CN108961325B - 多/高光谱遥感图像波段间配准方法 - Google Patents
多/高光谱遥感图像波段间配准方法 Download PDFInfo
- Publication number
- CN108961325B CN108961325B CN201810608913.XA CN201810608913A CN108961325B CN 108961325 B CN108961325 B CN 108961325B CN 201810608913 A CN201810608913 A CN 201810608913A CN 108961325 B CN108961325 B CN 108961325B
- Authority
- CN
- China
- Prior art keywords
- image
- wave band
- registered
- band
- registration
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多/高光谱遥感图像波段间配准方法,通过特征提取和计算分析,将不同波段的灰度特征以及图像空间特征相结合,解决多/高光谱图像波段间的配准问题,用于多光谱图像彩色合成和高光谱图像数据立方体合成的预处理,进而提升多/高光谱遥感数据的普适性。
Description
技术领域
本发明涉及遥感数据处理技术领域,尤其涉及一种多/高光谱遥感图像波段间配准方法。
背景技术
随着遥感对地观测的日益发展,多/高光谱图像处理成为近年来成像技术及应用领域的热点之一,多/高光谱遥感图像作为遥感对地观测的重要手段,以其强大的地物精细划分能力而得到推广。对于遥感图像而言,图像配准是图像几何校正、图像拼接、彩色合成、超分辨率重建等图像处理操作中必不可少的预处理步骤,也是多/高光谱遥感影像进行后续数据应用的重要前期准备。
通常而言,高分辨率遥感图像的配准误差应在1个像素以内,否则由于不同颜色波段的图像叠加,会出现明显的颜色偏差。最常见的方法是通过选取明显的地物点作为特征匹配控制点进行匹配,配准之后的多源图像对应于实际地面上的同一区域。如果配准误差较大,会导致图像颜色失真,配准误差对于后续像素级的图像处理影响会尤为严重。
目前多/高光谱图像波段间的配准方案常采取普通图像配准方法,如SIFT特征配准等。但是,由于不同波长的光谱特性,使得多/高光谱图像波段间的配准不同于一般的图像配准,除了特征点的提取与匹配之外,还需考虑光谱对地物特征的影响。同一种地物可能在不同波段表现出不同的幅值,不同的亮度,甚至是不同的形态。因此应考虑将灰度匹配引入卫星载荷的多/高光谱图像配准流程。
发明内容
本发明的目的是提供一种针对高分微纳卫星的多/高光谱遥感图像波段间配准方法,既能够得到较高的配准精度,又能够减少光谱畸变,使得卫星载荷数据具有更广泛的应用价值。
本发明的目的是通过以下技术方案实现的:
一种多/高光谱遥感图像波段间配准方法,包括:
获取n波段多光谱图像数据或者高光谱图像数据并预处理,获得n波段原始图像;
计算每一波段原始图像DN值的平均值,选出具有最大平均值对应的波段为参考图像XRef,剩余为待配准图像,每一波段待配准图像记为Xj,(j=1,2,…,n)∩(i≠Ref);
将参考图像与每一波段待配准图像分别进行图像增强处理,并对增强处理的每一波段待配准图像进行灰度匹配;
将灰度匹配后的每一波段待配准图像与参考图像进行特征点的计算,最后得到每一波段待配准图像与参考图像的坐标映射矩阵;
利用坐标映射矩阵计算仿射变换矩阵,并对每一波段待配准图像进行仿射变换,获得每一波段初配准图像;
将每一波段初配准图像与对应波段的待配准图像相结合,进行灰度匹配,获得每一波段最终配准结果。
由上述本发明提供的技术方案可以看出,通过特征提取和计算分析,将不同波段的灰度特征以及图像空间特征相结合,解决高分微纳卫星多/高光谱图像波段间的配准问题,用于多光谱图像彩色合成和高光谱图像数据立方体合成的预处理,进而提升多/高光谱遥感数据的普适性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种多/高光谱遥感图像波段间配准方法的流程图。
图2为本发明实施例提供的试验时所涉及的5个多光谱波段示意图;
图3为本发明实施例提供的5个多光谱波段的处理结果。
具体实施方式
下面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,都属于本发明的保护范围。
本发明实施例提供的一种多/高光谱遥感图像波段间配准方法,可以用于多光谱图像彩色合成和高光谱图像数据立方体合成的预处理,其优点在于适用于辐亮度存在明显差异的不同光谱波长的波段间配准。如图1所示,其主要包括:
1、获取n波段多光谱图像数据或者高光谱图像数据并预处理,获得n波段原始的待配准图像。
本步骤中,先清理工作空间,读取n波段多光谱图像数据或者高光谱图像数据并预处理(包括定标与降噪处理等),获得的n波段原始图像记为X=[X1,X2,…,Xn]T,等式右侧的每一元素对应一个光谱波段原始图像,其下标为波段的序号。
2、计算每一波段原始图像DN值的平均值,选出具有最大平均值对应的波段为原始的参考图像。
计算每一波段原始图像Xi(i=1,2,…,n)DN值的平均值Ti,选取最大值Tmax对应的波段为参考图像XRef,剩余的图像序列为待配准图像,每一波段待配准图像记为Xj,(j=1,2,…,n)∩(i≠Ref)。
3、将参考图像与每一波段待配准图像分别进行图像增强处理,并对增强处理的每一波段待配准图像进行灰度匹配。
本发明实施例中,图像增强处理包括:对相应的图像矩阵做内积计算,以达到增强图像对比度的效果,参考图像与每一波段待配准图像的处理方式相同,参考图像XRef增强处理后记为每一波段待配准图像Xj增强处理后记为
本发明实施例中,对于图像增强处理后的参考图像与每一波段待配准图像计算其灰度直方图,图像增强处理后的参考图像的灰度直方图记为HRef,图像增强处理后的每一波段待配准图像的灰度直方图记为Hj,并将各灰度直方图进行均衡化处理,以均衡化后参考图像波段的灰度直方图为基准对均衡化后的每一波段待配准图像的直方图进行区域灰度匹配,灰度匹配结果记为(j=1,2,…,n)∩(i≠Ref)。
4、将灰度匹配后的每一波段待配准图像与参考图像进行特征点的计算,最后得到每一波段待配准图像与参考图像的坐标映射矩阵。
在进行特征点的计算之前,还进行配准参数的设置,所述配准参数包括:迭代次数与容限误差,迭代次数与运算时间相关,容限误差与特征对的匹配精度相关。
本发明实施例中,分别计算灰度匹配后的每一波段待配准图像与参考图像XRef的SIFT关键点和其对应的SIFT描述算子,得到相应的n个特征集合;对每一特征集合Pti中的所有SIFT关键点进行两两比较,根据SIFT描述算子找到互相匹配的若干特征对形成特征对向量Vj,(j=1,2,…,n)∩(i≠Ref);最终计算得到每一波段待配准图像Xj与参考图像XRef的坐标映射矩阵Mj,(j=1,2,…,n)∩(i≠Ref);坐标映射矩阵大小为3×3,即其中Xj=XRef·Mj,m11~m33为坐标映射系数。
5、利用坐标映射矩阵计算仿射变换矩阵,并对每一波段待配准图像进行仿射变换,获得每一波段初配准图像。
本发明实施例中,根据每一波段待配准图像Xj与参考图像XRef的坐标映射矩阵Mj,以图像大小为基准,计算相应的仿射变换矩阵(j=1,2,…,n)∩(i≠Ref);通过仿射变换矩阵对每一波段待配准图像Xj进行仿射变换,获得相应波段初配准图像Yj,(j=1,2,…,n)∩(i≠Ref)。
6、将每一波段初配准图像与对应波段原始图像相结合,进行灰度匹配,获得每一波段最终配准结果。
本发明实施例中,首先,计算每一波段初配准图像Yj中的有效图像区域,切除黑边,并计算灰度直方图HYj;然后,计算每一波段的待配准图像Xj灰度直方图HXj;再对灰度直方图HXj与HYj进行均衡化处理,以均衡化的灰度直方图HXj为基准对均衡化后的灰度直方图HYj进行区域灰度匹配,得到每一波段最终配准结果(j=1,2,…,n)∩(i≠Ref);最后,保存每一波段最终配准结果和XRef,输出配准结果。
另外,还基于本发明实施例上述方案进行了相关试验。试验中,所用待测数据为中国科学院计算光学成像技术重点实验室研制的超分辨相机所拍摄的多光谱遥感数据,该相机搭载于“CX6(02)”高分微纳卫星,其原始空间分辨率为2.8m(@700km),共5个多光谱波段,波长覆盖可见光至近红外光谱范围。如图2(a)~图2(e)所示,其分别为红外波段1、红外波段2、红波段、绿波段、蓝波段。
首先,初始化工作空间,输入待配准的5波段多光谱图像,选择红外2波段图像作为基准图像XRef。按照上述流程3~6的顺序进行计算和转换,其中迭代次数设置为200,容限误差设置为1,得到配准后的多光谱图像,并保存重叠区域数据,其图2(a)~图2(e)所示波段的处理结果如图3(a)~图3(e)所示。
上述试验中,通过“CX6(02)”高分微纳卫星在轨凝扫成像获得5波段图像数据,为了将图像数据对应地面同一区域,形成可应用的多光谱数据,进行了如上节所述配准处理,得到配准后多光谱数据,且配准的各波段图像与原始各波段图像的灰度分布情况从视觉效果上无大差异。采用本方案设计的波段间配准方法,既能够得到较高的配准精度,又能够减少光谱畸变,使得卫星载荷数据具有更广泛的应用价值。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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的方法。
以上所述,仅为本发明较佳的具体实施方式,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披露的技术范围内,可轻易想到的变化或替换,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该以权利要求书的保护范围为准。
Claims (7)
1.一种多/高光谱遥感图像波段间配准方法,其特征在于,包括:
获取n波段多光谱图像数据或者高光谱图像数据并预处理,获得n波段原始图像;
计算每一波段原始图像DN值的平均值,选出具有最大平均值对应的波段为参考图像XRef,剩余为待配准图像,每一波段待配准图像记为Xj,(j=1,2,…,n)∩(i≠Ref);
将参考图像与每一波段待配准图像分别进行图像增强处理,并对增强处理的每一波段待配准图像进行灰度匹配;
将灰度匹配后的每一波段待配准图像与参考图像进行特征点的计算,最后得到每一波段待配准图像与参考图像的坐标映射矩阵;
利用坐标映射矩阵计算仿射变换矩阵,并对每一波段待配准图像进行仿射变换,获得每一波段初配准图像;
2.根据权利要求1所述的一种多/高光谱遥感图像波段间配准方法,其特征在于,对n波段多光谱图像数据或者高光谱图像数据进行的预处理包括定标与降噪处理,获得的n波段原始的待配准图像记为X=[X1,X2,…,Xn]T,等式右侧的每一元素对应一个波段原始的待配准图像,其下标为波段的序号。
5.根据权利要求1所述的一种多/高光谱遥感图像波段间配准方法,其特征在于,在进行特征点的计算之前,还进行配准参数的设置,所述配准参数包括:迭代次数与容限误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810608913.XA CN108961325B (zh) | 2018-06-13 | 2018-06-13 | 多/高光谱遥感图像波段间配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810608913.XA CN108961325B (zh) | 2018-06-13 | 2018-06-13 | 多/高光谱遥感图像波段间配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961325A CN108961325A (zh) | 2018-12-07 |
CN108961325B true CN108961325B (zh) | 2021-12-24 |
Family
ID=64488576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810608913.XA Active CN108961325B (zh) | 2018-06-13 | 2018-06-13 | 多/高光谱遥感图像波段间配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961325B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020988B (zh) * | 2019-04-04 | 2020-08-18 | 山东大学 | 基于微纳运动平台的超分辨率重构系统及重构方法 |
CN111145231A (zh) * | 2019-12-30 | 2020-05-12 | 国家卫星海洋应用中心 | 遥感图像的波段偏移确定方法、装置和电子设备 |
CN111652826B (zh) * | 2020-05-18 | 2023-04-25 | 哈尔滨工业大学 | 基于Wallis滤波+直方图匹配的有重多/高光谱遥感图像匀色方法 |
CN112819868B (zh) * | 2021-02-05 | 2022-03-04 | 哈尔滨工业大学 | 一种多/高光谱图像与LiDAR点云空间配准及性能评估方法 |
CN113052153B (zh) * | 2021-06-02 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 遥感反射率影像的检验方法、装置、电子设备及存储介质 |
CN113658063B (zh) * | 2021-07-28 | 2023-05-26 | 中国科学院西安光学精密机械研究所 | 一种用于aotf型光谱成像仪的自动数据修正方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473765A (zh) * | 2013-09-03 | 2013-12-25 | 深圳大学 | 一种多光谱遥感图像的配准与校正方法、系统 |
CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124709A1 (en) * | 2014-05-14 | 2017-05-04 | Massachusetts Institute Of Technology | Systems and methods for medical image segmentation and analysis |
-
2018
- 2018-06-13 CN CN201810608913.XA patent/CN108961325B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473765A (zh) * | 2013-09-03 | 2013-12-25 | 深圳大学 | 一种多光谱遥感图像的配准与校正方法、系统 |
CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
Non-Patent Citations (2)
Title |
---|
A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information;Gong M 等;《IEEE Transactions on Geoscience and Remote Sensing》;20131003;第52卷(第7期);第4328-4338页 * |
利用PC-SIFT的多源光学卫星影像自动配准方法;李明 等;《武汉大学学报(信息科学版)》;20150131;第40卷(第1期);第64-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108961325A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961325B (zh) | 多/高光谱遥感图像波段间配准方法 | |
Ayhan et al. | A novel utilization of image registration techniques to process mastcam images in mars rover with applications to image fusion, pixel clustering, and anomaly detection | |
Heide et al. | High-quality computational imaging through simple lenses | |
US9307208B2 (en) | System and method for solving inverse imaging problems | |
EP3832359B1 (en) | Method and device for imaging of lensless hyperspectral image | |
CN108780569A (zh) | 用于图像分辨率增强的系统和方法 | |
Hu et al. | Convolutional sparse coding for RGB+ NIR imaging | |
Palsson et al. | Model-based reduced-rank pansharpening | |
Nikonorov et al. | Comparative evaluation of deblurring techniques for Fresnel lens computational imaging | |
US9336570B2 (en) | Demosaicking system and method for color array based multi-spectral sensors | |
Tao et al. | Hyperspectral image recovery based on fusion of coded aperture snapshot spectral imaging and RGB images by guided filtering | |
Picone et al. | Band assignment approaches for hyperspectral sharpening | |
CN114820581A (zh) | 轴对称光学成像并行仿真方法及装置 | |
Wei et al. | RegiNet: Gradient guided multispectral image registration using convolutional neural networks | |
Ma et al. | Hyperspectral image denoising based on low-rank representation and superpixel segmentation | |
Zheng et al. | Deep residual spatial attention network for hyperspectral pansharpening | |
JP6826277B2 (ja) | 画像処理システム、画像処理方法、および画像処理プログラム | |
CN110852950B (zh) | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 | |
Zheng | A channel-based color fusion technique using multispectral images for night vision enhancement | |
Llanos et al. | Simultaneous demosaicing and chromatic aberration correction through spectral reconstruction | |
Kamal et al. | Resoluting multispectral image using image fusion and CNN model | |
Obukhova et al. | Modern methods and algorithms in digital processing of endoscopic images | |
Zhang et al. | Sub-pixel dispersion model for coded aperture snapshot spectral imaging | |
Ibañez et al. | FloU-Net: An optical flow network for multimodal self-supervised image registration | |
CN113469899A (zh) | 一种基于辐射能量重构的光学遥感卫星相对辐射校正方法 |
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 |