Comparación de técnicas de fusión en imágenes de alta resolución espacial

  1. Cánovas García, Fulgencio
  2. Alonso Sarría, Francisco
Revista:
Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

ISSN: 1578-5157

Año de publicación: 2014

Número: 14

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

Resumen

En este artículo se comparan los resultados obtenidos con tres métodos de fusión en imágenes procedentes de sensores aerotransportados de muy alta resolución espacial: Análisis de Componentes Principales, High Pass Filter y Gram-Schmidt. Estos métodos se aplican a una imagen pancromática con resolución espacial de 45 cm y una multiespectral de 2 m y 4 bandas (B, G, R, Nir). Para evaluar los resultados se utilizan criterios cualitativos y cuantitativos, como el Índice Universal de Calidad de la Imagen. La principal conclusión es que el algoritmo de Gram-Schmidt es el que mejores resultados produce, seguido de High Pass Filter y, a bastante distancia, la fusión por Análisis de Componentes Principales.

Referencias bibliográficas

  • Aiazzi, B.; Baronti, S. y Selva, M. (2007): “A MS + Pan image fusion by an enhanced Gram-Schmidt spectral sharpening New Developments and Challenges”, en Z. Bochenek (ed.): Remote Sensing, Millpress, Rotterdam.
  • Aluja Banet, T. y Morineau, A. (1999): Aprender de los datos: el análisis de componentes principales. Una aproximación desde el Data Mining. Barcelona, EUB.
  • Benediktsson, J.A. y Kanellopoulos, I. (1999): “Classification of multisource and hyperspectral data based on decision fusión”, IEEE Transactions on Geoscience and Remote Sensing, 37, pp. 1367-1377.
  • Chavez, P.S. y Kwarteng, A.Y. (1989): “Extracting spectral contrast in Landsat Thematic Mapper image data using selective principle component analysis,” Photogramm. Eng. Remote Sens., 55, 3, pp. 339-348.
  • Choi, M. (2006): “A new intensity-hue-saturation fusion approach to image fusion with a tradeoff parameter”, IEEE Transactions on Geoscience and Remote Sensing, 44, 6, pp. 1672-1682.
  • Chuvieco Salinero, E. (2007): Teledetección ambiental. La observación de la Tierra desde el Espacio. Barcelona, Ariel, 3ª edición.
  • Clayton, D.G. (1971): “Algorithm AS 46: Gram-Schmidt Orthogonalization”, Journal of the Royal Statistical Society. Series C (Applied Statistics), 20, 3, pp. 335-338.
  • Confederación Hidrográfica del Segura (1998): Plan Hidrológico de la cuenca del Segura. Murcia, Informe técnico.
  • Dai, X. y Khorram, S. (1998): “A hierarchical methodology framework for multisource data fusion in vegetation classification”, International Journal in Remote Sensing, 19, pp. 3697-3711.
  • Ehlers, M.; Klonus, S. y Åstrand, P.J. (2008): “Quality assessment for multi-sensor multi-date image fusion”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37,B4, pp. 499-505.
  • Farebrother, R.W. (1974): “Algorithm AS 79: Gram-Schmidt Regression”, Journal of the Royal Statistical Society. Series C (Applied Statistics), 23, 3, pp. 470-476.
  • Gillespie, A.R.; Kahle, A.B. y Walker, R.E. (1987): “Color enhancement of highly correlated images—II. Channel ratio and ‘chromaticity’ transformation techniques”, Remote Sens. Environ., 22, pp. 343–365.
  • Gao H. (2009): Digital Analysis of Remotely Sensed Imagery. New York, McGraw-Hill.
  • Gong, P. (1994): “Integrated analysis of spatial data from multiple sources: An overview”, Canadian Journal of Remote Sensing, 20.
  • Hair, J.F.; Anderson, R.E.; Tatham, R.L. y Black, W.C. (1999): Análisis multivariante. Madrid, Prentice Hall, 5ª edición.
  • Jiang, D.; Zhuang, D. y Huang, Y. (2013) “Investigation of Image Fusion for Remote Sensing Application”, en Qiguang Miao (ed.): New Advances in Image Fusion, ISBN 978-953-51-1206-8, bajo licencia CC BY 3.0.
  • Jimenez, L. O.; Morales-Morell, A. y Creus, A. (1999): “Classification of hyperdimensional data based on feature and decision fusion approaches using projection pursuit, majority voting, and neural networks”, IEEE Transactions on Geoscience and Remote Sensing, 37, pp. 1360-1366.
  • Laben, C.A. y Brower, B.V. (1998): Process for Enhancing the Spatial Resolution of Multispectral Imagery Using Pan-Sharpening. Informe técnico, United States Patent 6.011.875.
  • Leica-Geosystems (2006): ERDAS Imagine 9.1 Documentación online.
  • Liu, J.G. y Mason, P.J. (2009): Essential Image Processing and GIS for Remote Sensing. Singapore, Wiley-Blackwell.
  • Luo, R. C. y Kay, M. G. (1989): “Multisensor integration and fusion for intelligent systems”, IEEE Transactions on Systems, Man and Cybernetics, 19, pp. 901-931.
  • Mather, P.M. (2004): Computer Processing of Remotely-Sensed Images. An Introduction. Chichester, Wiley, 3ª edición.
  • López Bermúdez, F.; Calvo García-Tornel, F. y Morales Gil, A. (1986): Geografía de la Región de Murcia. Murcia, Ketres.
  • Peña, D. (2002): Análisis de datos multivariantes. Madrid, Mg Graw-Hill.
  • Pohl, C. y Van Gendreen, J.L. (1998): “Multisensor image fusion in remote sensing: concepts, methods and applications”, International Journal of Remote Sensing, 19, 5, pp. 823-854.
  • Quadri, S.A. y Sidek, O. (2013): “Pixel-Level Image Fusion using Kalman Algorithm”, International Journal of Signal Processing, Image Processing and Pattern Recognition, 6, 2, pp. 75-86.
  • Rahman, M.M. y Csaplovics, E. (2007): “Examination of image fusion using synthetic variable ratio (SVR) technique”, International Journal of Remote Sensing, 28, 15, pp. 3413-3424.
  • Schowengerdt, R.A. (2007): Remote Sensing. Models and Methods for Image Processing. London, Elsevier, 3ª edición.
  • Silva, F.C.; Dutra, L.V.; Fonseca, L.M.G. y Korting, T.S. (2007): “Urban Remote Sensing Image Enhancement Using a Generalized IHS Fusion Technique”, Procedings of the Symposium on Radio Wave Propagation and Remote Sensing, Rio de Janeiro, Brazil.
  • Tso, B. y Mather, P.M. (2009): Classification Methods for Remotely Sensed Data. London, Taylor & Francis, 2ª edición.
  • VV.AA (2009): Atlas de los paisajes de la Región de Murcia. Murcia, La Verdad y Consejería de Obras Públicas y Ordenación del Territorio.
  • Wang, Z. y Bovik, A.C. (2002): “A Universal Image Quality Index”, IIEE Signal Processing Letters, 9, 3, pp. 81-84.
  • You, L.; Wood, S. y Wood-Sichra, U. (2009): “Generating plausible crop distribution maps for Sub-Saharan Africa using a spatially disaggregated data fusion and optimization approach”, Agricultural System, 99, pp. 126-40.
  • Zhang, H.; Sun, X.N.; Zhao, L.; Liu, L. (2008): “Image fusion algorithm using RBF neural networks”, Lecture Notes in Computer Science, 9, pp. 417-424.
  • Zhou, J.; Civco, D.L. y Silander, J.A. (1998): “A wavelet transform method to merge Landsat TM and SPOT panchromatic data”, International Journal of Remote Sensing, 19, 4, pp. 743–757.
Fuente de los datos: Dialnet