CN109461176A - 高光谱图像的光谱配准方法 - Google Patents
高光谱图像的光谱配准方法 Download PDFInfo
- Publication number
- CN109461176A CN109461176A CN201811234531.1A CN201811234531A CN109461176A CN 109461176 A CN109461176 A CN 109461176A CN 201811234531 A CN201811234531 A CN 201811234531A CN 109461176 A CN109461176 A CN 109461176A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- point
- characteristic point
- curve
- matched
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 11
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 27
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种高光谱图像的光谱配准方法,包括:获取两个高光谱图像;对每个高光谱图像分别进行预处理,得到两个预处理后的高光谱图像;分别在每个预处理后的高光谱图像中,选取一个点的光谱曲线,得到两条光谱曲线;基于SIFT算法,分别提取每条光谱曲线上的特征点,得到两组特征点,每组特征点由一条光谱曲线上的特征点组成;对两组特征点进行匹配,得到匹配的特征点;将光谱曲线上匹配的特征点所对应的区域作为重叠区域,对重叠区域进行均值融合,得到融合后的区域;对融合后的区域和非重叠区域进行拼接,得到光谱配准后的光谱曲线。达到去除光谱曲线的冗余性的效果,并充分利用多源数据的光谱信息。
Description
技术领域
本申请涉及图像拼接技术领域,尤其涉及一种高光谱图像的光谱配准方法。
背景技术
成像光谱技术最大的特点是将成像技术与光谱探测技术结合,在对研究目标的空间特征成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段,以进行连续的光谱覆盖。由于高光谱图像不仅在信息丰富程度方面有极大的优势,而且在处理技术上,为给该类光谱数据进行更为合理、有效的分析提供了可能,故,高光谱图像技术所具有的影响和发展潜力,是以往技术的各个发展阶段所不可比拟的,高光谱图像技术不仅引起了遥感界的关注,同时也引起了其它领域的极大关注,例如医学,农学等。高光谱图像集研究目标样本的图像信息与光谱信息于一身;其中,图像信息可以反映样本的大小、形状等外部品质特征,光谱信息可以充分反映研究目标的内部物理结构、化学成分、地质组成的差异。由于高光谱图像能够提供丰富的光谱信息,提升光谱分辨率有利于图像分类,图像分割,图像目标识别和检测等技术,故,提升高光谱的光谱分辨率是一个很有意义的研究方向。
由于对同一研究目标进行图像拍摄采集的设备不同,导致其光谱范围和波段数目不同,如果将两个或者多个不同源的高光谱图像的光谱进行配准融合,将很大的提升高光谱图像的光谱分辨率。一般来说,传感器的波段数越多,波段宽度越窄,地面物体的信息越容易区分和识别,针对性越强。成像光谱仪所得到的图像在对地表植被和岩石的化学成分分析中具有重要意义,因为高光谱遥感能提供丰富的光谱信息,足够的光谱分辨率可以区分出具有诊断性光谱特征的地表物质。
若想结合两个或多个不同源设备的光谱信息,相关技术中,一般通过将两个高光谱数据直接进行融合拼接,或者基于非线性坐标变换结合反卷积算法来直接提升设备的光谱分辨率,将非线性坐标变换与非线性迭代反卷积相结合的方法可以提升设备中光谱系统的光谱分辨能力,达到光谱细分的目的。目前的这些方法虽然利用了不同源的光谱信息,但是也带来了很多问题,比如数据变大占用了更多的内存,使得后续数据处理变得更为复杂耗时,增加计算量。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种高光谱图像的光谱配准方法。
本申请实施例提供一种高光谱图像的光谱配准方法,包括:获取两个高光谱图像;
对每个高光谱图像分别进行预处理,得到两个预处理后的高光谱图像;
分别在每个预处理后的高光谱图像中,选取一个点的光谱曲线,得到两条光谱曲线;
基于SIFT算法,分别提取每条光谱曲线上的特征点,得到两组特征点,每组特征点由一条光谱曲线上的特征点组成;
对所述两组特征点进行匹配,得到匹配的特征点;
将光谱曲线上匹配的特征点所对应的区域作为重叠区域,对重叠区域进行均值融合,得到融合后的区域;
对融合后的区域和非重叠区域进行拼接,得到光谱配准后的光谱曲线。
可选的,所述获取两个高光谱图像,包括:
采集多源的高光谱图像,得到多个高光谱图像;
在所述多个高光谱图像中选择两个高光谱图像。
可选的,所述预处理包括:
去噪、空间配准。
可选的,所述选取一个点的光谱曲线,包括:
如果所述两个高光谱图像中存在标签图,所述标签图包括多类地物的标签图,则在各类标签图的重叠区域选择一个点;或者,
如果所述两个高光谱图像都不存在所述标签图,所述两个高光谱图像已经进行过空间配准处理,则在每个所述高光谱图像中选取同一位置的点。
可选的,所述基于SIFT算法,分别提取每条光谱曲线上的特征点,包括:
在光谱曲线中提取出由波长函数表示的尺度不变特征,并将其作为一维向量;
采用多个高斯卷积核,对所述一维向量进行运算,得到多个尺度空间;
在每个尺度空间内找到一个极值点,作为候选的特征点;
对所述候选的特征点分配尺度、位置及当前值的大小,构成光谱曲线上的所述候选的特征点的三维向量。
可选的,所述在每个尺度空间内找到一个极值点,包括:
对应每个尺度空间,获取每个尺度空间内的点作为当前点,获取当前点的参数值作为当前参数值;
如果所述当前参数值大于当前点的周围的8个点的参数值,则将所述当前点确定为极值点。
可选的,所述对所述两组特征点进行匹配,得到匹配的特征点,包括:
选取一个光谱曲线上的一个特征点作为当前特征点,分别计算另一个光谱曲线上的每个特征点与所述当前特征点之间的欧式距离值,计算最小的欧式距离值与次小的欧式距离值之间的比值,在所述比值小于预设值时,将最小的欧式距离值所对应的特征点,与所述当前特征点匹配的特征点,确定为初始匹配的特征点;
根据所述初始匹配的特征点确定最终匹配的特征点。
可选的,所述根据所述初始匹配的特征点确定最终匹配的特征点,包括:
将所述初始匹配的特征点确定为最终匹配的特征点;或者,
对所述初始匹配的特征点进行筛选,将筛选后的特征点确定为最终匹配的特征点。
可选的,所述对所述初始匹配的特征点进行筛选,包括:
基于RANSAC算法,对所述初始匹配的特征点进行筛选。
可选的,所述对重叠区域进行均值融合,包括:
对应每组匹配的特征点,确定所述每组匹配的特征点中每个特征点的像素值,并计算两个像素值的均值,将所述均值确定为匹配的特征点所对应的位置处的像素值。
本申请提供的技术方案可以包括以下有益效果:
通过选取不同源的高光谱图像的重叠区域中某点的光谱曲线,并根据SIFT配准算法对光谱曲线进行特征点采取、均值融合,然后对两条光谱曲线进行融合拼接,达到去除光谱曲线的冗余性的效果,并充分利用多源数据的光谱信息。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的高光谱图像的光谱配准方法的流程图;
图2是本申请一个实施例提供的高光谱图像A在坐标为(50,50)点处的光谱曲线;
图3是本申请一个实施例提供的高光谱图像B在坐标为(50,50)点处的光谱曲线;
图4是本申请另一个实施例提供的高光谱图像A在坐标为(50,50)点处的光谱曲线;
图5是本申请另一个实施例提供的高光谱图像B在坐标为(50,0)点处的光谱曲线;
图6是本申请另一个实施例提供的融合后的光谱曲线C。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的高光谱图像的光谱配准方法的流程图。如图1所示,该方法包括以下步骤:
S11:获取两个高光谱图像;
需要说明的是,上述两个高光谱图像可以为不同源的图像。
S12:对每个高光谱图像分别进行预处理,得到两个预处理后的高光谱图像;
需要说明的是,上述预处理可以包括去噪、图像大气校正、图像空间配准、图像细节增强等;预处理操作有利于消除图像中的无关信息,恢复有用的真实信息,增强相关信息的可检测性,并极大限度的简化数据,从而改进特征点的提取、图像分割等操作的可靠性。对于本方案,由于使用的高光谱数据具有很强的条纹噪声,所以首先进行条纹噪声的去噪处理;在去噪处理后的图像中,对其进行空间配准,先将高光谱图像取主成分,变成波段图像,再对波段图像进行配准。
S13:分别在每个预处理后的高光谱图像中,选取一个点的光谱曲线,得到两条光谱曲线;
需要说明的是,在预处理后的高光谱图像中选点时,在两个高光谱波段重叠区域选点。如图2和图3所示,假设一个设备采集得到的高光谱图像A可以表示为(M1×N1×b1),A的空间大小为M1×N1,即图像A有M1行,N1列,A的波段数为b1,A的波段范围为500-1000nm;假设有另一个设备采集得到的高光谱图像B可以表示为(M2×N2×b2),B的空间大小为(M2×N2),即图像B有M2行,N2列,B的波段数为b2,B的波段范围为700-1200nm。根据波段范围可知,A和B的光谱有重叠区域,分别选取A和B中背景的点所对应的光谱曲线,记为分别v1,v2,那么v1,v2分别为1*b1和1*b2的向量。选点时,即在上述重叠区域中选点。
S14:基于SIFT(Scale-invariant feature transform,尺度不变特征变换)算法,分别提取每条光谱曲线上的特征点,得到两组特征点,每组特征点由一条光谱曲线上的特征点组成;
需要说明的是,上述SIFT算法是用于图像处理领域的一种描述,这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
S15:对所述两组特征点进行匹配,得到匹配的特征点;
利用欧氏距离对两组特征点进行匹配,欧氏距离是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度,即该点到原点的距离;在二维和三维空间中的欧氏距离就是两点之间的实际距离。欧氏距离公式为其中xi为横坐标,yi为纵坐标。
S16:将光谱曲线上匹配的特征点所对应的区域作为重叠区域,对重叠区域进行均值融合,得到融合后的区域;
S17:对融合后的区域和非重叠区域进行拼接,得到光谱配准后的光谱曲线。
需要说明的是,对于两幅高光谱图像,在配准融合光谱曲线的重叠区域后,直接按照光谱范围,将未重叠区域拼接到相应位置即可。
本实施例中,通过选取不同源的高光谱图像的重叠区域中某点的光谱曲线,并根据SIFT配准算法对光谱曲线进行特征点采取、均值融合,然后对两条光谱曲线进行融合拼接,达到去除光谱曲线的冗余性的效果,并充分利用多源数据的光谱信息。
一些实施例中,所述获取两个高光谱图像,包括:采集多源的高光谱图像,得到多个高光谱图像;在所述多个高光谱图像中选择两个高光谱图像。
需要说明的是,上述多源的高光谱图像可以来自不同的采集设备,将不同源的高光谱图像进行融合拼接,可以利用多源的光谱信息。
本实施例中,通过采集多源高光谱图像,利用多源光谱信息,方便后续步骤中进行图像分割、分类、识别等操作。
一些实施例中,所述预处理包括:去噪、空间配准。
需要说明的是,现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,图像去噪是指减少数字图像中噪声的过程,上述空间配准指的是,两幅高光谱图像之间的配准。
本实施例中,通过对高光谱图像进行去噪、空间配准等预处理,减少图像在数字化和传输过程中受到的外部噪声的影响,提高光谱信息的准确性。
一些实施例中,所述选取一个点的光谱曲线,包括:如果所述两个高光谱图像中存在标签图,所述标签图包括多类地物的标签图,则在各类标签图的重叠区域选择一个点;或者,如果所述两个高光谱图像都不存在所述标签图,所述两个高光谱图像已经进行过空间配准处理,则在每个所述高光谱图像中选取同一位置的点。
需要说明的是,上述标签图为根据直接观察地面情况所获得的信息图,例如依据树木、湖水、建筑等不同地物种类划分形成的图像。在一些公开的高光谱图像数据中往往存在标注好的标签图,标签图可以根据地面情况人为去标注。相同地物对应同一个标签图,在同一地物所对应的标签图中,光谱曲线往往是相似的。所以选取同一地物中的两点有利于分析光谱曲线的特征。上述背景点指在根据地物真实情况不能确定的区域类别中选取的点。
本实施例中,通过在高光谱图像的标签图或背景中选点,避免因高光谱图像中地物复杂,导致光谱曲线的形状等特征发生改变的情况。
如图4和图5所示,一些实施例中,所述基于SIFT算法,分别提取每条光谱曲线上的特征点,包括:在光谱曲线中提取出由波长函数表示的尺度不变特征,并将其作为一维向量;采用多个高斯卷积核,对所述一维向量进行运算,得到多个尺度空间;在每个尺度空间内找到一个极值点,作为候选的特征点;对所述候选的特征点分配尺度、位置及当前值的大小,构成光谱曲线上的所述候选的特征点的三维向量。
需要说明的是,假设一条光谱曲线定义为I(λ),经过高斯卷积后的尺度空间的曲线定义为L(λ,σ),则L(λ,σ)=G(λ,σ)*I(λ),其中,σ是一个对应于不同尺度的变量,并且已知如果要检测稳定的特征点位置,则需在高斯差分函数中找到尺度空间的极值点,高斯差分函数定义如下:D(λ,σ)=(G(λ,kσ)-G(λ,σ))*I(λ)=L(λ,kσ)-L(λ,σ),需要说明的是,高斯差分函数与高斯的尺度归一化拉普拉斯算子非常接近,实际上是可调节的带通滤波器。经过上述步骤的操作过后,会形成一系列由不同卷积核得到的曲线。
在尺度空间中应用的高斯差异的最大值和最小值作为特征点的候选项。生成不同图像尺度的金字塔,从中找到每个尺度的极值点。为了在曲线空间和尺度空间中找到极值,每个点都应该和其同一尺度空间中周围的两个点和上、下层周围共六个点进行比较,即每个点要和周围的八个点进行比较,如果通过比较后,该点比其他的点都大或者都小,即该点为该邻域的极值点,则把该点作为特征点的候选点。该方法要求地物光谱稳定,否则特征提取和匹配可能受到很大影响。
上述操作已将图像位置、尺度和值分配给每个特征点。对于每个特征点,将由三个参数来表征该点。这些参数用一个可重复的局部坐标系来描述局部图像区域,因此这些参数可以表示该点的尺度不变性。每个特征点将由一个一维向量表示,记为V={σ,λ,v},σ表示该点尺度,λ表示该点位置,v表示该点值的大小。所以,一条光谱曲线的特征可以被记为由特征点向量构成的矩阵,记为F={V1,V2,...,Vk}。从理论上讲,每一类地物都有自己的形状和光谱曲线的变化,实际上,由于光谱曲线的变化,从同一个地物观察到的光谱曲线通常是不会相同的,反射率往往在一定范围内随机变化,为了减少反射率变化的影响,v值应该被归一化。
本实施例中,通过使用SIFT算法提取光谱曲线上的特征点,提取到的特征点的信息更全面。
一些实施例中,所述在每个尺度空间内找到一个极值点,包括:对应每个尺度空间,获取每个尺度空间内的点作为当前点,获取当前点的参数值作为当前参数值;如果所述当前参数值大于当前点的周围的8个点的参数值,则将所述当前点确定为极值点。
需要说明的是,在尺度空间中应用的高斯差异的最大值和最小值作为特征点的候选项。生成不同图像尺度的金字塔,从中找到每个尺度的极值点。为了在曲线空间和尺度空间中找到极值,每个点都应该和其同一尺度空间中周围的两个点和上、下层周围共六个点进行比较,即每个点要和周围的八个点进行比较,如果通过比较后,该点比其他的点都大或者都小,即该点为该邻域的极值点,则把该点作为特征点的候选点。该方法要求地物光谱稳定,否则特征提取和匹配可能受到很大影响。
本实施例中,通过将当前点与周围点的参数值作比较,确定出极值点,作为候选的特征点。
一些实施例中,所述对所述两组特征点进行匹配,得到匹配的特征点,包括:选取一个光谱曲线上的一个特征点作为当前特征点,分别计算另一个光谱曲线上的每个特征点与所述当前特征点之间的欧式距离值,计算最小的欧式距离值与次小的欧式距离值之间的比值,在所述比值小于预设值时,将最小的欧式距离值所对应的特征点,与所述当前特征点匹配的特征点,确定为初始匹配的特征点;根据所述初始匹配的特征点确定最终匹配的特征点。
需要说明的是,每条光谱曲线上可以得到若干个特征点,而每个特征点都是由向量所表征,所以可以根据欧氏距离来对特征点进行匹配。欧氏距离是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度。其中,m维空间中,欧氏距离的计算公式为:xi为横坐标,yi为纵坐标。欧氏距离可以看作是两个向量之间的相似程度,距离越近就越相似,将欧氏距离作为该步骤特征点匹配的一个衡量方式。取光谱曲线v1中某个特征点,并找出其与光谱曲线v2中距离最近的两个特征点,在这两个特征点中,如果最近的距离除以次近的距离小于某个比例阈值,则接受v1上的特征点和v2中距离v1上特征点最近的特征点作为一对匹配点。降低这个比例阈值,则匹配点的数目会减少,但是会更加准确和稳定。
本实施例中,通过欧氏距离公式,确定出初始匹配的特征点,以便后续计算最终匹配的特征点。
一些实施例中,所述根据所述初始匹配的特征点确定最终匹配的特征点,包括:将所述初始匹配的特征点确定为最终匹配的特征点;或者,对所述初始匹配的特征点进行筛选,将筛选后的特征点确定为最终匹配的特征点。
需要说明的是,由于卷积核和曲线反射率等原因,匹配过程中可能会出现错误匹配的情况,则需要采取一些降低错误匹配率的措施。在此用到的去除错误匹配的算法为RANSAC算法,它是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。其核心思想就是随机性和假设性,随机性用于减少计算,循环次数是利用正确数据出现的概率,所谓假设性,是指随机抽出来的数据都认为是正确的,并以此去计算其他点,获得起他满足变换关系的点,然后利用投票机制,选出获票最多的那一个点。
本实施例中,通过对初始匹配的特征点进行筛选,可降低错误匹配率。
一些实施例中,所述对所述初始匹配的特征点进行筛选,包括:基于RANSAC算法,对所述初始匹配的特征点进行筛选。
需要说明的是,RANSAC算法采用现有技术,此处不再详述。
本实施例中,通过使用RANSAC算法对初始匹配的特征点进行筛选,增强特征点匹配的准确性。
如图6所示,一些实施例中,所述对重叠区域进行均值融合,包括:对应每组匹配的特征点,确定所述每组匹配的特征点中每个特征点的像素值,并计算两个像素值的均值,将所述均值确定为匹配的特征点所对应的位置处的像素值。
需要说明的是,在上述步骤找到匹配的特征点后,即找到了原高光谱图像和另一幅高光谱图像波段之间的对应关系,例如图像A中的第10个波段对应于图像B中的第48个波段。由于每个点在各个波段上都存在一个值,根据两条曲线上的值,可以将该点的值取平均来作为新图像该点的值。假设图像A中某点在特定波段上的像素值为v1,图像B中对应点在与A匹配波段上的像素值为v2,那么利用公式来作为新图像C中该点在某个波段的像素值,以此类推,可以将重叠波段区域的值都进行均值计算。
对于两幅图像,上述操作步骤已经找到并配准融合了光谱重叠的区域,对于没有重叠的区域,则直接按照光谱范围拼接到相应位置即可。
已得到重叠光谱区域的高光谱图像的数据,正如在上述实施例中做的假设,即得到了700-1000nm是光谱重叠区域,而500-700nm这一范围仍属于图像A中的光谱信息,1000-1200nm这一范围仍属于图像B中的光谱信息,最终得到了一个光谱范围为500-1200nm的高光谱图像,而波段数却小于各自波段数之和。
本实施例中,通过对重叠区域进行均值融合,得到重叠区域特征点的光谱值,从而得到配准后的光谱曲线,配准后的光谱曲线的波段数小于直接拼接得到的波段数,从而减少了数据冗余,为图像分割分类等算法降低了计算复杂度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种高光谱图像的光谱配准方法,其特征在于,包括:
获取两个高光谱图像;
对每个高光谱图像分别进行预处理,得到两个预处理后的高光谱图像;
分别在每个预处理后的高光谱图像中,选取一个点的光谱曲线,得到两条光谱曲线;
基于SIFT算法,分别提取每条光谱曲线上的特征点,得到两组特征点,每组特征点由一条光谱曲线上的特征点组成;
对所述两组特征点进行匹配,得到匹配的特征点;
将光谱曲线上匹配的特征点所对应的区域作为重叠区域,对重叠区域进行均值融合,得到融合后的区域;
对融合后的区域和非重叠区域进行拼接,得到光谱配准后的光谱曲线。
2.根据权利要求1所述的方法,其特征在于,所述获取两个高光谱图像,包括:
采集多源的高光谱图像,得到多个高光谱图像;
在所述多个高光谱图像中选择两个高光谱图像。
3.根据权利要求1所述的方法,其特征在于,所述预处理包括:
去噪、空间配准。
4.根据权利要求1所述的方法,其特征在于,所述选取一个点的光谱曲线,包括:
如果所述两个高光谱图像中存在标签图,所述标签图包括多类地物的标签图,则在各类标签图的重叠区域选择一个点;或者,
如果所述两个高光谱图像都不存在所述标签图,所述两个高光谱图像已经进行过空间配准处理,则在每个所述高光谱图像中选取同一位置的点。
5.根据权利要求1所述的方法,其特征在于,所述基于SIFT算法,分别提取每条光谱曲线上的特征点,包括:
在光谱曲线中提取出由波长函数表示的尺度不变特征,并将其作为一维向量;
采用多个高斯卷积核,对所述一维向量进行运算,得到多个尺度空间;
在每个尺度空间内找到一个极值点,作为候选的特征点;
对所述候选的特征点分配尺度、位置及当前值的大小,构成光谱曲线上的所述候选的特征点的三维向量。
6.根据权利要求5所述的方法,其特征在于,所述在每个尺度空间内找到一个极值点,包括:
对应每个尺度空间,获取每个尺度空间内的点作为当前点,获取当前点的参数值作为当前参数值;
如果所述当前参数值大于当前点的周围的8个点的参数值,则将所述当前点确定为极值点。
7.根据权利要求1所述的方法,其特征在于,所述对所述两组特征点进行匹配,得到匹配的特征点,包括:
选取一个光谱曲线上的一个特征点作为当前特征点,分别计算另一个光谱曲线上的每个特征点与所述当前特征点之间的欧式距离值,计算最小的欧式距离值与次小的欧式距离值之间的比值,在所述比值小于预设值时,将最小的欧式距离值所对应的特征点,与所述当前特征点匹配的特征点,确定为初始匹配的特征点;
根据所述初始匹配的特征点确定最终匹配的特征点。
8.根据权利要求7所述的方法,其特征在于,所述根据所述初始匹配的特征点确定最终匹配的特征点,包括:
将所述初始匹配的特征点确定为最终匹配的特征点;或者,
对所述初始匹配的特征点进行筛选,将筛选后的特征点确定为最终匹配的特征点。
9.根据权利要求8所述的方法,其特征在于,所述对所述初始匹配的特征点进行筛选,包括:
基于RANSAC算法,对所述初始匹配的特征点进行筛选。
10.根据权利要求1所述的方法,其特征在于,所述对重叠区域进行均值融合,包括:
对应每组匹配的特征点,确定所述每组匹配的特征点中每个特征点的像素值,并计算两个像素值的均值,将所述均值确定为匹配的特征点所对应的位置处的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234531.1A CN109461176A (zh) | 2018-10-22 | 2018-10-22 | 高光谱图像的光谱配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234531.1A CN109461176A (zh) | 2018-10-22 | 2018-10-22 | 高光谱图像的光谱配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109461176A true CN109461176A (zh) | 2019-03-12 |
Family
ID=65608152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811234531.1A Pending CN109461176A (zh) | 2018-10-22 | 2018-10-22 | 高光谱图像的光谱配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461176A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN112699897A (zh) * | 2020-12-04 | 2021-04-23 | 国网湖北省电力有限公司电力科学研究院 | 一种特高压瓷质绝缘子串铁帽温度曲线拼接方法及系统 |
TWI802363B (zh) * | 2022-04-08 | 2023-05-11 | 閎康科技股份有限公司 | 曲線對齊方法及曲線對齊裝置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN105844587A (zh) * | 2016-03-17 | 2016-08-10 | 河南理工大学 | 一种低空无人机载高光谱遥感影像自动拼接方法 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
-
2018
- 2018-10-22 CN CN201811234531.1A patent/CN109461176A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN105844587A (zh) * | 2016-03-17 | 2016-08-10 | 河南理工大学 | 一种低空无人机载高光谱遥感影像自动拼接方法 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
樊东昊等,: ""一种结合区域选择和SIFT 算法的遥感图像配准方法"", 《工程勘察》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN112699897A (zh) * | 2020-12-04 | 2021-04-23 | 国网湖北省电力有限公司电力科学研究院 | 一种特高压瓷质绝缘子串铁帽温度曲线拼接方法及系统 |
CN112699897B (zh) * | 2020-12-04 | 2024-04-05 | 国网湖北省电力有限公司电力科学研究院 | 一种特高压瓷质绝缘子串铁帽温度曲线拼接方法及系统 |
TWI802363B (zh) * | 2022-04-08 | 2023-05-11 | 閎康科技股份有限公司 | 曲線對齊方法及曲線對齊裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Noise-robust hyperspectral image classification via multi-scale total variation | |
Liu et al. | Spatial-spectral kernel sparse representation for hyperspectral image classification | |
Raczko et al. | Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images | |
US20200250428A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
Huang et al. | Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification | |
CN109461176A (zh) | 高光谱图像的光谱配准方法 | |
CN115205590A (zh) | 一种基于互补集成Transformer网络的高光谱图像分类方法 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
Khoshboresh-Masouleh et al. | Improving weed segmentation in sugar beet fields using potentials of multispectral unmanned aerial vehicle images and lightweight deep learning | |
Wang et al. | Convolutional LSTM-based hierarchical feature fusion for multispectral pan-sharpening | |
Zhan et al. | Multiscale superpixel kernel-based low-rank representation for hyperspectral image classification | |
Li et al. | Improving model robustness for soybean iron deficiency chlorosis rating by unsupervised pre-training on unmanned aircraft system derived images | |
Mantripragada et al. | The effects of spectral dimensionality reduction on hyperspectral pixel classification: A case study | |
Esmaeili et al. | ResMorCNN Model: Hyperspectral Images Classification Using Residual-Injection Morphological Features & 3D-CNN Layers | |
Mohtashamian et al. | Automated plant species identification using leaf shape-based classification techniques: a case study on Iranian Maples | |
Silva et al. | Boosting the performance of SOTA convolution-based networks with dimensionality reduction: An application on hyperspectral images of wine grape berries | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
Garcia-Salgado et al. | Parallel supervised land-cover classification system for hyperspectral and multispectral images | |
Swain et al. | Dimensionality reduction and classification in hyperspectral images using deep learning | |
Liu et al. | Hyperspectral Real-time Online Processing Local Anomaly Detection via Multi-Line Multi-Band Progressing | |
CN109447057B (zh) | 图像特征识别方法、相关装置及存储介质 | |
Vargas et al. | Spectral unmixing approach in hyperspectral remote sensing: a tool for oil palm mapping | |
Alboody et al. | DeepSen3: Deep multi-scale learning model for spatial-spectral fusion of Sentinel-2 and Sentinel-3 remote sensing images | |
Demirci et al. | Weighted Chebyshev distance classification method for hyperspectral imaging |
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: 20190312 |