CN117058053B - 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 - Google Patents
基于均值滤波的ihs空-谱融合方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117058053B CN117058053B CN202310877785.XA CN202310877785A CN117058053B CN 117058053 B CN117058053 B CN 117058053B CN 202310877785 A CN202310877785 A CN 202310877785A CN 117058053 B CN117058053 B CN 117058053B
- Authority
- CN
- China
- Prior art keywords
- band
- fusion
- target
- wave band
- image
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 82
- 238000001914 filtration Methods 0.000 title claims abstract description 79
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 308
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 230000014509 gene expression Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 208000031993 Ichthyosis-hypotrichosis syndrome Diseases 0.000 description 95
- 201000001315 autosomal recessive congenital ichthyosis 11 Diseases 0.000 description 95
- 230000003595 spectral effect Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000014759 maintenance of location Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003746 surface roughness 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于均值滤波的IHS空‑谱融合方法、系统、设备及介质,所述方法包括:将全色波段作为源波段,从多光谱波段中任取一波段作为目标波段并得到对应的中介波段;构建基于均值滤波影像的空间信息提取因子,进而构建IHS空‑谱融合表达式;根据目标波段对应的中介波段,利用IHS空‑谱融合表达式分别计算对应的融合成果;以先验计算的融合评价指标为依据,从对应的中介波段中选择最佳中介波段;根据最佳中介波段计算融合成果,将融合成果直方图匹配到目标波段,得到目标波段的融合成果,将融合成果进行合并存储。本发明突破传统IHS融合的波段数限制,且在保持全色图像空间细节的同时提高IHS融合的光谱保真能力。
Description
技术领域
本发明涉及一种基于均值滤波的IHS空-谱融合方法、系统、计算机设备及计算机可读存储介质,属于遥感影像融合增强技术领域。
背景技术
随着多平台、多传感器、多天候、多时相、多分辨率遥感技术的发展,可供各行各业利用的遥感影像种类日益丰富。这些丰富多彩的遥感影像既为遥感图像应用研究提供了灵活的对象选择空间,也为遥感图像的选取、综合、纠正、增强等图像应用前处理研究提出了挑战。
不同的遥感影像数据具有不同的空间分辨率、时间分辨率、光谱分辨率等影像基本特征,其在不同的应用领域具有不同的应用表现和应用潜力。传统的遥感图像处理侧重单一图像的色彩、纹理、层次等一般图像特征的增强;遥感影像融合处理侧重于将不同影像的基本特征综合在一幅新的遥感影像图上,充分挖掘其综合应用潜力,提高其应用表现。近二十多年来,作为遥感图像处理的新方向,遥感图像融合技术得到了长足的发展,取得了系列新成果。
基于色彩空间理论的融合方法发展了CMYK、Lab、IHS(HSB)、HSV等融合方法,经典的有IHS方法。基于数理统计分析、四则运算原理,发展了比值法、差值法、加权叠加、倍数放大和四则混合运算办法。经典的方法是Brovey融合方法和CN融合方法。基于信号分析原理的融合方法发展了高通滤波、主成份分析(PCA)、傅立叶变换(FFT)、小波(Wavelet)变换、Gram-Schimdt变换、曲波变换(Curvelet)、轮廓波变换(Contourlet)、脊波变换(Ridgelet)、条带波变换(Bandelet)、楔波变换(Wedgelet)、小线变换(Beamlet)等融合技术和方法,经典的有PCA和GS融合方法。各类经典方法均以融入商业遥感图像处理软件。
IHS是一种色彩模式,该模式将三原色图像转换为强度(I)、色度(H)、饱和度(S)三个分量,是人眼感知色彩的3个基本特征。I与地表粗糙度相对应,代表地物的空间几何特征,H代表地物的频谱特征,S代表颜色的纯度。运用该模式进行遥感影像全色波段与多光谱影像的融合是经典的空-谱融合方法。TU等推导了IHS、BROVEY、PCA、WT等融合成果的表达式(Te-ming TU等,Anew look at IHS-look image fusion methods,Information Fusion2,2001,177-18),发现BROVEY、PCA、WT等方法也具有IHS一样的融合表达结构,即融合后的波段是融合前的波段叠加一个增强分量b’=b+Δb,只不过不同的融合方法叠加的分量表达式不同,统称为类IHS方法。从融合过程出发,学者们将IHS方法、GS方法和PCA方法归结为一种广义的细节注入的成分替代法(肖亮等,多源空-谱遥感图像融合方法进展与挑战,中国图象图形学报,25(05),2020),进一步揭示了IHS融合方法的经典意义。
早期的IHS融合方法是将多光谱三个波段的RGB合成图像先转换成IHS模式,直接用全色影像替换I分量后进行逆变换转换成新的RGB图像,此新RGB图像即为融合成果。其优点是原理清晰、方法简单,其缺点是这样简单成分替换得到的融合结果虽然很好地保持了全色影像的细节,但通常会改变卫星遥感影像融合前后的光谱特性,引起光谱失真。为此,学者们对IHS融合工艺进行各种优化,最常见的优化是:
(1)将全色波段按照I分量进行直方图匹配,替换I分量后进行逆变换获得融合结果。这种匹配一定程度上改善了融合结果的光谱畸变情形,但效果并不显著。TU等采用饱和度补偿方法(Efficient intensity-hue-saturation-based image fusion withsaturation compensation(Te-Ming Tu,Shun-Chi Su,Hsuen-Chyun Shyu,Ping ShengHuang ect.,Optical Engineering,Vol.40No.5,May 2001:720-728))、张苗辉等采用多光谱影像各波段加权平均获得亮度分量I方法有效改善了融合结果的光谱保真度(张苗辉等,基于光谱范围的IHS改进融合方法研究,河南大学学报(自然科学版),2017年5月,第47卷第3期:317-322;胡佳伟等,基于AIHS的遥感影像融合方法及其应用研究,《信息技术与网络安全》,2018年第3期:61-64);
(2)也有不少研究者采用小波分析、轮廓波分析等将全色波段Pan与I分量进行融合(胡召玲等,Landsat7卫星多光谱图像与全色图像的数据融合,中国矿业大学学报,2004年1月,第33卷第1期:37-40;胡子付等,小波和IHS变换结合实现ETM图像融合,地球信息科学,2005年4月,第7卷第4期:29-32;后斌等,基于IHS变换与àtrous小波分解的遥感影像融合,南京师大学报(自然科学版),2006年3月,第29卷第1期,116-120;程三胜等,基于局部能量的àTrous小波和IHS变换的影像融合研究,测绘科学,2008年1月,第33卷第1期:93-95;刘慧等,改进NSCT和IHS变换相结合的遥感影像融合,中国图象图形学报,2014,19(2):322-327;王乐等,基于Contourlet和HIS变换相结合的影像融合方法,山东农业大学学报(自然科学版),2020,51(3):507-509;范明虎等,基于Atrous-HIS变换的多光谱遥感影像多核并行融合方法,河南师范大学学报(自然科学版),2022年7月,第50卷第4期:76-81);
(3)楚恒等采用植被区采用Brovey融合,非植被区采用IHS融合的方法改进IHS融合质量(楚恒等,一种高保真IKONOS卫星遥感影像融合方法,测绘通报,2008年第11期,34-37)。
此外,一般认为IHS同时融合的波段数量限制在3个波段,难以满足3个以上多光谱波段与全色波段融合的要求。
发明内容
针对传统IHS空-谱融合色彩信息变化大,对融合影像波段数量有限制等缺点,本发明提供了一种基于均值滤波的影像IHS空-谱融合方法、系统、计算机设备及计算机可读存储介质,突破了传统IHS融合的波段数量限制,且显著提高融合结果的多光谱影像光谱信息保真能力及高分辨率影像的空间细节信息。
本发明的第一个目的在于提供一种基于均值滤波的IHS空-谱融合方法。
本发明的第二个目的在于提供一种基于均值滤波的IHS空-谱融合系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种计算机可读存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于均值滤波的IHS空-谱融合方法,所述方法包括:
获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;
根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果。
进一步的,所述根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子,具体包括:
根据源波段的均值滤波图像与中介波段的均值滤波图像的差,构建基于均值滤波影像的空间信息提取因子;
按照目标波段的均值滤波图像的直方图同时对源波段及中介波段的均值滤波图像的直方图进行匹配,基于所述空间信息提取因子得到新的空间信息提取因子。
进一步的,所述新的空间信息提取因子为:
其中,μS、μI分别为源波段S、中介波段I的平均值,S-μA、I-μI分别为源波段、中介波段的均值滤波图像,σT、σS、σI分别为目标波段、源波段、中介波段的均方差;
以使E与目标波段线性无关,即令与(T-μT)无关,则有:
进而得到:
其中,μT为目标波段T的平均值,T-μT为目标波段的均值滤波图像,r(T,S)、r(T,I)分别为目标波段与源波段以及中介波段的相关系数。
进一步的,所述基于均值滤波图像的IHS空-谱融合表达式为:
其中,Tf为均值滤波图像的融合成果。
进一步的,所述计算每个中介波段对应的融合成果与目标波段和源波段的相关系数的公式如下:
其中,Tf为中介波段对应的融合成果,σTf为Tf的均方差;r(S,I)为S与I的相关系数。
进一步的,根据所述融合成果,获得目标波段的融合成果,具体为:
将所述融合成果直方图匹配到目标波段,获得目标波段的融合成果。
进一步的,所述目标波段的融合成果的表达式为:
其中:
μTf=0
其中,μT、μS、μI分别为目标波段T、源波段S、中介波段I的平均值;T-μT、S-μS、I-μI分别为目标波段、源波段、中介波段均值滤波图像;σT、σS、σI分别为目标波段、源波段、中介波段的均方差;μTf、σTf分别为融合成果Tf的均值与均方差,r(T,S)、r(T,I)、r(S,I)为分别为目标波段与源波段的相关系数、目标波段与中介波段的相关系数、源波段与中介波段的相关系数;R、C为融合成果Tf图像的行数、列数。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于均值滤波的IHS空-谱融合系统,所述系统包括:
获取模块,用于获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
选取模块,用于将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
构建模块,用于根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
优选及融合模块,用于根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
合并存储模块,用于将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的IHS空-谱融合方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现上述的IHS空-谱融合方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明为融合对象均值滤波图像的线性组合,空-谱融合的结构清晰,运算高效。该方法利用IHS融合的特点,以三波段组合的平均强度作为中介波段,以多光谱波段为目标,全色波段作为融合的数据源,按照全色波段与中介波段的均值滤波图像的差构建一个全色波段空间信息细节提取因子,并以叠加方式将全色波段的空间细节信息注入多光谱图像中,获得均值滤波图像的融合成果,再将其直方图匹配到与目标图像一致,实现全色空间细节与多光谱信息的融合。该融合算法结构简洁,空-谱融合的物理意义明确,计算高效;
2、本发明以融合目标驱动多中介波段的比选,便于获得相对最优的融合结果。IHS融合是目标波段、源波段、中介波段的均值滤波图像的线性组合,对于已知的目标波段、融合源、中介波段,可以先验确定融合成果与原始多光谱数据、全色数据的相关系数的大小,无需事后验证融合的效果,而是事先预知融合的效果。其中,中介波段为三个多光谱波段的平均强度。对于大于等于三的多光谱波段,任意一个待融合的多光谱波段,融合的中介波段有多种构造方案。以先验获得融合成果与多光谱影像、全色影像的相关系数为评价依据,优选最佳中介波段,实现以融合目标驱动方案选择,并按照优选中介波段进行IHS融合,获得相对最优的融合结果。融合成果的目视判别验证了最佳方案的有效性:相比原影像,融合后影像中地物的几何细节、纹理、边缘、层次等空间信息得到极大丰富,并且与原多光谱影像相比,在融合后多光谱影像中,水体、植被、裸露地表、建筑物等地物光谱特征和色彩显示保持基本稳定;
3、本发明突破了传统IHS对波段数量的限制,对融合目标影像的波段数量没有限制,具有开放性。以三个目标多光谱波段的平均值为中介对参与融合的每个多光谱波段逐个融合,融合目标影像波段数大于或等于3个都可以,既适用于所有具有全色波段与具有近红外、红、绿、蓝波段的多光谱卫星遥感影像的融合,也适用于仅有三个多光谱波段或更多光谱波段与全色波段的数据组合情形;突破了原有IHS融合目标影像的波段数量限制在3的局限,具有开放性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于均值滤波的IHS空-谱融合方法的简易流程图。
图2为本发明实施例2的基于均值滤波的IHS空-谱融合方法的具体流程图。
图3为本发明实施例3的全色波段影像图。
图4为本发明实施例3的多光谱各波段影像图,其中,(a)、(b)、(c)、(d)分别表示蓝波段(B)、绿波段(G)、红波段(R)、近红外(N)。
图5为本发明实施例3的多光谱RGB真彩色合成影像图。
图6为本发明实施例3的融合后的近红外波段影像图。
图7为本发明实施例3的融合后的红波段影像图。
图8为本发明实施例3的融合后的绿波段影像图。
图9为本发明实施例3的融合后的蓝波段影像图。
图10为本发明实施例3的融合后的多光谱R‘G’B’波段真彩色合成图。
图11为本发明实施例3的融合后的多光谱N’R‘G’波段标准假彩色合成图。
图12为本发明实施例4的基于均值滤波的IHS空-谱融合系统的结构框图。
图13为本发明实施例5的计算机设备的结构框图。
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、完整的描述,显然,所描述的实施例是本发明的一部分实施例,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。
实施例1:
影像融合效果评价技术包括目视评价和定量评价,具体说明如下:
1)目视评价:正如人们所知,原始全色波段遥感影像的空间分辨率高,地物的位置、大小、边界、空间细节等纹理等特征信息丰富,但其只有一个单波段数据,光谱信息匮乏,影像色彩单一,通常难以直接应用;而原始的多光谱影像波段数量多,目前常用的卫星遥感平台(如GF、ZY、SPOT、QB、WV等系列)都设置有近红外、红光、绿光和蓝光等波段,因此多光谱影像的地物光谱信息丰富,能够很好的反映水体、建筑物、裸露地表、植被等地物丰富的光谱和色彩信息。通常需要将卫星影像高空间分辨率的全色波段与高光谱分辨率的多光谱波段进行融合增强处理,获得既具有高空间分辨率的地物纹理与细节信息,又保持地物丰富光谱和色彩信息的遥感影像。目视选取原始影像和融合影像的典型水域、裸露地表、建筑物、植被等地物类别,定性比较地物的空间精度、清晰度、几何纹理、细节层次、色彩层次和光谱稳定性等指标,可以目视评价影像融合的效果。
2)定量评价:在一定程度上是目视评价指标的定量化。对于遥感影像融合而言,既要保障融合后的多光谱影像的纹理、层次、细节等几何空间信息的丰富度和清晰度,又要保证融合前后遥感影像精细光谱特征和色彩信息的稳定性。总体上可以从以下方面对融合前后遥感影像的质量进行定量评价:其一,融合前后影像色彩的丰富、明亮程度,可用波段统计特征——最大值、最小值、均值、标准差及波段之间的相关性指标——相关系数、协方差等指标来衡量;其二,融合前后影像整体信息的丰富程度,可用影像波段的信息熵等指标来度量;其三,融合前后影像的层次(边缘)、细节(纹理)和影像的清晰程度,可以用梯度、平均梯度等指标来衡量;其四,融合前后影像信息的一致性与继承性,即融合后多光谱影像与全色波段及原多光谱波段信息相关性的高低,能反映出融合影像对原影像空间信息和光谱信息的继承程度,若融合影像与全色影像的相关性高说明其很好注入了全色影像的空间几何细节信息,若融合影像与原多光谱波段的相关性高就说明很好保留了多光谱影像的精细光谱信息,从而能够评价影像融合的质量。通过比较融合前后影像各自指标的差异,就能对影像的光谱(灰度、色调)信息、边缘(层次、差异)信息、纹理(细节)信息的变化方向进行分析,从而判断融合影像质量的优劣。
对于空-谱融合有两个基本指标反映几何清晰度及光谱保真度——融合结果与原始多光谱数据的相关系数以及与全色波段的相关系数。一般认为与多光谱相关系数越高,光谱特性保真越好,信息熵也越大;融合结果与全色波段的相关系数越高,平均梯度比值越大,几何清晰度越高,影像细节保持越好。因此,这两个基本指标可以作为比较初步判断系列融合方法、方案,再辅以其他指标综合判断融合方法、方案和融合效果的优劣。IHS方法可以先验地计算融合成果的两个相关系数,因而可以比较不同的I构造下IHS方法融合的优劣。
对于通常的低分辨率多光谱数据和高分辨率的全色数据融合,传统的IHS融合方法一般将低分辨率多光谱影像作为融合的目标数据波段T,高分辨率的全色影像作为融合的源数据波段S,将合成彩色影像的三个多光谱波段的平均强度作为融合的中介波段I,将全色影像与多光谱平均强度之差提取的高分辨率空间信息注入多光谱波段。传统的IHS融合方法对融合影像波段数量有限制。
事实上,空谱数据的融合,无论低分辨率的多光谱波段有多少个,其融合过程本质上是任一多光谱波段与全色波段融合后的集合。因而IHS的融合方法与PCA、GS融合等任意波段融合方法没有本质差别,同样可以做到任意多个波段的融合。
针对传统IHS空-谱融合色彩信息变化大,对融合影像波段数量有限制等缺点,本实施例提供了一种基于均值滤波的IHS空-谱融合方法,该方法对目标波段T、源波段S及中介波段I进行均值滤波,按照目标波段均值滤波影像的直方图同时对源波段及中介波段的均值滤波影像进行直方图匹配,使三者均有一致的直方图,有效提高融合结果与目标影像的光谱保真能力;构建基于均值滤波及直方图匹配的空间信息提取因子,并使其与目标波段线性无关,有效减少冗余信息融合到目标影像,提高空间细节的清晰度;按照IHS的基本原理,构建基于均值滤波的影像IHS变换空-谱融合线性组合表达式。以先验计算的两个融合评价指标——融合成果F与目标波段T、源波段S的相关系数为依据,在目标波段对应的多个平均强度中优选最佳中介波段I,计算均值滤波图像的融合成果,再将其直方图匹配到目标影像,获得目标影像的最终融合成果。该方法中多光谱影像中的波段数量可以大于等于3,既突破了IHS融合的波段数量3的限制,又在保持全色图像空间细节的同时提高了IHS融合的光谱保持能力。
如图1所示,本实施例的基于均值滤波的影像IHS空-谱融合方法,具体包括以下步骤:
S101、获取融合源遥感影像和融合目标遥感影像。
将融合源遥感影像中的全色波段作为源波段,将融合目标遥感影像中任一波段作为目标波段。
本实施例中,融合目标遥感影像为低分辨率多光谱影像——近红外(N)、红(R)、绿(G)、蓝(B),记多光谱影像中的任一波段为目标波段T,任取多光谱影像的其他两个波段与目标波段T进行彩色组合,则其平均强度记为I,I作为中介波段;融合源遥感影像为高分辨率全色影像(P),全色波段为源波段S。
S102、根据融合源遥感影像和融合目标遥感影像,构建空间信息提取因子。
(1)IHS融合的基本原理。
基于IHS的成分替代融合方法可看作是一个以I为中介波段将全色波段S的空间细节注入多光谱波段T的过程。传统的IHS融合具有基本的表达式Tf=T+(S-I),其中T为低分辨率的多光谱波段,这里为融合的目标波段;S为高分辨率的全色波段,这里为融合的源波段;I为组成彩色影像的三个多光谱波段的平均强度,这里为融合的中介波段。(S-I)为空间细节提取因子。基本表达式的含义是将空间细节提取因子直接叠加到目标影像上,获得目标影像融合成果。
(2)构建基于均值滤波影像的空间信息提取因子。
不同波段遥感影像的平均值反映了该波段频率下的表征能量,代表各波段区别于其他波段的背景光谱信息。均值滤波后的遥感影像则反映了该波段影像不同地物光谱的空间分布特征,代表了不同波段的空间细节信息。每个波段影像可以分解为背景光谱信息与空间分布特征信息的和,或者说每个波段可以分解为光谱信息与空间信息两个部分。
设μT、μS、μI分别为T、S、I的平均值,有:
T=(T-μT)+μT
S=(S-μS)+μS
I=(I-μI)+μI
T-μT、S-μS、I-μI分别为目标波段、源波段、中介波段均值滤波图像,其均值均为0,均方差与原图像相同,分别为σT、σS、σI。
基于均值滤波影像构建的空间信息提取因子为:E=(S-μS)-(I-μI)。
以均值滤波后的低分辨率多光谱图像和高分辨率全色图像为基础,先对目标波段的空间分布信息进行IHS融合,得到:
Tf=(T-μT)+[(S-μS)-(I-μI)]
其中,Tf为目标波段与全色波段的的IHS空-谱融合成果。
(3)线性无关空间信息提取因子的构造与融合表达式。
为了使Tf保持(T-μT)的光谱特征,合理的处理方式是将(S-μS)、(I-μI)两者的直方图均匹配到与(T-μT)一致,进而得到新的空间细节提取因子为:
若E与(T-μT)不相关,E与(T-μT)之间无冗余信息,能够有效消除空间信息提取因子与目标波段之间的信息冗余,既有利于保持多光谱信息的光谱特征,又有利于保持空间信息的清晰度。
令与(T-μT)无关,则有:
进而得到:
S103、根据空间信息提取因子,构建基于均值滤波图像的IHS空-谱融合表达式。
根据空间信息提取因子,则均值滤波图像的IHS空-谱融合表达式为:
将Tf直方图匹配到与T直方图一致,使融合成果具有与原目标成果同样的均值和均方差,则:
其中:
μTf=0
μTf、σTf分别为Tf的均值与均方差,r(T,S)、r(T,I)、r(S,I)分别为目标波段与源波段的相关系数、目标波段与中介波段的相关系数、源波段与中介波段的相关系数。
F即为基于均值滤波的影像IHS空-谱融合表达式。这个表达式深层次揭示了IHS空-谱融合的原理。
S104、以先验计算的两个融合评价指标为依据,在目标波段对应的多个平均强度中优选最佳中介波段;根据最佳中介波段利用影像IHS空-谱融合表达式,计算目标波段的融合成果。
(1)融合成果的相关系数先验计算方法。
对形如F=k{(T-μT)+[Ks(S-μS)-KI(I-μI)]}+μT、Tf=(T-μT)+[Ks(S-μS)-KI(I-μI)]的线性组合融合方案,一旦确定了融合的目标图像T、融合源图像S、中介波段I,则融合成果的两个评价基本指标——与目标图像(多光谱图像)的相关系数、与源图像(全色图像)的相关系数就可以根据匹配参数k、kS、kI计算得到;其中,
设F与目标波段T的相关系数、与融合源波段S的相关系数分别为r(T,F),r(S,F),Tf与目标波段T的相关系数、与融合源波段S的相关系数分别为r(T,Tf),r(S,Tf),容易证明r(T,F)=r(T,Tf),r(S,F)=r(S,Tf),则:
μTf=0
Cov(T,Tf)=Cov(T,T)=σT 2
其中,R为对应波段图像的行数,C为对应波段图像的列数。
(2)选择最佳中介波段,并根据最佳中介波段计算目标波段的融合成果。
本实施例中对于每一个目标波段T,都有三组不同的I作为中介波段,由此计算得到三组相关系数r1(T,Tf),r1(S,Tf)及Δ1=r1(T,Tf)+r1(S,Tf);r2(T,Tf),r2(S,Tf)及Δ2=r2(T,Tf)+r2(S,Tf);r3(T,Tf),r3(S,Tf)及Δ3=r3(T,Tf)+r3(S,Tf)。
选取r(T,Tf)>r(S,Tf),且Δ最大的中介波段I计算目标波段均值滤波图像的融合成果Tf,即:
/>
再将Tf直方图匹配到与T一致,得到目标波段T的融合成果F,即:
至此完成多光谱波段T、全色波段S的空-谱融合。当多光谱波段数量大于等于三时,可以按照上步骤逐波段完成融合。这样既突破了IHS融合的波段数量限制,又在保持全色图像空间细节的同时提高了IHS融合的光谱保持能力。
S105、对各目标波段对应的融合成果进行合并并存储。
将融合目标遥感影像中的每一个波段作为目标波段,在每个目标波段对应的多个中介波段中优选最佳中介波段,并计算对应的目标波段的融合成果,自此完成多光谱波段与全色波段的IHS空-谱融合,将IHS空-谱融合成果进行合并,获得融合目标影像的最终融合成果。
当多光谱波段数量大于等于3时,可以按照上述步骤S101~S104逐波段完成融合。这样既突破了IHS融合的波段数量限制,又在保持全色图像空间细节的同时提高了IHS融合的光谱保持能力。
本实施例提供的方法,适用于将遥感影像的全色波段与多光谱波段进行融合,以增强多光谱影像的空间分辨率与几何纹理信息,在大幅提升多光谱影像的空间分辨率与空间几何细节信息的同时,能够实现原多光谱影像和融合后多光谱影像的光谱特征和色彩信息的一致。
实施例2:
如图2所示,本实施例对基于均值滤波的IHS空-谱融合方法作进一步详细的说明,具体如下:
步骤一:输入融合源遥感影像S,S为全色波段影像P。
步骤二:输入融合目标影像T,T为近红外N、红R、绿G、蓝B等多光谱波段影像中的任一波段。
步骤三:配准与采样。将融合源影像与融合目标影像进行空间配准,使上述两种影像中同一地物的几何空间位置一致。并将融合目标波段影像T按高空间分辨率影像重采样,封装所有融合对象到一个文件。
步骤四:统计所有目标影像、融合源影像的均值、均方差及协方差矩阵。
见表1、表2。
表1融合对象均值、方差表
表2融合对象协方差矩阵
步骤五:对目标影像逐一进行中介波优选及融合计算。
(1)对目标影像T=N,S=P进行方案比选和融合计算。
(1-1)设融合的中介波段I=(N+R+G)/3,则其均值、均方差计算如下:
μI=(μN+μR+μG)/3
Cov(I,I)=[Cov(N,N)+Cov(R,R)+Cov(G,G)+2Cov(N,R)+2Cov(N,G)+2Cov(R,G)]/9
对应均值滤波图像的IHS融合方案为:
此时,Tf与目标波段T=N及源波段S=P的相关系数及其和分别记为:
Δ1=r1(T,Tf)+r1(S,Tf)
其中:
(1-2)设融合的中介波段I=(N+R+B)/3,按照(1)的计算方法,可得r2(T,Tf)、r2(S,Tf)及Δ2=r2(T,Tf)+r2(S,Tf)。
(1-3)设融合的中介波段I=(N+G+B)/3,按照(1)的计算方法,可得r3(T,Tf)、r3(S,Tf)及Δ3=r3(T,Tf)+r3(S,Tf)。
(1-4)在上述三种中介波段方案中,取r(T,Tf)≥r(S,Tf),且Δ=r(T,Tf)+r(S,Tf)最大者为IHS融合的中介波段。
(1-5)根据确定的I计算融合成果。
其中为/> 的均方差。
(2)依照T=N,S=P时的计算流程,对目标影像T=R,S=P的三个I=(N+R+G)/3、I=(N+R+B)/3、I=(R+G+B)/3进行方案比选和融合计算,得:
其中为/> 的均方差。
(3)依次类推对目标影像T=G,S=P的三个I=(N+R+G)/3、I=(N+G+B)/3、I=(R+G+B)/3进行方案比选和融合计算,得:
其中为 的均方差。
(4)最后对目标影像T=B,S=P的三个I=(N+R+B)/3、I=(N+G+B)/3、I=(R+G+B)/3进行方案比选和融合计算,得:
其中为/> 的均方差。
由此得到的所有多光谱波段与全色波段的IHS空-谱融合成果。
步骤六:合成并存储多光谱融合影像成果。
实施例3:
为实现基于均值滤波的遥感影像IHS空-谱融合的目的,本实施例主要利用ENVI遥感图像处理软件来实现,以一幅具有全色波段(P)、蓝波段(B)、绿波段(G)、红波段(R)、近红外(N)的卫星遥感影像图进一步描述。
(1)输入遥感影像图。
打开一幅具有全色波段(P)、蓝波段(B)、绿波段(G)、红波段(R)、近红外(N)的国产GF6遥感影像(案例影像取自GF6_PMS_E112_8_N23_2_20210118_L1A1120072629)。图3、4、5分别为全色波段图(2米分辨率)、多光谱各波段图(8米分辨率)、多光谱RGB影像图(8米分辨率)(按照envi缺省设置1%拉伸的效果图)。
(2)利用ENVI软件将全色波段P和多光谱波段B、G、R、N按高空间分辨率的融合源影像重采样,合成一个影像文件,然后计算各波段影像的均值μ、标准差σ等影像特征统计参数。各波段影像基本特征统计参数见表3、4。
表3各波段影像均值、均方差统计参数表
影像波段 | 均值/μ | 均方差/σ |
近红外N | 1205.967693 | 617.606258 |
红波段R | 789.444254 | 415.289068 |
绿波段G | 826.7832 | 297.752981 |
蓝波段B | 758.198332 | 195.501797 |
全色波段P | 820.062867 | 352.608833 |
表4各波段影像协方差矩阵统计表
协方差 | N | R | G | B | P |
N | 381437.5 | 184939.2 | 116241.4 | 73740.44 | 190815.7 |
R | 184939.2 | 172465 | 121565.7 | 77992.9 | 132379.6 |
G | 116241.4 | 121565.7 | 88656.84 | 57423.18 | 90131.37 |
B | 73740.44 | 77992.9 | 57423.18 | 38220.95 | 57601.37 |
P | 190815.7 | 132379.6 | 90131.37 | 57601.37 | 124333 |
(3)对目标影像逐一进行中介波段优选及融合计算。
(3-1)目标影像波段融合中介波段优选,见表5。
表5各目标波段影像融合的中介波段优选表
由上表可知,在本案例中,根据中介波段优选原则——多光谱相关系数大于全色波段相关系数,且两者之和最大,目标波段近红外波段的中介波段选取I=(N+G+B)/3;目标波段红波段、绿波段的中介波段选取I=(N+R+G)/3;目标波段蓝波段的中介波段选取I=(N+G+B)/3。
(3-2)目标影像波段融合计算。
a.目标波段近红外波段对应的融合运算表达式为uint(0.961745*((b1-1205.967693)+(1.751534*(b2-820.062867)-1.754684*(b3-930.316408))+1205.967693+0.5),其中b1为近红外波段(N),b2为全色波段P,b3为优选的中介波段I,计算获得融合后的近红外波段(NF)影像(2米分辨率)见图6。
b.目标波段红波段对应的融合运算表达式为uint(0.963751*(b1-789.444254)+(1.177761*(b2-820.062867)-0.976543*(b3-940.731746))+789.444254+0.5),其中b1为红波段(R),b2为全色波段P,b3为优选的中介波段I,计算获得融合后的红波段(RF)影像(2米分辨率)见图7。
c.目标波段绿波段对应的融合运算表达式为uint(0.963746*(b1-826.783200)+(0.844429*(b2-820.062867)-0.699399*(b3-940.731746))+826.783200+0.5),其中b1为绿波段(G),b2为全色波段P,b3为优选的中介波段I,计算获得融合后的绿波段(GF)影像(2米分辨率)见图8。
d.目标波段蓝波段对应的融合运算表达式为uint(0.961766*(b1-758.198332)+(0.554444*(b2-820.062867)-0.565637*(b3-930.316396))+758.198332+0.5),其中b1为蓝波段(G),b2为全色波段P,b3为优选的中介波段I,计算获得融合后的蓝波段(BF)影像(2米分辨率)见图9。
(4)合成重构的彩色影像图。
将融合后的红波段(NF)、绿波段(GF)与蓝波段(BF)按照红、绿、蓝通道合成的真彩色影像(2米分辨率)如图10;将融合后的近红外波段(NF)、红波段(RF)与绿波段(GF)按照红、绿、蓝通道合成的标准假彩色影像(2米分辨率)如图11。
本案例将GF6原始多光谱影像、本发明方法融合多光谱影像、Gram-Schmidit方法融合多光谱影像这三种遥感影像进行了波段数据统计分析,其影像波段统计特征参数对比见表6。由表中数据可见,对比原始多光谱影像,采用本发明方法融合后的多光谱影像的空间分辨率从原来的8米提高到2米,影像空间精度大幅提升;融合后影像同时兼具了原多光谱波段和全色波段的影像,信息一致性指标从0.934提高到0.939;多光谱波段的信息熵稍有降低,但波段的梯度信息得到了大幅度增强,融合后多光谱影像的地物空间信息更加丰富,利于地物识别、解译、分析等各类影像应用的开展。由表中数据可见,与采用Gram-Schmidt方法融合得到的多光谱影像对比,采用本发明方法融合后的多光谱影像真彩色和标准假彩色组合图像的梯度指标数据更好,对地物的细节和纹理特征表达更好,而信息熵指标数据稍低,两种影像融合方法各有特点,总体性能不分伯仲。
本实施例针对传统IHS空-谱融合色彩信息变化大,对融合影像波段数量有限制等缺点,提供了一种基于均值滤波的影像IHS空-谱融合方法,主要针对具有全色波段和近红外、红、绿、蓝波段等多光谱波段的遥感影像。首先,该方法对目标波段T、源波段S及中介波段I进行均值滤波,按照目标波段均值滤波影像的直方图同时对源波段及中介波段的均值滤波影像进行直方图匹配,使三者均有一致的直方图,有效提高融合结果与目标影像的光谱保真能力;其次,构建基于均值滤波及直方图匹配的空间信息提取因子,并使其与目标波段线性无关,有效减少冗余信息融合到目标影像,提高空间细节的清晰度;然后,按照IHS的基本原理,构建基于均值滤波的影像IHS变换空-谱融合线性组合表达式,并且以先验计算的两个融合评价指标——融合成果F与目标波段T、源波段S的相关系数为依据,在目标波段对应的多个平均强度中优选最佳中介波段I;最后,计算均值滤波图像的融合成果,再将其直方图匹配到目标影像,获得目标影像的最终融合成果。该方法既突破了IHS融合的波段数量限制,又在保持全色图像空间细节的同时提高了IHS融合的光谱保持能力。该技术方法理论基础扎实、物理意义明确,应用对象广泛,操作简便、运算效率高。融合后的影像色彩鲜明、信息丰富、光谱信息稳定、易于目视和自动分类,尤其在当前高分辨率卫星遥感快速发展背景下,对于推动国产高分辨率影像在国内外各行各业的推广应用具有巨大的促进作用。
表6原始多光谱影像、本方法融合影像、GS融合影像的波段统计特征参数对比表
/>
本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读取存储介质中。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例4:
如图12所示,本实施例提供了一种基于均值滤波的IHS空-谱融合系统,该系统包括获取模块1201、选取模块1202、构建模块1203、优选及融合模块1204和合并存储模块1205,各个模块的具体功能如下:
获取模块1201,用于获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
选取模块1202,用于将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
构建模块1203,用于根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
优选及融合模块1204,用于根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
合并存储模块1205,用于将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的系统仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配给不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例5:
如图13所示,本实施例提供了一种计算机设备,其包括通过系统总线1301连接的处理器1302、存储器、输入装置1303、显示装置1304和网络接口1305。其中,处理器1302用于提供计算和控制能力,存储器包括非易失性存储介质1306和内存储器1307,该非易失性存储介质1306存储有操作系统、计算机程序和数据库,该内存储器1307为非易失性存储介质1306中的操作系统和计算机程序的运行提供环境,计算机程序被处理器1302执行时,实现上述实施例1的IHS空-谱融合方法,如下:
获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;
根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果。
实施例6:
本实施例提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1的IHS空-谱融合方法,如下:
获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;
根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果。
综上所述,本发明适用于将遥感影像的全色波段与多光谱波段进行融合,以增强多光谱影像的空间分辨率与几何纹理信息,在大幅提升多光谱影像的空间分辨率与空间几何细节信息的同时,能够实现原多光谱影像和融合后多光谱影像的光谱特征和色彩信息的一致。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于均值滤波的IHS空-谱融合方法,其特征在于,所述方法包括:
获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;
根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果;
其中,所述新的空间信息提取因子为:
式中,μS、μI分别为源波段S、中介波段I的平均值,S-μS、I-μI分别为源波段、中介波段的均值滤波图像,σT、σS、σI分别为目标波段T、源波段S、中介波段I的均方差,r(T,s)、r(T,I)分别为T与S、T与I的相关系数。
2.根据权利要求1所述的IHS空-谱融合方法,其特征在于,所述根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子,具体包括:
根据源波段的均值滤波图像与中介波段的均值滤波图像的差,构建基于均值滤波影像的空间信息提取因子;
按照目标波段的均值滤波图像的直方图同时对源波段及中介波段的均值滤波图像的直方图进行匹配,基于所述空间信息提取因子得到新的空间信息提取因子。
3.根据权利要求1或2所述的IHS空-谱融合方法,其特征在于,所述新的空间信息提取因子通过如下过程获得:
将源波段的均值滤波图像S-μS和中介波段的均值滤波图像I-μI的直方图均匹配到与目标波段的均值滤波图像T-μT一致,得到新的空间信息提取因子为:
以使E与目标波段线性无关,即令与(T-μT)无关,则有:
进而得到最终的新的空间信息提取因子E为:
其中,μT为目标波段T的平均值。
4.根据权利要求1所述的IHS空-谱融合方法,其特征在于,所述基于均值滤波图像的IHS空-谱融合表达式为:
其中,Tf为均值滤波图像的融合成果。
5.根据权利要求1所述的IHS空-谱融合方法,其特征在于,所述计算每个中介波段对应的融合成果与目标波段和源波段的相关系数的公式如下:
其中,Tf为中介波段对应的融合成果,σTf为Tf的均方差;r(S,I)为S与I的相关系数。
6.根据权利要求1所述的IHS空-谱融合方法,其特征在于,根据所述融合成果,获得目标波段的融合成果,具体为:
将所述融合成果直方图匹配到目标波段,获得目标波段的融合成果。
7.根据权利要求1~6任一项所述的IHS空-谱融合方法,其特征在于,所述目标波段的融合成果的表达式为:
其中:
μTf=0
其中,μT、μS、μI分别为目标波段T、源波段S、中介波段I的平均值;T-μT、S-μS、I-μI分别为目标波段、源波段、中介波段均值滤波图像;σT、σS、σI分别为目标波段、源波段、中介波段的均方差;μTf、σTf分别为融合成果Tf的均值与均方差,r(T,S)、r(T,I)、r(S,I)为分别为目标波段与源波段的相关系数、目标波段与中介波段的相关系数、源波段与中介波段的相关系数;R、C为融合成果Tf图像的行数、列数。
8.一种基于均值滤波的IHS空-谱融合系统,其特征在于,所述系统包括:
获取模块,用于获取融合源遥感影像和融合目标遥感影像,所述融合目标遥感影像中的光谱波段数至少为三个;
选取模块,用于将融合源遥感影像中的全色波段作为源波段,从融合目标遥感影像的多光谱波段中任取一波段作为目标波段,并从多光谱波段中取任其他两波段与目标波段进行彩色组合,将彩色组合的平均强度作为目标波段对应的中介波段;
构建模块,用于根据源波段与中介波段的均值滤波图像,构建新的空间信息提取因子;基于新的空间信息提取因子和目标波段的均值滤波图像,构建基于均值滤波图像的IHS空-谱融合表达式;
优选及融合模块,用于根据目标波段对应的至少一个中介波段,分别计算每个中介波段对应的融合成果与目标波段和源波段的相关系数;以融合成果与目标波段的相关系数大于融合成果与源波段的相关系数,且融合成果与目标波段和源波段的相关系数的和为最大作为评价依据,从目标波段对应的中介波段中选择一个作为最佳中介波段;根据最佳中介波段,利用IHS空-谱融合表达式计算融合成果;根据所述融合成果,获得目标波段的融合成果;
合并存储模块,用于将融合目标遥感影像中的每个波段作为目标波段,得到每个目标波段的融合成果;将所有目标波段的融合成果进行合并存储,即为融合目标遥感影像的最终融合成果;
其中,所述新的空间信息提取因子为:
式中,μS、μI分别为源波段S、中介波段I的平均值,S-μS、I-μI分别为源波段、中介波段的均值滤波图像,σT、σS、σI分别为目标波段T、源波段S、中介波段I的均方差,r(T,S)、r(T,I)分别为T与S、T与I的相关系数。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的IHS空-谱融合方法。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的IHS空-谱融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877785.XA CN117058053B (zh) | 2023-07-18 | 2023-07-18 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877785.XA CN117058053B (zh) | 2023-07-18 | 2023-07-18 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058053A CN117058053A (zh) | 2023-11-14 |
CN117058053B true CN117058053B (zh) | 2024-04-05 |
Family
ID=88665296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310877785.XA Active CN117058053B (zh) | 2023-07-18 | 2023-07-18 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058053B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274763B (zh) * | 2023-11-21 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489111A (zh) * | 2003-08-21 | 2004-04-14 | 上海交通大学 | 基于局部统计特性和彩色空间变换的遥感影像融合方法 |
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及系统 |
CN111476746A (zh) * | 2020-03-19 | 2020-07-31 | 航天信德智图(北京)科技有限公司 | 一种基于ihs变换与自适应区域特征的遥感图像融合方法 |
CN111539900A (zh) * | 2020-04-24 | 2020-08-14 | 河南大学 | 一种基于引导滤波的ihs遥感图像融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7340099B2 (en) * | 2003-01-17 | 2008-03-04 | University Of New Brunswick | System and method for image fusion |
CN103942768B (zh) * | 2013-01-18 | 2017-05-24 | 诺基亚技术有限公司 | 图像融合的方法和装置 |
-
2023
- 2023-07-18 CN CN202310877785.XA patent/CN117058053B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1489111A (zh) * | 2003-08-21 | 2004-04-14 | 上海交通大学 | 基于局部统计特性和彩色空间变换的遥感影像融合方法 |
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及系统 |
CN111476746A (zh) * | 2020-03-19 | 2020-07-31 | 航天信德智图(北京)科技有限公司 | 一种基于ihs变换与自适应区域特征的遥感图像融合方法 |
CN111539900A (zh) * | 2020-04-24 | 2020-08-14 | 河南大学 | 一种基于引导滤波的ihs遥感图像融合方法 |
Non-Patent Citations (4)
Title |
---|
Huanfeng Shen School of Resources and Environmental Sciences, Wuhan University, Wuhan, China * |
Xiangchao Meng ; Liangpei Zhang.An Integrated Framework for the Spatio–Temporal–Spectral Fusion of Remote Sensing Images.《 IEEE Transactions on Geoscience and Remote Sensing》.2016,第7135 - 7148页. * |
基于AIHS的遥感影像融合方法及其应用研究;胡佳伟,刘军清,汪康,陈鹏,李伟生;《网络安全与数据治理》;20180331;第61-64+69页 * |
结合自适应滤波和SFIM的IHS影像融合方法;唐育林,黄登山,陈抒录,肖远平,陈朋明;《湘潭大学学报(自然科学版)》;20230430;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058053A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
Amolins et al. | Wavelet based image fusion techniques—An introduction, review and comparison | |
CN117058053B (zh) | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 | |
CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
CN108921809B (zh) | 整体原则下基于空间频率的多光谱和全色图像融合方法 | |
Smith et al. | Classification of archaeological ceramic fragments using texture and color descriptors | |
CN112819737A (zh) | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 | |
CN113570536B (zh) | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 | |
CN111563866B (zh) | 一种多源遥感图像融合方法 | |
CN115082582B (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
Hang et al. | Prinet: A prior driven spectral super-resolution network | |
Liu et al. | Circle-net: An unsupervised lightweight-attention cyclic network for hyperspectral and multispectral image fusion | |
Bao et al. | A novel remote sensing image fusion approach research based on HSV space and bi-orthogonal wavelet packet transform | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN116109535A (zh) | 一种图像融合方法、设备及计算机可读存储介质 | |
CN116309227A (zh) | 基于残差网络与空间注意力机制的遥感图像融合方法 | |
CN117197625B (zh) | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 | |
CN117274763B (zh) | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 | |
CN115082344A (zh) | 基于细节注入的双分支网络全色锐化方法 | |
CN117253125B (zh) | 一种空-谱互注图像融合方法、系统及可读存储介质 | |
CN116977868B (zh) | 一种基于特征匹配的影像乘积融合方法、系统及存储介质 | |
CN106056543A (zh) | 一种基于主成分分析法的高光谱图像增强方法 | |
CN106855947B (zh) | 基于核互模态因素分析核融合的多光谱图像变化检测方法 | |
CN116309216B (zh) | 基于多波段的伪彩色图像融合方法及图像融合系统 | |
Wang et al. | Self-regression learning for blind hyperspectral image fusion without label |
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 |