CN116612080A - 基于高光谱图像波谱曲线的变化检测方法 - Google Patents
基于高光谱图像波谱曲线的变化检测方法 Download PDFInfo
- Publication number
- CN116612080A CN116612080A CN202310523365.1A CN202310523365A CN116612080A CN 116612080 A CN116612080 A CN 116612080A CN 202310523365 A CN202310523365 A CN 202310523365A CN 116612080 A CN116612080 A CN 116612080A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- hyperspectral
- information
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000001228 spectrum Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 66
- 230000005855 radiation Effects 0.000 claims description 39
- 230000008439 repair process Effects 0.000 claims description 32
- 230000014509 gene expression Effects 0.000 claims description 30
- 239000000654 additive Substances 0.000 claims description 27
- 230000000996 additive effect Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 27
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高光谱图像波谱曲线的变化检测方法,包括:利用高光谱传感器获取高光谱图像集;对高光谱图像集进行预处理,得到一致性高光谱图像信息;对一致性高光谱图像信息进行图像配准,得到配准图像信息;利用光谱反射率模型对配准图像信息进行处理,得到地物光谱值;利用光谱曲线匹配模型对地物光谱值进行处理,得到变化像元值;对配准图像信息的所有变化像元值进行区域合并,得到变化检测结果区域。本发明方法操作简单,易于实现,可以排除异源数据的干扰,提高数字图像变化检测的准确度,有良好的易用性和适用性。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及一种基于高光谱图像波谱曲线的变化检测方法。
背景技术
随着人类文明的进步和城市化加速发展,对于地表的变化检测越来越受到重视。目前,利用卫星可以快速的获取大范围、高清晰的土地覆盖图像,相关土地覆盖图像可用于土地利用、建筑变化、农作物估计等应用领域,进一步在城市发展管理、气候变化监测、地质灾害预警方面发挥重要作用,为经济和社会发展提供有力支撑。
在利用传统的单波段或多波段光学图像进行变化检测时,多采用基于特征变化或基于深度网络学习等方法,这些方法存在输入数据尺度单一、特征较少的问题,导致变化检测的检测精度较低,误检率较高,不能实现大批量的自动化运行。而利用高光谱图像进行变化检测,随着参与检测的波段数量的增加,相邻波段之间的信息冗余和光学图像的高纬度特征同样给变化检测带来额外困难,导致变化检测误差增大。另外,不同成像角度下的同一地物的空间特征和反射存在较大差异。上述客观问题的存在,为变化检测的推广和全自动处理带来了较大难度的挑战。
发明内容
针对如何利用光学图像进行变化检测,从而获取准确、快速的变化检测结果的问题,本发明提供了一种基于高光谱图像波谱曲线的变化检测方法,所述方法利用高光谱图像,生成高精度的波谱曲线,利用地物本身的物理特性,对地物覆盖情况或变化情况进行比较,可以准确的进行变化检测,消除了光学图像本身带来的误差。
本发明公开了一种基于高光谱图像波谱曲线的变化检测方法,包括:
S1,利用高光谱传感器获取高光谱图像集;所述高光谱图像集包含若干个高光谱图像;所述高光谱图像包含有像元变化信息;
S2,对所述高光谱图像集进行预处理,得到一致性高光谱图像信息;
S3,对所述一致性高光谱图像信息进行图像配准,得到配准图像信息;
S4,利用光谱反射率模型对所述配准图像信息进行处理,得到地物光谱值;
S5,利用光谱曲线匹配模型对所述地物光谱值进行处理,得到变化像元值;
S6,对配准图像信息的所有变化像元值进行区域合并,得到变化检测结果区域。
所述的基于高光谱图像波谱曲线的变化检测方法,在利用高光谱传感器获取高光谱图像集前,还包括:
采用理想光源,在地面对所述高光谱传感器进行标定,得到地面标定结果;所述地面标定结果,包括暗电平补偿乘性系数a、暗电平补偿加性系数b1、盲元分布信息、像元的暗电平单均值、绝对辐射定标参数;像元的暗电平单均值包括分级辐射亮度下单个像元的暗电平的均值;
对所述高光谱传感器在空间采集的光学信息进行筛选和统计处理,得到暗电平信息和空间盲元位置信息。
所述对所述高光谱图像集进行预处理,得到一致性高光谱图像信息,包括:
S21,从所述高光谱图像集中抽取针对同一区域的、不同生成时间的两幅高光谱图像,得到抽取图像集;所述抽取图像集包括基准图像和检测图像;所述基准图像的生成时间早于检测图像的生成时间;
S22,利用所述地面标定结果和暗电平信息,对所述抽取图像集进行暗电平补偿,得到补偿图像集;
S23,利用滑动平均法,对所述补偿图像集进行盲像元修复处理,得到盲元修复图像集;
S24,利用所述地面标定结果,对所述盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息。
所述利用所述地面标定结果和暗电平信息,对所述抽取图像集进行暗电平补偿,得到补偿图像集,包括:
S221,根据所述地面标定结果,确定暗电平补偿乘性系数a和暗电平补偿加性系数b1;
S222,根据所述暗电平信息,确定暗电平补偿加性系数修正值b2;
S223,对所述暗电平补偿乘性系数a、暗电平补偿加性系数b1和暗电平补偿加性系数修正值b2进行融合处理,构建暗电平随温度变化模型;所述暗电平随温度变化模型的表达式为:
其中,为高光谱传感器在空间采集时,相对于地面标定时的温度变化值,/>为暗电平补偿值;
S224,对所述基准图像和检测图像,分别从其灰度值中减去暗电平补偿值,得到补偿基准图像和补偿检测图像;
S225,将所述补偿基准图像和补偿检测图像进行整合,得到补偿图像集。
利用滑动平均法,对所述补偿图像集进行盲像元修复处理,得到盲元修复图像集,包括:
S231,对所述补偿图像集的像元灰度值是否小于设定阈值进行判断,得到第一判断结果;
S232,当所述第一判断结果为否时,不对相应像元进行处理;
当所述第一判断结果为是时,获取相应像元的位置信息,并判断所述像元的位置信息是否与所述盲元分布信息或所述空间盲元位置信息相匹配,得到第二判断结果;
当所述第二判断结果为是时,将所述像元判定为盲像元;
当所述第二判断结果为否时,不对所述像元进行处理;
S233,确定修复像元范围维度信息;
S234,根据所述盲像元的位置信息和修复像元范围维度信息,确定修复像元范围;
S235,对所述修复像元范围内的所有像元灰度值进行等权值加权处理,得到修复灰度值;
S236,利用所述修复灰度值替换所述盲像元的灰度值,得到盲元修复图像集。
所述利用所述地面标定结果,对所述盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息,包括:
S241,对所述盲元修复图像集所有像元的暗电平单均值进行平滑处理,计算得到所述暗电平全均值;
S242,以所述暗电平全均值为因变量,以单个像元的暗电平单均值为自变量,以相对辐射校正系数对所述单个像元的暗电平单均值进行线性化处理,构建得到一次线性预测模型;所述一次线性预测模型的表达式为:
其中,DNk为第k级辐亮度下所有像元的暗电平的均值,即第k级辐亮度下的暗电平全均值,DNi,k为第k级辐亮度下的第i个像元的暗电平的均值,即第k级辐亮度下的单个像元暗电平单均值,ai和bi分别为第i个像元的相对辐射校正的乘性系数和加性系数,k为分级辐射亮度的数目;
S243,对所述一次线性预测模型进行求解,得到每个像元的相对辐射校正的乘性系数值和加性系数值;
S244,利用所述乘性系数值和加性系数值,对每个像元建立非均匀性校正模型;所述非均匀性校正模型的表达式为:
DNi,new=ai×DNi,raw+bi,
其中,DNi,new为第i个像元的非均匀性校正后的灰度值,DNi,raw为第i个像元的非均匀性校正前的的灰度值;
S245,利用非均匀性校正模型,对所述盲元修复图像集的每个像元进行修复,得到非均匀性校正图像集;
S246,对所述绝对辐射定标参数和非均匀性校正图像集的像元灰度值进行融合处理,建立绝对辐射校正模型;所述绝对辐射校正模型的表达式为:
其中,af2、af1和bf分别为二次乘性、一次乘性和加性的绝对辐射定标参数,DNraw为绝对辐射校正前的非均匀性校正图像集的像元的灰度值,DNnew为绝对辐射校正后的非均匀性校正图像集的像元的灰度值;
S247,利用所述绝对辐射校正模型,对所述非均匀性校正图像集中的像元进行处理,得到一致性高光谱图像信息。
所述对一致性高光谱图像信息进行图像配准,得到配准图像信息,包括:
S301,利用像元匹配模型,对所述一致性高光谱图像信息中的基准图像和检测图像的像元进行处理,得到像元的匹配系数;
S302,判断每个像元的匹配系数是否大于匹配阈值,得到所述判断结果;
若所述判断结果为是,将所述基准图像的对应像元判定为基准图像初始同名像点,将所述检测图像的对应像元判定为检测图像初始同名像点;
若所述判断结果为否,不对所述像元进行处理;
S303,对所述基准图像初始同名像点和检测图像初始同名像点,分别进行线性拟合处理,分别得到基准初匹配直线和检测初匹配直线;
S304,对所述基准图像初始同名像点到基准初匹配直线的距离进行计算,得到基准图像初始同名像点距离值;
对所述检测图像初始同名像点到检测初匹配直线的距离进行计算,得到检测图像初始同名像点距离值;
S305,判断所述检测图像初始同名像点距离值是否大于设定的第一距离阈值,得到第一距离判断结果;
若所述第一距离判断结果为是时,将所述检测图像初始同名像点删除;
若所述第一距离判断结果为否时,将所述检测图像初始同名像点保留;
S306,判断所述基准图像初始同名像点距离值是否大于设定的第二距离阈值,得到第二距离判断结果;
若所述第二距离判断结果为是时,将所述基准图像初始同名像点删除;
若所述第二距离判断结果为否时,将所述基准图像初始同名像点保留;
S307,对所有保留的检测图像初始同名像点,采用三角网格构建方法进行处理,得到三角形网格;所述三角形网格,包括若干个三角形面元;所述三角形面元的顶点,为检测图像的初始同名像点;
S308,对每个三角形面元,利用其顶点与对应的基准图像初始同名像点的对应关系,建立初始位置映射方程;所述初始位置映射方程的表达式为:
其中,(x1,y1)、(x2,y2)、(x3,y3)是三角形面元的三个顶点坐标,(X1,Y1)、(X2,Y2)、(X3,Y3)是所述三个顶点对应的基准图像初始同名像点的坐标,c0、c1、c2、d0、d1、d2为位置映射方程的系数;
S309,求解所述初始位置映射方程,得到位置映射方程的系数值;
S310,对所述位置映射方程的系数值和所述三角形面元内的像元的坐标进行融合,建立位置映射模型;所述位置映射模型的表达式为:
其中,(x,y)为检测图像的三角形面元内的像元的坐标,(X,Y)为配准操作后的像元的坐标;
S311,对所述检测图像的每个三角形面元内的像元,利用对应的位置映射模型进行配准,得到配准检测图像;
S312,对所述一致性高光谱图像信息中的基准图像和配准检测图像进行合并,得到配准图像信息。
所述像元匹配模型,是通过计算所建立的匹配窗口内的基准图像和检测图像的像元的相关性,得到像元的匹配系数;所述像元匹配模型的表达式为:
式中,m和n分别为匹配窗口的行维度和列维度;gi,j为基准图像在匹配窗口内的第i行、第j列元素的灰度值,g′i+R,j+C为检测图像在匹配窗口的第i+R行、第j+C列元素的灰度值,为基准图像在匹配窗口内的灰度平均值,/>为检测图像在匹配窗口内的灰度平均值,R和C分别为搜索图像的匹配窗口相对于基准图像的匹配窗口在行方向和列方向的偏移量,/>和/>的计算表达式分别为:
其中,m+R和n+C的取值,均不能超过检测图像的总行数和总列数。
所述光谱曲线匹配模型的表达式为:
其中,Si,j为坐标为(i,j)的像元光谱曲线一致性值,fi,j(rl)为配准图像信息中检测图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,s为离散波长的数目,rl表示光谱的第l个离散波长,gi,j(rl)表示为配准图像信息中基准图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,T为检测阈值。
所述光谱反射率模型的表达式为:
其中,ρ为配准图像信息的像元的地物光谱值,Td为配准图像信息的像元的大气下行透过率,Tu为配准图像信息的像元的大气上行透过率,satm为配准图像信息的像元对应地物的半球反射率,Tg为配准图像信息的大气总透过率,ρatm为配准图像信息的像元的大气路径反射率,ρTOA为高光谱传感器的探元在空间接收配准图像信息的像元时的反射率。
本发明的有益效果为:
针对如何利用光学图像进行变化检测,从而获取准确、快速的变化检测结果的问题,本发明提供了一种基于高光谱图像波谱曲线的变化检测方法,所述方法利用高光谱图像,生成高精度的波谱曲线,利用地物本身的物理特性,对地物覆盖情况或变化情况进行比较,可以准确的进行变化检测,消除了光学图像本身带来的误差。
附图说明
图1为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。图1为本发明方法的实施流程图。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,包括:
S1,利用高光谱传感器获取高光谱图像集;所述高光谱图像集包含若干个高光谱图像;所述高光谱图像包含有像元变化信息;
S2,对高光谱图像集进行预处理,得到一致性高光谱图像信息;
S3,对一致性高光谱图像信息进行图像配准,得到配准图像信息;
S4,利用光谱反射率模型对配准图像信息进行处理,得到地物光谱值;
S5,利用光谱曲线匹配模型对地物光谱值进行处理,得到变化像元值;
S6,对配准图像信息的所有变化像元值进行区域合并,得到变化检测结果区域。
在实施步骤S1前,本实施例还包括:
采用理想光源,在地面对高光谱传感器进行标定,得到地面标定结果;所述地面标定结果,包括暗电平补偿乘性系数a、暗电平补偿加性系数b1、盲元分布信息、像元的暗电平单均值、绝对辐射定标参数;像元的暗电平单均值包括分级辐射亮度下单个像元的暗电平(DN)的均值;
对高光谱传感器在空间采集的光学信息进行筛选和统计处理,得到暗电平信息和空间盲元位置信息。
所述高光谱传感器的地面标定结果,是在地面利用理想光源,对高光谱传感器在采集过程中的非理想因素进行标定得到的结果。
所述对高光谱传感器在空间采集的光学信息进行筛选和统计处理,包括:从对高光谱传感器在空间采集的光学信息中,筛选出所采集的海洋光学信息、暗夜条件下地物信息以及深空信息;对高光谱传感器在空间采集的光学信息进行统计处理,筛选出对应电平持续低于某电平的盲元,确定所述盲元的位置信息为空间盲元位置信息。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述步骤S2,包括:
S21,从高光谱图像集中抽取针对同一区域的、不同生成时间的两幅高光谱图像,得到抽取图像集;所述抽取图像集包括基准图像和检测图像;基准图像的生成时间早于检测图像的生成时间;
S22,利用地面标定结果和暗电平信息,对抽取图像集进行暗电平补偿,得到补偿图像集;
S23,利用滑动平均法,对补偿图像集进行盲像元修复处理,得到盲元修复图像集;
S24,利用地面标定结果,对盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息。
所述步骤S22,包括:
S221,根据地面标定结果,确定暗电平补偿乘性系数a和暗电平补偿加性系数b1;
S222,根据暗电平信息,确定暗电平补偿加性系数修正值b2;
具体的,可根据一段时间内高光谱传感器在空间采集的暗电平的均值,作为暗电平补偿加性系数修正值b2;
S223,对所述暗电平补偿乘性系数a、暗电平补偿加性系数b1和暗电平补偿加性系数修正值b2进行融合处理,构建暗电平随温度变化模型;所述暗电平随温度变化模型的表达式为:
其中,为高光谱传感器在空间采集时,相对于地面标定时的温度变化值,/>为暗电平补偿值;
S224,对所述基准图像和检测图像,分别从其灰度值中减去暗电平补偿值,得到补偿基准图像和补偿检测图像;
S225,将补偿基准图像和补偿检测图像进行整合,得到补偿图像集。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述步骤S23,包括:
S231,对补偿图像集的像元灰度值是否小于设定阈值进行判断,得到第一判断结果;
S232,当第一判断结果为否时,不对相应像元进行处理;
当第一判断结果为是时,获取相应像元的位置信息,并判断像元的位置信息是否与盲元分布信息或空间盲元位置信息相匹配,得到第二判断结果;
当第二判断结果为是时,将所述像元判定为盲像元;
当第二判断结果为否时,不对所述像元进行处理;
S233,确定修复像元范围维度信息;
所述确定修复像元范围维度信息,可以是3×3或5×5;
S234,根据盲像元的位置信息和修复像元范围维度信息,确定修复像元范围;
所述步骤S234,具体的,可以是以盲像元为中心,根据修复像元范围维度信息,确定修复像元区域为以维度为半径的圆形或以维度为长度和宽度的矩形,进而确定修复像元范围。
S235,对修复像元范围内的所有像元灰度值进行等权值加权处理,得到修复灰度值;
所述等权值加权处理,可以是平均处理。
S236,利用修复灰度值替换盲像元的灰度值,得到盲元修复图像集;
所述设定阈值,可以是0.5或0.1。
S24,利用高光谱传感器的地面标定结果,对盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述步骤S24,包括:
S241,对盲元修复图像集所有像元的暗电平单均值进行平滑处理,计算得到暗电平全均值;
所述平滑处理,可以是求取平均值。
S242,以所述暗电平全均值为因变量,以单个像元的暗电平单均值为自变量,以相对辐射校正系数对单个像元的暗电平单均值进行线性化处理,构建得到一次线性预测模型;所述一次线性预测模型的表达式为:
其中,DNk为第k级辐亮度下所有像元的暗电平的均值,即第k级辐亮度下的暗电平全均值,DNi,k为第k级辐亮度下的第i个像元的暗电平的均值,即第k级辐亮度下的单个像元暗电平单均值,ai和bi分别为第i个像元的相对辐射校正的乘性系数和加性系数,k为分级辐射亮度的数目;
所述第k级辐亮度下的暗电平全均值DNk,其计算公式为:
其中,DN(i,j)为位置坐标为(i,j)的像元的第k级辐亮度下的暗电平,m和n为图像的长和宽方向上的像素数,也即维度。DNi,k为第k级辐亮度级下第i探元的DN均值,其计算公式为:
m,n分别为图像的宽度和高度。
S243,对所述一次线性预测模型进行求解,得到每个像元的相对辐射校正的乘性系数值和加性系数值;
S244,利用所述乘性系数值和加性系数值,对每个像元建立非均匀性校正模型;所述非均匀性校正模型的表达式为:
DNi,new=ai×DNi,raw+bi,
其中,DNi,new为第i个像元的非均匀性校正后的灰度值,DNi,raw为第i个像元的非均匀性校正前的的灰度值;
S245,利用非均匀性校正模型,对盲元修复图像集的每个像元进行修复,得到非均匀性校正图像集;
S246,对绝对辐射定标参数和非均匀性校正图像集的像元灰度值进行融合处理,建立绝对辐射校正模型;所述绝对辐射校正模型的表达式为:
其中,af2、af1和bf分别为二次乘性、一次乘性和加性的绝对辐射定标参数,DNraw为绝对辐射校正前的非均匀性校正图像集的像元的灰度值,DNnew为绝对辐射校正后的非均匀性校正图像集的像元的灰度值。
S247,利用绝对辐射校正模型,对非均匀性校正图像集中的像元进行处理,得到一致性高光谱图像信息。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述步骤S3,包括:
S301,利用像元匹配模型,对一致性高光谱图像信息中的基准图像和检测图像的像元进行处理,得到像元的匹配系数;
S302,判断每个像元的匹配系数是否大于匹配阈值,得到判断结果;
若判断结果为是,将所述基准图像的对应像元判定为基准图像初始同名像点,将所述检测图像的对应像元判定为检测图像初始同名像点;
若判断结果为否,不对所述像元进行处理;
S303,对基准图像初始同名像点和检测图像初始同名像点,分别进行线性拟合处理,分别得到基准初匹配直线和检测初匹配直线;
S304,对基准图像初始同名像点到基准初匹配直线的距离进行计算,得到基准图像初始同名像点距离值;
对检测图像初始同名像点到检测初匹配直线的距离进行计算,得到检测图像初始同名像点距离值;
S305,判断检测图像初始同名像点距离值是否大于设定的第一距离阈值,得到距离判断结果;
若距离判断结果为是时,将所述检测图像初始同名像点删除;
若距离判断结果为否时,将所述检测图像初始同名像点保留;
S306,判断基准图像初始同名像点距离值是否大于设定的第二距离阈值,得到距离判断结果;
若距离判断结果为是时,将所述基准图像初始同名像点删除;
若距离判断结果为否时,将所述基准图像初始同名像点保留;
S307,对所有保留的检测图像初始同名像点,采用三角网格构建方法进行处理,得到三角形网格;所述三角形网格,包括若干个三角形面元;所述三角形面元的顶点,为检测图像的初始同名像点;
所述三角网格构建方法,可以是狄洛尼(Delaunay)三角网构建方法。
S308,对每个三角形面元,利用其顶点与对应的基准图像初始同名像点的对应关系,建立初始位置映射方程;所述初始位置映射方程的表达式为:
其中,(x1,y1)、(x2,y2)、(x3,y3)是三角形面元的三个顶点坐标,(X1,Y1)、(X2,Y2)、(X3,Y3)是所述三个顶点对应的基准图像初始同名像点的坐标,c0、c1、c2、d0、d1、d2为位置映射方程的系数;
S309,求解初始位置映射方程,得到位置映射方程的系数值;
S310,对位置映射方程的系数值和所述三角形面元内的像元的坐标进行融合,建立位置映射模型;所述位置映射模型的表达式为:
其中,(x,y)为检测图像的三角形面元内的像元的坐标,(X,Y)为配准操作后的像元的坐标;
S311,对检测图像的每个三角形面元内的像元,利用对应的位置映射模型进行配准,得到配准检测图像;
S312,对一致性高光谱图像信息中的基准图像和配准检测图像进行合并,得到配准图像信息。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述像元匹配模型,是通过计算所建立的匹配窗口内的基准图像和检测图像的像元的相关性,得到像元的匹配系数;所述像元匹配模型的表达式为:
式中,m和n分别为匹配窗口的行维度和列维度,其数值为计算前设定;gi,j为基准图像在匹配窗口内的第i行、第j列元素的灰度值,g′i+R,j+C为检测图像在匹配窗口的第i+R行、第j+C列元素的灰度值,为基准图像在匹配窗口内的灰度平均值,/>为检测图像在匹配窗口内的灰度平均值,R和C分别为搜索图像的匹配窗口相对于基准图像的匹配窗口在行方向和列方向的偏移量,/>和/>的计算表达式分别为:
其中,m+R和n+C的取值,均不能超过检测图像的总行数和总列数。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述光谱反射率模型的表达式为:
其中,ρ为配准图像信息的像元的地物光谱值,Td为配准图像信息的像元的大气下行透过率,Tu为配准图像信息的像元的大气上行透过率,satm为配准图像信息的像元对应地物的半球反射率,Tg为配准图像信息的大气总透过率,ρatm为配准图像信息的像元的大气路径反射率,ρTOA为高光谱传感器的探元在空间接收配准图像信息的像元时的反射率。对于Td和Tu,可通过对高光谱传感器通过地面标定方式获取;对于Tg、ρatm和ρTOA,可通过对高光谱传感器的大气采集信道进行测量得到。对于配准图像信息的像元对应地物的半球反射率,可通过对地物进行测量得到。
本实施例公开了一种基于高光谱图像波谱曲线的变化检测方法,所述光谱曲线匹配模型,其表达式为:
其中,Si,j为坐标为(i,j)的像元光谱曲线一致性值,fi,j(rl)为配准图像信息中检测图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,s为离散波长的数目,rl表示光谱的第l个离散波长,gi,j(rl)表示为配准图像信息中基准图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,T为检测阈值。本方法中T可设为0.05,即曲线相似度为95%以上认为无变化。
所述步骤S6,对配准图像信息的所有变化像元值进行区域合并,得到变化检测结果区域,包括:
对检测图像的集中分布的变化像元,建立离散区域;当所述离散区域所包含的变化像元数目小于设定离散阈值时,将所述离散区域与其距离最近的离散区域进行合并,得到变化检测结果区域。
针对如何利用光学图像进行变化检测,从而获取准确、快速的变化检测结果的问题,本发明提供了一种基于高光谱图像波谱曲线的变化检测方法,所述方法利用高光谱图像,生成高精度的波谱曲线,利用地物本身的物理特性,对地物覆盖情况或变化情况进行比较,可以准确的进行变化检测,消除了光学图像本身带来的误差。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于高光谱图像波谱曲线的变化检测方法,其特征在于,包括:
S1,利用高光谱传感器获取高光谱图像集;所述高光谱图像集包含若干个高光谱图像;所述高光谱图像包含有像元变化信息;
S2,对所述高光谱图像集进行预处理,得到一致性高光谱图像信息;
S3,对所述一致性高光谱图像信息进行图像配准,得到配准图像信息;
S4,利用光谱反射率模型对所述配准图像信息进行处理,得到地物光谱值;
S5,利用光谱曲线匹配模型对所述地物光谱值进行处理,得到变化像元值;
S6,对配准图像信息的所有变化像元值进行区域合并,得到变化检测结果区域。
2.如权利要求1所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,在利用高光谱传感器获取高光谱图像集前,还包括:
采用理想光源,在地面对所述高光谱传感器进行标定,得到地面标定结果;所述地面标定结果,包括暗电平补偿乘性系数a、暗电平补偿加性系数b1、盲元分布信息、像元的暗电平单均值、绝对辐射定标参数;像元的暗电平单均值包括分级辐射亮度下单个像元的暗电平的均值;
对所述高光谱传感器在空间采集的光学信息进行筛选和统计处理,得到暗电平信息和空间盲元位置信息。
3.如权利要求1所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述对所述高光谱图像集进行预处理,得到一致性高光谱图像信息,包括:
S21,从所述高光谱图像集中抽取针对同一区域的、不同生成时间的两幅高光谱图像,得到抽取图像集;所述抽取图像集包括基准图像和检测图像;
所述基准图像的生成时间早于检测图像的生成时间;
S22,利用所述地面标定结果和暗电平信息,对所述抽取图像集进行暗电平补偿,得到补偿图像集;
S23,利用滑动平均法,对所述补偿图像集进行盲像元修复处理,得到盲元修复图像集;
S24,利用所述地面标定结果,对所述盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息。
4.如权利要求3所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述利用所述地面标定结果和暗电平信息,对所述抽取图像集进行暗电平补偿,得到补偿图像集,包括:
S221,根据所述地面标定结果,确定暗电平补偿乘性系数a和暗电平补偿加性系数b1;
S222,根据所述暗电平信息,确定暗电平补偿加性系数修正值b2;
S223,对所述暗电平补偿乘性系数a、暗电平补偿加性系数b1和暗电平补偿加性系数修正值b2进行融合处理,构建暗电平随温度变化模型;所述暗电平随温度变化模型的表达式为:
其中,为高光谱传感器在空间采集时,相对于地面标定时的温度变化值,/>为暗电平补偿值;
S224,对所述基准图像和检测图像,分别从其灰度值中减去暗电平补偿值,得到补偿基准图像和补偿检测图像;
S225,将所述补偿基准图像和补偿检测图像进行整合,得到补偿图像集。
5.如权利要求3所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述利用滑动平均法,对所述补偿图像集进行盲像元修复处理,得到盲元修复图像集,包括:
S231,对所述补偿图像集的像元灰度值是否小于设定阈值进行判断,得到第一判断结果;
S232,当所述第一判断结果为否时,不对相应像元进行处理;
当所述第一判断结果为是时,获取相应像元的位置信息,并判断所述像元的位置信息是否与所述盲元分布信息或所述空间盲元位置信息相匹配,得到第二判断结果;
当所述第二判断结果为是时,将所述像元判定为盲像元;
当所述第二判断结果为否时,不对所述像元进行处理;
S233,确定修复像元范围维度信息;
S234,根据所述盲像元的位置信息和修复像元范围维度信息,确定修复像元范围;
S235,对所述修复像元范围内的所有像元灰度值进行等权值加权处理,得到修复灰度值;
S236,利用所述修复灰度值替换所述盲像元的灰度值,得到盲元修复图像集。
6.如权利要求3所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述利用所述地面标定结果,对所述盲元修复图像集进行非均匀性校正和绝对辐射校正,得到一致性高光谱图像信息,包括:
S241,对所述盲元修复图像集所有像元的暗电平单均值进行平滑处理,计算得到所述暗电平全均值;
S242,以所述暗电平全均值为因变量,以单个像元的暗电平单均值为自变量,以相对辐射校正系数对所述单个像元的暗电平单均值进行线性化处理,构建得到一次线性预测模型;所述一次线性预测模型的表达式为:
其中,DNk为第k级辐亮度下所有像元的暗电平的均值,即第k级辐亮度下的暗电平全均值,DNi,k为第k级辐亮度下的第i个像元的暗电平的均值,即第k级辐亮度下的单个像元暗电平单均值,ai和bi分别为第i个像元的相对辐射校正的乘性系数和加性系数,k为分级辐射亮度的数目;
S243,对所述一次线性预测模型进行求解,得到每个像元的相对辐射校正的乘性系数值和加性系数值;
S244,利用所述乘性系数值和加性系数值,对每个像元建立非均匀性校正模型;所述非均匀性校正模型的表达式为:
DNi,new=ai×DNi,raw+bi,
其中,DNi,new为第i个像元的非均匀性校正后的灰度值,DNi,raw为第i个像元的非均匀性校正前的的灰度值;
S245,利用非均匀性校正模型,对所述盲元修复图像集的每个像元进行修复,得到非均匀性校正图像集;
S246,对所述绝对辐射定标参数和非均匀性校正图像集的像元灰度值进行融合处理,建立绝对辐射校正模型;所述绝对辐射校正模型的表达式为:
其中,af2、af1和bf分别为二次乘性、一次乘性和加性的绝对辐射定标参数,DNraw为绝对辐射校正前的非均匀性校正图像集的像元的灰度值,DNnew为绝对辐射校正后的非均匀性校正图像集的像元的灰度值;
S247,利用所述绝对辐射校正模型,对所述非均匀性校正图像集中的像元进行处理,得到一致性高光谱图像信息。
7.如权利要求1所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述对一致性高光谱图像信息进行图像配准,得到配准图像信息,包括:
S301,利用像元匹配模型,对所述一致性高光谱图像信息中的基准图像和检测图像的像元进行处理,得到像元的匹配系数;
S302,判断每个像元的匹配系数是否大于匹配阈值,得到所述判断结果;
若所述判断结果为是,将所述基准图像的对应像元判定为基准图像初始同名像点,将所述检测图像的对应像元判定为检测图像初始同名像点;
若所述判断结果为否,不对所述像元进行处理;
S303,对所述基准图像初始同名像点和检测图像初始同名像点,分别进行线性拟合处理,分别得到基准初匹配直线和检测初匹配直线;
S304,对所述基准图像初始同名像点到基准初匹配直线的距离进行计算,得到基准图像初始同名像点距离值;
对所述检测图像初始同名像点到检测初匹配直线的距离进行计算,得到检测图像初始同名像点距离值;
S305,判断所述检测图像初始同名像点距离值是否大于设定的第一距离阈值,得到第一距离判断结果;
若所述第一距离判断结果为是时,将所述检测图像初始同名像点删除;
若所述第一距离判断结果为否时,将所述检测图像初始同名像点保留;
S306,判断所述基准图像初始同名像点距离值是否大于设定的第二距离阈值,得到第二距离判断结果;
若所述第二距离判断结果为是时,将所述基准图像初始同名像点删除;
若所述第二距离判断结果为否时,将所述基准图像初始同名像点保留;
S307,对所有保留的检测图像初始同名像点,采用三角网格构建方法进行处理,得到三角形网格;所述三角形网格,包括若干个三角形面元;所述三角形面元的顶点,为检测图像的初始同名像点;
S308,对每个三角形面元,利用其顶点与对应的基准图像初始同名像点的对应关系,建立初始位置映射方程;所述初始位置映射方程的表达式为:
其中,(x1,y1)、(x2,y2)、(x3,y3)是三角形面元的三个顶点坐标,(X1,Y1)、(X2,Y2)、(X3,Y3)是所述三个顶点对应的基准图像初始同名像点的坐标,c0、c1、c2、d0、d1、d2为位置映射方程的系数;
S309,求解所述初始位置映射方程,得到位置映射方程的系数值;
S310,对所述位置映射方程的系数值和所述三角形面元内的像元的坐标进行融合,建立位置映射模型;所述位置映射模型的表达式为:
其中,(x,y)为检测图像的三角形面元内的像元的坐标,(X,Y)为配准操作后的像元的坐标;
S311,对所述检测图像的每个三角形面元内的像元,利用对应的位置映射模型进行配准,得到配准检测图像;
S312,对所述一致性高光谱图像信息中的基准图像和配准检测图像进行合并,得到配准图像信息。
8.如权利要求7所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述像元匹配模型,是通过计算所建立的匹配窗口内的基准图像和检测图像的像元的相关性,得到像元的匹配系数;所述像元匹配模型的表达式为:
式中,m和n分别为匹配窗口的行维度和列维度;gi,j为基准图像在匹配窗口内的第i行、第j列元素的灰度值,gi+R,j+C为检测图像在匹配窗口的第i+R行、第j+C列元素的灰度值,为基准图像在匹配窗口内的灰度平均值,/>为检测图像在匹配窗口内的灰度平均值,R和C分别为搜索图像的匹配窗口相对于基准图像的匹配窗口在行方向和列方向的偏移量,/>和/>的计算表达式分别为:
其中,m+R和n+C的取值,均不能超过检测图像的总行数和总列数。
9.如权利要求7所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述光谱曲线匹配模型的表达式为:
其中,Si,j为坐标为(i,j)的像元光谱曲线一致性值,fi,j(rl)为配准图像信息中检测图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,s为离散波长的数目,rl表示光谱的第l个离散波长,gi,j(rl)表示为配准图像信息中基准图像的位置坐标为(i,j)的像元在离散波长为rl时的地物光谱值,T为检测阈值。
10.如权利要求1所述的基于高光谱图像波谱曲线的变化检测方法,其特征在于,所述光谱反射率模型的表达式为:
其中,ρ为配准图像信息的像元的地物光谱值,Td为配准图像信息的像元的大气下行透过率,Tu为配准图像信息的像元的大气上行透过率,satm为配准图像信息的像元对应地物的半球反射率,Tg为配准图像信息的大气总透过率,ρatm为配准图像信息的像元的大气路径反射率,ρTOA为高光谱传感器的探元在空间接收配准图像信息的像元时的反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523365.1A CN116612080B (zh) | 2023-05-10 | 2023-05-10 | 基于高光谱图像波谱曲线的变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523365.1A CN116612080B (zh) | 2023-05-10 | 2023-05-10 | 基于高光谱图像波谱曲线的变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612080A true CN116612080A (zh) | 2023-08-18 |
CN116612080B CN116612080B (zh) | 2024-01-23 |
Family
ID=87675783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310523365.1A Active CN116612080B (zh) | 2023-05-10 | 2023-05-10 | 基于高光谱图像波谱曲线的变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612080B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101510206B1 (ko) * | 2014-11-24 | 2015-04-09 | (주)아세아항측 | 항공 하이퍼스펙트럴 영상을 이용한 수치지도 수정 도화용 도시변화지역의 탐지 방법 |
KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN114359735A (zh) * | 2021-12-31 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种高光谱遥感影像变化检测方法 |
CN115731462A (zh) * | 2022-11-15 | 2023-03-03 | 西安电子科技大学 | 基于多头自-交叉混合注意力的高光谱图像变化检测方法 |
-
2023
- 2023-05-10 CN CN202310523365.1A patent/CN116612080B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101510206B1 (ko) * | 2014-11-24 | 2015-04-09 | (주)아세아항측 | 항공 하이퍼스펙트럴 영상을 이용한 수치지도 수정 도화용 도시변화지역의 탐지 방법 |
KR102197297B1 (ko) * | 2019-09-27 | 2020-12-31 | 서울대학교산학협력단 | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN114359735A (zh) * | 2021-12-31 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种高光谱遥感影像变化检测方法 |
CN115731462A (zh) * | 2022-11-15 | 2023-03-03 | 西安电子科技大学 | 基于多头自-交叉混合注意力的高光谱图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
陈雪华: "基于高光谱数据的海岸带水体及环境要素监测研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 5, pages 140 - 878 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
CN117557918B (zh) * | 2024-01-12 | 2024-03-19 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116612080B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及系统 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN110186820A (zh) | 多源数据融合与环境污染源及污染物分布分析方法 | |
CN102540166B (zh) | 一种基于优化算法的高光谱传感器交叉辐射定标方法 | |
CN109685108B (zh) | 一种生成高时空分辨率ndvi长时间序列的方法 | |
CN108955883B (zh) | 基于高光谱数据的遥感器辐射定标方法及定标系统 | |
CN110186822B (zh) | 一种气溶胶光学厚度遥感反演方法 | |
CN102324098B (zh) | 一种结合实验室定标和均匀景统计的相对辐射定标方法 | |
KR101807579B1 (ko) | 지표면 도시열섬강도의 시공간적 분포에 영향을 주는 변수 분석 시스템 및 방법 | |
CN116612080B (zh) | 基于高光谱图像波谱曲线的变化检测方法 | |
CN112464746A (zh) | 一种卫星影像和机器学习的水质监测方法及系统 | |
US7796153B1 (en) | Equalization system and method for an imaging sensor | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
CN111241991A (zh) | 一种基于遥感影像的水质分类方法 | |
KR20100029529A (ko) | 사막과 해양을 통한 통신해양기상위성의 보정 방법 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
CN107576399A (zh) | 面向modis 林火探测的亮温预测方法和系统 | |
CN110070513A (zh) | 遥感影像的辐射校正方法及系统 | |
CN113029977B (zh) | 一种针对宽视场角多光谱传感器的自动交叉辐射定标方法 | |
CN115452167A (zh) | 基于不变像元的卫星遥感器交叉定标方法和装置 | |
CN110702228B (zh) | 一种航空高光谱影像的边缘辐射校正方法 | |
CN114296061A (zh) | 基于多元变量检测和不同辐射传输模型的交叉定标方法 | |
Tian et al. | Image Quality Assessment of UAV Hyperspectral Images Using Radiant, Spatial, and Spectral Features Based on Fuzzy Comprehensive Evaluation Method |
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 |