CN103699543A - 基于遥感图像地物分类的信息可视化方法 - Google Patents
基于遥感图像地物分类的信息可视化方法 Download PDFInfo
- Publication number
- CN103699543A CN103699543A CN201210367093.2A CN201210367093A CN103699543A CN 103699543 A CN103699543 A CN 103699543A CN 201210367093 A CN201210367093 A CN 201210367093A CN 103699543 A CN103699543 A CN 103699543A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- database
- information
- model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于遥感图像地物分类的信息可视化方法,包括:输入大视场角成像条件的待处理遥感图像;利用不同地物光谱特征的差异识别当前遥感图像中像素级目标的地物类型,实现典型地物目标的分类;利用对典型地物的分类信息、地形地貌信息等、遥感物理模型的成像模拟及已有数据提供的经验知识,结合相关遥感物理模型模拟出对应于当前遥感图像包含地物类别特征的像素级模型,构建数据库;针对原始遥感图像成像的地理信息,对当前遥感区域在数据库中的对应部分进行几何校正;通过成像质量评价,完善参数调整;输出最优的像素级地物类别信息可视化图像。采用本发明的信息可视化方法,能高效、直观地从海量遥感数据中有效提取地物目标信息。
Description
技术领域
本发明属于图像数据处理领域,特别是一种基于遥感图像地物分类的信息可视化方法。
背景技术
目前,随着全球对地观测体系不断完善,多时相、多分辨率、全天时、全天候的遥感对地观测体系正在形成,对地观测数据的质量和精度不断完善,定量遥感技术稳步发展,在各个领域的应用不断扩大。但是,由于遥感信息在时间尺度和空间尺度上的爆炸式增长,遥感数据的海量化和应用部门仿真需求的专业化出现了新的矛盾。
为了满足多时相多尺度多空间分辨率对地观测遥感的需求,不间断的获取最佳成像产品,有必要在理论上对成像链路进行建模仿真,即涵盖卫星遥感成像环节的各种要素。其中以构建对应遥感观测区域的具有类别信息的数据库最为关键,并将直接影响针对不同遥感应用的可视化成像质量。但是,随着遥感数据在空间和时间分辨率方面的不断提高,直接以遥感数据进行数据库构建将面临数字洪灾的难题。
如何在海量遥感数据中有效提取地物目标信息,特别是如何利用高分辨率大视场角的海量化遥感图像数据为专业应用部门提供具有类别等有效信息的可视化结果,已经成为现有技术必须解决的技术难题。
发明内容
本发明的目的在于提供一种基于遥感图像地物分类的信息可视化方法,利用来自任意成像平台采集的海量遥感图像,构建相应的数据库,提供高质量遥感信息可视化结果。
实现本发明目的的技术解决方案为:一种基于遥感图像地物分类的信息可视化方法,包括如下步骤:待处理遥感图像输入:输入大视场角成像条件的待处理遥感图像作为当前遥感图像;遥感图像地物分类:利用不同地物光谱特征的差异来识别当前遥感图像中像素级目标的地物类型,从而实现典型地物目标的分类;数据库构建:利用对典型地物的分类信息、地形地貌信息等相关辅助数据、遥感物理模型的成像模拟及已有数据提供应用;优化调整:通过对当前遥感区域在数据库中对应部分的成像质量评价,完善曝光量等参数的调整;可视化信息输出:输出最优的像素级地物类别信息可视化图像。
本发明与现有技术相比,其显著优点:采用本方法,对海量数据进行分类、简化,能高效、直观地在海量遥感数据中有效提取地物目标信息,特别是利用高分辨率大视场角的海量化遥感图像数据为专业应用部门提供具有类别等有效信息的可视化结果。
下面结合附图和具体实施方式对本发明作进一步详细描述。
附图说明
图1为本发明基于遥感图像地物分类的信息可视化方法的流程图。
图2为图1中遥感图像地物分类和数据库构建的流程图。
图3为墨卡托投影方法空间几何校正原理图。
图4为优化调整及可视化流程示意图。
图5为水体反射率模拟曲线示例。
图6为南海海水(115°E,22°N)表面反射率曲线示例。
图7为实际遥感图像示例。
图8为从数据库直接输出的信息可视化图像。
图9为未进行校正的信息可视化图像。
图10为完成几何畸变校正的信息可视化图像。
图11为优化后的信息可视化图像。
具体实施方式
本质上讲,无论是主动式或被动式遥感成像,其观测获取的地物信息是通过光学反射作用为遥感相机提供数据输入的。因此,通过识别不同地物的光学反射特性可以很好的从遥感数据中模拟出遥感观测结果。以此构建数据库的优势在于,不仅能为遥感应用部门提供有效的可视化效果,而且能直接将地物类别信息嵌入到可视化图像产品中。以泥石流灾害为例,传统遥感数据往往只能依赖于人工解译的方式来获取分析结果,而采用嵌入类别信息的可视化图像则可以通过灾害前后不同时相遥感成像的对比快速锁定受灾区域,并能根据受灾区域地物类型的变化进行智能化的灾情量化分析。因此,本专利通过遥感图像的地物分类来构建数据库并以此输出信息可视化结果。首先,根据典型
具体地说,如图1所示,本发明一种基于遥感图像地物分类的信息可视化方法,其包括如下步骤:
11)待处理遥感图像输入:输入大视场角成像条件的待处理遥感图像作为当前遥感图像;
以Modis图像为例,本发明使用的图片格式为HDF格式,使用的图片分辨率为250m和500m,相对应的图片波段通道分别为:250m分辨率的1-2波段;500m分辨率的1-7波段,发明中使用的数据级别有MOD02QKM,MOD02HKM两种数据级别(分别代表两种分辨率)。
使用前需要对使用的图片进行处理:修正(畸变校正、几何校正、大气校正,如MODIS四级产品)、辐射定标、去云处理或者提供没有云的数据。
12)遥感图像地物分类:利用不同地物光谱特征的差异来识别当前遥感图像中像素级目标的地物类型,从而实现典型地物目标的分类;
所述遥感图像地物分类(12)步骤具体为:
21)采用水、植被、土壤、雪四种地物的混合模型来表示地物的光谱特性;
22)对选定的地物进行模型构建并计算反射率,包括:
221)水体仿真模型
该模型的计算公式分为白帽反射、镜面反射以及吸收后的散射三部分,分别计算三个部分的值得到水的反射率
R(+u,;u,;x)Rwc(W,)(1=W)Rg1(u,;+u,;)
+(1Rwc(W,))Rsw(u,;u,;)
W=2.956*106*ws3.52
其中ws是风速,Rwc是白帽反射率,Rg1是海水的镜面反射率,Rsw是离水辐射反射率;
Rfn是菲涅尔反射系数,n是海水的折射率,θ0是海浪倾角;
式中:C为海水中的叶绿素含量;
222)土壤仿真模型
土壤仿真模型使用改进后的Walthall模型,根据TM数据来计算,
(x,v,)=a0 a1x+a2v cos()
式中,x为太阳天顶角,v为观测天顶角,为相对方位角;
223)植被仿真模型
植被仿真模型使用PROSPECT模型,将叶片看作一层或多层表面粗糙的均匀平板,通过几何光学理论计算透过率和反射率,其计算过程如下:
单层叶片的反射率:
单层叶片的透射率:
a=x 90+y
a=x 90
x=tav(a,n)/tav(90,n)
y=x(tav(90,n)1)+1tav(a,n)
式中,a为定义立体角的最大入射角,n为折射指数,为平板的透过系数,tav(a,n)为电解板表面的平均投过率,
N层叶片的反射率和透射率:
RN,a=xRN,90+y
TN,a=xTN,90
利用不同地物的光谱特征的差异来识别不同的地物类型,从地物本身的光谱特性出发对地物进行分类。水体、土壤、植被、雪是几种非常典型的地物,其反射特性具有代表性。由于拍摄范围广泛,地表地物的种类繁多,可以将地物划分为几大类,从几大类中选出代表性和占据最广的一种或几种地物来建立地物模型。
1)水体模型
海洋约占全球表面积的70%,是水体的主要组成部分,所以模拟范围以海水为主。在一类水体情况下,可以采用海浪模型进行海洋反射率的计算。海浪模型是以辐射传输模型为基础,通过计算海水的三种主要反射:白帽反射率、镜面反射率和离水辐射反射率从而得到海水的反射率。除了海浪模型外,COVER模型也非常普遍。
水体使用海浪模型进行模拟,模拟结果见图5,图6为南海海水表面反射率曲线,图中横坐标为波长,单位为nm,纵坐标为反射率数值。模拟位置的中心点为(115°E,22°N)。从图中可以看出模拟结果和实际海水的反射率都在0.1以下,证明水体的反射率很低。水体的反射主要集中在可见光波段,其他波段几乎没有反射。这些都是水体地物的特征,模型能正确模拟出水体的这些特征。
2)植被模型
由于地表植被的两种主要的外在形态(几何特征明显,如树木;无明显几何特征,如草地),冠层辐射传输模型分为两类:几何光学模型和辐射传输模型。在这两类模型之前,叶片光学模型构成了重要的基础,它模拟了叶片的光学模型。几何光学模型和辐射传输光学模型也在相互融合,互相吸收各自的优点。如以几何光学模型为基础加入多次散射的考虑,以辐射传输为基础的模型加入对热点现象的考虑。热点现象即传感器和太阳位于同一方向时,传感器接收的地面辐射最强,几何光学模型可以对此很好的处理。何光学理论计算得到。它的历史较短,产生于20世纪70年代,Li和Strahler在1985将之运用到实际中并做了改进。几何光学模型可以处理植被分散分布的情况。
与几何光学模型不同,辐射传输模型主要用于植被连续分布或植被个体虽有间断却均匀分布的情况下。模拟辐射传输理论可以系统、完整地描植被遥感的过程——植被遥感接收的信息是辐射在植被-土壤耦合体系中的多次散射和吸收的结果,准确计算植被上界光学特性和结构特性。早期的一个冠层模型是Suits模型,它假设树冠只是由垂直和水平树叶组成,将冠层结构、太阳和观测几何参数化;后来Verhoef改进提出了SAIL模型,可使用与任意叶片倾角;Gastellu-Etchegorry等考虑土壤背景的各向异性,修正了SAIL模型。所有的模型都是混合介质的辐射传输模型。
植被使用植被PROSPECT模型进行模拟。由于植被的多样性,因此模型主要模拟植被的特性,如在可见光上的反射峰和吸收谷,这些都是植被自身特性导致的,模拟结果能够正确反映出了植被的这些特性。
3)土壤模型
辐射传输理论被广泛的应用于体散射效应的计算,因为它比波解析理论简单,所以用辐射传输方程模拟土壤对光线的多次散射。Liang和Townshend建立了用于土壤的辐射传输方程。在辐射传输模型方程近似解法中,广泛使用的是双向反射率Hapke模型。关于几何光学模型,Norman等在1985年创建了一个立方体几何模型模拟土壤聚合体。Cierniewski和他的合作者建立了许多基于几何光学模型的解析土壤模型。Walthall根据大量野外试验数据提出了针对土壤的经验统计模型,它的实用性受实验条件限制,但其关系简单,有利于建模。此外,还有M-C(蒙特卡罗)模拟方法等。
土壤模型使用了经验模型。实验表明,土壤反射率在400-1000nm范围内是不断增大的特性,此时模拟结果能够和实际结果相接近。
4)雪模型
冰雪的模型,一种是以反照率数据序列,用统计方法拟合反照率序列或回归算式或给出实际冰雪面反照率关于雪深、雪及水的密度、理想冰和雪及水面反照率的经验公式;别一种是基于冰雪的光学性质、米氏散射理论等求解辐射传输等微分方程,结合能量平衡、物质平衡模式,给出冰雪面的反照率模拟结果。Wiscombe和Warren建立了用于区域中雪前向散射强烈的特点。Choudhury和Chang建立了一个包含有两个成分的雪反射率模型,两个成分分别是:雪的体反射率和表面光谱反射率。
雪模型使用的是经验模型。由于雪的地物信息比较单一,因此经验模型能正确模拟雪的反射特性
5)混合模型
当多种地物混合式,可以使用基本地物种类的混合方法来求取不是基本地物种类的地区的反射率。混合模型主要有线性光谱混合模型、非线性光谱混合模型、模糊监督分类法和神经网络模型分类法,这里介绍一下线性光谱混合模型。线性光谱混合模型是利用一个线性关系表达遥感系统中一个像元内各地物的类型、比例与地物的光谱响应。它的基本假设是,组成混合像元的几种不同地物的光谱以线性的方式组合成混合像元的光谱,即假定混合像元内各个成分光谱之间是独立的。模型如下式。
式中:j=1,2,…m为像元的组成成分;i=1,2,…n为光谱通道;Fj为像元j组成成分在像元中所占的面积比,j(i)为象元中j成分的第i个光谱通道的反射率;(i)为第i个光谱通道的反射率误差项;(i)为该象元在i处的反射率。假设上述公式中组成混合像元的端元光谱是完整的,则方程受下列条件限制:Fj1且Fj0。常见的模型解算方法有因子分析法、不带约束的最小二乘法等。当然这种方法优缺点非常明显,优点是易于计算,缺点是模型较简单。
通过实验,利用地物模型模拟出地物反射率光谱曲线,从相关材料的典型地物波普数据集中找出对应的典型地物进行对比,由此总结出各项典型地物的反射特性进而利用实验的对比结果去数据进行典型地物的分类。
13)数据库构建:利用对典型地物的分类信息、地形地貌信息等相关辅助数据、遥感物理模型的成像模拟及已有数据提供的经验知识,结合相关遥感物理模型精确地模拟出对应于当前遥感图像包含地物类别特征的像素级模型,并以此完成相应的数据库构建;
所述数据库构建(13)步骤具体为:
32)截取观测区域的遥感图片作为构建数据库的依据,采用植被指数构建对应的地物信息数据库,以当前场景中心点为起始坐标,依据地物畸变处理将每个遥感仿真单元对应到数据库中;
33)根据数据库计算出遥感仿真单元的四种地物的分布比例,结合地物模型模拟的反射率,得到反射率矩阵;
34)数据库构建完成后,进行观测区域的仿真成像,并以原始数据对其进行测试,指定当前观测区域中心点为起始坐标,通过数据库得到的地物分布和实际情况进行对比验证。
利用对典型地物的分类信息、地形地貌信息等相关辅助数据、遥感物理模型的成像模拟及已有数据提供的经验知识,结合相关遥感物理模型模拟出遥感图像,可以建立精细的模型,更加精确地构建出遥感相机获取图像的整个成像过程。建立地面目标光谱特性的经验知识数据,需要建立一个数据库。因为地物种类繁多,不可能将所有的地物都放进数据库,所以使用典型地物来模拟拍摄范围的地物特性,在成像时也能够凸显出图像的对比度。数据库将给出相机成像视野范围内的地物类型,结合数据库数据和地物模型的模拟结果给出指定经纬度地区任一时刻的反射率分布。
针对前期得到的典型地物反射特性,对发明中使用的数据进行分类验证,并且结合实验的结果建立相对应的地物分类数据库。在利用已有的典型地物的反射数据进行分类之外,结合人力手工的分类进行随机的对比测试。从而可以验证实验数据的正确性,同时保证数据库建立的准确。数据库利用地理坐标作为索引,同时按照四季时间进行分别的典型地物分类结果的汇总。进行搜索数据库确定对应的季节得到的地物分布图中箭头代表对应收索地理坐标的位置,黑色部分为水体,其他部分为陆地,陆地中比较暗的部分为植被,白色的部分为雪,其余的为土壤。
验证实验:选择搜索地理坐标为(121E,20N),从数据库输出该处的信息可视化图像与该处对应的实际遥感图进行对比。图7为实际遥感图像。图8为从数据库输出的信息可视化图像。从两幅图中可以看出,地物分布也是一样的。但是,图8也较明显的显示出局部的轻度过曝,因此有必要进行进一步的优化调整。
所述空间几何校正(14)步骤具体为:
41)根据Google地图图片构建地面的地物类型数据库,采用墨卡托投影方法进行变换,对正轴等角圆柱投影,假想一个与地轴方向一致的圆柱切或割于地球,按等角条件,将经纬网投影到圆柱面上,将圆柱面展为平面后,即得本投影,墨卡托投影把纬度为(-90°<<90°)的点投影到
Y=ln(tan(45°/2))
Google Maps的选取的范围为-π<y<π,即近似到-85°<<85°;
42)从遥感数据投影Google地图以构建地物数据库;
43)计算出图像上每个点对应的地面坐标,通过墨卡托投影对应到Google数据库中的点,该处如果一个地面点对应多个数据库中的点,则统计这多个点内的地物类型数据来表示实际地理位置的地物分布情况,给出每个像点对应的地物分布情况。
由于数据库中的数据结果必然会存在地物的几何畸变,所以在从数据库中取出地物分布时,畸变处理是必不可少的。选择地理坐标(130°E,40°N)作为地物分类的搜索坐标。图9为模拟地物,模拟地物在实际地物中的位置为图10中的灰色框内部分。从图中看出随着纬度的增大,地物畸变越来越大,这和实际情况是吻合的。所以在进行数据库建立的同时需要采用一定的方法对仿真数据进行几何畸变的处理。参照Google地图中的方法使用墨卡托投影方法来进行变换。
15)优化调整:通过对当前遥感区域在数据库中对应部分的成像质量评价,完善曝光量等参数的调整;
所述优化调整(15)步骤具体为:
51)假设水在总体中的比例为wl,如果等于1,即全是水的情况,正常曝光不足阈值为Tmin=20,曝光过度阈值为Tmax=100,如果小于1,则Tmin和Tmax利用下式计算:
Tmax=10*wl+100*(1-wl),
Tmin=4*wl+50*(1-wl);
52)求出直方图两端像素值个数为空的区域所占的比例关系:
Erat=(gmin+1)/(255-gmax+gmin+1),
式中:Erat为曝光量比值,gmin为灰度图左边缘处的像素数量为零的最大灰度值数,gmax为灰度图右边缘处的像素数量为零的最小灰度值数;
53)求出对比度cont=(gmax-gmin-2)/(gmax gmin)*100%;
54)如果cont<0.55,且最大灰度值等于255,则认为图像曝光过度,否则进入下一步;
55)求出达到最大灰度值255的像素点个数nmax,设定曝光过度的阈值为deta=源图像的像素值*0.01%,如果nmax>deta,则认为图像曝光过度,如果nmax<deta,则进入下一步;
56)求出图像灰度直方图中值gmid,求出图像灰度直方图的均值灰度gmean;
57)当灰度直方图两端任何一端有像素个数为零的区域的时候,可能会出现曝光的不正确,否则曝光正常,当靠近灰度直方图0端有较大空白区域的时候,即Erat>0.5,可能会出现曝光过量的情况;当靠近灰度直方图255端有较大空白区域的时候,Erat<0.5,可能会出现曝光不足的情况;
58)当Erat>0.5时,根据灰度直方图的整体分布,即当gmid>Tmax或gmean>Tmax时,才能确定图像是曝光过度;当Erat<0.5时,根据灰度直方图的整体分布,即当gpeak>Tmin或gmid<Tmin时,才能确定图像是曝光不足;否则认为图像比较满足视觉要求,模拟实验中的水体在正常范围的灰度值在1-10范围内;
59)曝光不足的阈值计算:
Gwater*Pwater+Gother*Pother
式中,Gwater表示水体的阈值灰度,Pwater表示水体的含量;Gother表示无水时的阈值灰度,Pother表示除水以外的其他部分的含量。
在成像链路模拟完成后,可以将最佳成像时间的确定和图像质量的评价联系起来。在模拟灰度图的基础上,考虑相机的实际情况和要求,设计方法通过对图像进行评价得到成像时间对应的模拟图的优劣,通过图像质量评价自动调整找出最佳的模拟图,从而最终确定最佳成像时间。通过大量实验来验证图像质量评价标准的正确性,从而得到评价标准和成像相关性比较大的指标。
评价标准并不能确切说明图像的好坏,因此选取国内外的综合评价标准,如NIIRS,美国的GIQE,以及我国的CIIRS等。根据实际情况构造一个考虑多个影响因素的综合评价指标,即使在不同的评价场合之间,仍然可以通过对这些因素权值的调整来很好完成图像质量评价的工作。
在建立完成数据库之后,除了可以得到实验数据的典型地物的分类结果之外,对于专利本身还需要结合模拟结果确定图像质量评价标准。下面列举了两组测试,图片来自数据库模拟结果,选择两个地点和一段积分时间生成一系列的图片。通过对测试图像的评价和对比,确定要选择的图像质量评价标准。
结合评价指标在普通图像和模拟图像上的测试,可以得出结论为:
1)HVSNR对噪声比较敏感,能够很好地判断噪声对图像质量的影响,基本符合人眼视觉的标准。从普通图像的评价标准测试中可以看出,曝光度越低的图像含噪声越少,HVSNR值越大。模拟图片的实验结果的HVSNR曲线图存在着极小值点,噪声量应该和积分时间成正比的,我们可以采用HVSNR曲线的极小值点,可以在保证曝光量达到最大的同时噪声量也在接受的范围。因此,HVSNR指标可以作为模拟结果评价指标之一。
2)从普通图像的实验结果来看,对比度、清晰度、细节能量、边缘能量图像评价标准都随着曝光量的增加出现较一致的变化。对于模拟图像的测试来看,这四个评价指标都存在着极大值,因此可以将这些指标的极大值看做这个指标得出的最佳指标,四个指标可以作为模拟图像的评价标准。
3)其他的图像评价指标在普通图像评价测试中虽然有部分存在规律性,但结合模拟图像的曲线图,往往由于杂乱无章或者变化单一而无法确定积分时间,因此无法作为模拟的评价指标。
4)IQSEI指标是由灰度均值,平均梯度和信息熵三者加权结合的指标。即随着图像曝光度的增大,IQSEI呈现递增的趋势,且随着图像噪声的增多,IQSEI也呈递增趋势。从模拟结果的IQSEI曲线来看,它存在着极大值点,因此和HVSNR指标类似,可以将IQSEI作为模拟结果的评价指标。
利用以上的图像质量的评价方法,在此基础上完成曝光量等参数的调整,以得到最佳的像素级地物信息可视化图像。
16)可视化信息输出:输出最优的像素级地物类别信息可视化图像。
Claims (5)
1.一种基于遥感图像地物分类的信息可视化方法,其特征在于,包括如下步骤:
11)待处理遥感图像输入:输入大视场角成像条件的待处理遥感图像作为当前遥感图像;
12)遥感图像地物分类:利用不同地物光谱特征的差异来识别当前遥感图像中像素级目标的地物类型,从而实现典型地物目标的分类;
13)数据库构建:利用对典型地物的分类信息、地形地貌信息等相关辅助数据、遥感物理模型的成像模拟及已有数据提供的经验知识,结合相关遥感物理模型精确地模拟出对应于当前遥感图像包含地物类别特征的像素级模型,并以此完成相应的数据库构建;
14)空间几何校正:针对原始遥感图像成像的地理信息,对当前遥感区域在数据库中的对应部分进行几何校正,以供后续可视化应用;
15)优化调整:通过对当前遥感区域在数据库中对应部分的成像质量评价,完善曝光量等参数的调整;
16)可视化信息输出:输出最优的像素级地物类别信息可视化图像。
2.根据权利要求1所述的信息可视化方法,其特征在于:所述遥感图像地物分类(12)步骤具体为:
21)采用水、植被、土壤、雪四种地物的混合模型来表示地物的光谱特性;
22)对选定的地物进行模型构建并计算反射率,包括:
221)水体仿真模型
该模型的计算公式分为白帽反射、镜面反射以及吸收后的散射三部分,分别计算三个部分的值得到水的反射率
R(+u,;u,;x)Rwc(W,)(1=W)Rg1(u,;+u,;)
+(1Rwc(W,))Rsw(u,;u,;)
W=2.956*106*ws3.52
其中ws是风速,Rwc是白帽反射率,Rg1是海水的镜面反射率,Rsw是离水辐射反射率;
Rfn是菲涅尔反射系数,n是海水的折射率,θ0是海浪倾角;
式中:C为海水中的叶绿素含量;
222)土壤仿真模型
土壤仿真模型使用改进后的Walthall模型,根据TM数据来计算,
(x,v,)=a0 a1x+a2v cos()
式中,x为太阳天顶角,v为观测天顶角,为相对方位角;
223)植被仿真模型
植被仿真模型使用PROSPECT模型,将叶片看作一层或多层表面粗糙的均匀平板,通过几何光学理论计算透过率和反射率,其计算过程如下:
单层叶片的反射率:
单层叶片的透射率:
a=x 90+y
a=x 90
x=tav(a,n)/tav(90,n)
y=x(tav(90,n)1)+1tav(a,n)
式中,a为定义立体角的最大入射角,n为折射指数,为平板的透过系数,tav(a,n)为电解板表面的平均投过率,
N层叶片的反射率和透射率:
RN,a=xRN,90+y
TN,a=xTN,90。
3.根据权利要求1所述的信息可视化方法,其特征在于:所述数据库构建(13)步骤具体为:
31)通过Google earth图片信息得到地物信息,使用植被指数从图片中统计图片对应的实际区域的地物信息,四种地物的植被指数对应到彩色图上有如下关系,水体:B>G>R,植被:G>R>B,土壤:R>G>B,雪:R>150G>150 B>150,其中R为红分量,G为绿分量,B为蓝分量;
32)截取观测区域的遥感图片作为构建数据库的依据,采用植被指数构建对应的地物信息数据库,以当前场景中心点为起始坐标,依据地物畸变处理将每个遥感仿真单元对应到数据库中;
33)根据数据库计算出遥感仿真单元的四种地物的分布比例,结合地物模型模拟的反射率,得到反射率矩阵;
34)数据库构建完成后,进行观测区域的仿真成像,并以原始数据对其进行测试,指定当前观测区域中心点为起始坐标,通过数据库得到的地物分布和实际情况进行对比验证。
4.根据权利要求1所述的信息可视化方法,其特征在于:所述空间几何校正(14)步骤具体为:
41)根据Google地图图片构建地面的地物类型数据库,采用墨卡托投影方法进行变换,对正轴等角圆柱投影,假想一个与地轴方向一致的圆柱切或割于地球,按等角条件,将经纬网投影到圆柱面上,将圆柱面展为平面后,即得本投影,墨卡托投影把纬度为(-90°<<90°)的点投影到
Y=ln(tan(45°/2))
Google Maps的选取的范围为-π<y<π,即近似到-85°<<85°;
42)从遥感数据投影Google地图以构建地物数据库;
43)计算出图像上每个点对应的地面坐标,通过墨卡托投影对应到Google数据库中的点,该处如果一个地面点对应多个数据库中的点,则统计这多个点内的地物类型数据来表示实际地理位置的地物分布情况,给出每个像点对应的地物分布情况。
5.根据权利要求1所述的信息可视化方法,其特征在于:所述优化调整(15)步骤具体为:
51)假设水在总体中的比例为wl,如果等于1,即全是水的情况,正常曝光不足阈值为Tmin=20,曝光过度阈值为Tmax=100,如果小于1,则Tmin和Tmax利用下式计算:
Tmax=10*wl+100*(1-wl)
Tmin=4*wl+50*(1-wl);
52)求出直方图两端像素值个数为空的区域所占的比例关系:
Erat=(gmin+1)/(255-gmax+gmin+1),
式中:Erat为曝光量比值,gmin为灰度图左边缘处的像素数量为零的最大灰度值数,gmax为灰度图右边缘处的像素数量为零的最小灰度值数;
53)求出对比度cont=(gmax-gmin-2)/(gmax gmin)*100%;
54)如果cont<0.55,且最大灰度值等于255,则认为图像曝光过度,否则进入下一步;
55)求出达到最大灰度值255的像素点个数nmax,设定曝光过度的阈值为deta=源图像的像素值*0.01%,如果nmax>deta,则认为图像曝光过度,如果nmax<deta,则进入下一步;
56)求出图像灰度直方图中值gmid,求出图像灰度直方图的均值灰度gmean;
57)当灰度直方图两端任何一端有像素个数为零的区域的时候,可能会出现曝光的不正确,否则曝光正常,当靠近灰度直方图0端有较大空白区域的时候,即Erat>0.5,可能会出现曝光过量的情况;当靠近灰度直方图255端有较大空白区域的时候,Erat<0.5,可能会出现曝光不足的情况;
59)曝光不足的阈值计算:
Gwater*Pwater+Gother*Pother
式中,Gwater表示水体的阈值灰度,Pwater表示水体的含量;Gother表示无水时的阈值灰度,Poher表示除水以外的其他部分的含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210367093.2A CN103699543A (zh) | 2012-09-28 | 2012-09-28 | 基于遥感图像地物分类的信息可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210367093.2A CN103699543A (zh) | 2012-09-28 | 2012-09-28 | 基于遥感图像地物分类的信息可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103699543A true CN103699543A (zh) | 2014-04-02 |
Family
ID=50361074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210367093.2A Pending CN103699543A (zh) | 2012-09-28 | 2012-09-28 | 基于遥感图像地物分类的信息可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103699543A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530507A (zh) * | 2014-09-30 | 2016-04-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
CN106599172A (zh) * | 2016-12-10 | 2017-04-26 | 成都飞机工业(集团)有限责任公司 | 一种海量数据的无损保真可视化优化法 |
CN106604312A (zh) * | 2016-11-10 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种路由器测试数据可视化的方法及系统 |
CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
CN108960049A (zh) * | 2018-05-25 | 2018-12-07 | 中国石油天然气股份有限公司 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
CN110569620A (zh) * | 2019-09-17 | 2019-12-13 | 哈尔滨千帆科技有限公司 | 一种混合模型的动态可视化系统及方法 |
CN111476179A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai追踪相机及存储介质 |
CN113158855A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种基于在线学习的遥感图像辅助处理方法和装置 |
CN113313649A (zh) * | 2021-06-01 | 2021-08-27 | 上海联影医疗科技股份有限公司 | 图像重建方法及装置 |
CN114693512A (zh) * | 2022-03-16 | 2022-07-01 | 北京理工大学 | 一种基于近场图像的远场遥感图像转化方法 |
CN114723619A (zh) * | 2022-02-25 | 2022-07-08 | 中国科学院空天信息创新研究院 | 地表辐射产品修复方法、装置、电子设备及存储介质 |
CN117517215A (zh) * | 2023-11-09 | 2024-02-06 | 中国矿业大学 | 一记录生态资源变化状态的遥感检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477197A (zh) * | 2009-01-24 | 2009-07-08 | 哈尔滨工业大学 | 用于林地复杂场景高光谱遥感数据的仿真方法 |
US20090210447A1 (en) * | 2006-03-01 | 2009-08-20 | Green Vison Systmes Ltd. | Processing and analyzing hyper-spectral image data and information via dynamic database updating |
CN101588515A (zh) * | 2009-06-30 | 2009-11-25 | 北京空间机电研究所 | 线阵遥感ccd相机动态范围自适应实时调节方法 |
CN102622608A (zh) * | 2012-02-23 | 2012-08-01 | 北京航空航天大学 | 基于非线性时间序列分析的高光谱图像分类方法 |
-
2012
- 2012-09-28 CN CN201210367093.2A patent/CN103699543A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090210447A1 (en) * | 2006-03-01 | 2009-08-20 | Green Vison Systmes Ltd. | Processing and analyzing hyper-spectral image data and information via dynamic database updating |
CN101477197A (zh) * | 2009-01-24 | 2009-07-08 | 哈尔滨工业大学 | 用于林地复杂场景高光谱遥感数据的仿真方法 |
CN101588515A (zh) * | 2009-06-30 | 2009-11-25 | 北京空间机电研究所 | 线阵遥感ccd相机动态范围自适应实时调节方法 |
CN102622608A (zh) * | 2012-02-23 | 2012-08-01 | 北京航空航天大学 | 基于非线性时间序列分析的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
陈绕青 等: "一种空间面阵CCD成像的曝光时间计算方法", 《计算机工程》 * |
陈绕青: "静轨卫星面阵CCD的成像仿真地物分析及积分时间研究", 《中国优秀硕士学位论文全文数据库信息科技辑2012年》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530507B (zh) * | 2014-09-30 | 2017-06-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN105530507A (zh) * | 2014-09-30 | 2016-04-27 | 南京理工大学 | 一种根据在轨参数预估图像质量的方法 |
CN105989322B (zh) * | 2015-01-27 | 2019-07-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
CN106604312A (zh) * | 2016-11-10 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种路由器测试数据可视化的方法及系统 |
CN106604312B (zh) * | 2016-11-10 | 2020-12-22 | 王蕴卓 | 一种路由器测试数据可视化的方法及系统 |
CN106599172A (zh) * | 2016-12-10 | 2017-04-26 | 成都飞机工业(集团)有限责任公司 | 一种海量数据的无损保真可视化优化法 |
CN107578003B (zh) * | 2017-08-29 | 2020-04-14 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
CN107578003A (zh) * | 2017-08-29 | 2018-01-12 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
CN108960049A (zh) * | 2018-05-25 | 2018-12-07 | 中国石油天然气股份有限公司 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
CN108960049B (zh) * | 2018-05-25 | 2021-01-29 | 中国石油天然气股份有限公司 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
CN110569620A (zh) * | 2019-09-17 | 2019-12-13 | 哈尔滨千帆科技有限公司 | 一种混合模型的动态可视化系统及方法 |
CN110569620B (zh) * | 2019-09-17 | 2022-11-11 | 哈尔滨千帆科技有限公司 | 一种混合模型的动态可视化系统及方法 |
CN111476179A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai追踪相机及存储介质 |
CN111476179B (zh) * | 2020-04-10 | 2023-02-14 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai追踪相机及存储介质 |
CN113158855A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种基于在线学习的遥感图像辅助处理方法和装置 |
CN113313649A (zh) * | 2021-06-01 | 2021-08-27 | 上海联影医疗科技股份有限公司 | 图像重建方法及装置 |
CN113313649B (zh) * | 2021-06-01 | 2022-09-16 | 上海联影医疗科技股份有限公司 | 图像重建方法及装置 |
CN114723619A (zh) * | 2022-02-25 | 2022-07-08 | 中国科学院空天信息创新研究院 | 地表辐射产品修复方法、装置、电子设备及存储介质 |
CN114693512A (zh) * | 2022-03-16 | 2022-07-01 | 北京理工大学 | 一种基于近场图像的远场遥感图像转化方法 |
CN117517215A (zh) * | 2023-11-09 | 2024-02-06 | 中国矿业大学 | 一记录生态资源变化状态的遥感检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103699543A (zh) | 基于遥感图像地物分类的信息可视化方法 | |
Lillesand et al. | Remote sensing and image interpretation | |
Widlowski et al. | Abstract tree crowns in 3D radiative transfer models: Impact on simulated open-canopy reflectances | |
Bonafoni | Downscaling of Landsat and MODIS land surface temperature over the heterogeneous urban area of Milan | |
Morsdorf et al. | Estimation of LAI and fractional cover from small footprint airborne laser scanning data based on gap fraction | |
Kaplan et al. | Mapping and monitoring wetland dynamics using thermal, optical, and SAR remote sensing data | |
Dugdale et al. | Drone-based Structure-from-Motion provides accurate forest canopy data to assess shading effects in river temperature models | |
US20060018565A1 (en) | System and method for infrared sensor simulation | |
Mary et al. | Intercomparison of retrieval algorithms for the specific surface area of snow from near-infrared satellite data in mountainous terrain, and comparison with the output of a semi-distributed snowpack model | |
Wang et al. | Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model | |
Liu et al. | Modeling the view angle dependence of gap fractions in forest canopies: Implications for mapping fractional snow cover using optical remote sensing | |
Franklin | Land cover stratification using Landsat Thematic Mapper data in Sahelian and Sudanian woodland and wooded grassland | |
Chen et al. | Spatial scale consideration for estimating all-sky surface shortwave radiation with a modified 1-D radiative transfer model | |
Roberts et al. | Predicted distribution of visible and near-infrared radiant flux above and below a transmittant leaf | |
Fuchs et al. | Sea ice melt pond bathymetry reconstructed from aerial photographs using photogrammetry: a new method applied to MOSAiC data | |
Proisy et al. | Mangrove forest dynamics using very high spatial resolution optical remote sensing | |
CN109885808A (zh) | 一种近地表气象要素计算方法 | |
Rautiainen | The spectral signature of coniferous forests: the role of stand structure and leaf area index | |
Ramachandra | Comparative assessment of techniques for bioresource monitoring using GIS and remote sensing | |
Song et al. | Spectral correction for the effect of crown shape at the single-tree level: An approach using a Lidar-derived digital surface model for broad-leaved canopy | |
Selin | Modeling of effective leaf area index | |
Jande et al. | Prediction of Land Use Change in Katsina-Ala through a Geospatial Approach | |
Mummoorthy et al. | Satellite image processing biomass estimation | |
Wetherley | Remote Sensing of Urban Climate and Vegetation in Los Angeles | |
Cao | Research on data processing and information extraction of remote sensing image based on the UAV aerial photography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140402 |
|
WD01 | Invention patent application deemed withdrawn after publication |