Key points are not available for this paper at this time.
Die hohe Korrelation zwischen den benachbarten Pixeln sowohl räumlich als auch spektral in einem multispektralen Bild macht es notwendig, einen effizienten Datenumwandlungsansatz vor der Durchführung des Pan-Sharpenings zu verwenden. Wavelets und Hauptkomponentenanalyse (PCA) waren eine beliebte Wahl für räumliche und spektrale Transformationen. Aktuelle PCA-basierte Pan-Sharpening-Methoden gehen davon aus, dass die erste Hauptkomponente (PC) mit hoher Varianz eine ideale Wahl zum Ersetzen oder Injizieren mit hohen räumlichen Details aus dem hochauflösenden histogramm-matched panchromatischen (PAN)-Bild ist. Diese Arbeit präsentiert einen kombinierten adaptiven PCA-Contourlet-Ansatz für das Pan-Sharpening, bei dem die adaptive PCA verwendet wird, um die spektrale Verzerrung zu reduzieren und die Verwendung von nicht unterabgeteilten Contourlets für die räumliche Transformation im Pan-Sharpening integriert wird, um die Einschränkung der Wavelets bei der effizienten Darstellung von Richtungsinformationen und der Erfassung intrinsischer geometrischer Strukturen der Objekte zu überwinden. Die Effizienz der präsentierten Methode wird getestet, indem das Pan-Sharpening der hochauflösenden (IKONOS und QuickBird) und der mittelauflösenden (Landsat-7 Enhanced Thematic Mapper Plus) Datensätze durchgeführt wird. Die Bewertung der pan-sharpened Bilder mit globalen Validierungsindizes zeigt, dass der adaptive PCA-Ansatz hilft, die spektrale Verzerrung zu reduzieren, und seine Fusion mit Contourlets bessere Fusionsresultate liefert.
Shah et al. (Mi,) haben diese Frage untersucht.