毕业论文范文——ETM 影像数据的不同融合算法的对比研究

摘 要 以福州市南台岛为研究区，利用 ERDAS Imagine 8.5、ENVI4.0 等遥感影像处理软 件，对 ETM+遥感影像数据的多光谱波段（第 1-5、7 波段）以及全色波段（第 8 波段）进 行融合试验，所采用的融合方法包括主成分法（PCA）、乘积法（MLT）、Brovey 变换和 HIS 变换，并从融合影像的光谱保真度、高频空间信息融入度和分类精度这三个方面对这 四种融合方法进行比较和评价。 关键字：关键字：ETM+；遥感影像融合；土地覆盖分类 I 目目 录录 第一章 概述 .1 1.1 内容概述 .1 1.2 研究区概况.1 1.3 研究区数据.2 1.4 遥感影像校正处理.3 1.5 选取地面控制点（GCP）3 1.6 进行空间变换.4 1.7 重采样.4 第二章 遥感影像数据的融合算法 5 2.1 主成分分析法.5 2.2 MLT 算法 .6 2.3 Brovey 变换6 2.4 HIS 算法 .7 第三章 融合实验结果分析与评价 .8 3.1 主观评价.9 3.2 客观评价.9 3.2.1 光谱保真度 .9 第四章 影像分类 .12 第五章 结论 .15 参考文献 .16 1 第一章概述 1.1 内容概述 遥感影像融合是一种通过高级影像处理来复合多源遥感影像的技术。它针对不同环 境条件,选择最佳的波段组合和分辨率,设计最适宜的时相叠加,采用一定的算法将各影像 的优点或互补性有机地结合起来产生新的影像。融合后的影像同单一信息源相比,清晰度 得到提高,能减少或抑制环境解译中可能存在的多意性、不完全性、不确定性和误差;最 大限度地利用了多种资料的不同特性,使图像同时具有较高的光谱和空间分辨率,提高了 图像的视觉效果;改善了几何精度、图像特征识别的精度和分类精度,有利于增强多重数 据分析和环境动态监测能力;改善了遥感信息提取的现势性和可靠性,有效地提高了资料 使用率,为大规模的遥感应用研究提供了一个良好的基础。遥感数据融合分为三级:像元 级融合、特征级融合、决策级融合。像元级融合是一种低水平的融合,它是直接在采集到 的原始数据层上进行的融合,通常用于多源图像复合、图像分析和理解等。特征级融合是 先对原始遥感影像信息进行特征提取,然后对特征进行综合分析和处理,融合结果能最大 限度地给出决策分析所需要的特征信息。决策级融合是一种高层次的融合,它是在上述像 元级和特征级融合所提供的各类特征信息的基础上对图像信息进行识别、分类或目标检 测,并在获得有关区域决策信息后,再对所获得的专题图像进行融合处理,它的融合结果直 接为指挥、控制、决策系统提供依据。 1.2 研究区概况 本次研究区以福州市南台岛为研究区（东经 1191311925，北纬 25 582607） 。南台岛是福建省内最大江岛，位于福州市区南 6.5 公里，地处闽江下 游南、北港之间，属福州市仓山区管辖（南台岛因位于福州市台江区以南而得名） 。南台 岛呈西北东南走向，东西长（淮安到林浦长 26 公里） ，南北相对较窄(螺洲到烟台山 宽 4 公里）面积 118.2 平方公里。岛上高盖山、虾蟆山、烟台山等原为江中岩岛，高盖 山为全岛最高点，海拔为 202.6 米。后由闽江泥沙淤积其间连接而成，为半岩半沙岛连 岛。地表起伏大，以平原、丘陵为主，平原地面高程 5 米以下；丘陵分布在中、西北、 2 东南部，海拔在 150 米以下，最高点高盖山海拔 202 米。岛周多沙洲、浅滩，受闽江带 来的泥沙淤积影响，岛屿面积不断向南、东延伸。 1.3 研究区数据 本研究所用的数据为 2001 年 3 月 4 日 Landsat ETM+影像（轨道号：119/42） ，并从 中切割出福州南台岛作为研究区。其中，TM1-TM5、TM7 波段的空间分辨率（即像元大小） 为 28.5 m28.5 m，TM8 的空间分辨率为 14.25 m14.25 m。表 1 给出的是 Landsat ETM+遥感数据的观测参数和波段特征。 表 1-1 Landsat ETM+影像的波段特征 波 段 号 波段空间分 辨率m 波长 m 设计依据波段特征主要用途 1 蓝 300.450.52 植物色素的吸收 峰在 0.45um 对水体穿透力强， 对叶绿素浓度反 应敏感 有助于判别水深，水中叶绿素分 布，近海水域制图 2 绿 300.520.60 植物在绿光波段 的反射峰在 0.55um 对水体有一定的 透视能力，对健 康茂盛植物绿反 射敏感 能判读出水下地形和污染状况， 探测健康植物，评价植物生长活 力 3 红 300.630.69 植物叶绿光吸收 峰在 0.65um 为叶绿素的主要 吸收波段，对水 体有一定的透视 能力 对海水中的泥沙流，河流中的悬 浮物有明显的反映；可区分死树 和活树，活树颜色较深；可区分 植物种类与植物覆盖度，探测植 物叶绿素吸收的差异。 4 近红 外 300.760.90 受细胞结构的影 响，植物 0.71.9um 处为 高反射 对水体对绿色植 物类别差异最敏 感，为植物通用 波段 对植物的湿度有明显反映；能确 定绿色植被类型，做生物长势和 生物量的调查，水域判别等。 5 中红 外 301.551.75 水分子在 1.4、1.9um 的吸 收峰 处于水的吸收范 围内，反映含水 量敏感 用于植物含水量的调查、土壤湿 度、水分状况、作物长势研究、 区分云和雪 6 热红 外 120（TM ） 60(ETM+ ) 10.412.5 地物热红外发射 特征 反映地物的热幅 射性质。地表温 度高，热幅射就 强，色调就浅 植物和地物的热强度测定分析， 城市热岛研究，人类热活动特征 监测 7 中红 外 302.082.35 处于水吸收带与 蚀变岩类黏土矿 物羟基吸收带 处于水的强吸收 带，水体显黑色 植物含水量测定，岩石的调查与 分类，含有OH 矿物的土壤 8 全色 150.520.90 通过各种融合手段提高地面空间 3 分辨率 相对于 Landsat-5 TM 而言，Landsat-7 ETM+有作了很大的改进，增加了 1 个 15m 的 Pan 波段，使其除了保持原有的多光谱优点以外，还明显地提高了空间分辨率。由于 Landsat-7 ETM+是目前广泛使用的卫星影像，因此本文选择 Landsat-7 ETM+数据，进行 基于同一传感器的不同空间分辨率波段的融合算法比较。 1.4 遥感影像校正处理 由于遥感平台的位置和运动状态变化的影响、地形起伏的影响、传感器的内外部参 数、图像地图投影方式的选择差异等原因，造成了图像上象元位置的坐标和地图坐标系 中相应的目标地物坐标的差异，即形成了图像的几何畸变。只有把这些误差进行精确校 正后才能对遥感影像实施进一步的处理。本次研究采用的 Landsat ETM+已由数据发行方 进行过辐射粗校正和几何粗校正，所以只须进行以地面控制点为依据的几何精校正和配 准。目前通行的遥感影像几何精校正，以一句话概括，就是利用控制点改正研究区遥感 影像的几何变形，从而生成一幅符合某种地图投影或图件表达要求的新影像。它不考虑 各种畸变误差形成的具体原因，而是把影像上存在的各种畸变和误差看成一个整体，然 后利用若干个控制点数据确立一个模拟影像几何畸变的数学模型，以此来建立原畸变影 像（待校正影像）空间与标准影像（或称参考影像，如地图等）空间的某种对应关系， 即所谓映射变换函数或校正变换函数。再依据这种变换函数把待校正影像空间中的全部 象元变换到标准空间中去，从而实现影像的几何精校正。通常遥感影像几何精校正过程 包括三个步骤：（1）选取地面控制点（GCP） ；（2）依据控制点对数据进行空间变换， 也就是在几何位置上校正畸变误差；（3）取得变换后影像各象元的灰度值，即对影像进 行重采样。 1.5 选取地面控制点（GCP） 选好控制点是保证几何精校正质量的基础，同时也是保证整个工作成果精度的首要 部分。一般选择在影像和地形图上都容易识别定位的明显地物点，如道路、河流的交叉 点，建筑物角点，桥头等特征点上。控制点必须达到有一定的数量，并且要求均匀的分 布在研究区内，同时南台岛属于丘陵地带，控制点应尽可能选在高程相似的地段。遥感 4 影像与地形图进行几何校正中 GCP 的选择，初选控制点后还需进行控制点对匹配精度的 检验，剔除那些匹配误差超限的象元（误差一般为小于 0.5 个象元，通常不超过 1 个象 元） ，必要时补充采控制点，以保证控制点的数量和质量。 1.6 进行空间变换 多项式近似法是目前实践中最常用的一种空间变换方法，只要控制点选得好，就可 保证取得较高的校正精度。这种方法回避了成像的几何过程，直接对影像畸变本身进行 函数逼近，也就是说，校正前后影像相应点之间的坐标关系可以选用一个适当的多项式 来表达。地面控制点（GCP）数目，一般应大于(M+2)(M+1)/2（M 为多项式的次数） 。当 M=1（即采用一次多项式） ，至少需要 3 个控制点进行参数计算；当 M=2（即，采用二次多 项式） ，至少需要 6 个控制点；当 M=3（即采用三次多项式） ，则至少需要 10 个控制点。 实际工作中，控制点数目常大于 10。 1.7 重采样 经空间变换后输出的新图像象元，在多数情况下会落在原始图像阵列中的几个象元 之间（即共轭位置） ，因此输出图像的象元灰度值，必须通过适当的方法把该点四周邻近 的若干个整数点上的象元灰度值对该点的灰度值贡献累积起来进行计算，这个过程称为 数字图像的重采样。实践中常用三种经简化的重采样方法是：最近邻法、双线性内插法、 三次卷积内插法。 这三种方法各有优缺点： （1）最近邻法计算量小，能保持影像光谱信息不变，但其几何校正精度差，校正后 的影像亮度具有不连续性，边界会出现锯齿状。 （2）双线性内插法比起最近邻法虽然计算量增加，但精度明显提高，而且校正后的 影像亮度连续，但它会对影像起到平滑作用，从而使原本对比度明显的分界线变得模糊。 （3）三次卷积内插法有很好的影像亮度连续和几何校正的精度，而且能较好地保留 高频成分，但是对几何校正的精度要求很高，而且计算量大，耗时且原始影像的亮度值 会被改变。 综合考虑到影像光谱信息和影像地理位置精度这两个因素，本次研究中采用双线性 5 内插法进行图像的重采样。 第二章 遥感影像数据的融合算法 遥感图像融合的关键就是选择合适的融合方法，恰当的融合方法可在提高图像空间 信息的同时，较好的保持多光谱波段的光谱特征，如何在此前提下获得与地物色彩基本 一致的逼真的自然色彩图像，一直是业界学者追求的目标。受本次研究时间和研究者知 识背景和经验条件限制，本次研究选用了目前为较多学者采用的几种融合方法：主成分 分析法（Principal Component Analysis） 、乘积方法（Mutiplicative） 、Brovey 变换 （Brovey Transform）和 HIS 变换进行试验和比较。所使用的遥感影像处理软件是 ERDAS Imagine 8.5 和 ENVI4.0。 2.1 主成分分析法 主成分分析法（PCA）是在统计特征基础上进行的一种多维（多波段）正交线性变换， 数学上称为 KL 变换。主成分分析法先将具有多波段的多光谱图像经过 PCA 变换为多个 独立的主分量，通常第一主分量包含有多个波段共同和唯一的光谱信息；而后将具有高 分辨率的全色影像经过灰度拉伸，使其灰度的均值与方差和 PCA 变换的第一主分量图像 一致；然后以拉伸过的高分辨率图像代替第一分量图像，经过主成分逆变换完成图像融 合。主成分分析融合法最大优点是可以应用任意数目的波段。经过融合的图像包括了两 幅原始图像的高空间分辨率和高光谱分辨率的特征，保留了原图像的高频信息。融合图 像上目标的细部特征更加清晰，光谱信息更加丰富。采用主成分分析融合法的具体步骤 如下： 1)计算参与融合的 n 波段多光谱影像的相关矩阵; 2)由相关矩阵计算出特征值和特征向量 (i=1,n);ii 3)将特征值按由大到小的次序排列，即特征向量也作相应变动；12.ni 4)按下式计算主分量影像： (1) 1 n kiik i PCd 6 式中，k 为主分量序数(k=1, n)；为主分量；i 为输入波段；n 为总的多光kPC 谱影像波段数；为 i 波段多光谱影像的数据值；为特征向量矩阵在 i 行 k 列的元素，idik 经过上述主成分变换，第一主分量影像的方差最大，它包含大量的信息（主要是空间信 息） ，而光谱信息则主要保存在其它分量影像中。 5)将空间配准的全色影像与第一主分量作直方图匹配； 6)用直方图匹配生成的全色影像代替第一主分量，并将它与其余主分量作主成分分 析逆变换，就获得高分辨率的多光谱融合图像。经过主成分分析法融合的图像同时包含 了高空间分辨率图像较高的空间信息与高光谱分辨率较好的光谱信息。因此，与原先的 单独全色波段和多光谱数据相比，在融合图像上目标的细部特征更加清晰，色彩更加丰 富。 2.2 MLT 算法 MLT（Multiplication）算法是以乘法为基础，将高分辨率影像上的象元分别与低分 辨率影像上每个波段的相对应象元进行相乘，从而提高低分辨率影像的空间分辨率。其 具体表达式为： (2) highlowiMLTi BbBaB 式中：BMLTi为经过 MLT 法融合后的第i波段，Blowi为低空间分辨率影像的第i波段， Bhigh为高空间分辨率影像。由于乘积后影像的灰度值过大，因此取乘积结果的平方根。a 和 b 为加权系数，实际应用中可以根据需要对不同的波段进行归一化的加权处理，对 a、b 取不同的权值，但为了使结果具有代表性，在本次研究中采用平权处理。 2.3 Brovey 变换 Brovey 变换法融合是较为简单的融合方法，它是为 RGB 影像显示进行多光谱波段颜 色归一化，将高分辨率全色影像与多光谱影像红、绿、蓝波段的比重各自相乘完成融合 9。持高分辨率图像的空间纹理，能够较好的把不同地类的边缘区别出来。其计算公式 为： 7 (3) high mbmgmr mi newi B BBB B B )( _ _ _ 式中：Bi_new代表融合以后的波段数值（i=1，2，3） ；Br_m、Bg_m、Bb_m分别代表低分 辨率多光谱图像中的任意一个，B_high代表高分辨率全色影像。Brovey 方法是通过归一化 后的 ETM+三个波段与高分辨率影像乘积来增强影像的信息。 2.4 HIS 算法 在图像处理中，经常应用的彩色坐标系统（或称彩色空间）有 2 种：三原色（RGB） 空间；HIS 表色系统（孟塞尔表色系统） 。一般来说，图像的 RGB 颜色空间不适于融合处 理；而 HIS 系统则正好相反，它清楚地说明了特定颜色通道的特征。在色度学中，通常 把由 RGB 空间向 HIS 空间的变换称为 HIS 变换，其计算公式为： (4) 111 333 112 1 666 11 2 22 22 12 1 2 0 arctan IR vG vB Svv v H v A 式中：I 表示颜色的亮度，主要反映图像中地物反射的全部能量和图像所包含的空间 信息，对应于图像的地面分辨率；H 表示色度，是指组成色彩的主波长，由红绿蓝色的比 重所决定；S 表示饱和度，代表颜色的纯度，H 与 S 代表图像的光谱分辨率。 其反向变换即由 HIS 空间向 RGB 空间的转换，称 RGB 变换，其计算公式为： (5) 111 362 111 1 362 12 2 36 0 RI Gv Bv A 利用 HIS 变换法融合时，先把多光谱影像利用 HIS 变换，从 RGB 系统变换到 HIS 空 间，同时将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差和 HIS 空间中 的亮度分量图像相似，以增大 2 影像之间的某种相关性，并抑制光斑效应；然后将拉伸 过的全色影像作为新的亮度分量代入到 HIS，经过反变换还原到原始空间。 8 第三章 融合实验结果分析与评价 本文利用福州已配准过的 2001 年 ETM+影像，分别采用上述方法进行融合，结果如 图 1 所示。 （a）原始影像图 （b）PCA 融合影像图 （c）MLT 融合影像图 （d）Brovey 融合影像图 （e）HIS 融合影像图 图 3-1 原始影像与融合后影像的假彩色合成图（RGB543） 影像融合的一个重要步骤是对融合的效果进行评价，一般分为主观评价和客观评价。 9 主观评价是通过目视效果进行分析。客观评价是利用影像图来进行分析和评价，一般从 光谱保真度、均方根差（Root Mean Square Error, RMSE） 、高频信息融入度等几个方面 对这些融合影像进行定量综合分析评价。 3.1 主观评价 主观评价的内容主要包括：融合图像是否配准，如果配准不好，那么融合影像就会 出现重影和几何变形；融合图像整体色彩是否与天然色彩保持一致，如居民点影像是否 明亮突出，水体影像是否呈现蓝色，植被影像是否呈现绿色；判断融合图像整体的亮度、 对比度是否合适；融合图像纹理及彩色信息是否丰富，空间信息是否丢失；融合图像的 清晰度是否降低，地物影像边缘是否清楚。从视觉效果上来看，相比与原始的全色波段 图像和多波段合成图像，各种融合方法都提高了图像的视觉效果。在各种融合方法中， 主成分分析法得到的融合图像上目标的细部特征更加清晰，光谱信息更加丰富。乘积变 换法尽管在图像的空间分辨率和光谱信息都得到了改变，但是与其它的方法相比，其光 谱信息和清晰度是相对较弱。Brovey 变换法较好的保持了原多光谱图像的光谱特性，在 空间细节分辨率方面也比乘积变换法要好一些。HIS 转换法在保持多光谱特性方面也比乘 积变换法要好点。 3.2 客观评价 3.2.1 光谱保真度 融合影像各个波段的光谱保真度可以通过计算它们的亮度均值与原始影像之间的偏 差（均值差）来衡量（表 2） 。通过由这些数据绘制的折线图（图 2）则可以直观地看出 它们的变化趋势。另外，通过计算均方根差（RMSE） ，可以快速的测出 n 维空间中两个测 度向量的相似性，其公式如下： (6) n i meanmean n BB RMSE i 1 2 )( 其中 n 为波段数，为融合影像第i波段的均值，为原始影像第i波段的均 i mean B mean B 10 值。RMSE 值越小，融合影像的光谱与原始影像的偏离度就越小，保真度就越高。 表 3-1 原始影像与融合影像各波段的亮度均值 波段 1 均值 差 波段 2 均值 差 波段 3 均值 差 波段 4 均值 差 波段 5 均值 差 波段 7 均值 差 RMSE 原始影 像 84.168.1 8 66.0 6 46.1 7 62.5 0 47.3 3 PCA95.3 3 - 11.23 83.1 2 - 14.94 71.1 5 - 5.09 84.1 5 - 37.98 82.8 3 - 20.33 75.3 8 - 28.05 22.4 3 MLT32.6 7 51.4329.8 5 38.3325.4 4 40.6 2 34.3 3 11.8420.3 7 42.1315.6 5 31.6838.0 4 Brovey y 47.9 1 18.1 5 52.6 3 -6.4638.4 5 24.0517.7 9 HIS69.7 9 - 3.73 89.7 8 - 43.61 59.2 9 3.2125.3 4 图 3-2 原始影像与融合影像的亮度均值对比图 从表 2 和图 2 可以看出，Brovey 法的均值和原始影像比较接近，同时 RMSE 值是最小 的，说明 Brovey 融合法对原始影像的光谱造成歪曲最小，而从图上可以看出乘积法对光 谱造成的歪曲最大，其 RMSE 也是最大的。PCA 融合法的前三个波段的均值与原始影像是 较为接近，RMSE 值居中，说明 PCA 融合法能较好的保留光谱信息。而 HIS 融合法对光谱 信息的歪曲要小于乘积法，但大于 PCA 法。 融合影像与原始影像亮度均值对比图 0 20 40 60 80 100 120 波段 1 波段 2 波段 3 波段 4 波段 5 波段 7 亮度均值 原始影像 PCA MLT Brovey HIS 11 3.2.2 高分辨率影像信息的融入度 对于融合影像中的高分辨率纹理信息的融入度可以通过融合影像与高分辨率影像之 间的相关系数来判别14，并可以用相关系数的平均值和 RMSE 来度量。相关系数的平均 值越大、RMSE 偏离度越小，融入的高分辨率信息就越多。 表 3-2 融合影像和原始影像各波段与 PAN 波段的相关系数 波段波段 1波段 2波段 3波段 4波段 5波段 7平均值 RMSE 原始 0.3840.5280.6190.680.7360.7160.61050.3895 PCA0.4060.5920.6930.6930.780.7860.658330.3417 MLT0.860.8570.8370.8920.8650.8270.856330.1437 Brovey0.8890.7730.8680.843330.1567 HIS0.9140.9350.8040.884330.1157 图 3-3 原始影像和融合影像各波段与全色影像的相关系数变化图 从表 3 和图 3 可以看出，MLT 融合影像，Brovey 融合影像和 HIS 融合影像的相关度 比较高，说明，这三种融合影像都有效地融入了高分辨率影像的信息。其中又以 HIS 影 像的相关度最高，RMSE 只有 0.1157，其次是 MLT，RMSE 是 0.1437。 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 波段1波段2波段3 波段4波段5波段7 相关系数值 原始 PCA MLT Brovey HIS 12 第四章 影像分类 图像分类过程的总目标是，将图像中所有的像元自动地进行土地覆盖类型或土地覆 盖专题的分类。通常用多光谱数据来进行图像分类，因为遥感影像分类的主要依据是地 物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感影像分类 的原始特征变量4。遥感影像的计算机自动识别分类，就是根据遥感影像数据特征的差 异和变化，通过计算机处理，自动输出地物目标的识别分类结果。它可大大提高从遥感 数据中提取信息的速度与客观性，从而促进遥感技术的大规模实用化的进程。图像分类 可分为监督分类和非监督分类两种类型。本文是采用非监督分类。非监督分类不必使用 分析者所选择的训练区数据来作为分类的基础。非监督分类包括这样一些算法，即检验 大量的未知像元并根据图像值中的自然集群将它们分成若干类。其基本前提是，给定的 同一种地物覆盖类型内的值再测量空间应该相互接近，而不同覆盖类型的数据又应该有 比较明显的可分性13。 本文分别对采用上述不同融合方法生成的融合影像图进行非监督分类，结果如图 4 所示。 （a）原始图像分类图 （b）PCA 融合影像分类图 13 （c）MLT 融合影像分类图 （d）Brovey 融合影像分类图 （e）HIS 融合影像分类图 图 4-1 研究区影像分类图（截取部分范围） 初步的目视判别就可以看出融合影像的分类效果比原始影像的分类效果好。由于未 融入高分辨率影像，原始影像的分类结果表现出图斑边缘粗糙，锯齿明显，建成区街道 难于辨认，河流边缘呈锯齿状。而融合影像的误分现象减少，街道清晰，图斑边缘平滑， 分类精度和空间分辨率都明显提高。对比图 3 的(b)、 （c） 、 （d） 、 （e）可以明显的看出主 成份、Brovey 融合法的分类效果比乘积融合法的分类效果好。 为了进一步验证分类精度，首先要建立精度评估误差矩阵。误差矩阵采用像元抽样 产生，抽样时，需确定抽样点数和抽样方法，逐个确定像元点的参考（实际）类别。试 验在 ERDAS Imagine 的支持下，利用分类模块(Classifier) 中 Accuracy Assessment 功能首先随机产生抽样点，然后逐点进行参考类别确定。参考类别确定采用土地利用图 与目视解译相结合的方法进行，逐点对抽样点进行准确的参考类别确定，最后执行评价， 分别得到初步分类图的精度评估误差矩阵，并根据误差矩阵计算出总体精度和 kappa 系 数。如表 4 所示。 Kappa 分析是评价分类精度的多元统计方法，Kappa 系数代表被评价分类比完全随 机分类产生错误减少的比例。总精度与 Kappa 系数的区别在于总精度只用到了位于对角 线上的象元数量，而 Kappa 系数则既考虑了对角线上被正确分类的象元，又考虑了不在 对角线上各种漏分和错分的误差。 14 表 4-1 不同融合方法的精度评价 总体精度KAPPA 系数 原始影像 0.61670.5328 PCA0.65710.59 MLT0.63330.5609 Brovey0.70.6373 HIS0.6450.5881 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 原始影像PCAMLTBroveyHIS 总体精度 KAPPA系数 图 4-2 不同融合方法分类精度对比图 分类结果表明，融合后的影像的分类精度比原始影像的分类精度均有所提高。其中 Brovey 融合法的分类精度最高，达到了 70，比原始影像提高了 8.33 个百分比；kappa 系数是 0.6373，比原始影像提高了 0.1045。其次是 PCA 融合法，精度为 65.71，kappa 系