CN103489171A - 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 - Google Patents
基于标准色彩库的大范围遥感影像自动化匀光匀色方法 Download PDFInfo
- Publication number
- CN103489171A CN103489171A CN201310430269.9A CN201310430269A CN103489171A CN 103489171 A CN103489171 A CN 103489171A CN 201310430269 A CN201310430269 A CN 201310430269A CN 103489171 A CN103489171 A CN 103489171A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- standard
- standard color
- resolution
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于标准色彩库的大范围遥感影像自动化匀光匀色方法,包括根据对整体范围划分的子区域,收集覆盖各个子区域各个季节通过传感器遥感所得的影像;对影像按照传感器、分辨率和时相信息进行分组,一类传感器一种分辨率某时相的所有子区域的影像分到一组;做绝对辐射校正处理,对与相邻影像色彩存在差异的影像进行调整;分别对各组内的所有标准色彩影像拼接,所有拼接所得全幅标准影像构成标准色彩库;首先对待处理的各单幅影像进行匀光与色彩统计,然后从标准色彩库中提取合适的空间尺度下和传感器类别下相应地理范围相关时相的标准色彩信息,将各单幅影像的色调根据标准色彩信息进行调整,最后根据调整完毕的影像进行拼接形成大范围影像。
Description
技术领域
本发明属于测绘科学与技术领域,涉及基于标准色彩库的大范围遥感影像自动化匀光匀色方法,主要应用于大范围高质量数字正射影像产品制作、大范围高质量无缝遥感影像库的建立等领域。
背景技术
随着遥感技术的不断发展,遥感影像在多个领域发挥着越来越重要的作用。由于单张影像覆盖范围有限,在很多情况下并不能有效的满足任务需求,因此需要将多张影像甚至多张异源影像进行拼接形成大范围影像。但在拼接时可以发现,受卫星影像的成像方式、成像时刻、光源、地形地貌变化等因素的影响,同一地物在不同卫星影像之间或同一卫星的不同成像时刻之间都存在一定的辐射畸变,所获取的遥感影像在单幅影像内部或者多幅影像间存在亮度、反差分布不均匀的现象。遥感影像的这种亮度、反差分布不均匀现象被称为不均匀光照现象。不均匀光照现象的存在极大制约着后续数字正射影像生产、数字城市、无缝影像数据库建设和其它的影像工程应用中遥感影像的使用效果,即使是当前最流行的地理空间信息产品Google Earth,仍然没有很好地解决数字正射影像的匀光匀色问题。因此,为了更准确和真实地表达客观现实世界,获得高质量的影像信息并有效地加以利用,遥感影像的辐射匀光匀色校正是十分必要的。
现有的匀光匀色方法一般可以分为两步:(1)单幅影像内部的匀光。对单幅遥感影像的匀光处理,目前主要有两种方法:一是根据影像的成像模型对影像亮度不均匀问题进行处理。这类方法主要根据获得的局部区域采样值,用数学模型来拟合亮度变化的趋势。比如基于自适应模板的匀光方法,它是利用从影像的局部窗口计算得到参考值,采用二次曲面拟合影像亮度的变化,但当影像存在反差不均匀现象时,处理结果较差。二是利用低通滤波的方法进行处理。比如基于Mask原理的匀光方法,该方法假设影像中存在加性噪声,采用高斯滤波器来生成背景影像,通过从原影像中减去背景影像,达到匀光的目的,但此方法可能会导致局部模糊和色彩失真,且运算效率随着影像增大而大幅降低。(2)影像间的匀色。消除影像间的色差,目前广泛使用的方法有线性变换法、方差-均值法、直方图匹配法等。线性变换法从整体考虑区域范围内多影像的色彩一致性,处理结果不依赖影像的顺序,但在局部地区仍存在色彩差异,且容易出现颜色畸变。比如基于Wallis滤波器的匀色处理,它是一种局部影像变换,对不同的影像或影像的不同位置的灰度值方差和均值进行调整,使其具有近似相等的数值,当测区利用Wallis算子进行色差调整时,往往是在测区中选择一张色调具有代表性的影像作为色调基准影像,但对大范围影像进行匀色时,很容易出现待处理影像与基准影像之间图像内容差别很大,而导致处理后影像偏色。方差-均值法的理论依据是两幅影像具有最小二乘意义上的灰度差异,它通常会降低待处理影像的局部对比度。直方图匹配也称为直方图规格化,是从统计意义上调整两幅影像的灰度分布,使其尽量接近,但如果影像的某些灰度级别的分布过于集中,则容易出现颜色畸变。从总体上说,经上述两步方法处理后可以在某种程度上解决遥感影像色彩偏差的现象,但是它们也存在些问题,一是在进行单幅影像匀光时,对于影像中的某些特殊区域,比如水体等,需要进行人工编辑,才能得出较为满意的效果,自动化程度不高;二是现有的一些算法,在进行影像间匀色时,往往是在测区中选择一张或多张色调具有代表性的影像作为色调基准影像,结果容易导致在匀色过程中出现色彩偏差的积累以及系统性色彩偏差的出现;三是在进行多幅影像特别是异源影像匀色时,缺乏标准的颜色信息,选择不同的控制影像会有不同的结果,导致匀色的结果具有自由性,既影响匀色的质量,又不利于后续不同区域影像间拼接,妨碍了大范围影像的生成。
发明内容
针对现有技术的问题,本发明提出了一种基于标准色彩库的大范围遥感影像自动化匀光匀色方法。
本发明的技术方案为一种基于标准色彩库的大范围遥感影像自动化匀光匀色方法,包括以下步骤:
步骤1,数据的收集,包括根据对整体范围划分的子区域,收集覆盖各个子区域各个季节通过传感器遥感所得的影像,所述影像为全色影像或多光谱影像;
步骤2,数据的整理,包括对步骤1收集到的影像按照传感器、分辨率和时相信息进行分组,一类传感器一种分辨率某时相的所有子区域的影像分到一组;
步骤3,数据预处理,得到标准色彩影像,包括对未进行绝对辐射校正的影像做绝对辐射校正处理,对与相邻影像色彩存在差异的影像进行调整;
步骤4,标准色彩库建立,包括分别对各组内的所有标准色彩影像拼接得到相应一类传感器一种分辨率某时相覆盖整体范围的全幅标准影像,所有拼接所得全幅标准影像构成标准色彩库;
步骤5,大范围影像的匀光匀色,包括首先对待处理的各单幅影像进行匀光与色彩统计,然后根据单幅影像的地理范围及其大小以及时相信息、传感器信息,从标准色彩库中在与地理范围大小相应的空间尺度下根据传感器类别提取相关时相的全幅标准影像,从中提取相应地理范围的标准色彩信息,将各单幅影像的色调根据标准色彩信息进行调整,最后根据调整完毕的影像进行拼接形成大范围影像。
而且,步骤1收集的影像包括低分辨率和中分辨率的影像,步骤5中待处理的各单幅影像为高分辨率的影像,从标准色彩库中提取相应地理范围相关时相的标准色彩信息时,根据待处理的单幅影像的地理范围大小确定分辨率,从该分辨率的全幅标准影像中提取标准色彩信息。
而且,步骤5中,在对待处理的各单幅影像进行色彩统计之前,对单幅影像中的特殊地物进行识别,并将识别所得特殊地物不纳入色彩统计之中;在从全幅标准影像中提取标准色彩信息之前,对全幅标准影像中的特殊地物进行识别,并将识别所得特殊地物不纳入标准色彩信息提取之中。
而且,步骤5中,将各单幅影像的色调根据标准色彩信息进行调整时,利用Wallis滤波算子将各单幅影像的色调调整至与标准色彩信息一致,并且将单幅影像的特殊地物特殊处理。
本发明首先收集多种较低空间分辨率的各时相遥感影像(如MODIS、ETM系列、国产环境卫星系列等等),建立覆盖全国或者全球的多种空间分辨率下包含各个时相的影像标准颜色库,该颜色库可以提供任意地理空间范围各个时相的标准颜色信息(如标准均值,标准偏差等),根据提供的标准颜色信息,利用Wallis滤波算子将待处理影像的色调调整至标准值,从而实现对新生产的数字影像图进行自动化色彩处理。本发明的优点是首先采用自底向上的方式建立全国或全球范围内的影像标准色彩库,为后续高分辨率遥感影像的匀光匀色提供色彩参考基准,弥补了影像标准色彩库的空白;其次,在建立的影像标准颜色库基础上,采用自顶向下的方法为新生产数字影像图提供相应地理范围对应季节的标准色彩信息,从而实现匀光匀色自动化处理,突破现有匀光匀色方法只是单纯考虑相邻影像间的色彩差异,而与实际地理位置的真实色彩情况无关,很可能导致匀光匀色后的图像色彩偏色等问题。
附图说明
图1 本发明实施例的流程图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明技术方案可采用计算机软件技术实现流程的自动运行。参见图1,本发明提供基于标准色彩库的大范围遥感影像自动化匀光匀色方法,通过建立覆盖全国或者全球范围的多个空间尺度的、各季节的影像标准色彩库,为待处理的多源影像、多时相影像提供标准色彩信息,从而实现自动化匀光匀色处理。实施例的具体流程如下:
步骤1,数据的收集。按对整体范围划分的子区域进行收集,本领域技术人员可自行设定划分规则。为了使数据的收集与管理更有序,实施例按省级行政区域将全国或全球划分为多个子区域,收集覆盖各个子区域各个季节的云量尽可能少的较低分辨率全色/多光谱影像(如MODIS、ETM系列、国产环境卫星系列等等)。所述较低分辨率是相对于高分辨率而言,可进一步分为中分辨率,低分辨率。具体分辨率可根据相应影像来源而定。
随着遥感技术的发展,在轨遥感卫星的数量迅速增加,源源不断的提供了丰富的卫星影像资源,极大拓宽了遥感技术的应用领域。其中有一类卫星,它们具有较高的光谱分辨率,比如EOS系列卫星的中分辨率成像光谱仪(MODIS),具有36个离散光谱波段,光谱范围宽,从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。这种多通道观测大大增强了对地球复杂系统的观测能力和对地表类型的识别能力。它们的空间分辨率虽然不高,比如EOS系列卫星影像的空间分辨率在250至1000米之间,Landsat-7卫星影像的空间分辨率为30米,但它们具有较高的时间分辨率,比如Landsat-7卫星的重访周期为16天,国产环境一星的重访周期为4天。正因为它们较高的时间分辨率, 可以获得较短时间内覆盖全国或者全球的影像数据。另外,在制作影像的标准色彩库时,更多关注于基准影像对地物真实色彩的表达是否准确,因为需要的标准色彩信息是影像区域范围内灰度的统计值(比如标准均值,标准偏差等),而对影像空间分辨率也就是影像对地物纹理表现的清晰程度要求略次之。此外,遥感影像中灰度与色调的变化是遥感影像所对应的地面范围内地物光谱特性的反映,而地物的光谱特性一般随时间季节变化,因季节的变化具有周期性,所以地物的光谱特性也具有相关的周期性。也就是说,在全球范围内,对于同一地点的地物来说,每年的同一时刻由同种传感器获得的影像,在排除外因干扰的情况下,其色彩信息应基本一致。这一特性也为获得覆盖全国或者全球的色调基本一致的影像提供了可能。因此,这些具有较低空间分辨率,但是具有较高时间分辨率,且具有高光谱特性的影像成为待选基准影像,包括MODIS、ETM系列、国产环境卫星系列等等。
步骤2,数据的整理。对收集到的数据按照传感器和时相信息进行分类,分类采用的标准是影像的传感器、影像的空间分辨率以及影像的时相信息。把由同一传感器获得的影像归为一类,再把每一类影像按照分辨率分为不同的层,再对每一层影像按照时相(例如以每个月份为一个时间段)或者季节信息分为不同的组,即每组包括所有子区域的一类传感器一种分辨率某时相或季节的所有影像。例如某类传感器所有获得的影像中,低分辨率影像分为时相1影像、时相2影像…,中分辨率影像分为时相A影像、时相B影像…。
步骤3,数据预处理,得到标准色彩影像。对未进行绝对辐射校正的影像,通过做绝对辐射校正处理(处理实现可采用现有技术),消除或削弱辐射误差的对影像色彩的影像,确保影像色彩对地物表达的真实性与准确性。因为收集到的中低分辨率影像具有较高的时间分辨率,同一地物会被多张影像重复覆盖,具体实施时在收集影像时可以预先筛选出时相差异尽可能的小、成像质量尽可能好、色彩尽可能一致的影像,筛选出的影像范围需覆盖全国或者全球。对于由一些未知因素引起的影像色彩失真,导致影像与其相邻影像色彩存在些许差异的影像,筛选时可以保留,只需利用实地调研或者预先建立的光谱特征库作为基准,在保证色彩真实性的基础上,利用影像之间重叠区域的色差信息调整这些色彩失真影像的颜色,使它们与临近影像的色彩过渡自然,无明显颜色接缝。
步骤4,标准色彩库建立,对各组内的所有标准色彩影像拼接得到相应一类传感器一种分辨率某时相覆盖整体范围的全幅标准影像,所有拼接所得全幅标准影像构成标准色彩库。
实施例对各组内的所有子区域的标准色彩影像拼接得到覆盖整体范围的一幅完整影像,每组拼接所得的影像称为全幅标准影像。将各组内影像进行组内影像拼接(拼接实现可采用现有技术),形成多幅(取决于分组的数目)具有不同空间分辨率、来自不同传感器,包含各个季节或者时相的覆盖全国或者全球的遥感卫星影像,至此,一个具有多空间尺度的、包含各个季节或时相的、覆盖全国或者全球的影像标准色彩库就建立完成。由于遥感影像具有可量测性,影像各像素对应的地理坐标是已知的,因此可以根据提供的地理范围以及时相信息,从影像标准色彩库中查找提取出相应子区域相应季节或时相的标准色彩信息,为新生产的数字影像的匀光匀色提供色彩基准。突破现有匀光匀色方法只是单纯考虑相邻影像间的色彩差异,而与实际地理位置的真实情况无关,很可能导致匀光匀色后的影像出现色彩偏色等问题。
步骤5,大范围影像的自动化匀光匀色。因为现有成像技术的限制,单幅影像的覆盖范围有限,为了得到大范围影像需对多幅影像进行拼接,取目标范围中多幅有重叠部分可进行拼接的影像作为待处理影像。在本方法的处理过程中,首先是对各单幅影像进行匀光与色彩统计,然后从标准色彩库中提取相应地理范围的标准色彩信息,将各单幅影像的色调调整至标准值,最后,将调整完毕的影像进行空三、正射微分纠正后,进行拼接形成大范围影像。具体实现如下:
首先对新生产的待处理高分辨率待匀光匀色处理影像进行预处理,包括各单幅影像匀光以及影像的色彩信息统计,统计实现可采用现有技术,统计的信息包括影像灰度均值和方差等。在做影像的色彩信息统计之前,可引入目标识别算法(识别实现可采用现有技术),对影像中的特殊地物(比如水体、云等等)进行识别,并把它们不纳入色彩信息统计值之中。以水体为例,水体水量的不同会导致不同年份获得的同一时间的影像出现很大不同,因此不纳入色彩信息统计值之中。
因为待处理的影像具有相应的RPC文件,根据它可以得到影像的大概地理范围,并且标准颜色库中的影像也是具有地理范围的,对两者进行求交可得到一个初始的地理范围,而后在初始的地理范围基础上将待处理影像与影像标准色彩库相关影像进行匹配(匹配实现可采用现有技术),可得到一个更为准确的范围作为待处理影像的地理范围。然后根据待处理影像的地理范围及其大小以及时相信息、传感器信息,从影像标准色彩库中在合适的空间尺度下根据传感器类别(尽量使待处理影像与标准影像的传感器成像模型相同,比如有相近的成像波段数目)提取相关区域相关时相的标准色彩信息(比如标准均值,标准偏差等),同样的对特殊地物(比如水体、云等等)进行识别,并把它们不纳入标准色彩信息中。一般根据待处理影像的地理空间范围大小来选择合适的空间尺度,一般对于范围较大的影像,采用标准颜色库中低分辨率下的标准色彩信息,对于范围较小的影像采用中分辨率下的标准色彩信息。
得到标准色彩信息后,利用Wallis滤波算子(现有技术)将各单幅待处理影像的色调调整至标准值,并且将特殊地物特殊处理,即可完成对该幅影像的自动化匀光匀色。因为具有统一的标准颜色信息,经匀光匀色后的影像其色调信息基本一致。同一地物在不同影像上的成像可能不同,因此,会以标准色彩库中该地物的色彩信息为基准,将待匹配影像的相关区域调整至和其一致,又因为是同一地物,在待处理影像上和标准影像上它们都应是同一地物,也就是同一块特殊区域。对单幅影像的特殊地物特殊处理时,可以提取标准影像中特殊地物的参数,相关的参数一般有各波段的灰度均值,以及灰度的最大、最小值等,将单幅影像中特殊地物的参数调整为和标准影像中特殊地物的提取值的一致。对匀光匀色后的影像进行自动空三解算,然后基于已有或自动生成的DEM数据作为地形改正的基础,根据影像定位信息自动获取正射微分纠正所需的DEM数据,实现DEM数据的自动选取与DOM自动纠正,采用适合于大范围卫星影像产品的镶嵌线自动选取方法,将整个目标范围的影像进行拼接或镶嵌,得到一张色调基本一致的覆盖整个目标范围的大影像,从而实现大范围遥感影像的自动化匀光匀色。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于标准色彩库的大范围遥感影像自动化匀光匀色方法,包括以下步骤:
步骤1,数据的收集,包括根据对整体范围划分的子区域,收集覆盖各个子区域各个季节通过传感器遥感所得的影像,所述影像为全色影像或多光谱影像;
步骤2,数据的整理,包括对步骤1收集到的影像按照传感器、分辨率和时相信息进行分组,一类传感器一种分辨率某时相的所有子区域的影像分到一组;
步骤3,数据预处理,得到标准色彩影像,包括对未进行绝对辐射校正的影像做绝对辐射校正处理,对与相邻影像色彩存在差异的影像进行调整;
步骤4,标准色彩库建立,包括分别对各组内的所有标准色彩影像拼接得到相应一类传感器一种分辨率某时相覆盖整体范围的全幅标准影像,所有拼接所得全幅标准影像构成标准色彩库;
步骤5,大范围影像的匀光匀色,包括首先对待处理的各单幅影像进行匀光与色彩统计,然后根据单幅影像的地理范围及其大小以及时相信息、传感器信息,从标准色彩库中在与地理范围大小相应的空间尺度下根据传感器类别提取相关时相的全幅标准影像,从中提取相应地理范围的标准色彩信息,将各单幅影像的色调根据标准色彩信息进行调整,最后根据调整完毕的影像进行拼接形成大范围影像。
2.根据权利要求1所述基于标准色彩库的大范围遥感影像自动化匀光匀色方法,其特征在于:步骤1收集的影像包括低分辨率和中分辨率的影像,步骤5中待处理的各单幅影像为高分辨率的影像,从标准色彩库中提取相应地理范围相关时相的标准色彩信息时,根据待处理的单幅影像的地理范围大小确定分辨率,从该分辨率的全幅标准影像中提取标准色彩信息。
3.根据权利要求2所述基于标准色彩库的大范围遥感影像自动化匀光匀色方法,其特征在于:步骤5中,在对待处理的各单幅影像进行色彩统计之前,对单幅影像中的特殊地物进行识别,并将识别所得特殊地物不纳入色彩统计之中;在从全幅标准影像中提取标准色彩信息之前,对全幅标准影像中的特殊地物进行识别,并将识别所得特殊地物不纳入标准色彩信息提取之中。
4.根据权利要求3所述基于标准色彩库的大范围遥感影像自动化匀光匀色方法,其特征在于:步骤5中,将各单幅影像的色调根据标准色彩信息进行调整时,利用Wallis滤波算子将各单幅影像的色调调整至与标准色彩信息一致,并且将单幅影像的特殊地物特殊处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310430269.9A CN103489171B (zh) | 2013-09-22 | 2013-09-22 | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310430269.9A CN103489171B (zh) | 2013-09-22 | 2013-09-22 | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103489171A true CN103489171A (zh) | 2014-01-01 |
CN103489171B CN103489171B (zh) | 2016-04-27 |
Family
ID=49829370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310430269.9A Active CN103489171B (zh) | 2013-09-22 | 2013-09-22 | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489171B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528797A (zh) * | 2015-12-02 | 2016-04-27 | 深圳飞马机器人科技有限公司 | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 |
CN105787896A (zh) * | 2016-02-29 | 2016-07-20 | 武汉大学 | 一种顾及辐射二维分布的影像间的匀光匀色方法及系统 |
CN106023088A (zh) * | 2015-03-19 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 一种调整图像亮度的方法及装置 |
CN106910212A (zh) * | 2015-12-22 | 2017-06-30 | 清华大学 | 基于ir‑mad变换的卫星遥感图像镶嵌颜色均衡方法 |
CN108022219A (zh) * | 2017-11-30 | 2018-05-11 | 安徽质在智能科技有限公司 | 一种二维图像灰度修正方法 |
CN111091502A (zh) * | 2019-11-11 | 2020-05-01 | 苏州中科天启遥感科技有限公司 | 遥感影像的匀色方法及系统、存储介质、电子设备 |
CN111754590A (zh) * | 2020-05-14 | 2020-10-09 | 北京吉威空间信息股份有限公司 | 基于全球色彩特征库遥感影像自动匀色的方法 |
CN112419156A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种顾及地物类别差异的多幅高分辨率遥感影像镶嵌方法 |
CN112884676A (zh) * | 2021-03-18 | 2021-06-01 | 国家海洋信息中心 | 一种基于分空间渐进控制的大范围航空遥感影像调色方法 |
CN113096043A (zh) * | 2021-04-09 | 2021-07-09 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113920030A (zh) * | 2021-10-25 | 2022-01-11 | 自然资源部国土卫星遥感应用中心 | 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768757A (zh) * | 2012-06-28 | 2012-11-07 | 北京市遥感信息研究所 | 一种基于图像类型分析的遥感图像色彩校正方法 |
CN102855607A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于机器学习的遥感图像色彩校正方法 |
-
2013
- 2013-09-22 CN CN201310430269.9A patent/CN103489171B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768757A (zh) * | 2012-06-28 | 2012-11-07 | 北京市遥感信息研究所 | 一种基于图像类型分析的遥感图像色彩校正方法 |
CN102855607A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于机器学习的遥感图像色彩校正方法 |
Non-Patent Citations (4)
Title |
---|
BINH PHAM, GLEN PRINGLE: "color correction for an image sequence", 《COMPUTER GRAPHICS & APPLICATIONS IEEE》, vol. 3, no. 15, 31 May 1995 (1995-05-31) * |
李京伟,廖安平,朱武: "国家基础影像数据库建设构想与进展", 《地理信息世界》, vol. 1, no. 2, 30 April 2003 (2003-04-30), pages 10 - 13 * |
李德仁,王密,潘俊: "光学遥感影像的自动匀光处理及应用", 《武汉大学学报》, vol. 31, no. 9, 30 September 2006 (2006-09-30), pages 30 - 34 * |
王密,潘俊: "面向无缝影像数据库应用的一种新的光学遥感影像色彩平衡方法", 《国土资源遥感》, no. 4, 15 December 2006 (2006-12-15), pages 753 - 756 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023088A (zh) * | 2015-03-19 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 一种调整图像亮度的方法及装置 |
CN105528797A (zh) * | 2015-12-02 | 2016-04-27 | 深圳飞马机器人科技有限公司 | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 |
CN105528797B (zh) * | 2015-12-02 | 2018-05-22 | 深圳飞马机器人科技有限公司 | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 |
CN106910212A (zh) * | 2015-12-22 | 2017-06-30 | 清华大学 | 基于ir‑mad变换的卫星遥感图像镶嵌颜色均衡方法 |
CN105787896B (zh) * | 2016-02-29 | 2018-06-01 | 武汉大学 | 一种顾及辐射二维分布的影像间的匀光匀色方法及系统 |
CN105787896A (zh) * | 2016-02-29 | 2016-07-20 | 武汉大学 | 一种顾及辐射二维分布的影像间的匀光匀色方法及系统 |
CN108022219B (zh) * | 2017-11-30 | 2020-06-26 | 湖南灵想科技股份有限公司 | 一种二维图像灰度修正方法 |
CN108022219A (zh) * | 2017-11-30 | 2018-05-11 | 安徽质在智能科技有限公司 | 一种二维图像灰度修正方法 |
CN111091502A (zh) * | 2019-11-11 | 2020-05-01 | 苏州中科天启遥感科技有限公司 | 遥感影像的匀色方法及系统、存储介质、电子设备 |
CN111754590A (zh) * | 2020-05-14 | 2020-10-09 | 北京吉威空间信息股份有限公司 | 基于全球色彩特征库遥感影像自动匀色的方法 |
CN111754590B (zh) * | 2020-05-14 | 2024-04-02 | 北京吉威空间信息股份有限公司 | 基于全球色彩特征库遥感影像自动匀色的方法 |
CN112419156A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种顾及地物类别差异的多幅高分辨率遥感影像镶嵌方法 |
CN112884676A (zh) * | 2021-03-18 | 2021-06-01 | 国家海洋信息中心 | 一种基于分空间渐进控制的大范围航空遥感影像调色方法 |
CN113096043A (zh) * | 2021-04-09 | 2021-07-09 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113920030A (zh) * | 2021-10-25 | 2022-01-11 | 自然资源部国土卫星遥感应用中心 | 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置 |
CN113920030B (zh) * | 2021-10-25 | 2022-04-08 | 自然资源部国土卫星遥感应用中心 | 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103489171B (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103489171B (zh) | 基于标准色彩库的大范围遥感影像自动化匀光匀色方法 | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
Wang et al. | Fusion of Landsat 8 OLI and Sentinel-2 MSI data | |
Piermattei et al. | Suitability of ground-based SfM–MVS for monitoring glacial and periglacial processes | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
Zhang et al. | Lakes’ state and abundance across the Tibetan Plateau | |
Gao et al. | Mapping impervious surface expansion using medium-resolution satellite image time series: a case study in the Yangtze River Delta, China | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Van der Linden et al. | The influence of urban structures on impervious surface maps from airborne hyperspectral data | |
CN103793907B (zh) | 一种水体信息的提取方法及装置 | |
Chen et al. | Building detection in an urban area using lidar data and QuickBird imagery | |
CN108053408B (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
Yang et al. | Monitoring policy-driven crop area adjustments in northeast China using Landsat-8 imagery | |
Ge et al. | Hyperspectral and LiDAR data classification using kernel collaborative representation based residual fusion | |
CN102609726A (zh) | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
Jiang et al. | HISTIF: A new spatiotemporal image fusion method for high-resolution monitoring of crops at the subfield level | |
Demir | Using UAVs for detection of trees from digital surface models | |
Yang et al. | Automated in-season mapping of winter wheat in China with training data generation and model transfer | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
Laslier et al. | Monitoring the colonization of alluvial deposits using multitemporal UAV RGB‐imagery | |
Liu et al. | Investigation of the capability of multitemporal RADARSAT-2 fully polarimetric SAR images for land cover classification: A case of Panyu, Guangdong province | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China |
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 |