CN116245751A - 水域无人机高光谱影像耀斑处理方法、设备及存储介质 - Google Patents
水域无人机高光谱影像耀斑处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116245751A CN116245751A CN202211704467.5A CN202211704467A CN116245751A CN 116245751 A CN116245751 A CN 116245751A CN 202211704467 A CN202211704467 A CN 202211704467A CN 116245751 A CN116245751 A CN 116245751A
- Authority
- CN
- China
- Prior art keywords
- image
- flare
- band
- shadow
- area
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 238000003672 processing method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000002310 reflectometry Methods 0.000 claims abstract description 17
- 238000011084 recovery Methods 0.000 claims abstract description 14
- 238000000611 regression analysis Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000003705 background correction Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 230000003595 spectral effect Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003911 water pollution Methods 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
- G06T5/90—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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10048—Infrared image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种水域无人机高光谱影像耀斑处理方法、设备及存储介质，选取高光谱影像中红光波段、绿光波段和蓝光波段的反射率影像，计算三个波段的无镜面反射图像；修正所述无镜面反射图像，获取修正后的无镜面反射图像中的高亮像素点，所有高亮像素点构成高亮区域；利用回归分析法建立各波段信息与近红外波段信息之间的映射关系，校正所述高亮区域；利用红外波段的信息，从高光谱影像中去除校正后的高亮区域，即得到耀斑恢复处理后的影像。本发明针对镜面反射及水面波纹在高光谱影像上留下的严重耀斑现象，采用基于耀斑增益估算的水面耀斑恢复方法，能很好对小面积的耀斑区域进行恢复，并且较完整地保持光谱特征，提高水质监测力度和广度。
Description
技术领域
本发明涉及针对无人机高光谱水域影像的阴影及耀斑处理技术，特别是一种水域无人机高光谱影像耀斑处理方法、设备及存储介质。
背景技术
水环境污染问题日益严重，而城市河流众多、水网交错、生态系统脆弱，是城市水污染问题高发地。目前的水环境风险监测又主要以人工取样的化学试剂监测和定点设备的在线监测为主，传统水质采样化验方法成本较高，监测设备存在不易移动、反应慢、覆盖范围小、盲区大、人力成本高、且难以快速有效地处理水环境突发问题的缺点。随着科技的发展，遥感技术因其非接触、全局监测的技术优势，可作为现有监测手段的补充，提高现有城市环境的监测力度。但现有卫星遥感探测器的时空分辨率的限制，只能对大面积水体进行监测，难以满足城市中小河流的水质监测需求。无人机遥感技术具有机动灵活、使用成本低、操作简单、响应迅速和高时空分辨率等特点，即使作业于复杂的天气条件(如阴天、雾霾天气等)下也能避免云层遮挡的问题，可在一定高度(<1km)下忽略大气和云层的影响。无人机遥感技术的出现，可实现对水源污染等情况做到实时和快速地监测，对监测目标进行快速航拍、巡查，通过大范围、全面地搜集信息，并实时传递现场信息，监视险情发展，进而提供水利资源调查数据，及时掌握水文情况，给水质监测评价提供了新的机遇与途径。以无人机为载体，集成高清摄像头、高光谱相机等设备的智能感知系统，可对重点工程和重点区域开展快速、大范围、高频次航拍，实现污染水体、污染类型及排污口的快速感知、识别和精准定位，可解决传统点状监测盲区大、时空代表性不足等问题。
无人机高光谱图像空间分辨率及光谱分辨率很高，图像细节清晰，对于水质参数面状监测具有重要性意义。利用高光谱数据反演关键水质参数，水域高光谱数据的真实性直接影响水质参数的准确度。为保证高光谱成像仪接收到充足的水面反射光源，高光谱无人机需在太阳光照充足的条件下进行飞行作业，较容易接收到太阳直射水面形成镜面反射的光源信息、附近高层玻璃建筑反射的光源信息、产生的水面波纹等，这些将导致在影像上出现耀斑现象，同时周围环境存在的高山及高大建筑物、围栏等地物，投影到水面产生阴影。因此，水面难免会有阴影和耀斑的存在，这对图像质量和水质参数监测的干扰巨大，所以需要采取一定的手段对水面阴影和耀斑进行处理，还原水体真实光谱信息，利用构建的高光谱水质参数反演模型检测出研究水域的水质参数。
CN114355367A提供了一种基于星载单光子激光雷达数据测量浅海水深的方法，其采用线性回归模型建立可见光波段与近红外波段的对应关系，以消除可见光波段影像中的耀斑分量。然而，该方案并未给出去除耀斑分量的具体实现过程，无法对小面积的耀斑区域进行恢复。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种水域无人机高光谱影像耀斑处理方法、设备及存储介质，还原水体真实反射信息，避免耀斑现象对高光谱水质参数识别的影响。
为解决上述技术问题，本发明所采用的技术方案是：一种水域无人机高光谱影像耀斑处理方法，该方法包括以下步骤：
S1、选取高光谱影像中红光波段、绿光波段和蓝光波段的反射率影像，计算三个波段的无镜面反射图像；
S2、修正所述无镜面反射图像，获取修正后的无镜面反射图像中的高亮像素点，所有高亮像素点构成高亮区域；
S3、利用回归分析法建立各波段信息与近红外波段信息之间的映射关系，校正所述高亮区域；
S4、利用红外波段的信息，从高光谱影像中去除校正后的高亮区域，即得到耀斑恢复处理后的影像。
本发明针对受太阳直射形成镜面反射的光源信息、附近高层玻璃建筑反射的光源信息、产生的水面波纹影响在高光谱影像上产生的耀斑现象，严重影响高光谱图像成像质量，提出基于耀斑增益估算的耀斑恢复方法，能很好对小面积的耀斑区域进行恢复，并且较好地保持光谱特征，提高水质监测力度和广度。
进一步地，本发明步骤S1之前，还包括：
1)获取原始高光谱影像，提取包含阴影覆盖区域的完整水体二值图像；
2)切割所述完整水体二值图像，提取水面阴影区域二值图像；
3)对所述水面阴影区域二值图像进行多次膨胀处理，得到包含阴影覆盖范围的外部邻域的二值图像；对所述包含阴影覆盖范围的外部邻域的二值图像进行边缘提取，得到水体阴影覆盖范围外部邻域的轮廓线；
对所述水面阴影区域二值图像进行多次腐蚀处理，得到阴影覆盖范围内的内部邻域二值图像；对所述阴影覆盖范围内的内部邻域二值图像进行边缘提取，得到水体阴影覆盖范围内部邻域的轮廓线；
4)根据下式分别计算线性校正公式的斜率a与截距b：
其中，μy k和σy k分别表示阴影范围外部邻域轮廓的均值和标准差，μy k和σy k分别表示阴影范围内部邻域轮廓的均值和标准差；
5)将所述斜率a与截距b代入公式I′(i,j)＝a*I(i,j)+b，对高光谱图像全波段进行校正，完成对阴影部分的光谱校正处理；其中，I(i,j)和I'(i,j)分别为需要进行阴影校正的水面像素点和阴影校正后的水面像素点。
本发明针对阴影区域信息未知，无法对这一区域的水质环境进行监测的问题，采用基于阴影轮廓线邻域线性校正的阴影校正方法，通过邻域正常水体可见光与近红外反射率之间关系进行传递，计算阴影区域内水体的阴影补偿量，根据空间滤波消除区域边界完成阴影区域校正，提升了水质参数反演结果精度。
本发明中，为了进一步提高阴影区域校正的精度，进而提高耀斑恢复精度，上述步骤5)之后，还包括：对阴性校正后的图像进行空间平滑处理，得到预处理后的高光谱影像；
则，步骤S1替换为：
选取预处理后的高光谱影像中红光波段、绿光波段和蓝光波段的反射率影像，计算三个波段的无镜面反射图像。
步骤S2中，修正后的无镜面反射图像MSFi的计算公式为：
SFi＝Ii(p,q)-min(Ir(p,q),Ig(p,q),Ib(p,q))；其中，Ii(p,q)表示第i种可见光波段的反射率图像，Ir(p,q)表示红光波段的反射率图像，Ig(p,q)表示绿光波段的反射率图像，Ib(p,q)表示蓝光波段的反射率图像，(p,q)表示影像像素点的位置，/>
表示红、绿、蓝三个波段通道反射率图像最小值的平均值。
步骤S3的具体实现过程包括：
利用下式获取耀斑区域的图像：
其中，H(p,q)为1表示识别的是耀斑区域像素；Di(p,q)＝Ii(p,q)-MSFi(p,q)；
以近红外波段的亮度为X轴，可见光各波段的亮度为Y轴，对每一个可见光波段的所有像元进行线性回归，计算每一个可见光波段的线性回归方程，得到线性回归方程的斜率，该斜率乘以近红外波段像元亮度值与水体研究区域中近红外波段最小的像元亮度值的差值即为可见光波段对应像素需要校正的值。
′
本发明步骤S4中，耀斑恢复处理后的影像的计算公式为Ri＝Ri-bi(RNIR-
′
MinNIR；其中，Ri是第i个可见波段进行太阳耀斑恢复处理后的亮度；RNIR是近红外波段像元亮度值，MinNIR是水体研究区域中近红外波段最小的像元亮度值，bi为第i个可见波段线性回归方程的斜率；Ri是第i个可见波段进行太阳耀斑恢复处理前的亮度。
作为一个发明构思，本发明还提供了一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本发明上述方法的步骤。
作为一个发明构思，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/指令；所述计算机程序/指令被处理器执行时实现本发明上述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
1、本发明针对阴影区域信息未知，无法对这一区域的水质环境进行监测的问题，采用基于阴影轮廓线邻域线性校正的阴影校正方法，通过邻域正常水体可见光与近红外反射率之间关系进行传递，计算阴影区域内水体的阴影补偿量，根据空间滤波消除区域边界完成阴影区域校正，提升了水质参数反演结果精度；
2、本发明针对镜面反射及水面波纹在高光谱影像上留下的严重耀斑现象，采用基于耀斑增益估算的水面耀斑恢复方法，能很好对小面积的耀斑区域进行恢复，并且较完整地保持光谱特征，提高水质监测力度和广度。
附图说明
图1为原始高光谱影像；
图2为本发明实施例完整水体区域精细化二值图；
图3为本发明实施例阴影区域轮廓线内外邻域示意图；
图4为本发明实施例原始阴影覆盖影像；
图5为本发明实施例阴影校正后的水体高光谱影像；
图6为原始耀斑影像；
图7为本发明实施例耀斑修复后的水体高光谱影像。
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中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例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。
在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物，而是表示有关描述仅仅针对所述事物中2的一个，所述事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。
本发明实施例充分利用水体光谱特征，提出通过邻域相关性线性校正水面阴影的方法。水体阴影区域边界内外两侧的阴影区和非阴影区同属于一类地物覆盖类型，光谱特征存在统计相似性，因此采用形态学操作提取阴影区域范围内及阴影区域外部的轮廓线，选择出阴影范围内和邻域非阴影范围内的水面区域，利用线性相关关系实现对阴影区域的校正。通过邻域相关性线性校正水面阴影的方法可分为水面阴影区域提取，参考波段转换及转换系数计算，完成阴影区域补偿三个部分，具体流程如下：
原始高光谱影像如图1所示，在对阴影区域校正处理前需要将水体和水面阴影进行提取，由于水面阴影区域在绿光波段的反射率严重衰减，若使用归一化水体指数NDWI无法实现阴影覆盖区域水体的提取。根据水体光谱特征分析，阴影覆盖区域水体的红光波段反射率存在峰值，因此本实施例通过计算NDVI指数，结合阈值提取，保留NDVI指数小于零的区域进行孔隙填充，结合形态学滤波对结果的边界部分进行优化，得到包含阴影覆盖区域的完整水体的精细化二值图像，如图2所示。
其中RRED为红光波段的反射率，RNIR为近红外波段的反射率。
本实施例中，提取出完整的水体区域后，通过水面阴影区域和水面无阴影区域边界部分存在明显的亮度差异的特征，利用Sobel边缘检测法(Gao W,Zhang X,Yang L,etal.An improved Sobel edge detection[C]//2010 3rd International conference oncomputer science and information technology.IEEE,2010,5:67-71.)提取水体内部的边缘线，结合曲线闭合算法(Akima H.A new method of interpolation and smoothcurve fitting based on local procedures[J].Journal of the ACM(JACM),1970,17(4):589-602.)实现水面阴影区域二值图像提取。本实施例中，运用sobel算子对影像进行运算，得到边缘线二值图，基于由一组多项式组成的分段函数，并且适用于给定点的连续间隔，得到拟合的封闭边缘线。
根据sobel检测算子得到几条离散的边缘线，对于每两条相邻的边缘线，采用以下方法进行插值。以左上角为原点，向下为y轴，向右为x轴得到图像像素坐标系。记录两条相邻边缘线近邻的两个端点坐标A1(x1,y1)与A2(x2,y2)。
A1所处边缘线在A1点处的斜率为t1,A2所处边缘线在A2点处的斜率为t2。
在x1～x2的区间内曲线拟合公式为：
y＝p0+p1(x-x1)+p2(x-x1)2+p3(x-x1)3；
其中p0＝y1,p1＝t1,
p2＝[3(y2-y1)/(x2-x1)-2t1-t2]/(x2-x1)；
p3＝[t1+t2-2(y2-y1)/(x2-x1)]/(x2-x1)2。
通过对阴影覆盖区域二值图像的多次膨胀处理，得到包含阴影覆盖范围的外部邻域的二值图像，外部水体邻域无阴影遮挡，反应真实光谱信息，进行边缘提取得到水体阴影覆盖范围外部邻域的轮廓线。
通过对阴影覆盖区域二值图像的多次腐蚀处理，得到阴影覆盖范围内的内部邻域二值图像，内部水体邻域受阴影遮挡，无法反应水体真实光谱信息，进行边缘提取得到水体阴影覆盖范围内部邻域的轮廓线。
本实施例中，得到水体阴影范围邻域的内外轮廓线如图3所示，根据水面阴影区和非阴影区具有线性相关关系的光谱特性，即：
I′(i,j)＝a*I(i,j)+b；
其中I(i,j)和I'(i,j)分别为需要进行阴影校正的水面像素点和得到阴影校正后的水面像素点。根据下式分别计算阴影范围外部邻域轮廓和内部轮廓各波段反射率的均值和标准差，得到线性校正公式的斜率a与截距b：
b＝μyk-a·μsk；
其中，μyk和σyk表示的是阴影范围外部邻域轮廓的均值和标准差，μyk和σyk表示的阴影范围内部邻域轮廓的均值和标准差。
将斜率a及斜率b代入线性相关的公式(I′(i,j)＝a*I(i,j)+b)，对高光谱图像全波段进行校正，完成对阴影部分的光谱校正处理。
利用水面阴影覆盖区域和水体非阴影覆盖区域的统计信息回归分析得到线性关系中的斜率与截距，对阴影进行校正的方法有可能导致阴影区域恢复后，邻域间连贯性不足，因此，为消除区域边界不够平滑的现象，使用SG滤波进行空间平滑处理，得到阴影校正后的影像，如图4和图5所示。
本实施例针对受太阳直射形成镜面反射的光源信息、附近高层玻璃建筑反射的光源信息、产生的水面波纹影响在高光谱影像上产生的耀斑现象，严重影响高光谱图像成像质量，提出基于耀斑增益估算的耀斑恢复算法，具体流程可分为水面耀斑检测、通过回归分析的方法建立近红外波段与可见光波段水体相关关系，逐波段校正高光谱图像水面耀斑区域三个部分。
1、耀斑通常对应的是高亮区域，因此可以通过识别高光区域的方法检测水体区域影像耀斑区域。选取红光波段(650nm)、绿光波段(550nm)和蓝光波段(450nm)的反射率影像，根据一下公式计算可见光三个波段的无镜面反射图像。
SFi＝Ii(p,q)-min(Ir(p,q),Ig(p,q),Ib(p,q))；
根据如下公式计算修正后的无镜面反射图像：
其中，Ii(p,q)表示的可见光波段的反射率图像，(p,q)表示的是影像像素点的位置，Imin则表示红、绿、蓝三个波段通道反射率图像最小值的平均值。
根据如下公式计算原始可见光波段的反射率图像与修正后的无镜面反射图像MSFZ之间的差值。
Di(p,q)＝Ii(p,q)-MSFi(p,q)；
2、根据差值阈值来判断阴影提取步骤1中得到水体高光谱图像中的像素点是否属于高亮像素点，通过色度分离的方法得到耀斑高亮区域的二值图像。
3、水体在近红外波段的离水辐照几乎为零，不为零的部分可视为太阳耀斑的增益，因此利用近红外波段的反射率图像可以得到各个像素点的耀斑增益。利用回归分析法建立各波段信息与近红外波段信息之间的映射关系，实现耀斑区域的校正。以近红外波段的亮度为X轴，可见光各波段的亮度为Y轴，对每一个可见光波段的所有像元进行线性回归，计算其线性回归方程，获得第i个可见光波段线性回归方程的斜率bi。
4.使用近红外波段的信息从可见光各个波段中去除光谱信号中的太阳耀斑部分，去除耀斑效应。根据耀斑去除公式得到耀斑恢复处理后的影像，如图6和图7所示。
′
Ri＝Ri-bi(RNIR-MinNIR)；
′
其中，Ri是波段i进行太阳耀斑恢复处理后的亮度；RNIR是近红外波段像元亮度值，MinNIR是水体研究区域中近红外波段最小的像元亮度值，代表是没有太阳耀斑的像元亮度值。
经过以上处理，最终得到阴影校正和耀斑恢复后的研究区域水体高光谱影像，反映水面真实光谱信息。
实施例2
本发明实施例2提供一种对应上述实施例1的终端设备，终端设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述实施例的方法。
本实施例的终端设备包括存储器、处理器及存储在存储器上的计算机程序；处理器执行存储器上的计算机程序，以实现上述实施例1方法的步骤。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例3
本发明实施例3提供了一种对应上述实施例1的计算机可读存储介质，其上存储有计算机程序/指令。计算机程序/指令被处理器执行时，实现上述实施例1方法的步骤。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种水域无人机高光谱影像耀斑处理方法，其特征在于，该方法包括以下步骤：
S1、选取高光谱影像中红光波段、绿光波段和蓝光波段的反射率影像，计算三个波段的无镜面反射图像；
S2、修正所述无镜面反射图像，获取修正后的无镜面反射图像中的高亮像素点，所有高亮像素点构成高亮区域；
S3、利用回归分析法建立各波段信息与近红外波段信息之间的映射关系，校正所述高亮区域；
S4、利用红外波段的信息，从高光谱影像中去除校正后的高亮区域，即得到耀斑恢复处理后的影像。
2.根据权利要求1所述的水域无人机高光谱影像耀斑处理方法，其特征在于，步骤S1之前，还包括：
1)获取原始高光谱影像，提取包含阴影覆盖区域的完整水体二值图像；
2)切割所述完整水体二值图像，提取水面阴影区域二值图像；
3)对所述水面阴影区域二值图像进行多次膨胀处理，得到包含阴影覆盖范围的外部邻域的二值图像；对所述包含阴影覆盖范围的外部邻域的二值图像进行边缘提取，得到水体阴影覆盖范围外部邻域的轮廓线；
对所述水面阴影区域二值图像进行多次腐蚀处理，得到阴影覆盖范围内的内部邻域二值图像；对所述阴影覆盖范围内的内部邻域二值图像进行边缘提取，得到水体阴影覆盖范围内部邻域的轮廓线；
4)根据下式分别计算线性校正公式的斜率a与截距b：
其中，μyk和σyk分别表示阴影范围外部邻域轮廓的均值和标准差，μyk和σyk分别表示阴影范围内部邻域轮廓的均值和标准差；
5)将所述斜率a与截距b代入公式I′(i,j)＝a*I(i,j)+b，对高光谱图像全波段进行校正，完成对阴影部分的光谱校正处理；其中，I(i,j)和I'(i,j)分别为需要进行阴影校正的水面像素点和阴影校正后的水面像素点。
3.根据权利要求2所述的水域无人机高光谱影像耀斑处理方法，其特征在于，步骤5)之后，还包括：对阴性校正后的图像进行空间平滑处理，得到预处理后的高光谱影像；
则，步骤S1替换为：
选取预处理后的高光谱影像中红光波段、绿光波段和蓝光波段的反射率影像，
计算三个波段的无镜面反射图像。
4.根据权利要求1所述的水域无人机高光谱影像耀斑处理方法，其特征在于，步骤S2中，修正后的无镜面反射图像MSFi的计算公式为：
SFi＝Ii(p,q)-min(Ir(p,q),Ig(p,q),Ib(p,q))；其中，Ii(p,q)表示第i种可见光波段的反射率图像，Ir(p,q)表示红光波段的反射率图像，Ig(p,q)表示绿光波段的反射率图像，Ib(p,q)表示蓝光波段的反射率图像，(p,q)表示影像像素点的位置，
表示红、绿、蓝三个波段通道反射率图像最小值的平均值。
5.根据权利要求4所述的水域无人机高光谱影像耀斑处理方法，其特征在于，步骤S3的具体实现过程包括：
利用下式获取耀斑区域的图像：
其中，H(p,q)为1表示识别的是耀斑区域像素；Di(p,q)＝Ii(p,q)-MSFi(p,q)；
以近红外波段的亮度为X轴，可见光各波段的亮度为Y轴，对每一个可见光波段的所有像元进行线性回归，计算每一个可见光波段的线性回归方程，得到线性回归方程的斜率，该斜率乘以近红外波段像元亮度值与水体研究区域中近红外波段最小的像元亮度值的差值即为可见光波段对应像素需要校正的值。
6.根据权利要求5所述的水域无人机高光谱影像耀斑处理方法，其特征在于，步′
骤S4中，耀斑恢复处理后的影像的计算公式为Ri＝Ri-bi(RNIR-MinNIR)；
′
其中，Ri是第i个可见波段进行太阳耀斑恢复处理后的亮度；RNIR是近红外波段像元亮度值，MinNIR是水体研究区域中近红外波段最小的像元亮度值，bi为第i个可见波段线性回归方程的斜率；Ri是第i个可见波段进行太阳耀斑恢复处理前的亮度。
7.一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器执行所述计算机程序，以实现权利要求1～6之一所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～6之一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704467.5A CN116245751A (zh) | 2022-12-29 | 2022-12-29 | 水域无人机高光谱影像耀斑处理方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704467.5A CN116245751A (zh) | 2022-12-29 | 2022-12-29 | 水域无人机高光谱影像耀斑处理方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116245751A true CN116245751A (zh) | 2023-06-09 |
Family
ID=86623363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211704467.5A Pending CN116245751A (zh) | 2022-12-29 | 2022-12-29 | 水域无人机高光谱影像耀斑处理方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245751A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435940A (zh) * | 2023-12-20 | 2024-01-23 | 龙建路桥股份有限公司 | 一种面向冬季混凝土养护过程中光谱检测方法 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
-
2022
- 2022-12-29 CN CN202211704467.5A patent/CN116245751A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435940A (zh) * | 2023-12-20 | 2024-01-23 | 龙建路桥股份有限公司 | 一种面向冬季混凝土养护过程中光谱检测方法 |
| CN117435940B (zh) * | 2023-12-20 | 2024-03-05 | 龙建路桥股份有限公司 | 一种面向冬季混凝土养护过程中光谱检测方法 |
| CN117789056A (zh) * | 2024-02-27 | 2024-03-29 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
| CN117789056B (zh) * | 2024-02-27 | 2024-05-07 | 杭州蚁联传感科技有限公司 | 一种带太阳耀斑的遥感数据处理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
| CN116245751A (zh) | 水域无人机高光谱影像耀斑处理方法、设备及存储介质 | |
| CN111062991B (zh) | 一种光伏场景的巡检目标定位方法、设备及可读存储介质 | |
| CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
| Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
| Li et al. | Adaptive building edge detection by combining LiDAR data and aerial images | |
| US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
| CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
| CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
| CN102663385B (zh) | 一种星上点目标检测方法 | |
| CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
| Wang et al. | Extracting oil slick features from VIIRS nighttime imagery using a Gaussian filter and morphological constraints | |
| CN107273803B (zh) | 云层图像检测方法 | |
| Qu et al. | Human-vehicle collision detection algorithm based on image processing | |
| Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
| CN113177473B (zh) | 遥感影像水体自动化提取方法和装置 | |
| Yu et al. | Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| CN112200769B (zh) | 一种用于违建检测的定点监控新旧时相图像变化检测方法 | |
| CN110136128B (zh) | 基于Rao检验的SAR影像变化检测方法 | |
| CN113936009A (zh) | 一种气象卫星洪涝监测的云阴影去除方法、装置及设备 | |
| CN114459606B (zh) | 一种热像仪对日保护方法、系统、智能终端以及存储介质 | |
| Ge et al. | An optimized design of the pointer meter image enhancement and automatic reading system in low illumination environment |
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 |