CN111242882A - 一种高光谱遥感地质勘测控制系统、方法及应用 - Google Patents
一种高光谱遥感地质勘测控制系统、方法及应用 Download PDFInfo
- Publication number
- CN111242882A CN111242882A CN202010019406.XA CN202010019406A CN111242882A CN 111242882 A CN111242882 A CN 111242882A CN 202010019406 A CN202010019406 A CN 202010019406A CN 111242882 A CN111242882 A CN 111242882A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- geological
- hyperspectral
- 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 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 49
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 25
- 238000003384 imaging method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明属于地质勘测技术领域，公开了一种高光谱遥感地质勘测控制系统、方法及应用，所述高光谱遥感地质勘测控制方法为：采集高光谱地质遥感影像，并配置地质勘测参数；通过主控机控制高光谱遥感地质勘测系统的正常工作；增强并修复高光谱地质遥感影像；对修复后的高光谱地质遥感影像进行重构；对高光谱地质遥感影像特征信息进行提取，对地质进行综合分析；最后对数据进行存储并显示。本发明通过地质影像增强模块突破了现有技术仅在红绿蓝波段范围的增强显示，能够实现伪彩色的可视化增强；同时，通过影像修复模块克服了传统的基于多遥感图像填充法因为参照图像和待修复图像的时相不同，感图像光谱差异较大，所导致修复后光谱差异明显的不足。
Description
技术领域
本发明属于地质勘测技术领域，尤其涉及一种高光谱遥感地质勘测控制系统、方法及应用。
背景技术
“地质勘探”即是通过各种手段、方法对地质进行勘查、探测，确定合适的持力层，根据持力层的地基承载力，确定基础类型，计算基础参数的调查研究活动。是在对矿产普查中发现有工业意义的矿床，为查明矿产的质和量，以及开采利用的技术条件，提供矿山建设设计所需要的矿产储量和地质资料，对一定地区内的岩石、地层、构造、矿产、水文、地貌等地质情况进行调查研究工作。然而，现有高光谱遥感地质勘测控制系统采集的地质影像不清晰；采集的遥感图像缺失数据，影像勘测。
同时，采集的高光谱图像不但包含了被观测目标的空间信息，而且图像中的每个像素都有几十个甚至数百个窄波段的丰富光谱信息，具备“图谱合一”的性质。由于高光谱图像可以把反映物质性质的光谱特性和呈现物质几何空间信息的图像信息维系在一起，因此极大地提高了人类认知客观世界的能力，在遥感、军事、农业、医学、生物化学等领域都被证明有着巨大的应用价值。为了提高成像图像的光谱分辨率，通常需要以牺牲光谱图像的空间分辨率和时间分辨率为代价，这显然难以满足科学研究和大规模实际应用的需求。所以利用信号处理技术从多光谱图像或彩色图像中重建出高光谱图像成为高光谱图像获取的一个重要途径。但现有利用光谱的稀疏性并结合图像的空间信息来重建高光谱图像的方式，由于没有充分利用光谱图像中存在的较强的局部和非局部的空间结构相似性，使得重建的高光谱图像稳定性和精度难以满足科学研究和大规模实际应用的要求。
综上所述，现有技术存在的问题是：
(1)现有高光谱遥感地质勘测控制系统采集的地质影像不清晰；同时，采集的遥感图像缺失数据，影像勘测。
(2)现有利用光谱的稀疏性并结合图像的空间信息来重建高光谱图像的方式，由于没有充分利用光谱图像中存在的较强的局部和非局部的空间结构相似性，使得重建的高光谱图像稳定性和精度难以满足科学研究和大规模实际应用的要求。
发明内容
针对现有技术存在的问题，本发明提供了一种高光谱遥感地质勘测控制系统、方法及应用。
本发明是这样实现的，一种高光谱遥感地质勘测控制方法，所述高光谱遥感地质勘测控制方法包括以下步骤：
步骤一，通过影像增强算法增强高光谱地质遥感影像：(1)通过光谱遥感仪获取低分辨率多波段遥感图像；
(2)高分辨率遥感图像，其与所述低分辨率多波段遥感图像具有相同场景和相同尺寸；
(3)利用所述高分辨率遥感图像，参与调整低分辨率多波段遥感图像整体的动态显示范围，以增强其每个波段的空间细节信息，最终得到可视化增强的多波段遥感图像。
步骤二，通过修复程序对采集的高光谱地质遥感影像进行修复：1)获得覆盖同一地区的无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0；
2)对无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0进行几何配准，得到配准后无数据缺失的参照遥感图像T01’、配准后待修复遥感图像T2和配准后数字高程模型数据DEM0’；
3)根据无数据缺失的参照遥感图像T01的成像时刻太阳天顶角、方位角参数和配准后数字高程模型数据DEM0’；
4)根据存在数据缺失的待修复遥感图像T02成像时刻的太阳天顶角和太阳方位角；
5)搜索配准后待修复遥感图像T2缺失数据像元，记录缺失数据像元P(x，y；T2)的坐标(x，y)，并在配准后待修复遥感图像T2内以该像元P(x，y；T2)为中心构建一尺寸为w的局部窗口；
6)在标准遥感图像T1内以同P(x，y；T2)坐标相同的像元P(x，y；T1)为中心构建一尺度为w的局部窗口；
7)在标准遥感图像T1窗口内，以窗口中心点P(x，y；T1，i)在各波段上的光谱值对窗口内各临近像元的光谱进行光谱分类处理，获得同中心像元点光谱最相近的像元Ps(x’，y’；T1)，并记录下该像元该像元的图像坐标(x’，y’)、该像元在各波段上的光谱值Ps(x’，y’；T1，i)及其同中心像元点对应波段上光谱值的比例系数Ki；
Ki＝Ps(x’，y’；T1，i)/P(x，y；T1，i)；
其中，i为波段序号，Ps(x’，y’；T1，i)、P(x，y；T1，i)分别是标准遥感图像T1内坐标为(x’，y’)、(x，y)像元在波段i上的光谱值；
8)在配准后待修复遥感图像T2相对应的窗口内，以坐标为(x’，y’)的像元各波段上的光谱值Ps(x’，y’；T2，i)，和对应的比例系数Ki；按下式计算出并填充配准后待修复遥感图像T2内窗口中心像元各波段光谱值Ps(x，y；T2，i)：
Ps(x，y；T2，i)＝Ps(x’，y’；T2，i)/Ki；
9)对配准后待修复遥感图像T2中的全体缺失数据的像元，做上述的操作，进行填充。
步骤三，通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构：a)对于修复后高光谱地质遥感影像集利用彩色图像变换矩阵，将高光谱图像集转换为彩色图像集；
b)构建神经网络模型，并利用高光谱图像集和彩色图像集训练神经网络参数；
c)任给一幅新的彩色图像，输入到训练好的神经网络模型中，神经网络的输出即为重构的高光谱图像。
进一步，步骤一之前，需进行：步骤I，通过光谱遥感仪采集高光谱地质遥感影像；
步骤II，通过配置程序配置地质勘测参数；
步骤三后，还需进行：
步骤1，通过提取程序提取高光谱地质遥感影像特征信息；
步骤2，通过分析程序根据提取的地质特征对地质进行综合分析；
步骤3，通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据；
步骤4，通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
进一步，步骤一中，所述将所述高分辨率遥感图像记为H，对所述高分辨率遥感图像H的处理方法为：
第一步，将高分辨率遥感图像H进行对数变换，输出记为HLOG：
HLOG＝LOG(H)；
第二步，利用低通滤波器对图像HLOG进行滤波，得到低频图像HL；
第三步，计算细节图像HD如下：
HD＝HLOG-HL；
第四步，利用调节系数C1调节细节图像HD，利用调节系数C2调节低频图像HL，然后按以下公式计算得到增强图像HE：
HE＝C1×HD+C2×HL；
第五步，对增强图像HE作对数反变换，得到的增强图像记为HN：
HN＝LOG-1(HE)。
进一步，所述设所述低分辨率多波段遥感图像包含N个波段，记为L1，L2，…LN，对所述低分辨率多波段遥感图像的处理方法为：
(a)计算所述低分辨率多波段遥感图像(L1，…，LN)的强度分量，记为I；
(b)增强图像HN与强度分量I相除，得到比率图像R：
R＝HN/I：
(c)将具有N波段的低分辨率多波段遥感图像(L1，…，LN)分别与比率图像R相乘，得到可视化增强的N波段遥感图像(V1，…，VN)：
Vi＝R×Li，i＝1，…，N。
进一步，步骤二中，按照如下步骤将配准后无数据缺失的参照遥感图像T01’校正成水平光谱图像ρT1′；
①根据下式计算无数据缺失的参照遥感图像T01获取图像时刻的地形-传感器-太阳成像几何下的地形阴影数据cos γ1；
cos γ1＝(cos θZ1cos e+sin θZ1sin e cos(A01-As))；
式中，θZ1，A01分别是无数据缺失的参照遥感图像T01的成像时刻太阳天顶角和太阳方位角，e是地形坡度，As是地形坡向；
②由下式计算配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′；
ρT1′＝ρT1(cos θZ1)/cos γ1；
式中，ρT1是配准后无数据缺失的参照遥感图像T01’光谱图像，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像。
进一步，步骤二中，按照如下步骤将配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′校正到存在数据缺失的待修复遥感图像T02成像时刻的地形-传感器-太阳光照几何条件下的光谱图像，得到地形-传感器-太阳光照几何关系校正后无数据缺失的标准遥感图像T1：
由下式计算存在数据缺失的待修复遥感图像T02时刻地形阴影：
cos γ2＝(cos θZ2cos e+sin θZ2sin e cos(A02-As))；
式中，θZ2，A02分别是存在数据缺失的待修复遥感图像T02成像时刻太阳天顶角和太阳方位角，e是地形坡度，As是地形坡向；
ρT1 to 2＝ρT1′(cos θZ2)/cos γ2；
式中，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像，ρT1to2是配准后无数据缺失的参照遥感图像T01’在存在数据缺失的待修复遥感图像T02成像时地形-传感器-太阳光照条件下的光谱图像，即标准遥感图像T1；
进一步，所述存在数据缺失的待修复遥感图像是指由于遥感传感器软件、硬件故障及人为因素导致所获得的遥感图像中存在部分像元缺失数值；存在数据缺失的待修复遥感图像需要被修复后才能正常使用。
本发明的另一目的在于提供一种应用所述的高光谱遥感地质勘测控制方法的高光谱遥感地质勘测控制系统，其特征在于，所述高光谱遥感地质勘测控制系统包括：
地质遥感影像采集模块、勘测参数配置模块、中央控制模块、地质影像增强模块、影像修复模块、影像重构模块、地质特征提取模块、地质分析模块、数据存储模块、显示模块。
地质遥感影像采集模块，与中央控制模块连接，用于通过光谱遥感仪采集高光谱地质遥感影像；
勘测参数配置模块，与中央控制模块连接，用于通过配置程序配置地质勘测参数；
中央控制模块，与地质遥感影像采集模块、勘测参数配置模块、地质影像增强模块、影像修复模块、影像重构模块、地质特征提取模块、地质分析模块、数据存储模块、显示模块连接，用于通过主控机控制各个模块正常工作；
地质影像增强模块，与中央控制模块连接，用于通过影像增强算法增强高光谱地质遥感影像；
影像修复模块，与中央控制模块连接，用于通过修复程序对采集的高光谱地质遥感影像进行修复；
影像重构模块，与中央控制模块连接，用于通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构；
地质特征提取模块，与中央控制模块连接，用于通过提取程序提取高光谱地质遥感影像特征信息；
地质分析模块，与中央控制模块连接，用于通过分析程序根据提取的地质特征对地质进行综合分析；
数据存储模块，与中央控制模块连接，用于通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据；
显示模块，与中央控制模块连接，用于通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
本发明的另一目的在于提供一种实现所述的高光谱遥感地质勘测控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的高光谱遥感地质勘测控制方法。
本发明的优点及积极效果为：本发明通过地质影像增强模块引入辅助的高分辨率遥感图像参与调整低分辨率多波段遥感图像整体的动态显示范围，增强了每个波段的空间细节信息；而且本发明的方法使得低分辨率多波段遥感图像的每个波段都得到了增强，突破了现有技术仅在红绿蓝波段范围的增强显示，能够实现伪彩色的可视化增强；同时，通过影像修复模块对无数据缺失的参照遥感图像进行地形-传感器-太阳成像几何校正，构建了标准图像；该标准图像具有同待修复图像相同的地形-传感器-太阳成像几何关系，因而，尽管标准图像和待修复图像成像时刻不同，但具有相同的光照条件，其图像光谱具有很高的相似性；克服了传统的基于多遥感图像填充法因为参照图像和待修复图像的时相不同，感图像光谱差异较大，所导致修复后光谱差异明显的不足。同时，本发明利用神经网络进行高光谱图像的光谱重构，相比现有技术降低了计算复杂度，提高了高光谱图像重构的稳定性以及高光谱图像重构的精度。
附图说明
图1是本发明实施例提供的高光谱遥感地质勘测控制方法流程图。
图2是本发明实施例提供的高光谱遥感地质勘测控制系统结构框图；
图中：1、地质遥感影像采集模块；2、勘测参数配置模块；3、中央控制模块；4、地质影像增强模块；5、影像修复模块；6、影像重构模块；7、地质特征提取模块；8、地质分析模块；9、数据存储模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的高光谱遥感地质勘测控制方法包括以下步骤：
S101，通过光谱遥感仪采集高光谱地质遥感影像；通过配置程序配置地质勘测参数；通过主控机控制高光谱遥感地质勘测系统的正常工作。
S102，通过影像增强算法增强高光谱地质遥感影像；通过修复程序对采集的高光谱地质遥感影像进行修复。
S103，通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构。
S104，通过提取程序提取高光谱地质遥感影像特征信息；通过分析程序根据提取的地质特征对地质进行综合分析。
S105，通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
S106，通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
如图2所示，本发明实施例提供的高光谱遥感地质勘测控制系统包括：地质遥感影像采集模块1、勘测参数配置模块2、中央控制模块3、地质影像增强模块4、影像修复模块5、影像重构模块6、地质特征提取模块7、地质分析模块8、数据存储模块9、显示模块10。
地质遥感影像采集模块1，与中央控制模块3连接，用于通过光谱遥感仪采集高光谱地质遥感影像；
勘测参数配置模块2，与中央控制模块3连接，用于通过配置程序配置地质勘测参数；
中央控制模块3，与感影像采集模块1、勘测参数配置模块2、地质影像增强模块4、影像修复模块5、影像重构模块6、地质特征提取模块7、地质分析模块8、数据存储模块9、显示模块10连接，用于通过主控机控制各个模块正常工作；
地质影像增强模块4，与中央控制模块3连接，用于通过影像增强算法增强高光谱地质遥感影像；
影像修复模块5，与中央控制模块3连接，用于通过修复程序对采集的高光谱地质遥感影像进行修复；
影像重构模块6，与中央控制模块3连接，用于通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构；
地质特征提取模块7，与中央控制模块3连接，用于通过提取程序提取高光谱地质遥感影像特征信息；
地质分析模块8，与中央控制模块3连接，用于通过分析程序根据提取的地质特征对地质进行综合分析；
数据存储模块9，与中央控制模块3连接，用于通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据；
显示模块10，与中央控制模块3连接，用于通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的高光谱遥感地质勘测控制方法如图1所示，作为优选实施例，本发明实施例提供的通过影像增强算法增强高光谱地质遥感影像的方法包括：
(1)通过光谱遥感仪获取低分辨率多波段遥感图像；
(2)高分辨率遥感图像，其与所述低分辨率多波段遥感图像具有相同场景和相同尺寸；
(3)利用所述高分辨率遥感图像，参与调整低分辨率多波段遥感图像整体的动态显示范围，以增强其每个波段的空间细节信息，最终得到可视化增强的多波段遥感图像。
本发明实施例提供的将所述高分辨率遥感图像记为H，对所述高分辨率遥感图像H的处理方法为：
第一步，将高分辨率遥感图像H进行对数变换，输出记为HLOG：
HLOG＝LOG(H)；
第二步，利用低通滤波器对图像HLOG进行滤波，得到低频图像HL；
第三步，计算细节图像HD如下：
HD＝HLOG-HL；
第四步，利用调节系数C1调节细节图像HD，利用调节系数C2调节低频图像HL，然后按以下公式计算得到增强图像HE：
HE＝C1×HD+C2×HL；
第五步，对增强图像HE作对数反变换，得到的增强图像记为HN：
HN＝LOG-1(HE)。
本发明实施例提供的设所述低分辨率多波段遥感图像包含N个波段，记为L1，L2，…LN，对所述低分辨率多波段遥感图像的处理方法为：
(a)计算所述低分辨率多波段遥感图像(L1，…，LN)的强度分量，记为I；
(b)增强图像HN与强度分量I相除，得到比率图像R：
R＝HN/I；
(c)将具有N波段的低分辨率多波段遥感图像(L1，…，LN)分别与比率图像R相乘，得到可视化增强的N波段遥感图像(V1，…，VN)：
Vi＝R×Li，i＝1，...，N。
实施例2
本发明实施例提供的高光谱遥感地质勘测控制方法如图1所示，作为优选实施例，本发明实施例提供的通过修复程序对采集的高光谱地质遥感影像进行修复的方法包括：
1)获得覆盖同一地区的无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0；
2)对无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0进行几何配准，得到配准后无数据缺失的参照遥感图像T01’、配准后待修复遥感图像T2和配准后数字高程模型数据DEM0’；
3)根据无数据缺失的参照遥感图像T01的成像时刻太阳天顶角、方位角参数和配准后数字高程模型数据DEM0’，按照如下步骤将配准后无数据缺失的参照遥感图像T01’校正成水平光谱图像ρT1′；
①根据下式计算无数据缺失的参照遥感图像T01获取图像时刻的地形-传感器-太阳成像几何下的地形阴影数据cos γ1：
cos γ1＝(cos θZ1cos e+sin θZ1sin e cos(A01-As))；
式中，θZ1，A01分别是无数据缺失的参照遥感图像T01的成像时刻太阳天顶角和太阳方位角，e是地形坡度，As是地形坡向；
②由下式计算配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′：
ρT1′＝ρT1(cos θZ1)/cos γ1；
式中，ρT1是配准后无数据缺失的参照遥感图像T01’光谱图像，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像；
4)根据存在数据缺失的待修复遥感图像T02成像时刻的太阳天顶角和太阳方位角，按照如下步骤将配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′校正到存在数据缺失的待修复遥感图像T02成像时刻的地形-传感器-太阳光照几何条件下的光谱图像，得到地形-传感器-太阳光照几何关系校正后无数据缺失的标准遥感图像T1；
由下式计算存在数据缺失的待修复遥感图像T02时刻地形阴影：
cos γ2＝(cos θZ2cos e+sin θZ2 sin e cos(A02-As))；
式中，θZ2，A02分别是存在数据缺失的待修复遥感图像T02成像时刻太阳天顶角和太阳方位角，e是地形坡度，As是地形坡向；
ρT1 to 2＝ρT1′(cos θZ2)/cos γ2；
式中，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像，ρT1to2是配准后无数据缺失的参照遥感图像T01’在存在数据缺失的待修复遥感图像T02成像时地形-传感器-太阳光照条件下的光谱图像，即标准遥感图像T1：
5)搜索配准后待修复遥感图像T2缺失数据像元，记录缺失数据像元P(x，y；T2)的坐标(x，y)，并在配准后待修复遥感图像T2内以该像元P(x，y；T2)为中心构建一尺寸为w的局部窗口；
6)在标准遥感图像T1内以同P(x，y；T2)坐标相同的像元P(x，y；T1)为中心构建一尺度为w的局部窗口；
7)在标准遥感图像T1窗口内，以窗口中心点P(x，y；T1，i)在各波段上的光谱值对窗口内各临近像元的光谱进行光谱分类处理，获得同中心像元点光谱最相近的像元Ps(x’，y’；T1)，并记录下该像元该像元的图像坐标(x’，y’)、该像元在各波段上的光谱值Ps(x’，y’；T1，i)及其同中心像元点对应波段上光谱值的比例系数Ki；
Ki＝Ps(x’，y’；T1，i)/P(x，y；T1，i)；
其中i为波段序号，Ps(x’，y’；T1，i)、P(x，y；T1，i)分别是标准遥感图像T1内坐标为(x’，y’)、(x，y)像元在波段i上的光谱值；
8)在配准后待修复遥感图像T2相对应的窗口内，以坐标为(x’，y’)的像元各波段上的光谱值Ps(x’，y’；T2，i)，和对应的比例系数Ki；按下式计算出并填充配准后待修复遥感图像T2内窗口中心像元各波段光谱值Ps(x，y；T2，i)：
Ps(x，y；T2，i)＝Ps(x’，y’；T2，i)/Ki；
9)对配准后待修复遥感图像T2中的全体缺失数据的像元，做上述的操作，进行填充。
本发明实施例提供的存在数据缺失的待修复遥感图像是指由于遥感传感器软件、硬件故障及人为因素导致所获得的遥感图像中存在部分像元缺失数值；存在数据缺失的待修复遥感图像需要被修复后才能正常使用。
实施例3
本发明实施例提供的高光谱遥感地质勘测控制方法如图1所示，作为优选实施例，本发明实施例提供的通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构的方法如下：
a)对于修复后高光谱地质遥感影像集利用彩色图像变换矩阵，将高光谱图像集转换为彩色图像集；
b)构建神经网络模型，并利用高光谱图像集和彩色图像集训练神经网络参数；
c)任给一幅新的彩色图像，输入到训练好的神经网络模型中，神经网络的输出即为重构的高光谱图像。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种高光谱遥感地质勘测控制方法，其特征在于，所述高光谱遥感地质勘测控制方法包括以下步骤：
步骤一，通过影像增强算法增强高光谱地质遥感影像：(1)通过光谱遥感仪获取低分辨率多波段遥感图像；
(2)高分辨率遥感图像，其与所述低分辨率多波段遥感图像具有相同场景和相同尺寸；
(3)利用所述高分辨率遥感图像，参与调整低分辨率多波段遥感图像整体的动态显示范围，以增强其每个波段的空间细节信息，最终得到可视化增强的多波段遥感图像；
步骤二，通过修复程序对采集的高光谱地质遥感影像进行修复：1)获得覆盖同一地区的无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0；
2)对无数据缺失的参照遥感图像T01、存在数据缺失的待修复遥感图像T02和数字高程模型数据DEM0进行几何配准，得到配准后无数据缺失的参照遥感图像T01’、配准后待修复遥感图像T2和配准后数字高程模型数据DEM0’；
3)根据无数据缺失的参照遥感图像T01的成像时刻太阳天顶角、方位角参数和配准后数字高程模型数据DEM0’；
4)根据存在数据缺失的待修复遥感图像T02成像时刻的太阳天顶角和太阳方位角；
5)搜索配准后待修复遥感图像T2缺失数据像元，记录缺失数据像元P(x，y；T2)的坐标(x，y)，并在配准后待修复遥感图像T2内以该像元P(x，y；T2)为中心构建一尺寸为w的局部窗口；
6)在标准遥感图像T1内以同P(x，y；T2)坐标相同的像元P(x，y；T1)为中心构建一尺度为w的局部窗口；
7)在标准遥感图像T1窗口内，以窗口中心点P(x，y；T1，i)在各波段上的光谱值对窗口内各临近像元的光谱进行光谱分类处理，获得同中心像元点光谱最相近的像元Ps(x’，y’；T1)，并记录下该像元该像元的图像坐标(x’，y’)、该像元在各波段上的光谱值Ps(x’，y’；T1，i)及其同中心像元点对应波段上光谱值的比例系数Ki；
Ki＝Ps(x’，y’；T1，i)/P(x，y；T1，i)；
其中，i为波段序号，Ps(x’，y’；T1，i)、P(x，y；T1，i)分别是标准遥感图像T1内坐标为(x’，y’)、(x，y)像元在波段i上的光谱值；
8)在配准后待修复遥感图像T2相对应的窗口内，以坐标为(x’，y’)的像元各波段上的光谱值Ps(x’，y’；T2，i)，和对应的比例系数Ki；按下式计算出并填充配准后待修复遥感图像T2内窗口中心像元各波段光谱值Ps(x，y；T2，i)：
Ps(x，y；T2，i)＝Ps(x’，y’；T2，i)/Ki；
9)对配准后待修复遥感图像T2中的全体缺失数据的像元，做上述的操作，进行填充；
步骤三，通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构：a)对于修复后高光谱地质遥感影像集利用彩色图像变换矩阵，将高光谱图像集转换为彩色图像集；
b)构建神经网络模型，并利用高光谱图像集和彩色图像集训练神经网络参数；
c)任给一幅新的彩色图像，输入到训练好的神经网络模型中，神经网络的输出即为重构的高光谱图像。
2.如权利要求1所述高光谱遥感地质勘测控制方法，其特征在于，步骤一之前，需进行：步骤I，通过光谱遥感仪采集高光谱地质遥感影像；
步骤II，通过配置程序配置地质勘测参数；
步骤三之后，需进行：
步骤1，通过提取程序提取高光谱地质遥感影像特征信息；
步骤2，通过分析程序根据提取的地质特征对地质进行综合分析；
步骤3，通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据；
步骤4，通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
3.如权利要求1所述高光谱遥感地质勘测控制方法，其特征在于，步骤一中，所述将所述高分辨率遥感图像记为H，对所述高分辨率遥感图像H的处理方法为：
第一步，将高分辨率遥感图像H进行对数变换，输出记为HLOG：
HLOG＝LOG(H)；
第二步，利用低通滤波器对图像HLOG进行滤波，得到低频图像HL；
第三步，计算细节图像HD如下：
HD＝HLOG-HL；
第四步，利用调节系数C1调节细节图像HD，利用调节系数C2调节低频图像HL，然后按以下公式计算得到增强图像HE：
HE＝C1×HD+C2×HL；
第五步，对增强图像HE作对数反变换，得到的增强图像记为HN：
HN＝LOG-1(HE)。
4.如权利要求3所述高光谱遥感地质勘测控制方法，其特征在于，所述设所述低分辨率多波段遥感图像包含N个波段，记为L1，L2，…LN，对所述低分辨率多波段遥感图像的处理方法为：
(a)计算所述低分辨率多波段遥感图像(L1，…，LN)的强度分量，记为I；
(b)增强图像HN与强度分量I相除，得到比率图像R：
R＝HN/I；
(c)将具有N波段的低分辨率多波段遥感图像(L1，…，LN)分别与比率图像R相乘，得到可视化增强的N波段遥感图像(V1，…，VN)：
Vi＝R×Li，i＝1，...，N。
5.如权利要求1所述高光谱遥感地质勘测控制方法，其特征在于，步骤二中，按照如下步骤将配准后无数据缺失的参照遥感图像T01’校正成水平光谱图像ρT1′；
①根据下式计算无数据缺失的参照遥感图像T01获取图像时刻的地形-传感器-太阳成像几何下的地形阴影数据cosγ1：
cosγ1＝(cosθZ1cose+sinθZ1sine cos(A01-As))；
式中，θZ1，A01分别是无数据缺失的参照遥感图像T01的成像时刻太阳天顶角和太阳方位角，e是地形坡度，As是地形坡向；
②由下式计算配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′：
ρT1′＝ρT1(cosθZ1)/cosγ1；
式中，ρT1是配准后无数据缺失的参照遥感图像T01’光谱图像，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像。
6.如权利要求1所述高光谱遥感地质勘测控制方法，其特征在于，步骤二中，按照如下步骤将配准后无数据缺失的参照遥感图像T01’的水平光谱图像ρT1′校正到存在数据缺失的待修复遥感图像T02成像时刻的地形-传感器-太阳光照几何条件下的光谱图像，得到地形-传感器-太阳光照几何关系校正后无数据缺失的标准遥感图像T1：
由下式计算存在数据缺失的待修复遥感图像T02时刻地形阴影：
cosγ2=(cosθZ2cose+sinθZ2sine cos(A02-As))；
式中，θZ2，A02分别是存在数据缺失的待修复遥感图像T02成像时刻太阳天顶角和太阳方位角，e是地形坡度，A3是地形坡向；
ρT1to2=ρT1′(cosθZ2)/cosγ2；
式中，ρT1′是配准后无数据缺失的参照遥感图像T01’的水平光谱图像，ρT1to2是配准后无数据缺失的参照遥感图像T01’在存在数据缺失的待修复遥感图像T02成像时地形-传感器-太阳光照条件下的光谱图像，即标准遥感图像T1。
7.如权利要求6所述高光谱遥感地质勘测控制方法，其特征在于，所述存在数据缺失的待修复遥感图像是指由于遥感传感器软件、硬件故障及人为因素导致所获得的遥感图像中存在部分像元缺失数值；存在数据缺失的待修复遥感图像需要被修复后才能正常使用。
8.一种应用如权利要求1～7任一项所述的高光谱遥感地质勘测控制方法的高光谱遥感地质勘测控制系统，其特征在于，所述高光谱遥感地质勘测控制系统包括：
地质遥感影像采集模块，与中央控制模块连接，用于通过光谱遥感仪采集高光谱地质遥感影像；
勘测参数配置模块，与中央控制模块连接，用于通过配置程序配置地质勘测参数；
中央控制模块，与地质遥感影像采集模块、勘测参数配置模块、地质影像增强模块、影像修复模块、影像重构模块、地质特征提取模块、地质分析模块、数据存储模块、显示模块连接，用于通过主控机控制各个模块正常工作；
地质影像增强模块，与中央控制模块连接，用于通过影像增强算法增强高光谱地质遥感影像；
影像修复模块，与中央控制模块连接，用于通过修复程序对采集的高光谱地质遥感影像进行修复；
影像重构模块，与中央控制模块连接，用于通过影像重构程序利用构建神经网络模型对修复后的高光谱地质遥感影像进行重构；
地质特征提取模块，与中央控制模块连接，用于通过提取程序提取高光谱地质遥感影像特征信息；
地质分析模块，与中央控制模块连接，用于通过分析程序根据提取的地质特征对地质进行综合分析；
数据存储模块，与中央控制模块连接，用于通过云服务器存储采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据；
显示模块，与中央控制模块连接，用于通过显示器显示采集的高光谱地质遥感影像、提取的特征信息以及分析结果的实时数据。
9.一种实现权利要求1～7任意一项所述的高光谱遥感地质勘测控制方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的高光谱遥感地质勘测控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019406.XA CN111242882A (zh) | 2020-01-08 | 2020-01-08 | 一种高光谱遥感地质勘测控制系统、方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019406.XA CN111242882A (zh) | 2020-01-08 | 2020-01-08 | 一种高光谱遥感地质勘测控制系统、方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111242882A true CN111242882A (zh) | 2020-06-05 |
Family
ID=70864268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010019406.XA Pending CN111242882A (zh) | 2020-01-08 | 2020-01-08 | 一种高光谱遥感地质勘测控制系统、方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242882A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766212A (zh) * | 2021-01-29 | 2021-05-07 | 中国人民解放军国防科技大学 | 高光谱遥感图像水体固有属性反演方法、装置和设备 |
| CN117173353A (zh) * | 2023-09-04 | 2023-12-05 | 广东省核工业地质局测绘院 | 一种基于遥感图像的地质测绘系统 |
| CN117949397A (zh) * | 2024-03-27 | 2024-04-30 | 潍坊市勘察测绘研究院 | 高光谱遥感地质测绘控制系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728672A (zh) * | 2012-10-12 | 2014-04-16 | 刘丹丹 | 一种基于高光谱遥感和电磁探测勘测油气的方法 |
| CN105427377A (zh) * | 2015-11-03 | 2016-03-23 | 武汉地大信息工程股份有限公司 | 一种基于无人机的地质灾害数据采集处理方法及装置 |
| CN106485688A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 基于神经网络的高光谱图像重构方法 |
| CN109387478A (zh) * | 2018-09-27 | 2019-02-26 | 核工业北京地质研究院 | 一种岩芯光谱扫描数据云存储处理分析及实时反馈的方法 |
| CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
| CN110310249A (zh) * | 2019-05-20 | 2019-10-08 | 西北工业大学 | 用于遥感图像的可视化增强方法 |
-
2020
- 2020-01-08 CN CN202010019406.XA patent/CN111242882A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728672A (zh) * | 2012-10-12 | 2014-04-16 | 刘丹丹 | 一种基于高光谱遥感和电磁探测勘测油气的方法 |
| CN105427377A (zh) * | 2015-11-03 | 2016-03-23 | 武汉地大信息工程股份有限公司 | 一种基于无人机的地质灾害数据采集处理方法及装置 |
| CN106485688A (zh) * | 2016-09-23 | 2017-03-08 | 西安电子科技大学 | 基于神经网络的高光谱图像重构方法 |
| CN109387478A (zh) * | 2018-09-27 | 2019-02-26 | 核工业北京地质研究院 | 一种岩芯光谱扫描数据云存储处理分析及实时反馈的方法 |
| CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
| CN110310249A (zh) * | 2019-05-20 | 2019-10-08 | 西北工业大学 | 用于遥感图像的可视化增强方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766212A (zh) * | 2021-01-29 | 2021-05-07 | 中国人民解放军国防科技大学 | 高光谱遥感图像水体固有属性反演方法、装置和设备 |
| CN112766212B (zh) * | 2021-01-29 | 2022-09-09 | 中国人民解放军国防科技大学 | 高光谱遥感图像水体固有属性反演方法、装置和设备 |
| CN117173353A (zh) * | 2023-09-04 | 2023-12-05 | 广东省核工业地质局测绘院 | 一种基于遥感图像的地质测绘系统 |
| CN117949397A (zh) * | 2024-03-27 | 2024-04-30 | 潍坊市勘察测绘研究院 | 高光谱遥感地质测绘控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8712148B2 (en) | Generating agricultural information products using remote sensing | |
| CN111242882A (zh) | 一种高光谱遥感地质勘测控制系统、方法及应用 | |
| CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
| CN111080724A (zh) | 一种红外和可见光的融合方法 | |
| AU2019216767A1 (en) | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product | |
| CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
| CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
| Liang et al. | A cross comparison of spatiotemporally enhanced springtime phenological measurements from satellites and ground in a northern US mixed forest | |
| Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
| CN116703769A (zh) | 一种卫星遥感图像全色锐化系统 | |
| Jing et al. | Sub-pixel accuracy evaluation of FY-3D MERSI-2 geolocation based on OLI reference imagery | |
| CN107437237A (zh) | 一种区域无云影像合成方法 | |
| US20240290089A1 (en) | Method for extracting forest parameters of wetland with high canopy density based on consumer-grade uav image | |
| Liu et al. | Comparative analysis of pixel level fusion algorithms in high resolution SAR and optical image fusion | |
| Muller et al. | EU-FP7-iMARS: analysis of Mars multi-resolution images using auto-coregistration, data mining and crowd source techniques: processed results–a first look | |
| CN114863273A (zh) | 一种农作物季节早期多源遥感产量数据处理方法及预测方法 | |
| Cohen et al. | Future approaches to facilitate large-scale adoption of thermal based images as key input in the production of dynamic irrigation management zones | |
| Li et al. | A extremely fast spatio-temporal fusion method for remotely sensed images | |
| Haest et al. | Radiometric calibration of digital photogrammetric camera image data | |
| CN111257854A (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 | |
| Fu et al. | Super-resolution reconstruction of remote sensing images using generative adversarial network with shallow information enhancement | |
| Ozdarici et al. | Field-based classification of agricultural crops using multi-scale images | |
| Zhang et al. | Hyperspectral Data Fusion Using Multidimensional Information | |
| CN117788281B (zh) | 低pos精度的机载线阵高光谱影像区域影像拼接方法及系统 | |
| Merz et al. | Using high-resolution drone data to assess apparent agricultural field heterogeneity at different spatial resolutions |
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: 20200605 |
|
| RJ01 | Rejection of invention patent application after publication |