CN115496685A - 一种针对高分二号卫星遥感影像的快速去薄云方法 - Google Patents
一种针对高分二号卫星遥感影像的快速去薄云方法 Download PDFInfo
- Publication number
- CN115496685A CN115496685A CN202211149633.XA CN202211149633A CN115496685A CN 115496685 A CN115496685 A CN 115496685A CN 202211149633 A CN202211149633 A CN 202211149633A CN 115496685 A CN115496685 A CN 115496685A
- Authority
- CN
- China
- Prior art keywords
- image
- wave band
- band
- resolution
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims description 62
- 238000002834 transmittance Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 19
- 239000003595 mist Substances 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/73—Deblurring; Sharpening
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种针对高分二号卫星遥感影像的快速去薄云方法,包括:采用暗通道算法对输入的原始高分二号卫星遥感影像进行处理,获取暗通道图像,通过最大大气光阈值法,计算暗通道图像的大气光值,对原始高分二号卫星遥感影像进行下采样,获取透射率预估图,再进行导向滤波和插值上采样,得到透射率优化图,基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝、红、绿和近红外波段进行校正,根据大气光值和透射率优化图,将校正后的蓝、红、绿和近红外波段进行组合还原,得到去薄云后的图像。本发明加快了图像处理速度,约束了厚云过校的问题,且进行了图像偏色纠正,从而能够得到更精准的去薄云图像。
Description
技术领域
本发明涉及遥感影像去薄云技术领域,尤其涉及一种针对高分二号卫星遥感影像的快速去薄云方法。
背景技术
近年来高分系列卫星在国家高分专项的推进下,数据质量不断提升,尤其是高分二号影像空间分辨率可达0.8m,突破了亚米级的重要门槛,目前已被农业、林业、规划和自然资源、国防等各领域广泛使用。然而高分二号卫星回访周期相对较长,数据量十分有限,所获取的信息质量依赖于地物表面的光谱反射。通常云层也会作为一种地表物质记录在遥感影像上,尤其是多云多雾的丘陵山地区域,导致原本地表信息被遮挡,降低了影像的利用率和可判读性。随着高分系列卫星影像分辨率的不断提高,云层影响变得更加不容忽视。
云层可大致分为厚云和薄云,厚云遮挡了绝大部分的地面辐射,采用其他时相的影像进行插补是唯一的解决方法;而薄云仅削弱了地物的部分反射特性,因此可以基于单幅影像的特征降低薄云干扰,重建下垫面地物信息,提高高分影像的利用率。
目前,国内外单幅影像去薄云的方法主要分为频域去云和空域去云两类,前者专门针对图像上薄云雾进行滤波处理,后者根据多光谱图像不同波段对云层的反射率差异进行云层检测和处理。频域去云领域较为成熟的方法有同态滤波、小波变换、自适应滤波等。频域去云基本可达到薄云去除的效果,但通常会损失部分地物的低频信息,导致模糊和纹理缺失。关于空域去云算法的研究较多,其中,直方图匹配法是对云区影像和晴空区影像的地类进行直方图匹配,但去云结果图可能出现边缘过渡带;最大化局部对比度法通过调整图像的对比度来实现薄云去除,但对饱和度较高的原图像易造成色彩失真的效果;基于HOT的去薄云方法利用红蓝波段的高度相关性生成HOT图,根据HOT图反映的云雾影响程度分层实施暗目标减法,该方法在植被覆盖区取得了很好的去薄云效果,但对水体、裸地及人工地物等地物类型十分敏感,容易出现过度校正的情形;暗通道先验法是近年来计算机视图领域提出的去雾算法,该方法具有适用性广和速度快的优势。随后一些研究者基于该方法进行了一些改进处理,如通过设置阈值来提高透射率图的计算速度、通过导向滤波优化透射率图的精细程度、通过设置暗通道权值完善图像不连续处的处理效果、将RBG空间转换到HIS空间并对图像进行分割从而提高图像的清晰度、对景深边缘和非景深边缘采用不同模板进行滤波从而降低边缘的不连续效应等。
但是,现有原始暗通道先验法去薄云存在如下问题:
1、目前,市场上尚无专门针对高分二号卫星影像的批量化快速薄云去除方法。暗通道先验法对自然场景下普通光学照片的去云效果较好,且运算速度快,可基本实现普通照片的实时去薄云,可推广至高分二号卫星影像的薄云处理。
2、厚云过校、图像偏蓝的问题。现有的暗通道先验方法在处理成片的高亮区域时将出现过度校正的情形,通常在遥感影像上体现为厚云、水泥地表等高亮地物过校。此外,由于蓝光波段对云层最为敏感,直接应用暗通道先验法对遥感影像进行处理将造成色彩失真的问题。
3、处理速度的问题。单景完整的高分二号卫星影像由全色波段和多光谱波段融合而来,数据量较大,直接采用原始RGB图像或原始图像的灰度图作为导向图对透射率预估图进行处理时,耗时较长,因而处理薄云的总体速度还有待提高。
发明内容
基于此,有必要针对上述技术问题,提供一种针对高分二号卫星遥感影像的快速去薄云方法。
一种针对高分二号卫星遥感影像的快速去薄云方法,包括以下步骤:输入原始高分二号卫星遥感影像,采用暗通道算法对所述原始高分二号卫星遥感影像进行处理,获取暗通道图像;采用最大大气光阈值法,计算所述暗通道图像的大气光值;对所述原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,对所述透射率预估图进行导向滤波和插值上采样,得到透射率优化图;基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝光波段、红光波段、绿光波段和近红外波段进行校正;根据所述大气光值和透射率优化图,将校正后的红光波段、绿光波段、蓝光波段和近红外波段进行组合还原,得到去薄云后的图像。
在其中一个实施例中,所述输入原始高分二号卫星遥感影像,采用暗通道算法对所述原始高分二号卫星遥感影像进行处理,获取暗通道图像,具体包括:对所述高分二号卫星遥感影像进行校正、配准和融合,得到原始高分二号卫星遥感影像,所述原始高分二号卫星遥感影像包括红光波段、绿光波段、蓝光波段和近红外波段;输入所述原始高分二号卫星遥感影像,根据下式将所述原始高分二号卫星遥感影像转换为暗通道图像:
式中,c表示r、g、b中的一个通道;Jc是图像J的一个通道的灰度值;Ω(x)是以像元x为中心的局部领域区域;Jdark为暗像元的灰度值,对于图像的无云雾区域Jdark趋近于0。
在其中一个实施例中,所述采用最大大气光阈值法,计算所述暗通道图像的大气光值,具体包括:提取所述暗通道图像中灰度大小为预设范围内的像素;在所述原始高分二号卫星遥感影像中选取对应位置的所有像素点,并将所述所有像素点的灰度值的平均值作为基础大气光值;设置最大大气光阈值,判断所述基础大气光值与所述最大大气光阈值之间的关系;在所述基础大气光值小于所述最大大气光阈值时,将所述基础大气光值作为大气光值;在所述基础大气光值大于或等于所述最大大气光阈值时,将所述最大大气光阈值作为大气光值。
在其中一个实施例中,所述对所述原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,具体包括:设定采样率,根据所述采样率对所述原始高分二号卫星遥感影像进行下采样操作;根据暗通道先验法算法,假定在透射率t(x)一个局部领域区域Ω(x)内是保持一致的,记作利用下式求取下采样后图像的透射率预估图:
式中,ω为云雾保留参数,0<ω≤1。
在其中一个实施例中,所述采样率的取值范围为[0.25,0.7]。
在其中一个实施例中,所述对所述透射率预估图进行导向滤波和插值上采样,得到透射率优化图,具体包括:将下采样后图像的灰度图作为导向滤波的导向图,通过设定大小的滤波窗口进行滤波,采用导向滤波模型对所述透射率预估图进行优化:
式中,Qi为输出图像,Ii为指导图像,ak和bk为窗口wk中与输入图像有关的线性常量系数;采用插值上采样的方法对优化后的透射率预估图进行上采样,获取原始尺寸下的透射率优化图。
在其中一个实施例中,所述导向滤波窗口的大小设定为60×60。
在其中一个实施例中,所述基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝光波段、红光波段、绿光波段和近红外波段进行校正,具体包括:通过暗通道先验法求取蓝光波段还原值,蓝光波段的散射改正量为:
ADNB=DNB-DNB′
式中,ADNB为蓝光波段散射改正量,DNB为蓝光波段原始值,DNB′为蓝光波段还原值;根据各波段间散射强度的比值关系,获取校正系数,根据所述校正系数,计算绿光波段、红光波段和近红外波段的散射改正量,为:
ADNG=KG×ADNB
ADNR=KR×ADNB
ADNNIR=KNIR×ADNB
式中,ADNG为绿光波段散射改正量,KG为绿光波段校正系数;ADNR为红光波段散射改正量,KR为红光波段校正系数;ADNNIR为近红外波段散射改正量,KNIR为近红外波段校正系数;根据所述散射改正量,计算所述绿光波段、红光波段和近红外波段的还原值,为:
DNG′=DNG-ADNG
DNR′=DNR-ADNR
DNNIR′=DNNIR-ADNNIR
式中,DNG为绿光波段原始值,DNG′为绿光波段还原值;DNR为红光波段原始值,DNR′为红光波段还原值;DNNIR为近红外波段原始值,DNNIR′为近红外波段还原值。
在其中一个实施例中,所述根据所述大气光值和透射率优化图,将校正后的红光波段、绿光波段、蓝光波段和近红外波段进行组合还原,得到去薄云后的图像,具体包括:设定最小阈值对透射率进行控制,根据大气光值和透射率优化图,对校正后的红光波段、绿光波段、蓝光波段和近红外波段进行还原,公式为:
式中,t0为最小阈值,t(x)为透射率,A为大气光值,I(x)为原始高分二号卫星遥感影像;组合还原后的红光波段、绿光波段、蓝光波段和近红外波段,得到去薄云后的图像。
相比于现有技术,本发明的优点及有益效果在于:采用暗通道算法对输入的原始高分二号卫星遥感影像进行处理,获取暗通道图像,采用最大大气光阈值法,计算暗通道图像的大气光值,避免出现偏色和高亮区域过校的问题,对原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,再进行导向滤波和插值上采样,得到透射率优化图,从而减小了计算量,提升了图像处理速度,基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝、红、绿和近红外波段进行校正,从而达到色彩纠正的效果,且避免了过度校正的问题,根据大气光值和透射率优化图,将校正后的蓝、红、绿和近红外波段进行组合还原,得到去薄云后的图像,得到了一种专门针对高分二号卫星影响的批量化快速薄云去除方法,加快了图像处理速度,约束了厚云过校的问题,且进行了图像偏色纠正,从而能够得到更为精准的去薄云图像。
附图说明
图1为一个实施例中一种针对高分二号卫星遥感影像的快速去薄云方法的流程示意图;
图2为一个实施例中去薄云的流程图;
图3为一个实施例中分别采用原始暗通道先验法和本发明方法的去薄云效果对比图;
图4为一个实施例中分别采用原始暗通道先验法和本发明方法的局部细节对比图。
具体实施方式
在进行本发明具体实施方式说明之前,先对本发明的整体构思进行如下说明:
本发明主要是基于对高分二号遥感影像去薄云的过程研发的,目前尚无专门针对高分二号卫星影响的批量化快速薄云去除方法,且现有暗通道先验方法在处理成品的高亮区域时会存在厚云过校、图像偏蓝的问题,此外,单景完整的高分二号卫星影响由全波段和多光谱波段融合得到,数据量较大,直接采用原始图像的灰度图进行处理时,耗时较长。
因此本发明提出了一种针对高分二号卫星遥感影像的快速去薄云方法,为了解决原始暗通道先验法对高亮区域的过校问题,本发明还引入了最大大气光阈值方法;为了提升图像处理速度,采用下采样和插值算法简化透射率图的输入;为了解决最终得到的图像偏蓝的问题,采用大气散射模型以蓝光波段推算其余波段的改正量。
介绍完本发明的整体构思后,为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在进行本发明的描述之前,对现有的相关技术进行一定的描述:
在计算机视觉领域,通常采用Koschemieder模型方程所描述的云雾图像退化模型进行云雾去除:
I(x)=J(x)t(x)+A(1-t(x))
式中,I(x)为观测图像的辐射强度,代表待去除云雾的原始图像;J(x)为来自目标场景的辐射信息,代表去除云雾后的退化图像;t(x)为场景辐射在大气传输过程中的透射率,代表透射率分布图;A为大气光值。该式第一项J(x)t(x)描述了目标场景辐射信息在介质中的直接衰减,第二项A(1-t(x))代表大气光经过衰减后导致的场景颜色偏移。与普通室外照片相比,高分辨率遥感影像中云雾的分布更为均匀,且地表到卫星传感器之间的距离相对固定,因此遥感影像的透射率分布图t(x)更为平滑。
图像去云雾的目的,就是求取A和t,从而通过原始图像I还原得到云雾退化图像J。若图像I共包含N个像素,则云雾图像的退化过程将包含RGB三通道的3N个约束方程和4N+3个未知数,这显然是一个无解的欠约束问题,需要增加约束条件,而暗通道先验理论就为其提供了一个非常好的约束条件。
暗通道先验法是一种基于对大量自然无雾图像的观察统计而得到的计算机视图规律:在绝大多数非天空、无雾彩色图像的局部区域里,某些像素总会有至少一个颜色通道具有非常低甚至为零的灰度值,这样的像素成为暗像元。暗像元主要存在于以下情况中:(1)植被、建筑、山体、车辆等各种地物的阴影;(2)绿色、蓝色、红色等某一颜色通道亮度值极高,而某一颜色通道亮度值较低的彩色物体;(3)黑色的树干、人工地物、裸地等。
在一个实施例中,如图1所示,提供了一种针对高分二号卫星遥感影像的快速去薄云方法,包括以下步骤:
步骤S101,输入原始高分二号卫星遥感影像,采用暗通道算法对原始高分二号卫星遥感影像进行处理,获取暗通道图像。
具体地,输入原始高分二号卫星遥感影像I(x),采用暗通道算法进行对应的暗通道变换,得到暗通道图像。其中,原始高分二号卫星遥感影像可以为经校正、配准、融合后的8位合成影像,含红(R)、绿(G)、蓝(B)和近红外(NIR)四个波段,分辨率为0.8m。
其中,对高分二号卫星遥感影像进行校正、配准和融合,得到原始高分二号卫星遥感影像,原始高分二号卫星遥感影像包括红光波段、绿光波段、蓝光波段和近红外波段;输入原始高分二号卫星遥感影像,根据下式将原始高分二号卫星遥感影像转换为暗通道图像:
式中,c表示r、g、b中的一个通道;Jc是图像J的一个通道的灰度值;Ω(x)是以像元x为中心的局部领域区域;Jdark为暗像元的灰度值,对于图像的无云雾区域Jdark趋近于0。
具体地,为了便于后续图像处理,对高分二号卫星遥感影像依次进行校正、配准和融合,得到原始高分二号卫星遥感影像,由暗通道先验理论可知,对于图像无云雾区域,暗像元的灰度值趋近于0,而云雾区域的暗像元灰度值会变高。
作为优选,暗通道变换最小窗口大小为15×15。
步骤S102,采用最大大气光阈值法,计算暗通道图像的大气光值。
具体地,由于暗通道先验法中大气光值A最终选取的是原始图像中的某一个像素点的值,在单幅带云雾的图像中,大气光值A也可以近似为最浓云雾区域的灰度值,则各通道的A值很有可能全部接近最大值255,导致处理后的图像偏色和出现大量色斑,因此本发明采用最大大气光阈值法,对大气光值进行限定,确保得到的大气光值能够避免偏色和色斑的问题。
其中,提取暗通道图像中灰度大小在预设范围内的像素;在原始高分二号卫星遥感影像中选取对应位置的所有像素点,并将所有像素点的灰度值的平均值作为基础大气光值;设置最大大气光阈值,判断基础大气光值与最大大气光阈值之间的关系;在基础大气光值小于最大大气光阈值时,将基础大气光值作为大气光值;在基础大气光值大于或等于最大大气光阈值时,将最大大气光阈值作为大气光值。
具体地,为了避免处理后的图像偏色和出现大量色斑的问题,提取暗通道图像中灰度大小在预设范围内的像素,例如在前0.1%的像素,即亮度较高的像素,并获取该部分像素在原始图像中的像素点,计算对应像素点灰度值的平均值,得到基础大气光值;设定最大大气光阈值,例如设定为220;比较基础大气光值和最大大气光阈值的大小,选取其中较大的数值,作为大气光值,从而避免了高亮区域的过校和图像偏色的问题。
步骤S103,对原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,对透射率预估图进行导向滤波和插值上采样,得到透射率优化图。
具体地,高分二号卫星影像分辨率可达0.8米,单景影像所包含的浮点计算量极大,直接使用原始图像计算将导致透射率图的处理时间太长。考虑到云雾的分布是连续、成片的,对于遥感影像薄云去除,并不需要米级、亚米级的参数矫正,因此可以通过合并像素降低分辨率的方式近似估算原图的透射率图,以达到降低计算量而又不影响校正结果的目的。
在求取透射率之前,本发明通过对原始高分二号卫星遥感影像进行下采样,缩小其尺寸,通过暗通道先验法对下采样后的图像的透射率进行粗略估算,略微降低了透射率图的细腻程度,减小了计算量,从而加快计算速度。
但是在实际影像中,云雾对物体的影响程度是连续、平滑的,但是粗略估算的透射率在局部区域内大气透射率保持一致的假设下计算得到的,所形成的透射率将出现斑块效应,与实际不符。为了获得更精细的透射率图,采用导向滤波算法对透射率预估图进行处理,从而实现对透射率分布图的优化。最后,采用插值算法对优化后的透射率图进行上采样,得到原图尺寸下的优化透射率图。
其中,透射率预估图的获取步骤为:设定采样率,根据所采样率对原始高分二号卫星遥感影像进行下采样操作;根据暗通道先验法算法,假定在透射率t(x)一个局部领域区域Ω(x)内是保持一致的,记作利用下式求取下采样后图像的透射率预估图:
式中,ω为云雾保留参数,0<ω≤1。
具体地,根据暗通道先验法可知,无云雾区域的暗通道最小值为0。在求取透射率之前,首先按照采样率r对原始高分二号卫星遥感影像进行下采样,缩小原始图像的尺寸,便于减少计算量,提升对图像的处理速度;并根据暗通道先验算法,设定透射率在一个局部领域区域内是保持一致的,对下采样后图像的透射率进行粗略预估,得到透射率的粗略预估值,从而得到对应的投射率预估图。
由于少量云雾的存在可以为图像保留一定的透视深度杆,使其更加真实,因此,引入控制参数ω,保留少量云雾,云雾保留参数ω可以设置为0.95,保留一定的厚云。
其中,采样率的取值范围为[0.25,0.7]。
具体地,采样率r的取值区间为[0.25,1)时,可合理控制图像的视觉效果。而取值区间为[0.2,0.7]时,可获得有效的速度提升。因此,选择采样率r的取值范围为[0.25,0.7],即可以明显提升处理速度,又使得成图的视觉效果与原始算法无太大差别,具有较明显的收益性。本发明采用r=0.25。
其中,透射率优化图的获取步骤为:将下采样后图像的灰度图作为导向滤波的导向图,通过设定大小的滤波窗口进行滤波,采用导向滤波模型对所述透射率预估图进行优化:
式中,Qi为输出图像,Ii为指导图像,ak和bk为窗口wk中与输入图像有关的线性常量系数;采用插值上采样的方法对优化后的透射率预估图进行上采样,获取原始尺寸下的透射率优化图。
具体地,由于透射率预估图存在与实际不符的情形,因此,需要采用导向滤波对透射率预估图进行处理,将下采样后图像的灰度图作为导向滤波的导向图,通过一定大小的滤波窗口进行滤波,从而对透射率预估图进行优化,最后采用插值上采样的方式还原优化后透射率预估图的尺寸,得到原图尺寸下的透射率优化图,在提升了计算速度的同时不影响校正结果。
其中,导向滤波窗口的大小可以设定为60×60。
步骤S104,基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝光波段、红光波段、绿光波段和近红外波段进行校正。
具体地,不同于普通光学照片,遥感影像中各波段对云层的反应存在差异:遥感影像中,受到云层影响时,各波段的DN值(Digital Number,遥感影像像元亮度值)都会升高,但蓝色波段对云的干扰更敏感,云越浓厚,DN值升高的幅度越大。暗通道先验法应用于遥感影像时,云雾内不同波段的像素DN值均按照相似幅度进行纠正,导致影像某一(或几个)波段被过度校正,出现RGB合成影像色彩失真的问题。
因此,本发明不独立地寻找各个波段的还原值,而是采用大气散射模型,以某一波段为起始波段,根据各波段间散射强度的比值关系设置校正系数,推算其余波段的散射改正量,从而约束波段被过度矫正的问题。根据瑞利散射规律,散射光强度ADN与入射光波长λ成反比关系,而在薄云条件下该反比关系可限制在λ-0.7至λ-0.5之间。
为达到色彩纠正的效果,首先选择对云层最敏感的蓝光波段为起始波段,通过暗通道先验法求取还原值,并以蓝光原始值DNB与还原值DNB′之差作为起始改正量,而其余波段的散射改正量将由波段间的校正系数直接产生,进而求取其余波段的还原值。
其中,通过暗通道先验法求取蓝光波段还原值,蓝光波段的散射改正量为:
ADNB=DNB-DNB′
式中,ADNB为蓝光波段散射改正量,DNB为蓝光波段原始值,DNB′为蓝光波段还原值;根据各波段间散射强度的比值关系,获取校正系数,根据校正系数,计算绿光波段、红光波段和近红外波段的散射改正量,为:
ADNG=KG×ADNB
ADNR=KR×ADNB
ADNNIR=KNIR×ADNB
式中,ADNG为绿光波段散射改正量,KG为绿光波段校正系数;ADNR为红光波段散射改正量,KR为红光波段校正系数;ADNNIR为近红外波段散射改正量,KNIR为近红外波段校正系数;根据散射改正量,计算绿光波段、红光波段和近红外波段的还原值,为:
DNG′=DNG-ADNG
DNR′=DNR-ADNR
DNNIR′=DNNIR-ADNNIR
式中,DNG为绿光波段原始值,DNG′为绿光波段还原值;DNR为红光波段原始值,DNR′为红光波段还原值;DNNIR为近红外波段原始值,DNNIR′为近红外波段还原值。
具体地,通过暗通道先验法求取蓝光波段还原值,蓝光波段的散射改正量,从而避免成果图像的偏蓝现象,达到色彩纠正的效果;根据各波段间散射强度的比值关系,获取校正系数,根据校正系数,计算绿光波段、红光波段和近红外波段的散射改正量,根据散射改正量,计算绿光波段、红光波段和近红外波段的还原值,从而起到了约束作用,避免了高亮区域的过校问题。
在一个实施例中,选取λ-0.7关系为波段间校正系数的计算参考,高分二号卫星各波段参数及以蓝光为起始波段产生的校正系数如表1。
表1高分二号卫星波长参数及波段校正系数
步骤S105,根据大气光值和透射率优化图,将校正后的红光波段、绿光波段、蓝光波段和近红外波段进行组合还原,得到去薄云后的图像。
具体地,在在获得大气光值和透射率优化图后,根据暗通道算法进行变形,将校正后的红光波段、绿光波段、蓝光波段和近红外波段进行组合还原,得到去薄云后的图像,能够实现高分二号卫星影像的批量化快速去薄云,且去云效果好,运算速度快,避免了厚云过校、图像偏蓝的问题。
其中,设定最小阈值对透射率进行控制,根据大气光值和透射率优化图,对校正后的红光波段、绿光波段、蓝光波段和近红外波段进行还原,公式为:
式中,t0为最小阈值,t(x)为透射率,A为大气光值,I(x)为原始高分二号卫星遥感影像;组合还原后的红光波段、绿光波段、蓝光波段和近红外波段,得到去薄云后的图像。
具体地,在实际应用中,当透射率t很小时,会导致退化图像整体向白场过度。因此通过设置最小阈值t0对透射率进行控制,根据大气光值和透射率优化图,对校正后的红光波段、绿光波段、蓝光波段和近红外波段进行还原,组合所有波段,得到去薄云后的图像。
如图3和4所示,为采用本发明与原始暗通道先验法对高分二号影像薄云处理效果的对比图,由于原始暗通道先验法会造成偏蓝,导致图像整体颜色偏深,不便于进行图像的识别,且存在厚云过校的问题,导致厚云等高亮区域在去薄云后失真;而本发明的方法能够避免高亮区域过校且纠正了原始暗通道先验法的偏色问题,获得的去薄云图像具有更好的识别效果。
在本实施例中,采用暗通道算法对输入的原始高分二号卫星遥感影像进行处理,获取暗通道图像,采用最大大气光阈值法,计算暗通道图像的大气光值,避免出现偏色和高亮区域过校的问题,对原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,再进行导向滤波和插值上采样,得到透射率优化图,从而减小了计算量,提升了图像处理速度,基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝、红、绿和近红外波段进行校正,从而达到色彩纠正的效果,且避免了过度校正的问题,根据大气光值和透射率优化图,将校正后的蓝、红、绿和近红外波段进行组合还原,得到去薄云后的图像,加快了图像处理速度,约束了厚云过校的问题,且进行了图像偏色纠正,从而能够得到更为精准的去薄云图像。
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,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,包括以下步骤:
输入原始高分二号卫星遥感影像,采用暗通道算法对所述原始高分二号卫星遥感影像进行处理,获取暗通道图像;
采用最大大气光阈值法,计算所述暗通道图像的大气光值;
对所述原始高分二号卫星遥感影像进行下采样,并根据下采样后的图像获取透射率预估图,对所述透射率预估图进行导向滤波和插值上采样,得到透射率优化图;
基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝光波段、红光波段、绿光波段和近红外波段进行校正;
根据所述大气光值和透射率优化图,将校正后的红光波段、绿光波段、蓝光波段和近红外波段进行组合还原,得到去薄云后的图像。
2.根据权利要求1所述的一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,所述输入原始高分二号卫星遥感影像,采用暗通道算法对所述原始高分二号卫星遥感影像进行处理,获取暗通道图像,具体包括:
对所述高分二号卫星遥感影像进行校正、配准和融合,得到原始高分二号卫星遥感影像,所述原始高分二号卫星遥感影像包括红光波段、绿光波段、蓝光波段和近红外波段;
输入所述原始高分二号卫星遥感影像,根据下式将所述原始高分二号卫星遥感影像转换为暗通道图像:
式中,c表示r、g、b中的一个通道;Jc是图像J的一个通道的灰度值;Ω(x)是以像元x为中心的局部领域区域;Jdark为暗像元的灰度值,对于图像的无云雾区域Jdark趋近于0。
3.根据权利要求1所述的一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,所述采用最大大气光阈值法,计算所述暗通道图像的大气光值,具体包括:
提取所述暗通道图像中灰度大小为预设范围内的像素;
在所述原始高分二号卫星遥感影像中选取对应位置的所有像素点,并将所述所有像素点的灰度值的平均值作为基础大气光值;
设置最大大气光阈值,判断所述基础大气光值与所述最大大气光阈值之间的关系;
在所述基础大气光值小于所述最大大气光阈值时,将所述基础大气光值作为大气光值;
在所述基础大气光值大于或等于所述最大大气光阈值时,将所述最大大气光阈值作为大气光值。
5.根据权利要求4所述的一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,所述采样率的取值范围为[0.25,0.7]。
7.根据权利要求6所述的一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,所述导向滤波窗口的大小设定为60×60。
8.根据权利要求1所述的一种针对高分二号卫星遥感影像的快速去薄云方法,其特征在于,所述基于大气散射模型,以蓝光波段为起始波段,根据各波段间散射强度的比值关系,对蓝光波段、红光波段、绿光波段和近红外波段进行校正,具体包括:
通过暗通道先验法求取蓝光波段还原值,蓝光波段的散射改正量为:
ADNB=DNB-DNB′
式中,ADNB为蓝光波段散射改正量,DNB为蓝光波段原始值,DNB′为蓝光波段还原值;
根据各波段间散射强度的比值关系,获取校正系数,根据所述校正系数,计算绿光波段、红光波段和近红外波段的散射改正量,为:
ADNG=KG×ADNB
ADNR=KR×ADNB
ADNNIR=KNIR×ADNB
式中,ADNG为绿光波段散射改正量,KG为绿光波段校正系数;ADNR为红光波段散射改正量,KR为红光波段校正系数;ADNNIR为近红外波段散射改正量,KNIR为近红外波段校正系数;
根据所述散射改正量,计算所述绿光波段、红光波段和近红外波段的还原值,为:
DNG′=DNG-ADNG
DNR′=DNR-ADNR
DNNIR′=DNNIR-ADNNIR
式中,DNG为绿光波段原始值,DNG′为绿光波段还原值;DNR为红光波段原始值,DNR′为红光波段还原值;DNNIR为近红外波段原始值,DNNIR′为近红外波段还原值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149633.XA CN115496685A (zh) | 2022-09-21 | 2022-09-21 | 一种针对高分二号卫星遥感影像的快速去薄云方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149633.XA CN115496685A (zh) | 2022-09-21 | 2022-09-21 | 一种针对高分二号卫星遥感影像的快速去薄云方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496685A true CN115496685A (zh) | 2022-12-20 |
Family
ID=84469673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211149633.XA Pending CN115496685A (zh) | 2022-09-21 | 2022-09-21 | 一种针对高分二号卫星遥感影像的快速去薄云方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496685A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074484A (zh) * | 2023-01-15 | 2023-05-05 | 山东产研卫星信息技术产业研究院有限公司 | 一种CMOS卫星影像的Bayer色彩重建方法 |
CN116862942A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 一种基于云检测去云及角度校正的海温反演精度修正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN108257094A (zh) * | 2016-12-29 | 2018-07-06 | 广东中科遥感技术有限公司 | 基于暗通道的遥感影像薄雾快速去除方法 |
CN111145105A (zh) * | 2019-12-04 | 2020-05-12 | 广东省新一代通信与网络创新研究院 | 一种图像快速去雾方法、装置、终端及存储介质 |
CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
-
2022
- 2022-09-21 CN CN202211149633.XA patent/CN115496685A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257094A (zh) * | 2016-12-29 | 2018-07-06 | 广东中科遥感技术有限公司 | 基于暗通道的遥感影像薄雾快速去除方法 |
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN111145105A (zh) * | 2019-12-04 | 2020-05-12 | 广东省新一代通信与网络创新研究院 | 一种图像快速去雾方法、装置、终端及存储介质 |
CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
Non-Patent Citations (1)
Title |
---|
潘勇卓等: "改进暗通道先验的高分二号影像快速去薄云", 遥感信息, vol. 34, no. 6, pages 91 - 98 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074484A (zh) * | 2023-01-15 | 2023-05-05 | 山东产研卫星信息技术产业研究院有限公司 | 一种CMOS卫星影像的Bayer色彩重建方法 |
CN116862942A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 一种基于云检测去云及角度校正的海温反演精度修正方法 |
CN116862942B (zh) * | 2023-09-05 | 2023-12-19 | 青岛哈尔滨工程大学创新发展中心 | 一种基于云检测去云及角度校正的海温反演精度修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175964B (zh) | 一种基于拉普拉斯金字塔的Retinex图像增强方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
Hu et al. | Single image defogging based on illumination decomposition for visual maritime surveillance | |
Yu et al. | Low-illumination image enhancement algorithm based on a physical lighting model | |
Tripathi et al. | Single image fog removal using anisotropic diffusion | |
Ancuti et al. | Effective single image dehazing by fusion | |
CN115496685A (zh) | 一种针对高分二号卫星遥感影像的快速去薄云方法 | |
He et al. | Single image haze removal using dark channel prior | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
Li et al. | A perceptually inspired variational method for the uneven intensity correction of remote sensing images | |
KR102261532B1 (ko) | 단일 스케일 영상 융합에 기반한 안개 제거 시스템 및 방법 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
Gao et al. | Single fog image restoration with multi-focus image fusion | |
Dümbgen et al. | Near-infrared fusion for photorealistic image dehazing | |
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 | |
Mathur et al. | Enhancement algorithm for high visibility of underwater images | |
Mishra et al. | Underwater image enhancement using multiscale decomposition and gamma correction | |
Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
Sadia et al. | Color image enhancement using multiscale retinex with guided filter | |
Hari et al. | Dark and Bright Channel Priors for Haze Removal in Day and Night Images. | |
Yadav et al. | Underwater Image Enhancement via Color Balance and Stationary Wavelet Based Fusion | |
CN113379620B (zh) | 一种光学遥感卫星影像云检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221220 |
|
RJ01 | Rejection of invention patent application after publication |