CN116612048B - 一种光学卫星遥感影像去模糊处理方法及系统 - Google Patents
一种光学卫星遥感影像去模糊处理方法及系统 Download PDFInfo
- Publication number
- CN116612048B CN116612048B CN202310868628.2A CN202310868628A CN116612048B CN 116612048 B CN116612048 B CN 116612048B CN 202310868628 A CN202310868628 A CN 202310868628A CN 116612048 B CN116612048 B CN 116612048B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- processing
- deblurring
- steps
- 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 66
- 230000003287 optical effect Effects 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 12
- 230000005855 radiation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种光学卫星遥感影像去模糊处理方法及系统,涉及遥感影像处理技术领域,所述处理方法包括以下步骤:通过采集端收集光学卫星遥感影像数据,并进行必要的预处理操作,并对预处理后的每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理,从而在获取大批量的遥感影像时。本发明有效将不需要模糊处理的遥感影像筛除,不仅降低处理系统的任务处理量,降低处理成本,而且有效提高处理系统的任务处理效率。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种光学卫星遥感影像去模糊处理方法及系统。
背景技术
光学卫星遥感影像去模糊处理是指对通过光学卫星获取的遥感影像进行处理,以减少或消除由于大气散射、地面运动或卫星振动等因素引起的模糊现象,从而提高遥感影像的清晰度和细节,
光学卫星遥感影像通常受到大气条件的限制,导致遥感影像中出现模糊、模糊和失真,为了改善这些问题,需要使用去模糊技术来还原遥感影像的细节和清晰度。
现有技术存在以下不足:
现有的去模糊处理系统通常是设置去模糊处理机制,对录入的每一张光学卫星遥感影像遥感影像均进行去模糊处理,然而,当处理大批量的光学卫星遥感影像遥感影像时,去模糊处理系统对需要处理的光学卫星遥感影像遥感影像没有筛选处理,大批量光学卫星遥感影像遥感影像均进行去模糊处理,不仅会增加系统处理负担,增加处理成本,而且还会降低处理系统的工作效率。
发明内容
本发明的目的是提供一种光学卫星遥感影像去模糊处理方法及系统,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种光学卫星遥感影像去模糊处理方法,所述处理方法包括以下步骤:
S1:确定遥感监测目标,采集端收集监测目标区域光学卫星遥感影像数据并进行预处理;
S2:处理端对每个遥感影像进行信息评估,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理;
S3:筛选出的遥感影像通过遥感影像分析获取模糊核;
S4:基于滤波技术对模糊核进行模糊逆滤波处理;
S5:逆滤波处理后的遥感影像进行降噪和遥感影像增强;
S6:记录和管理模糊处理后的遥感影像。
在一个优选的实施方式中,步骤S2中,所述处理端对每个遥感影像进行信息评估包括以下步骤:
S2.1:获取遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比;
S2.2:遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比去除量纲后,综合计算获取评估系数;式中,/>为遥感影像目标占用比例归一化数值,/>为高频信息损失度,/>为峰值信噪比,/>分别为高频信息损失度、峰值信噪比,且/>均大于0。
在一个优选的实施方式中,步骤S2中,所述处理端对每个遥感影像进行信息评估还包括以下步骤:
S2.3:获取评估系数后,将评估系数/>与评估阈值/>进行对比;
S2.4:若遥感影像的评估系数≥评估阈值/>,评估遥感影像需要进行去模糊处理;
S2.5:若遥感影像的评估系数<评估阈值/>,评估遥感影像不需要进行去模糊处理。
在一个优选的实施方式中,所述遥感影像目标占用比例归一化数值的获取逻辑为:获取遥感影像后,采用网格法获取遥感影像目标的网格数量,然后通过公式:;计算得到遥感影像目标网格占比/>,/>为遥感影像目标的网格数量,/>为遥感影像所有网格数量,当遥感影像目标网格占比/>小于占比阈值时,遥感影像目标占用比例归一化数值为0,当遥感影像目标网格占比/>大于等于占比阈值时,遥感影像目标占用比例归一化数值为1。
在一个优选的实施方式中,所述高频信息损失度的计算表达式为:
;式中,/>表示遥感影像在频域中的傅里叶系数,/>傅里叶系数幅值的平方, 分别为遥感影像的红色、绿色和蓝色通道中坐标为/>的像素值。
在一个优选的实施方式中,所述峰值信噪比的计算表达式为:;式中,/>表示像素值最大取值,/>为255,表示8位遥感影像的最大灰度级,/>表示均方误差。
在一个优选的实施方式中,所述均方误差的计算表达式为:;
式中,分别表示遥感影像的宽度和高度,/>分别表示原始遥感影像和经过传输后的遥感影像在坐标/>处的像素值。
在一个优选的实施方式中,步骤S5中,遥感影像进行降噪处理包括以下步骤:
S5.1:创建滤波器模板,将滤波器模板应用于遥感影像上的每个像素点;
S5.2:对于每个像素,将滤波器模板与该像素周围的邻域进行卷积操作,计算邻域内像素值的平均值作为滤波后的像素值;
S5.3:对于遥感影像边缘上的像素进行补零处理;
S5.4:对遥感影像上的每个像素点重复执行步骤S5.2和步骤S5.3,直到对整个遥感影像完成滤波操作。
在一个优选的实施方式中,步骤S5中,遥感影像进行增强处理包括以下步骤:
S5.5:通过直方图均衡化调整像素的灰度分布,使遥感影像中的灰度级别均匀分布;
S5.6:通过线性变换扩展遥感影像的动态范围;
S5.7:使用局部对比度增强算法增强遥感影像的细节;
S5.8:通过高通滤波器增强遥感影像中的边缘和细节来增加对比度。
本发明还提供一种光学卫星遥感影像去模糊处理系统,所述处理系统包括采集模块、筛选模块、分析模块、滤波模块、处理模块以及管理模块;
采集模块收集光学卫星遥感影像数据后进行预处理,筛选模块对每个遥感影像进行信息评估,根据信息评估的结果,建立遥感影像筛选机制筛选需要进行去模糊处理的遥感影像,分析模块将筛选出的遥感影像通过遥感影像分析获取模糊核,滤波模块基于滤波技术对模糊核进行模糊逆滤波处理,处理模块将逆滤波处理后的遥感影像进行降噪和遥感影像增强,管理模块记录和管理模糊处理后的遥感影像。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过采集端收集光学卫星遥感影像数据,并进行必要的预处理操作,并对预处理后的每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理,从而在获取大批量的遥感影像时,有效将不需要模糊处理的遥感影像筛除,不仅降低处理系统的任务处理量,降低处理成本,而且有效提高处理系统的任务处理效率;
本发明通过通过获取遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比后,将遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比去除量纲后,综合计算获取评估系数,有效提高对遥感影像的数据分析效率,并且依据评估系数与评估阈值的对比结果评估遥感影像是否需要去模糊处理,从而提高大批量遥感影像数据的处理效率。
附图说明
为了更清楚地说明本申请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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
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、完整地描述,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作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。
实施例1:请参阅图1所示,本实施例所述一种光学卫星遥感影像去模糊处理方法,所述处理方法包括以下步骤:
确定遥感监测目标,采集端收集监测目标区域光学卫星遥感影像数据,并进行必要的预处理操作,如辐射校正、几何校正和遥感影像配准等,以确保数据的准确性和一致性,处理端对每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理,将筛选出的遥感影像通过遥感影像分析获取模糊核,并通过滤波技术对模糊核进行模糊逆滤波处理,该步骤旨在反向操作模糊过程,以还原遥感影像的清晰度,逆滤波处理后的遥感影像进行降噪和遥感影像增强,由于逆滤波过程可能会引入噪声,需要进行降噪处理以减少噪声对遥感影像质量的影响,对去模糊后的遥感影像进行增强处理,以提高遥感影像的视觉质量和细节信息,记录和管理模糊处理后的遥感影像,包括建立遥感影像列表、记录处理前的相关信息和参数等,以便后续的处理和分析。
本申请通过采集端收集光学卫星遥感影像数据,并进行必要的预处理操作,并对预处理后的每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理,从而在获取大批量的遥感影像时,有效将不需要模糊处理的遥感影像筛除,不仅降低处理系统的任务处理量,降低处理成本,而且有效提高处理系统的任务处理效率。
采集端收集光学卫星遥感影像数据,并进行辐射校正、几何校正和遥感影像配准:
A、辐射校正:进行辐射校正是为了消除遥感影像中由于大气、地表和仪器响应等因素引起的辐射度差异,这涉及对遥感影像数据进行辐射定标,将其转换为可比较的辐射亮度或反射率;
B、几何校正:几何校正旨在消除遥感影像中的地表形变、遥感影像畸变和几何失真等因素,这包括校正遥感影像的投影方式、几何位置和比例尺等,以确保遥感影像在地理空间上的准确对应关系;
C、遥感影像配准:遥感影像配准是将不同时间或不同传感器获取的遥感影像进行对齐,使它们具有相同的空间参考框架,这可以通过特征匹配、控制点选择和变换模型应用等方法实现。
将筛选出的遥感影像通过遥感影像分析获取模糊核包括以下步骤:
A、提取清晰参考遥感影像:从收集到的模糊影像样本中选择一个或多个清晰的参考遥感影像作为基准,这些清晰遥感影像可以是同一地区或相似场景下的高质量遥感影像;
B、模糊核估计算法选择:选择适合的模糊核估计算法,常见的方法包括盲去卷积方法,选择合适的方法可以根据具体应用场景和数据特征进行决策;
C、模糊核估计:利用所选的模糊核估计算法,通过比较模糊影像和清晰参考遥感影像,推断模糊核的属性和参数,这可以通过最小化模糊影像与清晰遥感影像之间的差异来实现,以确定最佳的模糊核;
其中:通过盲去卷积方法比较模糊影像和清晰参考遥感影像,推断模糊核的属性和参数具体为:获取一对模糊影像和相应的清晰参考遥感影像,模糊影像是经过模糊处理的遥感影像,而清晰参考遥感影像是未经模糊处理的原始遥感影像,利用盲去卷积方法,通过对比模糊影像和清晰参考遥感影像之间的差异,估计模糊核的属性和参数,盲去卷积方法基于模糊模型和遥感影像间的逆问题求解,通过最小化模糊影响来推断模糊核的特性,进行参数优化,以获得更准确的模糊核估计,这可以通过迭代优化算法或最小二乘法等方法来实现,分析估计得到的模糊核的属性,如大小、方向、形状等,这些属性可以提供关于模糊过程的信息,有助于了解遥感影像的模糊来源和特征;
D、模糊核分析和优化:对估计得到的模糊核进行分析和优化,可以考虑模糊核的尺寸、形状、方向等参数,并结合具体应用需求进行调整和优化。
E、模糊核应用:最后,将估计得到的模糊核应用于其他遥感影像,以实现去模糊或遥感影像恢复的目标。
通过滤波技术对模糊核进行模糊逆滤波处理包括以下步骤:
A、傅里叶变换:将模糊核和模糊影像转换到频域,通过对模糊核和模糊影像进行傅里叶变换,将它们从时域转换到频域;
B、逆滤波函数:计算逆滤波函数,逆滤波函数是根据模糊核在频域的表现得出的,它可以用于恢复原始遥感影像,逆滤波函数可以通过求取模糊核的逆滤波频谱来获得;
C、处理噪声:考虑噪声处理,逆滤波会放大遥感影像中的噪声,因此在进行逆滤波之前,可能需要进行噪声估计和抑制,以提高恢复遥感影像的质量;
D、恢复遥感影像:应用逆滤波函数进行遥感影像恢复,将逆滤波函数应用于模糊影像的频谱,可以得到恢复的遥感影像频谱;
E、逆傅里叶变换:将恢复的遥感影像频谱转换回时域,通过对恢复的遥感影像频谱进行逆傅里叶变换,将遥感影像从频域转换回时域。
逆滤波处理后的遥感影像进行降噪和遥感影像增强包括以下步骤:
A、通过均值滤波方法对遥感影像进行降噪处理,具体步骤包括:
A1、确定滤波器大小:选择适当的滤波器大小是均值滤波的第一步,滤波器大小决定了在计算每个像素点的均值时考虑的邻域大小,通常,较大的滤波器大小可以平滑更大的噪声区域,但可能导致细节的模糊,
A2、创建滤波器模板:根据选择的滤波器大小,创建一个相应大小的滤波器模板,滤波器模板是一个矩阵,其中每个元素都具有相同的值,即平均权重;
A3、执行滤波操作:将滤波器模板应用于遥感影像上的每个像素点,对于每个像素,将滤波器模板与该像素周围的邻域进行卷积操作,计算邻域内像素值的平均值作为滤波后的像素值;
A4、边界处理:对于遥感影像边缘上的像素,由于其周围像素数目不足以构成完整的滤波邻域,需要进行适当的边界处理,常见的方法包括补零(zero-padding)或使用重复边界像素值;
A5、重复步骤A3和A4:对遥感影像上的每个像素点重复执行步骤A3和A4,直到对整个遥感影像完成滤波操作;
B、通过对比度增强方法对遥感影像进行增强处理,具体步骤包括:
B1、直方图均衡化:一种常见的对比度增强方法是直方图均衡化,它通过调整像素的灰度分布,使遥感影像中的灰度级别更均匀分布,从而增加遥感影像的对比度,直方图均衡化可以应用于整个遥感影像,也可以应用于局部区域;
B2、对比度拉伸:对比度拉伸是通过线性变换来扩展遥感影像的动态范围,从而增加对比度,常见的对比度拉伸方法包括线性拉伸和非线性拉伸;
B3、局部对比度增强:针对遥感影像中特定区域的细节增强,可以采用局部对比度增强方法,例如,使用局部对比度增强算法如CLAHE(Contrast Limited AdaptiveHistogram Equalization)来增强遥感影像的细节,同时避免过度增强导致的噪声放大;
B4、锐化增强:锐化增强方法可以通过增强遥感影像中的边缘和细节来增加对比度,常见的锐化增强方法包括使用高通滤波器(如拉普拉斯滤波器)或增强边缘的算子(如Sobel算子、Prewitt算子等)。
通过记录和管理模糊处理后的遥感影像,包括建立遥感影像列表、记录处理前的相关信息和参数等,包括以下步骤:
A、建立遥感影像列表:创建一个遥感影像列表或数据库,用于记录和管理处理后的遥感影像,该列表可以包括遥感影像的文件名、路径、日期、分辨率等基本信息;
B、记录处理前的信息:对于每个遥感影像,记录处理前的相关信息,这些信息可以包括原始影像的来源、采集设备、传感器参数、拍摄日期、地理位置等,这些信息有助于后续的分析和对比;
C、记录处理参数:记录进行模糊处理的参数和设置,这些参数可能包括模糊核的类型、大小、方向,滤波器类型、滤波器参数等,记录这些参数可以使后续的处理和分析可追溯和可重现;
D、存储处理后的影像:将处理后的遥感影像存储到指定的位置,并在遥感影像列表中添加相应的条目,确保影像命名规范和组织结构清晰,方便后续的查找和使用;
E、添加附加信息:除了基本信息和处理参数外,可以添加附加的元数据或描述信息,如处理人员、处理日期、处理软件等,这些信息有助于维护遥感影像的历史记录和质量控制;
F、数据备份和管理:定期进行数据备份和管理,确保遥感影像数据的安全性和可靠性,可以采用多种存储介质或云存储方案,以防止数据丢失或损坏;
G、更新和维护:定期更新遥感影像列表和相关信息,包括新增影像、删除无用影像、更新参数等,确保遥感影像的列表和记录保持最新和完整。
实施例2:采集端收集光学卫星遥感影像数据,并进行必要的预处理操作,如辐射校正、几何校正和遥感影像配准等,以确保数据的准确性和一致性。
处理端对每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理;
处理端对每个遥感影像进行信息评估包括以下步骤:
获取遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比后,将遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比去除量纲后,综合计算获取评估系数;式中,/>为遥感影像目标占用比例归一化数值,为高频信息损失度,/>为峰值信噪比,/>分别为高频信息损失度、峰值信噪比,且均大于0。
遥感影像目标占用比例归一化数值的获取逻辑为:获取遥感影像后,采用网格法获取遥感影像目标的网格数量,然后通过公式:;计算得到遥感影像目标网格占比/>,/>为遥感影像目标的网格数量,/>为遥感影像所有网格数量,当遥感影像目标网格占比/>小于占比阈值时,遥感影像目标占用比例归一化数值为0,当遥感影像目标网格占比/>大于等于占比阈值时,遥感影像目标占用比例归一化数值为1,因此,当遥感影像目标占用比例归一化数值为0时,直接判断遥感影像无需进行去模糊处理;
当遥感影像目标网格占比小于占比阈值时可能面临以下问题:
1)信息不足:目标占用比例较低的影像可能缺乏足够的目标信息,导致目标检测和识别算法的性能下降;
2)不足以代表区域特征:影像中的目标占用比例较低可能意味着影像中存在大量的背景或无关信息,这可能使影像难以代表该区域的真实特征;
3)无法满足特定需求:某些应用可能对目标的详细信息和准确性要求较高,因此需要目标占用比例较高的影像来满足需求。
例如,在通过遥感影像进行城市分析时,若遥感影像中,城市的网格占比低于1/10时,会出现以下问题:
1)不足以代表城市特征:城市占比面积较低的影像可能无法全面反映城市的空间分布、形态和结构等特征,这可能使得对城市发展、土地利用和城市规划等问题的分析结果不够准确或不具备代表性;
2)目标检测和识别困难:城市占比面积较低的影像中,城市建筑物和人工结构的数量和分布可能较少,导致目标检测和识别算法的性能下降,这会影响到一些基于城市目标的分析任务;
3)统计可靠性不足:城市占比面积较低的影像中,对于城市人口、交通流量、建筑统计等方面的统计分析可能受到限制,因为样本数量较少,统计结果的可靠性可能较低。
高频信息损失度的计算表达式为:
;式中,/>表示遥感影像在频域中的傅里叶系数,/>傅里叶系数幅值的平方,通过对频谱遥感影像的高频区域进行求和操作,可以得到遥感影像高频能量,分别为遥感影像的红色、绿色和蓝色通道中坐标为/>的像素值,通过对各个通道的像素值平方进行累加,得到遥感影像的总能量;
将遥感影像高频能量比上遥感影像的总能量得到高频成分占比,通过1减去高频成分占比后得到高频信息损失度;
高频信息损失度越大,则会导致遥感影像:
1)细节缺失:高频信息损失度较大的遥感影像可能缺乏边缘、纹理和其他细节信息,这导致遥感影像中的地物和目标的细节部分无法清晰可见,使得对地物的识别和解译变得困难;
2)模糊效果:高频信息损失度较大的影像可能表现出模糊或平滑的外观,缺乏清晰的边界和轮廓,这可能影响遥感影像的空间分辨率和几何特征,使得对地物边界和形态的分析受到限制;
3)降低目标检测能力:高频信息损失度较大的遥感影像对于目标检测任务可能表现较差,由于细节信息缺失,目标的边缘、纹理和形态等特征可能无法被有效提取和识别,从而降低了目标检测的准确性和可靠性;
4)减少分类精度:高频信息损失度较大的影像可能对于地物分类任务造成困扰,由于缺乏细节信息,地物的不同类别之间的区分度降低,可能导致分类结果的精度下降。
因此,遥感影像的高频信息损失度越大,则遥感影像越需要进行去模糊处理。
峰值信噪比的计算表达式为:;式中,表示像素值最大取值,/>通常为255,表示8位遥感影像的最大灰度级,/>表示均方误差,均方误差的计算表达式为:
;
式中,分别表示遥感影像的宽度和高度(像素数),/>分别表示原始遥感影像和经过传输后的遥感影像在坐标/>处的像素值;
峰值信噪比越大,则遥感影像:
1)遥感影像质量更高:较高的PSNR值表示遥感影像中信号(地物、特征)的强度较高,与噪声的差异更大,因此遥感影像质量更好;
2)信息保留更好:较高的PSNR值意味着噪声对遥感影像的影响较小,遥感影像中的细节和特征得到了较好的保留,因此遥感影像的信息内容更丰富;
3)更低的失真程度:较高的PSNR值表示遥感影像的失真程度较低,即遥感影像的模糊程度较小,这可能意味着遥感影像分辨率较高、边缘信息更清晰,或者遥感影像经过了去噪、去模糊等处理过程。
因此,峰值信噪比越大的遥感影像越不需要进行去模糊处理。
获取评估系数后,将评估系数/>与评估阈值/>进行对比;
若遥感影像的评估系数≥评估阈值/>,评估遥感影像需要进行去模糊处理;
若遥感影像的评估系数<评估阈值/>,评估遥感影像不需要进行去模糊处理。
本申请通过获取遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比后,将遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比去除量纲后,综合计算获取评估系数,有效提高对遥感影像的数据分析效率,并且依据评估系数与评估阈值的对比结果评估遥感影像是否需要去模糊处理,从而提高大批量遥感影像数据的处理效率。
实施例3:本实施例所述一种光学卫星遥感影像去模糊处理系统,所述处理系统包括采集模块、筛选模块、分析模块、滤波模块、处理模块以及管理模块。
采集模块:用于收集光学卫星遥感影像数据,并进行必要的预处理操作,如辐射校正、几何校正和遥感影像配准等,以确保数据的准确性和一致性,预处理后的遥感影像数据发送至评估模块;
筛选模块:用于对每个遥感影像进行信息评估,以确定是否需要进行去模糊处理,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理,需要去模糊处理的遥感影像发送至分析模块;
分析模块:将筛选出的遥感影像通过遥感影像分析获取模糊核,模糊核发送至滤波模块;
滤波模块:基于滤波技术对模糊核进行模糊逆滤波处理,该步骤旨在反向操作模糊过程,以还原遥感影像的清晰度,滤波后的遥感影像发送至处理模块;
处理模块:用于将逆滤波处理后的遥感影像进行降噪和遥感影像增强,由于逆滤波过程可能会引入噪声,需要进行降噪处理以减少噪声对遥感影像质量的影响,对去模糊后的遥感影像进行增强处理,以提高遥感影像的视觉质量和细节信息,处理后的遥感影像发送至管理模块;
管理模块:用于记录和管理模糊处理后的遥感影像,包括建立遥感影像列表、记录处理前的相关信息和参数等,以便后续的处理和分析。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种光学卫星遥感影像去模糊处理方法,其特征在于:所述处理方法包括以下步骤:
S1:确定遥感监测目标,采集端收集监测目标区域光学卫星遥感影像数据并进行预处理;
S2:处理端对每个遥感影像进行信息评估,根据信息评估的结果,建立遥感影像筛选机制来判断哪些遥感影像需要进行去模糊处理;
S3:筛选出的遥感影像通过遥感影像分析获取模糊核;
S4:基于滤波技术对模糊核进行模糊逆滤波处理;
S5:逆滤波处理后的遥感影像进行降噪和遥感影像增强;
S6:记录和管理模糊处理后的遥感影像;
步骤S2中,所述处理端对每个遥感影像进行信息评估包括以下步骤:
S2.1:获取遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比;
S2.2:遥感影像目标占用比例归一化数值、高频信息损失度、峰值信噪比去除量纲后,综合计算获取评估系数式中,mbz为遥感影像目标占用比例归一化数值,xsg为高频信息损失度,xzf为峰值信噪比,α、β分别为高频信息损失度、峰值信噪比,且α、β均大于0;
步骤S2中,所述处理端对每个遥感影像进行信息评估还包括以下步骤:
S2.3:获取评估系数pgx后,将评估系数pgx与评估阈值pgy进行对比;
S2.4:若遥感影像的评估系数pgx≥评估阈值pgy,评估遥感影像需要进行去模糊处理;
S2.5:若遥感影像的评估系数pgx<评估阈值pgy,评估遥感影像不需要进行去模糊处理。
2.根据权利要求1所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:所述遥感影像目标占用比例归一化数值的获取逻辑为:获取遥感影像后,采用网格法获取遥感影像目标的网格数量,然后通过公式:zbm=wgm/wgz;计算得到遥感影像目标网格占比zbm,wgm为遥感影像目标的网格数量,wgz为遥感影像所有网格数量,当遥感影像目标网格占比zbm小于占比阈值时,遥感影像目标占用比例归一化数值为0,当遥感影像目标网格占比zbm大于等于占比阈值时,遥感影像目标占用比例归一化数值为1。
3.根据权利要求2所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:所述高频信息损失度的计算表达式为:
中,F(u,v)表示遥感影像在频域中的傅里叶系数,|F(u,v)|2傅里叶系数幅值的平方,R(x,y)、G(x,y)、B(x,y)分别为遥感影像的红色、绿色和蓝色通道中坐标为(x,y)的像素值。
4.根据权利要求3所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:所述峰值信噪比的计算表达式为:xzf=10*log10(xsmax 2/MSE);式中,xsmax表示像素值最大取值,xsmax为255,表示8位遥感影像的最大灰度级,MSE表示均方误差。
5.根据权利要求4所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:所述均方误差的计算表达式为:
式中,m、n分别表示遥感影像的宽度和高度,L(i,j)、K(i,j)分别表示原始遥感影像和经过传输后的遥感影像在坐标(i,j)处的像素值。
6.根据权利要求5所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:步骤S5中,遥感影像进行降噪处理包括以下步骤:
S5.1:创建滤波器模板,将滤波器模板应用于遥感影像上的每个像素点;
S5.2:对于每个像素,将滤波器模板与该像素周围的邻域进行卷积操作,计算邻域内像素值的平均值作为滤波后的像素值;
S5.3:对于遥感影像边缘上的像素进行补零处理;
S5.4:对遥感影像上的每个像素点重复执行步骤S5.2和步骤S5.3,直到对整个遥感影像完成滤波操作。
7.根据权利要求6所述的一种光学卫星遥感影像去模糊处理方法,其特征在于:步骤S5中,遥感影像进行增强处理包括以下步骤:
S5.5:通过直方图均衡化调整像素的灰度分布,使遥感影像中的灰度级别均匀分布;
S5.6:通过线性变换扩展遥感影像的动态范围;
S5.7:使用局部对比度增强算法增强遥感影像的细节;
S5.8:通过高通滤波器增强遥感影像中的边缘和细节来增加对比度。
8.一种光学卫星遥感影像去模糊处理系统,所述处理系统用于实现权利要求1-7任一项所述的处理方法,其特征在于:所述处理系统包括采集模块、筛选模块、分析模块、滤波模块、处理模块以及管理模块;
采集模块收集光学卫星遥感影像数据后进行预处理,筛选模块对每个遥感影像进行信息评估,根据信息评估的结果,建立遥感影像筛选机制筛选需要进行去模糊处理的遥感影像,分析模块将筛选出的遥感影像通过遥感影像分析获取模糊核,滤波模块基于滤波技术对模糊核进行模糊逆滤波处理,处理模块将逆滤波处理后的遥感影像进行降噪和遥感影像增强,管理模块记录和管理模糊处理后的遥感影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868628.2A CN116612048B (zh) | 2023-07-17 | 2023-07-17 | 一种光学卫星遥感影像去模糊处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868628.2A CN116612048B (zh) | 2023-07-17 | 2023-07-17 | 一种光学卫星遥感影像去模糊处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612048A CN116612048A (zh) | 2023-08-18 |
CN116612048B true CN116612048B (zh) | 2023-09-26 |
Family
ID=87685672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868628.2A Active CN116612048B (zh) | 2023-07-17 | 2023-07-17 | 一种光学卫星遥感影像去模糊处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612048B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152371B (zh) * | 2023-10-30 | 2024-02-09 | 山东亿华天产业发展集团有限公司 | 一种三维地形测绘方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2004297326A1 (en) * | 2003-12-15 | 2005-06-23 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Method and device for the at least semi-automated evaluation of remote sensing data |
CN1831556A (zh) * | 2006-04-14 | 2006-09-13 | 武汉大学 | 单幅卫星遥感影像小目标超分辨率重建方法 |
US8044846B1 (en) * | 2007-11-29 | 2011-10-25 | Lockheed Martin Corporation | Method for deblurring radar range-doppler images |
CN105678698A (zh) * | 2015-12-30 | 2016-06-15 | 南京信息工程大学 | 一种非局部正则化遥感图像超分辨重建方法 |
WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN112614080A (zh) * | 2021-01-06 | 2021-04-06 | 中国科学院微小卫星创新研究院 | 基于遥感图像序列的去模糊方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100990791B1 (ko) * | 2008-12-31 | 2010-10-29 | 포항공과대학교 산학협력단 | 영상의 블러 제거 방법 및 블러 제거 방법이 기록된 기록매체 |
US8203615B2 (en) * | 2009-10-16 | 2012-06-19 | Eastman Kodak Company | Image deblurring using panchromatic pixels |
-
2023
- 2023-07-17 CN CN202310868628.2A patent/CN116612048B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2004297326A1 (en) * | 2003-12-15 | 2005-06-23 | Deutsches Zentrum Fur Luft-Und Raumfahrt E.V. | Method and device for the at least semi-automated evaluation of remote sensing data |
CN1831556A (zh) * | 2006-04-14 | 2006-09-13 | 武汉大学 | 单幅卫星遥感影像小目标超分辨率重建方法 |
US8044846B1 (en) * | 2007-11-29 | 2011-10-25 | Lockheed Martin Corporation | Method for deblurring radar range-doppler images |
WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN105678698A (zh) * | 2015-12-30 | 2016-06-15 | 南京信息工程大学 | 一种非局部正则化遥感图像超分辨重建方法 |
CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN112614080A (zh) * | 2021-01-06 | 2021-04-06 | 中国科学院微小卫星创新研究院 | 基于遥感图像序列的去模糊方法 |
Non-Patent Citations (3)
Title |
---|
基于正则化约束的遥感图像多尺度去模糊;谭海鹏;曾炫杰;牛四杰;陈强;孙权森;;中国图象图形学报(03);全文 * |
基于预估点扩展函数的光学遥感图像去模糊研究;成飞;;上海航天(第03期);全文 * |
多尺度细节融合的多曝光高动态图像重建;付争方;朱虹;;计算机工程与应用(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612048A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayalakshmi et al. | A comprehensive survey on image contrast enhancement techniques in spatial domain | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
US20080008396A1 (en) | Context-aware image processing | |
CN116612048B (zh) | 一种光学卫星遥感影像去模糊处理方法及系统 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN103279935A (zh) | 基于map算法的热红外遥感图像超分辨率重建方法及系统 | |
CN111192241B (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
CN114219740A (zh) | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 | |
Das et al. | A comparative study of single image fog removal methods | |
CN107330891B (zh) | 一种有效的图像质量评价系统 | |
US20030095719A1 (en) | Image simplification using a robust reconstruction filter | |
Suseelan et al. | Image dehazing using variational mode decomposition | |
CN108734674B (zh) | 一种改进nas-rif的oct图像盲复原方法 | |
CN108288267B (zh) | 一种基于暗通道的扫描电镜图像清晰度无参考评价方法 | |
Zafeiridis et al. | A New Sharpening Technique for Medical Images using Wavelets and Image Fusion. | |
Zia et al. | Rician noise removal from MR images using novel adapted selective non-local means filter | |
CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
Roy et al. | Qualitative evaluation of visibility enhancement techniques on SAMEER-TU database for security and surveillance | |
CN117218452B (zh) | 一种土地图像自动分类管理系统 | |
CN114708621B (zh) | 水下海胆图像识别模型的训练方法、识别方法及装置 | |
Alotaibi | A New Method to Find Image Recovery |
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 |