RESUMEN Con el lanzamiento exitoso de los satélites de la serie GF de China es más importante estudiar la calidad de los datos de imagen, la adaptabilidad del método de procesamiento y el método de extracción de información. Los datos pancromáticos y multiespectrales que se basan en los datos de imágenes GF-2 del satélite de teleobservación de alta resolución en el submetro chino, se fusionaron mediante PCA, Pansharp, Gram-Schmidt y NNDiffuse. Luego, la calidad de las imágenes de fusión se evaluó de manera subjetiva y objetiva. Para evaluar la aplicabilidad de diferentes algoritmos de clasificación, se utilizó el algoritmo de clasificación orientado a objetos basado en el aprendizaje automático, como KNN, SVM y árboles aleatorios para clasificar las diferentes imágenes de fusión de GF-2. Los resultados mostraron que: (1) El mejor efecto visual de la imagen de fusión GF-2 fue la imagen de fusión Pansharp; los resultados de la evaluación cuantitativa mostraron que el brillo y la retención de información de la imagen de fusión Gram-Schmidt fueron los mejores, mientras que la imagen de fusión Pansharp tuvo la mayor correlación con la imagen multiespectral original; la imagen de fusión NNDiffuse tuvo la mayor claridad, y el efecto de evaluación cuantitativa de la imagen de fusión PCA fue el peor; (2) De acuerdo con el análisis de aplicabilidad de las imágenes de fusión basadas en diferentes algoritmos de clasificación con características de extracción de información, se pudo ver que se usó el método de fusión NNDiffuse para la fusión de datos de imágenes GF-2, y la clasificación de las imágenes de fusión fue más apropiada utilizando el algoritmo de clasificación KNN o Random Trees.
ABSTRACT With the successful launch of China’s GF series satellites, it is more important to study the image data quality, the adaptability of processing method and information extraction method. The panchromatic and multi-spectral data which is based on the GF-2 images data of Chinese sub-meter high-resolution remote sensing satellite is fused by PCA, Pansharp, Gram-Schmidt and NNDiffuse fusion. Then, the quality of the fusion images were evaluated subjectively and objectively. In order to evaluate the applicability of different classification algorithms to the classification, the object-oriented classification algorithm which is based on machine learning algorithm, such as KNN, SVM and Random Trees were used to classify the different GF-2 fusion images. The results showed that: (1) The best visual effect of GF-2 fusion image was the Pansharp fusion image; The quantitative evaluation results showed that the brightness and information retention of Gram-Schmidt fusion image was the best, while the Pansharp fusion image had the highest correlation with the original multi-spectral image; the NNDiffuse fusion image had the highest clarity, and the PCA fusion image quantitative evaluation effect was the worst; (2) According to the applicability analysis of the fusion images based on different classification algorithms with features information extraction, it could be seen that the NNDiffuse fusion method was used for the fusion of GF-2 image data, and the classification of the fusion images was more suitable by using KNN or Random Trees classification algorithm.
