CN117575953A - 一种高分辨率林业遥感图像细节增强方法 - Google Patents
一种高分辨率林业遥感图像细节增强方法 Download PDFInfo
- Publication number
- CN117575953A CN117575953A CN202410050363.XA CN202410050363A CN117575953A CN 117575953 A CN117575953 A CN 117575953A CN 202410050363 A CN202410050363 A CN 202410050363A CN 117575953 A CN117575953 A CN 117575953A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- points
- pixel points
- values
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000035772 mutation Effects 0.000 claims abstract description 67
- 230000002708 enhancing effect Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 26
- 230000000875 corresponding effect Effects 0.000 claims description 25
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 22
- 230000009466 transformation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011426 transformation method 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域，具体涉及一种高分辨率林业遥感图像细节增强方法。该方法首先通过根据像素点的纹理特征值和颜色特征值对初始参考窗口尺寸进行调整，获取各个像素点的调整后参考窗口尺寸；根据像素点的颜色通道的多峰程度值和突变程度值，获取各个像素点的各个颜色通道的边缘程度值；根据边缘程度值和梯度值，获取各个像素点的增强系数；最终获取林业遥感细节增强图像，本发明通过对具有边缘表现效果的像素点进行针对性增强，改善了林业遥感图像的细节表现效果。
Description
技术领域
本发明涉及图像增强技术领域，具体涉及一种高分辨率林业遥感图像细节增强方法。
背景技术
遥感技术是应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。对林业进行实时高分辨的遥感图像采集，对监测森林状况和辅助制定科学政策具有重要意义。例如在发生的森林火灾时，可以进行实时监测，提供火灾蔓延的情况，辅助制定救火决策，使得火灾被及时扑救。在林业遥感图像中，不同区域有着不同组成部分，不同区域在测量时的电磁光谱波长范围不同，在林业遥感图像中也会呈现出多种颜色，不同的颜色有着不同的意义，例如蓝色往往表示深海、大气；绿色往往表示各种植被；红色往往表示人造物体、土壤等。
为了能够更精准、更全面地监测森林的整体情况，往往需要对林业遥感图像进行细节增强，更好地表现出不同颜色区域的边界。现有技术基于图像梯度利用线性变换实现图像增强，在利用图像梯度对林业遥感图像进行线性变换的过程中，由于初始的林业遥感采集图像中部分边缘像素在彩色图像中的表现并不明显，通过线性变换无法对部分边缘像素点进行针对性增强，导致高分辨率林业的遥感增强图像中边缘细节表现效果不佳，影响对森林的检测准确性。
发明内容
为了解决现有技术基于图像梯度利用线性变换实现图像增强时由于无法对部分边缘像素点进行针对性增强，导致高分辨率林业的遥感增强图像中边缘细节表现效果不佳的技术问题，本发明的目的在于提供一种高分辨率林业遥感图像细节增强方法，所采用的技术方案具体如下：
一种高分辨率林业遥感图像细节增强方法，所述方法包括以下步骤：
获取林业遥感初始图像；
在所述林业遥感初始图像中，获取所有像素点的初始参考窗口尺寸；在像素点的预设邻域范围中，根据所有邻域像素点的所有颜色通道的梯度值和所有邻域像素点的分布，获取各个像素点的纹理特征值；在像素点的预设邻域范围中，根据所有邻域像素点的像素值，获取各个像素点的颜色特征值；根据像素点的所述纹理特征值和所述颜色特征值对初始参考窗口尺寸进行调整，获取各个像素点的调整后参考窗口尺寸；根据各个像素点的调整后参考窗口尺寸，构建各个像素点的调整后参考窗口；
在像素点的所述调整后参考窗口中，根据所有参考像素点的颜色通道的像素值分布峰值，获取各个像素点的各个颜色通道的多峰程度值；根据所有参考像素点的颜色通道的像素值的突变情况，获取各个像素点的各个颜色通道的突变程度值；根据像素点的颜色通道的所述多峰程度值和所述突变程度值，获取各个像素点的各个颜色通道的边缘程度值；
根据像素点的所有颜色通道的边缘程度值和梯度值，获取各个像素点的增强系数；根据各像素点的增强系数对林业遥感初始图像中各像素点进行增强，获取林业遥感细节增强图像。
进一步地，所述纹理特征值的获取公式包括：
；其中，/>为第/>个像素点的所述纹理特征值；/>为在第/>个像素点的预设邻域范围中，所述邻域像素点的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个所述邻域像素点对应第/>个颜色通道的梯度；/>为在第/>个像素点的预设邻域范围中，第/>个所述邻域像素点对应所有颜色通道的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个像素点和第/>个邻域像素点之间的欧式距离；/>为取模值符号。
进一步地，所述颜色特征值的获取方法包括：
在像素点的预设邻域范围中，根据所有邻域像素点的像素值，对所有邻域像素点进行K-means聚类，获取各个聚类簇；
计算聚类簇所有邻域像素点的各个颜色通道的像素值的均值，得到聚类簇的整体像素值；
获取各个聚类簇的中心点；将聚类簇的中心点和预设邻域范围的中心之间的欧式距离，作为各个聚类簇的特征距离；按照特征距离大小变化顺序对聚类簇进行排序，得到聚类簇序列；
根据所述聚类簇序列中相邻的聚类簇之间所述整体像素值的差异，计算聚类簇的所述整体像素值的差分，得到聚类簇的第一差异值；
将聚类簇的所述第一差异值进行归一化，获取聚类簇的颜色差异值；
计算所有聚类簇的所述颜色差异值的均值，获取像素点的颜色特征值。
进一步地，所述调整后参考窗口尺寸的获取步骤包括：
根据像素点的所述纹理特征值、所述颜色特征值和所述初始参考窗口尺寸，获取像素点的所述调整后参考窗口尺寸；所述纹理特征值、所述颜色特征值和所述初始参考窗口尺寸均与所述调整后参考窗口尺寸呈正相关性。
进一步地，所述多峰程度值的获取方法包括：
在像素点的所述调整后参考窗口中，将任意一个颜色通道作为目标颜色通道；根据所有参考像素点的目标颜色通道的像素值，构建像素点的目标颜色通道的分布直方图；所述分布直方图的横轴为参考像素点的目标颜色通道的像素值，分布直方图的纵轴为参考像素点的数量；获取分布直方图的所有波峰点和波谷点；
根据所述多峰程度值公式获取所述多峰程度值，所述多峰程度值公式包括：
；其中，/>为第/>个像素点的所述目标颜色通道的多峰程度值；/>为第/>个像素点的所述目标颜色通道的分布直方图中，波峰点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第个波谷点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应的所述目标颜色通道的像素值；/>为第/>个像素点/>颜色通道的分布直方图中，第/>个波峰点对应的所述目标颜色通道的像素值。
进一步地，所述突变程度值的获取方法包括：
在像素点的所述调整后参考窗口中，将像素点作为中心像素点，按照预设角度构建预设数量个参考直线，所述参考直线过中心像素点；
在每个参考直线上，计算参考像素点的所述目标颜色通道的像素值的差分，作为参考像素点的所述目标颜色通道的像素值的变化值；
将每个参考直线上所述变化值最大的参考像素点，作为每个所述参考直线的突变点；
将突变点和中心像素点之间的距离，作为突变点的突变距离；
计算突变点的所述变化值和所述突变距离乘积，作为突变点的第一突变值；
计算所有所述参考直线的突变点的第一突变值的均值，获取像素点的目标颜色通道的所述突变程度值。
进一步地，所述边缘程度值获取方法包括：
根据像素点的目标颜色通道的所述多峰程度值和所述突变程度值，获取像素点的目标颜色通道的第一边缘度量值；所述多峰程度值和所述第一边缘度量值呈正相关性；所述突变程度值和所述第一边缘度量值呈正相关性；
将像素点的目标颜色通道的所述第一边缘度量值进行归一化，获取像素点的目标颜色通道的所述边缘程度值。
进一步地，所述增强系数的获取方法包括：
根据所述增强系数公式获取所述增强系数，所述增强系数公式包括：
；其中，/>为第/>个像素点的所述增强系数；/>为第/>个像素点的第/>个颜色通道的边缘程度值；/>为第/>个像素点的/>颜色通道的梯度；/>为第/>个像素点的对应所有颜色通道的总数量；/>为归一化函数。
进一步地，所述林业遥感细节增强图像的获取方法包括：
在林业遥感初始图像中，计算各个像素点的增强系数和对应的像素值的乘积，获取各个像素点的更新后像素值；根据各像素点的更新后像素值替换对应的像素值，获取林业遥感细节增强图像。
进一步地，所述所有颜色通道包括：R颜色通道，G颜色通道和B颜色通道。
本发明具有如下有益效果：
本发明主要针对现有技术基于线性变换进行图像增强，在利用图像梯度对林业遥感图像进行线性变换的过程中，由于初始的林业遥感采集图像中部分边缘像素在彩色图像中的表现不明显，通过线性变换无法对这部分边缘像素点进行针对性增强，导致高分辨率林业的遥感增强图像中边缘细节表现效果不佳。
为了解决利用图像梯度进行图像增强时，在彩色图像中表现不明显的边缘像素点的增强效果不佳的问题，需要对边缘像素点进行针对性增强。通过对不同像素点构建不同的增强系数，进而使得具有不同边缘程度的像素点进行不同程度的增强，进而改善高分辨率林业的遥感增强图像中边缘细节表现效果。
为了根据像素点的边缘程度，构建像素点的增强系数；需要通过分析像素点周围的特征，进而分析像素点的边缘程度。本发明首先确定初始参考窗口尺寸，以供后续利用初始参考窗口中所有像素点的特征来分析像素点周围的特征，进而计算其增强系数。
考虑到了像素点周围的颜色和纹理复杂度对初始参考窗口尺寸进行调整，获取像素点的调整参考窗口尺寸并构建调整参考窗口。调整参考窗口有着较优的大小，使得可以反映图像整体的像素特征的同时，反映图像的细节和特征，使得增强图像的精确性。
考虑到了像素点的各颜色通道具有边缘的表现程度，其中像素的颜色通道的边缘表现可以通过调整后参考窗口内像素值分布的多峰程度、像素值变化的规律中体现出来。根据像素点的颜色通道的多峰程度值和突变程度值，获取各个像素点的各个颜色通道的边缘程度值。利用每个像素在不同通道中的边缘表现来计算像素点的各颜色通道的边缘程度值。根据像素点的所有颜色通道的边缘程度值，获取各个像素点的增强系数；根据各像素点的增强系数对林业遥感初始图像中各像素点进行增强，使得对边缘程度表现明显的像素点进行针对性增强，改善林业遥感细节增强图像中边缘像素点表现效果。
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和优点，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获得其它附图。
图1为本发明一个实施例所提供的一种高分辨率林业遥感图像细节增强方法的流程图；
图2为本发明一个实施例所提供的一种林业遥感初始图像的示意图；
图3为一种林业遥感线性变换增强图像的示意图；
图4为本发明一个实施例所提供的一种林业遥感细节增强图像的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种高分辨率林业遥感图像细节增强方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种高分辨率林业遥感图像细节增强方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种高分辨率林业遥感图像细节增强方法的流程图，该方法包括以下步骤：
步骤S1，获取高分辨率的林业遥感初始图像。
为了对高分辨率林业遥感图像进行细节增强，需要首先获取高分辨率的林业遥感初始图像，以供后续根据林业遥感初始图像的特点，进行图像增强。本发明主要针对现有技术基于图像梯度进行图像增强，在利用图像梯度对林业遥感图像进行线性变换的过程中，由于初始的林业遥感采集图像中部分边缘像素在彩色图像中的表现不明显，通过线性变换无法对这部分边缘像素点进行针对性增强，导致高分辨率林业的遥感增强图像中边缘细节表现效果不佳。
在本发明实施例中，利用无人机选择合适的采集地点并使得无人机的高清摄像头保持合适的拍摄距离和角度，以确保可以清晰地采集林业资源的高分辨率航拍图像。由于采集的高分辨率航拍图像存在噪声，噪声会影响图像准确性，所以对高分辨率航拍图像进行降噪操作，消除噪声和部分外界干扰造成的影响，增强后续分析的准确性，从而获取降噪图像。由于降噪图像可能存在几何畸变和太阳辐射，对降噪图像进行几何校正和辐射校正，以纠正几何畸变、太阳辐射和大气辐射的影响，获取校正图像。之后使用图像处理软件对所有校正图像进行特征提取，以供后续分类识别提高依据，进而进行图像分类，获取高分辨率的林业遥感初始图像。请参阅图2，其示出了本发明一个实施例所提供的一种林业遥感初始图像的示意图。本发明实施例采用中值滤波对图像进行降噪，采用几何校正和辐射校正对图像进行校正，采用神经网络对图像进行分类，采用SIFT（Scale-Invariant FeatureTransform，尺度不变特征变换）算法进行特征提取，实施者可根据实际情况自行设置。
需要说明的是，为了方便运算，本发明实施例中所参与运算的所有指标数据均经过数据预处理，进而取消量纲影响。具体去量纲影响的手段为本邻域技术人员熟知的技术手段，在此不做限定。
步骤S2，获取林业遥感初始图像中所有像素点的初始参考窗口尺寸；在像素点的预设邻域范围中，根据所有邻域像素点的所有颜色通道的梯度值和所有邻域像素点的分布，获取各个像素点的纹理特征值；在像素点的预设邻域范围中，根据所有邻域像素点的像素值，获取各个像素点的颜色特征值；根据像素点的纹理特征值和颜色特征值对初始参考窗口尺寸进行调整，获取各个像素点的调整后参考窗口尺寸；根据各个像素点的调整后参考窗口尺寸，构建各个像素点的调整后参考窗口。
为了解决利用图像梯度进行图像增强时，对在彩色图像中表现不明显的边缘像素点的增强效果不佳的问题，需要对边缘像素点进行针对性增强。通过对不同像素点构建不同的增强系数，进而使得具有不同边缘程度的像素点进行不同程度的增强，进而改善高分辨率林业的遥感增强图像中边缘细节表现效果。为了实现通过像素点的边缘程度，构建像素点的增强系数的目的；需要通过分析像素点周围区域的特征，进而分析像素点的边缘程度。本发明首先确定初始参考窗口尺寸，初步确定周围区域的尺寸。
由于森林中的地貌分布的规律性较低，对应林业遥感初始图像的纹理和颜色分布也会不均匀，因此会导致不同位置的像素周围的纹理复杂程度和颜色复杂程度相差较大。若使用同等大小的周围区域，计算像素点的边缘程度很可能导致结果不准确。像素点周围区域的复杂程度过高或者过低都会导致计算边缘程度出现误差，为了使得像素点周围区域的复杂程度相对接近，考虑到了像素点周围的颜色复杂度和纹理复杂度对初始参考窗口尺寸进行调整，获取像素点的调整参考窗口尺寸并构建调整参考窗口。调整参考窗口有着较优的大小，使得可以反映周围特征的同时有着合适的分布复杂信息。
具体的，本发明一个实施例中首先确定林业遥感初始图像中所有像素点的初始参考窗口尺寸，为周围区域的尺寸确定参考标准，以供后续对初始参考窗口尺寸进行调整。避免窗口过大，像素点周围区域的信息过多，容易丢失图像的细节，降低分析准确性；避免窗口过小，难以反映图像的整体信息，降低分析准确性。初始参考窗口尺寸为50，实施者可根据图像分辨率、林业资源复杂程度等实际情况自行设定。
优选地，本发明一个实施例中，林业遥感初始图像为RGB颜色空间，所以林业遥感初始图像对应所有颜色通道包括：R颜色通道，G颜色通道和B颜色通道。在本发明的其他实施例中，林业遥感初始图像可以为Lab颜色空间，对应的所有颜色通道为L颜色通道，a颜色通道和a颜色通道，在此不做限定。
优选地，本发明一个实施例中，考虑到像素点周围的梯度值，来反映像素点所处区域的纹理复杂程度，获取第个像素点的纹理特征值，纹理特征值的获取公式包括：
；其中，/>为第/>个像素点的纹理特征值；/>为在第/>个像素点的预设邻域范围中，邻域像素点的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个邻域像素点对应第/>个颜色通道的梯度；/>为在第/>个像素点的预设邻域范围中，第/>个邻域像素点对应所有颜色通道的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个像素点和第/>个邻域像素点之间的欧式距离；/>为取模值符号。本发明一个实施例中，以像素点为中心像素点，构建长度为100*100的预设邻域范围，预设邻域范围的中心为中心像素点。本发明中将预设邻域范围中的除了中心像素点以外的所有像素，作为邻域像素点。本发明一个实施例中，林业遥感初始图像为RGB颜色空间，所以林业遥感初始图像对应所有颜色通道包括：R颜色通道，G颜色通道和B颜色通道，所以邻域像素点对应所有颜色通道的总数量为3个，/>为3，在此不做限定。
在纹理特征值公式中，由于像素点的梯度值模值可以反映像素点在某个方向的变化率，变化率越大，往往像素点越可能是纹理点；反映了第/>个邻域像素点对应所有颜色通道梯度模值的累加值，可以反映邻域像素点整体的变化率，变化越大，第/>个邻域像素点为纹理的可能性越大。将/>作为/>的权重，/>反映第/>个像素点和第/>个邻域像素点之间的距离，距离越近，第/>个邻域像素点的参考性越大。纹理特征值通过充分考虑像素点的预设邻域范围中所有邻域像素点的纹理可能性，反映了像素点的周围区域的纹理复杂度；纹理特征值越大，像素点的周围纹理越复杂。
优选地，本发明一个实施例中，考虑到像素点的周围的像素值差异，来分析颜色特征值，颜色特征值的获取方法包括：
在像素点的预设邻域范围中，根据所有邻域像素点的像素值，对所有邻域像素点进行K-means聚类，获取各个聚类簇；
需要说明的是，K-means聚类算法为本领域技术人员熟知的技术手段，在此不做赘述，仅简述本发明一个实施例中利用K-means聚类算法确定聚类簇的简要过程：
将预设邻域范围中所有邻域像素点转换为一个数据集合。在数据集合中，每个数据代表一个邻域像素点，其坐标是各个颜色通道的像素值。根据各个数据所有颜色通道的像素值，对数据集合中数据进行聚类，使得不同聚类簇的颜色差别尽可能大，相同聚类簇的颜色差别尽可能小。进而获取预设数量个聚类簇。在确定聚类簇之后，计算聚类簇所有邻域像素点的各个颜色通道的像素值的均值，得到聚类簇的整体像素值；整体像素值反映聚类簇整体的颜色特征。例如，第个聚类簇的整体像素值为/>；其中/>为第/>个聚类簇的/>颜色通道的像素值；/>为第/>个聚类簇的/>颜色通道的像素值；/>为第/>个聚类簇的/>颜色通道的像素值。
进而获取聚类簇的中心点，将聚类簇的中心点和预设邻域范围的中心之间的欧式距离，作为聚类簇的特征距离。按照特征距离大小变化顺序对聚类簇进行排序，得到聚类簇序列。根据聚类簇序列中相邻的聚类簇之间整体像素值的差异，计算聚类簇的整体像素值的差分，得到聚类簇的第一差异值。
由于整体像素值是三个颜色通道的像素值，对应的第一差异值也为三个颜色通道对应的数值，为了将三个颜色通道对应的数值转化为一个1维数值，利用L1范数法通过将聚类簇的第一差异值进行归一化，获取聚类簇的颜色差异值。为了整体反映像素点周围区域的颜色差异，计算所有聚类簇的颜色差异值的均值，获取像素点的颜色特征值。颜色特征值反映像素点周围区域的颜色复杂度，颜色特征值越大，像素点周围区域的颜色越复杂。需要说明的是，L1范数法可以实现归一化，L1范数法为本领域技术人员熟知的现有技术在此不做赘述。
需要说明的是，计算聚类簇的整体像素值的差分，是通过计算当前聚类簇的整体像素值和前一个聚类簇的整体像素值之间的差值，由于第一个聚类簇没有前一个聚类簇，将最后一个聚类簇作为第一个聚类簇的前一个聚类簇。本发明一个实施例中，预设数量为5，实施者可根据实施场景自行设定。
优选地，本发明一个实施例中，对于每个像素点通过像素点周围区域的特征来调整所处位于窗口大小，来缩小窗口内复杂度不一致带来的影响。像素点周围区域的纹理比较密集，所位于窗口内包含的纹理较多，可能导致边缘像素占窗口内像素的比例较高，使得计算出的边缘程度值偏低，因此需要适当扩大窗口大小；而纹理比较稀疏的区域则正相反，需要适当缩小窗口大小。同理，像素点周围区域的像素颜色分布能说明周围区域的像素复杂度，当颜色分布较多时，应扩大窗口；反之则说明像素复杂度低，应缩小窗口。调整后参考窗口尺寸的获取步骤包括：
根据像素点的纹理特征值、颜色特征值和初始参考窗口尺寸，获取像素点的调整后参考窗口尺寸；纹理特征值和调整后参考窗口尺寸呈正相关性；颜色特征值和调整后参考窗口尺寸呈正相关性；初始参考窗口尺寸和调整后参考窗口尺寸呈正相关性。
考虑到像素点的纹理复杂度和颜色复杂度，对初始参考窗口尺寸进行调整，获取调整后参考窗口尺寸。本发明一个实施例中调整后参考窗口尺寸的获取公式包括：
；其中，/>为第/>个像素点的调整后参考窗口尺寸；/>为第/>个像素点的纹理特征值；/>为第/>个像素点的颜色特征值；/>为初始参考窗口尺寸；为归一化函数。
在调整后参考窗口尺寸公式中，纹理特征值反映纹理复杂程度，纹理特征值越大，像素点周围的纹理越复杂；纹理特征值越小，像素点周围的纹理越不复杂。颜色特征值代表了像素点周围的颜色复杂程度，颜色特征值越大，像素点周围的颜色复杂程度越高。为了使得像素点所位于的窗口有着较优的大小，使得可以反映周围特征的同时有着合适的分布复杂信息。当像素点周围的纹理复杂程度越高或颜色复杂程度越高，将初始参考窗口尺寸调大，调整后参考窗口尺寸越大。当像素点周围的纹理复杂程度越低或颜色复杂程度越低，将初始参考窗口尺寸调小，调整后参考窗口尺寸越小。调整参考窗口有着较优的大小，使得可以反映周围特征的同时有着合适的分布复杂信息。
具体的，以像素点为参考中心像素点，构建长度为L*L的调整后参考窗口，L为调整后参考窗口尺寸，调整后参考窗口的中心为参考中心像素点。
步骤S3，在像素点的调整后参考窗口中，根据所有参考像素点的颜色通道的像素值分布峰值，获取各个像素点的各个颜色通道的多峰程度值；根据所有参考像素点的颜色通道的像素值的突变情况，获取各个像素点的各个颜色通道的突变程度值；根据像素点的颜色通道的多峰程度值和突变程度值，获取各个像素点的各个颜色通道的边缘程度值。
为了改善彩色图像中表现不明显的边缘像素点的增强效果，需要使得具有不同边缘程度的像素点进行不同程度的增强。由于林业遥感初始图像中具有多种颜色，每个像素在不同的颜色通道中像素表现差异也较大，通过对分别对像素点的各个颜色通道的边缘程度进行分析，有助于使得在彩色图像中表现不明显的边缘像素点的边缘程度被更好地表现出来。
考虑到了像素点的各颜色通道具有边缘的表现程度，其中像素的颜色通道的边缘表现可以通过调整后参考窗口内像素值分布的多峰程度和像素值变化的规律中体现出来。在一个颜色通道中，调整后参考窗口内像素的多峰程度越高，就说明该颜色通道下调整后参考窗口内的边缘表现越强。像素值的变化规律可以从不同方向上的像素值突变点到中心像素的距离和变化值来体现出来，距离越近且变化越大，就说明该颜色通道下调整后参考窗口内中的边缘表现越强。在像素点的调整后参考窗口中，根据所有参考像素点的颜色通道的像素值分布峰值，获取各个像素点的各个颜色通道的多峰程度值；根据所有参考像素点的颜色通道的像素值的突变情况，获取各个像素点的各个颜色通道的突变程度值；根据像素点的颜色通道的多峰程度值和突变程度值，获取各个像素点的各个颜色通道的边缘程度值。边缘程度值反映了像素点的颜色通道的边缘表现程度，以供后续计算增强系数。
优选地，本发明一个实施例中，以像素点的目标颜色通道的多峰程度值获取过程为例，多峰程度值的获取方法包括：
在像素点的调整后参考窗口中，将任意一个颜色通道作为目标颜色通道；根据所有参考像素点的目标颜色通道的像素值，构建像素点的目标颜色通道的分布直方图；分布直方图的横轴为参考像素点的像素值，分布直方图的纵轴为参考像素点的数量；基于峰值检测法，先获取分布直方图的所有波峰点，按照分布直方图从右往左依次确定波峰点的顺序。然后将第一个波峰点和第二个波峰点构成区间的波谷点，作为第一个波谷点；将第二个波峰点和第三个波峰点构成区间的波谷点，作为第二个波谷点；将第三个波峰点和第四个波峰点构成区间的波谷点，作为第三个波谷点...将第n个波峰点和第(n+1)个波峰点构成区间的波谷点，作为第n个波谷点...直至将最后一个波峰点和直方图最后一个数据点构成区间的波谷点，作为最后一个波谷点。本发明一个实施例中，多峰程度值公式包括：
；其中，/>为第/>个像素点的目标颜色通道的多峰程度值；/>为第/>个像素点的目标颜色通道的分布直方图中，波峰点的总数量；为第/>个像素点的目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的目标颜色通道的分布直方图中，第/>个波谷点对应参考像素点的总数量；/>为第/>个像素点的目标颜色通道的分布直方图中，第/>个波峰点对应的目标颜色通道的像素值；/>为第/>个像素点/>颜色通道的分布直方图中，第/>个波峰点对应的目标颜色通道的像素值。本发明中调整后参考窗口中所有像素点作为参考像素点。本发明实施例中，将第1个波峰点作为第/>个波峰点。
在多峰程度值公式中，反映相邻两峰值的像素数量均值与谷值数量的差值，差值越大，峰值程度越大，多峰程度值越大；/>反映相邻两峰值的像素值差值，差值越大，峰值程度越大，多峰程度值越大；多峰程度值综合了直方图的所有峰值程度累加和，反映了像素点的周围区域中，所有参考像素点的目标颜色通道的多峰程度。
优选地，本发明一个实施例中，突变程度值的获取方法包括：
在像素点的调整后参考窗口中，将像素点作为中心像素点，基于图像坐标系，过中心像素点以平行X轴为方向，构建初始直线，以顺时针为方向，分别将初始直线旋转预设角度构建预设数量个参考直线。本发明一个实施例中，预设角度为：0°、45°、90°、135°；预设数量为4个。
在每个参考直线上，计算像素点的目标颜色通道的像素值的差分，作为像素点的目标颜色通道的像素值的变化值；将每个参考直线上变化值最大的参考像素点，作为每个参考直线的突变点；需要说明的是当变化值最大的参考像素点有多个，任选一个作为参考直线的突变点，突变点的数量也为预设数量。
将突变点和中心像素点之间的距离，作为突变点的突变距离；计算突变点的变化值和突变距离乘积，作为突变点的第一突变值；计算所有突变点的第一突变值的均值，获取像素点的目标颜色通道的突变程度值。
突变距离作为变化值的权重，当距离越近，突变点的参考性越强；当突变点的变化值越大，像素值变化程度越大；当变化值越大、突变点与中心像素距离越近，突变程度值越大。突变程度值反映了像素点的周围区域中，所有参考像素点的颜色通道的像素值变化程度。
优选地，本发明一个实施例中，边缘程度值获取方法包括：
根据像素点的目标颜色通道的多峰程度值和突变程度值，获取像素点的目标颜色通道的第一边缘度量值；多峰程度值和第一边缘度量值呈正相关性；突变程度值和第一边缘度量值呈正相关性；
将像素点的目标颜色通道的第一边缘度量值进行归一化，获取像素点的目标颜色通道的边缘程度值。
本发明一个实施例中，边缘程度值的获取公式包括：
；/>为第/>个像素点的目标通道的边缘程度值；/>为第/>个像素点的目标颜色通道的多峰程度值；/>为第/>个像素点的目标颜色通道的突变程度值；为第/>个像素点的目标颜色通道的第一边缘度量值；/>为归一化函数。
在边缘程度值公式中，多峰程度值反映像素点的周围区域中，所有参考像素点的目标颜色通道的多峰程度，多峰程度越大，边缘程度值越大；突变程度值反映了像素点的周围区域中，所有参考像素点的目标颜色通道的像素值变化程度，变化程度越大，边缘程度值越大。
本发明一个实施例中，以像素点的目标颜色通道的边缘程度值获取过程为例子，像素点的各个颜色通道的获取过程同理，在此不做赘述。
步骤S4，根据像素点的所有颜色通道的边缘程度值和梯度值，获取各个像素点的增强系数；根据各像素点的增强系数对林业遥感初始图像中各像素点进行增强，获取林业遥感细节增强图像。
通过上述步骤，利用每个像素在不同通道中的边缘表现来计算像素点的各颜色通道的边缘程度值。根据像素点的所有颜色通道的边缘程度值和梯度值，获取各个像素点的增强系数；根据各像素点的增强系数对林业遥感初始图像中各像素点进行增强，使得对边缘程度表现明显的像素点进行针对性增强，改善林业遥感细节增强图像中边缘像素点表现效果。
优选地，本发明一个实施例中，增强系数的获取方法包括：
由于在利用像素梯度值对林业遥感图像进行增强的过程中，由于部分区域的边缘像素表现并不明显，容易导致其在增强时效果不佳，利用每个像素在不同颜色通道中的边缘表现来调整该颜色通道的梯度值，以确定增强系数。本发明一个实施例中，增强系数公式包括：
；其中，/>为第/>个像素点的增强系数；/>为第/>个像素点的第/>个颜色通道的边缘程度值；/>为第/>个像素点的/>颜色通道的梯度；/>为第/>个像素点的对应所有颜色通道的总数量；/>为归一化函数。本发明一个实施例中，林业遥感初始图像为RGB颜色空间，所以林业遥感初始图像对应所有颜色通道包括：R颜色通道，G颜色通道和B颜色通道，所以像素点对应所有颜色通道的总数量为3个，/>为3，在此不做限定。
在增强系数公式中，为了后续利用增强系数对像素值进行增强，数字1是为了保留原有像素值，表示对像素值的增强部分。当各个颜色通道的边缘程度值越高，代表像素点越可能处于边缘区域中，相应的增强程度应该越大，增强系数越大。将每个颜色通道的边缘程度值作为该颜色通道的梯度值的权重，当颜色通道的边缘程度明显，则该颜色通道的梯度值就越重要。梯度值反映像素值的变化，当像素点的梯度值越大，像素值的变化越大，表示像素点越可能是边缘像素点，相应的增强程度应该越大，增强系数越大。增强系数能够让像素点在增强像素值的情况下尽可能地保留其原来的图像信息，提高林业遥感初始图像的表现准确性。
优选地，本发明一个实施例中，林业遥感细节增强图像的获取方法包括：
在林业遥感初始图像中，计算各个像素点的增强系数和对应的像素值的乘积，获取各个像素点的更新后像素值；根据各像素点的更新后像素值替换对应的像素值，获取林业遥感细节增强图像。利用现有技术中的线性变换方法对图2中的林业遥感初始图像进行图像增强，获取一张林业遥感线性变换增强图像，该增强图像如图3所示。本发明实施例通过利用每个像素在不同颜色通道中的边缘表现来调整该颜色通道的梯度值，以确定增强系数，并对图2中的林业遥感初始图像进行图像增强，进而获取一张林业遥感细节增强图像，该增强图像如图4所示。通过对比图3和图4可以看出，现有技术在增强图像后，仅边缘表现较强的像素有较好的增强效果，而其它表现较弱的像素增强效果不明显；而本发明实施例所提供的方案能够根据像素在不同通道中的特征进行整体增强，所有边缘像素都有较好的增强效果，同时尽可能地保留了原始图像的所有细节信息。
综上，本发明实施例提供了一种高分辨率林业遥感图像细节增强方法，首先通过根据像素点的纹理特征值和颜色特征值对初始参考窗口尺寸进行调整，获取各个像素点的调整后参考窗口尺寸；根据像素点的颜色通道的多峰程度值和突变程度值，获取各个像素点的各个颜色通道的边缘程度值；根据边缘程度值和梯度值，获取各个像素点的增强系数；最终获取林业遥感细节增强图像，本发明通过对具有边缘表现效果的像素点进行针对性增强，改善了高分辨率林业遥感图像的细节表现效果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种高分辨率林业遥感图像细节增强方法，其特征在于，所述方法包括以下步骤：
获取林业遥感初始图像；
在所述林业遥感初始图像中，获取所有像素点的初始参考窗口尺寸；在像素点的预设邻域范围中，根据所有邻域像素点的所有颜色通道的梯度值和所有邻域像素点的分布，获取各个像素点的纹理特征值；在像素点的预设邻域范围中，根据所有邻域像素点的像素值，获取各个像素点的颜色特征值；根据像素点的所述纹理特征值和所述颜色特征值对初始参考窗口尺寸进行调整，获取各个像素点的调整后参考窗口尺寸；根据各个像素点的调整后参考窗口尺寸，构建各个像素点的调整后参考窗口；
在像素点的所述调整后参考窗口中，根据所有参考像素点的颜色通道的像素值分布峰值，获取各个像素点的各个颜色通道的多峰程度值；根据所有参考像素点的颜色通道的像素值的突变情况，获取各个像素点的各个颜色通道的突变程度值；根据像素点的颜色通道的所述多峰程度值和所述突变程度值，获取各个像素点的各个颜色通道的边缘程度值；
根据像素点的所有颜色通道的边缘程度值和梯度值，获取各个像素点的增强系数；根据各像素点的增强系数对林业遥感初始图像中各像素点进行增强，获取林业遥感细节增强图像。
2.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述纹理特征值的获取公式包括：
；其中，/>为第/>个像素点的所述纹理特征值；/>为在第/>个像素点的预设邻域范围中，所述邻域像素点的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个所述邻域像素点对应第/>个颜色通道的梯度；/>为在第/>个像素点的预设邻域范围中，第/>个所述邻域像素点对应所有颜色通道的总数量；/>为在第/>个像素点的预设邻域范围中，第/>个像素点和第/>个邻域像素点之间的欧式距离；/>为取模值符号。
3.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述颜色特征值的获取方法包括：
在像素点的预设邻域范围中，根据所有邻域像素点的像素值，对所有邻域像素点进行K-means聚类，获取各个聚类簇；
计算聚类簇所有邻域像素点的各个颜色通道的像素值的均值，得到聚类簇的整体像素值；
获取各个聚类簇的中心点；将聚类簇的中心点和预设邻域范围的中心之间的欧式距离，作为各个聚类簇的特征距离；按照特征距离大小变化顺序对聚类簇进行排序，得到聚类簇序列；
根据所述聚类簇序列中相邻的聚类簇之间所述整体像素值的差异，计算聚类簇的所述整体像素值的差分，得到聚类簇的第一差异值；
将聚类簇的所述第一差异值进行归一化，获取聚类簇的颜色差异值；
计算所有聚类簇的所述颜色差异值的均值，获取像素点的颜色特征值。
4.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述调整后参考窗口尺寸的获取步骤包括：
根据像素点的所述纹理特征值、所述颜色特征值和所述初始参考窗口尺寸，获取像素点的所述调整后参考窗口尺寸；所述纹理特征值、所述颜色特征值和所述初始参考窗口尺寸均与所述调整后参考窗口尺寸呈正相关性。
5.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述多峰程度值的获取方法包括：
在像素点的所述调整后参考窗口中，将任意一个颜色通道作为目标颜色通道；根据所有参考像素点的目标颜色通道的像素值，构建像素点的目标颜色通道的分布直方图；所述分布直方图的横轴为参考像素点的目标颜色通道的像素值，分布直方图的纵轴为参考像素点的数量；获取分布直方图的所有波峰点和波谷点；
根据所述多峰程度值公式获取所述多峰程度值，所述多峰程度值公式包括：
；其中，/>为第/>个像素点的所述目标颜色通道的多峰程度值；/>为第/>个像素点的所述目标颜色通道的分布直方图中，波峰点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波谷点对应参考像素点的总数量；/>为第/>个像素点的所述目标颜色通道的分布直方图中，第/>个波峰点对应的所述目标颜色通道的像素值；/>为第/>个像素点/>颜色通道的分布直方图中，第/>个波峰点对应的所述目标颜色通道的像素值。
6.根据权利要求5所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述突变程度值的获取方法包括：
在像素点的所述调整后参考窗口中，将像素点作为中心像素点，按照预设角度构建预设数量个参考直线，所述参考直线过中心像素点；
在每个参考直线上，计算参考像素点的所述目标颜色通道的像素值的差分，作为参考像素点的所述目标颜色通道的像素值的变化值；
将每个参考直线上所述变化值最大的参考像素点，作为每个所述参考直线的突变点；
将突变点和中心像素点之间的距离，作为突变点的突变距离；
计算突变点的所述变化值和所述突变距离乘积，作为突变点的第一突变值；
计算所有所述参考直线的突变点的第一突变值的均值，获取像素点的目标颜色通道的所述突变程度值。
7.根据权利要求5所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述边缘程度值获取方法包括：
根据像素点的目标颜色通道的所述多峰程度值和所述突变程度值，获取像素点的目标颜色通道的第一边缘度量值；所述多峰程度值和所述第一边缘度量值呈正相关性；所述突变程度值和所述第一边缘度量值呈正相关性；
将像素点的目标颜色通道的所述第一边缘度量值进行归一化，获取像素点的目标颜色通道的所述边缘程度值。
8.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述增强系数的获取方法包括：
根据所述增强系数公式获取所述增强系数，所述增强系数公式包括：
；其中，/>为第/>个像素点的所述增强系数；/>为第/>个像素点的第/>个颜色通道的边缘程度值；/>为第/>个像素点的/>颜色通道的梯度；/>为第/>个像素点的对应所有颜色通道的总数量；/>为归一化函数。
9.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述林业遥感细节增强图像的获取方法包括：
在林业遥感初始图像中，计算各个像素点的增强系数和对应的像素值的乘积，获取各个像素点的更新后像素值；根据各像素点的更新后像素值替换对应的像素值，获取林业遥感细节增强图像。
10.根据权利要求1所述的一种高分辨率林业遥感图像细节增强方法，其特征在于，所述所有颜色通道包括：R颜色通道，G颜色通道和B颜色通道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050363.XA CN117575953B (zh) | 2024-01-15 | 2024-01-15 | 一种高分辨率林业遥感图像细节增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050363.XA CN117575953B (zh) | 2024-01-15 | 2024-01-15 | 一种高分辨率林业遥感图像细节增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117575953A true CN117575953A (zh) | 2024-02-20 |
| CN117575953B CN117575953B (zh) | 2024-04-09 |
Family
ID=89890397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410050363.XA Active CN117575953B (zh) | 2024-01-15 | 2024-01-15 | 一种高分辨率林业遥感图像细节增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575953B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853346A (zh) * | 2024-03-08 | 2024-04-09 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
| CN118279305A (zh) * | 2024-05-31 | 2024-07-02 | 杭州鸿世电器股份有限公司 | 基于双目视觉的金属面板开关生产线自动检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110280494A1 (en) * | 2009-01-20 | 2011-11-17 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating enhanced images |
| CN115187545A (zh) * | 2022-07-07 | 2022-10-14 | 黄河水利职业技术学院 | 高空间分辨率遥感图像的处理方法、系统及存储介质 |
| CN115331119A (zh) * | 2022-10-13 | 2022-11-11 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN115908186A (zh) * | 2022-12-01 | 2023-04-04 | 山东省地质矿产勘查开发局第一地质大队（山东省第一地质矿产勘查院） | 一种遥感测绘图像增强方法 |
| CN115984134A (zh) * | 2022-12-30 | 2023-04-18 | 黄河水利职业技术学院 | 一种遥感测绘图像智能增强方法 |
| CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
-
2024
- 2024-01-15 CN CN202410050363.XA patent/CN117575953B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110280494A1 (en) * | 2009-01-20 | 2011-11-17 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating enhanced images |
| CN115187545A (zh) * | 2022-07-07 | 2022-10-14 | 黄河水利职业技术学院 | 高空间分辨率遥感图像的处理方法、系统及存储介质 |
| CN115331119A (zh) * | 2022-10-13 | 2022-11-11 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
| CN115908186A (zh) * | 2022-12-01 | 2023-04-04 | 山东省地质矿产勘查开发局第一地质大队（山东省第一地质矿产勘查院） | 一种遥感测绘图像增强方法 |
| CN115984134A (zh) * | 2022-12-30 | 2023-04-18 | 黄河水利职业技术学院 | 一种遥感测绘图像智能增强方法 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| XINRU CHEN ET AL.: "Image Manipulation Detection by Multi-View Multi-Scale Supervision", 《2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, 28 February 2022 (2022-02-28), pages 14165 - 14173 * |
| XUN LIN ET AL.: "Image manipulation detection by multiple tampering traces and edge artifact enhancement", 《PATTERN RECOGNITION》, vol. 133, no. 10, 31 January 2023 (2023-01-31), pages 1 - 10 * |
| 袁姮等: "强化特征图的无参考低光照图像增强", 《计算机科学与探索》, 5 December 2023 (2023-12-05), pages 18 * |
| 郭洪等: "提高边缘细节清晰度的图像融合改进算法", 《木工机床》, no. 06, 25 September 2012 (2012-09-25), pages 25 - 28 * |
| 郭玉等: "山东省滨海湿地景观格局演变及其生态环境效应遥感分析", 《湿地科学》, vol. 21, no. 06, 12 December 2023 (2023-12-12), pages 850 - 859 * |
| 郭红山等: "基于萤火虫算法的农业遥感图像增强研究", 《浙江农业学报》, vol. 28, no. 06, 25 June 2016 (2016-06-25), pages 1076 - 1081 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853346A (zh) * | 2024-03-08 | 2024-04-09 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
| CN117853346B (zh) * | 2024-03-08 | 2024-05-14 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
| CN118279305A (zh) * | 2024-05-31 | 2024-07-02 | 杭州鸿世电器股份有限公司 | 基于双目视觉的金属面板开关生产线自动检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117575953B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
| Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
| CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
| CN108765359B (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
| CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
| CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
| CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
| CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
| JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| CN111275652B (zh) | 一种去除城市遥感图像中雾霾的方法 | |
| CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN112131946A (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
| Guo et al. | Haze and thin cloud removal using elliptical boundary prior for remote sensing image | |
| CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
| CN108830814A (zh) | 一种遥感影像的相对辐射校正方法 | |
| CN115578660B (zh) | 基于遥感图像的土地地块分割方法 | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| CN115953690B (zh) | 用于无人收割机行进校准的倒伏作物识别方法 | |
| CN111563866B (zh) | 一种多源遥感图像融合方法 | |
| CN116258968B (zh) | 一种林果病虫管理方法及系统 | |
| CN112085676A (zh) | 一种高分遥感影像阴影补偿方法及系统 | |
| CN116188990A (zh) | 一种基于无人机遥感的地表植被识别方法及系统 | |
| CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
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 |