CN111091113A - 一种高光谱影像数据融合方法 - Google Patents

一种高光谱影像数据融合方法 Download PDF

Info

Publication number
CN111091113A
CN111091113A CN201911394657.XA CN201911394657A CN111091113A CN 111091113 A CN111091113 A CN 111091113A CN 201911394657 A CN201911394657 A CN 201911394657A CN 111091113 A CN111091113 A CN 111091113A
Authority
CN
China
Prior art keywords
image
resolution
band
image data
low
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
Application number
CN201911394657.XA
Other languages
English (en)
Inventor
陈章林
唐浩
杨刚
朱安超
陈添
陈勇
黄熙贤
刘凯旋
曹吉
陆莎莎
赵宗鸿
樊鑫
王雄
曹云成
杨波
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.)
Guiyang Obit Aerospace Technology Co Ltd
Original Assignee
Guiyang Obit Aerospace Technology Co Ltd
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 Guiyang Obit Aerospace Technology Co Ltd filed Critical Guiyang Obit Aerospace Technology Co Ltd
Priority to CN201911394657.XA priority Critical patent/CN111091113A/zh
Publication of CN111091113A publication Critical patent/CN111091113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高光谱影像数据融合方法，遥感影像融合是采用一种复合模型，对不同分辨率遥感影像数据进行信息综合，以获得高质量的影像信息，通过优势互补降低影像信息不确定性，减少模糊度，增强影像信息清晰度。高分影像与高光谱影像的融合是将低分辨率的高光谱影像与高分辨率的单波段影像进行重采样，使得处理后的影像既有较高的空间分辨率，又具有丰富的光谱特征。

Description

一种高光谱影像数据融合方法
技术领域
本发明属于遥感影像融合技术领域，具体涉及一种高光谱影像数据融合方法。
背景技术
多光谱遥感影像在农业、森林、矿藏、环境等领域发挥着重要作用，然而由于辐射传输过程和传感器工艺的限制，其空间分辨率较低，无法较好地获取地物细节。另一方面，高分辨率遥感卫星能够获取亚米级的对地观测，其影像却只能提供全色波段的信息。因此，卫星平台往往同时搭载多光谱和全色高分传感器，通过影像融合的手段对地面的多光谱信息和细节信息进行有效综合，为后续应用提供更有价值的数据为解决贵州地区特殊的喀斯特地形地貌农作物提取过程中遇到的大空间尺度下的混合像元问题。影像融合一般流程包括多光谱影像上采样、影像变换、灰度匹配、成分替换和影像反变换。现有的研究表明，目前绝大多数影像融合算法在尽量保持融合影像与原始多光谱影像光谱特征一致的同时，其空间细节的表现力会有一定程度下降。原因在于，大多数方法需要在预处理步骤中将多光谱影像上采样到与全色影像一致的分辨率，然而常用的上采样方法没有顾及多光谱影像和全色影像在几何上的一致性，导致重叠的影像并没有严格对应，在地物边缘和细小地物附近经常出现虚假结构。
现有遥感影像获取平台向着多星、多传感器、高空间分辨率、高光谱分辨率和短回访周期发展，导致获取的遥感数据呈几何增长，传统的CPU并行编程已经无法满足应用系统对数据处理的效率和精度的要求。
综上所述，现有技术是破碎的农作物地块导致影像混合像元普遍存在，利用单一数据源，主要是利用高分影像数据进行解决，但第五提取效果不佳，精度低。
发明内容
发明目的：本发明提供一种既有较高的空间分辨率，又具有丰富的光谱特征的一种高光谱影像数据融合方法。
技术方案：一种高光谱影像数据融合方法，包括以下步骤：
步骤1，在ENVI中打开需要融合的两个影像数据文件，进行影像转换；
步骤2，对影像进行光谱锐化；
步骤3，针对其中一个影像数据在多个波段的影像中选择低分辨率的高光谱影像，另一个选择高分辨单波段影像；
步骤4，降低高分辨率全色波段，利用多光谱波段的平均值来模拟低分辨率的全色波段；
步骤5，在ENVI中进行重采样，得到融合后的影像。
具体地，所述步骤4中降低高分辨率全色波段的方法为从外部文件中选择一个单波段并且与多光谱数据相同尺寸大小的图像来模拟模拟低分辨率的全色波段。
具体地，所述步骤4中降低高分辨率全色波段的方法为选择一个滤波函数来模拟低分辨率的全色波段，融合图像是经过辐射定标的数据。
具体地，所述步骤4中降低高分辨率全色波段的方法为选择一种传感器来模拟低分辨率的全色波段，这个方法融合图像需要经过辐射定标的数据。
有益效果：与现有技术相比，本发明的优点在于：遥感影像融合是采用一种复合模型，对不同分辨率遥感影像数据进行信息综合，以获得高质量的影像信息，通过优势互补降低影像信息不确定性，减少模糊度，增强影像信息清晰度。高分影像与高光谱影像的融合是将低分辨率的高光谱影像与高分辨率的单波段影像进行重采样，使得处理后的影像既有较高的空间分辨率，又具有丰富的光谱特征。
附图说明
图1是高分辨率影像。
图2为融合后的影像。
图3为融合前后第五光谱曲线对比图。
图4为玉米和其他农作物的光谱曲线特征。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1-3所示，一种高光谱影像数据融合方法，包括以下步骤：
步骤1，在ENVI中打开需要融合的两个影像数据文件，进行影像转换，选择数据融合模块主菜单-> Transform->Image；
步骤2，对影像进行光谱锐化，Sharpening->Gram-Schmidt Spectral Sharpening或者选择主菜单->Spectral->Gram-Schmidt Spectral Sharpening；
步骤3，针对其中一个影像数据在多个波段的影像中选择低分辨率的高光谱影像，另一个选择高分辨单波段影像，具体操作为在Select Low Spatial Resolution Multi BandInput File对话框中选择低分辨率高光谱影像，在Select High Spatial Resolution PanInput Band对话框中选择高分辨率单波段图像；
步骤4，采用Gram-Schmidt法降低高分辨率全色波段，Gram-Schmidt法能保持融合前后影像数据波谱信息的一致性，是一种高保真的遥感影像融合方法，变换要求数据具有中心波长FWHM；可采用四种方法分别为：
a.利用多光谱波段的平均值来模拟低分辨率的全色波段；
b.从外部文件中选择一个单波段并且与多光谱数据相同尺寸大小的图像来模拟模拟低分辨率的全色波段；
c.选择一种传感器来模拟低分辨率的全色波段，这个方法融合图像需要经过辐射定标的数据；
d.选择一个滤波函数来模拟低分辨率的全色波段，融合图像是经过辐射定标的数据；
在弹出的Gram-Schmidt Spectral Sharpening输出对话框中，需要选择降低高分辨率全色波段的方法；
步骤5，在ENVI中进行重采样，得到融合后的影像。
影像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有高光谱特征。影像数据融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。
上述Gram-schmidt 改进了PCA 中信息过分集中的问题，不受波段限制，较好的保持空间纹理信息，尤其能高保真保持光谱特征。 Pansharpening 专为最新高空间分辨率影像设计，能较好保持影像的纹理和光谱信息。
评价体系及指标：光谱曲线比较法，利用融合后的影像光谱与原始影像光谱标准差比较，Pansharp变换信息保真性最好，不仅同一地物的波谱曲线形状没有发生变化，而且不同地物的波谱之间的关系也保持得较好。Pansharp 融合算法在信息量、光谱特征、边缘特征等方面具有综合优势。融合后的影像不仅很好地保留了原多光谱图像的光谱特征，而且在增加融合结果的信息量、增强信息透明度和锐化度、改善解译的精度、可靠性以及使用率等方面均收到了很好的效果。
如图4所示，基于空-谱融合后的影像分析玉米和其他农作物的光谱曲线特征，分析发现不同的农作物之间的波谱曲线存在较大差异，利用农作物的波谱进行分类提取可提高玉米的分类精度。

Claims (4)

1.一种高光谱影像数据融合方法，其特征在于，包括以下步骤：
步骤1，在ENVI中打开需要融合的两个影像数据文件，进行影像转换；
步骤2，对影像进行光谱锐化；
步骤3，针对其中一个影像数据在多个波段的影像中选择低分辨率的高光谱影像，另一个选择高分辨单波段影像；
步骤4，降低高分辨率全色波段，利用多光谱波段的平均值来模拟低分辨率的全色波段；
步骤5，在ENVI中进行重采样，得到融合后的影像。
2.根据权利要求1所述的、一种高光谱影像数据融合方法，其特征在于：所述步骤4中降低高分辨率全色波段的方法为从外部文件中选择一个单波段并且与多光谱数据相同尺寸大小的图像来模拟模拟低分辨率的全色波段。
3.根据权利要求1所述的、一种高光谱影像数据融合方法，其特征在于：所述步骤4中降低高分辨率全色波段的方法为选择一个滤波函数来模拟低分辨率的全色波段，融合图像是经过辐射定标的数据。
4.根据权利要求1所述的、一种高光谱影像数据融合方法，其特征在于：所述步骤4中降低高分辨率全色波段的方法为选择一种传感器来模拟低分辨率的全色波段，这个方法融合图像需要经过辐射定标的数据。
CN201911394657.XA 2019-12-30 2019-12-30 一种高光谱影像数据融合方法 Pending CN111091113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394657.XA CN111091113A (zh) 2019-12-30 2019-12-30 一种高光谱影像数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394657.XA CN111091113A (zh) 2019-12-30 2019-12-30 一种高光谱影像数据融合方法

Publications (1)

Publication Number Publication Date
CN111091113A true CN111091113A (zh) 2020-05-01

Family

ID=70397667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394657.XA Pending CN111091113A (zh) 2019-12-30 2019-12-30 一种高光谱影像数据融合方法

Country Status (1)

Country Link
CN (1) CN111091113A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397230A (zh) * 2021-12-31 2022-04-26 中国科学院空天信息创新研究院 一种基于卫星遥感的近地面颗粒物组分检测方法和装置
CN115471437A (zh) * 2022-11-14 2022-12-13 中国测绘科学研究院 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236047A (zh) * 2013-03-28 2013-08-07 北京航空航天大学 一种基于替换分量拟合的全色与多光谱图像融合方法
CN104809691A (zh) * 2015-05-05 2015-07-29 李云梅 一种基于滑动窗口混合像元分解的图像融合方法
CN106327455A (zh) * 2016-08-18 2017-01-11 中国科学院遥感与数字地球研究所 一种改进的遥感多光谱与全色图像融合方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110390255A (zh) * 2019-05-29 2019-10-29 中国铁路设计集团有限公司 基于多维度特征提取的高铁环境变化监测方法
CN110533600A (zh) * 2019-07-10 2019-12-03 宁波大学 一种同/异质遥感影像高保真广义空-谱融合方法
CN110533620A (zh) * 2019-07-19 2019-12-03 西安电子科技大学 基于aae提取空间特征的高光谱和全色图像融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236047A (zh) * 2013-03-28 2013-08-07 北京航空航天大学 一种基于替换分量拟合的全色与多光谱图像融合方法
CN104809691A (zh) * 2015-05-05 2015-07-29 李云梅 一种基于滑动窗口混合像元分解的图像融合方法
CN106327455A (zh) * 2016-08-18 2017-01-11 中国科学院遥感与数字地球研究所 一种改进的遥感多光谱与全色图像融合方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110390255A (zh) * 2019-05-29 2019-10-29 中国铁路设计集团有限公司 基于多维度特征提取的高铁环境变化监测方法
CN110533600A (zh) * 2019-07-10 2019-12-03 宁波大学 一种同/异质遥感影像高保真广义空-谱融合方法
CN110533620A (zh) * 2019-07-19 2019-12-03 西安电子科技大学 基于aae提取空间特征的高光谱和全色图像融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴连喜等: "一种用于土地利用调查的颜色保真的遥感图像融合方法", 《土壤通报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397230A (zh) * 2021-12-31 2022-04-26 中国科学院空天信息创新研究院 一种基于卫星遥感的近地面颗粒物组分检测方法和装置
CN114397230B (zh) * 2021-12-31 2023-07-07 中国科学院空天信息创新研究院 一种基于卫星遥感的近地面颗粒物组分检测方法和装置
CN115471437A (zh) * 2022-11-14 2022-12-13 中国测绘科学研究院 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法

Similar Documents

Publication Publication Date Title
Zhou et al. Pyramid fully convolutional network for hyperspectral and multispectral image fusion
Harris et al. Hyperspectral remote sensing of peatland floristic gradients
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
Pu Mapping tree species using advanced remote sensing technologies: A state-of-the-art review and perspective
CN110544212B (zh) 基于层级特征融合的卷积神经网络高光谱图像锐化方法
Turnes et al. Atrous cGAN for SAR to optical image translation
CN105046188A (zh) Modis混合像元分解森林信息提取方法
CN114565843A (zh) 一种时间序列遥感图像融合方法
CN111091113A (zh) 一种高光谱影像数据融合方法
Castrodad et al. Discriminative sparse representations in hyperspectral imagery
Desclee et al. Multi-sensor monitoring system for forest cover change assessment in Central Africa
Long et al. Dual self-attention Swin transformer for hyperspectral image super-resolution
Sarup et al. Image fusion techniques for accurate classification of Remote Sensing data
Mirpulatov et al. Pseudo-labeling approach for land cover classification through remote sensing observations with noisy labels
Akula et al. An efficient PAN sharpening technique by merging two hybrid approaches
Li et al. Mixing Self-Attention and Convolution: A Unified Framework for Multi-source Remote Sensing Data Classification
CN109839356B (zh) 基于WorldView-3卫星数据的矿化蚀变信息提取方法
Jia et al. Tree species classification in an extensive forest area using airborne hyperspectral data under varying light conditions
Ouerghemmi et al. Urban vegetation mapping by airborne hyperspetral imagery; feasibility and limitations
Tochon et al. Binary partition tree as a hyperspectral segmentation tool for tropical rainforests
Restaino et al. Resolution enhancement of hyperspectral data exploiting real multi-platform data
Pande et al. High-resolution and hyperspectral data fusion for classification
Shi et al. Remote sensing image fusion using multi-scale convolutional neural network
Feng et al. A hyperspectral pansharpening method using retrain transformer network for remote sensing images in UAV communications system
Varade et al. Evaluation of multi-spectral cube from multi-sensor imagery corresponding to hyperspectral 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

Application publication date: 20200501

RJ01 Rejection of invention patent application after publication