1、gdal基本处理![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/b5c370cd7515e7a32c8c4a073d0b90e7.png#pic_center)
2、gdal影像融合
利用遥感影像的图像融合技术进行土地利用变化信息的提取,属于像素级别的变化检测。其基本原理是将不同时相的遥感影像先进行配准,配准后不同时相的多源影像数据利用不同的融合方法进行波谱信息融合,利用融合后影像显示出的光谱差异性,一般颜色凸显的区域为变化区域。该方法需要注意在影像融合前应对待融合的影像进行几何配准,以免在融合之后造成影像的扭曲、重叠、模糊等误差对变化信息的提取造成困扰。另外,基于融合的不同算法会取得不同的融合效果,该方法效率高,缺点是对遥感影像的要求较高,否则会带来误差影像。
本文运用了主成分变换融合、乘积变换融合、加法变换融合3 种方法对前后时相影像进行了图像融合,其实验结果如图1 所示。
Python地学分析 — GDAL对遥感影像重采样
Brovey图像融合方法+Python代码
IHS图像融合方法+Python代码
HSV遥感图像融合方法+Python代码
3. 1 融合算法结果与分析
实验结果(见图1) 中对3 种不同融合算法获取的变化信息提取图可通过目视解译等手段对监测精度进行如下分析。
1)其中主成分融合变换对遥感影像的纹理信息能较好地保留,同时不限制融合影像的波段数目,能有效地减少遥感影像光谱信息的损失,提高目视判别精度。
2)乘积变换融合较好地保留了TM 影像的丰富色彩信息,使SPOT 影像与TM 影像生成融合效果较好的融合影像。变换后降低了影像亮度,使SPOT 影像的纹理信息相应减弱,增加了对SPOT 影像预处理的难度[6]。
3)加法变换融合较好地保留了TM 影像的色彩信息,对人工建筑等地物可以突出显示,有助于建筑物的目视判读,融合算法增加了数据的相关性,但同时会引起数据局部算法复杂、融合后影像色彩局部突异,造成后续处理不便。