基于缨帽变换的IKONOS数据融合

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 233-235.

基于缨帽变换的IKONOS数据融合

费鲜芸¹,张志国²,高祥伟^1,3

1.山东农业大学信息科学与工程学院，山东泰安 271018
2.上海应用技术学院生态学院，上海 200235
3.中国矿业大学土地复退与生态重建研究所，北京 100083

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 费鲜芸

Study on IKONOS data fusion based on Tasseled Cap transformation

FEI Xian-yun¹,ZHANG Zhi-guo²,GAO Xiang-wei^1,3

1.College of Information Science and Engineering，Shandong Agricultural University，Tai’an，Shangdong 271018，China
2.College of Ecology，Shanghai Institute of Technology，Shanghai 200235，China
3.Institute of Land Reclamation and Ecological Reconstruction，China University of Mining and Technology，Beijing 100083，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: FEI Xian-yun

摘要/Abstract

摘要： 应用缨帽变换（KT）和主成分分析（PCA）方法，对北京圆明园周围的IKONOS全色波段和多光谱波段进行融合，并分别对整景影像和植被区的融合结果进行对比研究，结果表明：在该实验区，整景影像和植被区缨帽变换融合结果都优于主成分析结果，不同的缨帽变换系数矩阵在整景影像和植被区融合质量会有差别，应根据具体地点、时相，分类方法做适当的选择。

关键词: IKONOS, 数据融合, 缨帽变换, 主成分分析, 城市植被制图

Abstract: The IKONOS data of Beijing Yuanmingyuan is fused with Tasseled Cap（KT） and PCA methods.The fusion results are analyzed and compared with full image and vegetation subset.The result shows that，in study area，the KT fusion method is better than PCA in full image and vegetation subset.The fusion results are differential with different KT transformation matrix，and the method of fusion should be chosen according to study area，data，and classification methods.

Key words: IKONOS, data fusion, Tasseled Cap transformation, PCA, urban vegetation mapping

费鲜芸¹,张志国²,高祥伟^1,3. 基于缨帽变换的IKONOS数据融合[J]. 计算机工程与应用, 2008, 44(2): 233-235.

FEI Xian-yun¹,ZHANG Zhi-guo²,GAO Xiang-wei^1,3. Study on IKONOS data fusion based on Tasseled Cap transformation[J]. Computer Engineering and Applications, 2008, 44(2): 233-235.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[3]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[4]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[5]	赵怡，高淑萍，何迪. 基于深度学习的眼动跟踪数据融合算法[J]. 计算机工程与应用, 2021, 57(10): 211-217.
[6]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[7]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[8]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[9]	张红，程传祺，徐志刚，李建华. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24): 1-11.
[10]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[11]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[12]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[13]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[14]	曹雯雯1，康彬2，颜俊1，丁琬1. 面向多源数据融合的稀疏表示目标跟踪[J]. 计算机工程与应用, 2019, 55(6): 1-7.
[15]	陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究[J]. 计算机工程与应用, 2019, 55(6): 108-112.