CN104754327A - 一种检测及消除高光谱图像坏点的方法 - Google Patents
一种检测及消除高光谱图像坏点的方法 Download PDFInfo
- Publication number
- CN104754327A CN104754327A CN201510137608.3A CN201510137608A CN104754327A CN 104754327 A CN104754327 A CN 104754327A CN 201510137608 A CN201510137608 A CN 201510137608A CN 104754327 A CN104754327 A CN 104754327A
- Authority
- CN
- China
- Prior art keywords
- bad point
- pixel
- point
- bad
- class
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种检测及消除高光谱图像坏点的方法,首先对拍摄图像所对应的背景图像进行分析,并根据邻近点的插值是否大于阈值来判断此点是否为坏点,再根据坏点周围是否存在别的坏点来划分坏点的类别,然后对不同类别的坏点采用不同的坏点消除方法进行处理,最终得到消除坏点后的图像。本方法不仅利用了像元空间维的关系,还利用了像元光谱维上的关系,可以有效的消除坏点;并且不需对全部像元检测,缩短了检测及消除坏点的时间。
Description
技术领域
本发明涉及一种检测及消除高光谱图像坏点的方法,属于高光谱图像处理技术领域。
背景技术
高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起,而许多物质的特征往往表现在一些狭窄的光谱范围内,高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。
高光谱图像所提供的丰富的空间和光谱信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度,可有效地用于地物类型的像素级甚至亚像素级识别,己广泛应用于地质勘探与地球资源调查、城市遥感与规划管理、环境与灾害监测、精细农业、测绘及考古等方面。
由于军事和民用对高光谱遥感技术的需求,也对高光谱遥感图像的质量提出了更高的要求。而相机可能会出现损坏,从而导致拍摄出的图像出现坏点,因此需要自动检测并去除高光谱图像中的坏点。专利号为CN103475828A、发明人为庄永军、吴乘跃、专利名称为【一种图像坏点校正方法及图像传感器】的专利给出了一种以5×5Bayer中心点与其周围点进行比较从而判定并消除坏点的方法,但这需要对图像每一个像元都进行遍历,这样会浪费大量的时间,导致效率低。
发明内容
为了克服现有技术存在的缺陷和不足,本发明提供了一种检测及消除高光谱图像坏点的方法。
本发明的技术方案如下:
一种检测及消除高光谱图像坏点的方法,通过计算机进行图像数据读入、分析及计算处理,该方法步骤如下:
1)设定图像的名词参数
a)在计算机里存储图像的波段顺序格式(band sequential format,BSQ):
在计算机里由前至后依次存放图像的第一波段数据、第二波段数据、…、最后一波段数据;每一波段中依次存放该波段数据中的第一行数据、第二行数据、…、最后一行数据;每一行数据中依次存放该行数据中对应的第一个像元、第二个像元、…、最后一个像元;
b)定义背景图像及其处理方法:
背景图像是在无外界光进入摄像机时所测得的图像,对背景图像的每一个波段做如下处理:将波段中每一行数据对应相加后再除以行数,得到该波段对应的一行数据,将各波段处理后得到的每行数据根据对应波段的顺序从小到大排序,组成一个新的图像,该图像简称为背景;
c)定义拍摄图像:拍摄图像是摄像机面对景物实际拍摄得到的图像;
2)判断背景中的一个点是否为坏点的方式
将背景分为两个部分,第一部分是处在第一列的像元,第二部分是除了第一部分的其余像元;对两部分采用不用的检测方式:对第一部分的像元求其与其上方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;对于第二部分的像元,求其与其左方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;
3)划分坏点:根据以下具体的方式将求出的坏点进行划分归类
a)若此坏点在背景数据中的第一行且其右侧像元是坏点,则我们将其归为第7类坏点;
b)若此坏点在背景数据中的第一行且其右侧像元不是坏点,则我们将其归为第6类坏点;
c)若此坏点在背景数据中的最后一行且其右侧像元是坏点,或者此坏点在背景数据中的第一列且其下方像元是坏点或没有点,则我们将其归为第5类坏点;
d)若此坏点在背景数据中的第一列且其下方像元不是坏点,则我们将其归为第4类坏点;
e)若此坏点下方点与其右侧点均为坏点,则我们将其归为第3类坏点;
f)若此坏点周围仅下方点为坏点,则我们将其归为第2类坏点;
g)若此坏点周围仅右侧点均为坏点,则我们将其归为第1类坏点;
h)若此坏点周围均不是坏点,则我们将其归为第0类坏点;
4)消除坏点:根据3)中所标识的不同类坏点,采用不同方式进行坏点的消除
a)对于0类坏点,使用坏点上下左右四点的均值赋给坏点;
b)对于1类坏点,使用坏点上下左侧三点的均值赋给坏点;
c)对于2类坏点,使用坏点上左右侧三点的均值赋给坏点;
d)对于3类坏点,采用预测方法进行插值:
设X表示当前坏点,W表示X左侧第一个像元,WW表示X左侧第二个像元,N表示X所处前一波段中位置与X位置相同的像元,NW表示N左侧第一个像元,NE表示N右侧第一个像元,NN表示X所处前二个波段中位置与X位置相同的像元,NNE表示NN右侧第一个像元,则插值方式如下:
设两个变量dh和dv(无具体表示意义,仅用于下面判断插值方式而已),则得到:
dh=|W–WW|+|N–NW|+|NE–N|,
dv=|W–NW|+|N–NN|+|NE–NNE|,
如果dh-dv>0.008,则X=N,即将N的值赋给坏点X;
如果dv-dh>0.008,则X=W,即将W的值赋给坏点X;
如果0.008>dh-dv>0.0032,则X=((N+W)/2+(NE-NW)/4+N)/2;
如果0.008>dv-dh>0.0032,则X=((N+W)/2+(NE-NW)/4+W)/2;
如果0.0032>dh-dv>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+N)/4;
如果0.0032>dv-dh>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+W)/4;
e)对于4类坏点,使用其上下两点的均值赋给坏点;
f)对于5类坏点,将其上方的像元值赋给坏点;
g)对于6类坏点,使用其左右两点的均值赋给坏点;
h)对于7类坏点,将其左方的像元值赋给坏点;
5)由计算机将上述更改的图像数据进行保存,即可得到消除坏点后的完整图像。
本发明的有益效果是可以同时利用图像空间维与光谱维的特点,有效且快速的消除高光谱图像中的坏点。
附图说明
图1表示波段顺序格式数据储存说明图示:
其中B代表波段Bands、L代表行数Lines、S代表像元Samples、上述字母后面的数字代表从0到最大数值之间的数、max代表最大数值,例如BmaxL3S5表示此处为最后一波段第3行第5个像元。
图2表示预测法插值像元关系图示:
如消除第三类坏点时所涉及到的像元与当前坏点的位置关系,其中X表示当前坏点,W表示坏点X左侧第一个像元,WW表示坏点X左侧第二个像元,N表示坏点X所处波段的前一波段中位置与X位置相同的像元,NW表示像元N左侧第一个像元,NE表示像元N右侧第一个像元,NN表示坏点X所处波段的前二个波段中位置与X位置相同的像元,NNE表示像元NN右侧第一个像元。
具体实施方式
下面结合实施例对本发明作进一步说明,但不限于此。
实施例:
本发明实施例如下:一种检测及消除高光谱图像坏点的方法,通过计算机进行图像数据读入、分析及计算处理,该方法步骤如下:
1)设定图像的名词参数
a)在计算机里存储图像的波段顺序格式(band sequential format,BSQ):
在计算机里由前至后依次存放图像的第一波段数据、第二波段数据、…、最后一波段数据;每一波段中依次存放该波段数据中的第一行数据、第二行数据、…、最后一行数据;每一行数据中依次存放该行数据中对应的第一个像元、第二个像元、…、最后一个像元;
b)定义背景图像及其处理方法:
背景图像是在无外界光进入摄像机时所测得的图像,对背景图像的每一个波段做如下处理:将波段中每一行数据对应相加后再除以行数,得到该波段对应的一行数据,将各波段处理后得到的每行数据根据对应波段的顺序从小到大排序,组成一个新的图像,该图像简称为背景;
c)定义拍摄图像:拍摄图像是摄像机面对景物实际拍摄得到的图像;
2)判断背景中的一个点是否为坏点的方式
将背景分为两个部分,第一部分是处在第一列的像元,第二部分是除了第一部分的其余像元;对两部分采用不用的检测方式:对第一部分的像元求其与其上方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;对于第二部分的像元,求其与其左方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;
3)划分坏点:根据以下具体的方式将求出的坏点进行划分归类
a)若此坏点在背景数据中的第一行且其右侧像元是坏点,则我们将其归为第7类坏点;
b)若此坏点在背景数据中的第一行且其右侧像元不是坏点,则我们将其归为第6类坏点;
c)若此坏点在背景数据中的最后一行且其右侧像元是坏点,或者此坏点在背景数据中的第一列且其下方像元是坏点或没有点,则我们将其归为第5类坏点;
d)若此坏点在背景数据中的第一列且其下方像元不是坏点,则我们将其归为第4类坏点;
e)若此坏点下方点与其右侧点均为坏点,则我们将其归为第3类坏点;
f)若此坏点周围仅下方点为坏点,则我们将其归为第2类坏点;
g)若此坏点周围仅右侧点均为坏点,则我们将其归为第1类坏点;
h)若此坏点周围均不是坏点,则我们将其归为第0类坏点;
4)消除坏点:根据3)中所标识的不同类坏点,采用不同方式进行坏点的消除
a)对于0类坏点,使用坏点上下左右四点的均值赋给坏点;
b)对于1类坏点,使用坏点上下左侧三点的均值赋给坏点;
c)对于2类坏点,使用坏点上左右侧三点的均值赋给坏点;
d)对于3类坏点,采用预测方法进行插值:
设X表示当前坏点,W表示X左侧第一个像元,WW表示X左侧第二个像元,N表示X所处前一波段中位置与X位置相同的像元,NW表示N左侧第一个像元,NE表示N右侧第一个像元,NN表示X所处前二个波段中位置与X位置相同的像元,NNE表示NN右侧第一个像元,则插值方式如下:
设两个变量dh和dv(无具体表示意义,仅用于下面判断插值方式而已),则得到:
dh=|W–WW|+|N–NW|+|NE–N|,
dv=|W–NW|+|N–NN|+|NE–NNE|,
如果dh-dv>0.008,则X=N,即将N的值赋给坏点X;
如果dv-dh>0.008,则X=W,即将W的值赋给坏点X;
如果0.008>dh-dv>0.0032,则X=((N+W)/2+(NE-NW)/4+N)/2;
如果0.008>dv-dh>0.0032,则X=((N+W)/2+(NE-NW)/4+W)/2;
如果0.0032>dh-dv>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+N)/4;
如果0.0032>dv-dh>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+W)/4;
e)对于4类坏点,使用其上下两点的均值赋给坏点;
f)对于5类坏点,将其上方的像元值赋给坏点;
g)对于6类坏点,使用其左右两点的均值赋给坏点;
h)对于7类坏点,将其左方的像元值赋给坏点;
5)由计算机将上述更改的图像数据进行保存,即可得到消除坏点后的完整图像。
Claims (1)
1.一种检测及消除高光谱图像坏点的方法,通过计算机进行图像数据读入、分析及计
算处理,该方法步骤如下:
1)设定图像的名词参数
a)在计算机里存储图像的波段顺序格式:
在计算机里由前至后依次存放图像的第一波段数据、第二波段数据、…、最后一波段数据;每一波段中依次存放该波段数据中的第一行数据、第二行数据、…、最后一行数据;每一行数据中依次存放该行数据中对应的第一个像元、第二个像元、…、最后一个像元;
b)定义背景图像及其处理方法:
背景图像是在无外界光进入摄像机时所测得的图像,对背景图像的每一个波段做如下处理:将波段中每一行数据对应相加后再除以行数,得到该波段对应的一行数据,将各波段处理后得到的每行数据根据对应波段的顺序从小到大排序,组成一个新的图像,该图像简称为背景;
c)定义拍摄图像:拍摄图像是摄像机面对景物实际拍摄得到的图像;
2)判断背景中的一个点是否为坏点的方式
将背景分为两个部分,第一部分是处在第一列的像元,第二部分是除了第一部分的其余像元;对两部分采用不用的检测方式:对第一部分的像元求其与其上方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;对于第二部分的像元,求其与其左方最近的且不是坏点的像元的差,判断差值是否大于阈值,若大于阈值则此点为坏点,否则则不是坏点;
3)划分坏点:根据以下具体的方式将求出的坏点进行划分归类
a)若此坏点在背景数据中的第一行且其右侧像元是坏点,则我们将其归为第7类坏点;
b)若此坏点在背景数据中的第一行且其右侧像元不是坏点,则我们将其归为第6类坏点;
c)若此坏点在背景数据中的最后一行且其右侧像元是坏点,或者此坏点在背景数据中的第一列且其下方像元是坏点或没有点,则我们将其归为第5类坏点;
d)若此坏点在背景数据中的第一列且其下方像元不是坏点,则我们将其归为第4类坏点;
e)若此坏点下方点与其右侧点均为坏点,则我们将其归为第3类坏点;
f)若此坏点周围仅下方点为坏点,则我们将其归为第2类坏点;
g)若此坏点周围仅右侧点均为坏点,则我们将其归为第1类坏点;
h)若此坏点周围均不是坏点,则我们将其归为第0类坏点;
4)消除坏点:根据3)中所标识的不同类坏点,采用不同方式进行坏点的消除
a)对于0类坏点,使用坏点上下左右四点的均值赋给坏点;
b)对于1类坏点,使用坏点上下左侧三点的均值赋给坏点;
c)对于2类坏点,使用坏点上左右侧三点的均值赋给坏点;
d)对于3类坏点,采用预测方法进行插值:
设X表示当前坏点,W表示X左侧第一个像元,WW表示X左侧第二个像元,N表示X所处前一波段中位置与X位置相同的像元,NW表示N左侧第一个像元,NE表示N右侧第一个像元,NN表示X所处前二个波段中位置与X位置相同的像元,NNE表示NN右侧第一个像元,则插值方式如下:
设两个变量dh和dv,则得到:
dh=|W–WW|+|N–NW|+|NE–N|,
dv=|W–NW|+|N–NN|+|NE–NNE|,
如果dh-dv>0.008,则X=N,即将N的值赋给坏点X;
如果dv-dh>0.008,则X=W,即将W的值赋给坏点X;
如果0.008>dh-dv>0.0032,则X=((N+W)/2+(NE-NW)/4+N)/2;
如果0.008>dv-dh>0.0032,则X=((N+W)/2+(NE-NW)/4+W)/2;
如果0.0032>dh-dv>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+N)/4;
如果0.0032>dv-dh>0.0008,则X=(((N+W)/2+(NE-NW)/4)*3+W)/4;
e)对于4类坏点,使用其上下两点的均值赋给坏点;
f)对于5类坏点,将其上方的像元值赋给坏点;
g)对于6类坏点,使用其左右两点的均值赋给坏点;
h)对于7类坏点,将其左方的像元值赋给坏点;
5)由计算机将上述更改的图像数据进行保存,即可得到消除坏点后的完整图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137608.3A CN104754327B (zh) | 2015-03-26 | 2015-03-26 | 一种检测及消除高光谱图像坏点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137608.3A CN104754327B (zh) | 2015-03-26 | 2015-03-26 | 一种检测及消除高光谱图像坏点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104754327A true CN104754327A (zh) | 2015-07-01 |
CN104754327B CN104754327B (zh) | 2016-08-24 |
Family
ID=53593349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510137608.3A Active CN104754327B (zh) | 2015-03-26 | 2015-03-26 | 一种检测及消除高光谱图像坏点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104754327B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184736A (zh) * | 2015-09-09 | 2015-12-23 | 山东大学 | 一种窄重叠双视场高光谱成像仪的图像配准的方法 |
CN105306843A (zh) * | 2015-10-20 | 2016-02-03 | 凌云光技术集团有限责任公司 | 一种图像传感器的坏点处理方法及系统 |
CN108007913A (zh) * | 2016-10-27 | 2018-05-08 | 中国人民解放军第二军医大学 | 光谱处理装置、方法以及药品真伪判定系统 |
CN111915682A (zh) * | 2020-07-21 | 2020-11-10 | 天津大学 | 一种实时自调节的高光谱相机非均匀校正方法 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
CN113873229A (zh) * | 2021-09-26 | 2021-12-31 | 江西盛泰精密光学有限公司 | 一种图像坏点检测方法、系统及装置 |
-
2015
- 2015-03-26 CN CN201510137608.3A patent/CN104754327B/zh active Active
Non-Patent Citations (1)
Title |
---|
周小明: "基于DSP的图像坏点处理系统设计", 《茂名学院学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184736A (zh) * | 2015-09-09 | 2015-12-23 | 山东大学 | 一种窄重叠双视场高光谱成像仪的图像配准的方法 |
CN105184736B (zh) * | 2015-09-09 | 2018-02-13 | 山东大学 | 一种窄重叠双视场高光谱成像仪的图像配准的方法 |
CN105306843A (zh) * | 2015-10-20 | 2016-02-03 | 凌云光技术集团有限责任公司 | 一种图像传感器的坏点处理方法及系统 |
CN105306843B (zh) * | 2015-10-20 | 2018-05-25 | 凌云光技术集团有限责任公司 | 一种图像传感器的坏点处理方法及系统 |
CN108007913A (zh) * | 2016-10-27 | 2018-05-08 | 中国人民解放军第二军医大学 | 光谱处理装置、方法以及药品真伪判定系统 |
CN111915682A (zh) * | 2020-07-21 | 2020-11-10 | 天津大学 | 一种实时自调节的高光谱相机非均匀校正方法 |
CN111915682B (zh) * | 2020-07-21 | 2022-07-15 | 天津大学 | 一种实时自调节的高光谱图像数据非均匀校正方法 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
CN113873229A (zh) * | 2021-09-26 | 2021-12-31 | 江西盛泰精密光学有限公司 | 一种图像坏点检测方法、系统及装置 |
CN113873229B (zh) * | 2021-09-26 | 2024-02-27 | 江西盛泰精密光学有限公司 | 一种图像坏点检测方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104754327B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104754327B (zh) | 一种检测及消除高光谱图像坏点的方法 | |
CN109086668B (zh) | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Vetrivel et al. | Potential of multi-temporal oblique airborne imagery for structural damage assessment | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
Dhiman et al. | A multi-frame stereo vision-based road profiling technique for distress analysis | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN104915967B (zh) | 一种隧道内车辆运动路径的预测方法 | |
Liu et al. | Video monitoring of Landslide based on background subtraction with Gaussian mixture model algorithm | |
CN110738229B (zh) | 一种细粒度图像分类方法、装置及电子设备 | |
Chen et al. | 2d tree detection in large urban landscapes using aerial lidar data | |
CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
Heidary et al. | Urban change detection by fully convolutional siamese concatenate network with attention | |
Dong et al. | A novel VHR image change detection algorithm based on image fusion and fuzzy C-means clustering | |
CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 | |
CN114202631A (zh) | 一种岩石二次破碎作业中岩石作业面与作业点的确定方法 | |
Wang et al. | An unsupervised automatic measurement of wheat spike dimensions in dense 3D point clouds for field application | |
Su et al. | Demolished building detection from aerial imagery using deep learning |
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 |