CN117830119A - 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 - Google Patents
基于指数缩放变换的遥感影像融合方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117830119A CN117830119A CN202311818277.0A CN202311818277A CN117830119A CN 117830119 A CN117830119 A CN 117830119A CN 202311818277 A CN202311818277 A CN 202311818277A CN 117830119 A CN117830119 A CN 117830119A
- Authority
- CN
- China
- Prior art keywords
- function
- wave band
- remote sensing
- bands
- characteristic
- 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.)
- Pending
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 57
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 230000002708 enhancing effect Effects 0.000 claims abstract description 23
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 147
- 238000000034 method Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000003014 reinforcing effect Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 16
- 230000000007 visual effect Effects 0.000 abstract description 8
- 230000004304 visual acuity Effects 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 2
- 101150029019 ATP6 gene Proteins 0.000 description 1
- 101100026598 Arabidopsis thaliana NOP2A gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- -1 desert Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 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
- 230000003863 physical function Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于指数缩放变换的遥感影像融合方法、系统、设备及介质，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；将近红外波段与其他波段中一个或多个进行融合，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，构建指数缩放变换函数；根据指数缩放变换函数，构建植被特征增强的增强系数函数；合成利用增强系数函数对红、绿波段分别进行增强后的波段与原始蓝波段。本发明在增强真彩色影像上植被特征的同时，保持了裸露地物的特征，改善了真彩色影像的整体目视特征和效果，以及改善了真彩色影像的目视分辨能力和计算机解析能力。
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缩放变换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，各行各业可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种的色彩、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。
大多数的融合研究集中在高分辨率全色图像和多光谱图像融合，也有一些文献研究光学图像和SAR图像融合、高光谱图像融合、多时相图像融合，但针对多光谱图像谱间融合的研究更少，主要集中在真彩色影像模拟或植被增强处理中。
可见光多光谱卫星遥感数据的红、绿、蓝波段分别置于红、绿、蓝通道组合生成的图像为真彩色影像，其显著特征是水体和岩石、土壤、建筑物等裸露陆地物与地面目视的自然色一致，植被色彩就像在万米高空飞机上看到的地面植被色彩。
卫星遥感真彩色影像植被色彩不自然不真实是显而易见的缺陷。保持卫星遥感真彩色影像上的水及岩石、土壤、建筑物等裸露地物的色彩特征，改善卫星遥感真彩色影像的植被色彩特征是卫星遥感真彩色图像处理的关键。直接采用传统直方图调节等一般增强技术可以在一定程度上克服其外在缺点，但难度大，效率低，且不能来克服其固有缺陷。如何应用植被波段的优点，根据融合的基本原理将其融合到真彩色影像的不同波段中，有效增强卫星遥感真彩色影像的植被特征进而有效改善真彩色影像的整体质量，提高真彩色影像的应用潜力成为卫星遥感真彩色图像处理技术研究的重点和难点。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。如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缩放变换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。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缩放变换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缩放变换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：
一种基于指数缩放变换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，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
根据指数缩放变换函数，构建植被特征增强的增强系数函数；
将利用增强系数函数对红、绿波段分别进行增强后的波段与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，根据特征比值指数及其特征阈值，构建指数缩放变换函数，包括：
设特征比值指数x在其特征阈值为c时的阶跃函数为：
设x的连续函数为h(x)，则图像置换融合表达式为：
B＝{δ(x)×「h(x)-1]+1}×b
要使图像B保持光滑，须有F(x)＝δ(x)×[h(x)-1]为连续函数，即：
在x＝c处连续，即h(c)＝1，则得到h(x)＝x/c；
显然，h(x)＝(x/c)n，n>0，也满足h(c)＝1的条件。
进一步的，所述根据指数缩放变换函数，构建植被特征增强的增强系数函数，包括：
根据指数缩放变换函数，构建以指数缩放变换函数为参数的平滑约束基函数；
根据平滑约束基函数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。
进一步的，所述根据增量系数函数得到对应的增强系数函数为：
F(x)＝δ(x)f(x)+1
或者：
F(x)＝δ(NDxI)f(x)+1
其中，f(x)为增量系数函数，δ(x)为x在其特征阈值为c时的阶跃函数，NDxI为x的归一化指数，δ(NDxI)为NDxI在其阈值为NDxIc的阶跃函数。
进一步的，所述植被特征增强的增量系数函数为：
其中，g(x)为平滑约束基函数或者其复合函数，xmax为特征比值指数x的统计最大值，k为绿度调节系数；
所述平滑约束基函数包括特征比值指数缩放变换平滑约束基函数和特征比值指数缩放变换的同源归一化指数平滑约束基函数；
所述特征比值指数缩放变换平滑约束基函数为：
u(h(x))＝h(x)-h(c)＝h(x)-1
所述特征比值指数缩放变换的同源归一化指数平滑约束基函数为：
其中，h(x)为指数缩放变换函数，NDhI为h(x)的同源归一化指数。
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：
c∈[xw,xv]
其中，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，所述特征比值指数的表达式为：
其中，bi为红波段、绿波段、蓝波段中任意一个，与近红外波段融合得到的成果为b′i；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：
一种基于指数缩放变换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组合为分母，计算特征比值指数；
第一构建模块，用于根据特征比值指数及其特征阈值，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
第二构建模块，用于根据指数缩放变换函数，构建植被特征增强的增强系数函数；
增强模块，用于将利用增强系数函数对红、绿波段分别进行增强后的波段与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；
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，有效改善了真彩色影像的目视分辨能力和计算机解析能力，有利于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；有利于拓展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，有利于发挥其在AI自动分类中的基础作用。
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的基于指数缩放变换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的基于指数缩放变换的遥感影像融合方法的详细流程图；
图3为本发明实施例1的TM及OLI2典型地物光谱曲线；
图4为本发明实施例1的比值植被指数分类原理示意图；
图5为本发明实施例2的植被特征增强前真彩色组合彩色影像图；
图6为本发明实施例2的特征比值指数图；
图7为本发明实施例2的第一种增强方案对应的增强后的真彩色合成图；
图8为本发明实施例2的第二种增强方案对应的增强后的真彩色合成图；
图9为本发明实施例2的第三种增强方案对应的增强后的真彩色合成图；
图10为本发明实施例2的第四种增强方案对应的增强后的真彩色合成图；
图11为本发明实施例2的基于指数缩放变换的遥感影像融合系统的结构框图；
图12为本发明实施例3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缩放变换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、绿波段和蓝波段的卫星遥感影像。
输入具有近红外NIR、红R、绿G、蓝B波段的卫星遥感影像。
S102、根据卫星遥感影像计算特征比值指数及其归一化指数。
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，VI≥0。
从图3可见，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。同时，该指数从水到陆单调递增的性质使之具有地物分类的作用，即总可以找到一个特征阈值把影像分为两类。如找到一个水体阈值就可以将影像分为水与非水两类；找到一个裸露地物值域就可以将影像分为裸露地物与非裸露地物两类；找到一个植被阈值就可以将影像分为植被与非植被两类。当然，由于影像“同谱异物、同物异谱”像元的广泛存在，相较于地物的精确分类而言，这种分类总会有有错分和漏分，只能称之为概略分类。可见，这一指数具有地物分类和植被特征增强的作用。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，其分类原理示意图如图4所示。
事实上当以近红外波段为分子，以真彩色的三个波段的组合为分母时，构建的比值指数均具有比值植被指数相似的功能。因而以下几个比值指数也是合适的概略分类函数，如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)。也可以是采用Gram-Schmidt、PCA、Wavelet等融合方法获得融合衍生指数。这些特征指数可以按照统一的数学描述进行统一的数学表达。
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b′i。
(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：
b′i＝Fusion(NIR,b1，...,bm)
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。
则x的归一化指数为：
所有特征比值指数中缺省值取：
b′i＝GS(NIR,b1,b2,b3)
特征指数x的n次幂即h(x)＝xn(n>0)与原指数h(x)＝x具有相同的单调性质和同样的特征点(0,0)、(1,1)。特征指数x的n次幂即h(x)＝xn与特征指数一样可以作为植被特征增强的基本参数。
S103、确定特征比值指数及其归一化指数的特征阈值。
仅从分类增强的角度而言，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c∈[xw,xv]。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。xm对应的归一化指数阈值为
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。
S104、根据特征比值指数及其特征阈值，构建指数缩放变换函数。
进一步的，步骤S104具体包括：
(1)构建特征阈值为1时的图像置换融合表达式。
设存在图像b，将x与b两者相乘可得一幅新的图像b′，即：
b'＝x×b
则该图像在x>1的地方，图像信息得到增强，在x<1的地方图像信息受到减弱，x＝1的地方图像信息保持不变。在x>1的地方取图像b′的值，在x≤1的地方取b的值，可以通过置换融合运算得到一幅新的融合图像B。
设x在阈值为1时有阶跃函数：
则置换融合运算可以表示为：
B＝[δ(x)×(x-1)+1]×b
显然，阶跃函数δ(x)在阈值1处不连续，但F(x)＝δ(x)×(x-1)为连续函数。利用这个特点构建任意特征阈值的缩放变换表达式。
(2)构建特征阈值为x时的指数缩放变换表达式。
一般地若h(x)为特征比值指数的连续函数，b′＝h(x)×b，x为植被特征阈值，在x>c的地方取图像b′的值，在x≤c的地方取b的值，可以得到一幅新的融合图像B。设x在阈值为c时有阶跃函数：
则按照上述置换融合运算规则，有：
B＝{δ(x)×[h(x)-1]+1}×b
显然，阶跃函数δ(x)在阈值c处不连续。要使图像B保持光滑，须有F(x)＝δ(x)×[h(x)-1]为连续函数，即要求：
在x＝c处连续，等价于h(c)＝1。满足该条件的一个简洁函数为h(x)＝x/c，即将特征指数缩放c倍得到。很显然，h(x)＝(x/c)n，n>0，也满足h(c)＝1的条件。
h(x)＝(x/c)n具有与x相似的数学性质和物理功能，因而也可以作为植被特征增强的基本参数。
S105、根据指数缩放变换，构建植被特征增强的增强系数函数。
进一步的，步骤S105具体包括：
(1)构建指数缩放变换的平滑约束基函数。
基于指数缩放变换函数h(x)对大于阈值c处的影像植被特征进行增强，按照叠加融合原理，可以写成一个通用表达式：
b′＝[δ(x)×f(h(x))+1]×b
由于阶跃函数δ(x)在阈值c处为不连续函数，容易使得融合后的影像出现锯齿、斑点等噪声，使得影像上的地物之间色彩过渡不平顺、不平滑。要使增强后的影像b′依然保持平滑的充分必要条件是函数F(h(x))＝δ(x)f(h(x))为连续函数。即：
上述条件等价于：
满足上述约束条件的f(h(x))称之为以h(x)为参数的平滑约束函数。
显而易见，这样的函数无穷多，其中两个简洁的平滑约束函数为：
u(h(x))＝h(x)-h(c)＝h(x)-1＝(xn-cn)/cn
其中NDhI为h(x)的同源归一化指数。
u(h(x))称之为特征比值指数缩放变换平滑约束基函数；v(h(x))称之为特征比值指数缩放变换的同源归一化指数平滑约束基函数。
(2)根据平滑约束基函数，构建植被特征增强的增量系数函数。
令n>0，
k0
ck∈[0，1/(xmax-c)]
由上述两类平滑约束基函数可以构建系列复合平滑约束函数。其中几个典型的复合平滑约束函数g(x)及对应的增量系数函数f(x)如下：
(2-1)直接由平滑约束基函数构造：
则：
则：
特别地，当n＝1时有：
(2-2)由缩放变换指数乘积模式构造：
特别地，当n＝1时有：
(2-3)由特征指数缩放变换的归一化指数乘积模式构造：
特别地，当n＝1时有：
(2-4)由缩放变换指数及其归一化指数乘积模式构造：
或者：
两者为等价函数。则：
特别地，当n＝1时有：
(2-5)由特征指数缩放变换及同源归一化指数线性组合模式构造：
其中：
k01＝n/c
k02＝0.5n/c
特别地，当n＝1时有：
其中：
上述增量函数可统一表达为：
其中，g(x)为平滑约束基函数的复合函数，g(xmax)为平滑约束复合函数的最大值。k大于0，为常系数，具有调节植被绿度的作用，称之为绿度调节系数；当k从小到大变换时，植被绿度从原始真彩色影像的蓝灰色到青绿色到黄绿色变化，缺省值取k＝1。
(3)根据增量系数函数得到对应的增强系数函数。
增强系数函数为：
F(x)＝δ(x)f(x)+1
等价于：
F(x)＝δ(NDxI)f(x)+1
S106、利用增强系数函数对红、绿波段增强。
增强方案如下：
R′＝[δ(x)f(x)+1]×R
G′＝[δ(x)f(x)+1]×G
或者：
R′＝[δ(NDxI)f(x)+1]×R
G′＝[δ(NDxI)f(x)+1]×G
S107、合并增强后的红、绿波段以及原始蓝波段。
用R′、G′、B三个波段对应彩色影像的红、绿、蓝通道合成彩色影像；存储增强后的真彩色影像。
本实施例从总体上说，该方法给出的增强算法基于卫星影像数据的内在特征，数据适应性强；特征比值指数、特征指数的缩放变换、特征阈值、基于特征阈值的阶跃函数、平滑约束函数、绿度调节系数各参数具有明确的物理意义，处理目标明确，质量可靠，应用简便；该技术具有多指数、多参数、多模式的特点，满足不同用户的个性需求。此外该方法具有以下突出优点：
(1)本实施例给出了特征分类增强的平滑约束函数，有效避免了处理过程中产生噪声的情形。
特征分类增强的平滑约束函数以阈值处增量系数为0作为约束条件灵活构造，无论在理论上还是方法上均具有独创性，保证了增强后的图像在阈值处平滑过度，有效避免非0约束的分类增强经常出现的噪声现象。
(2)本实施例给出缩放变换指数的幂次及色度调节系数具有联合调节植被色度与层次的功能，处理目标明确效果可控。
缩放变换指数的幂次、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，两个调节系数大小变化与植被色彩变化方向之间具有良好的对应关系。此外幂次从小到大变化，特征增强系数曲线从凸曲线向凹曲线变化，不同植被的层次差异逐渐凸显。二者联合控制使得调节方向、增强效果可预见可控制。
(3)本实施例对特征指数进行缩放变换，拓展了真彩色影像植被特征增强的函数空间，有效提升了植被特征增强能力。
对特征指数进行缩放变化，保留了原指数的单调变化特征，可以按照原指数构造特征增强的函数空间的方法，构造系列基于缩放变换的特征增强函数空间，二者组合有效扩大了特征增强的函数空间，特别是对冬季植被特征更不明显、植被差异更不突出的影像，采用缩放变换函数空间能显著改善其植被特征。
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)的遥感影像图作进一步描述。
(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5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。
以比值水体指数的倒数为例。
根据上述公式，建立波段运算表达式1.0*b1/b2计算特征比值指数x。其中b1为近红外波段，b2为原始绿波段，计算成果如图6(按照envi缺省设置0.1％拉伸的效果图)。
(3)确定特征阈值及缩放变换指数。
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＝0.823516，x的最大值xmax＝3.022321。
则指数缩放变换得h(x)＝(x/c)n，后续案例取n＝1，h(x)＝x/0.823516。鉴于此时缩放变换指数平滑约束方案及缩放指数的乘积平滑约束函数与不变换时相同，不计算这两个案例。
(4)红、绿波段植被特征增强计算及真彩色合成。
增强方案1：基于缩放变换的归一化指数平滑约束函数：
k＝1
R′＝[δ(NDxI)f(x)+1]×R
G′＝[δ(NDxI)f(x)+1]×G
根据上述公式输入计算表达式：uint(((b1 gt 0.823516)*(b1-0.823516)/(b1+0.823516)/0.5717364+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7(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。
增强方案2：基于两缩放变换归一化指数乘积的平滑约束函数：
取n＝1，c1＝c＝0.823516
k＝1
R′＝[δ(NDxI)f(x)+1]×R
G′＝[δ(NDxI)f(x)+1]×G
根据上述公式，在ENVI中输入计算表达式：uint(((b1 gt 0.823516)*(b1-0.823516)^2/(b1+0.823516)^2/0.326882511+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8(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4、5。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6。
增强方案3：基于缩放变换指数及其归一化指数乘积的平滑约束函数：
取n＝1，c1＝c＝0.823516，
k＝1
R′＝[δ(NDxI)f(x)+1]×R
G′＝[δ(NDxI)f(x)+1]×G
根据上述公式输入计算表达式：uint(((b1 gt 0.823516)*(b1-0.823516)^2/(b1+0.823516)/1.257136854+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9(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见表7、8。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9。
增强方案4：基于缩放变换指数及其归一化指数线性组合的平滑约束函数。
取ck＝0.4∈[0，0.45479249]，n＝1，c1＝c＝0.823516，
k2＝2(cck-k1)＝2×(0.823516×0.4-0.408328246)＝-0.157843691
k＝1
R′＝[δ(NDxI)f(x)+1]×R
G′＝[δ(NDx)f(x)+1]×G
根据上述公式输入计算表达式：uint(((b1 gt0.823516)*(0.408328246*(b1-0.823516)/0.823516-0.157843691*(b1-0.823516)/(b1+0.823516))+1)*b2+0.5)，其中b1为特征比值指数，b2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10(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见表10、11。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12。
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
表4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5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6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
表7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8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9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
/>
表10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11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12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
实施例3：
如图11所示，本实施例提供了一种基于指数缩放变换的遥感影像融合系统，该系统包括获取模块1101、计算模块1102、第一构建模块1103、第二构建模块1104和增强模块1105，其中：
获取模块1101，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1102，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组合为分母，计算特征比值指数；
第一构建模块1103，用于根据特征比值指数及其特征阈值，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
第二构建模块1104，用于根据指数缩放变换函数，构建植被特征增强的增强系数函数；
增强模块1105，用于将利用增强系数函数对红、绿波段分别进行增强后的波段与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12所示，其通过系统总线1201连接的处理器1202、存储器、输入装置1203、显示器1204和网络接口1205，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1206和内存储器1207，该非易失性存储介质1206存储有操作系统、计算机程序和数据库，该内存储器1207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1202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，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
根据指数缩放变换函数，构建植被特征增强的增强系数函数；
将利用增强系数函数对红、绿波段分别进行增强后的波段与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，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
根据指数缩放变换函数，构建植被特征增强的增强系数函数；
将利用增强系数函数对红、绿波段分别进行增强后的波段与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，构建了多参数、多模式的增强公式，有效改善原始真彩色合成图像上的植被特征，大幅改善真彩色影像的整体效果。该技术方法理论基础扎实、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 (10)
1.一种基于指数缩放变换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，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
根据指数缩放变换函数，构建植被特征增强的增强系数函数；
将利用增强系数函数对红、绿波段分别进行增强后的波段与原始蓝波段进行合成，得到植被特征增强后的真彩色影像。
2.根据权利要求1所述的遥感影像融合方法，其特征在于，根据特征比值指数及其特征阈值，构建指数缩放变换函数，包括：
设特征比值指数x在其特征阈值为c时的阶跃函数为：
设x的连续函数为h(x)，则图像置换融合表达式为：
B＝{δ(x)×[h(x)-1]+1}×b
要使图像B保持光滑，须有F(x)＝δ(x)×[h(x)-1]为连续函数，即：
在x＝c处连续，即h(c)＝1，则得到h(x)＝x/c；
显然，h(x)＝(x/c)n，n>0，也满足h(c)＝1的条件。
3.根据权利要求1所述的遥感影像融合方法，其特征在于，所述根据指数缩放变换函数，构建植被特征增强的增强系数函数，包括：
根据指数缩放变换函数，构建以指数缩放变换函数为参数的平滑约束基函数；
根据平滑约束基函数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。
4.根据权利要求3所述的遥感影像融合方法，其特征在于，所述根据增量系数函数得到对应的增强系数函数为：
F(x)＝δ(x)f(x)+1
或者：
F(x)＝δ(NDxI)f(x)+1
其中，f(x)为增量系数函数，δ(x)为x在其特征阈值为c时的阶跃函数，NDxI为x的归一化指数，δ(NDxI)为NDxI在其阈值为NDxIc的阶跃函数。
5.根据权利要求3、4任一项所述的遥感影像融合方法，其特征在于，所述植被特征增强的增量系数函数为：
其中，g(x)为平滑约束基函数或者其复合函数，xmax为特征比值指数x的统计最大值，k为绿度调节系数；
所述平滑约束基函数包括特征比值指数缩放变换平滑约束基函数和特征比值指数缩放变换的同源归一化指数平滑约束基函数；
所述特征比值指数缩放变换平滑约束基函数为：
u(h(x))＝h(x)-h(c)＝h(x)-1
所述特征比值指数缩放变换的同源归一化指数平滑约束基函数为：
其中，h(x)为指数缩放变换函数，NDhI为h(x)的同源归一化指数。
6.根据权利要求1～4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：
c∈[xw,xv]
其中，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。
7.根据权利要求1～4任一项所述的遥感影像融合方法，其特征在于，所述特征比值指数的表达式为：
其中，bi为红波段、绿波段、蓝波段中任意一个，与近红外波段融合得到的成果为b′i；n＝1,...,m；m＝1,2,3。
8.一种基于指数缩放变换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组合为分母，计算特征比值指数；
第一构建模块，用于根据特征比值指数及其特征阈值，构建指数缩放变换函数；其中，指数缩放变换函数h(x)＝(x/c)n，x为特征比值指数，c为其特征阈值，n>0；
第二构建模块，用于根据指数缩放变换函数，构建植被特征增强的增强系数函数；
增强模块，用于将利用增强系数函数对红、绿波段分别进行增强后的波段与原始蓝波段进行合成，得到植被特征增强后的真彩色影像。
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任一项所述的遥感影像融合方法。
10.一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1-7任一项所述的遥感影像融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311818277.0A CN117830119A (zh) | 2023-12-27 | 2023-12-27 | 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311818277.0A CN117830119A (zh) | 2023-12-27 | 2023-12-27 | 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117830119A true CN117830119A (zh) | 2024-04-05 |
Family
ID=90516688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311818277.0A Pending CN117830119A (zh) | 2023-12-27 | 2023-12-27 | 基于指数缩放变换的遥感影像融合方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830119A (zh) |
-
2023
- 2023-12-27 CN CN202311818277.0A patent/CN117830119A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114612387B (zh) | 基于特征阈值的遥感影像融合方法、系统、设备及介质 | |
| 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 | |
| CN110751727B (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
| JP4097742B2 (ja) | 関数演算プロセッサ制御マシンの操作方法 | |
| DE102019213184A1 (de) | Verfahren und system zum automatischen weissabgleich auf basis von tiefem lernen | |
| 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 | |
| US10169908B2 (en) | Method, apparatus, storage medium and device for controlled synthesis of inhomogeneous textures | |
| CN108932708A (zh) | 基于超分辨增强的星载多光谱遥感图像融合方法 | |
| CN115082582B (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
| CN114863173B (zh) | 一种面向土地资源审计的自互注意力高光谱图像分类方法 | |
| CN108491869B (zh) | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 | |
| CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
| 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 | |
| CN115711855B (zh) | 一种不透水面的提取方法、装置、终端设备以及存储介质 | |
| CN110751699A (zh) | 基于卷积神经网络的光学遥感图像的色彩重建方法 | |
| Djerriri et al. | Object-based classification of Sentinel-2 imagery using compact texture unit descriptors through Google Earth Engine | |
| CN114372987A (zh) | 基于不规则区域空间光谱信息的亚像元洪水淹没制图方法 | |
| 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 | |
| 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 | |
| Wang et al. | A remote sensing image fusion algorithm based on integer wavelet transform | |
| 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 | |
| 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 | |
| CN112033914A (zh) | 一种基于遥感图像的彩钢瓦厂房提取方法 |
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 |