CN116797953B - 一种遥感数据处理系统及方法 - Google Patents

Abstract

本发明涉及数据处理领域，特别是涉及一种遥感数据处理系统及方法，该系统包括：影像收集模块、影像预处理模块、特征提取模块、影像匹配模块、影像拼接模块、配准计算模块、系统管理模块；所述方法包括以下步骤：获取热红外影像，执行预处理，获得关键点，匹配得到同名点，拼接后获得目标热红外影像，计算目标结构相似性指数值，对目标热红外影像进行判断和调整。本发明通过对热红外影像做针对性预处理和对拼接后的影像进一步调整可以有效提高热红外影像的拼接精度。

Description

一种遥感数据处理系统及方法

技术领域

本发明涉及数据处理领域，特别是涉及一种遥感数据处理系统及方法。

背景技术

在现代社会，无人机已经被广泛用于各种不同的领域，包括军事侦察、环境监测、地理信息收集、农业灾害评估等。在这些应用中，热红外影像的使用具有重要的价值。热红外影像可以提供一种无视光照条件的观察方式，能够揭示物体的热量分布和发热情况，而这些信息对于很多领域都是至关重要的。然而，由于无人机在空中飞行时的视角和拍摄距离的限制，通常无法一次性获取完整的区域信息，所以需要将获取到的多个热红外影像进行拼接，以形成更大范围的、连续的热红外影像信息。

现有的热红外影像拼接技术主要基于传统的影像匹配，包括图像预处理、特征提取、特征匹配和图像融合等。公开号CN113689479A的专利文献公开了一种无人机热红外与可见光影像配准的方法，该方法包括步骤1：确定待配准的影像对的参考影像和输入影像，判断参考影像和输入影像的分辨率，若两幅影像具有相同的分辨率和尺寸，则直接执行步骤2，否则进行图像预处理后再执行步骤2，所述图像预处理包括：若分辨率不同，则将两幅影像采样为同样的分辨率，若尺寸不同，则中心裁剪为相同的尺寸；步骤2：对参考影像和输入影像分别提取方向梯度通道CFOG特征，得到参考影像的每个像素点的CFOG特征，输入影像的每个像素点的CFOG特征，将参考影像均分为多个互不重叠的方块，得到的每个方块定义为原子块，根据参考影像与输入影像之间的最大偏差，确定每个原子块的搜索区域，基于每个原子块的CFOG特征在输入影像的搜索区域中做模板匹配，获取原子块的相似度图；步骤3：对原子块的相似度图通过多层局部最大值聚合，得到不同大小的块的金字塔相似度图；步骤4：在金字塔相似度图中，通过最大值索引回溯，从最高层开始逐层推导当前层的块所对应的最佳匹配位置，得到原子块所对应的最佳匹配位置；步骤5：根据原子块的最佳匹配位置，得到其同名点，从而得到同名点集合；步骤6：删除同名点集合中误差超出指定的误差范围的同名点，再基于当前的同名点集合计算单应性矩阵来配准参考影像和输入影像。

然而，传统的影像拼接技术在处理热红影像时由于未对热红外影像做针对性的优化，特征提取和匹配的过程依赖于图像的质量和清晰度，热红外影像的特性可能导致这些过程的精度不足，从而使得最终的拼接精度低。

发明内容

为此，本发明提供了一种遥感数据处理系统及方法，解决了现有技术中热红外影像拼接精度低问题。

为实现上述目的，本发明一方面提供一种遥感数据处理系统，该系统包括：

影像收集模块，用于获取无人机连续拍摄的两张热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像均包含同名点；

影像预处理模块，与所述影像收集模块连接，用于分别对所述第一原始影像和所述第二原始影像执行预处理以获取对应的第一标准影像和第二标准影像；

特征提取模块，与所述影像预处理模块连接，用于在所述第一标准影像和第二标准影像中寻找关键点以及记录所述关键点周围像素的灰度值分布；

影像匹配模块，与所述特征提取模块连接，用于将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得所述同名点；

影像拼接模块，与所述影像匹配模块连接，用于根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，拼接后获得目标热红外影像；

配准计算模块，与所述影像拼接模块连接，用于通过所述第一标准影像、第二标准影像和所述目标热红外影像获取目标结构相似性指数值；

系统管理模块，与所述配准计算模块连接，用于根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件，并在不满所述输出条件时，更新所述第一标准影像和所述第二标准影像，直至根据更新后的所述第一标准影像和所述第二标准影像得到的目标热红外影像满足输出条件。

进一步地，所述特征提取模块包括获取单元、比较单元、选取单元和筛选单元，其中，

所述获取单元用以获取所述第一标准影像和所述第二标准影像内各像素的灰度值；

所述比较单元，对于任意像素，用以比较所述像素的灰度值与所述像素邻近像素的灰度值之间的差异，是否达到预设差值；

所述选取单元用以在差异达到预设差值时选取所述像素作为所述特征点；

所述筛选单元用以根据特征点曲率从第一标准影像和所述第二标准影像中筛选所述特征点以获取所述关键点。

进一步地，所述系统管理模块根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件包括：

若所述目标结构相似性指数值大于等于第一预设阈值，则输出所述目标热红外影像；

若所述目标结构相似性指数值小于第一预设阈值，则更新所述第一标准影像和所述第二标准影像。

进一步地，系统管理模块更新所述第一标准影像和所述第二标准影像包括：将所述第一标准影像与所述第二标准影像使用直方图均衡化和对比度增强改善对比度，使用锐化增强边缘和细节，以生成质量提升的第一增强影像与第二增强影像，将所述第一增强影像与所述第二增强影像作为新的第一标准影像与第二标准影像送入所述特征提取模块，逐步处理至再次进入所述系统管理模块。

进一步地，再次进入所述系统管理模块之后：若所述目标结构相似性指数值大于等于所述第一预设阈值，则输出所述本次目标热红外影像；

若所述目标结构相似性指数小于所述第一预设阈值，则比较本次目标结构相似性指数值与上次目标结构相似性指数值：

若本次目标结构相似性指数值小于等于上次目标结构相似性指数值，则输出上次获得的目标热红外影像；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值大于第二预设阈值，则将第一增强影像与第二增强影像再次增强后送入所述特征提取模块；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值小于等于所述第二预设阈值，则输出本次目标热红外影像。

进一步地，影像匹配模块匹配后获得所述同名点包括：根据所述关键点描述子之间的距离寻找相邻的描述子对，将所述描述子对应的所述关键点作为预匹配关键点，通过随机样本一致性算法筛选所述预匹配关键点，剔除错误的预匹配关键点。

进一步地，所述影像拼接模块获得目标热红外影像包括：根据所述同名点，使用仿射变换将所述第一标准影像与所述第二标准影像初步对齐，通过最小二乘影像匹配将所述同名点进一步配准，获得配准影像，同时获得配准后的仿射变换参数；

基于泊松融合的图像融合技术，将所述配准影像进行融合，消除所述配准影像的拼接边界，获得拼接后的所述目标热红外影像。

进一步地，所述配准计算模块包括：第一计算单元、第二计算单元和取均值单元，所述对比单元将所述目标热红外影像分别与第一标准影像和第二标准影像对比：

所述第一计算单元根据配准后的所述仿射变换参数，将所述第一标准影像变形到所述目标热红外影像上，在第一标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第一标准影像范围内滑动，逐步覆盖所述第一标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有所述局部结构相似性指数值进行平均，获得第一结构相似性指数值；

所述第二计算单元根据配准后的所述仿射变换参数，将所述第二标准影像变形到所述目标热红外影像上，在第二标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第二标准影像范围内滑动，逐步覆盖所述第二标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有窗口的所述局部结构相似性指数值进行平均，获得第二结构相似性指数值；

所述取均值单元平均第一结构相似性指数值与第二结构相似性指数值获得目标结构相似性指数值。

进一步地，影像预处理模块包括噪声剔除单元和影像调整单元，其中，

所述噪声剔除单元用以通过高斯滤波剔除所述第一原始影像和所述第二原始影像的噪声；

所述影像调整单元用以通过归一化调整所述第一原始影像和第二原始影像的亮度和对比度。

另一方面提供一种遥感数据处理方法，该方法包括：

获取无人机连续拍摄的两张热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像均包含同名点；

分别对所述第一原始影像和所述第二原始影像执行预处理以获取对应的第一标准影像和第二标准影像；

在所述第一标准影像和第二标准影像中寻找关键点以及记录所述关键点周围像素的灰度值分布；

将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得所述同名点；

根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，拼接后获得目标热红外影像；

通过所述第一标准影像、第二标准影像和所述目标热红外影像获取目标结构相似性指数值；

根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件，并在不满所述输出条件时，更新所述第一标准影像和所述第二标准影像，直至根据更新后的所述第一标准影像和所述第二标准影像得到的目标热红外影像满足输出条件。

与现有技术相比，本发明的有益效果在于，通过对第一原始影像和第二原始影像进行预处理以提升其内的同名点的提取效率，便于根据像素值分布快速定位在第一标准影像和第二标准影像中的同名点，进而利用几何变换使得第一标准影像和第二标准影像进行拼接，提高拼接的精准度，并对拼接后得到的图像进行计算，以确定目标热红外影像是否符合输出条件，并在符合输出条件时进行输出进而得到第一原始影像和第二原始影像的目标热红外影像，能够有效提高热红外影像拼接的精度和效率。

尤其，本发明对热红外影像做了针对性预处理，包括使用高斯滤波剔除原始影像的噪声，使用归一化调整原始影像的亮度和对比度，这些预处理步骤能够有效改善第一原始影像和第二原始影像的质量，为后续的特征提取和匹配提供了更好的基础。此外，本发明还采用了尺度不变特征变换算法和随机样本一致性算法，这些算法能够更准确地提取和匹配影像中的关键点，从而进一步提高了影像拼接的精度。

尤其，本发明可以根据目标结构相似性指数值对拼接后的影像进行判断和调整，如果拼接的效果不满足预设的条件，则对影像进一步增强处理，从而保证了拼接的效果。

附图说明

图1为本发明实施例提供的遥感数据处理系统的结构图；

图2为本发明实施例提供的遥感数据处理系统的特征提取模块结构图；

图3为本发明实施例提供的遥感数据处理系统的配准计算模块结构图；

图4为本发明实施例提供的遥感数据处理方法的流程图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，本发明的实施例提供的一种遥感数据处理系统包括：影像收集模块、影像预处理模块、特征提取模块、影像匹配模块、影像拼接模块、配准计算模块、系统管理模块。

影像收集模块100用于获取无人机拍摄的两张视角相邻的热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像包含视觉特征相似的同名点；

影像预处理模块200用于对原始影像执行预处理获得标准影像，对所述第一原始影像执行预处理获得第一标准影像，对所述第二原始影像执行预处理获得第二标准影像；

特征提取模块300用于寻找关键点，获取每个标准影像内各像素的灰度值，对于任意像素，若所述像素的灰度值与所述像素邻近像素的灰度值之间的差异达到预设阈值，则选取所述像素作为所述特征点，筛选所述特征点后获得所述关键点，记录所述关键点周围像素的灰度值分布；

影像匹配模块400用于将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得同名点；

影像拼接模块500用于根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，获得拼接后的目标热红外影像；

配准计算模块600用于通过获取目标结构相似性指数值对所述目标热红外影像的拼接质量打分；

系统管理模块700，用于根据所述目标结构相似性指数值对所述目标热红外影像进行判断和调整，满足条件后输出结果。

具体而言，在影像收集模块100中，影像收集模块的主要任务是获取无人机拍摄的两张视角相邻的热红外影像。这两张影像被设定为第一原始影像和第二原始影像。这两张影像包含视觉特征相似的同名点，这些同名点是后续影像匹配和拼接的关键。例如，如果无人机在飞行过程中拍摄了一片森林的两张相邻的热红外影像，那么这两张影像中的树木、地形等特征就可能成为同名点。

具体而言，将得到两张视角相邻的热红外影像后，这两张影像包含了大量的视觉特征相似的同名点。这些同名点为后续的影像预处理、特征提取、影像匹配和拼接等步骤提供了基础数据。

具体而言，在影像预处理模块200中，影像预处理模块的主要任务是对原始影像进行预处理，以获得标准影像，尤其是对热红外影像的针对性调整，使得特征点更加容易被识别，进而提高匹配效率和实现更精准的拼接。预处理的步骤包括噪声去除、亮度和对比度的调整。

具体而言，对原始影像执行预处理包括：使用高斯滤波剔除所述原始影像的噪声，使用归一化调整所述原始影像的亮度和对比度。

具体而言，例如，如果原始影像中存在一些随机噪声，这些噪声的灰度值可能在0到255之间随机分布，那么可以通过高斯滤波器将这些噪声剔除。然后，如果原始影像的亮度范围是100到200，对比度范围是30到60，那么可以通过归一化的方法将亮度和对比度调整到0到255的范围，以满足后续处理的需要。

具体而言，完成这段操作后，将得到两张预处理过的标准影像，这两张影像的亮度和对比度已经被调整到了一个统一的范围，噪声也已经被有效地剔除。这样的标准影像可以为后续的特征提取、影像匹配和拼接等步骤提供更好的基础。

具体而言，如图2所示，在特征提取模块300中，特征提取模块的主要任务是在标准影像中寻找关键点。关键点是影像中具有代表性的特征点，可以用于后续的影像匹配和拼接。在寻找关键点的过程中，所述特征提取模块包括获取单元10、比较单元20、选取单元30和筛选单元40，其中，所述获取单元用以获取所述第一标准影像和所述第二标准影像内各像素的灰度值；所述比较单元，对于任意像素，用以比较所述像素的灰度值与所述像素邻近像素的灰度值之间的差异，是否达到预设差值；所述选取单元用以在差异达到预设差值时选取所述像素作为所述特征点；所述筛选单元用以根据特征点曲率从第一标准影像和所述第二标准影像中筛选所述特征点以获取所述关键点。首先需要获取每个标准影像内各像素的灰度值。然后，对于任意像素，如果该像素的灰度值与其邻近像素的灰度值之间的差异达到预设阈值，例如20，那么就将该像素选取为特征点。最后，通过筛选特征点，可以获得关键点，并记录关键点周围像素的灰度值分布。

具体而言，寻找关键点与记录所述关键点周围像素的灰度值分布包括：使用尺度不变特征变换算法，在多尺度空间下对影像进行滤波和差分运算，以找出所述关键点的位置和尺度，通过所述关键点周围像素的方向梯度分布生成关键点描述子。

具体而言，本发明在寻找关键点和记录关键点周围像素的灰度值分布时，采用了尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）算法。SIFT算法是一种在多尺度空间下对影像进行滤波和差分运算的方法，可以有效地找出关键点的位置和尺度。例如，对于一个256x256的影像，可能会在8个不同的尺度下进行滤波和差分运算，从而找出关键点。然后，通过关键点周围像素的方向梯度分布，可以生成关键点描述子，这些关键点描述子表征了关键点周围像素灰度值的分布情况，可以用于后续的影像匹配。

具体而言，得到一组关键点以及关键点描述子后，这些关键点和关键点描述子可以为后续的影像匹配提供依据，使得不同的影像可以根据这些关键点进行精确的对齐。

具体而言，在影像匹配模块400中，影像匹配模块的工作基于关键点描述子的比较。关键点描述子是一种对关键点周围像素的灰度值分布的编码，它可以有效地描述关键点的视觉特征。在影像匹配过程中，影像匹配模块会比较第一标准影像和第二标准影像中的关键点描述子，找出描述子相似的关键点对，这些关键点对就是同名点。例如，如果设定描述子之间的欧氏距离小于10（这是一个假设的阈值）为匹配的条件，那么所有满足这个条件的关键点对就会被视为同名点。

具体而言，根据所述关键点周围像素的灰度值分布进行匹配包括：根据所述关键点描述子之间的距离寻找相邻的描述子对，将所述描述子对应的所述关键点作为预匹配关键点，通过随机样本一致性算法筛选所述预匹配关键点，剔除错误的预匹配关键点。

具体而言，随机样本一致性算法（Random Sample Consensus，RANSAC）是一种迭代方法，用于从一组观测数据中估计数学模型的参数，该方法假设观测数据由“内点”（符合模型的数据）和“外点”（噪声）组成。在每次迭代中，该算法随机选择一组观测数据作为内点，并拟合模型；然后，它测试所有其他观测数据，并将符合模型预测的观测数据添加到内点集合中。如果当前得到的内点集合比前一个大，那么就保留当前的模型。该过程一直重复，直到达到某个预设的迭代次数。

具体而言，在本发明中，随机样本一致性算法被用于筛选预匹配关键点，剔除错误的预匹配关键点。例如，如果有100个预匹配关键点，随机样本一致性算法可能会随机选择5个关键点并拟合模型，然后测试其他95个关键点。如果有30个关键点符合模型预测，那么这30个关键点就被添加到内点集合中。这个过程会一直重复，直到找到最大的内点集合，这个内点集合对应的模型就被认为是最好的模型。

具体而言，完成影像匹配后，将得到一组同名点，这些同名点在第一标准影像和第二标准影像中的位置是相对应的。这些同名点将被用于后续的影像配准和拼接步骤。通过这些同名点，可以知道第一标准影像上的某个位置在第二标准影像上对应的位置，从而实现影像的对齐。通过使用随机样本一致性算法，本发明能够有效地剔除错误的预匹配关键点，提高了匹配的精度和可靠性。影像匹配是影像拼接过程的关键步骤，只有准确的影像匹配，才能保证拼接后的影像的准确性和连续性。

具体而言，在影像拼接模块500中，使用几何变换将所述第一标准影像变形到所述第二标准影像上包括：根据所述同名点的位置，计算所述第一标准影像到所述第二标准影像的仿射变换参数，然后根据所述仿射变换参数，对所述第一标准影像进行仿射变换，使得所述同名点在两张影像上的位置重合。例如，如果有两个同名点，一个在第一标准影像上的位置是(100,200)，另一个在第二标准影像上的位置是(150,250)，那么可以计算出一个仿射变换参数，使得第一标准影像上的(100,200)变换到第二标准影像上的(150,250)。

具体而言，获得拼接后的目标热红外影像包括：根据所述同名点，使用仿射变换将所述第一标准影像与所述第二标准影像初步对齐，通过最小二乘影像匹配将所述同名点进一步配准，获得配准影像，同时获得配准后的仿射变换参数；

基于泊松融合的图像融合技术，将所述配准影像进行融合，消除所述配准影像的拼接边界，获得拼接后的所述目标热红外影像。

具体而言，最小二乘影像匹配是一种通过最小化预测值和实际观测值之间的平方误差来找出最佳拟合参数的方法。在这个过程中，首先需要确定仿射变换模型，然后通过最小二乘法来找出模型的参数，使得模型预测的同名点位置和实际观测的同名点位置之间的像素灰度值误差平方和最小。

具体而言，基于泊松融合的图像融合技术是一种在图像拼接中常用的方法，它可以有效地消除拼接边界，使得拼接后的影像看起来更自然。泊松融合在目标影像中找到一个区域，使得该区域内的梯度值与源影像中对应区域的梯度值尽可能接近，同时该区域的边界值与目标影像的边界值相同。例如，有两张影像，一张的亮度是100，另一张的亮度是200，那么可以通过泊松融合来生成一张新的影像，使得新影像的亮度在100和200之间，而且新影像的边界与原始影像的边界无缝对接。

具体而言，经过模块500后，会得到一张拼接后的目标热红外影像，这张影像包含了第一标准影像和第二标准影像的所有信息，而且拼接的边界被有效地消除，使得影像看起来更自然。这个结果是为了达成无缝拼接热红外影像的目的。在整个操作过程中，这一步骤处于影像拼接的阶段，它是在影像匹配之后，系统管理之前进行的。这一步骤对整个发明至关重要，因为它直接影响到拼接后影像的质量和使用价值。如果拼接的效果不好，那么影像的使用价值就会大大降低。因此，这一步骤的执行效果直接决定了本发明的效果和价值。

具体而言，在配准计算模块600中，目标结构相似性指数是一种用于评估图像质量的指标，它可以衡量两张图像的结构信息是否一致。

具体而言，如图3所示，所述配准计算模块包括：第一计算单元1、第二计算单元2和取均值单元3，所述对比单元将所述目标热红外影像分别与第一标准影像和第二标准影像对比；所述第一计算单元根据配准后的所述仿射变换参数，将所述第一标准影像变形到所述目标热红外影像上，在第一标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第一标准影像范围内滑动，逐步覆盖所述第一标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有所述局部结构相似性指数值进行平均，获得第一结构相似性指数值；所述第二计算单元根据配准后的所述仿射变换参数，将所述第二标准影像变形到所述目标热红外影像上，在第二标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第二标准影像范围内滑动，逐步覆盖所述第二标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有窗口的所述局部结构相似性指数值进行平均，获得第二结构相似性指数值；所述取均值单元平均第一结构相似性指数值与第二结构相似性指数值获得目标结构相似性指数值。

具体而言，获取目标结构相似性指数值包括：将所述目标热红外影像分别与第一标准影像和第二标准影像对比：

根据所述配准后的仿射变换参数，将所述第一标准影像变形到所述目标热红外影像上，在第一标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第一标准影像范围内滑动，逐步覆盖所述第一标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有所述局部结构相似性指数值进行平均，获得第一结构相似性指数值；

根据所述配准后的仿射变换参数，将所述第二标准影像变形到所述目标热红外影像上，在第二标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第二标准影像范围内滑动，逐步覆盖所述第二标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有窗口的所述局部结构相似性指数值进行平均，获得第二结构相似性指数值；

平均第一结构相似性指数值与第二结构相似性指数值获得目标结构相似性指数值。

具体而言，例如，有两张热红外影像，第一张影像的局部结构相似性指数值为0.8，第二张影像的局部结构相似性指数值为0.85。那么可以通过平均这两个值，得到目标结构相似性指数值为0.825。这个值可以用来评估拼接后的目标热红外影像的质量。

具体而言，经过配准计算模块后将得到一个目标结构相似性指数值，这个值可以用来评估拼接后的目标热红外影像的质量。如果这个值越接近1，说明拼接的质量越好，反之则说明拼接的质量较差。

具体而言，在模块700中，涉及得到目标热红外影像的最终输出结果；

具体而言，根据所述目标结构相似性指数值对所述目标热红外影像进行判断和调整包括：

若所述目标结构相似性指数值大于第一预设阈值，则输出所述目标热红外影像；

若所述目标结构相似性指数值小于第一预设阈值，则对目标热红外影像进行调整。

具体而言，如果目标结构相似性指数值为0.6，低于第一预设阈值（如0.8），则准备对目标热红外影像进一步调整；如果新的目标结构相似性指数值大于第一预设阈值，则输出目标热红外影像。

具体而言，对目标热红外影像进行调整包括：将所述第一标准影像与所述第二标准影像使用直方图均衡化和对比度增强改善对比度，使用锐化增强边缘和细节，以生成更高质量的第一增强影像与第二增强影像，然后将所述第一增强影像与所述第二增强影像作为新的第一标准影像与第二标准影像送入所述特征提取模块，逐步处理至再次进入所述系统管理模块。

具体而言，直方图均衡化是一种改善图像对比度的方法，它通过拉伸像素强度的分布范围来增强图像的对比度。对比度增强则是通过调整图像的亮度和对比度来提高图像的视觉效果。图像锐化则是通过增强图像边缘和细节来提高图像的清晰度。

具体而言，假设有一张目标热红外影像，其目标结构相似性指数值为0.7，低于预设阈值1。那么可以先对这张影像进行直方图均衡化，假设处理后的影像对比度提高了20%；然后进行对比度增强，假设处理后的影像亮度提高了15%；最后进行图像锐化，假设处理后的影像边缘和细节清晰度提高了25%。这样就得到了一张质量更高的增强影像，可以将其作为新的标准影像送入特征提取模块进行处理。

具体而言，完成这段操作后，得到一张质量更高的增强影像。基于这样的结果，可以更准确地提取出影像中的特征，从而提高影像匹配和拼接的精度。这一步骤在整个操作过程中处于质量控制和优化阶段，它可以根据目标结构相似性指数值动态调整影像处理的参数，以达到最优的处理效果。

具体而言，再次进入所述系统管理模块之后：若所述目标结构相似性指数值大于等于所述第一预设阈值，则输出所述本次目标热红外影像；

若所述目标结构相似性指数小于所述第一预设阈值，则比较本次目标结构相似性指数值与上次目标结构相似性指数值：

若本次目标结构相似性指数值小于等于上次目标结构相似性指数值，则输出上次获得的目标热红外影像；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值大于第二预设阈值，则将第一增强影像与第二增强影像再次增强后送入所述特征提取模块；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值小于等于所述第二预设阈值，则输出本次目标热红外影像。

具体而言，再次进入系统管理模块后，系统会对目标热红外影像进行判断和调整。例如，设置第一预设阈值为0.9，第二预设阈值为0.05，上次的目标结构相似性指数值为0.7，而本次的目标结构相似性指数值为0.894。在这种情况下，由于本次的目标结构相似性指数值（0.894）大于上次的目标结构相似性指数值（0.78），并且差值（0.894-0.78=0.114）大于第二预设阈值（0.05），系统会将经过再次增强的第一增强影像与第二增强影像送入特征提取模块，进行下一轮的处理。

具体而言，再次经过处理后，本次的目标结构相似性指数值为0.871。在这种情况下，由于本次的目标结构相似性指数值（0.871）小于上次的目标结构相似性指数值（0.894），系统会输出上次获得的目标热红外影像，即目标结构相似性指数值为0.894的目标热红外影像。

具体而言，完成这段操作后，会得到一个新的目标热红外影像，这个影像是通过对原始影像进行一系列的处理和增强得到的。这个新的影像的目标结构相似性指数值会更接近1，这意味着它的质量更高，更接近想要的结果。

具体而言，通过对第一原始影像和第二原始影像进行预处理以提升其内的同名点的提取效率，便于根据像素值分布快速定位在第一标准影像和第二标准影像中的同名点，进而利用几何变换使得第一标准影像和第二标准影像进行拼接，提高拼接的精准度，并对拼接后得到的图像进行计算，以确定目标热红外影像是否符合输出条件，并在符合输出条件时进行输出进而得到第一原始影像和第二原始影像的目标热红外影像，能够有效提高热红外影像拼接的精度和效率。

请参阅图4所示，本发明实施例提供的遥感数据处理方法包括：

步骤S1000：获取无人机连续拍摄的两张热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像均包含同名点；

步骤S2000：分别对所述第一原始影像和所述第二原始影像执行预处理以获取对应的第一标准影像和第二标准影像；

步骤S3000：在所述第一标准影像和第二标准影像中寻找关键点以及记录所述关键点周围像素的灰度值分布；

步骤S4000：将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得所述同名点；

步骤S5000：根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，拼接后获得目标热红外影像；

步骤S6000：通过所述第一标准影像、第二标准影像和所述目标热红外影像获取目标结构相似性指数值；

步骤S7000：根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件，并在不满所述输出条件时，更新所述第一标准影像和所述第二标准影像，直至根据更新后的所述第一标准影像和所述第二标准影像得到的目标热红外影像满足输出条件。

具体而言，在步骤S2000中，对原始影像执行预处理包括：使用高斯滤波剔除所述原始影像的噪声，使用归一化调整所述原始影像的亮度和对比度。

具体而言，在步骤S3000中，寻找关键点与记录所述关键点周围像素的灰度值分布包括：使用尺度不变特征变换算法，在多尺度空间下对影像进行滤波和差分运算，以找出所述关键点的位置和尺度，通过所述关键点周围像素的方向梯度分布生成关键点描述子。

具体而言，在步骤S4000中，根据所述关键点描述子之间的距离寻找相邻的描述子对，将所述描述子对应的所述关键点作为预匹配关键点，通过随机样本一致性算法筛选所述预匹配关键点，剔除错误的预匹配关键点。

具体而言，在步骤S5000中，根据所述同名点，使用仿射变换将所述第一标准影像与所述第二标准影像初步对齐，通过最小二乘影像匹配将所述同名点进一步配准，获得配准影像，同时获得配准后的仿射变换参数；

基于泊松融合的图像融合技术，将所述配准影像进行融合，消除所述配准影像的拼接边界，获得拼接后的所述目标热红外影像。

具体而言，在步骤S6000中，将所述目标热红外影像分别与第一标准影像和第二标准影像对比：

根据所述配准后的仿射变换参数，将所述第一标准影像变形到所述目标热红外影像上，在第一标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第一标准影像范围内滑动，逐步覆盖所述第一标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有所述局部结构相似性指数值进行平均，获得第一结构相似性指数值；

根据所述配准后的仿射变换参数，将所述第二标准影像变形到所述目标热红外影像上，在第二标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第二标准影像范围内滑动，逐步覆盖所述第二标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有窗口的所述局部结构相似性指数值进行平均，获得第二结构相似性指数值；

平均第一结构相似性指数值与第二结构相似性指数值获得目标结构相似性指数值。

具体而言，在步骤S7000中，若所述目标结构相似性指数值大于等于第一预设阈值，则输出所述目标热红外影像；

若所述目标结构相似性指数值小于第一预设阈值，则对目标热红外影像进行调整。

具体而言，若所述目标结构相似性指数值大于等于所述第一预设阈值，则输出所述本次目标热红外影像；

若所述目标结构相似性指数小于所述第一预设阈值，则比较本次目标结构相似性指数值与上次目标结构相似性指数值：

若本次目标结构相似性指数值小于等于上次目标结构相似性指数值，则输出上次获得的目标热红外影像；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值大于第二预设阈值，则将第一增强影像与第二增强影像再次增强后送入所述特征提取模块；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值小于等于所述第二预设阈值，则输出本次目标热红外影像。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种遥感数据处理系统，其特征在于，包括：

影像收集模块，用于获取无人机连续拍摄的两张热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像均包含同名点；

影像预处理模块，与所述影像收集模块连接，用于分别对所述第一原始影像和所述第二原始影像执行预处理以获取对应的第一标准影像和第二标准影像；

特征提取模块，与所述影像预处理模块连接，用于在所述第一标准影像和第二标准影像中寻找关键点以及记录所述关键点周围像素的灰度值分布；

影像匹配模块，与所述特征提取模块连接，用于将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得所述同名点；

影像拼接模块，与所述影像匹配模块连接，用于根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，拼接后获得目标热红外影像；

配准计算模块，与所述影像拼接模块连接，用于通过所述第一标准影像、第二标准影像和所述目标热红外影像获取目标结构相似性指数值；

系统管理模块，与所述配准计算模块连接，用于根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件，并在不满所述输出条件时，更新所述第一标准影像和所述第二标准影像，直至根据更新后的所述第一标准影像和所述第二标准影像得到的目标热红外影像满足输出条件；

所述特征提取模块包括获取单元、比较单元、选取单元和筛选单元，其中，

所述获取单元用以获取所述第一标准影像和所述第二标准影像内各像素的灰度值；

所述比较单元，对于任意像素，用以比较所述像素的灰度值与所述像素邻近像素的灰度值之间的差异，是否达到预设差值；

所述选取单元用以在差异达到预设差值时选取所述像素作为特征点；

所述筛选单元用以根据特征点曲率从第一标准影像和所述第二标准影像中筛选所述特征点以获取所述关键点；

所述系统管理模块根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件包括：

若所述目标结构相似性指数值大于等于第一预设阈值，则输出所述目标热红外影像；

若所述目标结构相似性指数值小于第一预设阈值，则更新所述第一标准影像和所述第二标准影像；

系统管理模块更新所述第一标准影像和所述第二标准影像包括：将所述第一标准影像与所述第二标准影像使用直方图均衡化和对比度增强改善对比度，使用锐化增强边缘和细节，以生成质量提升的第一增强影像与第二增强影像，将所述第一增强影像与所述第二增强影像作为新的第一标准影像与第二标准影像送入所述特征提取模块，逐步处理至再次进入所述系统管理模块；

再次进入所述系统管理模块之后：若所述目标结构相似性指数值大于等于所述第一预设阈值，则输出本次目标热红外影像；

若所述目标结构相似性指数小于所述第一预设阈值，则比较本次目标结构相似性指数值与上次目标结构相似性指数值：

若本次目标结构相似性指数值小于等于上次目标结构相似性指数值，则输出上次获得的目标热红外影像；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值大于第二预设阈值，则将第一增强影像与第二增强影像再次增强后送入所述特征提取模块；

若本次目标结构相似性指数值大于上次目标结构相似性指数值且差值小于等于所述第二预设阈值，则输出本次目标热红外影像。

2.根据权利要求1所述的遥感数据处理系统，其特征在于，影像匹配模块匹配后获得所述同名点包括：根据所述关键点描述子之间的距离寻找相邻的描述子对，将所述描述子对应的所述关键点作为预匹配关键点，通过随机样本一致性算法筛选所述预匹配关键点，剔除错误的预匹配关键点。

3.根据权利要求2所述的遥感数据处理系统，其特征在于，所述影像拼接模块获得目标热红外影像包括：根据所述同名点，使用仿射变换将所述第一标准影像与所述第二标准影像初步对齐，通过最小二乘影像匹配将所述同名点进一步配准，获得配准影像，同时获得配准后的仿射变换参数；

基于泊松融合的图像融合技术，将所述配准影像进行融合，消除所述配准影像的拼接边界，获得拼接后的所述目标热红外影像。

4.根据权利要求3所述的遥感数据处理系统，其特征在于，所述配准计算模块包括：第一计算单元、第二计算单元和取均值单元，对比单元将所述目标热红外影像分别与第一标准影像和第二标准影像对比：

所述第一计算单元根据配准后的所述仿射变换参数，将所述第一标准影像变形到所述目标热红外影像上，在第一标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第一标准影像范围内滑动，逐步覆盖所述第一标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有所述局部结构相似性指数值进行平均，获得第一结构相似性指数值；

所述第二计算单元根据配准后的所述仿射变换参数，将所述第二标准影像变形到所述目标热红外影像上，在第二标准影像选取大小固定的窗口进行局部结构相似性指数计算，所述窗口在第二标准影像范围内滑动，逐步覆盖所述第二标准影像，计算每个所述窗口内的局部结构相似性指数值，将所有窗口的所述局部结构相似性指数值进行平均，获得第二结构相似性指数值；

所述取均值单元平均第一结构相似性指数值与第二结构相似性指数值获得目标结构相似性指数值。

5.根据权利要求4所述的遥感数据处理系统，其特征在于，影像预处理模块包括噪声剔除单元和影像调整单元，其中，

所述噪声剔除单元用以通过高斯滤波剔除所述第一原始影像和所述第二原始影像的噪声；

所述影像调整单元用以通过归一化调整所述第一原始影像和第二原始影像的亮度和对比度。

6.一种应用于权利要求1-5任一项所述的遥感数据处理系统的方法，其特征在于，包括：

获取无人机连续拍摄的两张热红外影像，分别设定为第一原始影像和第二原始影像，所述第一原始影像与所述第二原始影像均包含同名点；

分别对所述第一原始影像和所述第二原始影像执行预处理以获取对应的第一标准影像和第二标准影像；

在所述第一标准影像和第二标准影像中寻找关键点以及记录所述关键点周围像素的灰度值分布；

将所述第一标准影像与所述第二标准影像中的所述关键点根据所述关键点周围像素的灰度值分布进行匹配，匹配后获得所述同名点；

根据所述同名点，使用几何变换将所述第一标准影像变形到所述第二标准影像上，使得所述同名点在两张影像上的位置重合，拼接后获得目标热红外影像；

通过所述第一标准影像、第二标准影像和所述目标热红外影像获取目标结构相似性指数值；

根据所述目标结构相似性指数值与第一预设阈值确定所述目标热红外影像是否满足输出条件，并在不满所述输出条件时，更新所述第一标准影像和所述第二标准影像，直至根据更新后的所述第一标准影像和所述第二标准影像得到的目标热红外影像满足输出条件。