CN117475272B - 基于指数函数空间的特征曲线的遥感影像融合方法及系统 - Google Patents
基于指数函数空间的特征曲线的遥感影像融合方法及系统 Download PDFInfo
- Publication number
- CN117475272B CN117475272B CN202311815741.0A CN202311815741A CN117475272B CN 117475272 B CN117475272 B CN 117475272B CN 202311815741 A CN202311815741 A CN 202311815741A CN 117475272 B CN117475272 B CN 117475272B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- bands
- remote sensing
- ratio index
- function
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 238000013519 translation Methods 0.000 claims abstract description 29
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 99
- 230000000694 effects Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 239000011435 rock Substances 0.000 description 5
- 239000002689 soil Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- -1 desert Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10041—Panchromatic 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
- G06T2207/20048—Transform domain 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于指数函数空间的特征曲线的遥感影像融合方法及系统,包括:获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;将近红外波段与其他波段中一个或多个进行融合;以融合后的结果为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的平移变换函数空间;根据平移变换函数空间的特征曲线构建增量系数函数,进而得到增强系数函数;将利用增强系数函数对红、绿波段进行增强后的波段与原始蓝波段进行合成。本发明使真彩色影像绿色植被特征得到有效增强,改善了植被的目视可分性和计算机解析能力,同时拓展了其应用范围和应用潜力。
Description
技术领域
本发明属于遥感影像融合技术领域,特别是涉及一种基于指数函数空间的特征曲线的遥感影像融合方法、系统、计算机设备及计算机可读存储介质。
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,具有不同的空间分辨率、时间分辨率、光谱分辨率等影像日益丰富。近二十多年来,遥感影像时空融合作为遥感图像处理的新方向,各种融合技术飞速发展,取得了系列新成果。但针对多光谱图像谱间融合的研究很少,主要集中在真彩色影像模拟或植被增强处理中。
随着遥感应用在各行各业的普及应用,可见光多光谱卫星遥感真彩色影像具有所见即所得的优良特性,成为应用最广泛的遥感影像图种之一。但存在植被色彩不自然不真实等固有缺陷,制约了其应用成效。如何有效增强可见光卫星遥感真彩色影像的植被特征是可见光卫星遥感真彩色图像处理的重点和难点。相关研究人员为此做了卓有成效的探索,为进一步解决相关问题奠定了理论和技术基础。
陈春等基于卫星遥感初级产品,对遥感数据进行瑞利散射纠正后使色彩信号图像接近于地面真彩色影像(陈春等,遥感信源色彩信号的提取与复现测绘科学,2006年1月,第31卷第1期;韩秀珍等,风云三号 D 星真彩色影像合成方法研究及应用,海洋气象学报,2019年5月,第39卷第2期)。游晶等利用白平衡法和基于色度学的色彩纠正改善真彩色影像的植被特征,获得了更为真实的真彩色图像(游晶等,一种处理彩色多光谱图像的白平衡法,大气与环境光学学报,2012年7月第7卷第4期;黄红莲等,基于人工靶标的多光谱遥感图像真彩色合成,2016年11月,第45 卷第11期)。
樊旭艳等基于遥感影像二级处理后的产品,通过绿色波段增强处理获得相对较好的真彩色影像。早期主要多采用绿色波段与近红外波段整体加权组合运算方案获得新的绿波段(樊旭艳等,基于主成分分析的遥感图像模拟真彩色融合法,测绘科学技术学报,2006年8月,第23卷第4期;王海燕等,ALOS自然色影像变换及融合方法探讨,测绘技术装备,2012年第14卷第1期;史园莉等,高分二号卫星遥感影像制图适用性分析,测绘通报,2017年第12期);后来逐步发展为以归一化植被指数作为分类函数对影像植被像元进行分类加权处理得到新的绿波段(张伟等,基于植被指数的多光谱影像真彩色合成方法,测绘与空间地理信息,2010年12月33卷 第6期);最近发展为利用归一化的植被指数分段对绿波段与近红外波段进行 Contourlet 融合,得到新的绿波段图像(丁慧梅,利用近红外提高多光谱遥感图像颜色自然性研究,硕士论文,2016年)。
发明内容
针对卫星遥感真彩色影像植被等地物暗淡,色彩不自然等缺点,本发明提供了一种基于指数函数空间的特征曲线的遥感影像融合方法、系统、计算机设备及计算机可读存储介质,以提高真彩色遥感影像目视分辨力和计算机解析力,挖掘历史遥感数据真彩色影像模式的应用潜力,改善现状和未来遥感数据真彩色影像模式的应用效果,为卫星遥感真彩色影像制图在普通用户手机和电脑等网络平台的导航应用、户外和室内等实体空间的观察、分析应用提供基础。特别是在AI时代,遥感影像目视分类是AI自动分类训练样本选择的关键环节,更加凸显遥感影像目视分类能力在AI自动分类中的基础作用,也有利于拓展真彩色卫星遥感影像专业用户地物目视分类和自动分类在各行各业的应用空间。在当前高分辨率卫星遥感快速发展背景下,本发明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。
本发明的第一个目的在于提供一种基于指数函数空间的特征曲线的遥感影像融合方法。
本发明的第二个目的在于提供一种基于指数函数空间的特征曲线的遥感影像融合系统。
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:
一种基于指数函数空间的特征曲线的遥感影像融合方法,所述方法包括:
获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;
根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
根据增量系数函数,得到对应的增强系数函数;
利用增强系数函数对红、绿波段进行增强;
将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像。
进一步的,所述根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数,包括:
令f(x)为特征曲线hf(x)构建的植被特征增强的增量系数函数,满足:
;
;
则增量系数函数的表达式为:
;
式中,xmin、xmax分别为特征比值指数的统计最小值和统计最大值。
进一步的,所述特征比值指数平移变换函数空间为:
h(x)=sign(x-c+1)[abs(x-c+1)]n;
其中,sign为取符号函数,abs为取绝对值函数,x、c分别为特征比值指数和特征阈值,n>0。
进一步的,所述平移变换函数空间的特征曲线的构建过程如下:
设特征比值指数的统计最大值为xmax,远小于1;
假定平移变换函数空间中特征阈值c处的值满足:
;
则可得:
;
为平移变换幂次n的一个特征值,令特征幂次为:
;
对应特征幂次nf的特征比值指数的平移变换特征曲线为:
;
进一步的,根据增量系数函数f(x)的表达式,得到对应的增强系数函数为:
;
式中,k>0为常数,具有调节图像绿度的功能。
进一步的,若遥感影像存在植被特征,则特征阈值的取值范围为:
;
式中,xw表示纯水体的特征比值指数的阈值,xv表示纯植被的特征比值指数的阈值。
进一步的,所述利用所述植被特征增强系数函数对红、绿波段进行增强,具体为:
将增强系数函数分别与红波段、绿波段进行乘积,得到对应波段的增强成果。
进一步的,所述特征比值指数为:
;
式中,bi为红波段、绿波段、蓝波段中的任意一个,与近红外波段融合得到的成果为;n=1,...,m;m=1,2,3。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于指数函数空间的特征曲线的遥感影像融合系统,所述系统包括:
获取模块,用于获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
计算模块,用于将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
构建模块,用于根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
确定模块,用于根据增量系数函数,得到对应的增强系数函数;
增强模块,用于利用增强系数函数对红、绿波段进行增强;
合成模块,用于将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像。
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,实现上述的遥感影像融合方法。
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,所述程序被处理器执行时,实现上述的遥感影像融合方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明对真彩色组合影像植被像元进行逐点增强,植被色彩、纹理、层次得到全面改善,有效提高了真彩色影像植被信息的目视分辨力和计算机解析能力,提高了真彩色影像模式植被分析能力和效果。从而使真彩色影像绿色植被特征得到有效增强,改善了植被的目视可分性和计算机解析能力;
2、本发明在增强真彩色影像上植被特征的同时,保持了真彩色影像上水体及土壤、岩石、建筑物等裸露地物的特征,大幅改善了真彩色影像的整体目视特征和效果,同时真彩色影像各波段间的相关性降低,影像色彩、纹理、层次更加丰富。从而使彩色影像整体特征得到大幅改善,拓展了其应用范围和应用潜力。
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地介绍,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的基于指数函数空间的特征曲线的遥感影像融合方法的简易流程图;
图2为本发明实施例1的基于指数函数空间的特征曲线的遥感影像融合方法的详细流程图;
图3为本发明实施例2的植被特征增强前的真彩色组合彩色影像图;
图4为本发明实施例2的特征比值指数图;
图5为本发明实施例2的植被特征增强后的真彩色组合彩色影像图;
图6为本发明实施例3的基于指数函数空间的特征曲线的遥感影像融合系统的结构框图;
图7为本发明实施例4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、完整地描述,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。应当理解,描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例1:
如图1、2所示,本实施例提供的基于指数函数空间的特征曲线的遥感影像融合方法,包括以下步骤:
S101、获取具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像。
输入具有近红外NIR、红R、绿G、蓝波段B的卫星遥感影像。
S102、根据获取的卫星遥感影像计算特征比值指数。
设可见光卫星遥感影像的近红外、红、绿、蓝波段分别记为NIR、R、G、B。则比值植被指数VI为:
;
对于卫星遥感波段数据而言,。
遥感影像上水、裸露地物、植被等大类地物的比值植被指数的值从小到大变化,以该指数作为增强系数的乘积融合能有效增强影像各波段上的植被特征。该指数具有地物分类功能,特别地找到一个植被阈值就可以将影像分为植被与非植被两类。设VI的最小值、最大值、水体阈值、纯裸露地物阈值、纯植被阈值、平均值分别为VImin、VImax、VIw、VIb、VIv、VIm。
事实比值水体指数的倒数(IWI)、比值岩石指数的倒数(IRI),两波段Brovey指数(DBI),三波段的Brovey指数(TBI)乃至于更多。也可以是采用Gram-Schmidt、PCA、Wavelet等融合方法获得融合衍生指数也具有比值植被指数一样的性质和功能。
设bi为真彩色波段中的一个波段,参与融合的波段为NIR及m个真彩色波段。融合后的波段成果数量为m个,记融合后的成果为。
(1)对于准Brovey融合,融合结果记为:
;
其中,m=1,2,3,i=1,...,m,bi、bj为参与融合的真彩色波段。
(2)对于Gram-Schmidt、PCA或者Wavelet融合,融合结果记为:
;
其中,m=1,2,3,i=1,...,m,b1,...,bm为参与融合的真彩色波段。Fusion为GS(Gram-Schmidt)、PCA或者WL(Wavelet)融合方法。
则特征比值指数可以统一表达为:
;
其中,n=1,...,m。
S103、根据特征比值指数及其特征阈值,构建特征比值指数的平移变换函数空间及其特征曲线。
进一步地,步骤S103具体包括:
(1)确定特征阈值。
仅从分类增强的角度而言,特征阈值确实可以是特征指数最大值与最小值中的任何值。设纯植被的特征指数的阈值为xv,特征指数的平均值为xm,纯裸露地物的阈值xb,纯水体的特征指数的阈值为xw。取xw或者xb作为特征阈值,可以对影像上所有像元的植被特征进行增强,而又保持了纯水体及陆地上纯裸露地物的特征,一般而言,特征阈值的取值范围为:
;
一般取xm为缺省值,也可以根据影像实际特点或用户增强需要可以取其它值,如xw、xb或者xv,或者其它值。
如果影像上无植被,而仅是水体、沙漠、土壤、岩石、建筑物等裸露地物,这样的真彩色影像事实上无需增强处理,也就无所谓特征阈值的取值。
(2)根据特征比值指数及其特征阈值,构建特征比值指数的平移变换函数空间及其特征曲线。
对于给定的特征比值指数x,给定的特征阈值c,构建特征比值指数的变换函数空间h(x)使得变换函数与特征比值指数具有相同的单调性——沿着从水到岩土等裸露地物再到植被地物的分类轴逐步增大,且变换函数在阈值处等于1,则在大于阈值处大于1,小于阈值处小于1,该函数空间的任意函数具有增强植被特征的功能。其中一个简洁的特征比值指数的平移变换函数空间如下:
;
其中,sign为取符号函数,abs为取绝对值函数,n>0。
无论n为何值,变换函数h(x)总有特征值h(c)=1。
设特征比值指数的统计最大值、最小值分别为xmax、xmin,设远小于1,假定阈值c处的值满足:
;
则可得:
;
为平移变换幂次n的一个特征值,令特征幂次为:
;
对应特征幂次nf的特征比值指数的平移变换特征曲线为:
;
S104、根据特征曲线,构建植被特征增强的增强系数函数。
进一步地,步骤S104具体包括:
(1)根据平移变换特征曲线,构建植被特征增强的增量系数函数。
令f(x)为特征曲线hf(x)构建的植被特征增强的增量系数函数,满足在x的统计最小值处增量系数为0,在x的统计最大值处增量系数为1,即:
;
;
则增量系数函数的一个简洁表达式为:
;
其中:
;
;
(2)根据增量系数函数,得到植被特征增强系数函数。
根据增量系数函数的表达式,得到对应的增强系数函数为:
;
k>0为常数,具有调节图像绿度的功能,可称为绿度调节系数。
S105、利用增强系数函数对红、绿波段进行增强。
设真彩色影像的红、绿、蓝波段分别为R、G、B,用上述增强系数函数对红、绿波段进行增强,得植被特征增强的影像融合表达式如下:
;
;
k的缺省值为1。
S106、合成增强后的红、绿波段以及原始蓝波段,得到植被特征增强后的真彩色影像。
将植被特征增强后的红、绿波段/>与蓝波段B对应彩色影像的红、绿、蓝通道合成彩色影像,即为增强后的真彩色影像;存储增强后的真彩色影像。
本实施例提供的增强算法基于卫星影像数据的内在特征,数据适应性强;该算法中的特征比值指数、特征指数的平移变换、特征阈值、特征曲线、增量系数函数、绿度调节系数、增强系数函数具有明确的物理意义,处理目标明确,质量可靠,应用简便;同时具有以下突出优点:
(1)增量系数函数为连续函数,在小于阈值处足够小,在大于阈值处足够大,具有增强植被特征保持了非植被特征的功能。
增量系数函数为含有分类阈值的连续函数,具有优良的特性——在特征比值指数最小值处为0,在阈值处增量系数为0的一个邻域内的小值,在最大值处增量系数为1,既保证了增强后的图像在阈值处平滑,又在增强植被特征的同时保持了非植被特征。
(2)平移变换指数的特征幂次有效改善了植被色度与层次差异,绿度调节系数使得增强效果可调可控。
平移变换指数的特征幂次大于1,具有增强不同植被的层次差异的功能,特征比值指数越大,特征增量越大,有效突出不同植被的差异。绿度调节系数从小到大变化时,增强后的图像植被色调从暗绿向黄绿变化,调节方向、增强效果可预见可控制。
实施例2:
为实现卫星遥感真彩色影像植被特征增强的目的,本实施例主要利用ENVI遥感图像处理软件来实现,以一幅具有近红外波段(NIR)、红光波段(R)、绿光波段(G)、蓝光波段(B)的遥感影像图进一步描述。
(1)输入遥感影像图。
打开一幅具有近红外波段(NIR)、红光波段(R)、绿光波段(G)、蓝光波段(B)的多光谱遥感影像。图3为植被特征增强前真彩色组合彩色影像图(按照envi缺省设置0.1%拉伸的效果图)。
(2)计算特征比值指数。
以GS融合得到的特征比值指数为例。
;
GSR、GSG、GSB分别为NIR与R、G、B按照ENVI遥感图像处理软件中的Gram-Schmidt融合方法得到的成果。
根据上述公式,建立波段运算表达式(1.0*b1+b2+b3)/(1.0*b4+b5+b6)计算特征比值指数x。其中b1为GS方法融合得到红波段,b2为GS方法融合得到绿波段,b3为GS方法融合得到蓝波段, b4原始红波段,b5为原始绿波段,b6为原始蓝波段。计算成果如图4(按照envi缺省设置0.1%拉伸的效果图)。
(3)确定特征阈值及平移变换特征幂次及特征曲线。
应用ENVI统计工具求x的平均值xm,将其作为特征阈值c即c=xm=1.02366。x的最大值xmax=2.066246,x的最小值xmin=0.124007。
令,由/>得:
;
则特征曲线为:
。
(4)红、绿波段植被特征增强计算及真彩色合成。
由特征曲线hf(x)可得:
;
;
;
增量系数为:
;
取k=1,增强系数为:
;
;
;
根据上述公式输入计算表达式:uint(((signum(b1-0.02366)*(abs(b1-0.02366)) ^4.19443073-0.000065)/19.999935+1)*b2+0.5),其中b1为特征比值指数x,b2为真彩色影像的红波段或绿波段。将增强后的红波段、绿波段与原始蓝波段按照红、绿、蓝通道合成的彩色影像合成增强后的真彩色影像图如图5(按照envi缺省设置0.1%拉伸的效果图)。存储重构的图像文件即为所得。
本案例植被特征增强后的彩色影像成果与原始真彩色影像RGB色彩模式下的全图及增强区域统计特征对比分析表见表1、2。HLS色彩模式下的全图及增强区域的统计特征对比分析表见表3。
表1增强后的真彩色影像与原始真彩色影像RGB模式统计特征对比分析表
表2增强后的真彩色影像与原始真彩色影像RGB模式植被区域统计特征对比分析表
表3增强后的真彩色影像与原始真彩色影像HLS模式统计特征对比分析表
本领域技术人员可以理解,实现上述实施例的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3:
如图6所示,本实施例提供了一种基于指数函数空间的特征曲线的遥感影像融合系统,该系统包括获取模块601、计算模块602、构建模块603、确定模块604、增强模块605和合成模块606,其中:
获取模块601,用于获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
计算模块602,用于将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
构建模块603,用于根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
确定模块604,用于根据增量系数函数,得到对应的增强系数函数;
增强模块605,用于利用增强系数函数对红、绿波段进行增强;
合成模块606,用于将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像。
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由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4:
本实施例提供了一种计算机设备,该计算机设备可以为计算机,如图7所示,其通过系统总线701连接的处理器702、存储器、输入装置703、显示器704和网络接口705,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质706和内存储器707,该非易失性存储介质706存储有操作系统、计算机程序和数据库,该内存储器707为非易失性存储介质中的操作系统和计算机程序的运行提供环境,处理器702执行存储器存储的计算机程序时,实现上述实施例1的遥感影像融合方法,如下:
获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;
根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
根据增量系数函数,得到对应的增强系数函数;
利用增强系数函数对红、绿波段进行增强;
将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像。
实施例5:
本实施例提供了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的遥感影像融合方法,如下:
获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;
根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
根据增量系数函数,得到对应的增强系数函数;
利用增强系数函数对红、绿波段进行增强;
将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明提供的基于指数函数空间的特征曲线的遥感影像融合方法、系统、计算机设备及计算机可读存储介质,基于地物光谱特征设计的特征比值指数,具有沿着从水到岩土等裸露地物再到植被地物的分类轴逐步增大的性质;通过构建与特征比值指数具有相同性质和功能的平移变换函数空间,找到特征指数平移变换函数空间的特征曲线构建植被特征增量系数曲线;在植被特征增量系数曲线基础上得到植被特征增强系数函数;利用增强系数函数对真彩色影像的原始红波段、绿波段增强,将红波段、绿波段的增强成果与原始的蓝波段合成增强后的真彩色图像。本发明主要针对具有近红外、红、绿、蓝波段的卫星遥感影像植被特征存在的固有缺陷,依据遥感波段数据的内在关系,构建基于特征指数平变换函数空间特征曲线的增强公式,有效改善原始真彩色合成图像上的植被色度与层次特征,大幅改善真彩色影像的整体效果。该方法公式中物理意义明确,应用对象广泛。增强后的影像色彩鲜明、信息丰富、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。
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 (8)
1.一种基于指数函数空间的特征曲线的遥感影像融合方法,其特征在于,所述方法包括:
获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;
根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
根据增量系数函数,得到对应的增强系数函数;
利用增强系数函数对红、绿波段进行增强;
将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像;
其中,所述特征比值指数平移变换函数空间为:
h(x)=sign(x-c+1)[abs(x-c+1)]n;
式中,sign为取符号函数,abs为取绝对值函数,x、c分别为特征比值指数和特征阈值,n>0;
所述平移变换函数空间的特征曲线的构建过程如下:
设特征比值指数的统计最大值为xmax,远小于1;
假定平移变换函数空间中特征阈值c处的值满足:
;
则可得:
;
为平移变换幂次n的一个特征值,令特征幂次为:
;
对应特征幂次nf的特征比值指数的平移变换特征曲线为:
。
2.根据权利要求1所述的遥感影像融合方法,其特征在于,所述根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数,包括:
令f(x)为特征曲线hf(x)构建的植被特征增强的增量系数函数,满足:
;
;
则增量系数函数的表达式为:
;
式中,xmin、xmax分别为特征比值指数的统计最小值和统计最大值。
3.根据权利要求1、2任一项所述的遥感影像融合方法,其特征在于,根据增量系数函数f(x)的表达式,得到对应的增强系数函数为:
;
式中,k>0为常数,具有调节图像绿度的功能。
4.根据权利要求1、2任一项所述的遥感影像融合方法,其特征在于,若遥感影像存在植被特征,则特征阈值的取值范围为:
;
式中,xw表示纯水体的特征比值指数的阈值,xv表示纯植被的特征比值指数的阈值。
5.根据权利要求1、2任一项所述的遥感影像融合方法,其特征在于,所述利用所述植被特征增强系数函数对红、绿波段进行增强,具体为:
将增强系数函数分别与红波段、绿波段进行乘积,得到对应波段的增强成果。
6.根据权利要求1、2任一项所述的遥感影像融合方法,其特征在于,所述特征比值指数为:
;
式中,bi为红波段、绿波段、蓝波段中的任意一个,与近红外波段融合得到的成果为;n=1,...,m;m=1,2,3。
7.一种基于指数函数空间的特征曲线的遥感影像融合系统,其特征在于,所述系统包括:
获取模块,用于获取具有近红外波段、红波段、绿波段和蓝波段的卫星遥感影像;
计算模块,用于将近红外波段与红波段、绿波段和蓝波段中的一个或多个波段进行谱间融合,将融合后的波段或波段组合作为分子,以对应的融合前波段或波段线性组合为分母,计算特征比值指数;
构建模块,用于根据特征比值指数及其特征阈值,构建与特征比值指数具有相同单调性的特征比值指数的平移变换函数空间;根据平移变换函数空间的特征曲线,构建植被特征增强的增量系数函数;
确定模块,用于根据增量系数函数,得到对应的增强系数函数;
增强模块,用于利用增强系数函数对红、绿波段进行增强;
合成模块,用于将增强后的红、绿波段以及原始蓝波段进行合成,得到植被特征增强后的真彩色影像;
其中,所述特征比值指数平移变换函数空间为:
h(x)=sign(x-c+1)[abs(x-c+1)]n;
式中,sign为取符号函数,abs为取绝对值函数,x、c分别为特征比值指数和特征阈值,n>0;
所述平移变换函数空间的特征曲线的构建过程如下:
设特征比值指数的统计最大值为xmax,远小于1;
假定平移变换函数空间中特征阈值c处的值满足:
;
则可得:
;
为平移变换幂次n的一个特征值,令特征幂次为:
;
对应特征幂次nf的特征比值指数的平移变换特征曲线为:
。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-6任一项所述的遥感影像融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815741.0A CN117475272B (zh) | 2023-12-27 | 2023-12-27 | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815741.0A CN117475272B (zh) | 2023-12-27 | 2023-12-27 | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475272A CN117475272A (zh) | 2024-01-30 |
CN117475272B true CN117475272B (zh) | 2024-04-05 |
Family
ID=89626029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311815741.0A Active CN117475272B (zh) | 2023-12-27 | 2023-12-27 | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475272B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015420A (zh) * | 2024-03-28 | 2024-05-10 | 珠江水利委员会珠江水利科学研究院 | 基于植被盖度特征幂次函数的遥感影像融合方法、系统及介质 |
CN117975224A (zh) * | 2024-03-29 | 2024-05-03 | 珠江水利委员会珠江水利科学研究院 | 基于指数特征幂次函数的遥感影像融合方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9813687B1 (en) * | 2016-05-23 | 2017-11-07 | Olympus Corporation | Image-capturing device, image-processing device, image-processing method, and image-processing program |
CN114612387A (zh) * | 2022-02-16 | 2022-06-10 | 珠江水利委员会珠江水利科学研究院 | 基于特征阈值的遥感影像融合方法、系统、设备及介质 |
-
2023
- 2023-12-27 CN CN202311815741.0A patent/CN117475272B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9813687B1 (en) * | 2016-05-23 | 2017-11-07 | Olympus Corporation | Image-capturing device, image-processing device, image-processing method, and image-processing program |
CN114612387A (zh) * | 2022-02-16 | 2022-06-10 | 珠江水利委员会珠江水利科学研究院 | 基于特征阈值的遥感影像融合方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
RGB and Optimal Waveband Image Fusion for Real-Time Underwater Clear Image Acquisition;Sun, Xudong et al;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20230831;第72卷;第1-10页 * |
利用Retinex消除在彩红外遥感影像聚类中阴影的研究;王子武 等;《工程图学学报》;20100215(第1期);第135-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117475272A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117475272B (zh) | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 | |
CN113240758B (zh) | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 | |
CN113222054B (zh) | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 | |
CN114612387B (zh) | 基于特征阈值的遥感影像融合方法、系统、设备及介质 | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN109859110B (zh) | 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法 | |
DE102019213184A1 (de) | Verfahren und system zum automatischen weissabgleich auf basis von tiefem lernen | |
CN114254715B (zh) | 一种gf-1 wfv卫星影像超分辨率方法、系统及应用 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN110751727A (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
CN117237770A (zh) | 基于指数幂函数的遥感影像融合方法、系统、设备及介质 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN101996396A (zh) | 一种基于压缩传感理论的卫星遥感图像融合方法 | |
CN108932708A (zh) | 基于超分辨增强的星载多光谱遥感图像融合方法 | |
Hu et al. | Retrieval of the canopy leaf area index in the BOREAS flux tower sites using linear spectral mixture analysis | |
CN116630209A (zh) | 基于交叉混合注意力的sar与可见光图像融合方法 | |
CN115082582A (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
CN110751699B (zh) | 基于卷积神经网络的光学遥感图像的色彩重建方法 | |
CN112329790A (zh) | 一种城市不透水面信息快速提取方法 | |
CN115203624B (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
CN117830119A (zh) | 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 | |
Liang et al. | Multi-scale and multi-patch transformer for sandstorm image enhancement | |
CN118134783A (zh) | 基于和函数空间特征曲线的遥感影像融合方法、系统、设备及介质 | |
CN118015420A (zh) | 基于植被盖度特征幂次函数的遥感影像融合方法、系统及介质 | |
CN118134782A (zh) | 基于对称函数空间特征曲线的遥感影像融合方法及系统 |
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 |