ETM+遥感影像融合算法对分类精度影响分析

"该文分析了不同融合算法对ETM+遥感影像分类精度的影响，通过对比PCA、MLT、Brovey变换和HIS变换在福州市南台岛ETM+遥感影像上的应用，探讨了各类融合算法的优劣，并进行了非监督分类和精度评估。" 本文详细探讨了多种遥感影像融合算法对ETM+遥感影像分类精度的影响，以2001年福州市南台岛的ETM+遥感影像作为研究对象。遥感影像融合是一种重要的数据处理技术，旨在结合不同传感器或同一传感器不同波段的特点，提高影像的光谱和空间分辨率。 1. 主成分分析法(PCA) PCA是一种统计方法，通过正交线性变换将原始多波段数据转换为一组线性无关的主成分，从而保留高光谱和空间信息。这种方法能有效减少数据的冗余，同时保持数据的大部分信息，提高了分类的准确性。 2. 乘积法(MLT) 乘积法是通过乘以特定系数将全色和多光谱波段融合，此方法能引入高频细节，但可能会损失一部分光谱信息。MLT适用于需要突出空间细节的情况。 3. Brovey变换 Brovey变换是一种直方图匹配融合方法，它将全色波段的亮度信息与多光谱波段的光谱信息相结合。这种变换可以增强影像的对比度，但可能对光谱特性产生影响。 4. HIS变换 HIS（色调、饱和度、强度）变换是将多光谱数据转换到色调-饱和度-强度色彩空间，然后再进行融合。这种方法能够较好地保持光谱信息，同时增强颜色对比度，有助于分类。 文章通过实验比较了四种融合算法的融合影像在光谱保真度和高频空间信息融入度方面的表现，并对融合后的影像进行非监督分类，如ISODATA或K-means算法，评估了每种分类结果的精度。这些结果对于用户在进行遥感影像分类前选择合适的融合方法具有重要指导意义。 综合来看，不同融合算法对ETM+遥感影像分类精度的影响各异，选择哪种算法取决于具体的应用需求，如对空间分辨率、光谱信息或者分类效果的侧重。PCA和HIS变换在保留光谱特性方面表现优秀，而MLT和Brovey变换则更注重空间信息的提升。因此，在实际应用中，应根据实际任务的需求，结合各种算法的优缺点，选择最适宜的融合方法。