【摘要】：本研究的分类以OLI影像为例，主要分为以下几步骤：在分类之前，为提高分类精度，首先将OLI的全色波段与裁剪好的多光谱影像进行融合，获得恩施州地区的高分辨率的彩色影像数据。由于OLI的影像灰度级为12bit，采用乘积变换的方法不太合理，在本研究中对前两种方法进行了尝试，其结果如图5－4所示。
本研究的分类以OLI影像为例，主要分为以下几步骤：在分类之前，为提高分类精度，首先将OLI的全色波段（Band 8）与裁剪好的多光谱影像（Band 7/5/4）进行融合，获得恩施州地区的高分辨率的彩色影像数据。分辨率融合（Resolution Emerge）是图像的一种空间增强处理，使处理的影像数据既有较好的空间分辨率，又具有多光谱特性。在ERDAS IMAGING 9．2中，提供了3种融合的方法：主成分变换融合（Principle Compononent）、比值变换融合（Brovey Tansformation）以及乘积变换融合（Multiplicative）。由于OLI的影像灰度级为12bit，采用乘积变换的方法不太合理，在本研究中对前两种方法进行了尝试，其结果如图5－4所示。
为了在分类影像图中挖掘出更多的土地利用信息，对2007年TM影像与2013年的OLI影像的分类结果在ERDAS 9．2中进行转移矩阵的计算，最终得到恩施州2007年与2013年的土地转移分布图，进一步利用ERDAS 9．2软件，获取在恩施州地区主要地类的转移方向与面积，并对最终土地转移方向与转移面积数据做进一步的处理分析。
图5－4 高分辨率融合方法的比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
