融合目的

多光谱影像具有高光谱分辨率和低空间分辨率，全色影像具有高空间分辨率和低光谱分辨率，将这两种影像进行融合就可以得到同时具有高空间分辨率和高光谱分辨率的影像

PCA主成分变换影像融合

PCA主成分分析原理

参考博客：主成分分析（PCA）原理详解

融合步骤

代码

from osgeo import gdal, gdalconst, gdal_array
import numpy as np
from score import *if __name__ == '__main__':pantif = './sub_image/SV1-03_20180407_L2A0001046618_1012102060010001_01-PAN.tif' # 全色影像muxtif = './sub_image/SV1-03_20180407_L2A0001046618_1012102060010001_01-MUX.tif' # 多光谱影像# 读取全色波段影像gdal.AllRegister()pands = gdal.Open(pantif, gdalconst.GA_ReadOnly)# 宽高panX = pands.RasterXSizepanY = pands.RasterYSize# 坐标系pansrs = gdal.Dataset.GetSpatialRef(pands)# 读取多光谱影像muxds = gdal.Open(muxtif, gdalconst.GA_ReadOnly)muxsrs = gdal.Dataset.GetSpatialRef(muxds)# 数据类型muxBand = gdal.Dataset.GetRasterBand(muxds, 1)muxType = muxBand.DataType# 重采样options = gdal.WarpOptions(width=panX, height=panY, srcSRS=muxsrs,dstSRS=pansrs, outputType=gdalconst.GDT_Int32, resampleAlg=gdalconst.GRIORA_Bilinear, creationOptions=['COMPRESS=LZW'])gdal.Warp("./pca.tif", muxds, options=options)# 主成分分析影像融合rsData = gdal_array.LoadFile("./pca.tif")nBands, xSzie, ySize = rsData.shapersArray = Nonefor i in range(nBands):bArray = rsData[i]bArray = np.reshape(bArray, (-1, 1))if i == 0:rsArray = bArrayelse:rsArray = np.hstack((rsArray, bArray))rsArrayAvg = np.mean(rsArray, axis=0)rsArray = rsArray - rsArrayAvgu, s, v = np.linalg.svd(rsArray, full_matrices=False)rsPCA = rsArray@v.TrsPCA1 = rsPCA[:, 0]rsPCA1Avg = np.mean(rsPCA1)rsPCA1Std = np.std(rsPCA1)# 计算全色波段的均值和标准差panBand = gdal.Dataset.GetRasterBand(pands, 1)panArray = gdal.Band.ReadAsArray(panBand)panArray = np.reshape(panArray, (-1, 1))panStd = np.std(panArray)panAvg = np.mean(panArray)# 计算变换系数k1,k2k1 = rsPCA1Std/panStdk2 = rsPCA1Avg-k1*panAvg# 对全色波段进行变换使其与第一主成分的标准差和均值一直panArray = panArray*k1+k2# 替换第一主成分rsPCA[:, 0] = panArray[:, 0]# 主成分逆变换rsArray = rsPCA@v+rsArrayAvgrsds = gdal.Open("./pca.tif", gdalconst.GA_Update)for i in range(nBands):bArray = rsArray[:, i]bArray = np.reshape(bArray, (ySize, xSzie))iBand = gdal.Dataset.GetRasterBand(rsds, i+1)gdal.Band.WriteArray(iBand, bArray)del rsds, pands, muxdsprint('ok!')

融合效果

多光谱影像

全色影像

融合影像

细节对比

融合前后道路

融合前后农田田埂

PCA主成分分析遥感影像融合相关推荐

特征级融合_遥感影像融合的方法有哪些
遥感影像融合的方法有哪些 · 多种名称,常见的有 · 图像复合(Image Fusion) · 影像融合(Image Merging). · 数据复合(Data Fusion). · 数据综合(Dat ...
matlab遥感影像相对配准,基于IHS 变换的遥感影像融合方法研究
摘要:为了解决遥感影像空间分辨率与光谱信息不能兼顾的问题,即全色影像具有较高的空间分辨率但缺乏光谱信息,多光谱影像光谱分辨率高,光谱信息丰富,但其空间分辨率低的问题,本文采用MATLAB 实验工具, ...
ERDAS IMAGINE 9.2进行遥感影像融合
ERDAS IMAGINE 9.2进行遥感影像融合首先打开ERDAS IMAGINE 9.2,如图所示 1.点击Interpreter按钮, 2.再点击Spatial Enhancement... ...
R语言PCA主成分分析（Principle Component Analysis）实战2
R语言PCA主成分分析(Principle Component Analysis)实战2 目录 R语言PCA主成分分析(Principle Component Analysis)实战2 #案例分析
R语言PCA主成分分析（Principle Component Analysis）与线性回归结合实战
R语言PCA主成分分析(Principle Component Analysis)与线性回归结合实战目录 R语言PCA主成分分析(Principle Component Analysis)与线性回归 ...
R语言PCA主成分分析（Principle Component Analysis）实战1
R语言PCA主成分分析(Principle Component Analysis)实战1 目录 R语言PCA主成分分析(Principle Component Analysis)实战1 #案例分析
【数学与算法】PCA主成分分析(降维)的通俗理解
1.PCA降维 PCA主成分分析简单的理解,就是把某物的很多个能直接获取到的特征,经过变换得到很多个新特征,这些新特征对该物体来说,有的影响很大,有的影响很小,只需要使用这些影响大的新特征,舍弃很多影 ...
统计学习方法第十六章作业：PCA主成分分析算法代码实现
PCA主成分分析 import numpy as np class PCA:def __init__(self,x,R=None):self.x = np.array(x)self.dim = sel ...
PCA主成分分析特征降维 opencv实现
最近对PCA主成分分析做了一定的了解,对PCA基础和简单的代码做了小小的总结有很多博客都做了详细的介绍,这里也参考了这些大神的成果: http://blog.sina.com.cn/s/blog_7 ...

PCA主成分分析遥感影像融合

融合目的

PCA主成分变换影像融合

PCA主成分分析原理

融合步骤

代码

融合效果

PCA主成分分析遥感影像融合相关推荐

最新文章

热门文章