CN108830814A - 一种遥感影像的相对辐射校正方法 - Google Patents
一种遥感影像的相对辐射校正方法 Download PDFInfo
- Publication number
- CN108830814A CN108830814A CN201810619826.4A CN201810619826A CN108830814A CN 108830814 A CN108830814 A CN 108830814A CN 201810619826 A CN201810619826 A CN 201810619826A CN 108830814 A CN108830814 A CN 108830814A
- Authority
- CN
- China
- Prior art keywords
- low
- image
- frequency
- corrected
- remote sensing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 9
- 230000005855 radiation Effects 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 230000004075 alteration Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/80—Geometric correction
-
- 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
本发明公开了一种遥感影像的相对辐射校正方法，将待校正影像的高低频分离，只对低频部分进行相对辐射校正，并且利用低频中的不变特征点线性回归计算校正系数，保护低频中仍存留的包含地物变化的高频信息，实现过程包括通过IR‑MAD算法，采用自适应阈值找出待校正影像低频部分与参考影像低频部分中的不变特征点。本发明采用小波变换、多元变化检测方法，从高低频分离、不变特征点选择等入手解决相对辐射校正问题，保护了低频中仍存留的包含地物变化的高频信息，使辐射校正结果更有利于进行变化检测等多时相影像分析。
Description
技术领域
本发明涉及一种遥感影像的相对辐射校正方法，属于遥感影像处理技术领域。
背景技术
地表地物变化在遥感影像中往往反映为光谱辐射特征变化，因此现有变化检测和时序分析方法往往通过分析遥感影像间辐射差异确定是否存在变化。然而由于在不同季节、不同时间成像时，受不同的大气条件、光照条件、地表起伏、土壤湿度、植被气候、传感器成像模型和侧视角等影响，即使地物没有发生变化，同一地区所成的影像也会具有较大的辐射差异，这给诸如变化检测等多时相图像处理和分析带来了极大的困难。为此，在实际遥感应用中，需要通过辐射校正消除不同时相遥感图像之间的非地物变化引起的辐射亮度差异。
辐射校正主要分为绝对辐射校正和相对辐射校正两种类型。其中绝对辐射校正针对单幅影像，去除大气影响后，使得校正后的影像灰度值能够反映真实的地物光谱反射率。绝对辐射校正需要传感器定标参数和大气校正参数等，而这些参数往往需要通过成像时的实地观测数据获取，从而使该方法难以精确实现，尤其无法对历史数据进行处理。而相对辐射校正则适用于多幅影像的情况，是一种影像间的相对运算，不需要多时相影像辐射特性绝对正确，只需待校正影像辐射特性与参考影像相对一致即可。因此在变化检测和时序分析中，主要使用相对辐射校正，以一个时相影像为参考对其余影像进行辐射校正。目前常用的相对校正方法主要有两类：一类是非线性校正法，如最常用的直方图匹配法是通过匹配待校正影像和参考影像的直方图，使其两者的灰度值概率分布尽可能相近，该方法操作简单，但是很大程度上破坏了原始图像中地物的辐射特性，造成影像灰阶损失，整体辐射分布紊乱；另一类是线性校正法，如常用的均值方差法、图像回归法、伪不变特征法以及暗集－亮集法等。然而除了均值方差法和图像回归法是利用影像统计特征信息外，其他方法均需要人工选取样本建立样本集，而样本集质量的好坏直接影响到相对辐射校正结果。针对人工选取样本费时耗力的问题，在多元变化检测(Multivariate Alteration Detection，简称MAD)算法基础上，为改善MAD变换的灵敏度，Morton Canty等人结合概率理论中的一种迭代算法——期望最大化(Expectation Maximization，简称EM)算法，提出了迭代加权多元变化检测(Iteration Re-weight Multivariate Alteration Detection，简称IR-MAD)算法，采用了迭代加权的方法，它是一种很有效的选取影像间不变像素的方法。
常规相对辐射校正方法都是基于影像全局或局部统计信息通过数学计算实现辐射校正，往往在消除图像间辐射差异的同时，也消除了地物的变化信息。针对此不足，近年来有学者将傅里叶变换、小波变换以及Contourlet变换等频率域变换方法引入相对辐射校正，将辐射亮度引起的图像差异的低频部分与地物本身发生变化的高频部分进行分离，对低频部分进行相对辐射校正，可有效提高辐射校正效果和变化检测精度。Biday等利用傅里叶和小波变换对参考影像和待校正影像进行高低频分离，然后通过多项式回归对低频部分进行相对辐射校正，最后逆变换得到辐射校正结果。孙开敏等提出一种基于小波变换和低通滤波的相对辐射校正方法，可有效提高变化检测精度。李文卓等结合Contourlet变换和低通滤波进行相对辐射校正，相比于常规方法，Contourlet变换和低通滤波结合的方法比常规相对辐射校正方法的效果更好。然而高低频分离之后，低频分量中仍然会存留地物的变化信息，现有方法在对低频部分进行处理时却没有将低频中变化的部分和不变的部分分开考虑，致使变化地物的辐射差异被削弱，最终影响变化检测的精度。
发明内容
综合上述方法的优势和不足，本发明提出一种遥感影像的相对辐射校正方法。
本发明的技术方案是一种遥感影像的相对辐射校正方法，包括以下步骤：
步骤1，首先对待校正影像和参考影像分别进行高低频分离，得到待校正影像和参考影像的低频部分；
步骤2，通过IR-MAD算法，采用自适应阈值找出待校正影像低频部分与参考影像低频部分中的不变特征点；所述IR-MAD算法是迭代加权多元变化检测算法；
步骤3，基于不变特征点进行线性回归，得到线性校正系数；
步骤4，利用回归得到的线性校正系数对待校正影像的低频部分进行相对辐射校正，得到校正后低频部分；
步骤5，将校正后低频部分和待校正影像的高频部分进行小波逆变换得到最终的相对辐射校正结果。
而且，步骤1中，对待校正影像和参考影像的低频部分进行低通滤波，得到更为纯粹的低频分量。
而且，步骤3中，采用最小二乘线性回归方式，得到线性校正系数。
而且，用于遥感影像的变化检测和时序分析。
本发明的特点是：
(1)本发明将待校正影像的高低频分离，只对低频部分进行相对辐射校正，保护了高频中的纹理及地物变化等信息；
(2)本发明利用IR-MAD算法选择低频部分对应的不变特征点，无需人工干预，全自动选取，阈值自适应。
(3)本发明利用低频中的不变特征点线性回归计算校正系数，保护了低频中仍存留的包含地物变化的高频信息，使辐射校正结果更有利于进行变化检测等多时相影像分析。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图和实施例详细说明本发明的技术方案。
本发明是一种遥感影像的相对辐射校正方法，是利用小波变换先对带校正影像和参考影像进行高低频分离，再利用IR-MAD算法找出带校正影像和参考影像低频部分中对应的不变特征点，对这些不变特征点进行最小二乘线性回归得到低频部分的辐射校正系数，利用辐射校正系数对待校正影像的低频部分进行线性辐射校正得到校正后的低频，最后将待校正影像分离出的高频部分和校正后的低频部分进行小波逆变换获得最终的相对辐射校正结果。
本发明实施例流程如图1所示，具体包括以下步骤：
(1)对待校正影像和参考影像分别进行高低频分离：
将高低频分离，只对低频部分进行处理，保持高频信息不变，有利于变化检测等多时相影像分析。
高低频分离的方法有很多种，比如傅里叶变换，小波变换，Contourlet变换，本发明采取的是小波变换进行高低频分离。小波变换是频率域处理的常用算法之一，虽然相比于Contourlet变换算法小波只有有限的方向，高频信息表达能力相对要弱，但是本发明只对分离出的低频信息进行处理，不进行图像增强或者边缘纹理信息的提取，高频部分的纹理细节表达能力不影响最终相对辐射校正的结果，且小波变换使用更广泛实现更容易，故本发明优选小波变换方法进行高低频分离的操作。
实施例中，对待校正影像f1进行小波变换得到其低频部分f1 L，对参考影像f2进行小波变换得到其低频部分f2 L和高频部分f2 H。后续将通过IR-MAD算法得到这两个低频分量中没有变化的部分，将其作为不变特征，通过最小二乘线性线性回归计算出线性校正系数。
进一步地，可以对待校正影像和参考影像的低频部分进行低通滤波，得到更为纯粹的低频分量，用于后续步骤的处理，进一步提高效果。
(2)通过IR-MAD算法找出待校正影像低频部分与参考影像低频部分中的不变特征点。
本发明提出使用IR-MAD算法选择不变特征点，可以无需人工干预，全自动选取，实现阈值自适应。IR-MAD算法可以迭代计算出每个像素不变的概率，然后利用最大期望算法求出阈值，概率大于这个阈值，比如不变概率大于95％，就认为这个像素是不变像素，也就是不变特征点。
实施例中，利用IR-MAD算法(迭代加权多元变化检测算法)找到待校正影像和参考影像低频部分f1 L和f2 L之间不变的像素作为不变特征点，记待校正影像中的不变特征点为xi,i＝1,2,...N，参考影像中的对应像素点为yi,i＝1,2,...N，N为不变特征点个数，i为不变特征点的标号；
(3)基于不变特征点进行线性回归，得到线性校正系数(斜率和截距)。
所用到的线性方法可以选择最小二乘法、正交回归等线性回归方法。本发明实施例优选使用最小二乘线性回归方式。
实施例中，对这些不变特征点(xi,yi)进行最小二乘线性回归，通过以下公式求出线性回归方程中的斜率a和截距b：
其中，是xi的均值，是yi的均值，N表示不变特征点的数量。
(4)利用回归得到的线性校正系数对待校正影像的低频部分进行相对辐射校正。
通过如下线性方程求出带校正影像的低频部分经过相对辐射校正后的结果
(5)将校正后低频部分和待校正影像的高频部分进行小波逆变换得到最终的相对辐射校正结果。
实施例中，用校正后的低频部分替代原始低频对待校正影像f1的低频部分和高频部分进行小波逆变换，得到最终的相对辐射校正结果。
具体实施时，以上流程可采用计算软件技术实现自动运行流程。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种遥感影像的相对辐射校正方法，其特征在于，包括以下步骤：
步骤1，首先对待校正影像和参考影像分别进行高低频分离，得到待校正影像和参考影像的低频部分；
步骤2，通过IR-MAD算法，采用自适应阈值找出待校正影像低频部分与参考影像低频部分中的不变特征点；所述IR-MAD算法是迭代加权多元变化检测算法；
步骤3，基于不变特征点进行线性回归，得到线性校正系数；
步骤4，利用回归得到的线性校正系数对待校正影像的低频部分进行相对辐射校正，得到校正后低频部分；
步骤5，将校正后低频部分和待校正影像的高频部分进行小波逆变换得到最终的相对辐射校正结果。
2.根据权利要求1所述一种遥感影像的相对辐射校正方法，其特征在于：步骤1中，对待校正影像和参考影像的低频部分进行低通滤波，得到更为纯粹的低频分量。
3.根据权利要求1所述一种遥感影像的相对辐射校正方法，其特征在于：步骤3中，采用最小二乘线性回归方式，得到线性校正系数。
4.根据权利要求1或2或3所述一种遥感影像的相对辐射校正方法，其特征在于：用于遥感影像的变化检测和时序分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810619826.4A CN108830814A (zh) | 2018-06-15 | 2018-06-15 | 一种遥感影像的相对辐射校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810619826.4A CN108830814A (zh) | 2018-06-15 | 2018-06-15 | 一种遥感影像的相对辐射校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830814A true CN108830814A (zh) | 2018-11-16 |
Family
ID=64142423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810619826.4A Pending CN108830814A (zh) | 2018-06-15 | 2018-06-15 | 一种遥感影像的相对辐射校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830814A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
| CN110110730A (zh) * | 2019-04-12 | 2019-08-09 | 东南大学 | 一种用于无人机影像辐射校正中校正模型构建的方法 |
| CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
| CN112258430A (zh) * | 2020-10-30 | 2021-01-22 | 长光卫星技术有限公司 | 一种针对遥感影像辐射不均匀的通用校正方法 |
| CN117036987A (zh) * | 2023-10-10 | 2023-11-10 | 武汉大学 | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 |
| CN118038450A (zh) * | 2024-03-01 | 2024-05-14 | 山东省农业科学院 | 一种基于遥感影像的玉米病虫害检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120027279A1 (en) * | 2010-07-27 | 2012-02-02 | Gopal Biligeri Avinash | System and method for correcting inhomogeneity of spatial intensity in 3d mr image data |
| CN103954957A (zh) * | 2014-05-22 | 2014-07-30 | 北京空间机电研究所 | 一种基于分离大气mtf的遥感影像大气邻近效应校正方法 |
| CN106570837A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 |
-
2018
- 2018-06-15 CN CN201810619826.4A patent/CN108830814A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120027279A1 (en) * | 2010-07-27 | 2012-02-02 | Gopal Biligeri Avinash | System and method for correcting inhomogeneity of spatial intensity in 3d mr image data |
| CN103954957A (zh) * | 2014-05-22 | 2014-07-30 | 北京空间机电研究所 | 一种基于分离大气mtf的遥感影像大气邻近效应校正方法 |
| CN106570837A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡昌苗: "《Landsat TM/ETM + 与HJ-1A/B CCD数据自动相对辐射处理及精度验证》", 《遥感学报》 * |
| 邢宇: "《小波变换在遥感图像相对辐射校正中的应用》", 《测绘与空间地理信息》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
| CN109671038B (zh) * | 2018-12-27 | 2023-04-28 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
| CN110110730A (zh) * | 2019-04-12 | 2019-08-09 | 东南大学 | 一种用于无人机影像辐射校正中校正模型构建的方法 |
| CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
| CN112258430A (zh) * | 2020-10-30 | 2021-01-22 | 长光卫星技术有限公司 | 一种针对遥感影像辐射不均匀的通用校正方法 |
| CN112258430B (zh) * | 2020-10-30 | 2022-06-21 | 长光卫星技术股份有限公司 | 一种针对遥感影像辐射不均匀的通用校正方法 |
| CN117036987A (zh) * | 2023-10-10 | 2023-11-10 | 武汉大学 | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 |
| CN117036987B (zh) * | 2023-10-10 | 2023-12-08 | 武汉大学 | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 |
| CN118038450A (zh) * | 2024-03-01 | 2024-05-14 | 山东省农业科学院 | 一种基于遥感影像的玉米病虫害检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830814A (zh) | 一种遥感影像的相对辐射校正方法 | |
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| WO2019049324A1 (en) | IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD, AND STORAGE MEDIUM | |
| CN112307901A (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
| CN111275652B (zh) | 一种去除城市遥感图像中雾霾的方法 | |
| CN116468958B (zh) | 通信铁塔安全检测方法及系统 | |
| CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
| WO2022213218A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
| WO2018098736A1 (zh) | 一种基于遥感成像的蓝藻监测方法及装置 | |
| CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
| CN114187189A (zh) | 一种飞行器多光谱影像辐射一致性校正方法 | |
| CN115587946A (zh) | 一种基于多尺度网络的遥感影像去雾方法 | |
| CN115564683A (zh) | 一种面向舰船检测的全色遥感影像自适应增强方法 | |
| CN109389063B (zh) | 基于波段相关性的遥感影像条带噪声去除方法 | |
| Luo et al. | Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images | |
| Zhao et al. | Hyperion image optimization in coastal waters | |
| CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
| CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
| Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification | |
| Fan et al. | Infrared image enhancement based on saliency weight with adaptive threshold | |
| Borra et al. | Satellite image enhancement and analysis | |
| Ratliff et al. | Scene-based correction of fixed pattern noise in hyperspectral image data using temporal reordering | |
| Gupta et al. | Analysis of image fusion techniques over multispectral and microwave SAR images | |
| Biday et al. | Relative radiometric correction of cloudy multitemporal satellite imagery |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |