CN106651799A - 一种基于地物光谱属性的坏线修复方法 - Google Patents

一种基于地物光谱属性的坏线修复方法 Download PDF

Info

Publication number
CN106651799A
CN106651799A CN201611189755.6A CN201611189755A CN106651799A CN 106651799 A CN106651799 A CN 106651799A CN 201611189755 A CN201611189755 A CN 201611189755A CN 106651799 A CN106651799 A CN 106651799A
Authority
CN
China
Prior art keywords
bad
pixel
image
dark fringe
wave band
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
Application number
CN201611189755.6A
Other languages
English (en)
Other versions
CN106651799B (zh
Inventor
于颖
范文义
李明泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN201611189755.6A priority Critical patent/CN106651799B/zh
Publication of CN106651799A publication Critical patent/CN106651799A/zh
Application granted granted Critical
Publication of CN106651799B publication Critical patent/CN106651799B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于地物光谱属性的坏线修复方法，该方法首先提取坏线像元非坏线部分对应光谱曲线，以该光谱曲线片段为依据，通过全影像搜索，寻找与之相似度最高的地物光谱曲线，以此光谱曲线对应地物类型作为坏线像元地物类型，并用对应光谱值修复坏线像元的像元值；该方法不再盲目的利用统计关系修复坏线，而是利用先验知识判断坏线像元的地物类型，再依靠同时成像的其他相同像元的光谱特征，填补坏线区域。这种坏线修复方法，不仅修复了破损的遥感数据，提高数据的利用率。相比较于传统的方法，该方法不盲目的依赖于统计相关性，而是依靠地物本身的光谱特征来实现坏线区域的修复，科学可靠，精度更好。

Description

一种基于地物光谱属性的坏线修复方法
技术领域
本发明涉及一种坏线修复方法，特别涉及一种基于地物光谱属性的坏线修复方法，属于图像处理研究领域。
背景技术
坏线是指影像上一整列或一行明显的暗纹，它的像元值一般为很小的非典型的像元值，如0或者很小的值。坏线存在于很多类型的影像上，特别是高光谱影像。其形成的主要原因是传感器的定标问题。因为面阵列CCD器件上万个探测单元的定标十分困难。坏线的存在严重的影响了遥感影像的使用，必须加以纠正。而现有的坏线校正方法多是依靠坏线像元与左右相邻像元的相关性，建立统计模型，利用相邻像元对其进行恢复。这些方法对相邻像元的依赖性很强，缺乏理论依据，修复像元值为统计意义的估计值，而并非真实的地物的像元值。
发明内容
本发明要解决的技术问题是克服现有的坏线校正方法多是依靠坏线像元与左右相邻像元的相关性，建立统计模型，利用相邻像元对其进行恢复，这些方法对相邻像元的依赖性很强，缺乏理论依据，修复像元值为统计意义的估计值，而并非真实的地物的像元值的缺陷，提供一种基于地物光谱属性的坏线修复方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供了一种基于地物光谱属性的坏线修复方法，包括以下步骤：
1)定义多波段图像有p行，q列和n个波段，其图像大小为p*q*n，并假设该图像第b个波段的第i行第j列为坏线像元；
2)提取该影像除坏线波段外n-1个波段第i行第j列像元值，也就是坏线像元的地物光谱特征，用fbad表示，其数学表达式为：
fbad＝[DN1(i，j)，DN2(i，j)，L，DNb-1(i，j)，DNb+1(i，j)，L，DNn(i，j)]
影像上任意像元(x，y)除波段b之外地物光谱特征fref可以表示为：
fref＝[DN1(x，y)，DN2(x，y)，L，DNb-1(x，y)，DNb+1(x，y)，L，DNn(x，y)]
利用代价函数计算fbad与影像上其他像元光谱曲线fref的相似度，
ε＝fref-fbad
对于整幅影像就可以得到ε的集合E，那么E中ε的最小值就被认为该像元与fbad的相似度最高；
3)利用该像元第b个波段的像元值代替第b个波段的第i行第j列为坏线像元，以此实现其坏线的修复。
作为本发明的一种优选技术方案，选取TM图像的一块，并人为制造出坏线，通过比较传统方法和本方法的校正结果，分析所述象元值的修复精度和准确度。
本发明所达到的有益效果是：这种坏线修复方法，不仅修复了破损的遥感数据，提高数据的利用率。相比较于传统的方法，该方法不盲目的依赖于统计相关性，而是依靠地物本身的光谱特征来实现坏线区域的修复，科学可靠，精度更好。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的Hyperion第15波段第114列的坏线示意图；
图2是本发明的Hyperion坏线修复后结果图；
图3是本发明的原始图像；
图4是本发明的增加坏线后的图像；
图5是本发明的基于地物光谱属性法修复图像。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1-5所示，本发明提供了一种基于地物光谱属性的坏线修复方法，首先定义多波段图像有p行，q列和n个波段，其图像大小为p*q*n，并假设该图像第b个波段的第i行第j列为坏线像元；再提取该影像除坏线波段外n-1个波段第i行第j列像元值，也就是坏线像元的地物光谱特征，用fbad表示，其数学表达式为：
fbad＝[DN1(i，j)，DN2(i，j)，L，DNb-1(i，j)，DNb+1(i，j)，L，DNn(i，j)]
影像上任意像元(x，y)除波段b之外地物光谱特征fref可以表示为：
fref＝[DN1(x，y)，DN2(x，y)，L，DNb-1(x，y)，DNb+1(x，y)，L，DNn(x，y)]
利用代价函数计算fbad与影像上其他像元光谱曲线fref的相似度，
ε＝fref-fbad
然后，对于整幅影像就可以得到ε的集合E，那么E中ε的最小值就被认为该像元与fbad的相似度最高；并利用该像元第b个波段的像元值代替第b个波段的第i行第j列为坏线像元，以此实现其坏线的修复。
在坏线修复好之后，选取TM图像的一块(如图3)，并人为制造出坏线(如图4)，通过比较传统方法和本方法的校正结果，分析其修复精度和准确度。例如使用了邻域均值法和本发明所述的基于地物光谱属性的坏线修复方法对TM数据的人造坏线进行修复，并通过比较两种方法的计算结果和真值之间的差异来评价不同方法的优劣。分别均方根误差(RMSE)，和平均精度作为评价不同方法的指标。通过计算，传统方法修复结果的平均精度为96.2％，均方根误差1.3。而基于地物光谱属性坏线修复法修复结果平均精度为99.6％，均方根误差1.1。精度提高了3.4个百分点。
方法原理：该方法首先提取坏线像元非坏线部分对应光谱曲线，以该光谱曲线片段为依据，通过全影像搜索，寻找与之相似度最高的地物光谱曲线，以此光谱曲线对应地物类型作为坏线像元地物类型，并用对应光谱值修复坏线像元的像元值；该方法不再盲目的利用统计关系修复坏线，而是利用先验知识判断坏线像元的地物类型，再依靠同时成像其他相同像元的光谱特征，填补坏线区域。
本发明所达到的有益效果是：这种坏线修复方法，不仅修复了破损的遥感数据，提高数据的利用率。相比较于传统的方法，该方法不盲目的依赖于统计相关性，而是依靠地物本身的光谱特征来实现坏线区域的修复，科学可靠，精度更好。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于地物光谱属性的坏线修复方法，其特征在于，包括以下步骤：
1)定义多波段图像有p行，q列和n个波段，其图像大小为p*q*n，并假设该图像第b个波段的第i行第j列为坏线像元；
2)提取该影像除坏线波段外n-1个波段第i行第j列像元值，也就是坏线像元的地物光谱特征，用fbad表示，其数学表达式为：
fbad＝[DN1(i，j)，DN2(i，j)，L，DNb-1(i，j)，DNb+1(i，j)，L，DNn(i，j)]
影像上任意像元(x，y)除波段b之外地物光谱特征fref可以表示为：
fref＝[DN1(x，y)，DN2(x，y)，L，DNb-1(x，y)，DNb+1(x，y)，L，DNn(x，y)]
利用代价函数计算fbad与影像上其他像元光谱曲线fref的相似度，
ε＝fref-fbad
对于整幅影像就可以得到ε的集合E，那么E中ε的最小值就被认为该像元与fbad的相似度最高；
3)利用该像元第b个波段的像元值代替第b个波段的第i行第j列为坏线像元，以此实现其坏线的修复。
2.根据权利要求1所述的一种基于地物光谱属性的坏线修复方法，其特征在于，选取TM图像的一块，并人为制造出坏线，通过比较传统方法和本方法的校正结果，分析所述象元值的修复精度和准确度。
CN201611189755.6A 2016-12-16 2016-12-16 一种基于地物光谱属性的坏线修复方法 Expired - Fee Related CN106651799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611189755.6A CN106651799B (zh) 2016-12-16 2016-12-16 一种基于地物光谱属性的坏线修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611189755.6A CN106651799B (zh) 2016-12-16 2016-12-16 一种基于地物光谱属性的坏线修复方法

Publications (2)

Publication Number Publication Date
CN106651799A true CN106651799A (zh) 2017-05-10
CN106651799B CN106651799B (zh) 2019-05-28

Family

ID=58833398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611189755.6A Expired - Fee Related CN106651799B (zh) 2016-12-16 2016-12-16 一种基于地物光谱属性的坏线修复方法

Country Status (1)

Country Link
CN (1) CN106651799B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104380713A (zh) * 2014-03-12 2015-02-25 深圳市大疆创新科技有限公司 数码影像的坏点矫正方法和系统
CN105787925A (zh) * 2016-02-03 2016-07-20 中国科学院空间应用工程与技术中心 推扫型光学遥感载荷原始图像坏线的自动检测方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104380713A (zh) * 2014-03-12 2015-02-25 深圳市大疆创新科技有限公司 数码影像的坏点矫正方法和系统
CN105787925A (zh) * 2016-02-03 2016-07-20 中国科学院空间应用工程与技术中心 推扫型光学遥感载荷原始图像坏线的自动检测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
T.HAN ET AL.: "Detection and correction of abnormal picels in Hyperion images", 《IEEE》 *
于颖 等: "EO．1 Hyperion高光谱数据坏线修复方法的对比分析", 《东北林业大学学报》 *

Also Published As

Publication number Publication date
CN106651799B (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
Song et al. Spatiotemporal satellite image fusion using deep convolutional neural networks
CN110992275B (zh) 一种基于生成对抗网络的细化单幅图像去雨方法
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
CN106023185B (zh) 一种输电设备故障诊断方法
CN103093444B (zh) 基于自相似性和结构信息约束的图像超分辨重建方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN105989322A (zh) 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN110211138B (zh) 基于置信点的遥感图像分割方法
CN109886351B (zh) 高光谱数据和高分辨率图像融合方法
CN114494821B (zh) 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
Jin et al. Perceptual image quality assessment using block-based multi-metric fusion (BMMF)
CN105095896A (zh) 一种基于查找表的图像畸变校正方法
CN103996023A (zh) 基于深度信念网络的光场人脸识别方法
CN114897742B (zh) 一种纹理和结构特征两次融合的图像修复方法
Han et al. Spectral super-resolution for RGB images using class-based BP neural networks
CN111104872A (zh) 一种运用sift和svd感知哈希的gf-2影像完整性认证方法
Ma et al. Explicit and stepwise models for spatiotemporal fusion of remote sensing images with deep neural networks
CN104036489A (zh) 一种光场获取方法
Dai et al. A remote sensing spatiotemporal fusion model of landsat and modis data via deep learning
CN104504672A (zh) 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法
Zhang et al. Feature calibrating and fusing network for RGB-D salient object detection
Lin et al. Saliency-aware spatio-temporal artifact detection for compressed video quality assessment
CN113421258A (zh) 一种基于高分辨率遥感影像的自动云检测方法
CN104574269B (zh) 一种月基天文望远镜观测图像行方向拖曳的矫正方法
CN117372710A (zh) 一种基于Sentinel-2 MSI遥感影像的林窗提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20190528

Termination date: 20191216

CF01 Termination of patent right due to non-payment of annual fee