《表2 不同融合算法定量评价》

  提示：宽带有限、当前游客访问压缩模式

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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。