CN102982538B - 一种资源卫星多光谱图像模拟真彩色方法 - Google Patents
一种资源卫星多光谱图像模拟真彩色方法 Download PDFInfo
- Publication number
- CN102982538B CN102982538B CN201210438805.5A CN201210438805A CN102982538B CN 102982538 B CN102982538 B CN 102982538B CN 201210438805 A CN201210438805 A CN 201210438805A CN 102982538 B CN102982538 B CN 102982538B
- Authority
- CN
- China
- Prior art keywords
- wave band
- image
- band
- vegetation
- simulated
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
一种资源卫星多光谱图像模拟真彩色方法,(1)将待模拟的资源卫星的一景影像进行预处理,即先后进行辐射校正和几何校正;对多景参考影像数据分别进行回归分析计算,得到多组波段相关系数,平均后得到一组平均相关系数;所述的参考影像数据具有蓝色波段;(2)根据步骤(1)中得到平均相关系数以及步骤(1)中得到的该景待模拟预处理后影像数据,模拟计算蓝色波段;(3)由模拟蓝色波段,待模拟的该景影像的原有绿波段、红波段合成模拟真彩色图像。
Description
技术领域
本发明涉及一种图像模拟真色彩的方法,属于遥感卫星波段模拟领域。
背景技术
真彩色影像在遥感制图、影像解译、环境仿真、虚拟现实等应用方面,尤其是面向公众用户,有着广泛的应用。但是,由于可见光蓝光波段受大气影响较为严重,因此一些卫星传感器(例如SPOT,MSS和IRS)没有设置蓝光波段,对于某些卫星传感器而言(例如CBERS 02B和RapidEye),虽然设有蓝光波段,但该波段遥感成像的质量受到严重影响,导致难以获取准确的信息。资源一号02C(ZY-1 02C)卫星多光谱数据由于缺少合成真彩色所必需的蓝波段,使地面处理系统在合成真彩色影像时碰到了困难,目前批量生产快视图只能使用假彩色方法合成,这在某种程度上限制了ZY-1 02C数据的应用。
本发明通过波段模拟的方法来解决ZY-1 02C图像真彩色合成问题。波段模拟是指利用先验数据来计算获得特定传感器不具有的波段数据。从目前的发表文章和公开资料来看,方法大致可分为三类:(1)基于波段相关性的方法。主要有加权法、均值法、不确定参数法等;(2)基于地物波谱的谱模拟方法,出现了基于物理光谱库模型的波段模拟和以影像光谱库为基础的波段模拟方法;(3)基于参考遥感图像的图模拟方法,主要包括线性回归法,光谱坐标转换法、神经网络和支持向量机等非线性回归拟合法。基于波段线性相关性的方法的问题主要是模型简单导致色彩局部畸变严重。基于地物波谱的方法由于图像光谱与实际地物光谱存在偏差,而且有限的地物波谱数据难以覆盖传感器获取影像的所有地物类别,这类方法目前还难以实际应用。基于参考图像缺点是每次模拟时,都必须给出与该景待模拟影像成像时间地点一致,且包含目标波段波谱范围的参考图像,因此该方法在实际应用中也受到限制。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种资源卫星多光谱图像模拟真彩色方法,该方法能够减少偏色现象,简单快速的得到色彩清晰的真彩色影像。
本发明的技术解决方案是:一种资源卫星多光谱图像模拟真彩色方法,步骤如下:
(1)将待模拟的资源卫星的一景影像进行预处理,即先后进行辐射校正和几何校正;对多景参考影像数据分别进行回归分析计算,得到多组波段相关系数,平均后得到一组平均相关系数;所述的参考影像数据具有蓝色波段;
(2)根据步骤(1)中得到平均相关系数以及步骤(1)中得到的该景待模拟预处理后影像数据,模拟计算蓝色波段;
(3)由模拟蓝色波段,待模拟的该景影像的原有绿波段、红波段合成模拟真彩色图像。
在所述步骤(3)后增加对合成图像进行局部偏色校正的步骤(4)。
所述的局部偏色校正步骤如下:
(4.1)利用待模拟的资源卫星的三个多光谱波段构建红外植被指数IPVI和归一化水体指数NDWI;
(4.2)利用(4.1)中的两个指数,在空间域上将像素分为4类,分别代表稀疏植被、浓密值被、水体和其他地物;
(4.3)确定局部偏色校正的顺序依次为稀疏植被、水体、其他地物、浓密植被;具体局部偏色校正如下:
其中植被区域,包含稀疏植被和浓密植被的处理为,保持该区域模拟的蓝色波段不变,红色波段保持该景影像的原有红波段,绿色波段利用波段运算表达式进行加强运算;
对于水体区域,蓝色波段使用波段运算表达式进行加强运算,绿色波段保持不变,红色波段使用波段运算表达式进行校正;
对于其他地物,保持步骤(3)中得到的原图像不变。
所述步骤(4.2)具体划分步骤为:
如果IPVI>TV并且S>TS,则该空间区域代表稀疏植被;
如果IPVI>TV并且S≤TS,则该空间区域代表浓密植被;
如果NDWI>TW,则该空间区域代表水体区域;
其他情况下,空间区域代表其他地物;
上式中,S为饱和度;TV为植被指数阈值,取0.5,TS为饱和度阈值,取0.1,TW为水体指数阈值,取0。
在步骤(5)后对图像进行整体调整,即进行直方图拉伸处理。
本发明与现有技术相比有益效果为:
本方法假设多光谱图像的蓝光波段和其它波段反射率之间存在着线性关系,通过求线性关系系数得出蓝色波段的值。利用参考卫星影像已有波段之间的相关性,通过回归分析计算,就能得到波段线性关系系数,然后应用到待模拟影像,从而合成所需要的波段。
本方法优点:1)波段相关系数是根据多景参考影像回归分析计算后平均得到,比起传统波段相关性的方法来说,具有更好的适用性,弥补了固定系数算法的不足;2)波段相关系数事先建立后,不需要每次模拟时都给出与待模拟影像成像时间地点一致的参考图像,直接将系数应用于待模拟数据就能合成新的波段,具有流程直观,快速高效,计算量相对小的优点;3)针对于线性关系模型容易出现局部色彩畸变的问题,提出了改进方法,使线性模型能近似描述图像中的主要地物波谱特征,减少了传统线性关系模型方法引起的偏色现象。通过逐步优化的局部校正,得到的真彩色影像色彩清晰,能够获得较好的效果。
附图说明
图1为本方法流程图;
图2为不同方法模拟的真彩色直方图,其中2a为平均法、2b为spot算法,2c为蓝绿波段加权法,2d为本方法。
图3为不同方法模拟的真彩色图像,其中3a为平均法、3b为spot算法,3c为蓝绿波段加权法,3d为本方法。
具体实施方式
下面结合附图及实施例对本发明做详细说明,具体如下:
如图1所示,一种资源卫星多光谱图像模拟真彩色方法,步骤如下:
(1)将待模拟的资源卫星的一景影像进行预处理,即先后进行辐射校正和几何校正;对多景参考影像数据的多光谱波段数据进行线性回归计算,得到蓝波段与其他波段的平均相关系数。
本例中待模拟的资源卫星影像以ZY-1 02C卫星多光谱数据为例,从中国资源卫星应用中心网站(http//www.cresda.com.cn)下载。影像覆盖山东日照市,卫星过境时间为2012年2月22日,包含水体、建筑、滩涂、裸土、植被等不同地物类型。首先将影像进行辐射校正与几何校正,严格的波段模拟中,需将DN值经辐射定标、大气校正转化为地表反射率。
所述的参考影像数据必须具有蓝色波段(0.45-0.52μm),例如以环境卫星HJ-1A/B星CCD数据作为参考影像数据。一般要求参考影像数据成像地点应在全国范围内随机选取,每景的云量应小于20%,所选的图像应尽量照顾到各种地物类型。
首先选取HJ-1A卫星2012年2月的CCD相机的0级数据100景。
然后,对每一景HJ-1A星CCD影像数据进行多元线性回归分析计算,公式为:
B=β1G+β2R+β3NIR (1)
其中,因变量B取蓝色波段DN数值,自变量G取绿色波段DN数值,R为红色波段DN数值,NIR为近红外波段DN数值。
每一景HJ-1A星CCD影像数据得到一组对应的回归系数(β1,β2,β3),即蓝波段与其他波段间的相关系数。
每一景数据得到一组相关系数(β1,β2,β3),然后对100景数据得到的100组相关系数进行平均后,得到平均相关系数(β1′,β2′,β3′)。
(2)根据步骤(1)中得到的预处理后数据和步骤(1)中得到的平均相关系数,模拟计算蓝色波段;
例如:
采用波段加权组合的方式生成新的蓝波段,波段运算表达式及加权系数如下:
B′=β1′G+β2′R+β3′NIR (2)
G′=G (3)
R′=R (4)
上式中,G,R,和NIR分别为原始ZY-1 02C星CCD影像数据的绿、红和近红外波段反射率,B′为模拟的蓝波段;(β1′,β2′,β3′)为步骤(1)中得到的平均相关系数,本例中,值为(0.7,0.24,-0.14)。
本方法利用了三个相关波段的信息生成新的蓝波段,绿、红波段仍采用原来的绿波段和红波段。红、绿、近红外波段的组合,在自然和人工地物的图像上能够提供更为丰富的信息。加权系数为多景参考影像线性回归计算的平均,具有较好的适用性,一般情况下可直接使用。
表2选择客观评价指标包括最大值、最小值、均值、标准差等。对上述不同真彩色模拟方法得到的蓝波段所包含的信息量进行客观评价。平均法和SPOT算法蓝波段生成方法相同,因此数值一致,从表中可以看出,本方法模拟的蓝波段,均方差高于其它方法。模拟的蓝波段能够准确地还原原始波段光谱信息,模拟结果可信度高。
表2 4种方法计算蓝波段结果的比较
表3从峰值信噪比(PSNR)、信息熵的角度,对上述不同真彩色模拟方法得到的蓝波段所包含的信息量进行客观评价。从表中可以看出,本方法模拟的蓝波段,信息熵高于其它方法。在信息熵这个指标上,本方法最高,蓝绿加权法次之,SPOT法、平均法较低。说明本文方法在得到的蓝波段信息量较为丰富,真彩色影像比较清晰,与实际吻合度高,和目视判断得到的结论一致。
表3不同真彩色模拟效果之间的定量比较
Tab.3Quantitative comparison of results from pseudo true color
(3)由模拟蓝色波段,待模拟的该景影像的原有绿波段、红波段合成图像。此处合成采用真彩色合成原理,即:同一目标的多光谱数据合成一幅彩色图像时,当合成图像的红绿蓝三色与三个多光谱段相吻合,这幅图像就再现了地物。本例按照红、绿、蓝3个多光谱波段对应红、绿、蓝三色的顺序组合,合成模拟真彩色图像。
(4)对步骤(3)后增加对合成图像进行局部偏色校正。
局部偏色校正步骤如下:
(4.1)利用待模拟的资源卫星的三个多光谱波段构建红外植被指数IPVI和归一化水体指数NDWI;
IPVI=NIR/R+NIR (5)
NDWI=(G-NIR)/(G+NIR) (6)
上式中,G,R和NIR分别原始ZY-1 02C星多光谱数据的绿、红和近红外波段反射率。
(4.2)利用(4.1)中的两个指数,在空间域上将像素分为4类,分别代表稀疏植被、浓密值被、水体和其他地物;
根据指数阈值对地物进行划分,方法如下:
如果IPVI>TV并且S>TS,则该空间区域代表稀疏植被;
如果IPVI>TV并且S≤TS,则该空间区域代表浓密植被;
如果NDWI>TW,则该空间区域代表水体区域;
其他情况下,空间区域代表其他地物;
上式中,S为饱和度;TV为植被指数阈值,取0.5,TS为饱和度阈值,取0.1,TW为水体指数阈值,取0。
按上述划分方式在空间域上将像素分为4类,分别代表稀疏植被、浓密值被、水体和其他地物。
由于提取的植被和水体均有间断,提取信息不全,为了去除孤立的分类噪声点,需要进行形态学滤波处理。植被和水体区域通常是大面积区域,采用膨胀算子,之后腐蚀算子。对于其他地物,滤波顺序相反(先腐蚀再膨胀处理)。
然后为每一类地物赋予一个类别标记。考虑到分类的不确定性,像素可能被赋予超过一种标记。上述形态学滤波处理(膨胀、腐蚀处理)为本领域技术人员公知技术。
(4.3)按照像素被正确划分的可能性来决定局部偏色校正的顺序。浓密植被像素被正确划分的可能性高于稀疏植被,因此确定局部偏色校正的顺序依次为稀疏植被、水体、其他地物、浓密植被;
局部偏色校正方法如下:
对植被区域(包含稀疏植被和浓密植被),蓝波段为步骤(2)中模拟得到的蓝波段,直接保持该区域模拟的蓝色波段不变,绿色波段G值使用波段运算经验表达式(G′=0.75×G+0.25×NIR)进行加强运算,以增强植被覆盖区域与地面背景及人工建筑之间的层次,红色波段R值来自于原始图像。
对于水体区域,蓝波段B′使用波段运算经验表达式(B′=0.8×G+0.1×R+0.1×NIR)计算得到新的蓝波段,替换该区域原有值,红色波段使用波段运算经验表达式进行校正(R′=0.9×R+0.1×NIR),绿色波段保持不变,消除水体或其他蓝色地物出现偏紫红色现象。
对于其他地物,保持步骤(3)中得到的原图像不变。
(5)对图像进行整体调整,即进行直方图拉伸处理。
图2绘制了R、G、B波段的直方图曲线。直方图能直观地表现图像的光谱信息。平均法蓝波段的直方图曲线超过了红绿波段,导致整景影像的色调偏蓝。SPOT算法与平均法模拟的结果影像蓝波段直方图非常相似,绿波段曲线大大增强,影像偏绿色严重;蓝绿加权法模拟的蓝色波段直方图和绿色波段直方图非常相似,几乎是绿色波段直方图的平移,波段间高度相关,影响了影像的信息量。本文方法模拟的蓝波段影像直方图正常,看不出三个波段间存在明显的相关性,各个波段光谱能量分布均匀。从以上分析和比较可见,本方法模拟的真彩色较为真实,在空间信息和视觉效果上,都优于其他的方法。
选用了平均法、SPOT算法、蓝绿波段加权法等不同的线性方法作为本文方法的比较。从图3中可以看出,由不同的方法得到的模拟真彩色影像之间色彩差异明显。平均法整体色调偏蓝,植被颜色偏绿,光谱畸变严重,颜色不自然;SPOT算法影像绿色植被区域得到明显增强,颜色整体偏绿,水体或者蓝色调地物偏紫;蓝绿波段加权法得到的真彩色影像对比强烈,增大了蓝、绿波段的反差,但蓝波段信息相对微弱,地块影像颜色偏红,调色比较困难;发明方法结果从视觉上看比较清晰,和自然色最为接近,增强了地物颜色层次,同时光谱畸变较小。
通过目视评价结合客观数理统计参数指标,对试验结果进行了分析比较。试验中,本发明方法模拟结果能通过逐步优化的局部色彩畸变校正,得到真彩色影像较为真实,色彩清晰,取得了较好的效果,能够满足地面处理系统的批量生产快视图的需要。
本发明未详细说明部分属于本领域技术人员公知常识。
Claims (3)
1.一种资源卫星多光谱图像模拟真彩色方法,其特征在于步骤如下:
(1)将待模拟的资源卫星的一景影像进行预处理,即先后进行辐射校正和几何校正;对多景参考影像数据分别进行回归分析计算,得到多组波段相关系数,平均后得到一组平均相关系数;所述的参考影像数据具有蓝色波段;
(2)根据步骤(1)中得到平均相关系数以及步骤(1)中得到的预处理后影像数据,模拟计算蓝色波段;
(3)由模拟蓝色波段,待模拟的该景影像的原有绿波段、红波段合成模拟真彩色图像;
(4)对合成图像进行局部偏色校正;所述的局部偏色校正步骤如下:
(4.1)利用待模拟的资源卫星的三个多光谱波段构建红外植被指数IPVI和归一化水体指数NDWI;
(4.2)利用(4.1)中的两个指数,在空间域上将像素分为4类,分别代表稀疏植被、浓密值被、水体和其他地物;
(4.3)确定局部偏色校正的顺序依次为稀疏植被、水体、其他地物、浓密植被;具体局部偏色校正如下:
其中植被区域,包含稀疏植被和浓密植被的处理为,保持该区域模拟的蓝色波段不变,红色波段保持该景影像的原有红波段,绿色波段利用波段运算表达式进行加强运算;
对于水体区域,蓝色波段使用波段运算表达式进行加强运算,绿色波段保持不变,红色波段使用波段运算表达式进行校正;
对于其他地物,保持原图像不变。
2.根据权利要求1所述的一种资源卫星多光谱图像模拟真彩色方法,其特征在于:所述步骤(4.2)具体划分步骤为:
如果IPVI>TV并且S>TS,则该空间区域代表稀疏植被;
如果IPVI>TV并且S≤TS,则该空间区域代表浓密植被;
如果NDWI>TW,则该空间区域代表水体区域;
其他情况下,空间区域代表其他地物;
上式中,S为饱和度;TV为植被指数阈值,取0.5,TS为饱和度阈值,取0.1,TW为水体指数阈值,取0。
3.根据权利要求1所述的一种资源卫星多光谱图像模拟真彩色方法,其特征在于:在步骤(4)后对图像进行整体调整,即进行直方图拉伸处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210438805.5A CN102982538B (zh) | 2012-11-06 | 2012-11-06 | 一种资源卫星多光谱图像模拟真彩色方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210438805.5A CN102982538B (zh) | 2012-11-06 | 2012-11-06 | 一种资源卫星多光谱图像模拟真彩色方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982538A CN102982538A (zh) | 2013-03-20 |
CN102982538B true CN102982538B (zh) | 2015-05-20 |
Family
ID=47856480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210438805.5A Active CN102982538B (zh) | 2012-11-06 | 2012-11-06 | 一种资源卫星多光谱图像模拟真彩色方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982538B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268618B (zh) * | 2013-05-10 | 2016-08-10 | 中国科学院光电研究院 | 一种多光谱遥感数据真彩色定标方法 |
CN103279948B (zh) * | 2013-05-10 | 2016-08-31 | 中国科学院光电研究院 | 一种高光谱遥感数据真彩色合成的数据处理方法 |
CN104992411A (zh) * | 2015-06-03 | 2015-10-21 | 陕西省地质矿产勘查开发总公司 | 一种红外多光谱原始图像处理方法 |
CN106022457B (zh) * | 2016-05-09 | 2018-06-22 | 南京大学 | 一种帝企鹅种群数目的遥感估算方法 |
CN107845084B (zh) * | 2017-11-16 | 2020-08-25 | 自然资源部第二海洋研究所 | 一种基于移动端的遥感影像数据处理系统及数据处理方法 |
CN109523475A (zh) * | 2018-10-29 | 2019-03-26 | 中国资源卫星应用中心 | 一种基于色彩复原及增强的遥感图像处理方法 |
CN109508397B (zh) * | 2018-11-16 | 2021-04-30 | 中国铁路设计集团有限公司 | 一种基于样图库的遥感影像处理方法 |
CN111402189B (zh) * | 2018-12-28 | 2023-10-31 | 山东华软金盾软件股份有限公司 | 一种视频图像偏色检测装置及方法 |
US11816867B2 (en) * | 2020-02-13 | 2023-11-14 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Chromatic domain mapping |
CN113222054B (zh) * | 2021-05-28 | 2022-03-08 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
CN113447136B (zh) * | 2021-06-29 | 2022-05-10 | 北京华云星地通科技有限公司 | 多维动态混合成像方法 |
CN116935222B (zh) * | 2023-07-25 | 2024-02-13 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131734A (zh) * | 2007-06-25 | 2008-02-27 | 北京航空航天大学 | 适用于高光谱遥感图像的自动波段选择方法 |
CN102103203A (zh) * | 2011-01-19 | 2011-06-22 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的地表温度单窗反演方法 |
US9020256B2 (en) * | 2011-04-22 | 2015-04-28 | Exelis Inc. | System and method for combining color information with spatial information in multispectral images |
-
2012
- 2012-11-06 CN CN201210438805.5A patent/CN102982538B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102982538A (zh) | 2013-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982538B (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
CN106650689B (zh) | 一种沿海城市时间序列土地利用信息提取方法 | |
Tseng et al. | Automatic cloud removal from multi-temporal SPOT images | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Meroni et al. | Evaluation of agreement between space remote sensing SPOT-VEGETATION fAPAR time series | |
Chen et al. | Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-Band SAR and landsat optical images | |
CN105404873B (zh) | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
CN103914678A (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN109671038B (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN107341837A (zh) | 基于影像金字塔的栅格‑矢量数据转换及连续尺度表达方法 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和系统 | |
Zhang et al. | Methods for automatic identification and extraction of terraces from high spatial resolution satellite data (China-GF-1) | |
CN105512619B (zh) | 一种基于分层知识的不透水面信息提取方法 | |
CN110060218A (zh) | 基于地理信息系统的遥感影像处理方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN103186893A (zh) | 一种普适的高分辨率遥感图像融合方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
Kumar et al. | Panchromatic and multispectral remote sensing image fusion using machine learning for classifying bucolic and farming region | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
CN102231190A (zh) | 冲洪积扇信息的自动提取方法 | |
Das et al. | Mapping vegetation and forest types using Landsat TM in the western ghat region of Maharashtra, India |
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 |