CN116935222B

CN116935222B - 一种遥感影像蓝波段模拟方法、系统及可读存储介质

Info

Publication number: CN116935222B
Application number: CN202310918046.0A
Authority: CN
Inventors: 余顺超; 刘超群; 顾祝军; 贾正雷; 王晓刚; 熊龙海; 何秋银
Original assignee: Pearl River Hydraulic Research Institute of PRWRC
Current assignee: Pearl River Hydraulic Research Institute of PRWRC
Priority date: 2023-07-25
Filing date: 2023-07-25
Publication date: 2024-02-13
Anticipated expiration: 2043-07-25
Also published as: CN116935222A

Abstract

本发明公开了一种遥感影像蓝波段模拟方法、系统及可读存储介质，所述方法包括：输入遥感影像近红外波段、红波段和绿波段，对遥感影像各波段进行预处理，获取遥感影像近红外、红、绿各波段的反射率数据；再模拟水体蓝波段、裸露地物蓝波段、植被蓝波段；利用归一化植被指数建立植被判别函数和水体判别函数，用于获取遥感影像中水体、裸露地物、植被的分布范围；根据水体蓝波段、土壤等裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段。本发明通过分类模拟各类地物蓝波段再合并的方式获得遥感影像蓝波段信息，便于开展真彩色影像制图与地物遥感判别分析等遥感应用工作。

Description

一种遥感影像蓝波段模拟方法、系统及可读存储介质

技术领域

本发明涉及遥感影像光谱波段模拟技术领域，更具体地，涉及一种遥感影像蓝波段模拟方法、系统及可读存储介质。

背景技术

卫星传感器分波段记录了地表反射或辐射的电磁波信号。其中，波长较短的蓝波段较之其他波段更易受到瑞丽散射的影响，因此很多传感器没有设置蓝波段，比如早期至目前的MSS、IRS-P6、SPOT、ZY1-02C、CBERS-04及一些航空彩红外像片，这就限制了遥感影像在真彩色合成及其地形仿真、虚拟现实、AI分类等方面的应用。为了弥补遥感影像蓝波段信息缺失的不足，人们进行了广泛深入的蓝波段模拟研究。这些研究多基于蓝波段与其它波段的线性相关假设，或进行神经网络、支持向量机等非线性模拟。从使用的数据源看，有的使用参考遥感影像，有的基于物理光谱库和影像光谱库。现有研究为补缺遥感波段信息积累了较为丰硕的成果，但存在精度偏低、机理不清、以及数据源难以获取等问题，就波段横向关系的结构形式以及地物分类模拟鲜有报导，成为遥感波段信息补缺研究的瓶颈。

2013年3月20日公开的中国专利CN102982538A提供了一种资源卫星多光谱图像模拟真彩色方法，(1)将待模拟的资源卫星的一景影像进行预处理，即先后进行辐射校正和几何校正；对多景参考影像数据分别进行回归分析计算，得到多组波段相关系数，平均后得到一组平均相关系数；所述的参考影像数据具有蓝色波段；(2)根据步骤(1)中得到平均相关系数以及步骤(1)中得到的该景待模拟预处理后影像数据，模拟计算蓝色波段；(3)由模拟蓝色波段，待模拟的该景影像的原有绿波段、红波段合成模拟真彩色图像。该方案中虽然提供了蓝波段的模拟方法，但其仍存在精度偏低、机理不清、以及数据源难以获取等问题。

发明内容

鉴于上述问题，本发明的目的是提供一种遥感影像蓝波段模拟方法、系统及可读存储介质。

本发明第一方面提供了一种遥感影像蓝波段模拟方法，所述方法包括以下步骤：

输入遥感影像近红外波段、红波段和绿波段，对遥感影像各波段进行预处理，获取遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green；

根据遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green反射率数据模拟水体蓝波段、裸露地物蓝波段、植被蓝波段；

利用归一化植被指数NDVI建立植被判别函数和水体判别函数，用于获取遥感影像中水体、裸露地物、植被的分布范围；

根据水体蓝波段、土壤等裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段。

优选地，所述根据遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段、裸露地物蓝波段、植被蓝波段，具体为：

利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段；

利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟裸露地物蓝波段；

利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green模拟植被蓝波段。

优选地，所述利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段的表达式为：

b_simuW＝b_green×R/2+(b_red+b_nir)/2

R＝b_green/b_red

其中，b_simuW为模拟水体蓝波段；R为绿波段与红波段的反射率比值。

优选地，所述利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟裸露地物蓝波段的表达式为：

b_simuS＝b_green×R/2+((1+α)×b_green-α×b_red)/3+(b_red+b_nir)/6

α＝Δλ_{g_b}/Δλ_{r_g}

其中，b_simuS为模拟裸露地物蓝波段，α为影像波段中心波长之差Δλ_{g_b}与Δλ_{r_g}的比值。

其中，Δλ_{g_b}为绿波段反射率数据与蓝波段中心波长之差，Δλ_{r_g}为红色波段与绿色波段中心波长之差，

优选地，所述利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green模拟植被蓝波段的表达式为：

b_simuV＝b_green×R/4+((1+α)×b_green-α×b_red)×3/4

其中，b_simuV为模拟植被蓝波段。

优选地，所述植被判别函数为：

NDVI＝(b_nir-b_red)/(b_nir+b_red)

其中，NDVI为归一化植被指数；NDVI_cv为植被指数判别植被的临界值。

优选地，所述水体判别函数为：

其中，NDVI_cw为植被指数判别水体的临界值。

优选地，所述根据水体蓝波段、土壤等裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段的表达式为：

b_simu＝δ₁(NDVI)×b_simuV+(1-δ₁(NDVI))×(δ₂(NDVI)×b_simuS+(1-δ₂(NDVI))×b_simuW)

其中，b_simu为模拟蓝波段。

本发明第二方面提供了一种遥感影像蓝波段模拟系统，包括存储器和处理器，所述存储器中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被所述处理器执行时实现所述一种遥感影像蓝波段模拟方法的步骤。

本发明第三方面提供了一种可读存储介质，所述可读存储介质中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被处理器执行时，实现所述一种遥感影像蓝波段模拟方法的步骤。

与现有技术相比，本发明技术方案的有益效果是：本发明利用遥感影像已有的近红外、红、绿等多光谱波段信息，通过分类模拟各类地物蓝波段再合并的方式获得遥感影像蓝波段信息，便于开展真彩色影像制图与地物遥感判别分析等遥感应用工作。相对于传统的蓝波段模拟方法，本发明具有以下优点：

(1)波段模拟方法物理意义明确，结构清晰，运算快捷。

本发明的波段模拟方法根据不同类地物光谱特征的差异性原则，将遥感影像的地表地物划分为水体、裸露地物、植被等典型地物类型，通过分析各类典型地物的光谱曲线特征及其在遥感影像各多光谱波段的光谱特征，分别建立各类典型地物的蓝波段与近红外波段反射率数据、红波段反射率数据、绿波段反射率数据等已知影像波段的耦合函数关系，分类构建各类典型地物的蓝波段模拟基函数，再依据不同地物的空间分布范围对各类典型地物的蓝波段模拟结果进行合并，实现对遥感影像蓝波段的精准模拟。该方法物理意义明确，算法融合函数表达式简洁明了，计算快捷高效。

(2)本发明所涉及的算法依赖于地物光谱特征和影像数据内在特征，具有普适性。

本发明所述方法适用于所有具有近红外、红、绿等影像波段，但缺少蓝波段信息的遥感影像，以实现对遥感影像蓝波段信息的精准模拟，提升多光谱遥感影像的应用潜力及对地物的识别能力；本发明在开展遥感影像蓝波段模拟时，只依赖于遥感影像典型地物的光谱特征和已知近红外、红、绿等多光谱影像的影像数据的内在特征，算法具有普适性。

附图说明

图1为实施例1所述一种遥感影像蓝波段模拟方法的流程图。

图2为实施例1所述遥感影像图的绿波段反射率数据影像图。

图3为实施例1所述遥感影像图的红波段反射率数据影像图。

图4为实施例1所述遥感影像图的近红波段反射率数据影像图。

图5为模拟系数R影像图。

图6为模拟水体蓝波段。

图7为模拟土壤等裸露地物蓝波段图。

图8为模拟植被蓝波段图。

图9为合成模拟蓝波段图。

图10为模拟蓝波段与绿波段反射率数据、红波段反射率数据合成的真彩色影像图。

图11为真实蓝波段与绿波段反射率数据、红波段反射率数据合成的真彩色影像图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

如图1所示，本实施例公开了一种遥感影像蓝波段模拟方法，所述方法包括以下步骤：

S1：输入遥感影像近红外波段、红波段和绿波段，对遥感影像各波段进行预处理，获取遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green。

需要说明的是，本申请根据同类地物光谱曲线一致性、不同类地物光谱曲线差异性的原则，将遥感影像的地物划分为水体、裸露地物、植被等典型地物类型。上述各典型地物类型的光谱曲线差异明显，在遥感影像蓝波段、绿波段反射率数据、红波段反射率数据和近红外波段反射率数据的光谱响应强度及趋势各异，这为遥感影像蓝波段的分类模拟提供了物理基础。

在本申请中通过获取近红外、红、绿波段的反射率数据，以使地物影像光谱特征与实测光谱特征一致，从而便于对各地物进行蓝波段分类模拟。

S2：根据遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段、裸露地物蓝波段、植被蓝波段。

需要说明的是，本申请基于分类模拟的原则，分析各典型地物类型的光谱特征，建立各类典型地物的蓝波段与近红外、红、绿等影像波段的响应函数关系，分类构建典型地物类型的蓝波段模拟基函数，分别实现对水体、土壤等裸露地物、植被等各类典型地物遥感影像蓝波段的模拟。具体如下：

S2.1：利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段；其表达式为：

b_simuW＝b_green×R/2+(b_red+b_nir)/2

R＝b_green/b_red

S2.2：利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟裸露地物蓝波段；其表达式为：

b_simuS＝b_green×R/2+((1+α)×b_green-α×b_red)/3+(b_red+b_nir)/6

α＝Δλ_{g_b}/Δλ_{r_g}

S2.3：利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green模拟植被蓝波段；其表达式为：

b_simuV＝b_green×R/4+((1+α)×b_green-α×b_red)×3/4

其中，b_simuV为模拟植被蓝波段。

S3：利用归一化植被指数NDVI建立植被判别函数和水体判别函数，用于获取遥感影像中水体、裸露地物、植被的分布范围；

S3.1：利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red计算归一化植被指数，其表达式为：

NDVI＝(b_nir-b_red)/(b_nir+b_red)

其中，NDVI为归一化植被指数；

S3.2：利用归一化植被指数NDVI，建立植被分布范围判别函数为：

其中，NDVI_cv为植被指数判别植被的临界值。

S3.3：利用归一化植被指数NDVI，建立水体分布范围的判别函数为：

其中，NDVI_cw为植被指数判别水体的临界值。需要说明的是，由于植被、裸露地物和水体在NDVI图像中统计数据中具有明显的分段分布特征，植被分布范围位于NDVI高值区，水体分布范围位于NDVI低值区，裸露地物分布范围位于中间区域。因此，本申请利用遥感影像近红外波段反射率数据和红波段反射率数据计算归一化植被指数NDVI，利用多光谱影像和归一化植被指数NDVI交互分析植被指数判别植被的临界值NDVI_cv、植被指数判别水体的临界值NDVI_cw，分别构建植被判别函数δ₁(NDVI)和水体判别函数δ₂(NDVI)，实现对遥感影像中水体、土壤等裸露地物、植被等各典型地物类型分布范围的提取。

S4：根据水体蓝波段、土壤等裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段，表达式为：

其中，b_simu为模拟蓝波段。

需要说明的是，本申请利用水体蓝波段模拟影像结果b_simuW、裸露地物蓝波段模拟影像结果b_simuS和植被蓝波段模拟影像结果b_simuV，结合上面提取的遥感影像中水体、土壤等裸露地物、植被等典型地物类型的分布范围，依据不同地物的空间分布范围对各类典型地物的蓝波段模拟结果进行合并，得到完整的遥感影像蓝波段模拟影像成果b_simu。

本申请针对MSS、SPOT、CBERS、ZY等部分卫星遥感传感器没有设置蓝波段，不能进行遥感影像真彩色合成及制图，不利开展地物影像判读分析的缺陷，提供了一种遥感影像蓝波段模拟方法、系统及可读存储介质。该方法根据不同典型地物光谱曲线特征的明显差异性，将地表地物划分为水体、土壤等裸露地物、植被等典型地物类型，再基于不同典型地物的光谱曲线特征及其与遥感影像近红外、红、绿和蓝波段的对应关系，分别建立各类典型地物的蓝波段与近红外波段反射率数据、红波段反射率数据和绿波段反射率数据等影像波段的耦合函数关系，分类构建水体、土壤等裸露地物、植被等典型地物类型的蓝波段模拟基函数，再依据不同地物的空间分布范围对各类典型地物的蓝波段模拟结果进行合并，实现对遥感影像蓝波段的精确模拟。

作为一个具体的实施，下面结合具体实例对本实施例进行说明：

为实现基于地物光谱特征的遥感影像蓝波段模拟的目的，本发明主要利用ENVI遥感图像处理软件来实现，以一幅具有近红外波段、红波段和绿波段的Landsat8卫星遥感影像图进一步描述蓝波段模拟方法。

1.输入遥感影像图。

打开一幅具有近红外波段反、红波段和绿波段的遥感影像(P_LS8_C_20130929_032405_000000_127042_GEOTIFF_L4)，对影像进行大气校正等预处理工作，获得遥感影像各波段的反射率数据，作为蓝波段模拟的基础影像数据。图2-图4为遥感影像各波段影像图(按照ENVI缺省设置2％拉伸的效果图)。

2.计算蓝波段模拟系数R与α。R的运算表达式为R＝1.0*b1*(b2 ne0)/(b2+(b2 ne0))，其中b1为绿波段反射率数据b_green，b2为红波段反射率数据b_red(计算成果R见图5)。α＝Δλ_{g_b}/Δλ_{r_g}＝(0.56-0.48)/(0.655-0.56)＝0.08/0.095＝0.842105。

3.利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green计算获取模拟水体蓝波段b_simuW(图6)，运算表达式为uint(1.0*b1*b2/2+(1.0*b3+b4)/2)，其中b1为绿波段反射率数据b_green，b2为绿波段反射率数据与红波段反射率数据的反射率比值R，b3为红波段反射率数据b_red，b4为近红外波段反射率数据b_nir。

4.利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green计算获取模拟土壤等裸露地物蓝波段b_simuS(图7)，运算表达式为uint(1.0*b1*b2/2+((1.0+0.842105)*b1-0.842105*b3)/3+(1.0*b3+b4)/6)，其中b1为绿波段反射率数据b_green，b2为绿波段反射率数据与红波段反射率数据的反射率比值R，b3为红波段反射率数据b_red，b4为近红外波段反射率数据b_nir。

5.利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green计算获取模拟植被蓝波段b_simuV(图8)，运算表达式为uint(1.0*b1*b2/4+((1.0+0.842105)*b1-0.842105*b3)*3/4)，其中b1为绿波段反射率数据b_green，b2为绿波段反射率数据与红波段反射率数据的反射率比值R，b3为红波段反射率数据b_red。

6.利用遥感影像近红外波段反射率数据b_nir和红波段反射率数据b_red计算归一化植被指数NDVI，确定植被指数判别植被的临界植NDVI_cv为0.47，植被指数判别水体的临界值NDVI_cw为0。

7.合成模拟蓝波段b_simu(图9)，其运算表达式为uint((b1 gt 0.47)*b2+((b1gt0)and(b1 le 0.47))*b3+(b1 le 0)*b4)，其中b1为归一化植被指数NDVI，b2为模拟植被蓝波段b_simuV，b3为模拟裸露地物蓝波段b_simuS，b4为模拟水体蓝波段b_simuW。

将影像的红波段反射率数据、绿波段反射率数据与合成模拟蓝波段按照红、绿、蓝通道合成的真彩色影像如图10；将影像的红波段反射率数据、绿波段反射率数据与真实蓝波段按照红、绿、蓝通道合成的标准假彩色影像如图11。模拟蓝波段与真实蓝波段的影像信息高达一致，模拟蓝波段影像满足遥感影像真彩色合成制图等各种应用需求。

实施例2

本实施例公开了一种遥感影像蓝波段模拟系统，包括存储器和处理器，所述存储器中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被所述处理器执行时实现实施例1所述方法的步骤。

实施例3

本实施例公开了一种可读存储介质，所述可读存储介质中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被处理器执行时，实现如实施例1所述的一种遥感影像蓝波段模拟方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims

1.一种遥感影像蓝波段模拟方法，其特征在于，所述方法包括以下步骤：

根据遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段、裸露地物蓝波段、植被蓝波段；

根据水体蓝波段、裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段；

所述根据遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段、裸露地物蓝波段、植被蓝波段，具体为：

利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green模拟植被蓝波段；

所述利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟水体蓝波段的表达式为：

b_simuW＝b_green×R/2+(b_red+b_nir)/2

R＝b_green/b_red

其中，b_simuW为模拟水体蓝波段；R为绿波段与红波段的反射率比值；

所述利用遥感影像近红外波段反射率数据b_nir、红波段反射率数据b_red和绿波段反射率数据b_green模拟裸露地物蓝波段的表达式为：

b_simuS＝b_green×R/2+((1+α)×b_green-α×b_red)/3+(b_red+b_nir)/6

α＝Δλ_{g_b}/Δλ_{r_g}

其中，b_simuS为模拟裸露地物蓝波段，α为影像波段中心波长之差Δλ_{g_b}与Δλ_{r_g}的比值；Δλ_{g_b}为绿波段反射率数据与蓝波段中心波长之差，Δλ_{r_g}为红色波段与绿色波段中心波长之差；

所述利用遥感影像红波段反射率数据b_red和绿波段反射率数据b_green模拟植被蓝波段的表达式为：

b_simuV＝b_green×R/4+((1+α)×b_green-α×b_red)×3/4

其中，b_simuV为模拟植被蓝波段；

所述植被判别函数为：

NDVI＝(b_nir-b_red)/(b_nir+b_red)

其中，NDVI为归一化植被指数；NDVI_cv为植被指数判别植被的临界值；

所述水体判别函数为：

其中，NDVI_cw为植被指数判别水体的临界值；

所述根据水体蓝波段、裸露地物蓝波段、植被蓝波段、植被判别函数和水体判别函数合成模拟蓝波段的表达式为：

其中，b_simu为模拟蓝波段。

2.一种遥感影像蓝波段模拟系统，其特征在于，包括存储器和处理器，所述存储器中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被所述处理器执行时实现权利要求1所述方法的步骤。

3.一种可读存储介质，其特征在于，所述可读存储介质中包括一种遥感影像蓝波段模拟方法程序，所述遥感影像蓝波段模拟方法程序被处理器执行时，实现如权利要求1所述的一种遥感影像蓝波段模拟方法的步骤。