مقایسة روش‌های تلفیق مبتنی‌بر PCA و IHS به‌منظور تلفیق تصاویر هایپریون و Cartosat-1

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سنجش‌ از دور، دانشکدة مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

2 استاد دانشکدة مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

3 استادیار دانشکدة مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

برای بهره‌مندی هم‌زمان از اطلاعات داده‌های چندمنبعی، از تکنیک‌های عددی یا تحلیلی تلفیق استفاده می‌شود. تلفیق باعث تفسیر بهتر، کاهش ابهام و بهبود طبقه‌بندی می‌شود. روش‌های گوناگونی برای تلفیق گسترش داده‌ شده است؛ ازجمله روش‌های مبتنی‌بر IHS، Wavelet و PCA. در این پژوهش، قابلیت‌ روش‌های تلفیق مبتنی‌بر IHS و روش‌های تلفیق مبتنی‌بر PCA بررسی ‌شده است. در این راستا، از روش‌های FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای تلفیق روی داده‌های Hyperion L1R با اندازة پیکسل 30 متر و تصویر پانکروماتیک سنجندة Cartosat-1 با اندازة پیکسل 5/2 متر استفاده ‌شده است. همچنین برای ارزیابی نتایج این روش‌ها، معیارهای ضریب همبستگی، ضریب همبستگی فیلتر‌شده، خطای کمترین مربعات و شاخص ERGAS و معیار SAM به‌کار رفته است. نتایج معیار خطای کمترین مربعات به‌ترتیب برای FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای باند 15 برابر با 020/0، 022/0 و 025/0 و 024/0، برای باند 25 برابر با 032/0 و 035/0 و 038/0 و 036/0، و برای باند 34 عبارت‌اند از 040/0 و 043/0 و 044/0 و 041/0. نتایج این معیار و نیز دیگر معیارها بیانگر دقت بالای روش‌های مبتنی‌بر PCA در تلفیق تصاویر بود. درواقع روش‌های مبتنی‌بر PCA مزایایی بیشتر از روش‌های مبتنی‌بر IHS دارد؛ مانند نداشتن محدودیت باندی. از بین تمامی این روش‌ها نیز، روش FFT-PCA و Wavelet-PCA دارای نتایج دقیق‌تر و بهتری بود و در حفظ اطلاعات طیفی و مکانی عملکردی بهتر از دیگر روش‌ها دارد.

کلیدواژه‌ها

مراجع

  1. Al-Wassai, F.A. & Kalyankar, D.N., 2012, A Novel Metric Approach Evaluation For The Spatial Enhancement Of Pan-Sharpened Images, arXiv preprint arXiv:1207.5064.
  2. Carper, W.J., 1990, The Use of Intensity-Hue-Saturation Transformations for Merging SPOT Panchromatic and Multispectral Image Data, Photogramm. Eng. Remote Sens., Vol. 56, PP. 457-467.
  3. Chavez, P., Sides, S.C. & Anderson, J.A., 1991, Comparison of Three Different Methods to Merge Multiresolution and Multispectral Data-Landsat TM and SPOT Panchromatic, Photogrammetric Engineering and Remote Sensing, Vol. 57, PP. 295-303.
  4. Fountanas, L., 2004, Principal Components Based Techniques for Hyperspectral Image Data, Monterey California. Naval Postgraduate School.
  5. Gharbia, R., Azar, A.T., Baz, A.E. & Hassanien, A.E., 2014, Image Fusion Techniques in Remote Sensing, arXiv preprint arXiv:1403.5473.
  6. Gonzalez-Audicana, M., Saleta, J.L., Catalan, R.G. & Garcia, R., 2004, Fusion of Multispectral and Panchromatic Images Using Improved IHS and PCA Mergers Based on Wavelet Decomposition, Geoscience and Remote Sensing, IEEE Transactions on, Vol. 42, PP. 1291-1299.
  7. Goodenough, D.G., Dyk, A., Niemann, K.O., Pearlman, J.S., Chen, H., Han,T., Murdoch, M. & West, C., 2003, Processing Hyperion and ALI for Forest Classification, Geoscience and Remote Sensing, IEEE Transactions on, Vol. 41, PP. 1321-1331.
  8. Ling, Y., Ehlers, M., Usery, E.L. & Madden, M., 2007, FFT-Enhanced IHS Transform Method for Fusing High-Resolution Satellite Images, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 61, pp. 381-392.
  9. Pajares G. & De La Cruz, J.M., 2004, A Wavelet-Based Image Fusion Tutorial, Pattern Recognition, Vol. 37, PP. 1855-1872.
  10. Pohl, C., Van Genderen, J. L., 1998, Multisensor Image Fusion in Remote, Sensing: Concepts, Methods, and Application, Int J Remote Sensing,.
  11. Pohl, C. & Van Genderen, J.L., 1998, Review Article Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications, International Journal of Remote Sensing, Vol. 19, PP. 823-854.
  12. Shahdoosti, H.R. & Ghassemian, H., 2012, Spatial PCA as a New Method for Image Fusion, Artificial Intelligence and Signal Processing (AISP), 16th CSI International Symposium, PP. 090-094.
  13. Shahdoosti, H.R. & Ghassemian, H., 2016, Combining the Spectral PCA and Spatial PCA Fusion Methods by an Optimal Filter, Information Fusion, Vol. 27, PP. 150-160.
  14. Strait, M., Rahmani, S. & Merkurev, D., 2008, Evaluation of Pan-Sharpening Methods, UCLA Department of Mathematics.
  15. Su, L., Liu, X., Wang, X. & Jiang, N., 2008, Dimensional Reduction In Hyperspectral Images By Danger Theory Based Artificial Immune System, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, Vol. 37.
  16. Yang, C., Everitt, J.H. & Bradford, J.M., 2008, Yield Estimation from Hyperspectral Imagery Using Spectral Angle Mapper (SAM), Transactions of the ASABE, Vol. 51, PP. 729-737.
  17. Yang, S., Zeng, L., Jiao, L. & Xiao, J., 2007, Fusion of Multispectral and Panchromatic Images Using Improved GIHS and PCA Mergers Based on Contourlet, International Symposium on Multispectral Image Processing and Pattern Recognition, PP. 67871J-67871J-7.
  18. Zhang Y. & Hong, G., 2005, An IHS and Wavelet Integrated Approach to Improve Pan-Sharpening Visual Quality of Natural Colour IKONOS and QuickBird Images, Information Fusion, Vol. 6, PP. 225-234.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار