《表2 不同融合算法定量评价》
本系列图表出处文件名:随高清版一同展现
《基于RNMU的多源星载SAR影像融合与土地覆盖分类》
为定量评价RNMU算法在多源SAR影像融合的效果,针对RNMU融合(R:HHVV,G:HVVH,B:HHVV-HVVH)影像与6月S-1(R:VV,G:VH,B:VV-VH)影像、6月GF-3(R:HH,G:HV,B:HH-HV)影像和G-S融合(R:HHVV,G:HVVH,B:HHVV-HVVH)影像,分别计算SD、MAE、H、SNR和PSNR等指标以比较融合前后和不同融合算法的性能差异。RNMU和G-S融合影像中,R:HHVV波段数据为GF-3 HH极化SAR数据和S-1 VV极化SAR数据分别经RNMU和G-S算法融合得到的双极化SAR产品,G:HVVH波段数据为GF-3 HV极化SAR数据和S-1VH极化SAR数据分别经RNMU和G-S算法融合得到的双极化SAR产品,融合后双极化产品的差值HHVV-HVVH作为B波段。如表2所示,G-S融合和RNMU融合后影像与S-1和GF-3影像相比,SD较大表明融合后影像的灰度级分布较分散,包含的信息量较多;H较大表明两种融合方法都增强了影像的细节表现能力。RNMU融合和G-S融合结果相比,RNMU融合后影像MAE较小,表明了RNMU融合算法具有更好的原始影像信息保留能力;而RNMU融合后的SNR和PSNR大于G-S融合后影像,体现了RNMU融合方法良好的影像噪声抑制能力。GF-3的HH影像和S-1的VV影像经RNMU融合后SD较大,影像具有较大的对比度,影像灰度级分布较为分散,有利于地物分类。而对于两个交叉极化的影像的融合,G-S算法得到的影像SD大于RNMU算法的结果。由于一般交叉极化信息弱于同极化,分类应用中同极化数据应用更为广泛,因此,RNMU融合影像更适于土地覆盖分类。
图表编号 | XD00135830500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.25 |
作者 | 李俐、陈琦琦、张超、尤淑撑、魏海、付雪 |
绘制单位 | 中国农业大学土地科学与技术学院、农业农村部农业灾害遥感重点实验室、中国农业大学土地科学与技术学院、中国农业大学土地科学与技术学院、农业农村部农业灾害遥感重点实验室、中国国土勘测规划院、中国国土勘测规划院、中国农业大学信息与电气工程学院 |
更多格式 | 高清、无水印(增值服务) |