CN109584255A - 一种基于全色与高光谱图像融合的目标轮廓提取方法 - Google Patents
一种基于全色与高光谱图像融合的目标轮廓提取方法 Download PDFInfo
- Publication number
- CN109584255A CN109584255A CN201811321623.3A CN201811321623A CN109584255A CN 109584255 A CN109584255 A CN 109584255A CN 201811321623 A CN201811321623 A CN 201811321623A CN 109584255 A CN109584255 A CN 109584255A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- panchromatic
- hyperion
- high spectrum
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10041—Panchromatic 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全色与高光谱图像融合的目标轮廓提取方法,包括:通过插值将高光谱图像采样至全色图像相同的空间分辨率,得到高光谱图像上的采样图像;对高光谱图像上的采样图像的可见光和近红外波段进行加权,得到低分辨率全色图像;将高光谱上的采样图像、低分辨率全色图像、全色图像生成全色与高光谱融合图像;计算全色与高光谱融合图像每个像元的类密度、区分度以及每个像元的类密度和区分度之积,得到中心似然度,确定中心像元;对全色与高光谱融合图像中的所有像元,按其与中心像元特征距离的远近划分为两个类别,从而得到目标的轮廓。本发明通过全色与高光谱图像融合,提升了高光谱图像的空间分辨率。
Description
技术领域
本发明涉及一种遥感图像目标轮廓提取方法,尤其涉及一种基于全色与高光谱图像融合的目标轮廓提取方法,属于数字图像处理技术领域。
背景技术
高光谱遥感图像通常在电磁波谱的可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对地物同时相成像。其的光谱分辨率很高,一般可达到10纳米数量级。高光谱图像记录的地物光谱信息极为丰富,在矿藏探测、环境和海洋监测、精细农业、森林调查、国防安全等领域发挥着越来越重要的作用。虽然高光谱图像的光谱分辨率高,但其空间分辨率较低。另一方面,全色图像通常采用可见光及近红外全谱段成像,其空间分辨率很高,但是仅提供目标的灰度信息,而单纯利用灰度信息也难以准确提取目标的轮廓。
考虑到全色图像的空间分辨率较高,因此现有航天平台(如美国的EO-1和我国的天宫1号空间站)往往同时相采集全色与高光谱图像对,然后通过图像融合处理来提升高光谱图像的空间分辨率。因此,首先对全色与高光谱图像进行融合处理,然后综合利用融合图像的几何和光谱特征可以准确提取目标的轮廓。
目前,全色与高光谱图像融合方法的研究相对较少,主要分为分量替换和频域替换两大类。其中,分量替换主要包括基于IHS变换、基于PCA变换、基于GS变换融合方法;频域替换主要包括基于小波变换、基于轮廓波、基于曲波变换等融合方法。但是,这些方法在“分量”或“频域”替换过程中容易产生目标轮廓模糊的问题,因此,本发明利用乘性变换模型生成全色与高光谱融合图像。另一方面,当前针对高光谱图像的目标轮廓提取方法非常少,而现有面向全色图像的目标轮廓提取方法主要利用目标的几何特征,不适用于高光谱图像的目标轮廓提取。亟需研究一种适用于全色与高光谱融合图像的目标轮廓提取方法。
在此背景下,本发明提出了一种基于全色与高光谱图像融合的目标轮廓提取方法,可有效提升高光谱图像中目标检测与识别的准确性,对高光谱图像的机器分析具有重要意义。
发明内容
本发明所要解决的技术问题在于提供一种基于全色与高光谱图像融合的目标轮廓提取方法。该方法首先利用高光谱图像合成低分辨率全色图像,然后利用乘性变换方法生成全色与高光谱融合图像;在此基础上,利用全色与高光谱融合图像中像元的光谱值计算每个像元的类密度与区分度;最后,利用类密度与区分度计算划分目标与背景的两个中心像元,并按每个像元至两个中心像元距离提取目标的轮廓。
为实现上述的发明目的,本发明采用下述的技术方案:
一种基于全色与高光谱图像融合的目标轮廓提取方法,包括如下步骤:
(1)通过插值将高光谱图像采样至全色图像相同的空间分辨率,得到高光谱图像上的采样图像;
(2)对高光谱图像上的采样图像的可见光和近红外波段进行加权,得到低分辨率全色图像;
(3)将高光谱上的采样图像、低分辨率全色图像、全色图像生成全色与高光谱融合图像;
(4)计算全色与高光谱融合图像每个像元的类密度、区分度以及每个像元的类密度和区分度之积,得到中心似然度;
(5)选取中心似然度最大的像元,以及中心似然度仅次于最大中心似然度的像元作为中心像元;
(6)对全色与高光谱融合图像中的所有像元,按其与中心像元特征距离的远近划分为两个类别,从而得到目标的轮廓。
根据本发明的方法,优选的,所述步骤(1)中,所述插值操作为:双线性插值操作。
根据本发明的方法,优选的,所述步骤(3)中,对高光谱上的采样图像低分辨率全色图像全色图像Pi按公式(1)进行乘性变换,生成全色与高光谱融合图像
其中,表示高光谱上的采样图像中第i个像元在可见光和近红外光谱第k个波段的像素值,Pi表示全色图像上的第i个像元的像素值,表示低分辨率全色图像上的第i个像元的像素值,表示全色与高光谱融合图像上第i个像元在可见光和近红外光谱第k个波段的像素值。
根据本发明的方法,优选的,所述步骤(4)中,按公式(2)计算第i个像元的类密度ρi,按公式(3)计算第i个像元的区分度Ti,按公式(4)计算第i个像元的类密度与区分度之积,得到第i个像元的中心似然度di;
ρi=∑jχ(|Fi-Fj|-Δ) (2)
di=ρi×Ti (4)
所述Fi和Fj表示全色与高光谱融合图像中第i个像元和第j个像元的像素值,不限限定具体的波段,Δ为阈值,χ(x)为指标函数,当x<0时χ(x)=1,当x≥0时χ(x)=0,|Fi-Fj|表示向量Fi-Fj的模值。
根据本发明的方法,优选的,在所述步骤(2)中,按公式(5)对高光谱上的采样图像的可见光和近红外波段进行均值加权,生成低分辨率全色图像
其中,N为大于等于1的整数。
根据本发明的方法,优选的,
Δ取值为
根据本发明的方法,优选的,在所述步骤(6)中,令FA与FB为选取的两个中心像元,与之对应的类别记为A与B,按公式(6)计算第i个像元Fi与所述两个中心像元之间的特征距离,并将其划分到相应类别:
其中,落入类别A的像元为目标图像中的像元,落入类别B的像元为背景图像中的像元。
根据本发明的方法,优选的,所述目标图像为舰船目标,所述背景图像为水面。
为实现上述的发明目的,本发明采用下述的技术方案:
一种计算机可读存储介质,该介质存储有计算机程序指令,通过执行所述计算机程序指令,实现如上述之一所述的方法。
本发明所提供的基于全色与高光谱图像融合的目标轮廓提取方法的优点包括:
1.通过全色与高光谱图像融合,提升了高光谱图像的空间分辨率,进而提高了目标轮廓提取的精度;
2.对目标背景的变化不敏感,轮廓提取的普适性好,准确度高。
附图说明
图1为根据本发明实施例的目标轮廓提取方法流程图。
具体实施方式
下面结合附图,对本发明所提供的基于全色与高光谱图像融合的目标轮廓提取方法的具体实施步骤进行详细的说明。如图1所示,对全色与高光谱图像,依次通过如下的步骤实现目标的轮廓提取:
(1)利用双线性插值将高光谱图像Ik(x,y)上采样至全色图像相同的空间分辨率,得到高光谱上采样图像k表示高光谱图像的波段号,取值范围为大于0的整数。
假设像素点Ik(x+u,y+v)是高光谱图像第k波段像素点Ik(x,y)、Ik(x+1,y)、Ik(x,y+1)和Ik(x+1,y+1)之间的一个插值点,其中0<u<1,0<v<1。x为图像的行号,y为高光谱图像的列号,取值范围为大于0的整数。k为图像的波段号,u和v分别为高光谱图像行与列方向的插值位置,则插值的计算方法具体如下:
Hk(x+u,y+v)=(1-u)(1-v)Ik(x,y)+uvIk(x+1,y+1)
+v(1-u)Ik(x,y+1)+u(1-v)Ik(x+1,y)
通过上述插值操作,生成高光谱上采样图像Hk(x,y),其中x为图像的行号,y为图像的列号。高光谱上采样图像的每行像素点个数记为M,令i=x×M+y,将双线性插值生成的高光谱上采样图像简记为
(2)对高光谱上采样图像的可见光和近红外波段进行加权,得到低分辨率全色图像
通常,高光谱成像传感器在电磁波谱可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对地物同时成像,而全色成像传感器在电磁波谱的可见光和近红外区域单波段成像。根据该规律,选择高光谱图像的可见光、近红外波段来生成低分辨率全色图像。令x为图像的行号,y为图像的列号,k为图像的波段号,图像每行像素点个数记为M,i=x×M+y。高光谱图像的可见光、近红外光谱区间共有N个波段,取值范围为大于0的整数,记为 其中。本发明通过均值加权思路来生成低分辨率全色图像具体如下:
(3)对高光谱上采样图像低分辨率全色图像全色图像Pi进行乘性变换,生成全色与高光谱融合图像
令x为图像的行号,y为图像的列号,k为图像的波段号,图像每行像素点个数记为M,i=x×M+y。本发明采用乘性变换生成融合图像,其中代表融合图像的纹理细节特征,而代表融合图像的光谱色彩特征,具体如下:
(4)对全色与高光谱融合图像,计算每个像元的类密度ρi和区分度Ti,再计算每个像元的类密度与区分度之积,得到中心似然度di。
在本发明中,类密度是指与该像元具有相近光谱特征像元的数量。令Fi和Fj表示全色与高光谱融合图像中像元i和像元j的像素值,不限定具体的波段(相当于k取值从1到N)。Δ为阈值,χ(x)为指标函数,当x<0时χ(x)=1,当x≥0时χ(x)=0,|x|表示向量x的模值,像元的类密度计算公式如下:
在本发明中,Δ最优取值为此外,区分度定义为本像素点与所有密度大于该像素点距离的最小值,计算公式如下:
最后,对每个像元计算其类密度与区分度的乘积,得到中心似然度di,具体如下:
di=ρi×Ti
(5)选取中心似然度最大的像元,以及中心似然度仅次于最大的像元做为中心像元。
(6)对全色与高光谱融合图像中的所有像元,按其至中心像元特征距离的远近划分为两个类别,得到目标的轮廓。
在本发明中,两个中心像元中图像划分的基准,从而将图像划分为两个类别,即目标与背景。令FA与FB为本发明选取的两个中心像元,与之对应的类别记为A与B,按如下公式计算每个像元至中心像元的距离:
令Fi为全色与高光谱融合图像中的任一像元,按如下公式进行划分:
针对本发明提出的目标轮廓提取方法,为了测试本发明对不同背景的适应性,分别采用以水面为背景的舰船目标,以及以陆地为背景的车辆目标。采用本发明方法提取了目标轮廓,与标注的参考轮廓相比,本发明的轮廓提取精度达到了98.1%。
本发明所提供的基于全色与高光谱图像融合的目标轮廓提取方法主要是为提升高光谱图像目标轮廓提取精度和普适性专门提出的。但显然,本说明书中所描述的轮廓提取方法也适用于普通成像设备如数码相机所拍摄图像的轮廓提取操作,所取得的有益效果也是相似的。
以上对本发明所提供的基于全色与高光谱图像融合的目标轮廓提取方法进行了详细的说明,但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下,对本发明的各种改变都在本发明的范围之内。
Claims (9)
1.一种基于全色与高光谱图像融合的目标轮廓提取方法,其特征在于:包括如下步骤:
(1)通过插值将高光谱图像采样至全色图像相同的空间分辨率,得到高光谱图像上的采样图像;
(2)对高光谱图像上的采样图像的可见光和近红外波段进行加权,得到低分辨率全色图像;
(3)将高光谱上的采样图像、低分辨率全色图像、全色图像生成全色与高光谱融合图像;
(4)计算全色与高光谱融合图像每个像元的类密度、区分度以及每个像元的类密度和区分度之积,得到中心似然度;
(5)选取中心似然度最大的像元,以及中心似然度仅次于最大中心似然度的像元作为中心像元;
(6)对全色与高光谱融合图像中的所有像元,按其与中心像元特征距离的远近划分为两个类别,从而得到目标的轮廓。
2.根据权利要求1所述的方法,其特征在于:所述步骤(1)中,所述插值操作为:双线性插值操作。
3.根据权利要求1所述的方法,其特征在于:所述步骤(3)中,对高光谱上的采样图像低分辨率全色图像全色图像Pi按公式(1)进行乘性变换,生成全色与高光谱融合图像
其中,表示高光谱上的采样图像中第i个像元在可见光和近红外光谱第k个波段的像素值,Pi表示全色图像上的第i个像元的像素值,表示低分辨率全色图像上的第i个像元的像素值,表示全色与高光谱融合图像上第i个像元在可见光和近红外光谱第k个波段的像素值。
4.根据权利要求1所述的方法,其特征在于:所述步骤(4)中,按公式(2)计算第i个像元的类密度ρi,按公式(3)计算第i个像元的区分度Ti,按公式(4)计算第i个像元的类密度与区分度之积,得到第i个像元的中心似然度di;
ρi=∑jχ(|Fi-Fj|-Δ) (2)
di=ρi×Ti (4)
所述Fi和Fj表示全色与高光谱融合图像中第i个像元和第j个像元的像素值,不限限定具体的波段,Δ为阈值,χ(x)为指标函数,当x<0时χ(x)=1,当x≥0时χ(x)=0,|Fi-Fj|表示向量Fi-Fj的模值。
5.根据权利要求1所述的方法,其特征在于:在所述步骤(2)中,按公式(5)对高光谱上的采样图像的可见光和近红外波段进行均值加权,生成低分辨率全色图像
其中,N为大于等于1的整数。
6.如权利要求4所述的方法,其特征在于:
Δ取值为
7.如权利要求1所述的方法,其特征在于:
在所述步骤(6)中,令FA与FB为选取的两个中心像元,与之对应的类别记为A与B,按公式(6)计算第i个像元Fi与所述两个中心像元之间的特征距离,并将其划分到相应类别:
其中,落入类别A的像元为目标图像中的像元,落入类别B的像元为背景图像中的像元。
8.如权利要求1所述的方法,其特征在于:所述目标图像为舰船目标,所述背景图像为水面。
9.一种计算机可读存储介质,该介质存储有计算机程序指令,通过执行所述计算机程序指令,实现如权利要求1-8之一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321623.3A CN109584255B (zh) | 2018-11-07 | 2018-11-07 | 一种基于全色与高光谱图像融合的目标轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321623.3A CN109584255B (zh) | 2018-11-07 | 2018-11-07 | 一种基于全色与高光谱图像融合的目标轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584255A true CN109584255A (zh) | 2019-04-05 |
CN109584255B CN109584255B (zh) | 2020-11-03 |
Family
ID=65921747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811321623.3A Expired - Fee Related CN109584255B (zh) | 2018-11-07 | 2018-11-07 | 一种基于全色与高光谱图像融合的目标轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584255B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035004A (zh) * | 2022-04-15 | 2022-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
US20150023599A1 (en) * | 2013-07-17 | 2015-01-22 | International Business Machines Corporation | Optical Match Character Classification |
CN106447688A (zh) * | 2016-03-31 | 2017-02-22 | 大连海事大学 | 一种高光谱溢油图像的有效分割方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
US20180114313A1 (en) * | 2016-10-21 | 2018-04-26 | Yuan Feng | Medical Image Segmentation Method and Apparatus |
CN108765359A (zh) * | 2018-05-31 | 2018-11-06 | 安徽大学 | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 |
-
2018
- 2018-11-07 CN CN201811321623.3A patent/CN109584255B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
US20150023599A1 (en) * | 2013-07-17 | 2015-01-22 | International Business Machines Corporation | Optical Match Character Classification |
CN106447688A (zh) * | 2016-03-31 | 2017-02-22 | 大连海事大学 | 一种高光谱溢油图像的有效分割方法 |
US20180114313A1 (en) * | 2016-10-21 | 2018-04-26 | Yuan Feng | Medical Image Segmentation Method and Apparatus |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN108765359A (zh) * | 2018-05-31 | 2018-11-06 | 安徽大学 | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 |
Non-Patent Citations (4)
Title |
---|
GUIZHOU WANG等: "Image Classification", 《THE SCIENTIFIC WORLD JOURNAL》 * |
QIZHI XU等: "Hyperspectral and panchromatic image fusion through an improved ratio enhancement", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
吴孟凡等: "融合WorldView-2与机载激光雷达数据估算城市不透水面", 《遥感信息》 * |
高洋洋: "全色遥感影像地物信息自动分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035004A (zh) * | 2022-04-15 | 2022-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
CN115035004B (zh) * | 2022-04-15 | 2023-02-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN109584255B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A lightweight faster R-CNN for ship detection in SAR images | |
Zhao et al. | Semantic segmentation with attention mechanism for remote sensing images | |
Nath et al. | A survey of image classification methods and techniques | |
Zhou et al. | Scale adaptive image cropping for UAV object detection | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
Lei et al. | End-to-end change detection using a symmetric fully convolutional network for landslide mapping | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Shihavuddin et al. | Automated classification and thematic mapping of bacterial mats in the north sea | |
Zhang et al. | Infrared small target detection based on gradient correlation filtering and contrast measurement | |
Zhong et al. | Attention_FPNet: Two-branch remote sensing image pansharpening network based on attention feature fusion | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
Li et al. | Spatiotemporal remote-sensing image fusion with patch-group compressed sensing | |
Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
Peng et al. | CourtNet: Dynamically balance the precision and recall rates in infrared small target detection | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN107016641A (zh) | 一种基于改进比值变换的全色与高光谱图像融合方法 | |
CN109584255A (zh) | 一种基于全色与高光谱图像融合的目标轮廓提取方法 | |
Gao et al. | Maritime infrared image super-resolution using cascaded residual network and novel evaluation metric | |
Tiwari et al. | An Improved IHS Image Fusion Algorithm using Medoid Intensity Match and Bilateral Filter | |
Zhang et al. | Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline | |
Regniers et al. | Classification of oyster habitats by combining wavelet-based texture features and polarimetric SAR descriptors | |
Thuan et al. | Edge-focus thermal image super-resolution using generative adversarial network | |
Mahdi et al. | Satellite images classification in rural areas based on fractal dimension | |
Liu et al. | Adversarial spectral super-resolution for multispectral imagery using spatial spectral feature attention module |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 Termination date: 20211107 |