CN113592749A - 基于直方图匹配的光谱数据校正方法、存储介质及设备 - Google Patents

基于直方图匹配的光谱数据校正方法、存储介质及设备 Download PDF

Info

Publication number
CN113592749A
CN113592749A CN202110870219.7A CN202110870219A CN113592749A CN 113592749 A CN113592749 A CN 113592749A CN 202110870219 A CN202110870219 A CN 202110870219A CN 113592749 A CN113592749 A CN 113592749A
Authority
CN
China
Prior art keywords
data
odd
histogram
line data
gray level
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
Application number
CN202110870219.7A
Other languages
English (en)
Inventor
李思远
陈铁桥
王倩莹
冯向朋
张耿
王爽
刘学斌
李海巍
王一豪
刘杰
刘佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
China Academy of Space Technology CAST
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
China Academy of Space Technology CAST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS, China Academy of Space Technology CAST filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202110870219.7A priority Critical patent/CN113592749A/zh
Publication of CN113592749A publication Critical patent/CN113592749A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/80—
    • G06T5/90—

Abstract

本发明属于一种光谱数据校正方法，为解决对地遥感成像中，采用并行采样会导致复原光谱数据奇数行和偶数行存在差异，形成奇偶行明暗相间的现象，即使对奇数行和偶数行乘以一个固定系数进行校正，也会忽略不同亮度等级数据的差异，导致校正不完全的技术问题，提供一种基于直方图匹配的光谱数据校正方法、计算机可读存储介质及终端设备。校正方法为对获取的欠采样数据进行奇偶行拆分并复原，分别统计复原光谱各波段奇数行和偶数行数据的直方图分布，求取各波段奇偶行数据的平均期望直方图和累计直方图，再利用直方图匹配建立奇偶行数据的累计直方图和平均期望累计直方图的灰度级映射关系。

Description

基于直方图匹配的光谱数据校正方法、存储介质及设备
技术领域
本发明属于一种光谱数据校正方法，具体涉及一种基于直方图匹配的光谱数据校正方法、计算机可读存储介质及终端设备。
背景技术
时空联合调制型干涉光谱成像技术是一种重要的对地观测技术，是通过单次成像获得视场内两维地物目标不同光程差下的干涉信息，通过搭载平台推扫成像获得同一地物目标各个光程差的干涉信息，经过连续推扫成像获取各个光程差的干涉信息，再经过抽帧和光谱复原后获得完整的光谱信息。
在对地遥感成像中，对空间分辨率要求越来越高，但探测器最高采样频率有限，在最高采样频率下，两次成像间隔中推扫相对位移超过1个像元，因此，通过简单的抽帧无法获得各光程差下的完整干涉信息。为了解决上述问题，在推扫成像过程中，通常采用并行采样(即两次成像间隔中推扫位移2个像元)，利用先拆分奇偶行探测器数据，再进行复原的方法来弥补采样频率不足的问题。但这种奇偶并行采样会导致复原光谱数据奇数行和偶数行存在差异，形成奇偶行明暗相间的现象。目前，往往针对奇数行和偶数行乘以一个固定的系数进行校正，忽略了不同亮度等级数据的差异，导致校正不完全。
发明内容
本发明为解决对地遥感成像中，采用并行采样会导致复原光谱数据奇数行和偶数行存在差异，形成奇偶行明暗相间的现象，即使对奇数行和偶数行乘以一个固定系数进行校正，也会忽略不同亮度等级数据的差异，导致校正不完全的技术问题，提供一种基于直方图匹配的光谱数据校正方法、计算机可读存储介质及终端设备，利用直方图匹配的方法来进行奇偶行数据校正，实现了不同亮度等级数据高精度的奇偶效应校正。
为实现上述发明目的，本发明提供如下技术方案：
一种基于直方图匹配的光谱数据校正方法，其特殊之处在于，包括以下步骤：
S1，对获取的成像光谱仪原始LASIS数据奇数行和偶数行进行拆分，生成拆分后的LASIS数据；
S2，将拆分后的LASIS数据转换为LAMIS数据，再对LAMIS数据进行光谱复原，获得复原光谱图像；
S3，分别对步骤S2所述复原光谱图像中复原光谱数据各波段的奇数行数据和偶数行数据进行直方图统计；
S4，求取奇数行数据和偶数行数据的期望直方图，以及奇数行数据的累计直方图和偶数行数据的累计直方图，并求得奇数行数据和偶数行数据的期望累计直方图；
S5，根据复原光谱数据各波段下，所述累计直方图和所述期望累计直方图之间的灰度级映射关系，建立奇偶行校正灰度映射查找表；
S6，通过步骤S5中所述查找表，对复原光谱图像中各行复原光谱数据灰度级进行更新，得到校正后的各行光谱数据。
进一步地，所述步骤S3具体为：
S3.1，通过下式，对所述复原光谱图像中复原光谱数据各波段的数据逐行进行统计，获得各行数据直方图的概率密度函数：
Figure BDA0003188822790000021
其中，b为复原光谱数据的波段，b＝1,2…B，B为复原光谱数据的波段的总波段数，k为复原光谱图像中每个像素的灰度级，k＝0,1,2…K，K为复原光谱数据直方图中像素的最大灰度级，i为复原光谱数据的行数，i＝1,2…m，m为复原光谱数据的总行数，
Figure BDA0003188822790000022
为复原光谱数据第b波段第i行数据在灰度级为k时的像素数目，
Figure BDA0003188822790000023
为复原光谱数据第b波段第i行数据的总像素数目，Pi b(k)为复原光谱数据第b波段第i行数据直方图在灰度级为k时的概率密度函数；
S3.2，分别对所有奇数行数据直方图的概率密度函数和所有偶数行数据直方图的概率密度函数求平均，获得各波段下奇数行数据直方图的概率密度函数和偶数行数据直方图的概率密度函数：
Figure BDA0003188822790000024
Figure BDA0003188822790000025
其中，odd表示奇数行，even表示偶数行，Lodd表示奇数行总行数，Leven表示偶数行总行数，
Figure BDA0003188822790000031
为复原光谱数据第b波段奇数行数据直方图在灰度级为k时的概率密度函数，
Figure BDA0003188822790000032
为复原光谱数据第b波段偶数行数据直方图在灰度级为k时的概率密度函数。
进一步地，所述步骤S4具体为：
S4.1，通过下式求取奇数行数据和偶数行数据的期望直方图：
Figure BDA0003188822790000033
其中，
Figure BDA0003188822790000034
表示复原光谱数据波段为b灰度级为k时奇数行数据和偶数行数据的期望直方图；
S4.2，通过下式求取奇数行数据的累计直方图和偶数行数据的累计直方图：
Figure BDA0003188822790000035
Figure BDA0003188822790000036
其中，t表示灰度级，
Figure BDA0003188822790000037
表示波段为b灰度级为k奇数行数据的累计直方图，
Figure BDA0003188822790000038
表示波段为b灰度级为k偶数行数据的累计直方图，
Figure BDA0003188822790000039
表示第b波段奇数行数据直方图在灰度级为t时的概率密度函数，
Figure BDA00031888227900000310
表示第b波段偶数行数据直方图在灰度级为t时的概率密度函数；
S4.3，通过下式求取奇数行数据和偶数行数据的期望累计直方图：
Figure BDA00031888227900000311
其中，
Figure BDA00031888227900000312
表示波段为b灰度级为k时奇数行数据和偶数行数据的期望累计直方图，
Figure BDA00031888227900000313
表示复原光谱数据波段为b灰度级为t时奇数行数据和偶数行数据的期望直方图。
进一步地，所述步骤S5具体为，对每一个波段按照下式求得灰度级k与灰度级g的映射关系：
Figure BDA00031888227900000314
其中，OE表示奇数行或者偶数行；
如果OE表示奇数行，
Figure BDA00031888227900000315
如果OE表示偶数行，
Figure BDA00031888227900000316
Figure BDA00031888227900000317
表示波段为b灰度级为g时奇数行数据和偶数行数据的期望累计直方图，
Figure BDA00031888227900000318
表示波段为b灰度级为g+1时奇数行数据和偶数行数据的期望累计直方图，g表示更新后的灰度级；
确认灰度级k与更新后的灰度级g的映射关系，并根据该映射关系得到每一个波段下奇偶行校正灰度映射查找表。
进一步地，所述步骤S6具体为：
在步骤S5得到的每一个波段下奇偶行校正灰度映射查找表中，确认每一个波段下每个灰度级对应更新后的灰度级，对复原光谱图像中各行复原光谱数据灰度级进行更新，得到校正后的各行光谱数据。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于，该程序被处理器执行时实现如上所述方法的步骤。
另外，本发明还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特殊之处在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明基于直方图匹配的光谱数据校正方法，利用拆分奇偶行探测器数据再进行复原的方法来弥补采样率的不足，而由于奇偶行探测器的差异会导致光谱复原图像奇数行数据和偶数行数据呈现明显的亮暗差异(奇偶行效应)，本发明利用直方图匹配建立奇偶行数据的累计直方图和期望累计直方图的灰度级映射关系(奇偶校正查找表)，实现了奇数行和偶数行效应的校正，获得了空间一致性较好的数据。本发明能够处理不同灰度级的奇偶行校正，使得各个灰度级奇偶行效应都能得到较好校正，通过大量统计数据得到直方图匹配查找表，能够有效提升奇偶行校正的稳定性。
2.本发明中提供了直方图、期望直方图、累计直方图和期望累计直方图的具体计算方法，最终通过查表法即可对灰度级进行更新，获得校正后的数据，本发明的方法简便直观，能够以高效率完成光谱数据校正。
3.本发明还提供了能够执行上述方法步骤的计算机可读存储介质和终端设备，能够将本发明的方法推广应用，便于在相应的硬件设备上实现校正。
附图说明
图1为本发明基于直方图匹配的光谱数据校正方法实施例的流程示意图；
图2为本发明图1实施例中某波段下的复原光谱图像；
图3为本发明图1实施例中奇数行数据的直方图；
图4为本发明图1实施例中偶数行数据的直方图；
图5为本发明图1实施例中奇数行数据和偶数行数据的期望直方图；
图6为本发明图1实施例中奇数行数据的累计直方图、偶数行数据的累计直方图，以及奇数行数据和偶数行数据的期望累计直方图对比图；
图7为本发明图1实施例中奇偶行校正灰度映射查找表对应奇数行校正系数曲线和偶数行校正系数曲线；
图8为采用本发明图1实施例方法得到的与图2对应校正后的光谱图像。
具体实施方式
下面将结合本发明的实施例和附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例并非对本发明的限制。
本发明提出一种基于直方图匹配的时空联合调制型干涉成像光谱数据的奇偶行效应校正方法，针对时空联合调制型干涉成像光谱仪并行采样中奇数行和偶数行辐射不一致，利用直方图统计获取奇数行和偶数行复原光谱数据分布差异，通过直方图匹配建立奇偶校正查找表，实现奇偶行效应的校正。
时空联合调制型成像光谱仪受其物理采样频率的限制，在推扫成像过程中使用并行采样方法(两次成像间隔中推扫位移2个像元)获取数据，并利用拆分奇数行和偶数行探测器数据再进行复原的方法来弥补采样率的不足，而由于奇数行和偶数行探测器获取数据的差异，会导致光谱复原图像奇数行和偶数行数据呈现明显的亮暗差异(奇偶行效应)。利用直方图匹配建立奇偶行数据的累计直方图和平均期望累计直方图的灰度级映射关系(奇偶校正查找表)，以实现奇偶行效应的校正，获得空间一致性较好的数据。
如图1所示，是本发明校正方法的具体实现步骤：
(1)对获取数据的奇数行和偶数行进行拆分，生成新的LASIS数据，完成LASIS数据到LAMIS数据转换，并进行光谱复原。图2是复原光谱图像中某个波段的图像，该图像呈现明暗相间的条纹，图像视觉质量较差。
(2)对复原光谱图像中复原光谱数据各波段的数据逐行进行统计获得各行数据直方图的概率密度函数：
Figure BDA0003188822790000051
其中，b为复原光谱数据的波段，b＝1,2…B，B为复原光谱数据的波段的总波段数，k为复原光谱图像中每个像素的灰度级，k＝0,1,2…K，K为复原光谱数据直方图中像素的最大灰度级，i为复原光谱数据的行数，i＝1,2…m，m为复原光谱数据的总行数，
Figure BDA0003188822790000061
为复原光谱数据第b波段第i行数据在灰度级为k时的像素数目，
Figure BDA0003188822790000062
为复原光谱数据第b波段第i行数据的总像素数目，Pi b(k)为复原光谱数据第b波段第i行数据直方图在灰度级为k时的概率密度函数。
然后分别对所有奇数行数据直方图的概率密度函数和所有偶数行直方图的概率密度函数求平均，获得各波段下奇数行数据直方图的概率密度函数和偶数行数据直方图的概率密度函数：
Figure BDA0003188822790000063
该式中i＝1,3,5,...
Figure BDA0003188822790000064
该式中i＝2,4,6,...
其中，odd表示奇数行，even表示偶数行，Lodd表示奇数行总行数，Leven表示偶数行总行数，
Figure BDA0003188822790000065
为复原光谱数据第b波段奇数行数据直方图在灰度级为k时的概率密度函数。
Figure BDA0003188822790000066
为复原光谱数据第b波段偶数行数据直方图在灰度级为k时的概率密度函数。
采用上式进行计算，得到的奇数行数据概率密度函数如图3所示，偶数行数据概率密度函数如图4所示。
(3)通过下式求取奇数行数据和偶数行数据的平均值，获取如图5所示奇数行数据和偶数行数据的期望直方图：
Figure BDA0003188822790000067
其中，odd表示奇数行，even表示偶数行，
Figure BDA0003188822790000068
表示波段为b灰度级为k时奇数行数据和偶数行数据的期望直方图，
Figure BDA0003188822790000069
表示波段为b灰度级为k时奇数行数据直方图的概率密度，
Figure BDA00031888227900000610
表示波段为b灰度级为k时偶数行数据直方图的概率密度。
(4)通过下式求取奇数行数据的累计直方图和偶数行数据的累计直方图：
Figure BDA00031888227900000611
Figure BDA00031888227900000612
其中，t表示灰度级，
Figure BDA00031888227900000613
表示波段为b灰度级为k奇数行数据的累计直方图，
Figure BDA00031888227900000614
表示波段为b灰度级为k偶数行数据的累计直方图，
Figure BDA00031888227900000615
表示第b波段奇数行数据直方图在灰度级为t时的概率密度函数，
Figure BDA0003188822790000071
表示第b波段偶数行数据直方图在灰度级为t时的概率密度函数。
(5)通过下式求取奇数行数据和偶数行数据的期望累计直方图：
Figure BDA0003188822790000072
其中，t表示灰度级，
Figure BDA0003188822790000073
表示波段为b灰度级为k时奇数行数据和偶数行数据的期望累计直方图，
Figure BDA0003188822790000074
表示复原光谱数据波段为b灰度级为t时奇数行数据和偶数行数据的期望直方图。
如图6所示，示出了奇数行数据的累计直方图、偶数行数据的累计直方图，以及奇数行数据和偶数行数据的期望累计直方图对比图。
(6)利用直方图匹配建立各波段奇数行数据的累计直方图、偶数行数据的累计直方图和平均期望累计直方图之间的灰度级映射关系，获取奇偶行校正灰度映射查找表。
对第b波段某一行探元(OE＝odd表示奇数行，OE＝even表示偶数行)的灰度级k来说，在奇数行数据和偶数行数据的期望直方图上找到一个灰度级g，使得
Figure BDA0003188822790000075
建立k到g的映射。对各波段奇数行数据和偶数行数据所有灰度等级进行映射关系建立，最终得到如图7所示某个波段的奇偶行校正灰度映射查找表对应的曲线图，分别为奇数行数据校正灰度映射查找表对应的奇数行校正系数曲线，以及偶数行数据校正灰度映射查找表对应的偶数行校正系数曲线。
其中，
Figure BDA0003188822790000076
表示波段为b灰度级为g时奇数行数据和偶数行数据的期望累计直方图，
Figure BDA0003188822790000077
表示波段为b灰度级为g+1时奇数行数据和偶数行数据的期望累计直方图，g表示更新后的灰度级。
(7)利用某个波段的奇偶行校正灰度映射查找表，对复原光谱数据灰度级进行更新，得到奇偶行校正后的光谱图像，校正后得到的该波段下奇偶行校正的图像如图8所示，奇偶行效应得到明显减弱，视觉质量得到了较大的提升。
本发明的校正方法可在计算机可读存储介质中应用，计算机可读存储介质存储有计算机程序，上述校正方法可作为计算机程序存储于计算机可读存储介质中，计算机程序被处理器执行时实现上述校正方法的各步骤。
另外，本发明的校正方法还可以应用于终端设备，该终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现本发明校正方法的步骤。此处的终端设备可以是计算机、笔记本、掌上电脑，及各种云端服务器等计算设备，处理器可以是通用处理器、数字信号处理器、专用集成电路或其他可编程逻辑器件等。
以上所述仅为本发明的实施例，并非对本发明保护范围的限制，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。

Claims (7)

1.一种基于直方图匹配的光谱数据校正方法，其特征在于，包括以下步骤：
S1，对获取的成像光谱仪原始LASIS数据奇数行和偶数行进行拆分，生成拆分后的LASIS数据；
S2，将拆分后的LASIS数据转换为LAMIS数据，再对LAMIS数据进行光谱复原，获得复原光谱图像；
S3，分别对步骤S2所述复原光谱图像中复原光谱数据各波段的奇数行数据和偶数行数据进行直方图统计；
S4，求取奇数行数据和偶数行数据的期望直方图，以及奇数行数据的累计直方图和偶数行数据的累计直方图，并求得奇数行数据和偶数行数据的期望累计直方图；
S5，根据复原光谱数据各波段下，所述累计直方图和所述期望累计直方图之间的灰度级映射关系，建立奇偶行校正灰度映射查找表；
S6，通过步骤S5中所述查找表，对复原光谱图像中各行复原光谱数据灰度级进行更新，得到校正后的各行光谱数据。
2.根据权利要求1所述一种基于直方图匹配的光谱数据校正方法，其特征在于，所述步骤S3具体为：
S3.1，通过下式，对所述复原光谱图像中复原光谱数据各波段的数据逐行进行统计，获得各行数据直方图的概率密度函数：
Figure FDA0003188822780000011
其中，b为复原光谱数据的波段，b＝1,2…B，B为复原光谱数据的波段的总波段数，k为复原光谱图像中每个像素的灰度级，k＝0,1,2…K，K为复原光谱数据直方图中像素的最大灰度级，i为复原光谱数据的行数，i＝1,2…m，m为复原光谱数据的总行数，
Figure FDA0003188822780000012
为复原光谱数据第b波段第i行数据在灰度级为k时的像素数目，
Figure FDA0003188822780000013
为复原光谱数据第b波段第i行数据的总像素数目，
Figure FDA0003188822780000014
为复原光谱数据第b波段第i行数据直方图在灰度级为k时的概率密度函数；
S3.2，分别对所有奇数行数据直方图的概率密度函数和所有偶数行数据直方图的概率密度函数求平均，获得各波段下奇数行数据直方图的概率密度函数和偶数行数据直方图的概率密度函数：
Figure FDA0003188822780000021
Figure FDA0003188822780000022
其中，odd表示奇数行，even表示偶数行，Lodd表示奇数行总行数，Leven表示偶数行总行数，
Figure FDA0003188822780000023
为复原光谱数据第b波段奇数行数据直方图在灰度级为k时的概率密度函数，
Figure FDA0003188822780000024
为复原光谱数据第b波段偶数行数据直方图在灰度级为k时的概率密度函数。
3.根据权利要求2所述一种基于直方图匹配的光谱数据校正方法，其特征在于，所述步骤S4具体为：
S4.1，通过下式求取奇数行数据和偶数行数据的期望直方图：
Figure FDA0003188822780000025
其中，
Figure FDA0003188822780000026
表示复原光谱数据波段为b灰度级为k时奇数行数据和偶数行数据的期望直方图；
S4.2，通过下式求取奇数行数据的累计直方图和偶数行数据的累计直方图：
Figure FDA0003188822780000027
Figure FDA0003188822780000028
其中，t表示灰度级，
Figure FDA0003188822780000029
表示波段为b灰度级为k奇数行数据的累计直方图，
Figure FDA00031888227800000210
表示波段为b灰度级为k偶数行数据的累计直方图，
Figure FDA00031888227800000211
表示第b波段奇数行数据直方图在灰度级为t时的概率密度函数，
Figure FDA00031888227800000212
表示第b波段偶数行数据直方图在灰度级为t时的概率密度函数；
S4.3，通过下式求取奇数行数据和偶数行数据的期望累计直方图：
Figure FDA00031888227800000213
其中，
Figure FDA00031888227800000214
表示波段为b灰度级为k时奇数行数据和偶数行数据的期望累计直方图，
Figure FDA00031888227800000215
表示复原光谱数据波段为b灰度级为t时奇数行数据和偶数行数据的期望直方图。
4.根据权利要求3所述一种基于直方图匹配的光谱数据校正方法，其特征在于，所述步骤S5具体为，对每一个波段按照下式求得灰度级k与灰度级g的映射关系：
Figure FDA00031888227800000216
其中，OE表示奇数行或者偶数行；
如果OE表示奇数行，
Figure FDA0003188822780000031
如果OE表示偶数行，
Figure FDA0003188822780000032
Figure FDA0003188822780000033
表示波段为b灰度级为g时奇数行数据和偶数行数据的期望累计直方图，
Figure FDA0003188822780000034
表示波段为b灰度级为g+1时奇数行数据和偶数行数据的期望累计直方图，g表示更新后的灰度级；
确认灰度级k与更新后的灰度级g的映射关系，并根据该映射关系得到每一个波段下奇偶行校正灰度映射查找表。
5.根据权利要求4所述一种基于直方图匹配的光谱数据校正方法，其特征在于，所述步骤S6具体为：
在步骤S5得到的每一个波段下奇偶行校正灰度映射查找表中，确认每一个波段下每个灰度级对应更新后的灰度级，对复原光谱图像中各行复原光谱数据灰度级进行更新，得到校正后的各行光谱数据。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至5任一所述方法的步骤。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至5任一所述方法的步骤。
CN202110870219.7A 2021-07-30 2021-07-30 基于直方图匹配的光谱数据校正方法、存储介质及设备 Pending CN113592749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110870219.7A CN113592749A (zh) 2021-07-30 2021-07-30 基于直方图匹配的光谱数据校正方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110870219.7A CN113592749A (zh) 2021-07-30 2021-07-30 基于直方图匹配的光谱数据校正方法、存储介质及设备

Publications (1)

Publication Number Publication Date
CN113592749A true CN113592749A (zh) 2021-11-02

Family

ID=78252431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110870219.7A Pending CN113592749A (zh) 2021-07-30 2021-07-30 基于直方图匹配的光谱数据校正方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113592749A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1803092A (zh) * 2005-11-29 2006-07-19 东南大学 基于均匀标记物校正回波平面成像技术中幽灵伪影的方法
CN101442608A (zh) * 2008-12-31 2009-05-27 中国资源卫星应用中心 一种对ccd相机的相对辐射校正进行改进的方法
CN104217399A (zh) * 2013-05-29 2014-12-17 无锡华润矽科微电子有限公司 实现红外图像进行平台直方图均衡处理功能的电路及方法
CN104376827A (zh) * 2014-11-26 2015-02-25 京东方科技集团股份有限公司 校正液晶显示装置的方法和设备
CN108154479A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种对遥感图像进行图像校正的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1803092A (zh) * 2005-11-29 2006-07-19 东南大学 基于均匀标记物校正回波平面成像技术中幽灵伪影的方法
CN101442608A (zh) * 2008-12-31 2009-05-27 中国资源卫星应用中心 一种对ccd相机的相对辐射校正进行改进的方法
CN104217399A (zh) * 2013-05-29 2014-12-17 无锡华润矽科微电子有限公司 实现红外图像进行平台直方图均衡处理功能的电路及方法
CN104376827A (zh) * 2014-11-26 2015-02-25 京东方科技集团股份有限公司 校正液晶显示装置的方法和设备
CN108154479A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种对遥感图像进行图像校正的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张朋楼: "卫星图像校正算法的研究与应用", 知网硕士电子期刊 *
张磊;王岳环;宋琼;: "红外焦平面条带状非均匀性校正硬件实现方法", 红外与激光工程, no. 10, 25 October 2015 (2015-10-25) *
曹玮亮;廖宁放;崔德琪;谭博能;: "推扫型干涉成像光谱仪去除条带非均匀性的方法", 光子学报, no. 04 *
郭建宁: "CBERS-01/02卫星CCD图像相对辐射校正研究", 中国科学E辑:信息科学, pages 15 - 16 *
钟文, 梁钦, 徐锋, 朱近, 夏德深: "CBERS-1卫星CCD相机零级图像处理研究", 航天返回与遥感, no. 04, 30 December 2002 (2002-12-30) *

Similar Documents

Publication Publication Date Title
CN105261013B (zh) 一种扫描图像质量综合评价方法及评价系统
US8879865B2 (en) Panchromatic sharpening method of spectral image based on fusion of overall structural information and spatial detail information
Chen et al. Blind quality index for tone-mapped images based on luminance partition
CN104272347A (zh) 去除包含在静止图像中的雾的图像处理装置及其方法
JP2012208553A (ja) 画像処理装置、および画像処理方法、並びにプログラム
CN110533665B (zh) 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN111242878A (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN111192298B (zh) 一种夜光遥感影像相对辐射校正方法
Rothe et al. Efficient regression priors for reducing image compression artifacts
CN104050642A (zh) 彩色图像复原方法
CN115564683A (zh) 一种面向舰船检测的全色遥感影像自适应增强方法
Vijayalakshmi et al. A strategic approach towards contrast enhancement by two-dimensional histogram equalization based on total variational decomposition
Yang et al. Structure-preserving speckle reduction of SAR images using nonlocal means filters
CN113592749A (zh) 基于直方图匹配的光谱数据校正方法、存储介质及设备
CN109615584B (zh) 一种基于单应性约束的sar图像序列map超分辨率重建方法
US20220207661A1 (en) Image Descattering Method Based on Iterative Optimization of Atmospheric Transmission Matrix
JP6564158B2 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
CN116095291A (zh) 一种用于媒体流图像传输的图像预处理方法
Lv et al. Low‐light image haze removal with light segmentation and nonlinear image depth estimation
CN114820376A (zh) 条带噪声的融合校正方法、装置、电子设备及存储介质
CN101364303B (zh) 边缘像素提取及处理方法
CN108492264B (zh) 一种基于sigmoid变换的单帧图像快速超分辨方法
Kim et al. No-reference Image Contrast Quality Assessment based on the Degree of Uniformity in Probability Distribution
CN111179185A (zh) 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统
Wang et al. Underwater image quality optimization: Researches, challenges, and future trends

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