CN105913387B - 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 - Google Patents
基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 Download PDFInfo
- Publication number
- CN105913387B CN105913387B CN201610205707.5A CN201610205707A CN105913387B CN 105913387 B CN105913387 B CN 105913387B CN 201610205707 A CN201610205707 A CN 201610205707A CN 105913387 B CN105913387 B CN 105913387B
- Authority
- CN
- China
- Prior art keywords
- transmitance
- scene
- band
- image
- wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 31
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 239000003595 mist Substances 0.000 claims abstract description 10
- 239000000443 aerosol Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009738 saturating Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于Angstrom指数的多波段图像去雾方法,该方法具体为:输入多波段图像,在可见光波段范围任选3个波段,构建输入图像获取大气天光位置和场景粗透过率;任选两个波段,结合粗透过率,利用导向滤波器获取精细透过率;利用精细透过率和相应波长,根据Angstrom指数关系,获取场景Angstrom指数,计算遥感图像任意其他波段的场景透过率;利用各波段透过率和大气天光位置,结合大气退化模型,获取最终的去雾图像。本方法针对多波段遥感图像的特点,从图像上选取少量波段获取透过率信息,并利用Angstrom指数关系推演出其他波段的透过率,从而降低了恢复算法的工作量,并最终实现多波段图像的全波段遥感快速去雾恢复,提高了图像的对比度和清晰度,增加图像细节。
Description
技术领域
本发明涉及计算机图像处理技术,涉及一种基于Angstrom指数的可见光及近红外多波段遥感图像快速去雾方法。
背景技术
在遥感成像的过程中,光辐射不仅仅依赖于观测目标,同时它还受到大气中的各种气体和气溶胶粒子的吸收和散射影响。成像过程中不可避免的大气干扰,通常会导致成像质量的退化,尤其是基于卫星、平流层、航空平台的光学遥感对地观测(特别是侧摆、倾斜拍摄)情况下,成像距离非常远从而使得大气光学厚度增加,导致捕获图像的对比度、色彩饱和度下降,目标细节信息丢失,从而大大降低景物的可识别度。因此,为了从图像中获得更多有用的信息,必须进行图像的复原操作,补偿大气造成的退化影响。
而近些年遥感探测从多光谱向着高光谱,甚至于超光谱方向快速发展。成像光谱的增多,导致了遥感图像数据量的大大增加,从而使得图像的大气补偿耗费大量的计算资源。同时大气在不同波段变现出来的光学性质差异,也导致了目前主流的图像去雾算法无法获取理想的图像恢复效果。因此如何根据多波段遥感图像数据量大,波段差异等特点,有效的应对光学遥感对地观测情况下由于大气造成的图像退化问题,是当前的重要需求。
发明内容
本发明要解决的技术问题是提供一种适用于可见光和近红外波段范围的多波段图像的去雾方法。从而能够降低成像图像各个波段的大气退化影响,提高各波段的对比度和清晰度,增加各波段细节。
为解决上述技术问题,本发明包括如下步骤:
(1)输入一副波段范围在可见光及近红外之内的多波段有雾遥感图像In,在其可见光波段范围内,任选3个不同波段,构建一副三通道输入图像I3。利用先验知识,提取大气天光值位置和场景粗透过率;
(2)从输入的多波段遥感图像波段中任选两个波段,利用步骤(1)中计算出来的场景粗透过率作为引导图,输入到导向滤波器中,最终获取这两个波段的场景精细透过率;
(3)根据获取的两个波段的场景精细透过率和两个波段的波长值,结合不同波段大气光学厚度同光波长的Angstrom指数关系,推算出图像场景各位置区域的Angstrom指数数值;利用该指数数值和上述任一波段场景精细透过率,来快速获取多波段遥感图像的其他波段的场景精细透过率;
(4)利用步骤(1)中获得天光值位置,获取各个波段的大气天光值,结合各波段的场景精细透过率和相应的大气点扩散函数,根据大气多次散射图像退化模型,获取最终的多波段遥感图像去雾结果。
所述步骤1)中的详细步骤包括:
a)对于一副波段范围在可见光及近红外之内的具有n个波段的有雾遥感图像In,在其可见光波段范围内,任选3个不同波段,构建一副三通道输入图像I3。依据暗原色先验知识提取三通道图像的暗通道:
其中Idark为获取的图像暗通道,表示图像I3的c通道图像,Ω(x)表示以x像素位置为中心的局部邻域;
b)从上述图像的暗通道中提取最亮点的位置,作为各通道的天光值的取值位置,将各通道的相应位置的值取作为相应通道的天光值;
c)根据暗通道性质,对于无雾区域其值接近于0,因此图像的粗透过率计算如下:
其中t′为计算得到的场景粗透过率,ω是常数系数,Ac为c通道的天光值。
所述步骤2)中首先从原始输入图像中任选两个波段I1,I2。用步骤(1)中获取的场景粗透过率作为引导图,输入到导向滤波器中,滤波器输出结果就是两个波段相应的场景精细透过率:
其中GuideFilter(.)为导向滤波操作,t1和t2分别是1波段和2波段的场景精细透过率图。
所述步骤3)中的详细步骤包括:
a)首先求取场景的Angstrom指数,根据不同波段大气光学厚度同光波长的Angstrom指数关系:
其中α是Angstrom指数,分别是波长λ1,λ2下的气溶胶光学厚度,又因为场景透过率同大气光学厚度存在如下关系:
τ=-log(t) (15)
因此利用步骤(2)中获取的波段1和波段2的场景精细透过率图,结合式(14)和式(15),计算出场景图像各区域Angstrom指数:
b)利用计算出来的Angstrom指数以及上述任一波段的精细透过率,从式(14)和式(15)中可以推断出图像其他任意波段的场景精细透过率计算公式:
其中,t是任意波段的场景精细透过率,λ是相应的波长,t0是步骤(2)选取的任一波段的图像透过率,λ0是相应的波长。根据式(17),我们就可以计算出输入图像任意波段的场景精细透过率。
所述步骤4)中的详细步骤包括:
a)利用广义的高斯分布计算的大气点扩散函数和天光点扩散函数,其式如下:
其中x,y为图像坐标位置,Γ(.)是伽马函数,p和σ为大气参量,分别计算如下:
其中k是参数常量,q为前向散射因子,τ为光学厚度。
b)利用如下大气退化模型:
其中Ix为多波段输入图像的x波段,tx是相应的场景精细透过率,Ax是利用步骤(1)中标记的天光位置获取的相应天光值,APSFo和APSFa分别是用广义的高斯分布计算的大气点扩散函数和天光点扩散函数,其中的光学厚度分别是-log(tx)和-log(1-tx)。
c)利用计算出来的各参数,计算退化模型中的天光部分:
利用维纳滤波结合获取的大气点扩散函数进行最终的去雾
本发明的有益效果是:本方法针对多波段遥感图像的特点,从图像上选取少量波段获取透过率信息,并利用Angstrom指数关系推演出其他波段的透过率,从而降低了恢复算法的工作量,并最终实现多波段图像的全波段遥感快速去雾恢复,提高了图像的对比度和清晰度,增加图像细节。
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例的原始图像;
图3为本发明实施例提取到的暗通道;
图4为本发明实施例提取到的粗图像透过率;
图5为本发明实施例提取到的波段1场景精细透过率;
图6为本发明实施例提取到的波段2场景精细透过率;
图7为本发明实施例计算出的波段3场景精细透过率;
图8为本发明实施例最终去雾图像。
具体实施方式
如图1所示,本实施例基于Angstrom指数的多波段图像快速去雾算法的实施步骤如下:
(1)输入一幅有雾多波段遥感图像(见图2,本例中采用3通道图像),选取其中三个通道构建输入图像,依据暗原色先验知识提取三通道图像的暗通道:
其中Idark为获取的图像暗通道,表示图像I3的c通道图像,Ω(x)表示以x像素位置为中心的局部邻域。
从上述图像的暗通道(见图3)中提取最亮点的位置,本实施例中其位置为(315,1)像素,作为各通道的天光值的取值位置,将各通道的相应位置的值作为相应通道的天光值,本实施例中其值分别为:A1=157,A2=174,A3=194。
根据暗通道性质,对于无雾区域其值接近于0,因此图像的粗透过率计算如下:
其中t′为计算得到的场景粗透过率(见图4),ω是常数系数,Ac为c通道的天光值;
(2)从原始输入图像中任选两个波段I1(λ1=685nm),I2(λ2=532nm)。利用步骤(1)获取的场景粗透过率,作为引导图,输入到导向滤波器中,滤波器输出结果就是两个波段相应的场景精细透过率:
其中GuideFilter(.)为导向滤波操作,t1和t2分别是1波段和2波段的场景精细透过率(见图5和图6)。
(3)利用步骤(2)获取的t2和t2,根据不同波段大气光学厚度同光波长的Angstrom指数关系:
其中α是Angstrom指数,分别是波长λ1,λ2下的气溶胶光学厚度,又因为场景透过率同大气光学厚度的如下关系:
τ=-log(t) (26)
计算出场景图像各区域Angstrom指数:
利用计算出来的Angstrom指数以及上述任一波段的精细透过率,从式(14)和式(15)中可以推断出图像其他任意波段的场景精细透过率:
其中,t是任意波段的场景精细透过率,λ是相应的波长,t0是步骤(2)选取的任一波段的图像透过率,λ0是相应的波长。根据式(17),我们就可以计算出输入图像任意波段的场景精细透过率。在本实施例中我们选取波段1的透过率图像作为t0,即λ0=685nm,来求取波段3(λ=485nm)的图像透过率(见图7)。
(4)根据步骤(3)中获取的各通道透过率,利用用广义的高斯分布来计算的大气点扩散函数和天光点扩散函数,其式如下:
其中x,y为图像坐标位置,Γ(.)是伽马函数,p和σ为和大气参量,分别计算如下:
其中k是参数常量,q为前向散射因子,τ为光学厚度。然后利用如下大气退化模型:
其中Ix为多波段输入图像的x波段,tx是相应的图像透过率,Ax是利用步骤(1)中标记的天光位置获取的相应天光值,APSFo和APSFa分别是用广义的高斯分布计算的大气点扩散函数和天光点扩散函数,其中的光学厚度分别是-log(tx)和-log(1-tx)。
c)利用计算出来的各参数,计算退化模型中的天光部分:
利用维纳滤波结合获取的大气点扩散函数进行最终的去雾最终的输出去雾结果见图8。
Claims (4)
1.一种基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法,其特征在于,该方法包括以下步骤:
(1)输入一幅波段范围在可见光及近红外之内的多波段有雾遥感图像In,在其可见光波段范围内,任选3个不同波段,构建一幅三通道输入图像I3;利用先验知识,提取大气天光值位置和场景粗透过率;
(2)从输入的多波段遥感图像中任选两个波段,利用步骤(1)中计算出来的场景粗透过率作为引导图,输入到导向滤波器中,最终获取这两个波段的场景精细透过率;
(3)根据获取的两个波段的场景精细透过率和两个波段的波长值,结合不同波段大气光学厚度同光波长的Angstrom指数关系,推算出图像场景各位置区域的Angstrom指数数值;利用该指数数值和两个波段中的任一波段场景精细透过率,来快速获取多波段遥感图像的其他波段的场景精细透过率;具体如下:
不同波段大气光学厚度同光波长的Angstrom指数关系如下:
其中α是Angstrom指数,分别是波长λ1,λ2下的气溶胶光学厚度,又因为场景透过率同大气光学厚度τ存在如下关系:
τ=-log(t) (2)
因此利用步骤(2)中获取的波段1和波段2的场景精细透过率,结合式(1)和式(2),计算出场景图像各区域Angstrom指数:
其中t1和t2分别是波段1和波段2的场景精细透过率;
基于该指数以及两个波段中的任一波段的场景精细透过率,从式(1)和式(2)中计算出图像其他任意波段的场景精细透过率:
其中,t是任意波段的场景精细透过率,λ是相应的波长,t0是步骤(2)选取的任一波段的场景精细透过率,λ0是相应的波长;
(4)利用步骤(1)中获得的天光值位置,获取各个波段的大气天光值,结合各波段的场景精细透过率和相应的大气点扩散函数,根据大气多次散射图像退化模型,获取最终的多波段遥感图像去雾结果。
2.根据权利要求1所述的一种基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法,其特征在于,所述步骤(1)中的详细步骤包括:
a)对于一幅波段范围在可见光及近红外之内的具有n个波段的有雾遥感图像In,在其可见光波段范围内,任选3个不同波段,构建一幅三通道输入图像I3;依据暗原色先验知识提取3通道图像的暗通道:
其中Idark为获取的图像暗通道,表示图像I3的c通道图像,Ω(x)表示以x像素位置为中心的局部邻域;
b)从上述图像的暗通道中提取最亮点的位置,作为各通道的天光值的取值位置,将各通道的相应位置的值取作相应通道的天光值;
c)根据暗通道性质,对于无雾区域其值接近于0,因此图像的粗透过率计算如下:
其中t′为计算得到的场景粗透过率,ω是常数系数,Ac为c通道的天光值。
3.根据权利要求1所述的一种基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法,其特征在于,所述步骤(2)中从In中任选两个波段I1和I2,用步骤(1)中获取的场景粗透过率作为引导图,输入到导向滤波器中,滤波器输出结果就是两个波段相应的场景精细透过率:
其中GuideFilter(.)为导向滤波操作,t1和t2分别是波段1和波段2的场景精细透过率。
4.根据权利要求1所述的一种基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法,其特征在于,所述步骤(4)中利用如下大气多次散射图像退化模型:
其中Ix为多波段输入图像的x波段,tx是相应的场景精细透过率,Ax是利用步骤(1)中标记的天光位置获取的相应天光值,APSFo和APSFa分别是用广义的高斯分布计算的大气点扩散函数和天光点扩散函数,其式如下:
其中x,y为图像坐标位置,Γ(.)是伽马函数,p和σ为大气参量,分别计算如下:
其中k是参数常量,q为前向散射因子;
最终利用维纳滤波曲卷积的方法获取各通道的去雾结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610205707.5A CN105913387B (zh) | 2016-04-01 | 2016-04-01 | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610205707.5A CN105913387B (zh) | 2016-04-01 | 2016-04-01 | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913387A CN105913387A (zh) | 2016-08-31 |
CN105913387B true CN105913387B (zh) | 2019-01-25 |
Family
ID=56745234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610205707.5A Expired - Fee Related CN105913387B (zh) | 2016-04-01 | 2016-04-01 | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913387B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537760B (zh) * | 2018-06-07 | 2021-10-01 | 南京信息职业技术学院 | 一种基于大气散射模型的红外图像增强方法 |
CN111091500B (zh) * | 2018-10-24 | 2024-03-12 | 天津工业大学 | 点光源多散射模型图像复原方法 |
CN111539891A (zh) * | 2020-04-27 | 2020-08-14 | 高小翎 | 单张遥感图像的波段自适应除雾优化处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508226A (zh) * | 2011-11-23 | 2012-06-20 | 青岛海洋地质研究所 | 一种实现浑浊水体区域modis影像大气校正的方法 |
CN104574412A (zh) * | 2015-01-22 | 2015-04-29 | 浙江大学 | 一种非均匀云雾条件下的遥感图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW508865B (en) * | 2000-06-22 | 2002-11-01 | Asahi Glass Co Ltd | Glass antenna for an automobile |
-
2016
- 2016-04-01 CN CN201610205707.5A patent/CN105913387B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508226A (zh) * | 2011-11-23 | 2012-06-20 | 青岛海洋地质研究所 | 一种实现浑浊水体区域modis影像大气校正的方法 |
CN104574412A (zh) * | 2015-01-22 | 2015-04-29 | 浙江大学 | 一种非均匀云雾条件下的遥感图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
Objective measurement for image defogging algorithms;GUO Fan等;《Journal of Central South University》;20140115;第272-286页 |
江西千烟洲气溶胶光学厚度的反演与分析;袁海军等;《遥感学报》;20060930;第10卷(第5期);第762-769页 |
Also Published As
Publication number | Publication date |
---|---|
CN105913387A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100618B2 (en) | Systems and methods for reducing low-frequency non-uniformity in images | |
US10235746B2 (en) | Method and device for fusing panchromatic image and infrared image | |
Ancuti et al. | Effective single image dehazing by fusion | |
Maurer | How to pan-sharpen images using the gram-schmidt pan-sharpen method–A recipe | |
US9635220B2 (en) | Methods and systems for suppressing noise in images | |
EP3345155B1 (en) | Method and apparatus for inverse tone mapping | |
US8761506B1 (en) | Pan sharpening digital imagery | |
KR101104199B1 (ko) | 가시광선 및 적외선 영상신호 융합장치 및 그 방법 | |
CN105913387B (zh) | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 | |
CN104574412A (zh) | 一种非均匀云雾条件下的遥感图像去雾方法 | |
Li et al. | A variational gradient-based fusion method for visible and SWIR imagery | |
JP6943251B2 (ja) | 画像処理装置、画像処理方法及びコンピュータ読み取り可能記録媒体 | |
US10650498B2 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
CN111489299B (zh) | 一种多光谱遥感卫星影像的去雾方法 | |
Chen et al. | Adaptive wavelet filter with edge compensation for remote sensing image denoising | |
JP6772838B2 (ja) | 画像情報処理装置、画像情報処理システム、画像情報処理方法、及び、画像情報処理プログラム | |
CN112106346A (zh) | 图像处理方法、设备、无人机、系统和存储介质 | |
WO2015133098A1 (ja) | 画像処理装置、撮像装置、画像処理方法及びプログラムを記憶した記憶媒体 | |
El Khoury et al. | A spectral hazy image database | |
Zhang et al. | A scattering law based cirrus correction method for Landsat 8 OLI visible and near-infrared images | |
KR101693705B1 (ko) | 다중 회귀식에 의한 중해상도 모의 위성 영상 제작 방법 및 시스템 | |
WO2016103824A1 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US10872397B2 (en) | Optical path radiance correction device | |
JP2007183710A (ja) | 緑地の彩度補正システム | |
CN109801253B (zh) | 一种对高分辨率光学遥感图像的自适应云区检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190125 Termination date: 20200401 |
|
CF01 | Termination of patent right due to non-payment of annual fee |