CN107230195A - 一种影像处理方法和装置 - Google Patents
一种影像处理方法和装置 Download PDFInfo
- Publication number
- CN107230195A CN107230195A CN201710565883.4A CN201710565883A CN107230195A CN 107230195 A CN107230195 A CN 107230195A CN 201710565883 A CN201710565883 A CN 201710565883A CN 107230195 A CN107230195 A CN 107230195A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- pixel
- raw video
- sliding window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008439 repair process Effects 0.000 claims abstract description 39
- 230000001771 impaired effect Effects 0.000 claims description 86
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 21
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 239000000047 product Substances 0.000 description 23
- 230000000694 effects Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002699 waste material 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
- G06T5/77—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)
Abstract
本发明提供一种影像处理方法,包括:获得原始影像序列,原始影像序列为影像采集设备针对同一地区在不同时间获取的原始影像的集合;从原始影像序列待修复的原始影像中选择目标影像,并确定与所选目标影像对应的源影像,针对每一幅被选的目标影像,其对应的源影像为原始影像序列中除被选的目标影像之外的至少一幅原始影像;针对每一幅目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,并按优先级从高到低的顺序依次选择目标影像对应的各源影像对目标影像进行修复。本发明还提供一种影像处理装置和计算机可读存储介质。本发明通过对同一地区不同时间获取的原始影像进行交叉修补,能够修复大量遥感影像。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种影像处理方法和装置。
背景技术
遥感影像是监测地表动态以及人类活动对自然环境影响的宝贵数据资源,但由于遥感影像中不可避免地存在着大量云和云下阴影的遮挡,这就导致会产生大量数据缺失的影像,使得影像的利用率十分低下。据统计,全球年平均云覆盖面积约为整个地表的三分之二,这就使得对影像的利用变得十分困难,因为数据缺失严重。另外,由于成像传感器的系统性或偶发故障,也会造成影像中部分像元值的缺失,这也是导致影像存在数据缺失的一方面因素。
然而,即使是存在数据缺失的影像当中,也存在着很大一部分的正常数据,如果将这类影像直接放弃,影像中的正常数据就没有得到有效的利用,这无疑将造成极大的信息浪费。
因此,如何对受损影像(即存在数据缺失的影像)进行修复,即修复受损影像中缺失的像元值,使受损影像能够得到有效的利用,是亟待解决的技术问题。
发明内容
有鉴于此,本发明实施例期望提供一种影像处理方法、装置和计算机可读存储介质,以至少解决现有技术中的以上技术问题。
作为本发明实施例的一个方面,提供了一种影像处理方法,包括:
获得原始影像序列,所述原始影像序列为影像采集设备针对同一地区在不同时间获取的原始影像的集合;
从所述原始影像序列待修复的原始影像中选择目标影像,并确定与所选目标影像对应的源影像,其中,针对每一幅被选的目标影像,其对应的源影像为所述原始影像序列中除所述被选的目标影像之外的至少一幅原始影像;
针对每一幅所述目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,并按所述优先级从高到低的顺序依次选择所述目标影像对应的各源影像对所述目标影像进行修复。
在一种具体实施方式中,在获得的所述原始影像序列中,每一幅原始影像都进行了受损像元和正常像元的标记;
所述从原始影像序列待修复的原始影像中选择目标影像,包括:根据所述原始影像序列中每一幅原始影像的受损像元和正常像元的标记,确定存在受损像元的原始影像为待修复的原始影像,并从所述待修复的原始影像中选择所述目标影像。
在一种具体实施方式中,所述针对每一幅目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,包括:
根据所述各源影像被所述影像采集设备获取的时间、以及所述目标影像被所述影像采集设备获取的时间,计算其时间间隔,时间间隔越小的源影像的优先级越高,时间间隔越大的源影像的优先级越低。
在一种具体实施方式中,所述按优先级从高到低的顺序依次选择目标影像对应的各源影像对所述目标影像进行修复,包括:
在使用每一幅源影像对所述目标影像进行修复时,每当所述目标影像中的受损像元被修复,即将被修复的受损像元标记为正常像元;
在每一幅源影像对所述目标影像执行完修复操作后,判断所述目标影像中是否还存在受损像元,如存在,则按优先级顺序选择下一幅源影像继续对所述目标影像进行修复;如不存在,则确定所述目标影像被完全修复,并不再选择后续源影像执行修复。
在一种具体实施方式中,所述使用每一幅源影像对所述目标影像进行修复,包括:
对所述源影像和目标影像用滑动窗口进行同步遍历,以滑动窗口为单位进行影像修复,在当前滑动窗口的影像修复操作完成后,按预设的跳转策略跳转到下一个滑动窗口继续执行修复操作,直至所述源影像和目标影像中的所有滑动窗口都执行完修复操作;
在执行每个滑动窗口内的影像修复操作时,将所述目标影像在对应滑动窗口内的正常像元组织成第一数据矩阵,将所述源影像在对应滑动窗口内的正常像元组织成第二数据矩阵;用所述第一数据矩阵和第二数据矩阵作为输入,用带有最大熵约束的最优运输算法计算对应滑动窗口内源影像到目标影像的最优运输计划,所述最优运输计划用于描述对应滑动窗口内源影像的每个正常像元映射到目标影像中的相同位置而被赋予新像元值时,与对应窗口内所述目标影像的所有正常像元之间的连接权重;
对于所述滑动窗口内目标影像中的每一个受损像元,当源影像中相同位置的像元为正常像元时,将所述源影像中所述正常像元到所述滑动窗口内目标影像的所有正常像元之间的连接权重做归一化处理后,根据所述归一化处理后的连接权重计算所述滑动窗口内目标影像的所有正常像元的加权和,将所述加权和作为所述源影像中的正常像元映射到所述目标影像中同样位置的受损像元的映射值,所述映射值即为赋予所述受损像元的新像元值,并随之将所述已修复的受损像元标记为正常像元。
在一种具体实施方式中,所述预设的跳转策略为:
计算在每一个滑动窗口内所述源影像和目标影像的正常像元比例的乘积,按所述乘积从大到小的顺序执行所述滑动窗口的跳转。
在一种具体实施方式中,所有滑动窗口的面积尺寸相同,且相邻的滑动窗口之间具有一定的重叠区域,所述重叠区域占所述滑动窗口的面积比例为预设值。
在一种具体实施方式中,所述使用每一幅源影像对所述目标影像进行修复,还包括:在每个滑动窗口的影像修复操作完成后,将对应滑动窗口标记为已修复,当所有滑动窗口都标记为已修复时,表明这一幅源影像对所述目标影像的修复操作完成。
作为本发明实施例的另一个方面,提供了一种计算机可读存储介质,所述存储介质中存储有计算机可执行指令,所述指令适用于被计算机加载时执行前述本发明实施例所述的影像处理方法。
作为本发明实施例的再一个方面,提供了一种影像处理装置,所述装置包括:
处理器,用于执行计算机指令;
存储器,用于存储多条计算机指令,所述指令用于被处理器加载时执行前述本发明实施例所述的影像处理方法。
在本一种具体实施方式中,所述装置还包括:影像采集器,用于采集原始影像;所述处理器可从所述影像采集器获得原始影像序列。
本发明实施例采用上述技术方案,具有如下优点:
在同一地区不同时间获取的原始影像之间进行交叉修复,能够极大化地利用现有信息,提高了数据的利用率,使受损像元得到修复的机会得到较大提高;通过交叉修复,解决了现有技术中大部分原始像元受损而造成的影像利用率过低问题,能够高质量的完成大量遥感影像的修复,减少信息损失,尤其保证了为热点地区的连续监测提供充足的数据源。
另外,由于本发明实施例采用最优运输算法来计算源影像和目标影像之间的映射关系,能够更准确地将来自源影像的像元值过渡到目标影像当中,在视觉上使源影像中的像元经过映射后更自然地融入到目标影像当中,融为一体,不会显得突兀。其次,采用最优运输算法能够直接计算多维数据之间的过渡关系,而遥感影像一般也都是多波段的,这就很大程度上简化了处理流程,避免了每个波段单独计算。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为本发明实施例一的影像处理方法的流程示意图;
图2为本发明实施例一中源影像和目标影像中滑动窗口的示意图;
图3为本发明实施例一中从矩阵S到矩阵T的连接权重的示意图;
图4为本发明实施例一中像元值映射与替换的示意图;
图5为本发明实施例二中原始影像序列的交叉修复流程图;
图6为本发明实施例二中源影像对目标影像的修复流程图;
图7为本发明实施例四的影像处理装置的组成结构示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
本发明实施例尝试利用已知信息对受损影像进行修复,考虑到:一个地区不可能永远是被云覆盖的,总有无云的时刻,因此可以利用同一地区不被云覆盖期间获得的正常像元,去修补该地区被云覆盖期间的受损像元(也称缺失的像元、或受污染的像元)。当然,对由于成像传感器的系统性或偶发故障造成的影像受损,也可以利用未发生故障期间的正常像元去修补发生故障期间的受损像元。这其中主要涉及两个方面:一方面,需要确定影像中的哪些像元是受损像元;另一方面,如何用同一地区不同时间获取的影像进行交叉修复。
有鉴于此,本发明实施例提供了一种影像处理方法、装置和计算机可读存储介质。下面结合具体实施例和附图详细说明。
实施例一
参见图1,本发明实施例一提供了一种影像处理方法,包括:
步骤101,获得原始影像序列,所述原始影像序列为影像采集设备针对同一地区在不同时间获取的原始影像的集合。
所谓原始影像,是指由影像采集设备/影像采集器采集所得的影像,所述原始影像是未经过像元修补的影像,目的是减少误差扩散(对像元的修补本身是存在误差的,用修补的像元去再用作其他像元的修补,会导致误差扩散)。
影像采集器针对同一地区在不同时间获取的原始影像会存入一个集合,此一个集合即称为一个原始影像序列。针对同一地区在不同时间获取的原始影像之间是彼此正交的,即所有的原始影像上同一坐标的像元所覆盖的地理范围是一致的。
另外,还需对原始影像中的像元进行标记,区分受损像元和正常像元。这里需要说明的是,如果要修补的对象是被云或云下阴影遮挡的像元,则可以使用数据自带的云掩膜来进行标记,或使用云检测算法自行判断像元是否受到云的污损。
如果要修补的对象是因各类故障而造成的缺失数据,例如条带,则需要了解发生的规律或者缺失数据的填充值,以判断任一像元是否为缺失值。也就是说,受损像元标记的具体方法根据污染源的不同可能会有所区别,但无论如何需要确保能够判断原始影像中的任一像元是否为受损像元,如此即可,本发明实施例不对受损像元的标记方法做过多限制,实际应用中凡是能够标记受损像元和正常像元的方式方法应当都属于本发明实施例要保护的范围内。标记为受损就意味着该像元的值是未知的,是需要被修补的;而标记为正常则意味着该像元的值是已知的,是信息的提供者。
步骤102,从所述原始影像序列待修复的原始影像中选择目标影像,并确定与所选目标影像对应的源影像,其中,针对每一幅被选的目标影像,其对应的源影像为所述原始影像序列中除所述被选的目标影像之外的至少一幅原始影像。
在原始影像序列中各原始影像都做受损像元和正常像元的标记后,从原始影像序列待修复的原始影像中选择目标影像,可以采用以下方式进行:
根据原始影像序列中每一幅原始影像的受损像元和正常像元的标记,确定存在受损像元的原始影像为待修复的原始影像,并从待修复的原始影像中选择目标影像。实际应用中,可以只从待修复的原始影像中选择一幅或几幅作为目标影像,当然,也可以将所有待修复的原始影像都选择为目标影像,本发明实施例的目的即是对所选的目标影像进行修复。需要说明的是,本发明实施例既可以同时对多幅目标影像执行修复操作,也可以分时的依次对多幅目标影像分别执行修复操作,无论同时执行还是分时执行,针对每一幅目标影像的修复操作都是独立进行的,都是用该目标影像对应的源影像进行修复,不同的目标影像其对应的源影像是不同的;但针对每一幅目标影像的修复操作所使用的方法原理是基本相同的,具体的修复方法原理会在后续详细阐述。
还需要说明的是,针对每一幅被选的目标影像,在确定其对应的源影像时,即可以选择原始影像序列中除被选目标影像之外的所有原始影像作为其源影像,也可以只选择原始影像序列中除被选目标影像之外的部分原始影像作为其源影像。具体如何选择可以根据实际需要来定,只要能满足对受损影像的修复要求即可;选择部分原始影像作为目标影像的源影像能够减小运算量,节省计算机资源,而选择所述所有的原始影像作为目标影响的源影像,则能够获得更优的影像修复效果。
步骤103,针对每一幅所述目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,并按所述优先级从高到低的顺序依次选择所述目标影像对应的各源影像对所述目标影像进行修复。
其中,针对每一幅目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,可以采用以下方式来进行:
根据各源影像被影像采集设备获取的时间、以及目标影像被影像采集设备获取的时间,计算其时间间隔,时间间隔越小的源影像的优先级越高,时间间隔越大的源影像的优先级越低。
按源影像被获取的时间对源影像进行优先级排序是考虑到:各源影像对目标影像执行修复的先后顺序是对最终的修复效果有影响的,一般认为影像获取的时间越近,其所提供的信息的可靠性越强,因此优先选择获取时间与目标影像的获取时间更接近的源影像执行修复操作,会获得更优的影像修复效果。
具体的,按优先级从高到低的顺序依次选择目标影像对应的各源影像对目标影像进行修复,包括:
在使用每一幅源影像对所述目标影像进行修复时,每当所述目标影像中的受损像元被修复,即将被修复的受损像元标记为正常像元;
在每一幅源影像对所述目标影像执行完修复操作后,判断所述目标影像中是否还存在受损像元,如存在,则按优先级顺序选择下一幅源影像继续对所述目标影像进行修复;如不存在,则确定所述目标影像被完全修复,并不再选择后续源影像执行修复,所述被完全修复是指所述目标影像中的所有像元均标记为正常像元(这其中既包括原始的正常像元,也包括被修复为正常像元的原始受损像元),所述目标影像中的所有受损像元均被修复为正常像元。
而使用每一幅源影像对目标影像进行修复的操作具体为:
对源影像和目标影像用滑动窗口进行同步遍历,以滑动窗口为单位进行影像修复,在当前滑动窗口的影像修复操作完成后,按预设的跳转策略跳转到下一个滑动窗口继续执行修复操作,直至源影像和目标影像中的所有滑动窗口都执行完修复操作;
在执行每个滑动窗口内的影像修复操作时,将目标影像在对应滑动窗口内的正常像元组织成第一数据矩阵,将源影像在对应滑动窗口内的正常像元组织成第二数据矩阵;用第一数据矩阵和第二数据矩阵作为输入,用带有最大熵约束的最优运输算法计算对应滑动窗口内源影像到目标影像的最优运输计划,所述最优运输计划用于描述对应滑动窗口内源影像的每个正常像元映射到目标影像中的相同位置而被赋予新像元值时,与对应窗口内所述目标影像的所有正常像元之间的连接权重;
对于滑动窗口内目标影像中的每一个受损像元,当源影像中相同位置的像元为正常像元时,将源影像中所述正常像元到滑动窗口内目标影像的所有正常像元之间的连接权重做归一化处理后,根据归一化处理后的连接权重计算所述滑动窗口内目标影像的所有正常像元的加权和,将加权和作为源影像中的正常像元映射到目标影像中同样位置的受损像元的映射值,所述映射值即为赋予受损像元的新像元值,并随之将已修复的受损像元标记为正常像元。
以上可以看出,使用每一幅源影像对目标影像进行修复的操作,主要涉及以下技术手段:
一、滑动窗口的选择
遥感图像幅面一般较大,因此需要分块修补,即使用滑动窗口,将整幅影像分成各个滑动窗口逐个修复。这里,既然分多个滑动窗口逐个修复,那么就会涉及到这多个滑动窗口按怎样的先后顺序来进行修复的问题,原则上本发明实施例不对多个滑动窗口的修复先后策略进行限制,理论上无论采用怎样的先后顺序,只要保证每个滑动窗口都能完成修复操作,即能完成对整幅影像的修复,因此,实际应用中采用任何滑动窗口的修复先后策略应当都属于本发明实施例要保护的范围。但发明人在实践中发现,滑动窗口采用不同的修复先后策略,会对最终的影像修复效果造成影响,原因是:本发明实施例由于采用最优运输算法生成源影像与目标影像间的映射关系,而已知的信息越多,对像元值所属概率分布的描述就越准确,得出的最优运输计划也就越精确,因此优先选择能够提供最多已知信息的滑动窗口就能够获得更好的修复精确度。从而,本发明实施例提倡按滑动窗口中能够提供的已知信息(即正常像元)量的多少来决定滑动窗口的修复先后;实际应用中,可以用来评价滑动窗口中已知信息量多少的方法有多种,本发明实施例不做限制,但任何可适用于本发明实施例的评价方法应当都属于本发明实施例要保护的范围。
本发明实施例在此提供一种用来评价滑动窗口中已知信息量多少的方法,即计算在每一个滑动窗口内源影像和目标影像的正常像元比例的乘积,依此来衡量滑动窗口中已知信息量的多少,乘积的取值越大代表滑动窗口中的已知信息量越多,反之,乘积的取值越小代表滑动窗口中的已知信息量越少。举例说明,参见图2,图2中左侧图代表源影像,右侧图代表目标影像,图中的白线方框1代表滑动窗口1,白线方框2代表滑动窗口2,源影像和目标影像中的滑动窗口1对应的是相同的物理位置,同样,滑动窗口2对应的也是相同的物理位置,影像中的黑色区域代表正常像元所覆盖的区域,白色区域代表被云遮挡的区域,灰色区域代表被云下阴影遮挡的区域;滑动窗口1在源影像中对应的区域内,正常像元比例(即滑动窗口1中正常像元的数量除以滑动窗口1内像元的总数,可以依据正常像元和受损像元的标记来进行数量统计)为70%,滑动窗口1在目标影像中对应的区域内,正常像元比例为10%,那么两者的乘积70%*10%=0.07;滑动窗口2在源影像中对应的区域内,正常像元比例为75%,滑动窗口2在目标影像中对应的区域内,正常像元比例为15%,那么两者的乘积75%*15%=0.1125;通过对比,0.1125大于0.07,那么滑动窗口2的已知信息量要多于滑动窗口1的已知信息量,从而在执行修复时,滑动窗口2先于滑动窗口1执行修复。
基于上述滑动窗口的已知信息量评价方法,在执行影像修复时,所述滑动窗口的跳转策略可以为:计算在每一个滑动窗口内所述源影像和目标影像的正常像元比例的乘积,按所述乘积从大到小的顺序执行所述滑动窗口的跳转(即先跳转到乘积大的滑动窗口,后跳转到乘积小的滑动窗口)。例如:一组源影像和目标影像被划分成8个滑动窗口,滑动窗口1对应的源影像和目标影像正常像元比例的乘积为0.75,滑动窗口2对应的源影像和目标影像正常像元比例的乘积为0.25,滑动窗口3对应的源影像和目标影像正常像元比例的乘积为0.40,滑动窗口4对应的源影像和目标影像正常像元比例的乘积为0.30,滑动窗口5对应的源影像和目标影像正常像元比例的乘积为0.125,滑动窗口6对应的源影像和目标影像正常像元比例的乘积为0.65,滑动窗口7对应的源影像和目标影像正常像元比例的乘积为0.05,滑动窗口8对应的源影像和目标影像正常像元比例的乘积为0.50;那么,通过比较,0.75>0.65>0.50>0.40>0.30>0.25>0.125>0.05,从而滑动窗口执行跳转的顺序依次为:滑动窗口1、滑动窗口6、滑动窗口8、滑动窗口3、滑动窗口4、滑动窗口2、滑动窗口5、滑动窗口7。如遇两个或多个滑动窗口对应的所述正常像元的乘积相同,则可在这两个或多个滑动窗口中随机跳转,或者,这两个或多个滑动窗口按源影像中正向像元比例从高到低的顺序依次跳转。对于滑动窗口的跳转,还需要说明的是,如果源影像在某一滑动窗口内没有正常像元,或者目标影像在某一滑动窗口内没有需要修补的受损像元(即都是正常像元),则该滑动窗口不需要修补,也就无需跳转到该滑动窗口。
另外优选的,所有滑动窗口的面积尺寸相同,且相邻的滑动窗口之间具有一定的重叠区域,所述重叠区域占所述滑动窗口的面积比例为预设值,例如,可以设定为50%,即采用相邻彼此重叠50%的滑动窗口。滑动窗口的面积尺寸可以根据实际需要进行设定,例如,窗口的长与宽可设为整幅影像长与宽的八分之一,如果窗口尺寸过大导致计算缓慢,则可以适当缩小窗口尺寸,如果窗口尺寸过小导致某些窗口内的正常像元比例过小,则需要适当放大窗口尺寸。
所述对源影像和目标影像用滑动窗口进行同步遍历,是指在每个滑动窗口内,对源影像和目标影像执行同步遍历,遍历是指逐行或者逐列扫描各个像元,例如,在滑动窗口内逐行扫描,即从第一行开始从左向右扫描逐个像元,之后再从第二行开始从左向右扫描逐个像元,以此类推。所谓同步是指,目标影像和源影像中滑动窗口的位置时刻保持一致,目标影像和源影像的滑动窗口同步移动。
二、计算最优运输计划
在选择了一个滑动窗口之后,需要计算在该滑动窗口内源影像到目标影像的最优运输计划。计算前先根据受损像元标记只保留正常像元,然后将源影像和目标影像的正常像元分别组成矩阵,分别记为S(Source)和T(Target),此作为最优运输算法的输入,矩阵S(即前述的第二数据矩阵)和T(即前述的第一数据矩阵)中每一行代表一个像元,以下标作为行的索引,例如,S1表示矩阵S中的第一行,T1表示矩阵T中的第一行,以此类推。除此之外,还需要知道两组输入数据中每个像元值出现的概率,分别记为概率向量s和t,这里可以直接采用均匀分布,即认为每组数据中每个值出现的概率都是一样的,均为该组数据总数的倒数;假设矩阵S中的像元总数为I,矩阵T中的像元总数为J,则概率向量s中的每一个值都等于1/I,概率向量t中的每一个值都等于1/J。
另外,考虑到不带任何约束条件的最优运输问题是一个线性规划问题,直接求解计算时间较长,因此本发明实施例选择使用带有最大熵约束项的最优运输算法(SinkhornDistance),这一方法可以使最优运输问题转化为有快速解的问题,极大提高运算速度。使用该方法引入了一个约束项的权重参数λ,λ是一个正实数,λ越大运算结果越精细,计算时间也越长,本发明实施例中一般将λ设置为50,可以较好的平衡运算精度和运算速度。另外,如果λ超过某一个值,会使计算精度超过现有计算机体系的上限,引起计算失败,该值的大小根据具体的输入数据而不同,如果对于某些输入数据将λ设置为50依然过大,则需要减小λ,实际操作中可以先以5为步长,小于10之后以1为步长,逐步减小,直至找到能够正确生成结果的λ。
带有最大熵约束项的最优运输问题可以用以下四个公式来描述:
mij=‖Si-Tj‖2 (1)
其中,矩阵M是矩阵S和T各行之间的距离矩阵,本发明实施例采用欧式距离,例如矩阵M中第i行第j列的值mij记录了Si和Tj之间的欧式距离。集合U(s,t)表示概率向量s和t之间所有可能的联合概率分布。矩阵P表示概率向量s和t之间的一种联合概率分布,也即一种运输计划,h(P)定义了矩阵P的信息熵,参数λ则决定了熵约束项的权重。本发明实施例就是要找参数λ下满足公式(4)的最优运输计划Pλ,其中<P,M>表示矩阵P和M之间的Frobenius点积,即所有相同位置上元素乘积的和。最优运输计划的求解可以使用Sinkhorn固定点迭代算法。
最优运输计划Pλ实际上体现了从S到T的连接权重,因此将Pλ按行归一化之后就得到了从S到T的连接权重矩阵W。如图3所示,图3示出了一种从S到T的连接权重的示意,图中的矩阵S由像元S1、S2、S3和S4组成,矩阵T由像元T1、T2和T3组成,wij表示Si和Tj之间的连接权重,如:w11表示了S1和T1之间的连接权重,w12表示了S1和T2之间的连接权重,w13表示了S1和T3之间的连接权重。
关于参数λ的选择,λ是一个正实数,λ越大运算结果越精细,计算时间也越长,本发明实施例中一般将λ设置为50,可以较好的平衡运算精度和运算速度。另外,如果λ超过某一个值,会使计算精度超过现有计算机体系的上限,引起计算失败,该值的大小根据具体的输入数据而不同,如果对于某些输入数据将λ设置为50依然过大,则需要减小λ,实际操作中可以先以5为步长,λ小于10之后以1为步长,逐步减小,直至找到能够正确生成结果的λ。
三、计算映射值并替换受损像元
在上一步计算出的连接权重矩阵W当中,源影像当前窗口内的每个正常像元都会依照权重连接到目标影像窗口内所有的正常像元。对于目标影像当前窗口内每个受损的像元,以像元C为例,如果像元C在源影像窗口中对应位置的像元Si是正常像元,那么该像元C就可以被修补;反之,如果像元C在源影像窗口中对应位置的像元Si是受损像元,那么该像元C就不可被修补。
如果像元C可以被修补,那么修补的方式是用Si到目标影像所有正常像元的连接权重,求目标影像所有正常像元的加权和,以此作为像元Si映射到目标影像后的值,用这个值替换受损像元C的像元值。依然沿用上一步中的各参数符号,目标影像窗口内的正常像元矩阵为T,T中的像元总数为J,则
参见图4,图4展示了像元值映射与替换的过程。对于目标影像滑动窗口中所有的受损像元,依次检查源影像中同样位置上的像元是否是正常像元,如果是,则用计算出的像元映射值替换目标影像中原来受损像元的值;如果源影像中的相应像元也是受损像元,则该像元无法用当前的源影像进行修补,待原始影像序列中的其它影像作为源影像时继续尝试修补。将某滑动窗口的目标影像中所有能修补的受损像元都修补过之后,该窗口的修补完成。
四、判断修复是否完成
在滑动窗口中目标影像的每一个受损像元被修复时,将该被修复的像元标记为正常像元;一个滑动窗口内的像元遍历完成,即表明对该滑动窗口的修复操作完成,随即将修复操作完成的滑动窗口标记为已修复,但修复操作完成并不代表对应滑动窗口内的所有受损像元都被修复成正常像元,对于相同位置处的源影像和目标影像像元都为受损像元的情形,是无法修复成正常像元的,只能依赖于其他相同位置处为正常像元的源影像才能将其修复成正常像元。如果一幅源影像中的所有滑动窗口都被标记为已修复,则表明该幅源影像对目标影像的修复操作已完成,从而判断目标影像中是否还存在受损像元,如存在,则按修复的优先级顺序选择下一幅源影像继续对所述目标影像进行修复;如不存在,则确定目标影像被完全修复(即目标影像中全部为正常像元,包括原始的正常像元、以及被修复为正常像元的原始受损像元),并不再选择后续源影像执行修复(即使按所述优先级顺序,还存在未对目标影像执行修复操作的源影像,也不再继续,因为目标影像中已无需要修复的受损像元)。
需要说明的是,如果一个原始影像序列中存在多幅原始影像都需要被修复时,那么针对每一副需要修复的原始影像,当其被选择为目标影像时,都按上述同样的方法来执行修复。例如:一个原始影像序列包括A、B、C、D四幅原始影像,且这四幅原始影像都需要被修复,那么,在选择原始影像A作为目标影像时,用B、C、D这三幅原始影像作为源影像对其执行修复,在选择原始影像B作为目标影像时,可用A、C、D这三幅原始影像作为源影像对其执行修复,在选择原始影像C作为目标影像时,可用A、B、D这三幅原始影像作为源影像对其执行修复,在选择原始影像D作为目标影像时,可用A、B、C这三幅原始影像作为源影像对其执行修复。此也可称为原始影像之间的交叉修复,即A为目标影像时,B可作为其源影像对其进行修复,而B为目标影像时,A则可作为其源影像对其进行修复。但需强调的一点是,作为源影像的必须是原始影像,不能是被修复过的影像,这是为了减少误差扩散。另外,一个原始影像序列中,原始影像被选作目标影像的顺序不做限制,待修复的原始影像被选为目标影像而执行修复操作的先后顺序对各目标影像的最终被修复效果没有影响。
通过实施本发明的实施例一,在同一地区不同时间获取的原始影像之间进行交叉修复,能够极大化地利用现有信息,提高了数据的利用率,使受损像元得到修复的机会得到较大提高;通过交叉修复,解决了现有技术中大部分原始像元受损而造成的影像利用率过低问题,能够高质量的完成大量遥感影像的修复,减少信息损失,尤其保证了为热点地区的连续监测提供充足的数据源。
另外,由于本发明实施例采用最优运输算法来计算源影像和目标影像之间的映射关系,能够更准确地将来自源影像的像元值过渡到目标影像当中,在视觉上使源影像中的像元经过映射后更自然地融入到目标影像当中,融为一体,不会显得突兀。其次,采用最优运输算法能够直接计算多维数据之间的过渡关系,而遥感影像一般也都是多波段的,这就很大程度上简化了处理流程,避免了每个波段单独计算。
实施例二
下面再以包含有原始影像A、B、C、D的原始影像序列为例,并结合图5所示的原始影像序列的交叉修复流程,以及图6所示的每幅源影像对目标影像的修复流程,进一步详细阐述本发明的影像处理方法。
影像采集器采集获得针对同一地区不同时间的原始影像A、B、C、D,采集时间分别为同一月的1日、3日、4日、以及9日;对原始影像进行受损像元和正常像元的标记,该标记可以在影像采集器中进行,也可以在执行影像处理方法的处理器中进行,或者,也可以在除影像采集器和处理器之外的第三方设备中进行,本发明实施例不做限制。基于所述标记发现,原始影像A、B、C中都存在受损像元,需要被修复,原始影像D中不存在受损像元,不需要被修复,也就是说,原始影像A、B、C可以被选作为目标影像,原始影像D无需被选作目标影像。
从A、B、C中任选其一作为目标影像,假设选A作为目标影像,随之确定目标影像A对应的源影像为原始影像B、C、D。根据原始影像被采集的时间,源影像B被采集的时间与目标影像A最接近,C次之,D再次之,因此,选择用作修复目标影像A的源影像顺序先后依次为B、C、D。在用源影像B为目标影像A执行完修复操作后,目标影像A中仍然存在受损像元,则继续用源影像C为目标影像A执行修复操作;在用源影像C为目标影像A执行完修复操作后,目标影像A中仍然存在受损像元,则继续用源影像D为目标影像A执行修复操作。之后,得到修复后的目标影像A。
在对目标影像A的修复操作执行完成后,判断原始影像序列中还存在待修复的原始影像B,随即将原始影像B选作目标影像,确定原始影像A、C、D作为其对应的源影像,对原始影像B执行修复操作。根据原始影像被采集的时间,源影像C被采集的时间与目标影像B最接近,A次之,D再次之,因此,选择用作修复目标影像B的源影像顺序先后依次为C、A、D。在用源影像C为目标影像B执行完修复操作后,目标影像B中仍然存在受损像元,则继续用源影像A为目标影像B执行修复操作;在用源影像A为目标影像B执行完修复操作后,目标影像B中仍然存在受损像元,则继续用源影像D为目标影像B执行修复操作。之后,得到修复后的目标影像B。
在对目标影像B的修复操作执行完成后,判断原始影像序列中还存在待修复的原始影像C,随即将原始影像C选作目标影像,确定原始影像A、B、D作为其对应的源影像,对原始影像C执行修复操作。根据原始影像被采集的时间,源影像B被采集的时间与目标影像C最接近,A次之,D再次之,因此,选择用作修复目标影像C的源影像顺序先后依次为B、A、D。在用源影像B为目标影像C执行完修复操作后,目标影像C中仍然存在受损像元,则继续用源影像A为目标影像C执行修复操作;在用源影像A为目标影像C执行完修复操作后,目标影像C中仍然存在受损像元,则继续用源影像D为目标影像C执行修复操作。之后,得到修复后的目标影像C。
在上述针对目标影像A、B、C的修复操作都执行完成后,即原始影像序列的交叉修复操作完成,得到的即为交叉修复后的影像序列。
再参见图6,使用每一幅源影像对目标影像执行修复操作的原理都相同,下面只以源影像B对目标影像A执行修复操作为例进行说明。首先,源影像B和目标影像A用50%重叠的滑动窗口进行遍历,在一个滑动窗口中的修复操作完成后,自动跳转到下一个滑动窗口继续执行修复操作,滑动窗口的跳转策略为:计算在每一个滑动窗口内源影像和目标影像的正常像元比例的乘积,按乘积从大到小的顺序执行滑动窗口的跳转。在执行每个滑动窗口内的影像修复操作时,将目标影像在对应滑动窗口内的正常像元组织成第一数据矩阵,将源影像在对应滑动窗口内的正常像元组织成第二数据矩阵;用第一数据矩阵和第二数据矩阵作为输入,用带有最大熵约束的最优运输算法计算对应滑动窗口内源影像到目标影像的最优运输计划,最优运输计划用于描述对应滑动窗口内源影像的每个正常像元映射到目标影像中的相同位置而被赋予新像元值时,与对应窗口内目标影像的所有正常像元之间的连接权重;而且,对于滑动窗口内目标影像中的每一个受损像元,当源影像中相同位置的像元为正常像元时,将源影像中正常像元到滑动窗口内目标影像的所有正常像元之间的连接权重做归一化处理后,根据归一化处理后的连接权重计算所述滑动窗口内目标影像的所有正常像元的加权和,将加权和作为源影像中的正常像元映射到目标影像中同样位置的受损像元的映射值,映射值即为赋予受损像元的新像元值,并随之将已修复的受损像元标记为正常像元。每执行完一个滑动窗口内的影像修复操作后,即将对应滑动窗口标记为已修复(当然,无需执行修复的滑动窗口也可标记为修复,无需执行修复的滑动窗口是指该滑动窗口内的目标影像中无需要修复的受损像元),当所有滑动窗口都标记为已修复时,源影像B对目标影像A的修复操作完成,得到的即是用原始影像A修复过后的目标影像A。
实施例三
本发明实施例三提供了一种计算机可读存储介质,所述存储介质中存储有计算机可执行指令,所述指令用于被计算机加载时执行以下的影像处理方法:
获得原始影像序列,所述原始影像序列为影像采集设备针对同一地区在不同时间获取的原始影像的集合;
从所述原始影像序列待修复的原始影像中选择目标影像,并确定与所选目标影像对应的源影像,其中,针对每一幅被选的目标影像,其对应的源影像为所述原始影像序列中除所述被选的目标影像之外的至少一幅原始影像;
针对每一幅所述目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,并按所述优先级从高到低的顺序依次选择所述目标影像对应的各源影像对所述目标影像进行修复。
其中,在获得的所述原始影像序列中,每一幅原始影像都进行了受损像元和正常像元的标记;
所述从原始影像序列待修复的原始影像中选择目标影像,包括:根据所述原始影像序列中每一幅原始影像的受损像元和正常像元的标记,确定存在受损像元的原始影像为待修复的原始影像,并从所述待修复的原始影像中选择所述目标影像。
其中,所述针对每一幅目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,包括:
根据所述各源影像被所述影像采集设备获取的时间、以及所述目标影像被所述影像采集设备获取的时间,计算其时间间隔,时间间隔越小的源影像的优先级越高,时间间隔越大的源影像的优先级越低。
其中,所述按优先级从高到低的顺序依次选择目标影像对应的各源影像对所述目标影像进行修复,包括:
在使用每一幅源影像对所述目标影像进行修复时,每当所述目标影像中的受损像元被修复,即将被修复的受损像元标记为正常像元;
在每一幅源影像对所述目标影像执行完修复操作后,判断所述目标影像中是否还存在受损像元,如存在,则按优先级顺序选择下一幅源影像继续对所述目标影像进行修复;如不存在,则确定所述目标影像被完全修复,并不再选择后续源影像执行修复。
其中,所述使用每一幅源影像对所述目标影像进行修复,包括:
对所述源影像和目标影像用滑动窗口进行同步遍历,以滑动窗口为单位进行影像修复,在当前滑动窗口的影像修复操作完成后,按预设的跳转策略跳转到下一个滑动窗口继续执行修复操作,直至所述源影像和目标影像中的所有滑动窗口都执行完修复操作;
在执行每个滑动窗口内的影像修复操作时,将所述目标影像在对应滑动窗口内的正常像元组织成第一数据矩阵,将所述源影像在对应滑动窗口内的正常像元组织成第二数据矩阵;用所述第一数据矩阵和第二数据矩阵作为输入,用带有最大熵约束的最优运输算法计算对应滑动窗口内源影像到目标影像的最优运输计划,所述最优运输计划用于描述对应滑动窗口内源影像的每个正常像元映射到目标影像中的相同位置而被赋予新像元值时,与对应窗口内所述目标影像的所有正常像元之间的连接权重;
对于所述滑动窗口内目标影像中的每一个受损像元,当源影像中相同位置的像元为正常像元时,将所述源影像中所述正常像元到所述滑动窗口内目标影像的所有正常像元之间的连接权重做归一化处理后,根据归一化处理后的连接权重计算所述滑动窗口内目标影像的所有正常像元的加权和,将所述加权和作为所述源影像中的正常像元映射到所述目标影像中同样位置的受损像元的映射值,所述映射值即为赋予所述受损像元的新像元值,并随之将所述已修复的受损像元标记为正常像元。
其中,所述预设的跳转策略为:计算在每一个滑动窗口内所述源影像和目标影像的正常像元比例的乘积,按所述乘积从大到小的顺序执行所述滑动窗口的跳转。
其中,所有滑动窗口的面积尺寸相同,且相邻的滑动窗口之间具有一定的重叠区域,所述重叠区域占所述滑动窗口的面积比例为预设值。
其中,所述使用每一幅源影像对所述目标影像进行修复,还包括:在每个滑动窗口的影像修复操作完成后,将对应滑动窗口标记为已修复,当所有滑动窗口都标记为已修复时,表明这一幅源影像对所述目标影像的修复操作完成。
实施例四
参见图7,本发明实施例三提供了一种影像处理装置,该装置包括:处理器01,用于执行计算机指令;存储器02,用于存储多条计算机指令,所述指令用于被处理器加载时能够执行本发明前述实施例的影像处理方法,方法的具体内容此处不再赘述。
进一步的,该装置还可包括:影像采集器03,用于采集原始影像;处理器01可从影像采集器03处获得原始影像序列。影像采集器03能够将针对同一地区在不同时间采集的原始影像存储在一起,形成一个原始影像序列。
综上所述,通过实施本发明的实施例,在同一地区不同时间获取的原始影像之间进行交叉修复,能够极大化地利用现有信息,提高了数据的利用率,使受损像元得到修复的机会得到较大提高;通过交叉修复,解决了现有技术中大部分原始像元受损而造成的影像利用率过低问题,能够高质量的完成大量遥感影像的修复,减少信息损失,尤其保证了为热点地区的连续监测提供充足的数据源。
另外,由于本发明实施例采用最优运输算法来计算源影像和目标影像之间的映射关系,能够更准确地将来自源影像的像元值过渡到目标影像当中,在视觉上使源影像中的像元经过映射后更自然地融入到目标影像当中,融为一体,不会显得突兀。其次,采用最优运输算法能够直接计算多维数据之间的过渡关系,而遥感影像一般也都是多波段的,这就很大程度上简化了处理流程,避免了每个波段单独计算。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过应用指令相关的硬件来完成,前述的应用可以存储于一计算机可读取存储介质中,该应用在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储应用代码的介质。
基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。
而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储应用代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种影像处理方法,其特征在于,所述方法包括:
获得原始影像序列,所述原始影像序列为影像采集设备针对同一地区在不同时间获取的原始影像的集合;
从所述原始影像序列待修复的原始影像中选择目标影像,并确定与所选目标影像对应的源影像,其中,针对每一幅被选的目标影像,其对应的源影像为所述原始影像序列中除所述被选的目标影像之外的至少一幅原始影像;
针对每一幅所述目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,并按所述优先级从高到低的顺序依次选择所述目标影像对应的各源影像对所述目标影像进行修复。
2.根据权利要求1所述的影像处理方法,其特征在于,在获得的所述原始影像序列中,每一幅原始影像都进行了受损像元和正常像元的标记;
所述从原始影像序列待修复的原始影像中选择目标影像,包括:根据所述原始影像序列中每一幅原始影像的受损像元和正常像元的标记,确定存在受损像元的原始影像为待修复的原始影像,并从所述待修复的原始影像中选择所述目标影像。
3.根据权利要求1所述的影像处理方法,其特征在于,所述针对每一幅目标影像,按预设的优先级设定规则对其对应的各源影像进行优先级设定,包括:
根据所述各源影像被所述影像采集设备获取的时间、以及所述目标影像被所述影像采集设备获取的时间,计算其时间间隔,时间间隔越小的源影像的优先级越高,时间间隔越大的源影像的优先级越低。
4.根据权利要求2所述的影像处理方法,其特征在于,所述按优先级从高到低的顺序依次选择目标影像对应的各源影像对所述目标影像进行修复,包括:
在使用每一幅源影像对所述目标影像进行修复时,每当所述目标影像中的受损像元被修复,即将被修复的受损像元标记为正常像元;
在每一幅源影像对所述目标影像执行完修复操作后,判断所述目标影像中是否还存在受损像元,如存在,则按优先级顺序选择下一幅源影像继续对所述目标影像进行修复;如不存在,则确定所述目标影像被完全修复,并不再选择后续源影像执行修复。
5.根据权利要求4所述的影像处理方法,其特征在于,所述使用每一幅源影像对所述目标影像进行修复,包括:
对所述源影像和目标影像用滑动窗口进行同步遍历,以滑动窗口为单位进行影像修复,在当前滑动窗口的影像修复操作完成后,按预设的跳转策略跳转到下一个滑动窗口继续执行修复操作,直至所述源影像和目标影像中的所有滑动窗口都执行完修复操作;
在执行每个滑动窗口内的影像修复操作时,将所述目标影像在对应滑动窗口内的正常像元组织成第一数据矩阵,将所述源影像在对应滑动窗口内的正常像元组织成第二数据矩阵;用所述第一数据矩阵和第二数据矩阵作为输入,用带有最大熵约束的最优运输算法计算对应滑动窗口内源影像到目标影像的最优运输计划,所述最优运输计划用于描述对应滑动窗口内源影像的每个正常像元映射到目标影像中的相同位置而被赋予新像元值时,与对应窗口内所述目标影像的所有正常像元之间的连接权重;
对于所述滑动窗口内目标影像中的每一个受损像元,当源影像中相同位置的像元为正常像元时,将所述源影像中所述正常像元到所述滑动窗口内目标影像的所有正常像元之间的连接权重做归一化处理后,根据所述归一化处理后的连接权重计算所述滑动窗口内目标影像的所有正常像元的加权和,将所述加权和作为所述源影像中的正常像元映射到所述目标影像中同样位置的受损像元的映射值,所述映射值即为赋予所述受损像元的新像元值,并随之将所述已修复的受损像元标记为正常像元。
6.根据权利要求5所述的影像处理方法,其特征在于,所述预设的跳转策略为:
计算在每一个滑动窗口内所述源影像和目标影像的正常像元比例的乘积,按所述乘积从大到小的顺序执行所述滑动窗口的跳转。
7.根据权利要求5所述的影像处理方法,其特征在于,所有滑动窗口的面积尺寸相同,且相邻的滑动窗口之间具有一定的重叠区域,所述重叠区域占所述滑动窗口的面积比例为预设值。
8.根据权利要求5所述的影像处理方法,其特征在于,所述使用每一幅源影像对所述目标影像进行修复,还包括:
在每个滑动窗口的影像修复操作完成后,将对应滑动窗口标记为已修复,当所有滑动窗口都标记为已修复时,表明这一幅源影像对所述目标影像的修复操作完成。
9.一种计算机可读存储介质,所述存储介质中存储有计算机可执行指令,所述指令适用于被计算机加载时执行权利要求1-8任一项所述的影像处理方法。
10.一种影像处理装置,其特征在于,所述装置包括:
处理器,用于执行计算机指令;
存储器,用于存储多条计算机指令,所述指令用于被处理器加载时执行权利要求1-8任一项所述的影像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565883.4A CN107230195B (zh) | 2017-07-12 | 2017-07-12 | 一种影像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565883.4A CN107230195B (zh) | 2017-07-12 | 2017-07-12 | 一种影像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107230195A true CN107230195A (zh) | 2017-10-03 |
CN107230195B CN107230195B (zh) | 2020-09-18 |
Family
ID=59956911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710565883.4A Active CN107230195B (zh) | 2017-07-12 | 2017-07-12 | 一种影像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230195B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
CN113344049A (zh) * | 2021-05-27 | 2021-09-03 | 湖州师范学院 | 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法 |
WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
CN103020939A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 利用多时相数据去除光学遥感影像大面积厚云的方法 |
WO2013049159A2 (en) * | 2011-09-26 | 2013-04-04 | Carnegie Mellon University | Quantitative comparison of image data using a linear optimal transportation |
CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
CN104881850A (zh) * | 2015-05-26 | 2015-09-02 | 上海大学 | 一种多时相遥感影像的厚云自动去除方法 |
CN106709943A (zh) * | 2017-01-12 | 2017-05-24 | 重庆邮电大学 | 一种基于最优传输的点云配准方法 |
-
2017
- 2017-07-12 CN CN201710565883.4A patent/CN107230195B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
WO2013049159A2 (en) * | 2011-09-26 | 2013-04-04 | Carnegie Mellon University | Quantitative comparison of image data using a linear optimal transportation |
CN103020939A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 利用多时相数据去除光学遥感影像大面积厚云的方法 |
CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
CN104881850A (zh) * | 2015-05-26 | 2015-09-02 | 上海大学 | 一种多时相遥感影像的厚云自动去除方法 |
CN106709943A (zh) * | 2017-01-12 | 2017-05-24 | 重庆邮电大学 | 一种基于最优传输的点云配准方法 |
Non-Patent Citations (3)
Title |
---|
CHAO-HUNG LIN等: "Cloud Removal From Multitemporal Satellite Images Using Information Cloning", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SIRA FERRADANS等: "Regularized discrete optimal transport", 《SIAM JOURNAL ON IMAGING SCIENCES》 * |
杨珊荣: "MODIS数据云检测算法及云补偿方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
CN113344049A (zh) * | 2021-05-27 | 2021-09-03 | 湖州师范学院 | 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法 |
CN113344049B (zh) * | 2021-05-27 | 2022-07-26 | 湖州师范学院 | 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107230195B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2749927B1 (en) | Information processing system and information processing method | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
US8595653B2 (en) | Method and user interface for the graphical presentation of medical data | |
US20130187954A1 (en) | Image data generation apparatus and image data generation method | |
CN105741231B (zh) | 图像的美肤处理方法和装置 | |
CN107230195A (zh) | 一种影像处理方法和装置 | |
CN107516319A (zh) | 一种高精度简易交互式抠图方法、存储设备及终端 | |
WO2022127225A1 (zh) | 图像拼接方法、装置、设备和存储介质 | |
CN108542414B (zh) | 计算机断层图像的散射校正方法以及装置 | |
CN105787911B (zh) | 一种基于拓扑分形算法的图像腐蚀与膨胀处理方法 | |
CN106663322A (zh) | 识别特征 | |
CN105486702A (zh) | 一种基于x射线的目标缺陷检测系统 | |
CN103460254B (zh) | 基于图像内容的自动亮度检测方法与装置 | |
CN103942807A (zh) | 一种实时处理的快速图像分块融合系统及融合方法 | |
CN103729834B (zh) | 一种x射线影像的自适应拼接方法及其拼接系统 | |
CN108171702A (zh) | 易损斑块识别方法、应用服务器及计算机可读存储介质 | |
CN106663327A (zh) | 3‑d表面的自动重新拼接 | |
CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
CN104011531A (zh) | 图像处理装置、图像显示系统、图像处理方法以及图像处理程序 | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及系统 | |
CN102760293B (zh) | 基于距离矩阵的图像质量评价方法 | |
CN102063730B (zh) | 基于单分子定位的快速超分辨成像方法及系统 | |
CN107369138B (zh) | 基于高阶统计模型的图像最优化显示方法 | |
JP2012142143A5 (zh) | ||
CN117161004A (zh) | 一种激光清洗的路径规划方法及系统 |
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 |