CN107507151B - 一种多光谱遥感图像真实色彩还原方法及系统 - Google Patents

一种多光谱遥感图像真实色彩还原方法及系统 Download PDF

Info

Publication number
CN107507151B
CN107507151B CN201710781623.0A CN201710781623A CN107507151B CN 107507151 B CN107507151 B CN 107507151B CN 201710781623 A CN201710781623 A CN 201710781623A CN 107507151 B CN107507151 B CN 107507151B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
multispectral remote
pixel point
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.)
Active
Application number
CN201710781623.0A
Other languages
English (en)
Other versions
CN107507151A (zh
Inventor
钟若飞
朱俊杰
宫辉力
李小娟
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.)
Capital Normal University
Original Assignee
Capital Normal 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 Capital Normal University filed Critical Capital Normal University
Priority to CN201710781623.0A priority Critical patent/CN107507151B/zh
Publication of CN107507151A publication Critical patent/CN107507151A/zh
Application granted granted Critical
Publication of CN107507151B publication Critical patent/CN107507151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/80Geometric correction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/188Vegetation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多光谱遥感图像真实色彩还原方法及系统。该方法包括:获取多光谱遥感图像;采用线性拉伸法对多光谱遥感图像进行拉伸,得到第一多光谱遥感图像;对多光谱遥感图像中各像素点绿色波段的像素值进行调整,采用线性拉伸法将调整后的多光谱遥感图像进行拉伸,得到第二多光谱遥感图像;根据多光谱遥感图像的各像素点的归一化植被指数,对第一多光谱遥感图像和第二多光谱遥感图像进行融合,对融合后的图像进行滤波、分段拉伸以及锐化,达到将多光谱遥感图像真实色彩还原的效果。本发明提供的多光谱遥感图像真实色彩还原方法及系统能够改善遥感图像的视觉效果,使其更加接近地物的真实颜色以及更加接近人眼观察到的地物的颜色。

Description

一种多光谱遥感图像真实色彩还原方法及系统
技术领域
本发明涉及图像处理领域,特别是涉及一种多光谱遥感图像真实色彩还原方法及系统。
背景技术
进入21世纪,高分辨率遥感卫星进入了蓬勃发展的时期,众多国家竞相发射高分辨率卫星,其中绝大部分是高空间高分辨率的多光谱卫星,且图像的深度都为16byte,也就是遥感图像的深度不再是8byte,这样的图像使得地物纹理更加丰富。但是,计算机显示图像都是8byte,这就需要将16byte图像转换为8byte的图像进行展示。通常的方法有线性拉伸、直方图均衡化、高斯拉伸、二次开方拉伸等等,这些方法在主流的遥感图像处理软件:PCI、ENVI、ERDAS等都有实现,这些拉伸方法造成地物纹理变少,虽然地物的亮度得到了一定的增强,但是地物亮度并不均匀,而且,色彩与人眼看到的地物本身的色彩相差甚远,因此,需要一种新的方法来增强图像亮度、保留图像纹理细节,最终使得图像中的地物接近人眼所看到的地物本来的色彩。
现有的图像拉伸方法虽然能在一定程度上改善遥感图像的视觉效果,但是难以达到与人眼观察地物的真实感相同的效果。
另外,还有一种匀光算法,因为通常情况下图像光照是比较均匀的,但是有时候由于多种因素的影响,图像光照并不均匀,为了改善光照均匀度,有人提出了改善光照均匀度的图像处理方法,这种方法有人称为匀光,例如GeoDogging软件,这种方法是针对光照的差异来改善图像,但并不具有使图像中的地物颜色接近人眼所看到的地物颜色的效果。
发明内容
本发明的目的是提供一种多光谱遥感图像真实色彩还原方法及系统,能够改善遥感图像的视觉效果,使其更接近地物本身的实际颜色,更加接近人眼观察到的地物的颜色。
为实现上述目的,本发明提供了如下方案:
一种多光谱遥感图像真实色彩还原方法,所述方法包括:
获取多光谱遥感图像;
采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿色波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
计算所述多光谱遥感图像的各像素点的归一化植被指数;
判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
如果是,则将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
如果否,则将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
可选的,在所述获取多光谱遥感图像之后,所述采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像之前,还包括:
采用快速大气校正算法对所述多光谱遥感图像进行大气校正。
可选的,在确定所述像素点的像素值之后,还包括:
对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像。
可选的,在所述对所述多光谱遥感图像进行高斯滤波之后,还包括:
对滤波后的所述多光谱遥感图像进行分段拉伸。
可选的,所述对滤波后的所述多光谱遥感图像进行分段拉伸,具体包括:
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
当所述第一判断结果表示是时,则根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
当所述第二判断结果表示是时,则保持所述像素点的像素值不变;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
当所述第三判断结果表示是时,则根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
可选的,所述方法还包括:
采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。
本发明还提供了一种多光谱遥感图像真实色彩还原系统,所述系统包括:
多光谱遥感图像获取模块,用于获取多光谱遥感图像;
第一拉伸模块,用于采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
像素调整模块,用于根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿色波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
第二拉伸模块,用于采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
归一化植被指数计算模块,用于计算所述多光谱遥感图像的各像素点的归一化植被指数;
归一化植被指数判断模块,用于判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
像素值第一确定模块,用于当所述多光谱遥感图像中像素点的归一化植被指数大于零时,将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
像素值第二确定模块,用于当所述多光谱遥感图像中像素点的归一化植被指数小于等于零时,将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
可选的,所述系统还包括:
大气校正模块,用于采用快速大气校正算法对所述多光谱遥感图像进行大气校正。
高斯滤波模块,用于对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像;
分段拉伸模块,用于对滤波后的所述多光谱遥感图像进行分段拉伸。
可选的,所述分段拉伸模块,具体包括:
第一判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
第一拉伸单元,当所述第一判断结果表示是时,根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
第二判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
第二拉伸单元,用于当所述第二判断结果表示是时,保持所述像素点的像素值不变;
第三判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
第三拉伸单元,用于当所述第三判断结果表示是时,根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
可选的,所述系统还包括:
图像锐化模块,用于采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的多光谱遥感图像真实色彩还原方法及系统,首先将多光谱遥感图像进行拉伸,得到第一多光谱遥感图像,然后,对多光谱遥感图像中各像素点绿色波段的像素值进行调整,并将调整后的多光谱遥感图像进行拉伸,得到第二多光谱遥感图像,之后,根据各像素点的归一化植被指数对第一多光谱遥感图像和第二多光谱遥感图像进行融合,并对融合后的图像进行滤波、分段拉伸以及锐化,实现了对多光谱遥感图像色彩的还原,改善了遥感图像的视觉效果,使其更接近地物本身的实际颜色,更加接近人眼观察到的地物的颜色。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的多光谱遥感图像真实色彩还原方法的流程示意图;
图2为本发明实施例二的多光谱遥感图像真实色彩还原方法的流程示意图;
图3为多光谱遥感图像由16byte图像拉伸为8byte图像的图像显示图;
图4为采用本发明实施例提供的方法对多光谱遥感图像处理后的图像显示图;
图5为本发明实施例多光谱遥感图像真实色彩还原系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多光谱遥感图像真实色彩还原方法及系统,能够改善遥感图像的视觉效果,使其更接近地物本身的实际颜色,更加接近人眼观察到的地物的颜色。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一的多光谱遥感图像真实色彩还原方法的流程示意图,如图1所示,本发明提供的多光谱遥感图像真实色彩还原方法的操作步骤如下:
步骤101:获取多光谱遥感图像;
步骤102:采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
步骤103:根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿色波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
步骤104:采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
步骤105:计算所述多光谱遥感图像的各像素点的归一化植被指数;
步骤106:判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
步骤107:如果所述多光谱遥感图像中像素点的归一化植被指数大于零,则将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
步骤108:如果所述多光谱遥感图像中像素点的归一化植被指数小于等于零,则将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
优选的,在步骤101和步骤102之间,还包括:采用快速大气校正算法对所述多光谱遥感图像进行大气校正。大气校能够消除大气和光照等因素对地物反射的影响,而且快速大气校正算法不需要外界更多的参数,能够自动从图像中收集不同物质的波谱信息,具有较高的精度。
优选的,在步骤108之后还包括:对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像;对滤波后的所述多光谱遥感图像进行分段拉伸;采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。其中,滤波窗口可以设置为5×5大小,USM锐化算法的权重可以设置为0.8,图像高斯模糊化小窗口半径为3,阈值设置为2。
优选的,具体的分段拉伸方法为:判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
当所述第一判断结果表示是时,则根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
当所述第二判断结果表示是时,则保持所述像素点的像素值不变;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
当所述第三判断结果表示是时,则根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
本发明提供的多光谱遥感图像真实色彩还原方法,首先将多光谱遥感图像进行拉伸,得到第一多光谱遥感图像,然后对多光谱遥感图像中各像素点绿色波段的像素值进行调整,并将调整后的多光谱遥感图像进行拉伸,得到第二多光谱遥感图像,之后根据各像素点的归一化植被指数对第一多光谱遥感图像和第二多光谱遥感图像进行融合,并对融合后的图像进行滤波、分段拉伸以及锐化,实现了对多光谱遥感图像色彩的还原,使其更接近人眼观察到的地物的颜色。
作为本发明的又一实施例,如图2所示,具体流程步骤如下:
步骤201:读入四个通道的多光谱遥感图像;四个通道为红、绿、蓝、红外通道。
步骤202:图像大气校正。因为大气对地物反射光具有散射、吸收等作用,引起地物在不同波段的反射光发生不同程度的衰减,因此需要对遥感图像进行大气校正,从而消除大气和光照等因素对地物反射的影响。我们采用快速大气校正算法(QUAC),因为快速大气校正算法不需要外界更多的参数,能够自动从图像中收集不同物质的波谱信息,从而获得经验值实现大气校正,而且,校正精度与校正效果较好。
步骤203:通过计算归一化植被指数(NDVI)来识别植被地物。利用大气校正后的图像计算NDVI,NDVI是用来判断植被与非植被信息的有效指标,经过快速大气校正后的图像得到的NDVI能够更加准确的反映地物自身的光谱特征,是区分植被与非植被的有效指标。NDVI的计算公式为:
Figure BDA0001397127110000081
其中,NIR为近红外波段,R为红外波段。
NDVI能够在很大程度上消除与太阳高度角、卫星观测角、地形、阴影,以及大气散射与吸收等对地物辐射变化的影响。NDVI结果限定在[-1,1]之间,NDVI是植被生长状态及植被覆盖度的最佳指示因子。当NDVI为负值时表示地面覆盖为云、水、雪等,当NDVI值为0表示有岩石或裸土等,NIR和R近似相等,当NDVI为正值时表示有植被覆盖,且随覆盖度增大而增大。在遥感图像中植被往往占很大的比例,城市中植被所占比例远远低于农村,但通常也占有40%甚至更高,通过NDVI来识别植被,并在后续算法中增强这部分信息。
步骤204:16byte图像转换成8byte图像。拉伸方法采用线性拉伸。目的是将16byte数据从范围为0到65535压缩到范围为0到255的8byte数据,其计算公式为:
y=255*(x-minVal)/(maxVal-minVal)
其中,x为16byte图像的像素,minVal为16byte图像中像素最小值,maxVal为16byte图像中像素最大值。
图3为多光谱遥感图像由16byte图像拉伸为8byte图像的图像显示图,如图3所示,这样,16byte图像就转换成8byte图像,从而能够显示在屏幕上。
步骤205:增强植被信息的波段运算。就是将红外通道按照一定的比例增加到绿色通道中,这样做的目的是增加图像中植被的绿色信息,使植被更加鲜艳,更加接近人眼所看到的植被的色彩。植被在红外波段比在绿波段有更强的反射特征,也就是说植被在红外波段图像中的像素值更亮,为了提高绿色波段的亮度,按照一定的比例将红外波段增加到绿色波段中:
Gafter=Gbefore·0.8+NIR·0.2
其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值,其加权比例为0.8和0.2。
因为植被在红外波段反射强,所以通过波段运算后的植被在图像中表现为更为鲜艳的绿色,而不是暗绿色。但是其他地物的光谱也被改变了,其他地物在图像中偏紫色,消除这种现象需要在第七步进行处理。
步骤206:波段运算后,将16byte图像转换成8byte图像,如图4所示。拉伸目的和拉伸方法同步骤204。
步骤207:图像融合。也就是将步骤204和步骤206得到的拉伸图像进行融合,融合时要根据NDVI值的大小来判断,如果NDVI大于0值,图像的像素值采用步骤206图像中的像素,否则就采用步骤204图像中的像素。这样就得到了初步真实色彩还原结果。
步骤208:滤波消除伪边缘。步骤207中两个图像依据NDVI值的大小来选择不同图像的像素,从而实现图像融合,这个过程中必然会出现两个图像像素之间的突然变化,从而导致伪边缘。为了消除伪边缘,需要采用滤波方法进行滤波,采用高斯滤波,滤波窗口设置为5×5大小。
步骤209:对融合后的图像进行分段拉伸。第一个目的是调整亮度,即将亮度低的地物的亮度进行一定的提高,将亮度高的地物的亮度整体降低,从而使得整个图像的亮度均匀分布在一个合理的范围之内,第二个目的是保持相邻图像之间在像素值上的一致性。设定分段拉伸图像最小值为30,最大值为245,将融合后的图像像素值分成三段,第一段为0到90,第二段为90到180,第三段为180到255,分段拉伸公式为:
y=x·(90-30)/90+30,{0≤x≤90}
y=x,{90≤x≤180}
y=(x-180)·(245-180)/(255-180)+180,{180≤x≤255}
步骤210:对图像纹理与边缘清晰度的锐化。因为图像拉伸、融合和滤波等操作,使得图像细节信息部分丢失,为了弥补这样的损失,采用图像锐化算法对图像进行操作,使得图像边缘更加清晰,纹理细节更加丰富,从而得到最终的真实色彩还原图像。我们这里采用了USM锐化算法,这个算法的权重设置为0.8,图像高斯模糊化小窗口半径为3,阈值设置为2。
本发明提供的多光谱遥感图像真实色彩还原方法,首先将多光谱遥感图像进行拉伸,得到第一多光谱遥感图像,然后对多光谱遥感图像中各像素点绿色波段的像素值进行调整,并将调整后的多光谱遥感图像进行拉伸,得到第二多光谱遥感图像,之后根据各像素点的归一化植被指数对第一多光谱遥感图像和第二多光谱遥感图像进行融合,并对融合后的图像进行滤波、分段拉伸以及锐化,实现了对多光谱遥感图像色彩的还原,使其更加接近地物的真实颜色以及更加接近人眼观察到的地物的颜色。
本发明还提供了一种多光谱遥感图像真实色彩还原系统,如图5所示,所述系统包括:
多光谱遥感图像获取模块501,用于获取多光谱遥感图像;
第一拉伸模块502,用于采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
像素调整模块503,用于根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿色波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
第二拉伸模块504,用于采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
归一化植被指数计算模块505,用于计算所述多光谱遥感图像的各像素点的归一化植被指数;
归一化植被指数判断模块506,用于判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
像素值第一确定模块507,用于当所述多光谱遥感图像中像素点的归一化植被指数大于零时,将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
像素值第二确定模块508,用于当所述多光谱遥感图像中像素点的归一化植被指数小于等于零时,将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
优选的,所述系统还包括:
大气校正模块,用于采用快速大气校正算法对所述多光谱遥感图像进行大气校正。
高斯滤波模块,用于对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像;
分段拉伸模块,用于对滤波后的所述多光谱遥感图像进行分段拉伸。
所述分段拉伸模块,具体包括:
第一判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
第一拉伸单元,用于当所述第一判断结果表示是时,根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
第二判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
第二拉伸单元,用于当所述第二判断结果表示是时,保持所述像素点的像素值不变;
第三判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
第三拉伸单元,用于当所述第三判断结果表示是时,根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
所述系统还包括:
图像锐化模块,用于采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。
本发明提供的多光谱遥感图像真实色彩还原系统,首先将多光谱遥感图像进行拉伸,得到第一多光谱遥感图像,然后对多光谱遥感图像中各像素点绿色波段的像素值进行调整,并将调整后的多光谱遥感图像进行拉伸,得到第二多光谱遥感图像,之后根据各像素点的归一化植被指数对第一多光谱遥感图像和第二多光谱遥感图像进行融合,并对融合后的图像进行滤波、分段拉伸以及锐化,实现了对多光谱遥感图像色彩的还原,使其更加接近地物的真实颜色以及更加接近人眼观察到的地物的颜色。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多光谱遥感图像真实色彩还原方法,其特征在于,所述方法包括:
获取多光谱遥感图像;
采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿光波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
计算所述多光谱遥感图像的各像素点的归一化植被指数;
判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
如果是,则将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
如果否,则将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
2.根据权利要求1所述的多光谱遥感图像真实色彩还原方法,其特征在于,在所述获取多光谱遥感图像之后,所述采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像之前,还包括:
采用快速大气校正算法对所述多光谱遥感图像进行大气校正。
3.根据权利要求1所述的多光谱遥感图像真实色彩还原方法,其特征在于,在确定所述像素点的像素值之后,还包括:
对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像。
4.根据权利要求3所述的多光谱遥感图像真实色彩还原方法,其特征在于,在所述对所述多光谱遥感图像进行高斯滤波之后,还包括:
对滤波后的所述多光谱遥感图像进行分段拉伸。
5.根据权利要求4所述的多光谱遥感图像真实色彩还原方法,其特征在于,所述对滤波后的所述多光谱遥感图像进行分段拉伸,具体包括:
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
当所述第一判断结果表示是时,则根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
当所述第二判断结果表示是时,则保持所述像素点的像素值不变;
判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
当所述第三判断结果表示是时,则根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
6.根据权利要求4或5所述的多光谱遥感图像真实色彩还原方法,其特征在于,所述方法还包括:
采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。
7.一种多光谱遥感图像真实色彩还原系统,其特征在于,所述系统包括:
多光谱遥感图像获取模块,用于获取多光谱遥感图像;
第一拉伸模块,用于采用线性拉伸法将所述多光谱遥感图像由16byte图像转化为8byte图像,得到第一多光谱遥感图像;
像素调整模块,用于根据公式Gafter=Gbefore·0.8+NIR·0.2对所述多光谱遥感图像中各像素点绿光波段的像素值进行调整,其中,Gafter为所述像素点调整后的绿光波段的像素值,Gbefore为所述像素点调整前的绿光波段的像素值,NIR为所述像素点的红外波段的像素值;
第二拉伸模块,用于采用线性拉伸法将调整后的所述多光谱遥感图像由16byte图像转化为8byte图像,得到第二多光谱遥感图像;
归一化植被指数计算模块,用于计算所述多光谱遥感图像的各像素点的归一化植被指数;
归一化植被指数判断模块,用于判断所述多光谱遥感图像中像素点的归一化植被指数是否大于零;
像素值第一确定模块,用于当所述多光谱遥感图像中像素点的归一化植被指数大于零时,将所述像素点的像素值确定为所述第二多光谱遥感图像中所述像素点对应的像素值;
像素值第二确定模块,用于当所述多光谱遥感图像中像素点的归一化植被指数小于等于零时,将所述像素点的像素值确定为所述第一多光谱遥感图像中所述像素点对应的像素值。
8.根据权利要求7所述的多光谱遥感图像真实色彩还原系统,其特征在于,所述系统还包括:
大气校正模块,用于采用快速大气校正算法对所述多光谱遥感图像进行大气校正;
高斯滤波模块,用于对所述多光谱遥感图像进行高斯滤波,得到滤波后的所述多光谱遥感图像;
分段拉伸模块,用于对滤波后的所述多光谱遥感图像进行分段拉伸。
9.根据权利要求8所述的多光谱遥感图像真实色彩还原系统,其特征在于,所述分段拉伸模块,具体包括:
第一判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于0且小于等于90,得到第一判断结果;
第一拉伸单元,当所述第一判断结果表示是时,根据公式y=x·(90-30)/90+30对所述像素点的像素值调整;
第二判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于90且小于180,得到第二判断结果;
第二拉伸单元,用于当所述第二判断结果表示是时,保持所述像素点的像素值不变;
第三判断单元,用于判断滤波后的所述多光谱遥感图像像素点的像素值是否大于等于180且小于等于255,得到第三判断结果;
第三拉伸单元,用于当所述第三判断结果表示是时,根据公式y=(x-180)·(245-180)/(255-180)+180对所述像素点的像素值调整;
其中,x为所述像素点拉伸前的像素值,y为所述像素点拉伸后的像素值。
10.根据权利要求8或9所述的多光谱遥感图像真实色彩还原系统,其特征在于,所述系统还包括:
图像锐化模块,用于采用USM锐化算法对拉伸后的所述多光谱遥感图像的图像纹理和边缘清晰度进行锐化。
CN201710781623.0A 2017-09-02 2017-09-02 一种多光谱遥感图像真实色彩还原方法及系统 Active CN107507151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710781623.0A CN107507151B (zh) 2017-09-02 2017-09-02 一种多光谱遥感图像真实色彩还原方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710781623.0A CN107507151B (zh) 2017-09-02 2017-09-02 一种多光谱遥感图像真实色彩还原方法及系统

Publications (2)

Publication Number Publication Date
CN107507151A CN107507151A (zh) 2017-12-22
CN107507151B true CN107507151B (zh) 2020-09-15

Family

ID=60694983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710781623.0A Active CN107507151B (zh) 2017-09-02 2017-09-02 一种多光谱遥感图像真实色彩还原方法及系统

Country Status (1)

Country Link
CN (1) CN107507151B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472751B (zh) * 2018-10-29 2021-04-02 中国资源卫星应用中心 一种增强对比度的遥感卫星图像处理方法
CN109508397B (zh) * 2018-11-16 2021-04-30 中国铁路设计集团有限公司 一种基于样图库的遥感影像处理方法
CN113222054B (zh) * 2021-05-28 2022-03-08 珠江水利委员会珠江水利科学研究院 基于特征比值指数的遥感影像融合方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1770201A (zh) * 2004-11-05 2006-05-10 北京师范大学 基于小波变换的可调节遥感影像融合方法
CN101246594A (zh) * 2008-02-22 2008-08-20 华南师范大学 一种基于梯度场的优化融合遥感图像处理方法
CN103198463A (zh) * 2013-04-07 2013-07-10 北京航空航天大学 基于整体结构和空间细节信息融合的光谱图像全色锐化方法
CN103268598A (zh) * 2013-06-13 2013-08-28 武汉大学 基于Retinex理论的低照度低空遥感影像增强方法
CN103558190A (zh) * 2013-10-22 2014-02-05 李云梅 基于绿光波段的内陆浑浊水体多光谱数据大气校正方法
CN103942769A (zh) * 2013-12-10 2014-07-23 珠江水利委员会珠江水利科学研究院 一种卫星遥感影像融合方法
CN105354865A (zh) * 2015-10-27 2016-02-24 武汉大学 多光谱遥感卫星影像自动云检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060126959A1 (en) * 2004-12-13 2006-06-15 Digitalglobe, Inc. Method and apparatus for enhancing a digital image

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1770201A (zh) * 2004-11-05 2006-05-10 北京师范大学 基于小波变换的可调节遥感影像融合方法
CN101246594A (zh) * 2008-02-22 2008-08-20 华南师范大学 一种基于梯度场的优化融合遥感图像处理方法
CN103198463A (zh) * 2013-04-07 2013-07-10 北京航空航天大学 基于整体结构和空间细节信息融合的光谱图像全色锐化方法
CN103268598A (zh) * 2013-06-13 2013-08-28 武汉大学 基于Retinex理论的低照度低空遥感影像增强方法
CN103558190A (zh) * 2013-10-22 2014-02-05 李云梅 基于绿光波段的内陆浑浊水体多光谱数据大气校正方法
CN103942769A (zh) * 2013-12-10 2014-07-23 珠江水利委员会珠江水利科学研究院 一种卫星遥感影像融合方法
CN105354865A (zh) * 2015-10-27 2016-02-24 武汉大学 多光谱遥感卫星影像自动云检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Color Restoration Techniques for Faded Colors of Old Photos, Printings and Paintings》;Ayman M. T. Ahmed;《2009 IEEE International Conference on Electro/Information Technology》;20091231;第151-156页 *
《一种基于RGB颜色空间的色彩还原方法》;郝贵青等;《国外电子测量技术》;20161130;第35卷(第11期);第24-27页 *
《一种基于全局和局部光照估计的Retinex图像增强算法》;王书民等;《科学技术与工程》;20151231;第15卷(第34期);第100-104页 *

Also Published As

Publication number Publication date
CN107507151A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
Li et al. A multi-scale fusion scheme based on haze-relevant features for single image dehazing
CN107507151B (zh) 一种多光谱遥感图像真实色彩还原方法及系统
EP3058549B1 (en) Converting an image from a dual-band sensor to a visible color image
El Khoury et al. Color and sharpness assessment of single image dehazing
CN104021532A (zh) 一种红外图像的图像细节增强方法
CN106683056A (zh) 一种机载光电红外数字图像处理方法及装置
CN104618700A (zh) 一种彩色高动态范围图像增强显示的方法
CN110570360A (zh) 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法
CN110852956A (zh) 一种高动态范围图像的增强方法
Bi et al. Haze removal for a single remote sensing image using low-rank and sparse prior
CN107317967A (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
Ueda et al. Underwater image synthesis from RGB-D images and its application to deep underwater image restoration
Zhang et al. Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras
CN111489299B (zh) 一种多光谱遥感卫星影像的去雾方法
CN115205713A (zh) 一种无人机遥感图像阴影区景物颜色与纹理细节恢复方法
CN105405110A (zh) 非均匀光照补偿方法
Luo et al. Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images
CN102231190A (zh) 冲洪积扇信息的自动提取方法
CN107358591A (zh) 一种基于rgb交叉通道先验的简单透镜成像色差校正方法
Zhu et al. Near-infrared and visible fusion for image enhancement based on multi-scale decomposition with rolling WLSF
Livingston et al. Image processing for human understanding in low-visibility
CN113379620B (zh) 一种光学遥感卫星影像云检测方法
de Dravo et al. An adaptive combination of dark and bright channel priors for single image dehazing
KR20210096925A (ko) 대용량 항공정사영상의 효율적인 색상보정 방법
CN111429389A (zh) 一种保持光谱特性的可见光和近红外图像融合方法

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