CN116188300B - 一种真彩色图像的合成方法、系统、电子设备及存储介质 - Google Patents
一种真彩色图像的合成方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116188300B CN116188300B CN202211721257.7A CN202211721257A CN116188300B CN 116188300 B CN116188300 B CN 116188300B CN 202211721257 A CN202211721257 A CN 202211721257A CN 116188300 B CN116188300 B CN 116188300B
- Authority
- CN
- China
- Prior art keywords
- channel
- reflectivity
- training
- pixel point
- ith
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002194 synthesizing effect Effects 0.000 title claims abstract description 33
- 238000002310 reflectometry Methods 0.000 claims abstract description 381
- 238000012549 training Methods 0.000 claims abstract description 172
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 19
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims description 76
- 238000010606 normalization Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 5
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
本发明公开一种真彩色图像的合成方法、系统、电子设备及存储介质,涉及图像合成技术领域,所述方法包括:基于含绿通道卫星的第一反射率子集和第一绿通道反射率集,对深层感知器网络进行训练,得到绿通道反射率生成模型;基于第一反射率子集和待合成绿通道卫星的第二训练用反射率集,确定通道误差校验公式集;根据通道误差校验公式集和当前合成用反射率集,确定校正后的当前合成用反射率集;将校正后的当前合成用反射率集输入绿通道反射率生成模型中,得到待合成绿通道卫星的当前绿通道反射率集;基于校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像。本发明提高了绿通道构建精度,提高了静止轨道辐射成像仪的观测精确度。
Description
技术领域
本发明涉及图像合成技术领域,特别是涉及一种真彩色图像的合成方法、系统、电子设备及存储介质。
背景技术
风云四号A星(FY-4A)是中国第二代静止气象卫星的首发星,其上搭载的静止轨道辐射成像仪(Advanced Geosynchronous Radiation Imager,AGRI)具有14个光谱通道,但FY-4A/AGRI在可见光范围内缺少波长为0.55μm的绿通道,这导致其不能生成真彩色合成图像,进而无法用于直观的气象应用和展示,因此用其他光谱通道来构建绿通道对提升成像仪观测的综合应用具有重要意义。
传统的绿通道重建方法通常基于查找表或者传统回归模型的方式实现。查找表方法是通过对比目标卫星与其他卫星的红通道和蓝通道,构建目标卫星绿通道和其他卫星绿通道的关系,该关系以查找表的形式展现,最终通过其他卫星的绿通道填补目标卫星的绿通道;FY-4A/AGRI绿通道重建中,传统回归模型主要包含线性和非线性回归方法,模型借助其他相似卫星或者历史数据,运用线性和非线性回归模型拟合不同地区不同时间RGB之间的相关特征,从而运用红通道和蓝通道推导出绿通道。
查找表方法存在观测时间、观测角度、观测范围、系统误差等多方面的差异,并不一定能补全所有绿通道信息,导致绿通道重构数据存在缺失问题;因为传统回归模型大多用于存在普适性规律的场景中,因此传统回归模型中参数数量较少,在绿通道重建过程中拟合效果较差,无法达到较高的准确率。由于以上算法存在的缺陷,导致运用查找表或传统回归模型构建的绿通道精度较差,造成图像中一些无植被覆盖的裸土、海岛周围水体的成像效果较差,从而导致静止轨道辐射成像仪的观测精确度较低。
发明内容
本发明的目的是提供一种真彩色图像的合成方法、系统、电子设备及存储介质,提高了绿通道的构建精度,提高了静止轨道辐射成像仪的观测精确度。
为实现上述目的,本发明提供了如下方案:
一种真彩色图像的合成方法,所述方法包括:
获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;所述第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,所述第一反射率子集包括:4个第一训练用通道反射率集;所述第二训练用反射率集包括:4个第二训练用通道反射率集;
以所述第一反射率子集为输入,以所述第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型;
基于所述第一反射率子集和所述第二训练用反射率集,确定通道误差校验公式集;所述通道误差校验公式集包括多个通道误差校验公式;
获取所述待合成绿通道卫星的当前合成用反射率集;
根据所述通道误差校验公式集和所述当前合成用反射率集,确定校正后的当前合成用反射率集;所述校正后的当前合成用反射率集包括4个校正后的当前合成用反射率;
将所述校正后的当前合成用反射率集输入至所述绿通道反射率生成模型中,得到所述待合成绿通道卫星的当前绿通道反射率集;
基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像;
其中,基于所述第一反射率子集中的第i个所述第一训练用通道反射率集和所述第二训练用反射率集中的第i个所述第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集;具体包括:
基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集;
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式;
其中,所述基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;所述通道像素点对集包括多个第一像素点对,所述第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点;
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集;
根据所述第一待筛选像素集和所述第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。
可选地,在所述获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集之后,还包括:
利用归一化公式,对所述第一训练用反射率集中的原始像素点和所述第二训练用反射率集的原始像素点进行归一化;
其中,对于任一原始像素点的归一化公式为:
其中,xn为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率,x'n为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的归一化的通道反射率,xmin为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率的最小值,xmax为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率的最小值。
可选地,所述基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像,具体包括:
基于校正后的当前合成用反射率集中的蓝通道反射率集、校正后的当前合成用反射率集中的红通道反射率集和所述当前绿通道反射率集,合成真彩色图像。
可选地,所述根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集,具体包括:
利用天顶角偏差筛选公式,对所述对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
其中,对于任一像素点对的天顶角的天顶角偏差筛选公式为:
其中,AGRIzenith为第i个第二训练用通道反射率集中的像素点的天顶角,MODISzenith为第i个第一训练用通道反射率集中的像素点的天顶角,cos为余弦函数,abs为绝对值函数。
可选地,对于任一待筛选像素集的均匀性值的计算公式为:
其中,CV为待筛选像素集的均匀性值,STD为待筛选像素集中的所有像素点的反射率的标准差,Mean为待筛选像素集中的所有像素点的反射率的平均值。
一种真彩色图像的合成系统,所述系统包括:
训练用反射率集获取模块,用于获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;所述第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,所述第一反射率子集包括:4个第一训练用通道反射率集;所述第二训练用反射率集包括:4个第二训练用通道反射率集;
绿通道反射率生成模型确定模块,用于以所述第一反射率子集为输入,以所述第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型;
通道误差校验公式集确定模块,用于基于所述第一反射率子集和所述第二训练用反射率集,确定通道误差校验公式集;所述通道误差校验公式集包括多个通道误差校验公式;
当前合成用反射率集获取模块,用于获取所述待合成绿通道卫星的当前合成用反射率集;
校正模块,用于根据所述通道误差校验公式集和所述当前合成用反射率集,确定校正后的当前合成用反射率集;所述校正后的当前合成用反射率集包括4个校正后的当前合成用反射率;
当前绿通道反射率集生成模块,用于将所述校正后的当前合成用反射率集输入至所述绿通道反射率生成模型中,得到所述待合成绿通道卫星的当前绿通道反射率集
真彩色图像合成模块,用于基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像;
其中,在基于所述第一反射率子集中的第i个所述第一训练用通道反射率集和所述第二训练用反射率集中的第i个所述第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集方面;通道误差校验公式集确定模块用于:
基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集;
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式;
其中,所述基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;所述通道像素点对集包括多个第一像素点对,所述第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点;
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集;
根据所述第一待筛选像素集和所述第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种真彩色图像的合成方法、系统、电子设备及存储介质,基于含绿通道卫星的训练用的蓝通道反射率、红通道反射率、绿通道反射率、近红外长波通道反射率和近红外短波通道反射率训练得到绿通道反射率生成模型,并利用含绿通道卫星的训练用的蓝通道反射率、红通道反射率、近红外长波通道反射率和近红外短波通道反射率分别对待合成绿通道卫星的训练用的蓝通道反射率、红通道反射率、近红外长波通道反射率和近红外短波通道反射率进行校正,得到通道误差校验公式集;根据通道误差校验公式集对待合成绿通道卫星当前的蓝通道反射率、红通道反射率、绿通道反射率、近红外长波通道反射率进行校正,校正后输入至绿通道反射率生成模型中得到当前绿通道反射率,从而根据校正后的蓝通道反射率、红通道反射率以及当前绿通道反射率生合成当前真彩色图像。和现有的查找表或传统回归模型相比,本发明提高了绿通道的构建精度,提高了静止轨道辐射成像仪的观测精确度。
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性的前提下,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1提供的真彩色图像的合成方法流程示意图;
图2为二次筛选的蓝通道像素点对集绘制反射率相关性分析图;
图3为采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的AGRI真彩色图;
图4为AGRI采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的东南亚区域区域的真彩色图;
图5为AGRI采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的青藏高原的真彩色图;
图6为AGRI采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的澳大利亚西部戈壁的真彩色图;
图7为AGRI采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的中国南部沿海区域的真彩色图;
图8为AGRI模拟的澳大利亚西部的真彩色图;
图9为MODIS模拟的澳大利亚西部的真彩色图;
图10为AGRI模拟的东南亚沿海的真彩色图;
图11为MODIS模拟的东南亚沿海的真彩色图;
图12为FY4A/AGRI的模拟绿通道与AQUA/MODIS的绿通道偏差对比图;
图13为本发明实施例2提供的真彩色图像的合成系统结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
本发明的目的是提供一种真彩色图像的合成方法、系统、电子设备及存储介质,旨在提高绿通道的构建精度,提高静止轨道辐射成像仪的观测精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的真彩色图像的合成方法流程示意图。如图1所示,本实施例中的真彩色图像的合成方法,包括:
步骤101:获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,第一反射率子集包括:4个第一训练用通道反射率集;第二训练用反射率集包括:4个第二训练用通道反射率集。
含绿通道卫星和待合成绿通道卫星需要满足下述条件:
(1)含绿通道卫星存在绿通道的反射率数据.
(2)二者的四个通道反射率(即蓝通道反射率、红通道反射率、近红外长波通道反射率和近红外短波通道反射率)的中心波长相近。
(3)二者在半小时内有轨道交叉。
如含绿通道卫星为AQUA/MODIS,待合成绿通道卫星为FY-4A/AGRI。
以AQUA/MODIS和FY-4A/AGRI为例,对上述方法进行描述:
获取AQUA/MODIS的第一反射率集和FY-4A/AGRI的第二反射率集;第一反射率集包括第一反射率子集和第一绿通道反射率集,第一反射率子集包括:4个第一通道反射率集;第二反射率集包括:4个第二通道反射率集。
具体的,QUA/MODIS为美国宇航局AQUA卫星搭载的中分辨率成像光谱仪(ModerateResolution Imaging Spectroradiometer,MODIS),FY-4A/AGRI为中国FY-4A卫星搭载的静止轨道辐射成像仪(Advanced Geosynchronous Radiation Imager,AGRI)。
步骤102:以第一反射率子集为输入,以第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型。
具体的,本发明中采用深层感知器网络(Deep-LayerPerceptron,DLP)建立绿通道生成模型,DLP中包括三层网络结构,分别为:输入层、隐藏层和输出层。输入层用于输入步骤101中的4个第一训练用通道反射率集,隐藏层由5个全连接层相连的结构组成,每个全连接层的节点数量依次为64、128、128、64、32,输出层为重构的绿通道数据。隐藏层中第1个、第2个和第3个全连接层采用非线性的Softplus函数激活,用来提高解释表达能力,隐藏层中第5/6个全连接层采用线性的ReLU函数来提高模型的综合学习速率和效率。网络优化器选取Adam优化算法,灵活的控制模型的学习率,防止模型错过最佳收敛点。
步骤103:基于第一反射率子集和第二训练用反射率集,确定通道误差校验公式集;通道误差校验公式集包括多个通道误差校验公式。
步骤104:获取待合成绿通道卫星的当前合成用反射率集。
步骤105:根据通道误差校验公式集和当前合成用反射率集,确定校正后的当前合成用反射率集;校正后的当前合成用反射率集包括4个校正后的当前合成用反射率。
步骤106:将校正后的当前合成用反射率集输入至绿通道反射率生成模型中,得到待合成绿通道卫星的当前绿通道反射率集。
步骤107:基于校正后的当前合成用反射率集和当前绿通道反射率集,合成真彩色图像。
其中,基于第一反射率子集中的第i个第一训练用通道反射率集和第二训练用反射率集中的第i个第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集;具体包括:
基于第i个第一训练用通道反射率集和第i个第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集。
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式。
具体的,以i=1时,即蓝通道为例,对基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式进行描述:
如图2所示,图2中的横轴表示FY4A/AGRI的反射率,纵轴表示与之匹配的AQUA/MODIS的反射率,右侧柱状图表示左侧图中散点密度,右侧柱状图的数字表示点的个数,根据二次筛选的蓝通道像素点对集绘制反射率相关性分析图,发现,二次筛选的蓝通道像素点的分布曲线从整体来看,并不是线性的,因此蓝通道误差校验公式需要分段拟合;
Ref≤0.3012112时,Ref'=Ref×1.00926;Ref>0.3012112时,Ref'=Ref×1.28932-0.0843572。Ref为图2中校正前的二次筛选的蓝通道像素点对集中的第二蓝通道像素点的反射率,Ref'为图2中校正后的二次筛选的蓝通道像素点对集中的第二蓝通道像素点。
总而言之,蓝通道误差校验公式的通用表达式(线性关系公式)为:
R1=a×S+b。R1为校正后的二次筛选的蓝通道像素点对集中的第二蓝通道像素点的反射率,S为校正前的二次筛选的蓝通道像素点对集中的第二蓝通道像素点的反射率,a为蓝通道的反射率增益,b为蓝通道的反射率偏移量。
其他通道中的方法流程和上述的蓝通道中的方法流程相同,在此不再赘述。
其中,基于第i个第一训练用通道反射率集和第i个第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;通道像素点对集包括多个第一像素点对,第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点。
具体的,以i=1时,即蓝通道为例,对采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集进行描述:
首先选择第一蓝通道反射率集中的各像素点和第二蓝通道反射率集中的各像素点,将满足“观测时间差小于5分钟,距离差(根据像素点的经纬度确定)小于1km”条件的第一蓝通道反射率集中的各像素点和对应的第二蓝通道反射率集中的各像素点,确定为匹配的蓝通道像素点对,将匹配的蓝通道像素点对确定为匹配后的蓝通道像素点对集。
其他通道中的方法流程和上述的蓝通道中的方法流程相同,在此不再赘述。
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集。
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集。
根据第一待筛选像素集和第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。
具体的,蓝通道的中心波长为0.47μm,红通道的中心波长为0.65μm,近红外长波的中心波长为1.64μm,近红外短波的中心波长为0.85μm。
蓝通道、红通道和近红外短波通道这3个光谱通道可准确识别全球大部分地物,但对一些特殊地物的呈现,效果与实际地物差距较大,例如森林、沙漠与沙尘地区、浅水海岸、澳大利亚红壤等。为了解决以上问题,结合AGRI的通道特点,又选取一个中心波长为1.64μm的近红外长波通道作为第4个通道,这是由于中心波长为1.64μm的近红外长波通道对水体更加敏感,可增强对全球浅水识别能力,同时该光谱通道对高层卷云也有较好的反映。
作为一种可选的实施方式,在步骤101之后,还包括:
利用归一化公式,对第一训练用反射率集中的原始像素点和第二训练用反射率集的原始像素点进行归一化。
其中,对于任一原始像素点的归一化公式为:
其中,xn为第一训练用反射率集和第二训练用反射率集中的各个像素点的原始反射率,x'n为第一训练用反射率集和第二训练用反射率集中的各个像素点的归一化的通道反射率,xmin为第一训练用反射率集和第二训练用反射率集中的各个像素点的原始反射率的最小值,xmax为第一训练用反射率集和第二训练用反射率集中的各个像素点的原始反射率的最小值。
具体的,将数据归一化,可以提升模型的学习效率,提高绿光通道合成精度。本发明中使用的归一化方法为最大最小值归一化法。
以i=1时,即蓝通道为例,对任一原始像素点的归一化公式进行描述:
其中,xn1为第一蓝通道反射率集和第二蓝通道反射率集中的各个像素点的原始反射率,xn1为第一蓝通道反射率集和第二蓝通道反射率集中的各个像素点的归一化的通道反射率,xmin1为第一蓝通道反射率集和第二蓝通道反射率集中的各个像素点的原始反射率的最小值,xmax1为第一蓝通道反射率集和第二蓝通道反射率集中的各个像素点的原始反射率的最小值。
其他通道中的归一化公式和上述的蓝通道中的归一化公式相似,在此不再赘述。
作为一种可选的实施方式,步骤107,具体包括:
基于校正后的当前合成用反射率集中的蓝通道反射率集、校正后的当前合成用反射率集中的红通道反射率集和当前绿通道反射率集,合成真彩色图像。
作为一种可选的实施方式,根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集,具体包括:
利用天顶角偏差筛选公式,对对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集。
其中,对于任一像素点对的天顶角的天顶角偏差筛选公式为:
其中,AGRIzenith为第i个第二训练用通道反射率集中的像素点的天顶角,MODISzenith为第i个第一训练用通道反射率集中的像素点的天顶角,cos为余弦函数,abs为绝对值函数。
作为一种可选的实施方式,对于任一待筛选像素集的均匀性值的计算公式为:
其中,CV为待筛选像素集的均匀性值,STD为待筛选像素集中的所有像素点的反射率的标准差,Mean为待筛选像素集中的所有像素点的反射率的平均值。
对实施例1中含绿通道卫星为AQUA/MODIS,待合成绿通道卫星为FY-4A/AGRI时的真彩色图像的合成方法的评估,主要通过定性和定量两方面来分析。
定性分析采用真彩色合成的方法。利用AGRI的红光通道、模拟绿光通道和蓝光通道合成,并采用与MODIS相同的分段线性的图像增强算法,生成真彩色图,如图3所示。图3为采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的AGRI真彩色图。从图3中可以看出,模拟的真彩色图可以很好地还原地表的真实色彩,除此以外,云和积雪、烟雾也得到了很好的展现。
图4-图7分别为AGRI采用模拟的绿光通道生成的2020年2月1日4:00(UTC时间)的东南亚区域区域、青藏高原、澳大利亚西部戈壁以及中国南部沿海区域的真彩色图。
图8为AGRI模拟的澳大利亚西部的真彩色图。图9为MODIS模拟的澳大利亚西部的真彩色图。根据图8和图9可知,AGRI模拟的真彩色图与MODIS真彩色图整体色调一致,特别是能很好地表现出澳大利亚的戈壁、裸土和东南亚沿海丰富的植被。图10为AGRI模拟的东南亚沿海的真彩色图。图11为MODIS模拟的东南亚沿海的真彩色图。根据图10和图11可知,但是在海岸线的水色模拟上存在一定问题,特别针对东南亚沿海海岸线上丰富的水色,只能模拟出泥沙,无法正常呈现水藻的颜色。
定量分析采用模拟的FY4A/AGRI绿光通道,与AQUA/MODIS的绿光通道进行交叉比对和偏差分析。图12为FY4A/AGRI的模拟绿通道与AQUA/MODIS的绿通道偏差对比图,表征了2020年1月至12月每月1个模拟的FY4A/AGRI绿光通道与AQUA/MODIS的交叉比对结果。交叉条件选择两个载荷的交叉时间差在5分钟以内,观测点距离在地心的张角小于0.01°,均匀性CV小于0.05,去除耀斑区。经过筛选,共匹配出8142的样本点。结果显示,模拟的FY4A/AGRI绿光通道与AQUA/MODIS的绿通道相关系数达到了0.99,在低端数值上,平均偏差在0.001左右,模拟的结果能很好地反映绿光通道的光谱特性。但是模拟在高值数据存在一些不足,最大偏差达到了0.03。这可能是选取的样本点的高值全部都为云区导致的。图12中横轴表示FY4A/AGRI的反射率,纵轴表示与之匹配的AQUA/MODIS反射率,右侧柱状图表示左侧图中散点密度,右侧柱状图的数字表示点的个数。
实施例2
图13为本发明实施例2提供的真彩色图像的合成系统结构示意图。如图13所示,本实施例中的真彩色图像的合成系统,包括:
训练用反射率集获取模块201,用于获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,第一反射率子集包括:4个第一训练用通道反射率集;第二训练用反射率集包括:4个第二训练用通道反射率集。
绿通道反射率生成模型确定模块202,用于以第一反射率子集为输入,以第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型。
通道误差校验公式集确定模块203,用于基于第一反射率子集和第二训练用反射率集,确定通道误差校验公式集;通道误差校验公式集包括多个通道误差校验公式。
当前合成用反射率集获取模块204,用于获取待合成绿通道卫星的当前合成用反射率集。
校正模块205,用于根据通道误差校验公式集和当前合成用反射率集,确定校正后的当前合成用反射率集;校正后的当前合成用反射率集包括4个校正后的当前合成用反射率。
当前绿通道反射率集生成模块206,用于将校正后的当前合成用反射率集输入至绿通道反射率生成模型中,得到待合成绿通道卫星的当前绿通道反射率集。
真彩色图像合成模块207,用于基于校正后的当前合成用反射率集和当前绿通道反射率集,合成真彩色图像。
其中,在基于第一反射率子集中的第i个第一训练用通道反射率集和第二训练用反射率集中的第i个第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集方面;通道误差校验公式集确定模块用于:
基于第i个第一训练用通道反射率集和第i个第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集。
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式。
其中,基于第i个第一训练用通道反射率集和第i个第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;通道像素点对集包括多个第一像素点对,第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点。
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集。
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集。
根据第一待筛选像素集和第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。
实施例3
一种电子设备,包括:
一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如实施例1中的方法。
实施例4
一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如实施例1中的方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种真彩色图像的合成方法,其特征在于,所述方法包括:
获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;所述第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,所述第一反射率子集包括:4个第一训练用通道反射率集;所述第二训练用反射率集包括:4个第二训练用通道反射率集;
以所述第一反射率子集为输入,以所述第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型;
基于所述第一反射率子集和所述第二训练用反射率集,确定通道误差校验公式集;所述通道误差校验公式集包括多个通道误差校验公式;
获取所述待合成绿通道卫星的当前合成用反射率集;
根据所述通道误差校验公式集和所述当前合成用反射率集,确定校正后的当前合成用反射率集;所述校正后的当前合成用反射率集包括4个校正后的当前合成用反射率;
将所述校正后的当前合成用反射率集输入至所述绿通道反射率生成模型中,得到所述待合成绿通道卫星的当前绿通道反射率集;
基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像;
其中,基于所述第一反射率子集中的第i个所述第一训练用通道反射率集和所述第二训练用反射率集中的第i个所述第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集;具体包括:
基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集;
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式;
其中,所述基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;所述通道像素点对集包括多个第一像素点对,所述第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点;
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集;
根据所述第一待筛选像素集和所述第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。
2.根据权利要求1所述的真彩色图像的合成方法,其特征在于,在所述获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集之后,还包括:
利用归一化公式,对所述第一训练用反射率集中的原始像素点和所述第二训练用反射率集的原始像素点进行归一化;
其中,对于任一原始像素点的归一化公式为:
其中,xn为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率,x'n为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的归一化的通道反射率,xmin为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率的最小值,xmax为第一训练用反射率集和所述第二训练用反射率集中的各个像素点的原始反射率的最小值。
3.根据权利要求1所述的真彩色图像的合成方法,其特征在于,所述基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像,具体包括:
基于校正后的当前合成用反射率集中的蓝通道反射率集、校正后的当前合成用反射率集中的红通道反射率集和所述当前绿通道反射率集,合成真彩色图像。
4.根据权利要求1所述的真彩色图像的合成方法,其特征在于,所述根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集,具体包括:
利用天顶角偏差筛选公式,对所述对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
其中,对于任一像素点对的天顶角的天顶角偏差筛选公式为:
其中,AGRIzenith为第i个第二训练用通道反射率集中的像素点的天顶角,MODISzenith为第i个第一训练用通道反射率集中的像素点的天顶角,cos为余弦函数,abs为绝对值函数。
5.根据权利要求2所述的真彩色图像的合成方法,其特征在于,对于任一待筛选像素集的均匀性值的计算公式为:
其中,CV为待筛选像素集的均匀性值,STD为待筛选像素集中的所有像素点的反射率的标准差,Mean为待筛选像素集中的所有像素点的反射率的平均值。
6.一种真彩色图像的合成系统,其特征在于,所述系统包括:
训练用反射率集获取模块,用于获取含绿通道卫星的第一训练用反射率集和待合成绿通道卫星的第二训练用反射率集;所述第一训练用反射率集包括第一反射率子集和第一绿通道反射率集,所述第一反射率子集包括:4个第一训练用通道反射率集;所述第二训练用反射率集包括:4个第二训练用通道反射率集;
绿通道反射率生成模型确定模块,用于以所述第一反射率子集为输入,以所述第一绿通道反射率集为输出,对深层感知器网络进行训练,得到绿通道反射率生成模型;
通道误差校验公式集确定模块,用于基于所述第一反射率子集和所述第二训练用反射率集,确定通道误差校验公式集;所述通道误差校验公式集包括多个通道误差校验公式;
当前合成用反射率集获取模块,用于获取所述待合成绿通道卫星的当前合成用反射率集;
校正模块,用于根据所述通道误差校验公式集和所述当前合成用反射率集,确定校正后的当前合成用反射率集;所述校正后的当前合成用反射率集包括4个校正后的当前合成用反射率;
当前绿通道反射率集生成模块,用于将所述校正后的当前合成用反射率集输入至所述绿通道反射率生成模型中,得到所述待合成绿通道卫星的当前绿通道反射率集
真彩色图像合成模块,用于基于所述校正后的当前合成用反射率集和所述当前绿通道反射率集,合成真彩色图像;
其中,在基于所述第一反射率子集中的第i个所述第一训练用通道反射率集和所述第二训练用反射率集中的第i个所述第二训练用通道反射率集,确定第i个通道误差校验公式,i=1,2,3,4,i=1表示蓝通道反射率集,i=2表示红通道反射率集,i=3表示近红外长波通道反射率集,i=4时表示近红外短波通道反射率集方面;通道误差校验公式集确定模块用于:
基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集;
基于二次筛选的第i个通道像素点对集,确定第i个通道误差校验公式;
其中,所述基于第i个所述第一训练用通道反射率集和第i个所述第二训练用通道反射率集,进行筛选,得到二次筛选的第i个通道像素点对集,具体包括:
采用瞬时星下点交叉比对方法,对第i个第一训练用通道反射率集中的各像素点和第i个第二训练用通道反射率集中的各像素点进行时空匹配,得到匹配后的第i个通道像素点对集;所述通道像素点对集包括多个第一像素点对,所述第一像素点对包括一个第i个第一训练用通道反射率集中的像素点和一个第i个第二训练用通道反射率集中的像素点;
根据匹配后的第i个通道像素点对集中的所有第一像素点对中各像素点对应的天顶角,对匹配后的第i个通道像素点对集进行筛选,得到一次筛选后的第i个通道像素点对集;
将一次筛选后的第i个通道像素点对集中的所有第一训练用通道反射率集中的像素点确定为第一待筛选像素集,将一次筛选后的第i个通道像素点对集中的所有第二训练用通道反射率集中的像素点确定为第二待筛选像素集;
根据所述第一待筛选像素集和所述第二待筛选像素集中的像素点的反射率,进行均匀性值筛选,得到二次筛选的第i个通道像素点对集。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的方法。
8.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721257.7A CN116188300B (zh) | 2022-12-30 | 2022-12-30 | 一种真彩色图像的合成方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721257.7A CN116188300B (zh) | 2022-12-30 | 2022-12-30 | 一种真彩色图像的合成方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188300A CN116188300A (zh) | 2023-05-30 |
CN116188300B true CN116188300B (zh) | 2023-08-08 |
Family
ID=86437633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211721257.7A Active CN116188300B (zh) | 2022-12-30 | 2022-12-30 | 一种真彩色图像的合成方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188300B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232268A (ja) * | 2010-04-30 | 2011-11-17 | Japan Aerospace Exploration Agency | 校正機能を備えた反射率及び反射濃度の計測方法及びそれを実施するシステム |
KR101620951B1 (ko) * | 2015-01-22 | 2016-05-17 | 건국대학교 산학협력단 | 모의 위성 영상 생성 방법 및 시스템 |
CN109460755A (zh) * | 2018-10-29 | 2019-03-12 | 北京航天宏图信息技术股份有限公司 | 一种绿光估计模型训练方法及装置、影像合成方法及装置 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN114694030A (zh) * | 2022-04-21 | 2022-07-01 | 中煤航测遥感集团有限公司 | 一种滑坡检测方法、装置、设备及存储介质 |
CN115062527A (zh) * | 2022-03-14 | 2022-09-16 | 北京华云星地通科技有限公司 | 一种基于深度学习的静止卫星海温反演方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10165168B2 (en) * | 2016-07-29 | 2018-12-25 | Microsoft Technology Licensing, Llc | Model-based classification of ambiguous depth image data |
US11640653B2 (en) * | 2019-07-01 | 2023-05-02 | Advanced Remote Sensing Inc. | Method to correct satellite data to surface reflectance using scene statistics |
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 |
-
2022
- 2022-12-30 CN CN202211721257.7A patent/CN116188300B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232268A (ja) * | 2010-04-30 | 2011-11-17 | Japan Aerospace Exploration Agency | 校正機能を備えた反射率及び反射濃度の計測方法及びそれを実施するシステム |
KR101620951B1 (ko) * | 2015-01-22 | 2016-05-17 | 건국대학교 산학협력단 | 모의 위성 영상 생성 방법 및 시스템 |
CN109460755A (zh) * | 2018-10-29 | 2019-03-12 | 北京航天宏图信息技术股份有限公司 | 一种绿光估计模型训练方法及装置、影像合成方法及装置 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN115062527A (zh) * | 2022-03-14 | 2022-09-16 | 北京华云星地通科技有限公司 | 一种基于深度学习的静止卫星海温反演方法及系统 |
CN114694030A (zh) * | 2022-04-21 | 2022-07-01 | 中煤航测遥感集团有限公司 | 一种滑坡检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
蓝波段缺失遥感影像真彩色模拟方法研究;许辉熙;陈云浩;薛万蓉;;激光与光电子学进展(05);77-84 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188300A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goslee | Analyzing remote sensing data in R: the landsat package | |
Gonsamo et al. | Improved LAI algorithm implementation to MODIS data by incorporating background, topography, and foliage clumping information | |
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
KR20200063682A (ko) | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 | |
CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
US20240061101A1 (en) | Retrieval method and apparatus for reservoir water storage | |
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 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN116822141A (zh) | 利用卫星微光遥感反演夜间大气气溶胶光学厚度的方法 | |
CN114780904A (zh) | 一种端元自适应的山地植被覆盖度遥感反演方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
CN116188300B (zh) | 一种真彩色图像的合成方法、系统、电子设备及存储介质 | |
Díaz et al. | Enhanced gap fraction extraction from hemispherical photography | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN114972124B (zh) | 一种遥感图像亮度自适应均衡方法及系统 | |
Van Peet et al. | Simultaneous assimilation of ozone profiles from multiple UV-VIS satellite instruments | |
CN115203911A (zh) | 遥感载荷在轨绝对辐射定标系数业务化计算方法及装置 | |
CN115222837A (zh) | 真彩云图生成方法、装置、电子设备及存储介质 | |
Pisek et al. | Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada | |
Zhang et al. | Incorporating dynamic factors for improving a GIS‐based solar radiation model | |
Nelson et al. | Combining moderate-resolution time-series RS data from SAR and optical sources for rice crop characterisation: examples from Bangladesh | |
Behn et al. | Mapping forest cover, Kimberley region of Western Australia |
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 |