CN112991288B - 基于丰度图像锐化重构的高光谱遥感图像融合方法 - Google Patents
基于丰度图像锐化重构的高光谱遥感图像融合方法 Download PDFInfo
- Publication number
- CN112991288B CN112991288B CN202110256340.0A CN202110256340A CN112991288B CN 112991288 B CN112991288 B CN 112991288B CN 202110256340 A CN202110256340 A CN 202110256340A CN 112991288 B CN112991288 B CN 112991288B
- Authority
- CN
- China
- Prior art keywords
- image
- abundance
- remote sensing
- hyperspectral
- end member
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于丰度图像锐化重构的高光谱遥感图像融合方法,通过采用ASD光谱仪在特定时段内实地测量各端元的野外光谱数据,从野外光谱数据中提取端元光谱数据,对第一Hyperion高光谱遥感图像数据空间重采样,得到第二高光谱重采样图像并与基准图像几何配准,依据各端元的野外光谱数据对配准后的第三高光谱重采样图像进行混合像元分解,按最小二乘原理解算得到各端元的第一丰度图像,将基准图像与第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像,利用第二丰度图像及各端元的端元光谱数据计算融合图像,得到与全色波段空间分辨率相同的高光谱遥感图像,可以实现高光谱图像数据与全色波段数据的融合。
Description
技术领域
本发明涉及高光谱遥感数字图像处理技术领域,尤其涉及一种基于丰度图像锐化重构的高光谱遥感图像融合方法。
背景技术
高光谱遥感成像仪获取的图像具有图谱合一的特征,它能对每个像元提供接近于实验室质量的地物完整连续光谱信息,实现了地物的空间信息、辐射信息、光谱信息的同步获取。其精细的光谱分辨率能够反映地物光谱的细微特征,使得根据诊断性的光谱吸收特征来识别地物,进行遥感定量分析和研究地物的化学成分成为可能。现已在矿物识别、植被生物化学参数估算以及环境遥感等方面得到了广泛应用。星载光谱成像仪受其特性的限制,通常空间分辨率较低。如地球观察卫星E0-1搭载的Hyperion高光谱成像仪,其空间分辨率为30m,较低的空间分辨率在一定程度上限制了高光谱遥感数据的应用潜力,而E0-1搭载的ALI传感器获取的全色波段图像具有较高的10m空间分辨率。遥感影像融合是一种通过高级图像处理来复合多源遥感图像的技术,采用一定的算法将各图像的优点或互补性有机地结合起来产生同时具有较高的光谱和空间分辨率的新图像,从而改善图像的几何精度、图像特征识别的精度及遥感信息提取的可靠性。因此,本发明将ALI高空间分辨率全色波段数据与Hyperion高光谱遥感数据融合,从而使高光谱遥感图像的空间分辨率提高到10m。然而,现有的方法大多针对多光谱遥感数据与全色波段的融合,如各种比值和加权乘法、高通滤波法、HIS变换法、主成分分析法、小波变换融合等方法。这些方法描述如下:
(1)比值运算是遥感图像处理中常用的方法,它是两个波段对应像元的灰度值之比或几个波段组合的对应像元灰度值之比。此种运算经常用来发现变化图斑,是动态监测的有力工具。加权乘法运算就是将高分辨率波段与多光谱两个灰度矩阵进行矩阵乘积,结果矩阵与多光谱矩阵差别较大,直接反映在影像上为光谱变化大,纹理不如原分辨率波段清晰。
(2)IHS变换是基于IHS色彩模型的融合变换方法,IHS变换将多光谱影像的红(R)、绿(G)、蓝(B)成份进行彩色变换,变换成代表空间信息的强度I分量和代表光谱信息的色度分量H、饱和度分量S。然后用高分辨率全色影像代替I分量,并与分离的色度H、饱和度S分量按照HIS逆变换得到空间分辨率提高的融合影像。此变换可用于相关资料的色彩增强、地质特征增强、空间分辨率的改善。该方法虽然易于实现,但由于I分量与全色波段的光谱响应的差异使得融合后的图像的光谱特性产生较大的变异,且只能用于3个波段,这显然不适用于高光谱遥感图像的融合。同样主成分变换融合法是将低分辨率的多光谱图像做主分量变换,并将高分辨率全色影像替换第一主分量,最后进行主成分逆变换,得到空间分辨率提高了的多光谱影像的融合影像。与主成分变换融合法类似的还有小波变换融合、Gram Schmid变换融合。由于全色波段的光谱响应范围一般为可见光至近红外波段,这与多光谱数据的光谱响应范围一致。因而,这些方法被广泛用于多光谱数据与全色波段数据的融合。而高光谱遥感图像数据的光谱响应范围在可见光至短波红外,与全色波段的光谱响应范围差异较大,因此,以高分辨率的全色波段替换低分辨率的高光谱图像的第一主成分时,由于光谱响应的差异而造成融合结果的光谱信息的损失,因而不能适用于高光谱遥感图像的融合。
发明内容
针对以上问题,本发明提出一种基于丰度图像锐化重构的高光谱遥感图像融合方法,其采用丰度图像锐化重构技术对Hyperion高光谱遥感图像与ALI高空间分辨率的全色波段图像进行融合的技术方法。该方法算法简单易行,其目的在于在保留高光谱图像的光谱信息的同时,增强其空间分辨率,从而得到高空间-高光谱分辨率的遥感图像。
为实现本发明的目的,提供一种基于丰度图像锐化重构的高光谱遥感图像融合方法,包括如下步骤:
S10,采用ASD光谱仪在特定时段内实地测量各端元的野外光谱数据;其中,所述ASD光谱仪的光谱响应范围与高光谱遥感图像的光谱响应范围一致;
S20,将野外光谱数据光谱重采样使之与30m空间分辨率的第一Hyperion高光谱遥感图像数据波段一致的端元光谱数据,对第一Hyperion高光谱遥感图像数据空间重采样,得到10m空间分辨率的第二高光谱重采样图像,并将第二高光谱重采样图像与基准图像几何配准,得到第三高光谱重采样图像;;
S30,依据各端元的端元光谱数据对第三高光谱重采样图像进行线性混合像元分解,按最小二乘原理解算得到各端元的第一丰度图像;
S40,将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像;其中,所述基准图像为10m空间分辨率的全色波段图像数据;
S50,利用第二丰度图像及各端元的端元光谱数据计算融合图像,得到与全色波段空间分辨率相同的高光谱遥感图像。
在一个实施例中,所述融合图像的确定过程包括:
式中,Fij'表示第二丰度图像,Cjb表示第j个端元的端元光谱数据,eib表示在第b个波段上的像元i经过最小二乘法回归后得到的误差项,Rib'表示融合图像,n表示所测量的端元总数。
在一个实施例中,所述将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像包括:
对各端元的第一丰度图像进行空间分辨率重采样,使之与全色波段具有相同的空间分辨率,对基准图像的每一个像元按归一化处理公式进行归一化处理,采用Pi表示基准图像中像元i在归一化处理后的参数,使其与丰度图像具有统一的量纲;
确定各端元的第一丰度图像Fij和Pi的权重,以像元为单位利用加权线性计算方法重构锐化丰度图像,得到第二丰度图像Fij'。
具体地,第二丰度图像Fij'的计算公式为:
Fij'=βFij+(1-β)Pi,
β=(n-1)/n,
式中,β表示丰度图像权重,n表示所测量的端元总数。
具体地,归一化处理公式为:
式中,Pi表示基准图像中像元i在归一化处理后的参数,bi表示基准图像中像元i的灰度值,bmin表示局像元灰度最小值,bmax表示全局像元灰度最大值。
本发明具有以下有益效果:
(1)融合结果能够在提高高光谱遥感数据的空间分辨率的同时,充分保护其光谱特性。全色波段的光谱响应范围一般为450nm-800nm,而高光谱遥感图像数据的光谱响应范围在450nm-2500nm。由于两者光谱响应范围差异较大,现有的一些方法如主成分变换融合以高分辨率的全色波段替换低分辨率的高光谱图像的第一主成分时,由于光谱响应的差异而造成融合结果的光谱信息的损失,因而不能适用于高光谱遥感图像的融合。小波变换融合、Gram Schmid变换融合等同样存在此问题。IHS仅适用3个波段,且I分量与全色波段的光谱响应的差异更大,使得融合后图像的光谱特性产生较大的变异。而本发明采用了能够代表地物几何特征的丰度图像与全色波段数据的融合方案,将高空间分辨率信息融入了所有波段,从而克服了光谱变异的问题,同时能够较好的提高高光谱图像的空间分辨率。
(2)算法简单,易于实现。其融合结果能够提高高光谱遥感在地表生物物理及环境参数定量反演方面的应用精度。
附图说明
图1是一个实施例的基于丰度图像锐化重构的高光谱遥感图像融合方法流程图;
图2是另一个实施例的基于丰度图像锐化重构的高光谱遥感图像融合方法流程图;
图3是一个实施例的融合前后图像光谱及空间信息评价示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于丰度图像锐化重构的高光谱遥感图像融合方法流程图,包括如下步骤:
S10,采用ASD(Analytical Spectral Devices)光谱仪在特定时段内实地测量各端元的野外光谱数据;其中,所述ASD光谱仪的光谱响应范围与高光谱遥感图像的光谱响应范围一致。
上述特定时段可以天气晴好时上午10:00至下午2:00间这一时段。该步骤可以实现端元光谱测量。利用ASD(Analytical Spectral Devices)光谱仪实地测量各端元的野外光谱数据,要求光谱仪光谱响应范围与高光谱遥感图像的光谱响应范围一致,在天气晴好上午10:00至下午2:00间进行测量。其中端元光谱数据的获取采用野外实地测量,要求所测量的端元数能够代表实地典型地物类型数。
S20,将野外光谱数据光谱重采样使之与30m空间分辨率的第一Hyperion高光谱遥感图像数据波段一致的端元光谱数据,对第一Hyperion高光谱遥感图像数据空间重采样,得到10m空间分辨率的第二高光谱重采样图像,并将第二高光谱重采样图像与基准图像几何配准,得到第三高光谱重采样图像。
该步骤可以实现图像预处理,具体可以对30m空间分辨率的Hyperion高光谱遥感图像数据空间重采样得到10m空间分辨率的高光谱重采样图像。以10m空间分辨率的全色波段图像数据为基准图像(ALIP),筛选明显的水库角、河口三角洲、道路交叉口等角点的同名像点及选择合适的纠正模型,对高光谱重采样图像进行几何配准,使得两景影像中对应于空间同一位置的点一一对应,为后续以像元为单元的图像融合步骤作数据准备。其中,对Hyperion高光谱遥感数据空间重采样,使其空间分辨率与全色波段图像数据ALIP一致,且两者的几何配准误差小于一个像元。
S30,依据各端元的端元光谱数据对第三高光谱重采样图像进行线性混合像元分解,按最小二乘原理解算得到各端元的第一丰度图像。
该步骤可以依据步骤S10测量的端元光谱E(野外光谱数据)对Hyperion高光谱图像数据H进行混合像元分解,混合像元分解采用线性分解模型,在约束条件下,采用最小二乘原理解算线性方程(也可以称为线性分解模型):解算得到各端元的第一丰度图像,其中n表示所测量的端元总数,Rib表示在第b个波段上像元i表达的光谱反射率,Fij表示端元j对应于像元i中的丰度,Cjb表示端元j在第b个波段上的光谱反射率,eib表示在第b个波段上的像元i经过最小二乘法回归后得到的误差项。理论上一个像元内每种端元的丰度取值范围在0~1之间,并且和为1。通过增加约束条件式来实现,这样得到的丰度图像具有符合现实的物理意义且有利于后续基于分解结果的图像融合。在一个示例中,约束条件式包括:
进一步地,像元i在m个波段上计算得到的eib的均方根误差RMSEi为:
式中,m为波段数,RMSEi(Root Mean Squared Error)为像元i在m个波段上计算得到的eib的均方根误差,通过RMSEi对混合端元分解的结果进行精度评价,RMSE越小,表明分解结果总体误差越小,分解精度越高。已知Rib以及Cjb,对于高光谱图像数据来说,波段数远大于端元数,因此,在同时满足最小二乘原理解算线性方程式和约束条件式的条件下,使得均方根误差RMSEi计算结果达到最小,这种方法叫做全约束最小二乘法线性混合像元分解,解算得到各端元的第一丰度图像Fij。
S40,将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像;其中,所述基准图像为10m空间分辨率的全色波段图像数据。
S50,利用第二丰度图像及各端元的端元光谱数据计算融合图像,得到与全色波段空间分辨率相同的高光谱遥感图像。
上述基于丰度图像锐化重构的高光谱遥感图像融合方法,通过采用ASD光谱仪在特定时段内实地测量各端元的野外光谱数据,从野外光谱数据中提取30m空间分辨率的第一Hyperion高光谱遥感图像数据,对第一Hyperion高光谱遥感图像数据空间重采样,得到10m空间分辨率的第二高光谱重采样图像,依据各端元的端元光谱数据对第三高光谱重采样图像进行线性混合像元分解,按最小二乘原理解算得到各端元的第一丰度图像,将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像,利用第二丰度图像及各端元的端元光谱数据计算融合图像,得到与全色波段空间分辨率相同的高光谱遥感图像,可以实现野外光谱数据等初始光谱数据的融合。
在一个实施例中,所述融合图像的确定过程包括:
式中,Fij'表示第二丰度图像,Cjb表示第j个端元的端元光谱数据,eib表示在第b个波段上的像元i经过最小二乘法回归后得到的误差项,Rib'表示融合图像,n表示所测量的端元总数。
在一个实施例中,所述将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像包括:
对各端元的第一丰度图像进行空间分辨率重采样,使之与全色波段具有相同的空间分辨率,对基准图像的每一个像元按归一化处理公式进行归一化处理,采用Pi表示基准图像中像元i在归一化处理后的参数,使其与丰度图像具有统一的量纲;
确定各端元的第一丰度图像Fij和Pi的权重,以像元为单位利用加权线性计算方法重构锐化丰度图像,得到第二丰度图像Fij'。
具体地,第二丰度图像Fij'的计算公式为:
Fij'=βFij+(1-β)Pi,
β=(n-1)/n,
式中,β表示丰度图像权重,n表示所测量的端元总数。
具体地,归一化处理公式为:
式中,Pi表示基准图像中像元i在归一化处理后的参数,bi表示基准图像中像元i的灰度值,bmin表示全局像元灰度最小值,bmax表示全局像元灰度最大值。
本实施例能够对各丰度图像进行空间分辨率重采样,使之与全色波段具有相同的空间分辨率,并对丰度图像进行锐化,最终实现图像融合。
在一个实施例中,上述基于丰度图像锐化重构的高光谱遥感图像融合方法也可以参考图2所示,本实施例为通过利用ALI全色波段与Hyperion高光谱数据,来具体进行融合的实施例。为了对融合效果更为客观的评价,本实施例采用了相关系数平均梯度、标准差、和信噪比(表1)这几个参数来进行分析。
图3为融合前后图像光谱及空间信息评价,其中,(a)表明融合前后图像间的相关性,(b)表明融合前后图像的平均梯度,(c)表明融合前后图像的方差,(d)表明融合前后图像的峰值信噪比。
相关系数体现了融合前后图像在光谱信息上的相关程度,相关系数越接近于1则两幅图像的相关性就越强,图像的失真就越少。各波段的相关系数均大于0.75,其平均值约为0.8850,表明融合后图像与原始图像的相关性良好,反映出了融合后的图像较好的保留了原始高光谱图像的光谱特征。
平均梯度可以对图像反映了图像的锐化信息,其平均梯度值越大则,表明图像的清晰度越高。原始的高光谱图像其平均梯度为0.003820,融合之后的平均梯度为0.012426,约是原始图像的3.25倍,由此可见融合后图像的细节表达较为理想。
图像的空间信息的丰富度指标可以用方差来评价。图像的标准差本质上反映的是图像的灰度值偏离整个图像均值的程度。其方差越大表明影像所包含的信息量就越丰富。融合之后图像各波段的平均方差为由原始图像的0.50997提高到1.07256。
峰值信噪比(Peak Signal to Noise Ratio,PSNR)主要是用来评价经增强、融合、压缩、传输等处理前后影像整体的质量变化程度,峰值信噪比越大,则表明图像的质量越好。通过计算得到的高光谱融合图像各个波段峰值信噪比的平均值为72.38381,显示出了融合图像的质量极佳。
表1融合前后图像评价指标
所有的评价指数一致表明采用丰度图像锐化重构的方法所得到的融合图像较好的保留了原始高光谱图像丰富的光谱信息,同时也融合了全色波段较高的空间分辨率,无论是在视觉效果上还是图像质量上都优于原始的高光谱图像。总而言之,经过图像融合之后明显的弥补单一Hyperion传感器空间分辨率的不足,同时也改善了ALI传感器的光谱分辨率太低的问题,在视觉清晰度和信息丰富度上使影像达到了均衡,在地表物体的细节及成分获取方面更加全面、准确与可靠。
本实施例具有以下有益效果:
(1)融合结果能够在提高高光谱遥感数据的空间分辨率的同时,充分保护其光谱特性。全色波段的光谱响应范围一般为450nm-800nm,而高光谱遥感图像数据的光谱响应范围在450nm-2500nm。由于两者光谱响应范围差异较大,现有的一些方法如主成分变换融合以高分辨率的全色波段替换低分辨率的高光谱图像的第一主成分时,由于光谱响应的差异而造成融合结果的光谱信息的损失,因而不能适用于高光谱遥感图像的融合。小波变换融合、Gram Schmid变换融合等同样存在此问题。IHS仅适用3个波段,且I分量与全色波段的光谱响应的差异更大,使得融合后图像的光谱特性产生较大的变异。而本发明采用了能够代表地物几何特征的丰度图像与全色波段数据的融合方案,将高空间分辨率信息融入了所有波段,从而克服了光谱变异的问题,同时能够较好的提高高光谱图像的空间分辨率。
(2)算法简单,易于实现。其融合结果能够提高高光谱遥感在地表生物物理及环境参数定量反演方面的应用精度。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于丰度图像锐化重构的高光谱遥感图像融合方法,其特征在于,包括如下步骤:
S10,采用ASD光谱仪在特定时段内实地测量各端元的野外光谱数据;其中,所述ASD光谱仪的光谱响应范围与高光谱遥感图像的光谱响应范围一致;
S20,将野外光谱数据光谱重采样使之与30m空间分辨率的第一Hyperion高光谱遥感图像数据波段一致的端元光谱数据,对第一Hyperion高光谱遥感图像数据空间重采样,得到10m空间分辨率的第二高光谱重采样图像,并将第二高光谱重采样图像与基准图像几何配准,得到第三高光谱重采样图像;
S30,依据各端元的端元光谱数据对第三高光谱重采样图像进行线性混合像元分解,按最小二乘原理解算得到各端元的第一丰度图像;
S40,将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像;其中,所述基准图像为10m空间分辨率的全色波段图像数据;
S50,利用第二丰度图像及各端元的端元光谱数据计算融合图像,得到与全色波段空间分辨率相同的高光谱遥感图像。
3.根据权利要求1所述的基于丰度图像锐化重构的高光谱遥感图像融合方法,其特征在于,所述将基准图像与各端元的第一丰度图像通过加权线性计算方法重构锐化的第二丰度图像包括:
对各端元的第一丰度图像进行空间分辨率重采样,使之与全色波段具有相同的空间分辨率,对基准图像的每一个像元按归一化处理公式进行归一化处理,采用Pi表示基准图像中像元i在归一化处理后的参数,使其与丰度图像具有统一的量纲;
确定各端元的第一丰度图像Fij和Pi的权重,以像元为单位利用加权线性计算方法重构锐化丰度图像,得到第二丰度图像Fij'。
4.根据权利要求3所述的基于丰度图像锐化重构的高光谱遥感图像融合方法,其特征在于,第二丰度图像Fij'的计算公式为:
Fij'=βFij+(1-β)Pi,
β=(n-1)/n,
式中,β表示丰度图像权重,n表示所测量的端元总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110256340.0A CN112991288B (zh) | 2021-03-09 | 2021-03-09 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110256340.0A CN112991288B (zh) | 2021-03-09 | 2021-03-09 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991288A CN112991288A (zh) | 2021-06-18 |
CN112991288B true CN112991288B (zh) | 2022-11-18 |
Family
ID=76336214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110256340.0A Active CN112991288B (zh) | 2021-03-09 | 2021-03-09 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991288B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392790B (zh) * | 2021-06-24 | 2022-03-18 | 哈尔滨工业大学 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
CN113567357A (zh) * | 2021-07-26 | 2021-10-29 | 杭州海康威视数字技术股份有限公司 | 一种光谱数据的融合方法、以及装置 |
CN114926374B (zh) * | 2022-07-21 | 2022-10-11 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
CN117197625B (zh) * | 2023-08-29 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
CN117237256A (zh) * | 2023-09-27 | 2023-12-15 | 中国自然资源航空物探遥感中心 | 一种浅海珊瑚礁监测数据采集方法、装置及设备 |
CN117433513B (zh) * | 2023-12-21 | 2024-03-08 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及系统 |
CN117523419B (zh) * | 2024-01-08 | 2024-04-26 | 银河航天(西安)科技有限公司 | 提升确定地物类型信息的精确度的方法、装置及存储介质 |
CN117576596B (zh) * | 2024-01-15 | 2024-04-30 | 深圳块织类脑智能科技有限公司 | 基于无人机多光谱遥感的薇甘菊智能检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN107966210B (zh) * | 2017-11-03 | 2019-12-20 | 深圳市环境监测中心站 | 基于高光谱图像的热红外融合重构方法 |
CN109492527B (zh) * | 2018-09-28 | 2019-09-10 | 南京航空航天大学 | 一种基于全色锐化技术的遥感图像亚像元定位方法 |
-
2021
- 2021-03-09 CN CN202110256340.0A patent/CN112991288B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112991288A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112991288B (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
Al-Wassai et al. | The IHS transformations based image fusion | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
Wang et al. | A comparative analysis of image fusion methods | |
González-Audícana et al. | A low computational-cost method to fuse IKONOS images using the spectral response function of its sensors | |
CN109727207B (zh) | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 | |
CN106251320B (zh) | 基于联合稀疏与结构字典的遥感图像融合方法 | |
CN101478697A (zh) | 影像有损压缩质量评价方法 | |
Vaughn et al. | System considerations for multispectral image compression designs | |
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 | |
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 | |
CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
CN108427964B (zh) | 一种遥感图像与地球化学的融合方法及系统 | |
CN114565843A (zh) | 一种时间序列遥感图像融合方法 | |
Zhou et al. | No-reference quality assessment for pansharpened images via opinion-unaware learning | |
CN110111276A (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN115511767A (zh) | 一种自监督学习的多模态图像融合方法及其应用 | |
Ye et al. | An unsupervised SAR and optical image fusion network based on structure-texture decomposition | |
Song et al. | Improving the spatial resolution of FY-3 microwave radiation imager via fusion with FY-3/MERSI | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
Kim et al. | Generalized IHS‐Based Satellite Imagery Fusion Using Spectral Response Functions | |
CN114897706A (zh) | 一种全色多光谱影像融合的绿色植被增强方法 | |
Xiong et al. | A large-scale remote sensing database for subjective and objective quality assessment of pansharpened images | |
CN114511470B (zh) | 一种基于注意力机制的双分支全色锐化方法 | |
CN108776958B (zh) | 混合降质图像的图像质量评价方法和装置 |
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 |