基于主组分分析（PCA）算法的北京城市信息的融合.pdf.pdf

第26卷第4期2008年10月沈阳师范大学学报(自然科学版)JournalofShenyangNormalUniversity(NaturalScience):1673—5862(2008)04—045204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,,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,:融合;主组分分析(P(、A);城市信息中图分类号::,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,(ponentsAnalysis,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,(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,、图像数据压缩、图像增强、变化监测、,PCA常采用2种方法:第一种方法是通过高分辨率的图像(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,然后将拉伸后的图像(A),它包含了所有波段多光谱图像II高分辨率图像的第一主分量经逆变换后生成融合图像图1主成分变换法流程图绝大部分信息,,生成一幅图像文件,,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—:富晓凇(1982一),女,辽宁沈阳人,:基于主组分分析(PCA),融合后的图像可以较为正确的提供所需信息,,LandsatTM。RADER,,即各种融合前进行配准后的图像如图2~图6所示,,各图像在该文的对比过程中