CN102609963B - 高光谱图像的模拟方法 - Google Patents
高光谱图像的模拟方法 Download PDFInfo
- Publication number
- CN102609963B CN102609963B CN201210015507.5A CN201210015507A CN102609963B CN 102609963 B CN102609963 B CN 102609963B CN 201210015507 A CN201210015507 A CN 201210015507A CN 102609963 B CN102609963 B CN 102609963B
- Authority
- CN
- China
- Prior art keywords
- classification
- spectrum
- gray
- weight coefficient
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
一种高光谱图像的模拟方法,其由图像分类、类内灰度分析和光谱重采样三个过程组成,步骤如下:拍摄可见光图像;对所拍摄的图像依照图像中不同的地物进行分类,得到相应的分类图;对得到的分类图进行类内灰度分析,对每一分类中的所有像元在红、绿、蓝三个波段的灰度值进行统计分析,得到每个像元在红、绿、蓝三个波段的权重系数;经过类内灰度分析得到的权重系数结合采样函数对图像分类光谱进行光谱重采样,形成新的光谱数据。本发明降低了获取高光谱图像的成本和探测条件的诸多限制,计算过程简便,模拟效果好、精度高,不仅适用于高光谱图像模拟、仿真、探测器模拟验证、目标特征研究,还适用于多光谱和超高光谱的图像模拟。
Description
技术领域
本发明涉及图像模拟方法,特别是一种针对高光谱图像的模拟方法。
背景技术
随着遥感科学的日新月异,地物探测向着多尺度、多光谱甚至是超光谱方向发展,过去的宽波段成像往往不能满足各种地物目标探测和相关特征研究的需要,因此迫切需要大量高光谱的遥感影像作为基础数据。然而由于受到大气影像和探测器观测条件等方面的限制,无法获得足够数量和精度的遥感图像。为此图像模拟技术得到了快速发展。
现有的光学图像模拟方法主要有两种,一是利用高光谱分辨率图像作为数据源,将数据源覆盖范围内的光谱段进行重新的细化分,进而获取具有新的波段范围的模拟图像,如叶泽田等用机载高光谱图像模拟星载宽光谱图像,陈方等采用多光谱遥感图像和光谱数据库,将宽光谱细分得到高光谱图像。二是利用一系列的生物、物理、大气模型进行耦合运算,计算新的模拟数据,如Verhoef等[3]利用PROSPECT和GeoSAIL模型计算叶片的光谱反射率、单叶片的透射率及地表状况等参数,再通过MODTRAN4模型加入大气影响模拟出传感器接收到的图像。前一类的模拟方法将模拟的数据源局限于获取数量相对较少、获取的条件与成本相对较高的高光谱图像上,后一类模拟方法的模拟计算复杂度很高,只能在理论上计算一定数量模拟数据,难以生成可视的模拟图像。
发明内容
本发明的目的是提供一种高光谱图像的模拟方法,要解决现有获取高光谱图像原始数据成本高和模拟计算复杂度高的技术问题;运用本方法可通过可见光图像和少量分类光谱对高光谱图像进行模拟,实现高精度的高光谱模拟图像。
为实现上述目的,本发明采用如下技术方案:一种高光谱图像的模拟方法, 由图像分类、类内灰度分析和光谱重采样三个过程组成,具体步骤如下:步骤一:拍摄可见光图像。
步骤二:对所拍摄的图像依照图像中不同的地物进行分类,得到相应的分类图。
步骤三:对得到的分类图进行类内灰度分析,对每一分类中的所有像元在红(R)、绿(G)、蓝(B)三个波段的灰度值进行统计分析,得到每个像元在红(R)、绿(G)、蓝(B)三个波段的权重系数。
步骤四:经过类内灰度分析得到的权重系数结合采样函数对图像分类光谱进行光谱重采样,形成新的光谱数据。
步骤五:将新的光谱值映射到每个波段的图像对应像元的灰度值,生成模拟的高光谱图像。
对得到的分类图进行类内灰度分析,所述类内灰度分析具体分析步骤如下:步骤一: 从分类图中,找出某一类别的所有像元 。
步骤二:这里设定某一分类中所有像元经过统计,得到灰度均值和灰度分布方差,首先根据灰度均值和灰度分布方差确定权重系数的范围。
步骤四:计算在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数。
经过类内灰度分析得到的权重系数结合采样函数对图像分类光谱进行光谱重采样,所述光谱重采样的具体步骤如下: 步骤一:将在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数应用到全波段光谱中。
步骤二:将三个波段的权重系数设定在三个中心波长的位置,其余波段的权重值由三角函数确定,结合权重系数和三角函数定义采样函数。
步骤三:对图像分类光谱进行单波段重采样后,重新生成了单波段的新模拟光谱数据。
所述分类光谱为分类地物的光谱,采用野外地物光谱仪对分类地物进行实地的测量,获得该类地物的光谱辐亮度数据和光谱反射率数据或采用地物光谱数据库中相应地物种类的光谱作为分类地物光谱。
所述光谱值映射到灰度值的映射方式采用线性或非线性方式。
与现有技术相比本发明具有以下特点和有益效果:高光谱图像的模拟是获取和研究地物光谱特征的一种高效手段。例如在地物光者目标的光谱特征与分布特征的研究中,够可以采用模拟手段实现特征研究。减少了由于设备、探测条件和成本等实地高光谱探测方面的限制。在地面测量与空中测量数据间相关性的研究中,通过该方法可以获得大量的高光谱图像和数据来支持以上的研究。大幅提高了数据获取效率,降低研究成本。
1、本发明对原始数据的要求少,只需要可见光图像和根据典型的地物进行分类的光谱数据,进行高光谱图像模拟,降低了获取高光谱图像的成本和探测条件的诸多限制。
2、本发明的模拟方法整个计算过程简便,模拟效果好、精度高,经模拟与实测光谱对比,差别小于10%。
3、本发明适用范围广,不仅适用于高光谱图像模拟、仿真、探测器模拟验证、目标特征研究,还适用于多光谱和超高光谱的图像模拟。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1是本发明基于可见光图像的高光谱图像模拟流程图。
图2是本发明中的类内灰度分析流程图。
图3是本发明中的光谱重采样示意图。
图4是本发明的三角函数示意图。
具体实施方式
下面结合附图和实施例对本发明的进行详细的描述。
参见图1所示,本发明基于可见光图像的高光谱图像模拟流程图。这种高光谱图像的模拟方法,由图像分类、类内灰度分析和光谱重采样三个过程组成,具体步骤如下:步骤一:拍摄可见光图像。
步骤二:根据所拍摄的可见光图像,对所拍摄的图像依照图像中不同的地物进行分类,得到相应的分类图。
步骤三:对得到的分类图进行类内灰度分析,对每一分类中的所有像元在红(R)、绿(G)、蓝(B)三个波段的灰度值进行统计分析,得到每个像元在红(R)、绿(G)、蓝(B)三个波段的权重系数。
步骤四:经过类内灰度分析得到的权重系数结合采样函数对图像分类光谱进行光谱重采样,形成新的光谱数据。
步骤五:将新的光谱值映射到每个波段的图像对应像元的灰度值,生成模拟的高光谱图像。
所述分类光谱为分类地物的光谱,可以采用野外地物光谱仪(美国ASD公司的FieldSpec3-Hi-Res产品和配套白板)对分类地物进行实地的测量,获得该类地物的光谱辐亮度数据和光谱反射率数据。也可选用地物光谱数据库中相应地物种类的光谱作为分类地物光谱。
参见图2所示,本发明中的类内灰度分析流程图。对得到的分类图进行类内灰度分析,所述类内灰度分析具体分析步骤如下:步骤一: 从分类图中,找出某一类别的所有像元 。
步骤二:这里设定某一分类中所有像元经过统计,得到灰度均值 ,灰度分布方差为,首先根据灰度均值和灰度分布方差确定权重系数的范围;i表示所属的分类,Band表示所属波段,对于可见光分为红(R)、绿(G)、蓝(B)三个波段,(x,y)表示对应的像元坐标点,即:
步骤四:计算在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数,
(1)
其中为像素点的灰度,
通过计算得到了红(R)、绿(G)、蓝(B)三个波段图像中每个类别像素点的权重系数集合分别是、和。
参见图3所示,本发明中的光谱重采样示意图。经过类内灰度分析得到的权重系数结合采样函数对图像分类光谱进行光谱重采样,所述光谱重采样的具体步骤如下:步骤一:将在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数应用到全波段光谱中。
步骤二:将三个波段的权重系数设定在三个中心波长的位置,由于可见光的三个波长范围带宽较长,自行设定中心波长在640nm、 550nm、460nm附近(参见图4所示,三角函数示意图),其余波段的权重值由三角函数来确定:
(2)
表示波长。
结合权重系数和三角函数定义采样函数: (3)
步骤三:对实测的高光谱数据进行单波段重采样后,重新生成了单波段的新模拟光谱数据。
(4)
其中像元的重采样光谱值,为像素点在红、绿、蓝中某一波段的权重系数,为该像元所属类别的分类光谱。
根据公式(1)分割像元在红(R)、绿(G)、蓝(B)三个波段中的权重系数,(3)采样函数和(4)分类光谱,即新的模拟光谱数据从而得到完整的像元模拟光谱重采样公式:
(5)
所述光谱值映射到灰度值的映射方式采用线性或非线性方式。
其中的权重系数可以采用其他方法获取,采样函数也可以采用其他函数。光谱值到灰度值的映射方式可以采用线性或非线性等方式。本发明通过计算机编程实现具体的算法,并得到高光谱的模拟数据。
以上所述实施方式,仅为本发明较有代表性的具体实施方式,但本发明所保护技术方案并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,在不脱离本发明原理的前提下,可从本发明公开的内容直接导出或轻易想到的所有变化或替换,也应视为涵盖在本发明的保护范围之内。
Claims (4)
1.一种高光谱图像的模拟方法,其特征在于: 由图像分类、类内灰度分析和光谱重采样三个过程组成,具体步骤如下:
步骤一:拍摄可见光图像;
步骤二:根据所拍摄的可见光图像,对所拍摄的图像依照图像中不同的地物进行分类,得到相应的分类图;
步骤三:对得到的分类图进行类内灰度分析,对每一分类中的所有像元在红(R)、绿(G)、蓝(B)三个波段的灰度值进行统计分析,得到每个像元在红(R)、绿(G)、蓝(B)三个波段的权重系数;
步骤四:经过类内灰度分析得到的权重系数结合采样函数对分类光谱进行光谱重采样,形成新的光谱数据,所述光谱重采样的具体步骤如下:
将在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数应用到全波段光谱中;
将三个波段的权重系数设定在三个中心波长的位置,其余波段的权重值由三角函数 来确定:
(2)
表示波长,
结合权重系数和三角函数定义采样函数: (3)
其中为像素点在红、绿、蓝中某一波段的权重系数;
对图像分类光谱进行单波段重采样后,重新生成了单波段的新模拟光谱数据;
步骤五:将新的光谱值映射到每个波段的图像对应像元的灰度值,生成模拟的高光谱图像。
2.根据权利要求1所述的高光谱图像的模拟方法,其特征在于:对得到的分类图进行类内灰度分析,所述类内灰度分析具体分析步骤如下:
步骤一: 从分类图中,找出某一类别的所有像元 ;
步骤二:这里设定某一分类中所有像元经过统计,得到灰度均值和灰度分布方差,首先根据灰度均值和灰度分布方差确定权重系数的范围;
步骤四:计算在红(R)、绿(G)、蓝(B)三个波段中每个元素的权重系数。
3.根据权利要求1所述的高光谱图像的模拟方法,其特征在于:所述分类光谱为分类地物的光谱,采用野外地物光谱仪对分类地物进行实地的测量获得该类地物的光谱辐亮度数据和光谱反射率数据,或采用地物光谱数据库中相应地物种类的光谱作为分类地物的光谱。
4.根据权利要求1所述的高光谱图像的模拟方法,其特征在于:所述步骤五中新的光谱值映射到每个波段的图像对应像元的灰度值的映射方式采用线性或非线性方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210015507.5A CN102609963B (zh) | 2012-01-18 | 2012-01-18 | 高光谱图像的模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210015507.5A CN102609963B (zh) | 2012-01-18 | 2012-01-18 | 高光谱图像的模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609963A CN102609963A (zh) | 2012-07-25 |
CN102609963B true CN102609963B (zh) | 2014-11-19 |
Family
ID=46527307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210015507.5A Expired - Fee Related CN102609963B (zh) | 2012-01-18 | 2012-01-18 | 高光谱图像的模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609963B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630498B (zh) * | 2013-11-12 | 2015-09-16 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103760619A (zh) * | 2014-01-07 | 2014-04-30 | 中国神华能源股份有限公司 | 煤田火区的监测方法和装置 |
CN109961073A (zh) * | 2019-03-29 | 2019-07-02 | 云南电网有限责任公司电力科学研究院 | 一种输电线路及杆塔信息的获取方法及装置 |
CN112633045A (zh) * | 2019-10-09 | 2021-04-09 | 华为技术有限公司 | 一种障碍物检测方法、装置、设备及介质 |
-
2012
- 2012-01-18 CN CN201210015507.5A patent/CN102609963B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
Full Optical Spectrum Hyperspectral Scene Simulation;Robert L. Sundberg, et al.;《Geoscience and Remote Sensing Symposium, 2005. IGARSS 05. Proceedings. 2005 IEEE International》;20051231;第5卷;3235-3238 * |
Robert L. Sundberg, et al..Full Optical Spectrum Hyperspectral Scene Simulation.《Geoscience and Remote Sensing Symposium, 2005. IGARSS 05. Proceedings. 2005 IEEE International》.2005,第5卷3235-3238. * |
基于宽光谱光学遥感图像的细分光谱光学遥感图像的模拟;陈方等;《光电工程》;20070531;第34卷(第5期);90-92 * |
陈方等.基于宽光谱光学遥感图像的细分光谱光学遥感图像的模拟.《光电工程》.2007,第34卷(第5期),90-92. * |
Also Published As
Publication number | Publication date |
---|---|
CN102609963A (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10832390B2 (en) | Atmospheric compensation in satellite imagery | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
US9710721B2 (en) | Method for in-scene compensation using water vapor content | |
Chen et al. | Soil salinity inversion based on differentiated fusion of satellite image and ground spectra | |
Melin et al. | Assessing the performance of aerial image point cloud and spectral metrics in predicting boreal forest canopy cover | |
CN102609963B (zh) | 高光谱图像的模拟方法 | |
CN105203465A (zh) | 一种超光谱红外成像气体监测装置及其监测方法 | |
CN102609944B (zh) | 基于距离几何理论的高光谱遥感图像混合像元分解方法 | |
Susaki et al. | Validation of MODIS albedo products of paddy fields in Japan | |
CN107316309A (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
CN104867179A (zh) | 一种全谱段光学成像仪遥感影像仿真方法 | |
CN109253976A (zh) | 基于光感模块的高光谱实时辐射定标方法 | |
CN102540271A (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN111582575A (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
Zhong et al. | Empirical models on urban surface emissivity retrieval based on different spectral response functions: A field study | |
Cao et al. | Comparing, validating and improving the performance of reflectance obtention method for UAV-Remote sensing | |
Guo et al. | Inversion of maize leaf area index from UAV hyperspectral and multispectral imagery | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN112557325A (zh) | 一种果树果品品质近地面遥感监测装置和方法 | |
Bloechl et al. | A comparison of real and simulated airborne multisensor imagery | |
CN108007569A (zh) | 一种多光谱影像辐射定标方法 | |
Zhong et al. | A retrieval method for land surface temperatures based on UAV broadband thermal infrared images via the three-dimensional look-up table |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170424 Address after: 100070 Beijing city Fengtai District Lugou Bridge Nan Li Jia Hospital No. 2 No. 3 building three room 356 Patentee after: Beijing Huaxin Information Technology Co., Ltd. Address before: 100036 Taiping Road, Beijing, Haidian District, No. 24 Patentee before: PLA 61517 Army |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141119 Termination date: 20210118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |