CN115082582B - 卫星遥感数据真彩色模拟方法、系统、设备及介质 - Google Patents
卫星遥感数据真彩色模拟方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115082582B CN115082582B CN202210645844.6A CN202210645844A CN115082582B CN 115082582 B CN115082582 B CN 115082582B CN 202210645844 A CN202210645844 A CN 202210645844A CN 115082582 B CN115082582 B CN 115082582B
- Authority
- CN
- China
- Prior art keywords
- green
- red
- image
- true color
- vegetation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 101150104728 GPR88 gene Proteins 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 239000003086 colorant Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 description 11
- 238000003786 synthesis reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000019646 color tone Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100478714 Streptomyces griseus strR gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000419 plant extract Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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 using histogram techniques
-
- 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
- G06T2207/10052—Images from lightfield camera
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种卫星遥感数据真彩色模拟方法、系统、设备及介质,方法包括下述步骤:输入待模拟的影像;计算待模拟的影像的基本参数,确定植被提取的临界值;确定重构红、绿波段的权重系数;重构红、绿波段数据特征;红、绿波段植被区影像二次重构,以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;构建模拟的真彩色影像红、绿、蓝通道;输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。本发明面向真彩色制图、土地利用分类与动态监测等真彩色图像应用需求,提供一种数据自适应能力强的真彩色模拟方法,为模拟技术的规模化应用奠定基础。
Description
技术领域
本发明属于遥感图像处理的技术领域,具体涉及一种卫星遥感数据真彩色模拟方法、系统、设备及介质。
背景技术
卫星遥感数据彩色合成模式包括伪彩色合成、真彩色合成、标准假彩色合成和模拟真彩色合成4种模式。伪彩色合成模式是针对单波段的合成模式,后面三种方法是针对多个波段的彩色合成模式。标准假彩色合成模式将遥感影像的近红外、红、绿波段分别对应影像显示的红、绿、蓝三个色彩通道,合成彩色影像;模拟真彩色合成模式通过数学变换模拟遥感影像的红、绿、蓝波段,将其分别对应影像显示的红、绿、蓝三个色彩通道,合成彩色影像;真彩色合成模式将遥感影像的红、绿、蓝波段与影像显示的红、绿、蓝三个色彩通道一一对应,合成彩色影像。真彩色合成模式由于其与目视效果接近,一直是遥感图像应用领域的关注重点。
遥感影像真彩色合成,对于影像解译与制图、土地利用分类、数字孪生等应用具有重要作用。瑞利散射的作用使可见光蓝光波段受大气影响较为严重,因此一些卫星传感器没有设置蓝光波段,如美国Landsat卫星的MSS、法国的SPOT5、印度的P5、我国的资源02C、04B等。这些卫星传感器积累了大量有用的历史数据,但是由于缺少蓝光波段,不能合成真彩色影像,制约了数据的应用。如何通过合适的数学变换进行波段模拟以合成真彩色图像具有重要应用价值。
目前,真彩色模拟的方法主要有如下3类:
(1)基于参考影像的方法,主要有光谱坐标转换法、线性回归法以及神经网络、支持向量机等非线性回归拟合法。(2)基于地物波谱特征的波段重构方法,可分为基于实地采集波谱库与影像波谱库两类方法。(3)基于波段相关性的方法,主要有加权法、均值法、不确定参数法等。
以上三类方法存在的问题如下:
(1)基于参考影像的方法需要准备与待模拟影像相同成像时间、地点及相近分辨率,且包含待模拟波段波谱范围的参考影像,限制了该方法的规模化应用。(2)基于地物波谱特征的波段重构方法依赖庞大、精细的实地采集波谱库或影像波谱库,难以实际应用。(3)基于波段相关性的方法模型经验性强,适用对象有限,对不同时间、地点、类型的数据适应性不强,往往需要根据具体的影像数据进行经验调整。(4)目前的真彩色模拟方法多着眼于如何构造一个新的蓝波段,然而忽略了一个事实:即具有蓝色波段的卫星数据,其真彩色影像虽然水体和岩石、土壤、建筑物等裸露陆地地物与目视的地面真实一致,但存在植被偏暗、植被区色彩与地面真实色彩不一致的固有缺点。也就是说即便模拟得到了一个很接近于真实影像的蓝波段,用原始的红、绿波段与新的蓝波段按照三原色通道组合得到的真彩色影像也存在植被暗淡、色彩不真实的缺点。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,面向真彩色制图、土地利用分类与动态监测等真彩色图像应用需求,提供一种卫星遥感数据真彩色模拟方法、系统、设备及介质,为模拟技术的规模化应用奠定基础。
为了达到上述目的,本发明采用以下技术方案:
本发明一方面提供了一种卫星遥感数据真彩色模拟方法,包括下述步骤:
输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
作为优选的技术方案,所述比值植被指数Rv、比值水体指数Rw,归一化植被指数NDVI的计算如下:
Rv=NIR/R;
Rw=NIR/G;
NDVI=(NIR-R)/(NIR+R)。
作为优选的技术方案,所述植被提取的临界值NDVIc根据NDVI影像直方图进行微调。
作为优选的技术方案,所述权重系数Wr、权重系数Wg的计算公式如下:
Wr=min(avgRv,avgRw)
Wg=max(avgRv,avgRw)。
作为优选的技术方案,所述重构红、绿波段数据特征的计算如下:
StrR=R*Wr;
StrG=G*Wg;
其中,StrR表示重构后红波段数据特征,StrG示重构后绿波段数据特征。
作为优选的技术方案,红、绿波段植被区影像二次重构的计算方式如下:
VAER=(NDVI gt NDVIc)*StrR*(NDVI-NDVIc);
VAEG=(NDVI gt NDVIc)*StrG*(NDVI-NDVIc);
其中,VAER表示红波段植被区影像二次重构区域,VAEG表示绿波段植被区影像二次重构区域。
作为优选的技术方案,红、绿两个通道的模拟成果的计算方式如下:
newR=R+VAER*k1;
newG=G+VAEG*k2;
newB=G。
其中,newR表示模拟的真彩色影像红通道,newG表示模拟的真彩色影像绿通道,newB表示模拟的真彩色影像蓝通道,k1、k2为绿度调节系数,1>=k1,k2>0,一般取k1,k2=1;如果绿色过度,则红色波段k1=1,绿色波段k2取小于1的数,如k2=0.5等;反之,如果黄色过度,则对绿色波段运算式取k2=1,对红色波段取k1<1。
本发明另一方面提供了一种卫星遥感数据真彩色模拟系统,包括影像输入模块、参数计算模块、权重确定模块、一次重构模块、二次重构模块、真彩色通道模块以及影像输出模块;
所述影像输入模块,用于输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
所述参数计算模块,用于计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
所述权重确定模块,用于确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
所述一次重构模块,用于重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
所述二次重构模块,用于红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
所述真彩色通道模块,用于构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
所述影像输出模块,输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
本发明又一方面提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的卫星遥感数据真彩色模拟方法。
本发明再一方面提供了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现所述的卫星遥感数据真彩色模拟方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明技术目标明确,原理清晰——权重系数的确定依据比值水体指数与比值植被指数的平均值,为确保植被绿色,取其大者为绿波段重构的权重系数,取其小者为红波段重构的权重系数;利用通用归一化植被指数提取植被信息,并将归一化植被指数作为权重植被区重构突出植被之间的差异;可见光的绿波段与蓝色波段相关性强,可以用绿色波段代替蓝色波段。结果可预见,模拟效果好。
(2)本发明方法参数计算取决于数据自身的特点,与数据产生的物理背景无关,无需实测的地物光谱曲线作为基础;与数据获取的时间、地点无关,无需经验确定权重;算法简单明确,与数据平台、传感器类型无关,可以适用于所有具有近红外、红、绿波段的可见光假彩色遥感数据的真彩色模拟,自适应能力强,用途广泛。
(3)本发明方法通过增强红、绿波段的植被信息进行真彩色模拟,为可见光遥感影像真彩色模式的植被增强处理提供了一个可选方案。对于具有近红外、红、绿、蓝波段的可见光遥感影像,将本方法真彩色模拟结果中的绿波段用实际的蓝色波段替换,可以获得良好的真彩色影像增强成果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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获得其他的附图。
图1为本发明实施例卫星遥感数据真彩色模拟方法的流程图;
图2为本发明实施例输入影像的假彩色合成图;
图3为本发明实施例真彩色模拟成果图(合成图);
图4为本发明实施例真彩色增强合成图(用原始蓝波段替换模拟的真彩色蓝波段);
图5为本发明实施例输入影像的真彩色合成原图;
图6(a)为本发明实施例模拟的SPOT真彩色影像;
图6(b)为本发明实施例表1中模型1模拟的SPOT真彩色影像;
图6(c)为本发明实施例表1中模型2模拟的SPOT真彩色影像;
图6(d)为本发明实施例表1模型4模拟的SPOT真彩色影像;
图6(e)为本发明实施例表1模型5模拟的SPOT真彩色影像;
图6(f)为本发明实施例表1模型6模拟的SPOT真彩色影像;
图6(g)为本发明实施例表1模型7模拟的SPOT真彩色影像;
图6(h)为本发明实施例表1中模型8模拟的SPOT真彩色影像;
图7为本发明实施例卫星遥感数据真彩色模拟系统的方框图;
图8为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请中提及“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,本申请所描述的实施例可以与其它实施例相结合。
现存的9种线性波段运算模型如表1所示,主要用于处理SPOT数据及彩红外航片数据。
表1 9种线性波段运算模型表
本发明所述的卫星遥感数据真彩色模拟方法,以比值植被指数(近红外与红波段植被)平均值和比值水体指数(近红外与绿波段之比)平均值的大者和小者分别作为假彩色数据红、绿波段重构的权重系数,与对应的红、绿波段相乘,能够有效地同化红、绿波段的数据特征,使其植被区域的数据增强,其它区域数据弱化;利用归一化植被指数重构波段的植被信息并将归一化植被指数作为权重因子与重构波段相乘有效突出不同植被间的差异;将一次重构、二次重构后的红、绿波段与原始红、绿波段对应相加,获得最终重构的红、绿波段数据;将原始绿色波段作为模拟的真彩色影像的蓝色通道。如图1所示,本发明卫星遥感数据真彩色模拟方法,具体实现按下列步骤进行:
S1、输入待模拟的影像:输入可见光遥感影像近红外(NIR)、红(R)、绿(G)波段数据。
S2、计算模拟的基本参数:计算输入图像的比值植被指数Rv及比值水体指数Rw,归一化植被指数NDVI,确定植被提取的临界值NDVIc。其算式如下:
Rv=NIR/R;
Rw=NIR/G;
NDVI=(NIR-R)/(NIR+R);
NDVIc为区分植被与非植被的阈值,一般取NDVIc=0,可根据NDVI影像直方图微调以取得更好的植被提取结果。S3、确定重构红、绿波段的权重系数:统计Rv、Rw的平均值avgRv、avgRw,将其小者作为红波段重构的权重系数Wr,大者作为绿波段重构的权重系数Wg。其算式如下:
Wr=min(avgRv,avgRw)
Wg=max(avgRv,avgRw)
S4、重构红、绿波段数据特征:用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段。其算式如下:
StrR=R*Wr;
StrG=G*Wg。
S5、红、绿波段植被区影像二次重构:用归一化植被指数的临界值,提取步骤S4的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值。其算式如下:
VAER=(NDVI gt NDVIc)*StrR*(NDVI-NDVIc);
VAEG=(NDVI gt NDVIc)*StrG*(NDVI-NDVIc)。
其中NDVIc为植被判别的临界值。
S6、构建模拟的真彩色影像红、绿、蓝通道:将步骤S5处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果。其算式如下:
newR=R+VAER*k1;
newG=G+VAEG*k2;
newB=G。
其中k1、k2为绿度调节系数,1>=k1,k2>0,一般取k1,k2=1。如果绿色过度,则红色波段k1=1,绿色波段k2取小于1的数,如k2=0.5等;反之,如果黄色过度,则对绿色波段运算式取k2=1,对红色波段取k1<1,如k1=0.5等。
S7、输出真彩色模拟图像:将newR、newG、newB分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
为实现可见光遥感假彩色数据的真彩色模拟目标,本发明主要利用ENVI遥感图像处理软件来实现,以一幅具有近红外波段(NIR)、红光波段(R)、绿光波段(G)的遥感影像图进一步描述。(按照ENVI缺省设置0.5%拉伸的效果图)
1.输入遥感影像图。
以广州市2016年12月15号的一景高分1号数据为例。近红外、红、绿波段分别记为NIR,R,G。其假彩色合成影像如图2。
2.计算模拟的基本参数
(1)建立波段运算表达式(1.0*b1-b2)/(1.0*b1+b2),输入b1为近红外波段NIR,b2为红光波段R,计算得到归一化植被指数NDVI;分析确定其植被提取的临界值NDVIc=0.165319。
(2)建立波段运算表达式1.0*b1/b2,输入b1为近红外波段NIR,b2为红光波段R,计算得到比值植被指数Rv。
(3)利用波段运算表达式1.0*b1/b2,输入b1为近红外波段NIR,b2为绿光波段G,计算比值水体指数Rw。
3.确定重构红、绿波段数据权重系数
(1)利用ENVI统计工具,统计比值植被指数的平均值avgRv=1.175708及比值水体指数的平均值avgRw=0.811832
(2)确定重构权重系数Wr=min(1.175708,0.811832)=0.811832,Wg=max(1.175708,0.811832)=1.175708。
4.重构红、绿波段数据
(1)建立波段运算式0.811832*b1,输入b1为红波段R,计算得到重构的红波段StrR。。
(2)建立波段运算式1.175708*b1,输入b1为绿波段GREEN,计算得到重构的绿波段StrG。。
5.重构植被区域影像
(1)建立波段运算表达式(b1 gt 0.0.165319)*(b1-0.165319)*b2,输入b1为植被指数NDVI,b2为StrR,计算得到提取的植被区域图像VAER。
(2)利用波段运算表达式(b1 gt 0.165319)*(b1-0.165319)*b2,输入b1为植被指数NDVI,b2为StrG,计算得到提取的植被区域图像VAEG。
6.构建模拟的真彩色影像红、绿、蓝三个通道
(1)建立波段运算表达式uint(1.0*b1+b2),输入b1为红波段R,b2为重构植被区影像VAER,计算得到模拟的红波段newR。
(2)建立波段运算表达式uint(1.0*b1+b2),输入b1为绿波段G,b2为重构植被区影像VAEG,计算得到模拟的绿波段newG。
(3)用原始绿波段影像作为模拟的蓝波段,newB=G。
7.存储newR、newG、newB作为影像显示的红、绿、蓝三个通道为新文件,获得模拟的真彩色影像NCSimu。模拟成果如图3。
运用上述真彩色模拟的红、绿波段模拟成果,用原始蓝波段作为蓝色通道,获得增强的真彩色成果如图4。输入影像的真彩色原图见图5。
表2为真彩色模拟成果与真彩色增强成果、真彩色原图在HSI色彩空间的色调分量的相关性统计成果。可见:真彩色模拟成果色调与真彩色增强成果色调高度相关,与真彩色原图色调相关性相对较低(这是因为前两者采用相同的方法对原真彩色影像进行了植被增强导致的),实现了真彩色模拟的主要目标——与真彩色影像色调一致。
表2三种合成影像在HSI色彩空间色调分量相关性统计表
色调相关性 | Hue1(真彩色模拟) | Hue2(真彩色增强) | Hue3(真彩色原图) |
Hue1(真彩色模拟) | 1.0000 | 0.9561 | 0.7595 |
Hue2(真彩色增强) | 0.9561 | 1.0000 | 0.7703 |
Hue3(真彩色原图) | 0.7595 | 0.7703 | 1.0000 |
表3~5给出了植被、水体、裸露地物等大类地物在HSI色彩空间的各分量特征统计表。可见:植被在真彩原图上总体偏蓝,在真彩色增强图与真彩色模拟成果上总体呈黄绿色,色饱和度与明度均高于真彩原图,更加接近于地面真实。水体在真彩色原图上均色为绿偏青,在真彩色增强图上均色为青色偏蓝,在真彩色模拟成果上均色为蓝色偏紫,三者色饱和度和明度相差不大。总体来说,模拟的水色与真彩色原图有偏差,但也符合对水色的习惯认知。裸露地物在真彩色原图、真彩色增强图、真彩色模拟图上色调接近。在本案例中均色都在蓝色调附近,模拟影像偏紫且饱和度、明度偏低。
表3植被在HSI色彩空间各分量统计表
表4水体在HSI色彩空间各分量统计表
表5裸露地物在HSI色彩空间各分量特征统计表
表6、7分别给出了模拟成果与增强成果、真彩色原图对应组合波段的相关性统计及其平均梯度、平均熵、平均亮度的特征值。可见:真彩色模拟总体上增加了图像的平均梯度、平均亮度,影像层次更加丰富,色彩更加鲜明。
表6模拟成果与增强成果、真彩色原图波段相关性统计表
表7模拟成果与增强成果、真彩色原图波段特征统计表
注:联合熵按列分别为红和绿,红和蓝,绿和蓝。
下面结合其他实例进一步阐述本方法的效果。
1.与其它模拟方法的比较分析
以广州市2002年11月7日SPOT5数据,采用本方法与表1中的其他方法的模拟结果比较,由于表1中模型3、模型9涉及到全色与多光谱融合,不在本方法探讨之列。
图6(a)为本发明模拟的真彩色影像。图6(b)~图6(h)分别为表1中模型1、模型2、模型4、模型5、模型6、模型7、模型8将近红外波段限制在植被区域运算,并将模型6、模型7中的模拟的蓝色波段用绿色波段替换(该两个模型中用模拟的蓝波段所得结果完全不合理)所得真彩色模拟结果。结果可见,对比其他方法,本方法模拟的真彩色影像水体更加真实、植被层次更加丰富。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的卫星遥感数据真彩色模拟方法相同的思想,本发明还提供了卫星遥感数据真彩色模拟系统,该系统可用于执行上述卫星遥感数据真彩色模拟方法。为了便于说明,卫星遥感数据真彩色模拟系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
请参阅图7,在本申请的另一个实施例中,提供了一种卫星遥感数据真彩色模拟系统100,该系统包括影像输入模块101、参数计算模块102、权重确定模块103、一次重构模块104、二次重构模块105、真彩色通道模块106以及影像输出模块107;
所述影像输入模块101,用于输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
所述参数计算模块102,用于计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
所述权重确定模块103,用于确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
所述一次重构模块104,用于重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
所述二次重构模块105,用于红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
所述真彩色通道模块106,用于构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
所述影像输出模块107,输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
需要说明的是,本发明的卫星遥感数据真彩色模拟系统与本发明的卫星遥感数据真彩色模拟方法一一对应,在上述卫星遥感数据真彩色模拟方法的实施例阐述的技术特征及其有益效果均适用于卫星遥感数据真彩色模拟的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的卫星遥感数据真彩色模拟系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述卫星遥感数据真彩色模拟系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
请参阅图8,在一个实施例中,提供了一种实现卫星遥感数据真彩色模拟方法的电子设备,所述电子设备200可以包括第一处理器201、第一存储器202和总线,还可以包括存储在所述第一存储器202中并可在所述第一处理器201上运行的计算机程序,如卫星遥感数据真彩色模拟程序203。
其中,所述第一存储器202至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述第一存储器202在一些实施例中可以是电子设备200的内部存储单元,例如该电子设备200的移动硬盘。所述第一存储器202在另一些实施例中也可以是电子设备200的外部存储设备,例如电子设备200上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述第一存储器202还可以既包括电子设备200的内部存储单元也包括外部存储设备。所述第一存储器202不仅可以用于存储安装于电子设备200的应用软件及各类数据,例如卫星遥感数据真彩色模拟程序203的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述第一处理器201在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述第一处理器201是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述第一存储器202内的程序或者模块,以及调用存储在所述第一存储器202内的数据,以执行电子设备200的各种功能和处理数据。
图8仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图8示出的结构并不构成对所述电子设备200的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
所述电子设备200中的所述第一存储器202存储的卫星遥感数据真彩色模拟程序203是多个指令的组合,在所述第一处理器201中运行时,可以实现:
输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
进一步地,所述电子设备200集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.卫星遥感数据真彩色模拟方法,其特征在于,包括下述步骤:
输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
红、绿波段植被区影像二次重构的计算方式如下:
VAER=(NDVI gt NDVIc)* StrR *(NDVI-NDVIc);
VAEG=(NDVI gt NDVIc)* StrG *(NDVI-NDVIc);
其中,VAER表示红波段植被区影像二次重构区域,VAEG表示绿波段植被区影像二次重构区域;
构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
2.根据权利要求1所述卫星遥感数据真彩色模拟方法,其特征在于,所述比值植被指数Rv、比值水体指数Rw,归一化植被指数NDVI的计算如下:
Rv=NIR/R;
Rw=NIR/G;
NDVI=(NIR-R)/(NIR+R)。
3.根据权利要求1所述卫星遥感数据真彩色模拟方法,其特征在于,所述植被提取的临界值NDVIc根据NDVI影像直方图进行微调。
4.根据权利要求1所述卫星遥感数据真彩色模拟方法,其特征在于,所述权重系数Wr、权重系数Wg的计算公式如下:
Wr=min(avgRv,avgRw)
Wg=max(avgRv,avgRw)。
5.根据权利要求1所述卫星遥感数据真彩色模拟方法,其特征在于,所述重构红、绿波段数据特征的计算如下:
StrR=R*Wr;
StrG=G*Wg;
其中,StrR表示重构后红波段数据特征,StrG示重构后绿波段数据特征。
6.根据权利要求1所述卫星遥感数据真彩色模拟方法,其特征在于,红、绿两个通道的模拟成果的计算方式如下:
newR=R+ VAER *k1;
newG=G+ VAEG *k2;
newB=G;
其中,newR表示模拟的真彩色影像红通道,newG表示模拟的真彩色影像绿通道,newB表示模拟的真彩色影像蓝通道, k1、k2为绿度调节系数, 1>=k1,k2>0,一般取k1,k2=1;如果绿色过度,则红色波段k1=1,绿色波段k2取小于1的数,如k2=0.5等;反之,如果红色过度,则对绿色波段运算式取k2=1,对红色波段取k1<1。
7.卫星遥感数据真彩色模拟系统,其特征在于,包括影像输入模块、参数计算模块、权重确定模块、一次重构模块、二次重构模块、真彩色通道模块以及影像输出模块;
所述影像输入模块,用于输入待模拟的影像,所述待模拟的影像包括可见光遥感影像近红外NIR、红R、绿G波段数据;
所述参数计算模块,用于计算待模拟的影像的基本参数,所述基本参数包括比值植被指数Rv、比值水体指数Rw和归一化植被指数NDVI,基于归一化植被指数NDVI确定植被提取的临界值NDVIc;
所述权重确定模块,用于确定重构红、绿波段的权重系数,统计Rv、Rw的平均值avgRv、avgRw,将平均值avgRv、avgRw中小的作为红波段重构的权重系数Wr,大的作为绿波段重构的权重系数Wg;
所述一次重构模块,用于重构红、绿波段数据特征,用波段重构的权重系数Wr和绿波段重构的权重系数Wg分别乘以红、绿波段;
所述二次重构模块,用于红、绿波段植被区影像二次重构,用植被提取的临界值NDVIc,提取重构后的红、绿波段影像的植被区域像元,并以归一化植被指数为权重突出植被区域不同植被类别的差异性,将植被外区域赋0值;
所述真彩色通道模块,用于构建模拟的真彩色影像红、绿、蓝通道,将红、绿波段植被区影像二次重构后的处理成果叠加到原始影像上,获得红、绿两个通道的模拟成果,将原始绿色波段作为模拟的真彩色影像的蓝色通道;
红、绿波段植被区影像二次重构的计算方式如下:
VAER=(NDVI gt NDVIc)* StrR *(NDVI-NDVIc);
VAEG=(NDVI gt NDVIc)* StrG *(NDVI-NDVIc);
其中,VAER表示红波段植被区影像二次重构区域,VAEG表示绿波段植被区影像二次重构区域;
所述影像输出模块,输出真彩色模拟影像,将模拟的真彩色影像红、绿、蓝通道分别作为影像显示的红、绿、蓝通道数据,形成真彩色模拟文件。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-6中任意一项所述的卫星遥感数据真彩色模拟方法。
9.一种计算机可读存储介质,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1-6任一项所述的卫星遥感数据真彩色模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210645844.6A CN115082582B (zh) | 2022-06-09 | 2022-06-09 | 卫星遥感数据真彩色模拟方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210645844.6A CN115082582B (zh) | 2022-06-09 | 2022-06-09 | 卫星遥感数据真彩色模拟方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082582A CN115082582A (zh) | 2022-09-20 |
CN115082582B true CN115082582B (zh) | 2023-03-10 |
Family
ID=83251525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210645844.6A Active CN115082582B (zh) | 2022-06-09 | 2022-06-09 | 卫星遥感数据真彩色模拟方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082582B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935222B (zh) * | 2023-07-25 | 2024-02-13 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
CN117274763B (zh) * | 2023-11-21 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2491794A1 (en) * | 2004-01-14 | 2005-07-14 | Yun Zhang | Method for generating natural colour satellite images |
US8594375B1 (en) * | 2010-05-20 | 2013-11-26 | Digitalglobe, Inc. | Advanced cloud cover assessment |
CN102222238A (zh) * | 2011-05-17 | 2011-10-19 | 中国科学院遥感应用研究所 | 一种高空间分辨率遥感影像自然色产品自动模拟方法 |
CN110070509B (zh) * | 2019-04-26 | 2021-08-27 | 国家卫星气象中心 | 一种可见光遥感图像实时可视化系统及可视化方法 |
CN111007013B (zh) * | 2019-11-01 | 2022-10-14 | 中科禾信遥感科技(苏州)有限公司 | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 |
US20220156492A1 (en) * | 2020-11-18 | 2022-05-19 | Satsure Analytics India Private Limited | System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation |
CN113143521B (zh) * | 2020-12-07 | 2022-06-24 | 深圳云甲科技有限公司 | 一种三维扫描设备采集图像的颜色矫正方法 |
CN113222054B (zh) * | 2021-05-28 | 2022-03-08 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
CN113240758B (zh) * | 2021-05-28 | 2022-03-08 | 珠江水利委员会珠江水利科学研究院 | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 |
-
2022
- 2022-06-09 CN CN202210645844.6A patent/CN115082582B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115082582A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082582B (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
Ying et al. | A new low-light image enhancement algorithm using camera response model | |
CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
CN107229933B (zh) | 自适应体散射模型的freeman/特征值分解方法 | |
CN102982517B (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
Liu et al. | Image contrast enhancement based on intensity expansion-compression | |
CN103942769A (zh) | 一种卫星遥感影像融合方法 | |
Wang et al. | Enhancement for dust-sand storm images | |
CN109657081A (zh) | 高光谱卫星遥感数据的分布式处理方法、系统及介质 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和系统 | |
CN113240758A (zh) | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 | |
CN114863173B (zh) | 一种面向土地资源审计的自互注意力高光谱图像分类方法 | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及系统 | |
Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
JP6943251B2 (ja) | 画像処理装置、画像処理方法及びコンピュータ読み取り可能記録媒体 | |
CN107274361A (zh) | Landsat TM遥感影像数据除云方法及系统 | |
CN114663749A (zh) | 滑坡体识别模型的训练方法、装置、电子设备及存储介质 | |
CN106210696A (zh) | 一种实时虚拟视点合成的方法及装置 | |
CN117058053B (zh) | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 | |
Kumar et al. | Underwater Image Enhancement using deep learning | |
CN115456886A (zh) | 一种基于深度学习和光照模型的航空遥感影像阴影去除方法 | |
Herrera-Arellano et al. | Color outdoor image enhancement by V-NIR fusion and weighted luminance | |
Huang et al. | Intrinsic image transfer for illumination manipulation | |
Wu et al. | Contrast enhancement based on discriminative co-occurrence statistics |
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 |