovery, la transformación PCA, Gram-Schmidt Pan Sharpening (GS) y el color normalizado (CN), los resultados mostraron que el rendimiento integral de la fusión GS fue el mejor, y podría satisfacer las necesidades del procesamiento de fusión de imágenes en general (Ren, 2016).