CN113222054A - 基于特征比值指数的遥感影像融合方法、系统、设备及介质 - Google Patents

Abstract

本发明公开了一种基于特征比值指数的遥感影像融合方法、系统、计算机设备及存储介质，所述方法包括：获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或者其线性组合作为分母，计算特征比值指数；根据特征比值指数，重构红波段和绿波段；根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。本发明可以提高真彩色遥感影像目视分辨力和计算机解析力，挖掘历史遥感数据真彩色影像模式的应用潜力，改善现状和未来遥感数据真彩色影像模式的应用效果。

Description

基于特征比值指数的遥感影像融合方法、系统、设备及介质

技术领域

本发明涉及一种基于特征比值指数的遥感影像融合方法、系统、计算机设备及存储介质，属于卫星遥感影像融合领域。

背景技术

可见光多光谱卫星遥感数据一般选择三个波段按照红、绿、蓝通道组合形成彩色影像，遥感影像波段越丰富，彩色组合越多，一般分为标准假彩色、真彩色、假彩色、伪真彩色等彩色影像合成模式。标准假彩色模式将遥感影像的近红外波段、红波段、绿波段分别对应影像显示的红、绿、蓝三个通道，合成彩色影像，其显著特征时是影像植被呈红色调；真彩色影像模式将遥感影像的红、绿、蓝波段与影像显示的三个色彩通道红、绿、蓝一一对应，合成彩色影像，其显著特征是水、裸露地物等接近地面自然色；非上述两种合成方式合成的彩色影像统称为假彩色影像，其中植被具有绿色调的模式又称之为伪真彩色影像。

高分辨率多光谱卫星遥感一般只设置了近红外、红、绿、蓝四个波段，其常用彩色影像模式一般限在标准假彩色、真彩色两种模式。而真彩色影像因其近自然色的突出优点，成为遥感影像制图、分类等应用研究的优良模式，不仅得到非专业人士的普遍青睐，也获得广大专业人员的广泛关注和应用研究，普遍应用于国土、海洋、环境、林业、农业、气象、水利等。

尽管卫星遥感真彩色影像得到广泛应用，美中不足的是这种图像应用模式也存在一定的硬伤：由于真彩色卫星影像数据具有波段间相关性强、蓝色波段受水汽等大气干扰，影像地物光谱响应产生畸变等固有缺陷，造成真彩色组合图像层次感不强、亮度和清晰度不高，尤其是植被等地物暗淡，呈蓝灰色调，而在具有植被的混合像元则几乎无法目视识别植被特征，导致自然色不自然、真彩色不真实等外在缺点，影响了真彩色模式制图、分类等的应用效果。

直接采用传统直方图调节等一般增强技术可以在一定程度上克服其外在缺点，但难度大，效率低；且不能克服其固有缺陷。如何获取色彩协调、层次分明、细节丰富的真彩色(自然色)影像增强成果成为摆在图像处理技术人员面前的一道难题。针对这一问题，不少技术人员从不同角度对其进行了深入研究，以期改善真彩色影像的质量。这些研究大致可以分为以下四种思路：

1)通过对卫星遥感数据进行大气纠正消除水汽散色影响，恢复植被绿色。未进行大气校正的色彩信号图像等效于太空对地摄影，从图像可看出，地物被笼罩在瑞利散射形成的蓝色“云雾”下。经瑞利散射纠正后的色彩信号图像接近于地面真彩色摄影，非专业人员能根据地物颜色及阴影判读出常见地物。理论可用于遥感信源地面真彩色图像重建、色彩信号不完整信源彩色仿真、航天对地真彩色摄影、信源质量评价等。这类方法直接针对真彩色影像色彩畸变的原因——大气散色造成地物波谱失真，应用大气纠正方法，还原真实地物波谱，从而有效改善真彩影像的色彩效果，如陈春等，遥感信源色彩信号的提取与复现，(测绘科学，2006年1月，第31卷第1期；韩秀珍等，风云三号D星真彩色影像合成方法研究及应用，海洋气象学报，2019年5月，第39卷第2期)。

2)通过构建新的绿波段代替原有绿色波段，恢复植被绿色，改善自然色影像植被色彩。通过在绿色波段与近红外波段组合运算获得新的绿色通道数据，早期多采用整体加权处理方案(樊旭艳等，基于主成分分析的遥感图像模拟真彩色融合法，测绘科学技术学报，2006年8月，第23卷第4期；王海燕等，ALOS自然色影像变换及融合方法探讨，测绘技术装备，2012年第14卷第1期；史园莉等，高分二号卫星遥感影像制图适用性分析，测绘通报，2017年第12期)。后来逐步发展为以植被指数作为分类函数对影像植被像元进行特征增强。张伟等利用植被指数对植被区单独进行波段加权处理后再进行真彩色合成，从而达到一定的效果(张伟等，基于植被指数的多光谱影像真彩色合成方法，测绘与空间地理信息，2010年12月33卷第6期)；孙家波等归纳总结了多种绿波段重构方法，并基于归一化植被指数区分植被区域和非植被区域，并对植被区域进行波段加权处理，在增强植被显示效果的同时，避免了建筑物、水体及裸地等非植被区域的颜色异常变化(孙家波等，应用“资源一号”02C卫星数据的模拟真彩色技术，国土资源遥感，2013年12月，第25卷，第4期；王忠顺等，资源一号02C卫星多光谱数据真彩色模拟技术研究，测绘与空间地理信息，2014年1月第37卷第1期；元建胜，面向大规模02C卫星影像的色彩处理技术，海洋测绘，2017年1月，第37卷第1期)；丁慧梅在自然色合成模型的线性融合的基础上，将归一化的植物指数NDVI分段对绿波段与近红外波段的Contourlet融合，得到新的绿波段图像，并与红波段、绿波段进行合成获得自然色图像，进一步提高了浓密的植物和水体颜色的地物分析(利用近红外提高多光谱遥感图像颜色自然性研究，硕士论文，2016年)。

3)通过模拟新的蓝色波段代替原蓝色波段，合成真彩色影像，获得自然色植被影像。这类方法起初用于没有蓝色波段的卫星遥感影像真彩色模拟，后来因其具有改善真彩色影像植被效果的作用，也用这种方法处理具有蓝色波段的影像。如朱长明等，分利用神经网络方法建立波段之间复杂的非线性映射关系，模拟出蓝光波段，获得接近于自然色真彩色影像(朱长明等，基于神经网络的SPOT数据模拟真彩色非线性方法研究，国土资源遥感，2009年6月15日第2期，总第80期；许辉熙等，蓝波段缺失遥感影像真彩色模拟方法研究，激光与光电子学进展，2015年)；沈金祥、程熙等利用BP神经网络、支持向量机等方法对波谱库中的地物波谱进行学习和分析，拟合波谱库波段间的非线性关系，模拟获得蓝色波段，得到近自然色影像(沈金祥等，利用波谱分析进行SPOT影像自然色模拟的方法，武汉大学学报·信息科学版，2009年12月，第34卷第12期；沈金祥等，基于影像光谱库的遥感波段模拟方法研究，光谱学与光谱分析，第31卷，第9期；程熙等，利用地物波谱学习的遥感影像波段模拟方法，红外与毫米波学报，第29卷，第1期，2010年2月；朱长明等，地物波谱数据辅助的SPOT影像模拟真彩色方法研究，测绘学报，第39卷，第2期；王小飞等，BP神经网络在遥感影像波段拟合中的应用，2018年1月，第41卷第1期)。

4)利用白平衡法和基于色度学的色彩纠正。白平衡法认为，白光是所有颜色光加和的结果，只要能够真实还原白色，就可以准确还原相同拍摄条件下的其他颜色。游晶等提出了一种基于光谱信息的改进白平衡法对真彩色合成影像的色彩进行校正，获得了更为真实的真彩色图像。这种方法无需标准的真彩色影像，也无需反演影像上所有地物的反射光谱(游晶等，一种处理彩色多光谱图像的白平衡法，大气与环境光学学报，2012年7月第7卷第4期)。黄红莲等提出了基于彩色目标光谱信息的多光谱图像真彩色合成方法，通过在卫星过顶时铺设人工靶标，利用实测的靶标反射率光谱，计算相机三基色体系RGB与人眼视觉颜色体系CIEXYZ之间的转换矩阵，构建适用于一定大气条件下的真彩色校正模型(黄红莲等，基于人工靶标的多光谱遥感图像真彩色合成，2016年11月，第45卷第11期)。

发明内容

针对卫星遥感真彩色影像植被等地物暗淡，色彩不自然等缺点，本发明提供了一种基于特征比值指数的遥感影像融合方法、系统、计算机设备及存储介质，其可以提高真彩色遥感影像目视分辨力和计算机解析力，挖掘历史遥感数据真彩色影像模式的应用潜力，改善现状和未来遥感数据真彩色影像模式的应用效果，为卫星遥感真彩色影像制图在普通用户手机和电脑等网络平台的导航应用、户外和室内等实体空间的观察、分析应用提供基础。

本发明的第一个目的在于提供一种基于特征比值指数的遥感影像融合方法。

本发明的第二个目的在于提供一种基于特征比值指数的遥感影像融合系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于特征比值指数的遥感影像融合方法，所述方法包括：

获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

根据特征比值指数，重构红波段和绿波段；

根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

进一步的，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得到其最大值；

根据特征比值指数以及其最大值，重构红波段和绿波段，如下式：

其中，0＜n≤1，FI为特征比值指数，FI_max为特征比值指数的最大值。

进一步的，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数，如下式：

其中，k₁为红波段修正系数，k₂为绿波段修正系数，r_max、g_max、R_max、G_max分别为重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的统计最大值；

根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

进一步的，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得到其最大值和平均值；

根据特征比值指数及其最大值和平均值，计算归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，如下式：

其中，FI为特征比值指数，FI_max为特征比值指数的最大值，FI_mean为特征比值指数的平均值；

根据归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，重构红波段和绿波段，如下式：

其中，

进一步的，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数，如下式：

其中，k₁为红波段修正系数，k₂为绿波段修正系数，r_max、g_max、R_max、G_max分别为重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的统计最大值；

根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

进一步的，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得到其最大值；

根据特征比值指数及其最大值，重构红波段和绿波段，如下式：

其中，0＜n≤1，FI为特征比值指数，FI_max为特征比值指数的最大值。

进一步的，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

利用重构后的红波段、重构后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

本发明的第二个目的可以通过采取如下技术方案达到：

一种基于特征比值指数的遥感影像融合系统，所述系统包括：

获取模块，用于获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

计算模块，用于以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

重构模块，用于根据特征比值指数，重构红波段和绿波段；

合成模块，用于根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

本发明的第三个目的可以通过采取如下技术方案达到：

一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的遥感影像融合方法。

本发明的第四个目的可以通过采取如下技术方案达到：

一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的遥感影像融合方法。

本发明相对于现有技术具有如下的有益效果：

1、本发明可以提高真彩色遥感影像目视分辨力和计算机解析力，挖掘历史遥感数据真彩色影像模式的应用潜力，改善现状和未来遥感数据真彩色影像模式的应用效果，为卫星遥感真彩色影像制图在普通用户手机和电脑等网络平台的导航应用、户外和室内等实体空间的观察、分析应用提供基础。特别是在AI时代，遥感影像目视分类是AI自动分类训练样本选择的关键环节，更加凸显遥感影像目视分类能力在AI自动分类中的基础作用。本发明也有利于拓展真彩色卫星遥感影像专业用户地物目视分类和自动分类在各行各业的应用空间，在当前高分辨率卫星遥感快速发展背景下，对于推动高分辨率影像的推广应用具有巨大的促进作用。

2、本发明依赖于可见光卫星影像的数据内在特征，具有普适性：适用于所有具有近红外、红、绿、蓝光谱数据的多波段卫星影像，也适用于全色波段与多光谱波段通过几何增强融合方法(如主成份分析(PCA)、傅立叶变换(FFT)、小波(Wavelet)变换、Gram-Schimdt变换、Curvelet变换)得到的近红外、红、绿、蓝多波段卫星影像数据。

3、本发明的第一个实施方案中，重构算法各参数物理意义明确，结构清晰，运算快捷：重构函数为特征比值指数的幂函数，重构核心参数为遥感影像的特征比值指数——以近红外波段为分母，任一真彩色波段或其组合为分母，该特征比值指数具有改善真彩色影像从水到裸露地物到植被的色彩分布的功能；调节参数为幂函数的幂次参数n，具有调节植被色度及影像上不同大类地物间色彩平衡的功能。色彩重构表达式简洁明了，计算快捷高效。

4、本发明的第二个实施方案中，重构算法各参数物理意义明确，结构清晰，运算快捷：重构函数为归一化指数的幂函数，核心参数为具有大类地物分类指示功能的归一化指数，能有效改善真彩色影像从水到裸露地物到植被的色彩分布；调节参数为幂函数的幂次参数n，具有调节植被色彩及整体影像上地物间色彩平衡的功能。色彩重构表达式简洁明了，计算快捷高效。

5、本发明的第一个和第二个实施方案中，重构结果预见性好，可以根据用户偏好灵活设置重构函调节参数值：重构的彩色图像为水呈蓝植被呈绿色的新图像，当调节参数n从小到大变换时，植被的绿色调从暗淡向明亮变化，水的蓝色调则从明亮向暗淡变化。人机交互确定一个合适的n值，可以获得水、裸露地物、植被具有适中的自然色调的重构彩色影像，也可以根据用户偏好选择合适的n值获得所需的重构影像。

6、本发明的第三个实施方案中，融合算法各参数物理意义明确，结构清晰，运算快捷：叠加融合的增量函数为特征比值指数的幂函数，叠加融合函数为1与增量函数的和。核心参数为具有指示水体、裸露地物、植被等大类地物作用的比值指数，能够合理确定真彩色影像从水到裸露地物到植被的增量大小的功能；调节参数为幂函数的幂次参数n，具有植被色度调节及整体影像上地物间色彩平衡的功能。融合函数表达式简洁明了，计算快捷高效。

7、本发明的第三个实施方案中，融合结果预见性好，可以根据用户偏好灵活设置重构函调节参数值：融合后的彩色图像微弱植被信息得到全面增强，改变了整体图像植被灰暗的缺点，呈现符合地面视觉习惯的绿色调；而裸露地物和水体基本保持了原始真彩色的色调与层次。当调节参数n从小到大变换时，植被的绿色调从暗淡向明亮变化，可以根据应用偏好获得多种新的彩色影像。人机交互确定一个合适的n值，可以获得水、裸露地物、植被具有适中的自然色调的重构彩色影像。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例1的基于特征比值指数的遥感影像融合方法的简易流程图。

图2为本发明实施例1的基于特征比值指数的遥感影像融合方法的具体流程图。

图3为本发明实施例1的重构前的标准假彩色合成影像图。

图4为本发明实施例1的重构前的真彩色合成影像图。

图5为本发明实施例1的TM典型地物光谱曲线图。

图6为本发明实施例1的比值植被指数图。

图7为本发明实施例1的重构函数随着幂次n的变化趋势图。

图8为本发明实施例1的重构红波段图。

图9为本发明实施例1的重构绿波段图。

图10为本发明实施例1的重构的红波段修正图。

图11为本发明实施例1的重构的绿波段修正图。

图12为本发明实施例1的融合得到的最终的彩色影像图。

图13为本发明实施例2的基于特征比值指数的遥感影像融合方法的具体流程图。

图14为本发明实施例2的重构函数随着幂次n的变化趋势图。

图15为本发明实施例2的归一化指数影像图。

图16为本发明实施例2的重构红波段图。

图17为本发明实施例2的重构绿波段图。

图18为本发明实施例2的重构的红波段修正图。

图19为本发明实施例2的重构的绿波段修正图。

图20为本发明实施例2的融合得到的最终的彩色影像图。

图21为本发明实施例3的基于特征比值指数的遥感影像融合方法的具体流程图。

图22为本发明实施例3的重构函数随着幂次n的变化趋势图。

图23为本发明实施例3的重构红波段图。

图24为本发明实施例3的重构绿波段图。

图25为本发明实施例3的融合得到的最终的彩色影像图。

图26为本发明实施例4的基于特征比值指数的遥感影像融合系统的结构框图。

图27为本发明实施例5的计算机设备的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

色彩重构效果评价技术包括目视评价和定量评价，具体说明如下：

1)目视评价：正如人们所知，原始的遥感真彩色影像虽然在水体、裸露陆地等地物上与地面地物色彩一致，但在植被区域色彩暗淡、层次不清。一般真彩色影像需要通过对植被的增强获得在上述类地物均与地面色彩一致的真彩色影像。即植被以绿色为基调，不同类别、不同覆盖度的植被呈现深浅不一、浓淡各异各种绿色；水体以蓝色为基调，除开因水面植被覆盖、高浓度含沙、高污染等组分不同呈现绿、黄、黑等外，主体为深浅不一、浓淡各异的各种蓝色；其它如岩石、裸露土壤、道路、居民地等裸露陆地则与其地面丰富的色彩一致，呈现灰、黑、白、赤、橙、黄、绿、青、蓝、紫等五颜六色。目视选取典型水域、裸露陆地、植被等地物类别，定性比较模拟的真彩色影像同增强的真彩色影像的色彩变化，可以目视评价重构的真彩色影像的效果。

2)定量评价：在一定程度上是目视评价的指标的定量化，对于真彩色影像色彩重构而言，既要改善真彩色影像植被的色彩，也要保障重构后的真彩色影像的层次、细节等的丰富度和清晰度。总体上可以从两个方面对重构影像进行定量评价：其一为色彩重构效果的定量描述与比较。在RGB、CMYK、IHS、CIE Lab等描述色彩空间的模型中，一般认为RGB三原色色彩模型适合于计算机等屏幕显示，CMYK等印刷模型适用于彩色图像打印输出，而IHS、CIE Lab等色彩空间模型色彩描述方面符合人眼视觉感知模式。基于这种认识，一般在定量评价模拟的真彩色影像的效果时采用的方法是：将RGB三原色色彩空间描述的遥感影像转换为IHS或CIE Lab色彩空间描述的影像，读取水、植被、裸露陆地等典型地物的在这些色彩空间中的色度、饱和度、强度等，分析其色度在地物间的分布特点，比较其与地面色度一致性。在利用地物光谱或光谱图库模拟蓝色波段的实践中，还发展了模拟蓝色波段与实际蓝色波段的差异比较定量方法。主要是：计算两个波段影像点对点的色度差异、波段色度相关性，差异越小，相关性越强，模拟的效果越好。其二，重构后的彩色图像的质量指标统计与比较。一般来说图像处理的质量可以从三个方面进行评价：第一,合成影像整体信息的丰富程度，可用熵、联合熵度量；第二，合成图像色彩的丰富、明亮程度，可用波段统计特征——最大值、最小值、均值、方差及波段之间的相关性指标——相关系数、协方差等衡量；第三，图像的层次(边缘)、细节(纹理)和影像的清晰程度，可以用梯度、平均梯度等衡量。比较重构前后图像各自指标的差异，就能对光谱(灰度、色调)信息、边缘(层次、差异)信息、纹理(细节)信息的变化方向进行分析。

本实施例提供了一种基于特征比值指数的遥感影像融合方法，该方法涉及真彩色影像色彩重构技术，主要利用ENVI遥感图像处理软件来实现，其基于这样的一个原理：特征比值指数具有指示水(含泥沙、污染物等各种水体组分的水体)、裸露地物(含土壤、岩石、人工建筑物等)、植被(含各种健康状态、各种类型)的功能，且沿着水-裸露地物-植被等大类地物的分类轴其大小从小到大变化的特征，设计了一个比值指数的幂函数作为真彩色影像的特征增强函数，按照乘积融合的方式对真彩色影像的红波段、绿波段数据进行重构，获得重构的真彩色图像。

如图1和图2所示，本实施例的遥感影像融合方法包括以下步骤：

S101、获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像。

打开一幅具有近红外波段(NIR)、红光波段(R)、绿光波段(G)、蓝光波段(B)的多光谱卫星遥感影像，图3、图4分别为磨刀门2015年1月23日重构前的GF-2标准假彩色和真彩色组合彩色影像图(按照envi缺省设置1％拉伸的效果图)。

S102、以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数。

特征比值指数是指可以反映水、裸露地物、植被等大类地物分布特征的比值指数，可以为比值植被指数(VI)、比值水体指数的倒数(IWI)、比值岩石指数的倒数(IRI)、两波段Brovey指数(DBI)和三波段Brovey指数(TBI)中的一种，以特征比值指数FI统一表达。

A、比值植被指数(VI)：

对于卫星遥感波段数据而言，VI≥0，从图5可见，遥感影像上水、裸露地物、植被等大类地物的比值植被指数的大小从小到大变化。当用这样的函数与红、绿波段相乘时，能够有效增强植被信息，事实上当以近红外波段为分子，以真彩色的三个波段的组合为分母时，构建的比值指数均具有比值植被指数相似的功能。

B、比值水体指数的倒数(IWI)：

C、比值岩石指数的倒数(IRI)：

D、两波段Brovey指数(DBI)：

E、三波段的Brovey指数(TBI)：

本实施例以比值植被指数为例，建立波段运算表达式(1.0*b1)/b2计算特征比值指数FI，其中b1、b2分别为近红外波段、红波段，计算成果如图6所示。

S103、根据特征比值指数，重构红波段和绿波段。

在本实施例中，步骤S103具体包括：

1)根据特征比值指数，统计得到其最大值。

对于一幅具体的卫星遥感影像而言，特征比值指数FI存在相应的统计最大值和统计最小值，分别记为：FI_min，FI_max。色彩重构函数f(FI)为FI的幂函数，表达式如下：

其中，0＜n≤1。其最小值为

最大值f_max＝1。在[0,+∞)区间其一阶导数大于等于0，二阶导数小于等于0，因而无论n取何值，色彩重构函数为单调递增的凸曲线。这样一个函数与比值指数具有相同的单调性，同样具有增强植被信息的功能。指数n具有调节重构函数曲线形态的作用，能够有效改变影像上水、裸露地物、植被的数据分布和色彩效果。

由图7可见，当n从小到大变化时，在水体附近(FI较小时)的重构曲线斜率由大到小变化，在植被附近(FI较大时)重构曲线斜率由小到大变化，而在裸露地物(FI居中时)重构曲线的斜率变化也位于两者之间。这样，重构函数能够有效调节影像上水、裸露地物、植被等大类地物的亮度分布，进而有效调节合成影像的色彩分布。

2)根据特征比值指数及其最大值，重构红波段和绿波段。

按照乘积融合重构红、绿波段如下：

r＝R×f

g＝G×f

展开如下：

一般取n＝0.5，重构彩色影像中水、裸露地物、植被具有适中的自然调色。进一步地，通过目视对比重构的真彩色影像与原真彩色影像对应的裸露地物色彩的一致性，可以人机交互确定一个合适的n值，使得影像上地物间整体色彩更加协调，更加接近于自然色彩。

本实施例以比值植被指数为例，应用ENVI统计工具得特征比值指数的最大值FI_max＝3.5141，取重构函数的幂次n＝0.5,建立波段运算表达式b1*(b2/3.5141)^0.5。其中，b1为原始红波段或者绿波段，b2为特征比值指数，计算结果分别为重构的红波段r或绿波段g。图8、图9分别为重构的红波段、绿波段影像。

S104、根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

在本实施例中，步骤S104具体包括：

1)根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数。

重构后红、绿波段最大值与对应原始红、绿波段的最大值一般不相同，可以分别设置红波段修正系数k₁和绿波段修正系数k₂，统计重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的最大值，分别记为：r_max、g_max、R_max、G_max，则：

本实施例应用ENVI统计工具统计得到重构前后红、绿波段的最大值，R_max＝999，G_max＝1001，r_max＝532，g_max＝533。则红波段修正系数k₁＝999/532＝1.8778，绿波段的修正系数k₂＝1001/533＝1.8780。

2)根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

展开如下：

R′＝k₁×R×f

G′＝k₂×G×f

建立波段运算表达式1.8778*b1，取b1为重构后的红波段，计算得到修正后的红波段；建立波段运算表达式1.8780*b1，取b1为重构后的绿波段，计算得到修正后的绿波段，图10、图11分别为重构的红波段、绿波段修正后的影像。

3)利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

将重构修正后的红、绿波段R′、G′与蓝波段B对应置于红、绿、蓝通道合成彩色图像即为由RGB真彩色影像融合得到的彩色图像，如图12所示，将最终的彩色影像进行存储。

最终的彩色影像具有水蓝植被绿的典型特征。当n从小到大变换时，随着重构曲线f的形态变化，重构图像的植被的绿色调从暗淡向明亮变化(若n＝0，植被为原波段真彩色影像的色调)，水的蓝色调则从明亮向暗淡变化，但总体来说二者基调色与视觉一致。虽然裸露地物色调随着n的取值变化存在较大幅度的色彩变化，但与植被、水的差异均有显著差异，不会与水、植被混淆。因而最终的彩色影像有效提高了水、裸露地物、植被等大类地物的目视分辨力和自动解析力。

本实施例最终的彩色影像成果与原始真彩色影像、标准假彩色影像RGB色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表1～4，HLS色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表5。

表1重构彩色影像同真彩色、标准假彩色影像RGB模式统计特征对比分析表

表2重构彩色影像与真彩色、标准假彩色影像RGB模式植被统计特征对比分析表

表3重构彩色影像与真彩色、标准假彩色影像RGB模式裸露地物统计特征对比分析表

表4重构彩色影像与真彩色、标准假彩色影像RGB模式水体统计特征对比分析表

表5重构彩色影像与真彩色、标准假彩色影像HLS模式统计特征对比分析表

从表1～表5中可以看到，主要有三个方面的效果：

第一方面，重构后的真彩色影像的绿色植被信息得到全面显影：可见光卫星遥感真彩色影像的植被信息不突出不自然不真实，纯植被像元色调偏灰，容易与其它地物混淆；混合植被像元植被色彩淹没在其它地物色彩中，植被信息被掩盖；造成真彩色影像植被信息的目视分辨率低，影像了真彩色模式应用效果。本实施例方法对真彩色组合影像植被像元信息进行逐点增强，植被纹理、层次、色彩得到全面改善，有效提高了真彩色影像植被信息的目视分辨力和计算机解析能力，提高了真彩影像模式植被分析能力和效果。

第二方面，重构后的真彩色影像的水体色调更加均匀水陆界限分明：真彩色影像水体信息因水体组分不同而呈现从蓝到青至黑等十分丰富的色彩表现，在展现丰富水体信息的同时，水陆界限不分明。本实施例方法在全面增强植被信息的同时，使得水体具有更加均匀而鲜明的蓝色调，与陆地地物丰富的色调形成明显的反差，具有显著的水陆界限，有利于水陆分割与分类。

第三方面，重构后的真彩色影像拓展了高分影像应用模式和应用潜力：高分辨率多光谱卫星遥感一般只设置了近红外、红、绿、蓝四个波段，其常用彩色影像模式一般局限在标准假彩色、真彩色两种模式。这两种模式各具有点点，前者植被信息突出，后者裸露地物和水色自然。本实施例方法通过特征比值指数对真彩色影像进行色彩重构，融合了高分影像标准假彩色模式与真彩色模式的优点，既突出了绿色植被信息，也基本保持了裸露地物和水体的自然色彩，在真彩色、标准假彩色两种常用图像之外获得一种具有良好目视分辨力的新图种，拓展了高分影像制图应用的模式，提高了高分影像分类应用的能力。

综上所述，本实施例的卫星遥感真彩色影像色彩重构技术，主要针对具有近红外、红、绿、蓝波段的卫星遥感影像，利用特征比值指数在水、裸露地物、植被等不同地物间的良好分布特征，构建了一个特征比值指数的幂函数作为色彩重构函数，采用乘积融合方法对真彩色影像的红、绿波段不同地物间的亮度分布进行重构，有效改善重构后的红、绿波段与原始蓝波段的彩色合成图像上的植被色度、亮度和饱和度及地物间色彩平衡，获得多种具有近地面自然色特征的新彩色图像。

实施例2：

本实施例的步骤S101和S102同实施例1，区别在于步骤S103和S104。

如图13所示，在本实施例中，步骤S103具体包括：

1)根据特征比值指数，统计得到其最大值和平均值。

2)根据特征比值指数及其最大值和平均值，计算归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值。

对于一幅具体的卫星遥感影像而言，特征比值指数FI存在相应的统计最大值和统计最小值，分别记为：FI_min，FI_max。相应的归一化指数

当仿照特征比值指数构幂函数构建方法

构建归一化指数的幂函数时，需要保证幂函数的底大于等于0，则色彩重构函数f(NDFI)表达式如下：

设FI的均值为FI_mean。令FI＝FI_mean时，f(NDFI)＝FI/FI_max，n有最大值。则n的最大值为：

其中，0＜n≤n_max，其最小值为

最大值f_max＝1。在[0,+∞)区间其一阶导数大于等于0，二阶导数小于等于0，因而无论n取定义域上的何值，色彩重构函数为单调递增的曲线。这样一个函数与归一化指数具有相同的单调性，同样具有增强植被信息的功能。指数n具有调节重构函数曲线形态的作用，能够有效改变影像上水、裸露地物、植被的数据分布和色彩效果。

由图14可见，当n从小到大变化时，在水体附近(FI较小时)的重构曲线斜率由大到小变化，在植被附近(FI较大时)重构曲线斜率由小到大变化，而在裸露地物(FI居中时)重构曲线的斜率变化也位于两者之间。这样，重构函数能够有效调节影像上水、裸露地物、植被等大类地物间的亮度分布，进而有效调节合成影像的色彩分布。

本实施例的归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，如下式：

3)根据归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，重构红波段和绿波段。

按照乘积融合重构红、绿波段如下：

r＝R×f

g＝G×f

展开如下：

其中，

一般取n＝1.0，重构彩色影像中水、裸露地物、植被具有适中的自然调色。进一步地，通过目视对比重构的真彩色影像与原真彩色影像对应的裸露地物色彩的一致性，可以人机交互确定一个合适的n值，使得影像上地物间整体色彩更加协调，更加接近于自然色彩。

本实施例以比值植被指数为例，应用ENVI统计工具得特征比值指数的最大值FI_max＝3.5141，平均值FI_mean＝0.6166，建立波段运算式(1.0*b1-1)/(1.0*b1+1)，其中b1为特征比值指数FI，计算得到的结果为特征比值指数的归一化指数NDFI，计算

图15为特征比值指数的归一化指数影像。

重构函数的最大幂次为

取重构函数的幂次n＝1.0,建立波段运算表达式b1*((1+b2)/1.5569)^1.0。其中，b1为原始红波段或者绿波段，b2为归一化指数NDFI。计算结果分别为重构的红波段r或绿波段g。如图16、图17分别为重构的红波段、绿波段影像。

在本实施例中，步骤S104具体包括：

1)根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数。

重构后红、绿波段最大值与对应原始红、绿波段的最大值一般不相同，可以分别设置红波段修正系数k₁和绿波段修正系数k₂，统计重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的最大值，分别记为：r_max、g_max、R_max、G_max，则：

本实施例应用ENVI统计工具统计得到重构前后红、绿波段的最大值，R_max＝999，G_max＝1001，r_max＝641，g_max＝643。则红波段修正系数k₁＝999/641＝1.5585，绿波段的修正系数k₂＝1001/643＝1.5568。

2)根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

展开如下：

R′＝k₁×R×f

G′＝k₂×G×f

建立波段运算表达式1.5585*b1，取b1为重构后的红波段，计算得到修正后的红波段；建立波段运算表达式1.5568*b1，取b1为重构后的绿波段，计算得到修正后的绿波段，图18、图19分别为重构的红波段、绿波段修正后的影像。

3)利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

将重构修正后的红、绿波段R′、G′与蓝波段B对应置于红、绿、蓝通道合成彩色图像即为由RGB真彩色影像融合得到的彩色图像，如图20所示，将最终的彩色影像进行存储。

最终的彩色影像具有水蓝植被绿的典型特征。当n从小到大变换时，随着重构曲线f的形态变化，重构图像的植被的绿色调从暗淡向明亮变化(若n＝0，植被为原波段真彩色影像的色调)，水的蓝色调则从明亮向暗淡变化，但总体来说二者基调色与地面色彩一致。虽然裸露地物色调随着n的取值变化存在较大幅度的色彩变化，但与植被、水的色彩均有显著差异，不会与水、植被混淆。因而最终的彩色影像有效提高了水、裸露地物、植被等大类地物的目视分辨力和自动解析力。

本实施例最终的彩色影像成果与原始真彩色影像、标准假彩色影像RGB色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表6～9。RGB色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表10。

表6重构彩色影像同真彩色、标准假彩色影像RGB模式统计特征对比分析表

表7重构彩色影像与真彩色、标准假彩色影像RGB模式植被统计特征对比分析表

表8重构彩色影像与真彩色、标准假彩色影像RGB模式裸露地物统计特征对比分析表

表9重构彩色影像与真彩色、标准假彩色影像RGB模式水体统计特征对比分析表

表10重构彩色影像与真彩色、标准假彩色影像HLS模式统计特征对比分析表

从表6～表10中可以看到，主要有以下三个方面的效果：

第一方面，重构后的真彩色影像的绿色植被信息得到全面显影：可见光卫星遥感真彩色影像的植被信息不突出不自然不真实，纯植被像元色调偏灰，容易与其它地物混淆；混合植被像元信息淹没在其它地物信息中，植被信息被掩盖；造成真彩色影像植被信息的目视分辨率低，影像了真彩色模式应用效果。本实施例方法对真彩色组合影像植被像元信息进行逐点增强，植被纹理、层次、色彩得到全面改善，有效提高了真彩色影像植被信息的目视分辨力和计算机解析能力，提高了真彩影像模式应用效果和应用能力。

第二方面，重构后的真彩色影像的水体色调偏于均以水陆界限较为分明：真彩色影像水体信息因水体组分不同而呈现从蓝到青至黑等十分丰富的色彩表现，在展现丰富水体信息的同时，水陆界限不分明。本实施例方法在全面增强植被信息的同时，使得水体偏于均一的蓝色调，与陆地地物丰富的色调形成反差，具有较为分明的水陆界限，有利于水陆分割与分类。

第三方面，重构后的真彩色影像拓展了高分影像应用模式和应用潜力：高分辨率多光谱卫星遥感一般只设置了近红外、红、绿、蓝四个波段，其常用彩色影像模式一般局限在标准假彩色、真彩色两种模式。这两种模式各具有点点，前者植被信息突出，或者裸露地物和水色自然。本实施例方法通过特归一化指数对真彩色影像进行色彩重构，既突出了绿色植被信息，也基本保持了裸露地种物和水的自然色彩，在真彩色、标准假彩色两种常用图像之外获得一种具有良好视觉体验的新图种，拓展了高分影像制图应用的模式，提高了高分影像分类应用的能力。

综上所述，本实施例的卫星遥感真彩色影像色彩融合技术，主要针对具有近红外、红、绿、蓝波段的卫星遥感影像，利用归一化指数在水、裸露地物、植被等不同地物间的良好分布特征，构建了一个归一化指数的幂函数作为色彩融合函数，采用乘积融合方法对真彩色影像的红、绿波段不同地物间的亮度分布进行重构，有效改善重构后的红、绿波段与原始蓝波段的彩色合成图像上的植被色度、亮度和饱和度，同时水体信息在均一化的蓝色调与丰富原始影像色调之间灵活调节，从而获得多种具有近地面自然色特征的新彩色图像。

实施例3：

本实施例的步骤S101和S102同实施例1，区别在于步骤S103和S104。

如图21所示，在本实施例中，步骤S103具体包括：

1)根据特征比值指数，统计得到其最大值。

对于一幅具体的卫星遥感影像而言，特征比值指数FI存在相应的统计最大值和统计最小值，分别记为：FI_min，FI_max，则色彩重构函数f(FI)表达式如下：

其中，0＜n≤1。其最小值为

最大值f_max＝2。在[0,+∞)区间其一阶导数大于等于0，二阶导数小于等于0，因而无论n取定义域上的何值，色彩重构函数为单调递增的凸曲线。这样一个函数与比值指数具有相同的单调性，同样具有增强植被信息的功能。幂次n具有调节重构函数曲线形态的作用，能够有效改变影像上水、裸露地物、植被的数据分布和色彩效果。

由图22可见，当n从小到大变化时，在水体附近(FI较小时)的重构曲线斜率由大到小变化，在植被附近(FI较大时)重构曲线斜率由小到大变化，而在裸露地物(FI居中时)重构曲线的斜率变化也位于两者之间。这样，重构函数能够有效调节影像上水、裸露地物、植被等大类地物的亮度分布，进而有效调节合成影像的色彩分布。

2)根据特征比值指数及其最大值，重构红波段和绿波段。

按照乘积融合重构红、绿波段如下：

R′＝R×f

G′＝G×f

展开如下：

一般取n＝1.0，重构彩色影像中水、裸露地物、植被具有适中的自然调色。进一步地，通过目视对比重构的真彩色影像与原真彩色影像对应的裸露地物色彩的一致性，可以人机交互确定一个合适的n值，使得影像上地物间整体色彩更加协调，更加接近于自然色彩。

本实施例以比值植被指数为例，应用ENVI统计工具得特征比值指数的最大值FI_max＝3.5141，取重构函数的幂次n＝0.5,建立波段运算表达式b1*(1+b2/3.5141)^0.5。其中，b1为原始红波段或者绿波段，b2为特征比值指数，计算结果分别为重构的红波段R′或绿波段G′。图23、图24分别为重构的红波段、绿波段影像。

在本实施例中，步骤S104具体包括：

将重构后的红、绿波段R′、G′与蓝波段B对应置于红、绿、蓝通道合成彩色图像即为由RGB真彩色影像融合得到的彩色图像，最终的彩色影像如图25所示，将最终的彩色影像进行存储。

最终的彩色影像具有水蓝植被绿的典型特征。当n从小到大变换时，随着重构曲线f的形态变化，重构图像的植被的绿色调从暗淡向明亮变化(若n＝0，植被为原波段真彩色影像的色调)，水的蓝色调则从明亮向暗淡变化，但总体来说二者基调色与视觉一致。虽然裸露地物色调随着n的取值变化存在较大幅度的视觉变化，但与植被、水的差异均有显著差异，不会与水、植被混淆。因而最终的彩色影像有效提高了水、裸露地物、植被等大类地物的目视分辨力和自动解析力。

本实施例最终的彩色影像成果与原始真彩色影像、标准假彩色影像RGB色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表11～14。RGB色彩模式下的全图、植被区域、裸露地物区域、水体区域的统计特征对比分析表见表15。

表11重构彩色影像同真彩色、标准假彩色影像RGB模式统计特征对比分析表

表12重构彩色影像与真彩色、标准假彩色影像RGB模式植被统计特征对比分析表

表13重构彩色影像与真彩色、标准假彩色影像RGB模式裸露地物统计特征对比分析表

表14重构彩色影像与真彩色、标准假彩色影像RGB模式水体统计特征对比分析表

表15重构彩色影像与真彩色、标准假彩色影像HLS模式统计特征对比分析表

从表11～表15中可以看到，融合后的真彩色影像的绿色植被信息得到全面显影，基本保持原始真彩色影像水体和裸露地物的特征，改善了真彩色影像视觉效果和整体质量。可见光卫星遥感真彩色影像的植被信息不突出不自然不真实，纯植被像元色调偏灰，容易与其它地物混淆；混合植被像元信息淹没在其它地物信息中，植被信息被掩盖；造成真彩色影像植被信息的目视分辨率低，影像了真彩色模式应用效果。本实施例的方法对真彩色组合影像植被像元信息进行逐点增强，植被纹理、层次、色彩得到全面改善，有效提高了真彩色影像植被信息的目视分辨力和计算机解析能力，提高了真彩影像模式应用效果和应用能力，真彩色影像裸露地物与地面视觉效果一致，水体信息因水体组分不同而呈现从蓝到青至黑等十分丰富的色彩层次，有利于裸露地物的分类判别和水体组分分析。本实施例的方法通过叠加融合对真彩色影像进行色彩重构，既突出了绿色植被信息，也基本保持了裸露地物和水体的丰富色彩和层次，有效改善了真彩色影像的视觉效果和整体质量，提高了真彩色影像制图应用的潜力和分类应用的能力，尤其在高分时代，对于高分辨率影像真彩色影像的应用具有广阔的推广前景。

综上所述，本实施例的卫星遥感真彩色影像色彩重构技术，主要针对具有近红外、红、绿、蓝波段的卫星遥感影像，利用特征比值指数在水、裸露地物、植被等不同地物间的良好分布特征，构建了一个特征比值指数的幂函数作为色彩重构函数，采用叠加融合方法对真彩色影像的红、绿波段不同地物间的亮度分布进行重构，有效改善重构后的红、绿波段与原始蓝波段的彩色合成图像上的植被色度、亮度和饱和度，同时基本保持了裸露地物和水体的色调与层次，获得植被、裸露地物及水体等地物色彩协调的多种具有近地面自然色特征的新彩色图像。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读取存储介质中。

应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

实施例4：

如图26所示，本实施例提供了一种基于特征比值指数的遥感影像融合系统，该系统包括获取模块2601、计算模块2602、重构模块2603和合成模块2604，各个模块的具体功能如下：

获取模块2601，用于获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像。

计算模块2602，用于以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种。

重构模块2603，用于根据特征比值指数，重构红波段和绿波段。

合成模块2604，用于根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配给不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

实施例5：

如图27所示，本实施例提供了一种计算机设备，其包括通过系统总线2701连接的处理器2702、存储器、输入装置2703、显示装置2704和网络接口2705。其中，处理器2702用于提供计算和控制能力，存储器包括非易失性存储介质2706和内存储器2707，该非易失性存储介质2706存储有操作系统、计算机程序和数据库，该内存储器2707为非易失性存储介质2706中的操作系统和计算机程序的运行提供环境，计算机程序被处理器2702执行时，实现上述实施例1的遥感影像融合方法，如下：

获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

根据特征比值指数，重构红波段和绿波段；

根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

实施例6：

本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的遥感影像融合方法，如下：

获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

根据特征比值指数，重构红波段和绿波段；

根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

综上所述，本发明的理论基础扎实、物理意义明确，应用对象广泛，操作简便、运算效率高。重构影像色彩鲜明、信息丰富、易于目视和自动分类，尤其在当前高分辨率卫星遥感快速发展背景下，对于推动高分辨率影像在国内外各行各业的推广应用具有巨大的促进作用。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种基于特征比值指数的遥感影像融合方法，其特征在于，所述方法包括：

获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

根据特征比值指数，重构红波段和绿波段；

根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

2.根据权利要求1所述的遥感影像融合方法，其特征在于，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得其最大值；

根据特征比值指数及其最大值，重构红波段和绿波段，如下式：

其中，0＜n≤1，FI为特征比值指数，FI_max为特征比值指数的最大值。

3.根据权利要求2所述的遥感影像融合方法，其特征在于，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数，如下式：

其中，k₁为红波段修正系数，k₂为绿波段修正系数，r_max、g_max、R_max、G_max分别为重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的统计最大值；

根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

4.根据权利要求1所述的遥感影像融合方法，其特征在于，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得到其最大值和平均值；

根据特征比值指数及其最大值和平均值，计算归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，如下式：

其中，FI为特征比值指数，FI_max为特征比值指数的最大值，FI_mean为特征比值指数的平均值；

根据归一化指数、归一化指数的最大值以及比值指数平均值对应的归一化指数值，重构红波段和绿波段，如下式：

其中，0＜n≤n_max，

5.根据权利要求4所述的遥感影像融合方法，其特征在于，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

根据重构后的红波段、重构后的绿波段、原始红波段以及原始绿波段，计算修正系数，如下式：

其中，k₁为红波段修正系数，k₂为绿波段修正系数，r_max、g_max、R_max、G_max分别为重构后的红波段r、重构后的绿波段g、原始红波段R、原始绿波段G的统计最大值；

根据修正系数，对重构后的红波段以及重构后的红波段进行修正，如下式：

R′＝k₁×r

G′＝k₂×g

利用修正后的红波段、修正后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

6.根据权利要求1所述的遥感影像融合方法，其特征在于，所述根据特征比值指数，重构红波段和绿波段，具体包括：

根据特征比值指数，统计得到其最大值；

根据特征比值指数及其最大值，重构红波段和绿波段，如下式：

其中，0＜n≤1，FI为特征比值指数，FI_max为特征比值指数的最大值。

7.根据权利要求6所述的遥感影像融合方法，其特征在于，所述根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像，具体包括：

利用重构后的红波段、重构后的绿波段以及原始蓝波段对应彩色影像的红、绿、蓝通道合成得到最终的彩色影像。

8.一种基于特征比值指数的遥感影像融合系统，其特征在于，所述系统包括：

获取模块，用于获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；

计算模块，用于以近红外波段作为分子，以及以红波段、绿波段和蓝波段中的一个波段或其线性组合作为分母，计算特征比值指数，所述特征比值指数为比值植被指数、比值水体指数的倒数、比值岩石指数的倒数、两波段Brovey指数和三波段Brovey指数中的一种；

重构模块，用于根据特征比值指数，重构红波段和绿波段；

合成模块，用于根据重构后的红波段、重构后的绿波段以及原始蓝波段，合成得到最终的彩色影像。

9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的遥感影像融合方法。

10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的遥感影像融合方法。

Images