文章摘要:多光谱和合成孔径雷达（SAR）图像的融合可以保留每个数据的优势，有利于提高土地覆盖分类精度。然而，当前的一些图像融合方法不能完全利用原始数据的光谱信息与纹理细节。为了克服上述问题，本文提出了一种基于空谱信息协同和Gram-Schmidt变换的融合方法。在所提出的方法中，Sentinel-2A图像和GF-3图像分别经过不同的预处理操作。由于灰度共生矩阵能有效提取图像的纹理信息，因此本文将其应用于Sentinel-2A图像以提取结构特征，并将空谱信息协同的多光谱图像与GF-3图像通过Gram-Schmidt变换进行融合。本实验采用主成分分析法和传统的Gram-Schmidt变换作为实验中的比较方法。为了确定融合算法的有效性，本文采用五项评价指标包括平均梯度，空间频率，均值，标准差和相关系数来衡量融合图像的质量。此外，由于随机森林具有优秀的训练速度和出色的分类性能，本实验将其用于土地覆盖分类。随机森林的分类精度、Kappa系数和分类结果图作为融合方法的评价标准。实验结果表明，与单独使用原始Sentinel-2A相比，本文提出的融合方法可以将整体精度提高多达5%，具有提高遥感卫星图像土地覆盖分类精度的潜力。

文章关键词:

项目基金: