CN112102218B - 一种生成高空间分辨率多光谱影像的融合方法 - Google Patents
一种生成高空间分辨率多光谱影像的融合方法 Download PDFInfo
- Publication number
- CN112102218B CN112102218B CN202011026547.0A CN202011026547A CN112102218B CN 112102218 B CN112102218 B CN 112102218B CN 202011026547 A CN202011026547 A CN 202011026547A CN 112102218 B CN112102218 B CN 112102218B
- Authority
- CN
- China
- Prior art keywords
- spatial resolution
- pixel
- spectral
- pixels
- image
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提出了一种生成高空间分辨率多光谱影像的融合方法,用于将高空间分辨率且具有较少光谱波段的影像和低空间分辨率且具有较多光谱波段的影像进行融合,以生成高空间分辨率且具有多光谱波段的影像,包括:从低空间分辨率的影像中提取光谱基;再通过高空间分辨率影像的已有波段,与重建的波段进行比较,解算得到光谱基对应的系数;通过光谱基和其对应系数的线性组合即可重建高空间分辨率像元的所有光谱,以此生成高空间分辨率且具有多光谱波段的影像。本发明的生成高空间分辨率多光谱影像的融合方法,可基于光谱拟合,结合两种影像的优势,充分利用地理数据之间的光谱相似性,为生产出高空间分辨率且具有多波段的影像提供一种有效的方法。
Description
技术领域
本发明涉及一种多源遥感数据融合的方法,用于生成高空间分辨率多光谱的遥感影像,属于遥感数据的空谱融合范畴。
背景技术
随着卫星传感器的发展,在过去的几十年中,空间分辨率小于5米的图像已得到广泛应用。此类图像的改进的空间分辨率提供了更丰富的土地表面空间细节,从而促进了许多成功的应用,例如城市土地覆盖/用途分类、变化检测和目标识别等。不幸的是,由于预算和技术限制,这种高空间分辨率的图像通常具有有限的光谱波段,主要在可见光和近红外(VNIR)波段中。红色边缘和短波红外(SWIR)波段等重要光谱波段的短缺极大地限制了高分辨率图像在生态系统监测和农业管理中的广泛应用,因为红色边缘和SWIR波段对于估算生物物理和生化植物参数非常重要,例如作为叶面积指数、叶绿素和叶片含水量,它们也可以用于检测疾病和昆虫等植物生物胁迫以及水分和养分胁迫等非生物胁迫。另一方面,具有中等或低空间分辨率的卫星传感器(例如Landsat系列,Sentinel-2和MODIS)包含足够的光谱带(例如,红色边缘或SWIR波段),使其可用于生态和农业应用领域。
例如,CN 1877636 A公开了一种生成高空间分辨率且具有多光谱波段影像数据的方法,其背景技术部分对于高空间分辨率影像数据的相关知识进行了详细说明,其中提及,许多光学遥感卫星系统同时提供了空间分辨率低的多光谱图像和空间分辨率高的全色图像,例如艾科诺斯卫星同时提供了空间分辨率是1米的全色图像和空间分辨率是4米的包含蓝、绿、红、近红外四个波段的多光谱图像。该现有技术还提供了通过融合高空间分辨率且具有较少光谱波段的数据和低空间分辨率且具有较多光谱波段的数据生成高分辨率多光谱图像的方法。为便于理解,本发明引用该现有技术作为参考。
另外,为了能够同时获得高空间分辨率和较多的光谱波段,现有技术发展出了多种对两种不同空间分辨率数据进行融合,以获取高空间分辨率且具有较多光谱波段数据的方法,主要包括三种类型:(1)基于全色影像锐化的方法;(2)基于混合像元分解的方法;(3)基于高光谱超分辨率的方法。
其中,(1)基于全色影像锐化的方法以PCS(主成分替换技术,PrincipalComponent Substitution)为典型代表,参见Shettigara V K.(1992),“使用高分辨率数据集的多光谱图像空间增强的主成分替换技术”,摄影测量工程与遥感,58,561-567。(Ageneralized component substitution technique for spatial enhancement ofmultispectral images using a higher resolution data set[J].PhotogrammetricEngineering and Remote Sensing,1992,58,561-567)。这类方法着眼于采用具有较高空间分辨率的全色影像来改善多光谱影像的空间分辨率,通过全色影像替换多光谱图像主成分变化后的第一主成分,然后再通过反变换得到高空间分辨率的多光谱图像。这类方法通常应用于来自单个传感器的影像。此外,由于多光谱影像和全色影像的光谱覆盖范围不一致,它们在应用于多传感器图像融合时也可能会产生颜色失真。
(2)基于混合像元分解的方法以UBDF(基于混合像元分解的数据融合,Unmixing-Based Data Fusion)为代表,参见Zurita-Milla,R.,Clevers,J.G.,&Schaepman,M.E.(2008),“基于混合像元分解的Landsat TM和MERIS FR数据融合”,电气与电子工程师学会之地球科学与遥感学报,5,453-457(Zurita-Milla R,Clevers J G P W,Schaepman ME.Unmixing-based Landsat TM and MERIS FR data fusion[J].IEEE Geoscience andRemote Sensing Letters,2008,5,453-457)。该类方法通过混合像元分解,计算出每个高空间分辨率像元的光谱值,在均质地区表现良好。但是,由于忽略了类内变异性,仅使用高空间分辨率图像来提供端元丰度信息,因此该方法可能会丢失空间细节。
(3)基于高光谱超分辨率的方法以HySure(高光谱超分辨率,HyperspectralSuper-resolution)为代表,参见M,Bioucas-Dias J,Almeida L B&ChanussotJocelyn.(2015),“通过基于子空间的正则化的高光谱图像超分辨率的凸公式”,电气与电子工程师学会之地球科学与遥感学报,53,3373-3388(/>M,Bioucas-Dias J,Almeida L B&Chanussot Jocelyn.A convex formulation for hyperspectral imagesuperresolution via subspace-based regularization[J].IEEE Transactions onGeoscience and Remote Sensing,2015,53(6):3373-3388)。HySure的主要思想也基于线性光谱混合模型,但是引入了“顶点分量分析”(VCA)或奇异值分解(SVD)来提取端元光谱特征。然后,针对端元系数的求解,引入了分裂增强拉格朗日收缩算法(SALSA),以解决此严重不适定的优化问题。尽管可以通过实验校准HySure优化过程中的参数,但用户调整这些参数以在其数据集中更好地进行预测仍然是一个挑战。同时,由于复杂的优化过程,HySure的计算效率低下,如果将其应用于大图像中,则时间消耗将难以忍受。
以上三类方法在各自适用的领域里都取得了比较好的效果。但是它们都没有考虑能够以较高的效率产生出适用于均质和异质区域且精度高的融合影像。本发明基于光谱拟合的方法,能够有效提高数据融合的精度,为生产高空间分辨率且具有较多波段的影像提供了新的途径。
发明内容
本发明要解决的技术问题是提供一种生成高空间分辨率多光谱影像的融合方法,以减少或避免前面所提到的问题。
为解决上述技术问题,本发明提出了一种生成高空间分辨率多光谱影像的融合方法,用于将高空间分辨率且具有较少光谱波段的影像和低空间分辨率且具有较多光谱波段的影像进行融合,以生成高空间分辨率且具有多光谱波段的影像,所述方法包括如下步骤:
步骤A:对高空间分辨率像元进行分类,对应于一个低空间分辨率像元,计算该低空间分辨率像元中不同类别的高空间分辨率影像的像元的丰度,若计算获得的第c类像元的丰度值大于50%,则将该像元挑选出来标示为第c类低空间分辨率纯净像元,并分别记录该第c类低空间分辨率纯净像元的各个波段的光谱值;
步骤B:将前述步骤中获得的所有第c类低空间分辨率纯净像元的全部波段的光谱值,分别使用矩阵奇异值分解,得到第c类低空间分辨率纯净像元所对应的光谱基向量e1,e2,...,ei,每个光谱基向量具有与低空间分辨率像元相同的波段数;
步骤C:利用前述步骤获得的光谱基向量,对第c类高空间分辨率像元进行多波段光谱值重建,以生成高空间分辨率且具有多光谱波段的影像。
优选地,所述步骤A中,对应于低空间分辨率影像中高分辨率像元的丰度公式如下:
fc(x,y)=Nc(x,y)/nm (1)
公式1中,Nc(x,y)是指坐标为(x,y)的低空间分辨率像元在相同空间范围内属于第c类的高空间分辨率像元的个数;nm是指低空间分辨率像元中具有高空间分辨率像元的个数。
优选地,所述步骤C中,设定第c类地物的高分辨率像元的光谱值由对应的光谱基向量的如下公式组合得到:
式中,是重建之后坐标为(x,y)的高空间分辨率像元的全部波段的光谱值的矩阵,ei是对应低分辨率像元的每个波段的第i个光谱基向量,nk是选取用于计算的光谱基向量的个数,ai是第i个光谱基向量ei对应的系数。
优选地,利用高分辨率像元原有的h个波段的光谱值与重建获得的对应的h个波段的光谱值进行如下公式的比较,解算得到所述系数ai,将解算出来的系数ai,再带入公式2中,即可重建高空间分辨率像元的所有光谱:
优选地,选取用于计算的光谱基向量的个数nk为1~4个。
优选地,使用公式4的AICc判据自动选取用于计算的光谱基向量的个数nk:
式中,RSS即为公式3,表示原始高空间分辨率影像波段光谱值与重建高空间分辨率影像波段光谱值的差异,AICc的最小值对应于光谱基个数的最佳选择。
优选地,进一步提供使用残差补偿提高融合精度的步骤:
式中,R(x,y,b)是波段b低空间分辨率像元C(x,y,b)与其所覆盖空间范围内的高空间分辨率像元之和的残差,(x,y)是低空间分辨率像元的坐标,(xi,yi)是对应于坐标为(x,y)低空间分辨率像元所覆盖的空间范围内第i个高空间分辨率像元的坐标,nm是坐标为(x,y)低空间分辨率像元所覆盖的空间范围内高空间分辨率像元的个数。
优选地,进一步提供通过移动窗口内的邻域相似像元的信息,消除融合结果中的斑块效应的步骤,包括通过光谱相似性移动窗口内邻域像元:
式中,Si是第i个邻域像元与中心像元的光谱相似性,其值越小代表候选像元与中心像元越相似,(xt,yt)与(xi,yi)分别是移动窗口内中心像元坐标,移动窗口内第i个候选邻域像元坐标,FO(xi,yi,b)与FO(xt,yt,b)分别是中心像元和第i个候选像元在高空间分辨率影像波段b中的光谱值;
然后通过像元之间的空间距离定义相似像元的权重:
式中,Di是i个邻域像元坐标(xi,yi)与中心像元坐标(xt,yt)的空间距离,W是移动窗口大小,ns为移动窗口内相似像元个数;
本发明的生成高空间分辨率多光谱影像的融合方法,可基于光谱拟合,结合两种影像的优势,充分利用地理数据之间的光谱相似性,为生产出高空间分辨率且具有多波段的影像提供一种有效的方法。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中:
图1显示的是根据本发明的一种生成高空间分辨率多光谱影像的融合方法中,通过对高空间分辨率影像分类,并在低空间分辨率上寻找纯净像元的过程示意图;
图2显示的是根据本发明的一种生成高空间分辨率多光谱影像的融合方法中,分解纯净像元得到光谱基的过程示意图;
图3显示的是根据本发明的一种生成高空间分辨率多光谱影像的融合方法中,结合光谱基与高空间分辨率影像的光谱拟合过程示意图;
图4a和4b分别显示的是第一个测试地点高空间分辨率和低空间分辨率的示意图;
图5a和5b分别显示的是第二个测试地点高空间分辨率和低空间分辨率的示意图;
图6a,6b,6c,6d和6e分别显示的是第一个测试地点实际图像与四种融合方法得到的融合结果示意图;
图7显示的是第一个测试地点四种融合方法得到的融合结果散点示意图;
图8a,8b,8c,8d和8e分别显示的是第二个测试地点实际图像与四种融合方法得到的融合结果示意图;
图9显示的是第一个测试地点四种融合方法得到的融合结果散点示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案作的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为属于本发明的保护范围。
下面详细说明本发明的生成高空间分辨率多光谱影像的融合方法,所述方法基于光谱拟合的原理,生产高空间分辨率且具有多波段的影像,当然,与背景部分所述的三种类型数据融合方法的一样,本发明也是对上述不同数据源的遥感数据进行融合的方法。
亦即,本发明的融合方法,可用于将高空间分辨率且具有较少光谱波段的影像数据和低空间分辨率且具有较多光谱波段的影像数据进行融合,以生成高空间分辨率且具有多光谱波段的影像数据。这两种原始影像数据可以是通过获取同一过境时间的高空间分辨率具有较少波段和低空间分辨率具有较多波段的影像数据。在融合之前,可以对两种影像进行预处理,包括:辐射校正、大气校正和几何校正等。对于辐射差异大的数据源之间,还可以使用辐射归一化的方法进行预处理,可参见Gao,F.,Masek,J.G.,Wolfe,R.E.,&Huang,C.(2010),“使用中分辨率成像光谱仪产品作为参考,建立一致的中分辨率卫星数据集”,国际遥感,4,043526(Gao F,Masek J G,Wolfe R E,et al.Building a consistent mediumresolution satellite data set using moderate resolution imagingspectroradiometer products as reference[J].Journal of Applied Remote Sensing,2010,4,043526)。
下面详细说明本发明的生成高空间分辨率多光谱影像的融合方法的具体步骤。
步骤A:对高空间分辨率像元进行分类,对应于一个低空间分辨率像元,计算该低空间分辨率像元中不同类别的高空间分辨率影像的像元的丰度,若计算获得的第c类像元的丰度值大于50%,则将该像元挑选出来标示为第c类低空间分辨率纯净像元,并分别记录该第c类低空间分辨率纯净像元的各个波段的光谱值。
若低空间分辨率像元中,任何一种类别的高空间分辨率像元均不占主导地位,也就是没有一种类别的高空间分辨率像元的丰度值大于50%,则可以认为该低空间分辨率像元的光谱中包含太多不同地物的反射光谱,对于后续重建光谱波段会造成干扰,因而可以将该像元作为噪点剔除,不用记录该像元各个波段的光谱值。
在一个具体实施例中,为了在没有人工干预的情况下自动执行本发明,可以使用无监督分类器(例如ISODATA,K-Means聚类)自动对高空间分辨率图像的像元进行分类。当然,本领域技术人员应当理解,也可以用本领域其它分类手段进行分类,例如在地物类别简单的研究场合,也可以通过人工方式指定分类类别。采用无监督分类器自动分类可以对不同影像数据进行自动分类,抗干扰能力更强,可以提高后续分解和融合后的光谱信息的精度。
对应于低空间分辨率影像中高分辨率像元的丰度公式如下:
fc(x,y)=Nc(x,y)/nm (1)
公式1中,Nc(x,y)是指坐标为(x,y)的低空间分辨率像元在相同空间范围内属于第c类的高空间分辨率像元的个数;nm是指低空间分辨率像元中具有高空间分辨率像元的个数;设定丰度fc(x,y)的阈值为50%,即当第c类高空间分辨率像元占主导时(fc(x,y)>50%),此时对应相同空间位置的低空间分辨率的像元被选作第c类低空间分辨率纯净像元。每个选定的纯净像元在其对应的波段影像中均具有一个光谱值,在本领域的操作实践中,该光谱值通常认为是该像元在该波段的影像中的亮度值。
例如,如背景技术所述的艾科诺斯卫星,其低空间分辨率的影像的分辨率为4米,高空间分辨率的影像的分辨率为1米。则低空间分辨率的影像的一个像元对应于地面的实际尺寸为4米*4米的一个正方形,其中包含1米*1米的高空间分辨率的影像的16个像元。也就是在低空间分辨率的影像的坐标为(x,y)的低分辨率像元中,包含有16个高分辨率像元,如果其中第c类的高空间分辨率的影像的像元数为10个,则计算获得的低分辨率像元中第c类高分辨率像元的丰度为62.5%,则此时可以将这个坐标为(x,y)的低分辨率像元设定为第c类的低空间分辨率纯净像元。
在图1所示具体实施例中,高空间分辨率的影像包含5个波段,对其中任何一个波段的影像进行分类,分别分出植被、土壤、水体三种类别的地物,通过分别计算低分辨率像元中的高分辨率像元对应的三种地物类别的丰度,可见只有水体类别的地物的丰度值超过50%,则该像元可选定为水体类的低空间分辨率纯净像元,并分别记录该纯净像元的各个波段的光谱值。
选定纯净像元之后,即可记录该纯净像元的各个波段的光谱值,用于后续的光谱重建。例如,假设低空间分辨率的影像有8个波段,则通过地物分类选定为纯净像元之后,这个像元在8个波段的影像中,就会有8个光谱值。
本步骤的主要目的,在于把低空间分辨率像元按照不同类别挑选出来记录其各个波段的光谱值。
然而,由于低空间分辨率像元的分辨率不够,如果直接对低空间分辨率图像进行分类,则获得的结果会非常粗糙,大大影像融合精度。本发明采用了一个特别的技巧,就是在低空间分辨率像元的范围内,对其中的高空间分辨率像元进行分类,从而可以将分类精度大幅提高。例如,如前所述,对于一个4米分辨率的粗像元,其中的细像元数量可达16个,按细像元分类的效果可增值达16倍,因而可以大幅提升本发明的后续融合效果。
另外,低空间分辨率像元中包含多个高分辨率像元,则低空间分辨率像元到底归属哪个类别也不可知,本发明采用了另一个技巧,就是把低空间分辨率像元中的不同类别的高分辨率像元进行丰度值计算,按照多数占优原则,把丰度值大于50%的类别,设定到低空间分辨率像元上。
进一步地,本发明还通过设定丰度值的阈值为50%的技巧,优化计算效率和融合效果。例如,如果样本数据很少,则需要尽量保留更多的有用光谱,阈值就不能设定得太高。或者,如果样本数据很大,则可以设定一个较大的阈值,尽量剔除一部分数据,以提高计算效率,节省计算时间,此时有可能会损失一部分有用光谱值。
总之,本步骤通过设定多重技巧,将低空间分辨率像元与高空间分辨率像元进行融合分类,通过低空间分辨率像元内的高空间分辨率像元的不同类别的丰度值的阈值设定,提取出干扰较少的纯净像元,记录纯净像元的各个波段的光谱值,利用纯净像元的不同波段的光谱值进行后续的光谱分解和融合操作,可以大大提高融合精度,并能适应不同类型高低分辨率的光谱影像,获得优化的计算效率和融合效果。
步骤B:将前述步骤中获得的所有第c类低空间分辨率纯净像元的全部波段的光谱值,分别使用矩阵奇异值分解,得到第c类低空间分辨率纯净像元所对应的光谱基向量e1,e2,...,ei,每个光谱基向量也具有与低空间分辨率像元相同的波段数。通过矩阵奇异值分解,可以获得低空间分辨率影像中每种不同类别的地物的反射光谱的光谱基向量,这样一组光谱基向量包含了低空间分辨率影像中每种不同类别的地物的所有波段的光谱特征信息。
矩阵奇异值分解(SVD,Singular Value Decomposition)是线性代数中的常用矩阵分解处理手段,在信号处理、统计学等领域有重要应用。矩阵奇异值分解的方法可参见Zhao,F.,Guo,Y.,Verhoef,W.,Gu,X.,Liu,L.,&Yang,G.(2014),“一种从高光谱测量数据中重建植被冠层荧光光谱的方法”,遥感,6,10171-10192(Zhao F,Guo Y,Verhoef W,et al.Amethod to reconstruct the solar-induced canopy fluorescence spectrum fromhyperspectral measurements[J].Remote sensing,2014,6,10171-10192)。该方法为本领域已有技术,本领域技术人员根据公知常识很容易构建相关分解矩阵并获得分解后的光谱基向量。
例如,可以针对第c类纯净像元构建一个包含第c类的所有低空间分辨率纯净像元的全部波段的光谱值的原始矩阵,原始矩阵的每一行代表一个纯净像元的包含不同波段的全部光谱值,行数代表第c类纯净像元的数量。例如,假设低空间分辨率影像包含8个波段,那么每个纯净像元就有8个波段对应的8个光谱值,如果总共有3万个第c类的纯净像元,则针对第c类纯净像元构建的原始矩阵就会包含8列3万行,同一行代表同一个像元的第1-8个波段对应的光谱值,3万个纯净像元就会有3万行对应于8个波段的光谱值。对这样一个c类纯净像元进行矩阵奇异值分解,可以分解得到一个类似于e1,e2,...,ei形式的一组光谱基向量。该光谱基向量在数学表现形式上是包含上述e1,e2,...,ei的一个矩阵。如果有10种地物类别,就可以获得10个这种形式的光谱基向量的矩阵。每个这种矩阵均包含其对应的地物类别的全波段光谱的特征。
在图2所示具体实施例中,选定的是所有的纯净植被像元,通过SVD,可以分解获得所有波段的光谱基向量,图中显示分解获得了4个光谱基向量BS1,BS2,BS3以及BS4的曲线示意图。
本步骤中对低空间分辨率纯净像元的光谱值进行矩阵奇异值分解得到光谱基向量的目的是,将第c类地物的光谱特征集中在光谱基向量的前几个光谱基向量(如e1和e2)中,以便于后续的光谱重建。
例如,在前述步骤中,通过分类和丰度值计算,已经记录得到了所有低空间分辨率纯净像元的所有波段的光谱值。比方说,假设通过分类,第1类的纯净像元有1万个,第2类的纯净像元有1.2万个,...,第c类的纯净像元有3万个,诸如此类的。通过本步骤的矩阵奇异值分解,例如,可以将第c类的3万个纯净像元的多个波段的光谱值融合分解成e1,e2,...,ei形式的一组光谱基向量。当然,以上仅仅是举例说明,通常每个类别的纯净像元的数量是非常庞大的,通过将数量庞大的同一类别的纯净像元进行矩阵奇异值分解,例如对第c类进行矩阵奇异值分解,可以将这一类别的纯净像元的全部8个波段的光谱信号的特征用光谱基向量e1,e2,...,ei的方式表现出来,这样一组光谱基向量具有光谱特征信息向前几个向量集中的趋势,有利于提高后续的特征重现效率。另外,由于分解后获得的这样一组光谱基向量包含了低空间分辨率影像中每种不同类别的地物的所有波段的光谱特征信息,因而,如果低空间分辨率影像包含了例如8个光谱波段,则这些光谱基向量中也包含了这8个光谱波段的特征信息。
步骤C:利用前述步骤获得的光谱基向量,对第c类高空间分辨率像元进行多波段光谱值重建,其中,本步骤设定第c类地物的高分辨率像元的光谱值由对应的光谱基向量的如下公式组合得到:
式中,是重建之后坐标为(x,y)的高空间分辨率像元的全部波段的光谱值的矩阵,此矩阵由于是通过低分辨率像元的融合了所有波段的光谱基向量获得的,因此公式2中重建获得的/>光谱值矩阵具有与低分辨率像元相同的波段数(例如低分辨率像元有8个波段,则重建获得的/>就有8组数据);ei是对应低分辨率像元的每个波段的第i个光谱基向量,同样的,对应低分辨率像元的每个波段,也有同样波段数的多组光谱基向量ei(例如低分辨率像元有8个波段,光谱基向量ei也同样是8组数据);nk是选取用于计算的光谱基向量的个数,其可由公式4自动选择获得(或者可以人为设定选取用于计算的光谱基向量的个数nk为1~4个);ai是第i个光谱基向量ei对应的系数,即a1,a2,...,ai为一组重建该高空间分辨率像元全部波段时所对应光谱基向量的系数值。对于每个高空间分辨率像元来说,这组系数值是唯一的。也就是通过公式2重建的高空间分辨率像元的每一个波段(例如原始有4个波段,重建获得了另外4个波段)来说,其所对应的系数值ai都是相同的。例如,如果低分辨率像元有8个波段,则公式2中的/>是8组数据,ei也是8组数据,但是相对应的ai是一个值,这个值适用于对应光谱基向量ei的8组数据。
从公式2可以看出想要重建高空间分辨率像元的多波段光谱值,最重要的是如何解算光谱基向量对应的系数ai。例如,同样假定低分辨像元有8个波段(假设对应的原始高分辨像元有4个波段),则公式2的重建获得的光谱值矩阵可以是包含1行8列数据的矩阵,其中每一行数据对应该类高分辨率像元的8个波段之一的光谱值,ei对应的是该类低分辨率像元的融合了8个波段的光谱基向量,对应的系数为ai。
此时可以利用高分辨率像元原有的h个波段、例如4个波段的光谱值与重建获得的对应的这h个波段的光谱值进行如下公式的比较(如图3所示):
式中,FO(x,y,b)是原始高空间分辨率影像波段b中(x,y)坐标处像元的光谱值,为重建的第c类高空间分辨率像元波段b中(x,y)坐标处的光谱值。结合公式2与3,可知光谱基向量ei与FO(x,y,b)均是已知值。而公式3目的是使FO(x,y,b)与/>之间的差异最小化。当该差异达到最小时,所得到的ai就是光谱重建的最佳系数。
由于公式2中光谱基向量具有与低空间分辨率相同的波段数,因此在公式3中仅取出光谱基向量中与原始高空间分辨率图像对应的光谱波段,就可以完成光谱拟合步骤。需要说明的是,系数a1,a2,...,ai与所有光谱波段的光谱基向量都具有一一对应关系,因此使用公式3中的部分波段的光谱基向量与对应波段的原始高空间分辨率像元的光谱值结合,解算出来的系数a1,a2,...,ai,可以再带入公式2中求解得到原始高空间分辨率像元不存在的波段的光谱值,即求解得到的系数a1,a2,...,ai与不同波段的光谱基向量的组合,可重建高空间分辨率像元的所有光谱。
这一步也体现了步骤B使用矩阵分解得到光谱基向量矩阵的必要性。因为矩阵分解可以将光谱信息集中于前几个光谱基向量,而原始高空间分辨率图像只能提供较少的波段,例如4个波段。此时仅用4个或少于4个的光谱基向量求解系数,则需要光谱信息尽量先前集中。当然,当样本数多于求解系数的情况下,公式3也可以通过最小二乘法求解。
在图3所示具体实施例中,通过步骤B分解获得了光谱基向量ei之后,通过公式2进行波段重建,并利用原始高空间分辨率图像求解获得系数ai,之后带入公式2进行光谱拟合,最后融合后可得到高空间分辨率且具有多波段的图像。
如前所述,由于前述步骤获得的光谱基向量有特征向前集中的趋势,因此在本步骤中,为了提高计算效率,在公式2中选取用于计算的光谱基向量nk的个数时候,并不需要将光谱基向量矩阵中的所有数值都引入进来,而只需要选取前几个光谱基向量,就可以获得足够高的融合精度了。例如,在本申请的一个具体实施例中,可以优选nk的取值范围为1~4就可以了。或者,在本申请的另一个具体实施例中,还可使用公式4的AICc判据自动选取用于计算的光谱基向量的个数nk,参见Hurvich C M&Tsai C L,(1989),“小样本中的回归和时间序列模型选择”,生物识别,76,297-307(Hurvich C M,Tsai C L.Regression andtime series model selection in small samples[J].Biometrika,1989,76(2):297-307):
式中,RSS即为公式3,表示原始高空间分辨率影像波段光谱值与重建高空间分辨率影像波段光谱值的差异,nk是本研究中选择的光谱基向量个数。AICc的最小值对应于光谱基个数的最佳选择。实际运算时,可逐级递减(增)基向量的个数(需要小于原始高空间分辨率影像的波段数),每次计算AICc与上一次的AICc相比(AICc初始值可设置为无限大),如果比上次小,则更新预测结果,若比上次大,则不更新,以此循环对每个像元进行操作。也可以使用矩阵计算,取出某一类的所有像元,同时进行最小二乘,并计算AICc。
通过上述重建步骤,本发明可以在高空间分辨率已有波段的光谱信息的基础上,重建获得高空间分辨率影像不具备的光谱信息,该重建获得的光谱信息是通过低空间分辨率的全波段光谱值信息引入而来的,其通过特定的分类和丰度值融合选择,大幅提高了融合精度和计算效率,可广泛应用于不同类型高低分辨率光谱影像的融合处理。
进一步地,本发明还可以在前述融合方法的基础上,进一步提供使用残差补偿提高融合精度的步骤:
式中,R(x,y,b)是波段b低空间分辨率像元C(x,y,b)与其所覆盖空间范围内的高空间分辨率像元之和的残差,(x,y)是低空间分辨率像元的坐标,(xi,yi)是对应于坐标为(x,y)低空间分辨率像元所覆盖的空间范围内第i个高空间分辨率像元的坐标,nm是坐标为(x,y)低空间分辨率像元所覆盖的空间范围内高空间分辨率像元的个数。将残差直接补回到每个高分辨率像元中,得到残差补偿结果/>
进一步地,本发明还可以提供通过移动窗口内的邻域相似像元的信息,消除融合结果中的斑块效应的步骤,以进一步提高融合结果精度。
所述步骤包括首先通过光谱相似性移动窗口内邻域像元:
式中,Si是第i个邻域像元与中心像元的光谱相似性,其值越小代表候选像元与中心像元越相似,(xt,yt)与(xi,yi)分别是移动窗口内中心像元坐标,移动窗口内第i个候选邻域像元坐标,FO(xi,yi,b)与FO(xt,yt,b)分别是中心像元和第i个候选像元在高空间分辨率影像波段b中的光谱值。一般选择移动窗口内与中心像元光谱相似性最小的20个像元作为相似像元。然后通过像元之间的空间距离定义相似像元的权重:
式中,Di是i个邻域像元坐标(xi,yi)与中心像元坐标(xt,yt)的空间距离,W是移动窗口大小,ns为移动窗口内相似像元个数。公式9将所有相似像元的权重进行归一化。
为了更好地说明本发明的技术效果,将本发明中的方法与背景技术部分提及的三种类型的数据融合方法进行比较,即针对PCS(主成分替换技术)、UBDF(基于混合像元分解的数据融合)和HySure(高光谱超分辨率),分别进行单传感器数据的测试和多传感器数据的测试。
第一个测试点位于美国犹他州的普若佛机场(111.72°W,40.23°N)。该地点相对均匀,植被覆盖大。有一些城区,裸露的土壤和水体,如图4a和4b所示,其中,图4a和4b分别显示的是第一个测试地点高空间分辨率和低空间分辨率的示意图,图4a表示WorldView-3图像(1200×1200像元,空间分辨率为1.24m),图4b表示模拟图像(空间分辨率为12.4m)。所有图像使用近红外-红-绿作为RGB的假彩色合成。使用的数据集来自具有1.24m空间分辨率和16个波段的WorldView-3卫星,该卫星的图像可从数字全球网站(http://worldview3.digitalglobe.com/)下载。为了进行实验,将数据集裁剪为具有七个波段(蓝、绿、红和近红外四个波段以及一个红边和两个短波红外波段)的1200×1200像元大小。
首先,通过以10的比率对原始WorldView-3图像进行重采样,生成具有12.4m空间分辨率和7个波段的粗糙图像,然后,将模拟的12.4m低空间分辨率图像的7个波段(即蓝、绿、红三个可见光,近红外,红边与短波红外波段)和1.24m高空间分辨率的4个波段(即可见光和近红外波段)分别为输入到本发明以及其他三种方法。然后将所得的红边和短波红外波段的高空间分辨图像与相同波段的原始WorldView-3图像进行比较,以评估本发明性能,比较结果参见图7。
第二个测试地点位于中国江苏省徐州市(东经34.63°,北纬116.75°),这是典型的农业区,冬小麦混合,小居民区和河流,如图5a和5b所示,其中,图5a和5b分别显示的是第二个测试地点高空间分辨率和低空间分辨率的示意图,图5a表示在2018年12月29日获得空间分辨率为10m的Sentinel-2B图像(1200×1200像元),图5b表示在2018年12月31日获得空间分辨率为30m的Landsat-8图像。使用的数据包括从美国地质调查局(United StatesGeological Surevey,USGS)的官方网站(https://earthexplorer.usgs.gov/)下载的,于2018年12月31日的具有六个波段(即,蓝、绿、红、近红外及两个短波红外波段)的30mLandsat-8图像(总共六个波段),以及从欧空局的官方网站(https://scihub.copernicus.eu/)下载2018年12月29日的具有六个波段的10m Sentinel-2B图像。使用ENVI中的FLAASH工具对Landsat-8数据进行大气校正,并使用Sen2Cor对Sentinel-2B数据进行大气校正。对数据进行配准,并进行了辐射归一化的处理。这里将具有六个波段的30m Landsat-8数据用作低空间分辨率图像,具有蓝、绿、红和近红外四个波段的10mSentinel-2B数据用作高空间分辨率图像;将Sentienl-2B的短波红外波段(其原始空间分辨率为20m)重新采样到10m进行方法验证。
图6a~6e展示了通过四种方法在1.2m的空间分辨率下添加的新频段,并具有放大的子区域以突出显示性能差异。其中,图6a显示的是实际的WorldView-3图像,图6b显示的是由背景部分提及的PCS方法预测获得的图像,图6c显示的是由背景部分提及的UBDF方法预测获得的图像,图6d显示的是由背景部分提及的HySure方法预测获得的图像,图6e显示的是由本发明的方法预测获得的图像。对于同一列的图像来说,上图代表整体图像,下图代表整体图像中局部放大的区域。比较不同方法的融合结果时可在整体和局部上对与实际WorldView-3图像的差异。
总体而言,通过对比图6a~6e可见,本发明和HySure可以很好地保持空间细节,并且预测获得的图像与原始WorldView-3图像非常相似,即图像中地物形状与光谱值(即亮度值)与原始WorldView-3图像保持高度一致性。相反,PCS和UBDF在预测获得的图像中都存在明显的颜色失真。此外,由UBDF预测获得的的图像也丢失了一些空间细节,尤其是在属于同一类别的区域中,因为忽略了混合处理中的类别内变异性。在图6a中表示的原始WorldView-3图像看起来比预测获得的图像更加模糊,因为短波红外波段中原始WorldView-3图像的空间分辨率为3.7m,这比预测获得的图像要模糊,后者具有空间分辨率为1.2m。由此也可见,本研究提出的融合方法能根据可见光与近红外波段来显著提高红边与短波红外波段的空间分辨率。
图7给出了图6a~6e中所示的四种方法的实际值与预测值的散点图。为了直观比较,图7将四种方法的预测结果进行了并排比较,其中,图7中(a)列~(d)列分别对应的是PCS,UBDF,HySure以及本发明的预测结果的对照图。图中散点越接近1:1线表示融合结果与实际结果一致性更好。横向来看,可以对比不同方法在同一波段的融合结果,纵向来看可以对比同一方法对不同波段的融合结果。本发明对所有三个波段(红边Red edge,短波红外SWIR 1和短波红外SWIR 2)产生最佳的预测,其中散射点更接近1:1线,并且在短波红外波段中明显胜过HySure。另一方面,PCS和UBDF的结果更加分散并且偏离1:1线。
图8a~8e显示了通过四种方法添加的波段,其中,图8a表示的是实际的Sentinel-2B图像,图8b显示的是由背景部分提及的PCS方法预测获得的图像,图8c显示的是由背景部分提及的UDBF方法预测获得的图像,图8d显示的是由背景部分提及的HySure方法预测获得的图像,图8e显示的是由本发明的方法预测获得的图像。对于同一列的图像来说,上图代表整体图像,下图代表整体图像中局部放大的区域。比较不同方法的融合结果时可在整体和局部上对与实际Sentinel-2B图像的差异。总地来说,通过对比图8a~8e可见,本发明从空间细节与光谱上都与原图保持高度的一致性,均优于其他三种方法。
图9给出了图8a~8e中所示的四种方法的实际值与预测值的散点图。为了直观比较,图9将四种方法的预测结果进行了并排比较,其中,图9中(a)列~(d)列分别对应的是PCS,UBDF,HySure以及本发明的预测结果的对照图。图中显示的散点图表明,本发明生成的值比其他三种方法更接近真实值。其中,图9表示的第二个测试地点的数据的实际和预测波段(黑线是1:1线)的散点图。
综上所述,本发明基于从低空间分辨率的影像中提取的光谱基,再通过高空间分辨率影像的已有波段,与重建的波段进行比较,解算得到光谱基对应的系数,通过光谱基和其对应系数的线性组合,重建高空间分辨率像元的所有光谱,以此恢复生成高空间分辨率且具有较多波段的影像数据。本发明有效提高了数据融合的精度和效率,充分利用了地理数据之间的光谱关联性,为生产高空间分辨率且具有较多波段的影像数据提供了一种行之有效的方法。
本领域技术人员应当理解,虽然本发明是按照多个实施例的方式进行描述的,但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体加以理解,并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。
Claims (4)
1.一种生成高空间分辨率多光谱影像的融合方法,用于将高空间分辨率且具有较少光谱波段的影像和低空间分辨率且具有较多光谱波段的影像进行融合,以生成高空间分辨率且具有多光谱波段的影像,所述方法包括如下步骤:
步骤A:对高空间分辨率像元进行分类,对应于一个低空间分辨率像元,计算该低空间分辨率像元中不同类别的高空间分辨率影像的像元的丰度,若计算获得的第c类像元的丰度值大于50%,则将该像元挑选出来标示为第c类低空间分辨率纯净像元,并分别记录该第c类低空间分辨率纯净像元的各个波段的光谱值;
步骤B:将前述步骤中获得的所有第c类低空间分辨率纯净像元的全部波段的光谱值,分别使用矩阵奇异值分解,得到第c类低空间分辨率纯净像元所对应的光谱基向量e1,e2,...,ei,每个光谱基向量具有与低空间分辨率像元相同的波段数;
步骤C:利用前述步骤获得的光谱基向量,对第c类高空间分辨率像元进行多波段光谱值重建,以生成高空间分辨率且具有多光谱波段的影像;
所述步骤C中,设定第c类地物的高分辨率像元的光谱值由对应的光谱基向量的如下公式组合得到:
式中,是重建之后坐标为(x,y)的高空间分辨率像元的全部波段的光谱值的矩阵,ei是对应低分辨率像元的每个波段的第i个光谱基向量,nk是选取用于计算的光谱基向量的个数,ai是第i个光谱基向量ei对应的系数;
利用高分辨率像元原有的h个波段的光谱值与重建获得的对应的h个波段的光谱值进行如下公式的比较,解算得到所述系数ai,将解算出来的系数ai,再带入公式2中,即可重建高空间分辨率像元的所有光谱:
进一步提供使用残差补偿提高融合精度的步骤:
式中,R(x,y,b)是波段b低空间分辨率像元C(x,y,b)与其所覆盖空间范围内的高空间分辨率像元之和的残差,(x,y)是低空间分辨率像元的坐标,(xi,yi)是对应于坐标为(x,y)低空间分辨率像元所覆盖的空间范围内第i个高空间分辨率像元的坐标,nm是坐标为(x,y)低空间分辨率像元所覆盖的空间范围内高空间分辨率像元的个数;
进一步提供通过移动窗口内的邻域相似像元的信息,消除融合结果中的斑块效应的步骤,包括通过光谱相似性移动窗口内邻域像元:
式中,Si是第i个邻域像元与中心像元的光谱相似性,其值越小代表候选像元与中心像元越相似,(xt,yt)与(xi,yi)分别是移动窗口内中心像元坐标,移动窗口内第i个候选邻域像元坐标,FO(xi,yi,b)与FO(xt,yt,b)分别是中心像元和第i个候选像元在高空间分辨率影像波段b中的光谱值;
然后通过像元之间的空间距离定义相似像元的权重:
式中,Di是i个邻域像元坐标(xi,yi)与中心像元坐标(xt,yt)的空间距离,W是移动窗口大小,ns为移动窗口内相似像元个数;
2.如权利要求1所述的方法,其特征在于,所述步骤A中,对应于低空间分辨率影像中高分辨率像元的丰度公式如下:
fc(x,y)=Nc(x,y)/nm (1)
公式1中,Nc(x,y)是指坐标为(x,y)的低空间分辨率像元在相同空间范围内属于第c类的高空间分辨率像元的个数;nm是指低空间分辨率像元中具有高空间分辨率像元的个数。
3.如权利要求1所述的方法,其特征在于,选取用于计算的光谱基向量的个数nk为1~4个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026547.0A CN112102218B (zh) | 2020-09-25 | 2020-09-25 | 一种生成高空间分辨率多光谱影像的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026547.0A CN112102218B (zh) | 2020-09-25 | 2020-09-25 | 一种生成高空间分辨率多光谱影像的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102218A CN112102218A (zh) | 2020-12-18 |
CN112102218B true CN112102218B (zh) | 2023-07-07 |
Family
ID=73755481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026547.0A Active CN112102218B (zh) | 2020-09-25 | 2020-09-25 | 一种生成高空间分辨率多光谱影像的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160100A (zh) * | 2021-04-02 | 2021-07-23 | 深圳市规划国土房产信息中心(深圳市空间地理信息中心) | 一种基于光谱信息影像的融合方法、融合装置及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622738A (zh) * | 2012-03-08 | 2012-08-01 | 北京师范大学 | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 |
CN103049885A (zh) * | 2012-12-08 | 2013-04-17 | 新疆公众信息产业股份有限公司 | 一种利用分析性稀疏表示的超分辨率图像重建方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
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 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
CN107316009A (zh) * | 2017-06-09 | 2017-11-03 | 哈尔滨工业大学 | 基于张量线性判别分析降维的高光谱图像目标检测方法 |
CN107977951A (zh) * | 2017-12-25 | 2018-05-01 | 咸阳师范学院 | 基于耦合张量分解的多光谱与高光谱图像融合方法 |
AU2018101634A4 (en) * | 2018-10-30 | 2018-12-06 | Macau University Of Science And Technology | System and method for processing and merging images |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11085823B2 (en) * | 2016-09-06 | 2021-08-10 | B. G. Negev Technologies And Applications Ltd. | Recovery of hyperspectral data from image |
-
2020
- 2020-09-25 CN CN202011026547.0A patent/CN112102218B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622738A (zh) * | 2012-03-08 | 2012-08-01 | 北京师范大学 | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 |
CN103049885A (zh) * | 2012-12-08 | 2013-04-17 | 新疆公众信息产业股份有限公司 | 一种利用分析性稀疏表示的超分辨率图像重建方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
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 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
CN107316009A (zh) * | 2017-06-09 | 2017-11-03 | 哈尔滨工业大学 | 基于张量线性判别分析降维的高光谱图像目标检测方法 |
CN107977951A (zh) * | 2017-12-25 | 2018-05-01 | 咸阳师范学院 | 基于耦合张量分解的多光谱与高光谱图像融合方法 |
AU2018101634A4 (en) * | 2018-10-30 | 2018-12-06 | Macau University Of Science And Technology | System and method for processing and merging images |
Non-Patent Citations (3)
Title |
---|
Regression andtime series model selection in small samples;C. M. Hurvich 等;《Biometrika》;第76卷(第2期);297-307 * |
基于图像融合的多光谱图像超分辨率重建算法;潘之玮;《中国博士学位论文全文数据库 信息科技辑》(第01期);I138-137 * |
基于混合像元分解的遥感图像融合实用算法;杨伟 等;《中国科学: 信息科学》;第40卷(第05期);668-677 * |
Also Published As
Publication number | Publication date |
---|---|
CN112102218A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira et al. | Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis | |
Amorós-López et al. | Multitemporal fusion of Landsat/TM and ENVISAT/MERIS for crop monitoring | |
De Jong et al. | Remote sensing image analysis: including the spatial domain | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Wang et al. | Mapping mixed vegetation communities in salt marshes using airborne spectral data | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
Du et al. | Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms | |
Boori et al. | Comparison of hyperspectral and multi-spectral imagery to building a spectral library and land cover classification performanc | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
Masemola et al. | Towards a semi-automated mapping of Australia native invasive alien Acacia trees using Sentinel-2 and radiative transfer models in South Africa | |
Ekanayake et al. | A semi-supervised algorithm to map major vegetation zones using satellite hyperspectral data | |
RU2695963C1 (ru) | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных | |
Hoang et al. | Comparison of hyperspectral transformation accuracies of multispectral Landsat TM, ETM+, OLI and EO-1 ALI images for detecting minerals in a geothermal prospect area | |
CN112102218B (zh) | 一种生成高空间分辨率多光谱影像的融合方法 | |
Yu et al. | 3D autoencoder algorithm for lithological mapping using ZY-1 02D hyperspectral imagery: a case study of Liuyuan region | |
Hoang et al. | Transformation of Landsat imagery into pseudo-hyperspectral imagery by a multiple regression-based model with application to metal deposit-related minerals mapping | |
Su et al. | Superpixel-based weighted collaborative sparse regression and reweighted low-rank representation for hyperspectral image unmixing | |
Eckert et al. | Application of HYPERION data to agricultural land classification and vegetation properties estimation in Switzerland | |
Pal et al. | Multiple multi-spectral remote sensing data fusion and integration for geological mapping | |
Schmitt-Harsh et al. | Classification of coffee-forest landscapes using Landsat TM imagery and spectral mixture analysis | |
Naceur et al. | The contribution of the sources separation method in the decomposition of mixed pixels | |
Boori et al. | Supervised and unsupervised classification for obtaining land use/cover classes from hyperspectral and multi-spectral imagery | |
Jha et al. | Multi-platform optical remote sensing dataset for target detection | |
Boori et al. | Land cover classification and build spectral library from hyperspectral and multi-spectral satellite data: A data comparison study in Samara, Russia |
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 |