CN113222836A - 一种高光谱与多光谱遥感信息融合方法及系统 - Google Patents
一种高光谱与多光谱遥感信息融合方法及系统 Download PDFInfo
- Publication number
- CN113222836A CN113222836A CN202110463497.0A CN202110463497A CN113222836A CN 113222836 A CN113222836 A CN 113222836A CN 202110463497 A CN202110463497 A CN 202110463497A CN 113222836 A CN113222836 A CN 113222836A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- image
- reflectivity
- fusion
- multispectral
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 238000002310 reflectometry Methods 0.000 claims abstract description 82
- 230000004927 fusion Effects 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 230000005855 radiation Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007499 fusion processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000007 visual 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
- G06T5/80—Geometric correction
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种高光谱与多光谱遥感信息融合方法及系统，其包括：根据预先获取的高光谱遥感影像数据进行高光谱大气校正；根据预先获取的多光谱遥感影像数据进行多光谱大气校正；基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
Description
技术领域
本发明涉及一种遥感影像融合技术领域，特别是关于一种基于反射光谱特征的高光谱与多光谱遥感信息融合方法及系统。
背景技术
遥感影像融合根据融合水平来划分，可以分为像素级触合，特征级融合和决策级触合三级。遥感影像的像素级融合是将空间配准的多源遥感影像数据根据某种算法生成新的融合影像，是直接对原始影像像素灰度值进行处理，属于最低层次的融合,特点是数据量大,能够保留大部分原始信息。遥感影像的特征级影像融合是对从各数据源中的提取的目标信息进行处理分析的过程,系统输入是影像,输出则是关于特征的描述,融合结果为决策提供最大限度的特征信息,如多源影像分类融合融合方法主要有聚类分析法、证据推理法、贝叶斯估计、嫡法、加权平均等神经网络法等。决策级融合是最高层次的融合，它是对数据进行属性说明，然后对其结果进行融合，得到目标的综合属性说明，为控制或决策提供依据。常用的决策级融合方法有贝叶斯估计、神经网络法、模糊聚类法及专家系统等。由于影像目标特征识别与提取技术难度较大，目前影像融合研究仍集中在像素级的融合。
主分量变换，又称K-L变换，利用主分量变化，在融合处理中，首先由多光谱影像数据求得影像间的相关系数矩阵，由相关系数矩阵计算特征值和特征向量，求得各主分量影像；然后将高空间分解力影像数据进行直方图匹配，使其与第一主分量影像数据具有相同的直方图；最后用由直方图匹配生成的高空间分解力影像来代替第一主分量，将它同其他主分量一起经逆主分量变换得到融合的影像。
BROVEY变换融合法，是较为简单的融合方法，它是为RGB影像显示进行多光谱波段颜色归一化，将高分辨率全色与各自相乘完成融合。其计算公式为：
式中，pan表示高分辨率全色影像，band1、band2、band3分别表示多光谱影像的三个波段。
小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。该方法首先对参与融合的遥感图像数据进行小波正变换，将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换，生成融合图像。
目前，多光谱图像与高光谱图像融合技术相对较少，主要是采用全色和多光谱遥感影像融合的基本方法。例如，基于成分替代的主成分分析法PCA、基于分频的小波变换法。由于基于成分替代的方法原理简单，操作简单，但是这类方法会产生严重的光谱扭曲。小波变换法大大减小了融合图像的光谱扭曲度，但是容易产生空间效应。
高光谱影像是另一类特殊的遥感影像,它以小于10nm的波段宽度从可见光至近红外区间连续以几十至几百个波段成像，所获取影像包含的光谱分辨率极高,对观测目标的光谱特性描述的相当精细,彼此之间可以有效分开,但数据量大的缺点也相当突出,利用多光谱影像间的融合,在保留影像中精细特征的前提下,有效的消除数据冗余,也可以与高空间分辨率的光学影像融合,使融合影像既保留高光谱影像的光谱性质,同时具备较高的空间分辨率,用于视觉解译。
现有遥感影像融合技术方法并不适用于有高光谱影像参与的遥感影像融合处理，存在的问题如下：(1)缺少严密的物理模型与知识基础，采用数学模型和函数实现多种信息的叠加，使得融合算法不适合高光谱影像特征；(2)现有融合算法造成遥感影像光谱信息的失真，打破遥感影像中所蕴涵的地表反射率的物理规律，进而造成遥感影像无法进行更加深入的定量遥感处理的重大负面影响。
发明内容
针对上述问题，本发明的目的是提供一种高光谱与多光谱遥感信息融合方法及系统，其实现了基于物理过程的高光谱与多光谱遥感影像融合处理中的影像数值与反射率物理量的正变换和反变换。
为实现上述目的，本发明采取以下技术方案：一种高光谱与多光谱遥感信息融合方法，其包括：步骤(1)、根据预先获取的高光谱遥感影像数据进行高光谱大气校正；步骤(2)、根据预先获取的多光谱遥感影像数据进行多光谱大气校正；步骤(3)、基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；步骤(4)、以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；步骤(5)、基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
进一步，所述高光谱大气校正的方法为：根据高光谱遥感载荷的特性，对高光谱遥感影像进行大气校正处理，并生成地表的高光谱反射率影像结果。
进一步，所述校正结果计算方法为：
REF(i,j,k)＝AMTF[DN(i,j,k)]
其中，REF(i,j,k)表示第k波段的第(i,j)像元的反射率数值；AMTF表示大气校正模型函数；DN(i,j,k)表示第k波段的第(i,j)像元的遥感影像数值。
进一步，所述步骤(3)中，波段映射模型的建立方法为：基于高光谱和多光谱反射率影像结果，根据高光谱和多光谱遥感影像的波段特性参数，采用高光谱的波段间光谱能量映射函数，建立高光谱与多光谱反射率结果的波段映射关系，进而由多光谱反射率影像生成与高光谱反射率影像的波段相一致的虚拟高光谱反射率影像结果。
进一步，所述波段间光谱能量映射函数是依据同一地物的多光谱和高光谱的不同谱段之间以及高光谱影像的不同谱段之间具有关联性的基本原理得到。
进一步，所述虚拟高光谱反射率影像REFH为：
REFm＝F(k,m)×REFk
其中，F(k,m)表示波段k与波段m的光谱反射率的频谱映射关系函数；Num表示高光谱反射率影像的波段数。
进一步，所述步骤(4)中，采用基于反射率取值范围的加权方法进行加权计算：
式中，REFH_A表示高光谱反射率融合结果，RM表示原始高光谱反射率影像REFH_O的权重数值，REFH_O表示原始高光谱反射率影像，RH表示虚拟高光谱反射率影像REFH的权重数值，REFM表示虚拟高光谱反射率影像。
进一步，所述步骤(5)中，大气辐射传输模型采用6S模型或MODTRAN模型。
进一步，所述步骤(5)中，高光谱与多光谱遥感影像的融合影像结果为：
DNf(a,b,k)＝AMTF-1[REFH_A(a,b,k)]
其中，DNf(a,b,k)表示第k谱段第(a,b)像元的融合影像结果；AMTF-1表示大气辐射传输模型函数AMTF的逆变换函数；REFH_A(a,b,k)表示第k波段第(a,b)像元的反射率融合结果。
一种高光谱与多光谱遥感信息融合系统，其包括：第一校正模块、第二校正模块、映射模型建立模块、加权计算模块和融合模块；
所述第一校正模块，根据预先获取的高光谱遥感影像数据进行高光谱大气校正；
所述第二校正模块，根据预先获取的多光谱遥感影像数据进行多光谱大气校正；
所述映射模型建立模块，基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；
所述加权计算模块，以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；
所述融合模块，基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明实现了融合方法具有严格的物理意义和物理基础，使得遥感影像的融合结果保持了定量遥感处理与应用的能力。
2、本发明将大气校正、光谱映射、大气辐射传输模型成像等方法引入了高光谱与多光谱遥感影像的融合处理过程中，实现了基于物理过程的高光谱与多光谱遥感影像融合处理中的影像数值与反射率物理量的正变换和反变换。
3、本发明采用的多源遥感影像融合通过集成和整合优势互补的数据来提高数据信息的可用程度，同时增加对研究对象的解释(辨识)的可靠性。能有效提高分辨率、增强目标特征、提高分类精度、动态监测、信息互补。在空间、时间、波谱上冗余或互补的多源遥感数据按照一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据，数据质量良好。
附图说明
图1是本发明实施例中的方法整体流程示意图；
图2是本发明实施例中的植被的连续光谱特征曲线。
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的附图，对本发明实施例的技术方案进行清楚、完整地描述。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。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本发明进行详细的介绍。
如图1所示，本发明提供一种高光谱与多光谱遥感信息融合方法，其包括：
步骤(1)、根据预先获取的高光谱遥感影像数据进行高光谱大气校正；
其中，高光谱遥感影像，是指波段数量一般在100以上，波段宽度小于20nm，谱段范围覆盖可见光、近红外、短波红外等谱段卫星的遥感影像，影像分辨率比多光谱遥感影像低。
高光谱大气校正的方法为：根据高光谱遥感载荷的特性，对高光谱遥感影像进行大气校正处理，消除由于传感器、大气传输等成像因素引起的遥感影像数值的失真，并生成地表的高光谱反射率影像结果。在本实施例中，大气辐射传输模型函数可以采用6S模型或MODTRAN模型等。计算方法如下式。
REF(i,j,k)＝AMTF[DN(i,j,k)]
其中，REF(i,j,k)表示第k波段的第(i,j)像元的反射率数值；AMTF表示大气校正模型函数；DN(i,j,k)表示第k波段的第(i,j)像元的遥感影像数值。
步骤(2)、根据预先获取的多光谱遥感影像数据进行多光谱大气校正；
其中，多光谱遥感影像，是指波段数量在3～10之间，波段宽度从几十nm至几百nm之间，谱段范围覆盖可见光、近红外等谱段的卫星遥感影像，影像分辨率比高光谱遥感影像高。
多光谱大气校正的方法为：根据多光谱遥感载荷的特性，对多光谱遥感影像进行大气校正处理，消除由于传感器、大气传输等成像因素引起的遥感影像数值的失真，并生成地表的多光谱反射率影像结果。
步骤(3)、基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；
具体的，波段映射模型的建立方法为：基于高光谱和多光谱反射率影像结果，根据高光谱和多光谱遥感影像的波段特性参数，例如波段中心波长、半波宽度、光谱响应函数等，采用高光谱的波段间光谱能量映射函数，建立高光谱与多光谱反射率结果的波段映射关系，进而由多光谱反射率影像生成与高光谱反射率影像的波段相一致的虚拟高光谱反射率影像结果。
波段间的光谱能量映射函数是依据同一地物的多光谱和高光谱的不同谱段之间以及高光谱影像的不同谱段之间具有关联性的基本原理得到。以植被地物的连续光谱特征曲线为例，如图2所示为植被的光谱曲线，不同谱段的反射率满足该连续光谱特征曲线的变化规律，因此，利用如下函数方程建立波段i与波段j的反射率关系。
其中，F(i,j)是高光谱遥感影像的谱段间映射关系函数，(i，j)是波段编号，PHi表示第i波段的高光谱影像的频谱，PHj表示第j波段的高光谱影像的频谱。高光谱影像的频谱由反射率影像数值的傅里叶变换得到。
PHi＝FFT(REFi)
PHj＝FFT(REFj)
其中，REFi和REFj分别表示第i谱段和第j谱段的反射率影像数值，FFT表示傅里叶变换。
由此，根据第k波段与第m波段的反射率关系F(k,m),基于第k波段的多光谱反射率影像REFk就可以生成第m波段的虚拟高光谱反射率影像REFm。依次遍历所有高光谱反射率影像的波段范围，生成完整的全波段的虚拟高光谱反射率影像REFH。
REFm＝F(k,m)×REFk
其中，F(k,m)表示波段k与波段m的光谱反射率的频谱映射关系函数；Num表示高光谱反射率影像的波段数。
步骤(4)、反射率叠加：以原始高光谱反射率影像REFH_o数值为基准，对虚拟高光谱反射率影像REFH结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果REFH_A。
在本实施例中，可以采用同等权重的加权方法、基于反射率取值范围的加权方法等进行修正。优选的，本实施例采用基于反射率取值范围的加权方法进行加权计算：
式中，REFH_A表示高光谱反射率融合结果，RM表示原始高光谱反射率影像REFH_o的权重数值，REFH_O表示原始高光谱反射率影像，RH表示虚拟高光谱反射率影像REFH的权重数值，REFM表示虚拟高光谱反射率影像。
步骤(5)、大气辐射传输模拟成像：基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果；
在本实施例中，大气辐射传输模型可以采用6S模型或MODTRAN模型等。
DNf(a,b,k)＝AMTF-1[REFH_A(a,b,k)]
其中，DNf(a,b,k)表示第k谱段第(a,b)像元的融合影像结果；AMTF-1表示大气辐射传输模型函数AMTF的逆变换函数；REFH_A(a,b,k)表示第k波段第(a,b)像元的反射率融合结果。
在本发明的第二实施方式中，提供一种高光谱与多光谱遥感信息融合系统，其包括第一校正模块、第二校正模块、映射模型建立模块、加权计算模块和融合模块；
第一校正模块，根据预先获取的高光谱遥感影像数据进行高光谱大气校正；
第二校正模块，根据预先获取的多光谱遥感影像数据进行多光谱大气校正；
映射模型建立模块，基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；
加权计算模块，以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；
融合模块，基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种高光谱与多光谱遥感信息融合方法，其特征在于，包括：
步骤(1)、根据预先获取的高光谱遥感影像数据进行高光谱大气校正；
步骤(2)、根据预先获取的多光谱遥感影像数据进行多光谱大气校正；
步骤(3)、基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；
步骤(4)、以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；
步骤(5)、基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
2.如权利要求1所述融合方法，其特征在于，所述高光谱大气校正的方法为：根据高光谱遥感载荷的特性，对高光谱遥感影像进行大气校正处理，并生成地表的高光谱反射率影像结果。
3.如权利要求2所述融合方法，其特征在于，所述校正结果计算方法为：
REF(i,j,k)＝AMTF[DN(i,j,k)]
其中，REF(i,j,k)表示第k波段的第(i,j)像元的反射率数值；AMTF表示大气校正模型函数；DN(i,j,k)表示第k波段的第(i,j)像元的遥感影像数值。
4.如权利要求1所述融合方法，其特征在于，所述步骤(3)中，波段映射模型的建立方法为：基于高光谱和多光谱反射率影像结果，根据高光谱和多光谱遥感影像的波段特性参数，采用高光谱的波段间光谱能量映射函数，建立高光谱与多光谱反射率结果的波段映射关系，进而由多光谱反射率影像生成与高光谱反射率影像的波段相一致的虚拟高光谱反射率影像结果。
5.如权利要求4所述融合方法，其特征在于，所述波段间光谱能量映射函数是依据同一地物的多光谱和高光谱的不同谱段之间以及高光谱影像的不同谱段之间具有关联性的基本原理得到。
6.如权利要求4或5所述融合方法，其特征在于，所述虚拟高光谱反射率影像REFH为：
REFm＝F(k,m)×REFk
其中，F(k,m)表示波段k与波段m的光谱反射率的频谱映射关系函数；Num表示高光谱反射率影像的波段数。
7.如权利要求1所述融合方法，其特征在于，所述步骤(4)中，采用基于反射率取值范围的加权方法进行加权计算：
式中，REFH_A表示高光谱反射率融合结果，RM表示原始高光谱反射率影像REFH_O的权重数值，REFH_O表示原始高光谱反射率影像，RH表示虚拟高光谱反射率影像REFH的权重数值，REFM表示虚拟高光谱反射率影像。
8.如权利要求1所述融合方法，其特征在于，所述步骤(5)中，大气辐射传输模型采用6S模型或MODTRAN模型。
9.如权利要求1所述融合方法，其特征在于，所述步骤(5)中，高光谱与多光谱遥感影像的融合影像结果为：
DNf(a,b,k)＝AMTF-1[REFH_A(a,b,k)]
其中，DNf(a,b,k)表示第k谱段第(a,b)像元的融合影像结果；AMTF-1表示大气辐射传输模型函数AMTF的逆变换函数；REFH_A(a,b,k)表示第k波段第(a,b)像元的反射率融合结果。
10.一种高光谱与多光谱遥感信息融合系统，其特征在于，包括：第一校正模块、第二校正模块、映射模型建立模块、加权计算模块和融合模块；
所述第一校正模块，根据预先获取的高光谱遥感影像数据进行高光谱大气校正；
所述第二校正模块，根据预先获取的多光谱遥感影像数据进行多光谱大气校正；
所述映射模型建立模块，基于高光谱大气校正和多光谱大气校正处理后生成的地表的高光谱反射率影像结果和多光谱反射率影像结果，建立波段映射模型；
所述加权计算模块，以原始高光谱反射率影像数值为基准，对虚拟高光谱反射率影像结果进行光谱反射率值的加权计算，生成高光谱反射率融合结果；
所述融合模块，基于高光谱反射率融合结果，采用大气辐射传输模型进行模拟，实现对反射融合影像的大气辐射传输转换，生成高光谱与多光谱遥感影像的融合影像结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110463497.0A CN113222836B (zh) | 2021-04-25 | 2021-04-25 | 一种高光谱与多光谱遥感信息融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110463497.0A CN113222836B (zh) | 2021-04-25 | 2021-04-25 | 一种高光谱与多光谱遥感信息融合方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222836A true CN113222836A (zh) | 2021-08-06 |
| CN113222836B CN113222836B (zh) | 2024-03-01 |
Family
ID=77089342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110463497.0A Active CN113222836B (zh) | 2021-04-25 | 2021-04-25 | 一种高光谱与多光谱遥感信息融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222836B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591775A (zh) * | 2021-08-11 | 2021-11-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
| CN114720396A (zh) * | 2022-04-24 | 2022-07-08 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
| CN117197269A (zh) * | 2023-08-31 | 2023-12-08 | 北华航天工业学院 | 一种基于深度学习模型的高光谱影像模拟方法 |
| CN117705740A (zh) * | 2023-12-15 | 2024-03-15 | 安徽山合远景科技发展有限公司 | 基于遥感监测的大气污染物实时监测系统及方法 |
| CN117726915A (zh) * | 2024-02-07 | 2024-03-19 | 南方海洋科学与工程广东省实验室(广州) | 遥感数据空谱融合方法及装置、存储介质与终端 |
| CN117809193A (zh) * | 2024-03-01 | 2024-04-02 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
| CN117992757A (zh) * | 2024-04-03 | 2024-05-07 | 菏泽市土地储备中心 | 基于多维数据的国土生态环境遥感数据分析方法 |
| CN118656786A (zh) * | 2024-08-14 | 2024-09-17 | 本溪钢铁(集团)有限责任公司 | 一种铁矿高光谱数据融合方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
| WO2014102416A1 (es) * | 2012-12-28 | 2014-07-03 | Consejo Superior De Investigaciones Científicas (Csic) | Procedimiento para la normalizacion automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales |
| CN105303539A (zh) * | 2015-05-29 | 2016-02-03 | 李云梅 | 一种基于辐射传输模拟的遥感影像融合方法 |
| CN109829872A (zh) * | 2019-01-22 | 2019-05-31 | 河南农业大学 | 一种用于内陆水体遥感的多时相多源遥感影像融合方法 |
| CN110706188A (zh) * | 2019-09-23 | 2020-01-17 | 北京航天宏图信息技术股份有限公司 | 一种影像融合方法、装置、电子设备及存储介质 |
| CN111795936A (zh) * | 2020-08-03 | 2020-10-20 | 长安大学 | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 |
| US20200359890A1 (en) * | 2019-05-15 | 2020-11-19 | Aizhong Zhang | Multispectral and hyperspectral meibography |
-
2021
- 2021-04-25 CN CN202110463497.0A patent/CN113222836B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014102416A1 (es) * | 2012-12-28 | 2014-07-03 | Consejo Superior De Investigaciones Científicas (Csic) | Procedimiento para la normalizacion automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales |
| CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
| CN105303539A (zh) * | 2015-05-29 | 2016-02-03 | 李云梅 | 一种基于辐射传输模拟的遥感影像融合方法 |
| CN109829872A (zh) * | 2019-01-22 | 2019-05-31 | 河南农业大学 | 一种用于内陆水体遥感的多时相多源遥感影像融合方法 |
| US20200359890A1 (en) * | 2019-05-15 | 2020-11-19 | Aizhong Zhang | Multispectral and hyperspectral meibography |
| CN110706188A (zh) * | 2019-09-23 | 2020-01-17 | 北京航天宏图信息技术股份有限公司 | 一种影像融合方法、装置、电子设备及存储介质 |
| CN111795936A (zh) * | 2020-08-03 | 2020-10-20 | 长安大学 | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| SEVCAN KAHRAMAN: "Graph Regularized L1/2-Sparsity Constrained Non-Negative Matrix Factorization for Hyperspectral and Multispectral Image Fusion", 2018 9TH WORKSHOP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING: EVOLUTION IN REMOTE SENSING (WHISPERS) * |
| 张秋爽;祝民强;刘碧洪;: "Hyperion高光谱遥感数据大气校正方法", 计算机测量与控制, no. 01 * |
| 赵世湖等: "基于光谱归一化的高光谱遥感融合处理技术", 第七届高分辨率对地观测学术年会论文集 * |
| 马艳华: "高空间分辨率和高光谱分辨率遥感图像的融合", 红外, no. 10 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591775A (zh) * | 2021-08-11 | 2021-11-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
| CN114720396A (zh) * | 2022-04-24 | 2022-07-08 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
| CN114720396B (zh) * | 2022-04-24 | 2022-10-25 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
| CN117197269A (zh) * | 2023-08-31 | 2023-12-08 | 北华航天工业学院 | 一种基于深度学习模型的高光谱影像模拟方法 |
| CN117705740A (zh) * | 2023-12-15 | 2024-03-15 | 安徽山合远景科技发展有限公司 | 基于遥感监测的大气污染物实时监测系统及方法 |
| CN117726915A (zh) * | 2024-02-07 | 2024-03-19 | 南方海洋科学与工程广东省实验室(广州) | 遥感数据空谱融合方法及装置、存储介质与终端 |
| CN117726915B (zh) * | 2024-02-07 | 2024-05-28 | 南方海洋科学与工程广东省实验室(广州) | 遥感数据空谱融合方法及装置、存储介质与终端 |
| CN117809193A (zh) * | 2024-03-01 | 2024-04-02 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
| CN117809193B (zh) * | 2024-03-01 | 2024-05-17 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
| CN117992757A (zh) * | 2024-04-03 | 2024-05-07 | 菏泽市土地储备中心 | 基于多维数据的国土生态环境遥感数据分析方法 |
| CN118656786A (zh) * | 2024-08-14 | 2024-09-17 | 本溪钢铁(集团)有限责任公司 | 一种铁矿高光谱数据融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222836B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222836B (zh) | 一种高光谱与多光谱遥感信息融合方法及系统 | |
| CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
| CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
| CN112287978A (zh) | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 | |
| CN108830796A (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
| Ren et al. | Infrared and visible image fusion based on variational auto-encoder and infrared feature compensation | |
| CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
| Xin et al. | Image recognition of crop diseases and insect pests based on deep learning | |
| Student | Study of image fusion-techniques method and applications | |
| CN109344898A (zh) | 基于稀疏编码预训练的卷积神经网络图像分类方法 | |
| CN117422936B (zh) | 一种遥感图像分类方法及系统 | |
| CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
| CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
| CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
| Wang et al. | No-reference stereoscopic image quality assessment using quaternion wavelet transform and heterogeneous ensemble learning | |
| CN110458208A (zh) | 基于信息测度的高光谱图像分类方法 | |
| Si et al. | A novel method for single nighttime image haze removal based on gray space | |
| Chen et al. | Attentive generative adversarial network for removing thin cloud from a single remote sensing image | |
| Liu et al. | Multi-scale saliency measure and orthogonal space for visible and infrared image fusion | |
| Chavarín et al. | Contrast enhancement in images by homomorphic filtering and cluster-chaotic optimization | |
| Yu et al. | Decolorization algorithm based on contrast pyramid transform fusion | |
| CN110807746B (zh) | 一种基于细节内嵌注入卷积神经网络高光谱图像锐化方法 | |
| Ullagaddi et al. | An enhanced feature extraction technique for diagnosis of pathological problems in mango crop | |
| CN108986052B (zh) | 一种自适应的图像去光照方法和系统 | |
| Mondal et al. | Dct coefficients weighting (dctcw)-based gray wolf optimization (gwo) for brightness preserving image contrast enhancement |
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 |