CN117935079A - 一种遥感影像融合方法、系统及可读存储介质 - Google Patents
一种遥感影像融合方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN117935079A CN117935079A CN202410121080.XA CN202410121080A CN117935079A CN 117935079 A CN117935079 A CN 117935079A CN 202410121080 A CN202410121080 A CN 202410121080A CN 117935079 A CN117935079 A CN 117935079A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- characteristic
- vegetation
- sensing image
- fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 66
- 230000009466 transformation Effects 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 239000003086 colorant Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- -1 desert Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感影像融合方法、系统及可读存储介质。所述方法包括：输入卫星遥感影像；计算遥感影像融合的特征比值指数；确定特征比值指数的特征阈值；构建特征比值指数原空间平滑约束函数；构建特征比值指数变换空间的归一化指数对称曲线；确定植被特征增强的特征增量系数和增强系数函数；根据增强系数函数对真彩色影像的红波段、绿波段植被特征进行增强；用增强后的绿波段、增强后的红波段、蓝波段三个波段对应彩色影像的红、绿、蓝通道合成彩色影像，并存储增强后的真彩色影像。本发明在高植被区具有保持和放大植被特征差异的优异性能，从而实现对高植被影像特征的增强，以提高真彩色遥感影像目视分辨力和计算机解析力。
Description
技术领域
本发明涉及遥感影像融合技术领域，更具体地，涉及一种遥感影像融合方法、系统及可读存储介质。
背景技术
对于真彩色影像植被增强技术的评价主要有目视评价和定量评价。原始的遥感真彩色影像虽然在水体、裸露陆地等地物上与地面地物色彩一致，但在植被区域色彩暗淡、层次不清。一般真彩色影像需要通过对植被的增强获得在上述类地物均与地面色彩一致的真彩色影像。即植被以绿色为基调，不同类别、不同覆盖度的植被呈现深浅不一、浓淡各异的各种绿色；水体以蓝色为基调，除开因水面植被覆盖、高浓度含沙、高污染等组分不同呈现绿、黄、黑等外，主体为深浅不一、浓淡各异的各种蓝色；其它如岩石、裸露土壤、道路、居民地等裸露陆地则与其地面丰富的色彩一致，呈现灰、黑、白、赤、橙、黄、绿、青、蓝、紫等五颜六色。目视选取典型水域、裸露陆地、植被等地物类别，定性比较原始真彩色影像同增强的真彩色影像的色彩变化，可以目视评价真彩色影像植被增强的效果。
定量评价在一定程度上是目视评价的指标的定量化。对于真彩色影像植被特征增强而言，既要改善真彩色影像植被的色彩，也要保障增强后的真彩色影像的层次、细节等的丰富度和清晰度。总体上可以从两个方面对重构影像进行定量评价：
其一为植被色彩增强效果的定量描述与比较。在RGB、CMYK、IHS、CIELab等描述色彩空间的模型中，一般认为RGB三原色色彩模型适合于计算机等屏幕显示，CMYK等印刷模型适用于彩色图像打印输出，而IHS、CIELab等色彩空间模型色彩描述方面符合人眼视觉感知模式。基于这种认识，一般在定量评价真彩色影像的效果时采用的方法是：将RGB三原色色彩空间描述的遥感影像转换为IHS或CIELab色彩空间描述的影像，读取植被地物增强前后在这些色彩空间中的色度、饱和度、强度等，分析其变化趋势和特征。
其二，增强后的真彩色图像的质量指标统计与比较。一般来说图像处理的质量可以从三个方面进行评价：第一,增强后图像整体及植被区域的信息丰富程度，可用熵、联合熵度量；第二，增强后图像整体及植被区域的色彩丰富、明亮程度，可用波段统计特征——最大值、最小值、均值、方差及波段之间的相关性指标——相关系数、协方差等衡量；第三，增强后图像整体及植被区域的层次(边缘)、细节(纹理)和影像的清晰程度，可以用梯度、平均梯度等衡量。比较增强前后图像整体及植被区域各指标的差异，就能对光谱(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。
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，具有不同空间分辨率、时间分辨率和光谱分辨率的影像日益丰富。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
鉴于上述问题，本发明的目的是提供一种遥感影像融合方法、系统和可读存储介质
本发明第一方面提供了一种遥感影像融合方法，所述方法包括以下步骤：
输入具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；
计算遥感影像融合的特征比值指数；
确定特征比值指数的特征阈值；
根据特征比值指数的特征阈值，构建特征比值指数原空间平滑约束函数；
根据特征比值指数原空间平滑约束函数，构建特征比值指数变换空间的归一化指数对称曲线；
确定植被特征增强的特征增量系数和增强系数函数；
根据增强系数函数对真彩色影像的红波段、绿波段植被特征进行增强；
用增强后的绿波段、增强后的红波段、蓝波段三个波段对应彩色影像的红、绿、蓝通道合成彩色影像，并存储增强后的真彩色影像。
优选地，所述计算遥感影像融合的特征比值指数，具体为：
设bi为遥感影像真彩色波段中的一个波段，参与融合的波段为近红外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。
对于准Brovey融合，融合结果记为：
其中m＝1,2,3，i＝1,…,m，j＝1,…,m，bi、bi为参与融合的真彩色波段，NIR为近红外波段；
对于Schmidt-Gram、PCA融合、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融合或WL(Wavelet)融合方法；
遥感影像融合的特征比值指数为：
其中n＝1,…,m。
优选地，所述确定特征比值指数的特征阈值，具体为：
计算特征比值指数x的最小值xmin、最大值xmax和平均值xm；
确定纯水体的阈值xw、纯裸露地物的阈值xb、纯植被的阈值xv；则特征阈值c∈[xw，xv]，缺省取c＝xm。
优选地，所述构建特征比值指数原空间平滑约束函数，具体为：
设特征比值指数x的平滑约束函数u(x)在最大值xmax的值为1，即：
特征比值指数对应的归一化指数的平滑约束函数v(x)在最大值xmax的值也为1，即：
g(x)＝Csv(x)为过点(c,0)、(xmax,Cs)的植被特征增强的增量函数，l(x)＝Csu(x)为过点(c,0)、(xmax,Cs)的直线；
其中，c为特征比值指数x的植被特征增强的阈值；Cs>0为常数，其物理含义是特征比值指数最大值xmax处归一化指数平滑约束函数v(x)的值。
优选地，所述构建特征比值指数变换空间的归一化指数对称曲线，具体为：
设h(x)为特征比值指数变换函数，其表达式为：
其中，s为特征比值指数的缩放值，t为特征比值指数的平移值；
(1)当h(x)为幂次变换时，s＝1，t＝0
h(x)＝xn
(2)当h(x)为缩放幂次变换时，s＝c，t＝0
(3)当h(x)为平移幂次变换时，s＝1，t＝1-c
其中，sign为取符号函数，abs为取绝对值函数，n>0；
则变换空间归一化指数平滑约束函数和对称轴分别为：
g(h(x))＝Csv(h(x))＝k[h(xmax)+1]·V(h(x))
l(h(x))＝kA(h(x))
其中，
A(h(x))＝h(x)-h(c)
令f(h(x))为归一化指数平滑约束函数g(h(x))关于直线l(h(x))的对称曲线，其表达式为：
其中：
优选地，所述确定植被特征增强的特征增量系数和增强系数函数，具体为：
由特征比值指数变换空间中的归一化指数对称曲线f(h(x))构建遥感影像植被特征增量系数函数，则植被特征增强系数函数为：
F(h(x))＝m1δ(x)f(h(x))+1
其中，m1为绿度调节系数，m1>0。
优选地，所述对真彩色影像的红波段植被特征进行增强，增强方案为：
R′＝[m1δ(x)f(h(x))+1]×R
其中，R'为增强后的绿波段、R为绿波段。
优选地，所述对真彩色影像的绿波段植被特征进行增强，增强方案为：
G′＝[m1δ(x)f(h(x))+1]×G
其中，G'为增强后的红波段、G为红波段。
本发明第二方面提供了一种遥感影像融合系统，包括存储器和处理器，所述存储器中包括遥感影像融合方法程序，所述遥感影像融合方法程序被所述处理器执行时实现所述一种遥感影像融合方法的步骤。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括遥感影像融合方法程序，所述遥感影像融合方法程序被处理器执行时，实现所述一种遥感影像融合方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：本发明提供了一种遥感影像融合方法、系统及可读存储介质。本发明利用凹曲线的对称曲线为凸曲线的原理，该类函数在高植被区具有保持和放大植被特征差异的优异性能，从而实现对高植被影像特征的增强，以提高真彩色遥感影像目视分辨力和计算机解析力。
附图说明
图1为实施例1所述一种遥感影像融合方法流程图。
图2为TM典型地物光谱曲线。
图3为TM典型地物光谱曲线。
图4为比值植被指数分类原理示意图。
图5为肇庆2021年1月18日GF6真彩色合成图。
图6为肇庆2021年1月18日GF6特征比值指数图。
图7为肇庆2021年1月18日GF6方案一增强后的真彩色合成图。
图8为肇庆2021年1月18日GF6方案二增强后的真彩色合成图。
图9为肇庆2021年1月18日GF6方案三增强后的真彩色合成图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，本实施例公开了一种遥感影像融合方法，所述方法包括以下步骤：
S1：输入具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像。
S2：计算遥感影像融合的特征比值指数。
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，VI≥0。
从图2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。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，其分类原理示意图如图3-4所示。
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)等也具有同样的特征。同理，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。
本实施例中，设bi为遥感影像真彩色波段中的一个波段，参与融合的波段为近红外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，j＝1,…,m，bi、bi为参与融合的真彩色波段，NIR为近红外波段；
(2)对于Schmidt-Gram、PCA融合或者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融合或WL(Wavelet)融合方法；
遥感影像融合的特征比值指数为：
其中n＝1,…,m。
S3：确定特征比值指数的特征阈值。
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。
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。
S4：根据特征比值指数的特征阈值，构建特征比值指数原空间平滑约束函数。
设特征比值指数x的平滑约束函数u(x)在最大值xmax的值为1，即：
特征比值指数对应的归一化指数的平滑约束函数v(x)在最大值xmax的值也为1，即：
g(x)＝Csv(x)为过点(c,0)、(xmax,Cs)的植被特征增强的增量函数，l(x)＝Csu(x)为过点(c,0)、(xmax,Cs)的直线；
其中，c为特征比值指数x的植被特征增强的阈值；Cs>0为常数，其物理含义是特征比值指数最大值xmax处归一化指数平滑约束函数v(x)的值。
S5：根据特征比值指数原空间平滑约束函数，构建特征比值指数变换空间的归一化指数对称曲线。
设h(x)为特征比值指数变换函数，其表达式为：
其中，s为特征比值指数的缩放值，t为特征比值指数的平移值；
(1)当h(x)为幂次变换时，s＝1，t＝0
h(x)＝xn
(2)当h(x)为缩放幂次变换时，s＝c，t＝0
(3)当h(x)为平移幂次变换时，s＝1，t＝1-c
其中，sign为取符号函数，abs为取绝对值函数，n>0；
则变换空间归一化指数平滑约束函数和对称轴分别为：
g(h(x))＝Csv(h(x))＝k[h(xmax)+1]·V(h(x))
l(h(x))＝kA(h(x))
其中，
A(h(x))＝h(x)-h(c)
令f(h(x))为归一化指数平滑约束函数g(h(x))关于直线l(h(x))的对称曲线，其表达式为：
其中：
S6：确定植被特征增强的特征增量系数和增强系数函数；
由特征比值指数变换空间中的归一化指数对称曲线f(h(x))构建遥感影像植被特征增量系数函数，则植被特征增强系数函数为：
F(h(x))＝m1δ(x)f(h(x))+1
其中，m1为绿度调节系数(其缺省值为1)，m1>0，具有调节图像绿度的功能。
S7：根据增强系数函数对真彩色影像的红波段、绿波段植被特征进行增强。
设真彩色影像的红、绿、蓝波段分别为R、G、B，用上述增强系数对红、绿波段进行增强，得植被特征增强的图像融合表达式如下：
R′＝[m1δ(x)f(h(x))+1]×R
G′＝[m1δ(x)f(h(x))+1]×G
S8：用增强后的绿波段、增强后的红波段、蓝波段三个波段对应彩色影像的红、绿、蓝通道合成彩色影像，并存储增强后的真彩色影像。
本实施例所述方法基于地物光谱特征设计了一类特征比值指数，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。确定一个植被特征分类的阈值，构建特征比值指数变换空间中归一化指数平滑约束函数的对称曲线，将该对称曲线作为植被特征增量系数曲线(函数)；在增量系数曲线基础上叠加常量1获得植被特征增强曲线(函数)；增强系数函数与真彩色影像的原始红波段、绿波段乘积为对应波段植被特征增强成果；用红波段、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。
作为一个具体的实施例，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GS方法融合得到的成果。
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6。(按照envi缺省设置0.1％拉伸的效果图)。
3、确定特征比值指数的特征阈值。
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＝1.066517。x的最大值xmax＝2.921482，x的最小值xmin＝0.258185。
4、红、绿波段植被特征增强计算及真彩色合成。
(1)增强方案1：基于幂次变换的归一化指数平滑约束函数对称曲线
若取n＝1.5，则幂次变换束函数h(x)＝x1.5，计算可得Cs＝1，k＝0.256931987，则，特征比值指数x变换空间归一化指数对称曲线函数f(h(x))为：
f(h(x))＝(1*SQRT(((0.633695233619909)*(x^1.5-1.10141674178506)+(3.05850320801866))^2+(x^1.5-1.10141674178506)^2-(0.796103524172452)*(x^1.5-1.10141674178506))-((0.633695233619909)*(x^1.5-1.10141674178506)+(3.05850320801866)))
取绿度调节系数m1＝1，则影像植被特征增强系数为：
F(h(x))＝δ(x)f(h(x))+1
R'＝[δ(x)f(h(x))+1]×R
G′＝[δ(x)f(h(x))+1]×G
根据上述公式输入计算表达式：uint(((b1gt1.066517)*(1*SQRT(((0.633695233619909)*(b1^1.5-1.10141674178506)+(3.05850320801866))^2+(b1^1.5-1.10141674178506)^2-(0.796103524172452)*(b1^1.5-1.10141674178506))-((0.633695233619909)*(b1^1.5-1.10141674178506)+(3.05850320801866)))+1)*b2)，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。
(2)增强方案2：基于缩放幂次变换的归一化指数平滑约束函数对称曲线
若取n＝1.5，则幂次变换束函数计算可得Gs＝1，k＝0.282989192，则，特征比值指数x变换空间归一化指数对称曲线函数f(h(x))为：
f(h(x))＝(1*SQRT(((0.505054005176316)*((x/1.066517)^1.5-1)+(2.82766111172627))^2+((x/1.066517)^1.5-1)^2-(0.640211590750691)*((x/1.066517)^1.5-1))-((0.505054005176316)*((x/1.066517)^1.5-1)+(2.82766111172627)))
取绿度调节系数m1＝1，则影像植被特征增强系数为：
F(h(x))＝δ(x)f(h(x))+1
R′＝[δ(x)f(h(x))+1]×R
G′＝[δ(x)f(h(x))+1]×G
根据上述公式输入计算表达式：uint(((b1gt1.066517)*(1*SQRT(((0.505054005176316)*((b1/1.066517)^1.5-1)+(2.82766111172627))^2+((b1/1.066517)^1.5-1)^2-(0.640211590750691)*((b1/1.066517)^1.5-1))-((0.505054005176316)*((b1/1.066517)^1.5-1)+(2.82766111172627)))+1)*b2)，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。
(3)增强方案3：基于平移幂次变换的归一化指数平滑约束函数对称曲线
若取n＝1.5，则幂次变换束函数h(x)＝SIGN(x/1+-0.0665169999999999)*(ABS(x/1-0.0665169999999999))^1.5，计算可得Cs＝1，k＝0.261510922，则，特征比值指数x变换空间归一化指数对称曲线函数f(h(x))为：
f(h(x))＝(1*SQRT(((0.609897316356413)*((ABS(x/1+(-0.0665169999999999)))^1.5-1)+(2.91603470554842))^2+((ABS(x/1+(-0.0665169999999999)))^1.5-1)^2-(0.817476655330712)*((ABS(x/1+(-0.0665169999999999)))^1.5-1))-((0.609897316356413)*((ABS(x/1+(-0.0665169999999999)))^1.5-1)+(2.91603470554842)))
取绿度调节系数m1＝1，则影像植被特征增强系数为：
F(h(x))＝δ(x)f(h(x))+1
R′＝[δ(x)f(f(x))+1]×R
G′＝[δ(x)f(h(x))+1]×G
根据上述公式输入计算表达式：uint(((b1 gt 1.066517)*(1*SQRT(((0.609897316356413)*((ABS(b1/1+(-0.0665169999999999)))^1.5-1)+(2.91603470554842))^2+((ABS(b1/1+(-0.0665169999999999)))^1.5-1)^2-(0.817476655330712)*((ABS(b1/1+(-0.0665169999999999)))^1.5-1))-((0.609897316356413)*((ABS(b1/1+(-0.0665169999999999)))^1.5-1)+(2.91603470554842)))+1)*b2)，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。
本实施案例方案一植被特征增强后的真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～表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；方案一植被特征增强后的真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～表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；方案一植被特征增强后的真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7～表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。
表1方案一植被特征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方案一植被特征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方案一植被特征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方案二植被特征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方案二植被特征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方案二植被特征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方案三植被特征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方案三植被特征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方案三植被特征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
本实施例所述的卫星遥感真彩色影像植被特征增强技术，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，构建了基于特征指数变换空间对称曲线的增强公式，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。该技术方法物理意义明确，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。
实施例2
本实施例公开了一种遥感影像融合系统，包括存储器和处理器，所述存储器中包括遥感影像融合方法程序，所述遥感影像融合方法程序被所述处理器执行时实现如实施例1所述的一种遥感影像融合方法的步骤。
实施例3
本实施例公开了一种计算机可读存储介质，所述计算机可读存储介质中包括遥感影像融合方法程序，所述遥感影像融合方法程序被处理器执行时，实现实施例1所述的一种遥感影像融合方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种遥感影像融合方法，其特征在于，所述方法包括以下步骤：
输入具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像；
计算遥感影像融合的特征比值指数；
确定特征比值指数的特征阈值；
构建特征比值指数原空间平滑约束函数；
构建特征比值指数变换空间的归一化指数对称曲线；
确定植被特征增强的特征增量系数和增强系数函数；
根据增强系数函数对真彩色影像的红波段、绿波段植被特征进行增强；
用增强后的绿波段、增强后的红波段、蓝波段三个波段对应彩色影像的红、绿、蓝通道合成彩色影像，并存储增强后的真彩色影像。
2.根据权利要求1所述的一种遥感影像融合方法，其特征在于，所述计算遥感影像融合的特征比值指数，具体为：
设bi为遥感影像真彩色波段中的一个波段，参与融合的波段为近红外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；
对于准Brovey融合，融合结果记为：
其中m＝1,2,3，i＝1，...，m，j＝1，...，m，bi、bj为参与融合的真彩色波段，NIR为近红外波段；
对于Schmidt-Gram、PCA融合、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、PCA融合或WL融合方法；
遥感影像融合的特征比值指数为：
其中n＝1，...，m。
3.根据权利要求2所述的一种遥感影像融合方法，其特征在于，所述确定特征比值指数的特征阈值，具体为：
计算特征比值指数x的最小值xmin、最大值xmax和平均值xm；
确定纯水体的阈值xw、纯裸露地物的阈值xb、纯植被的阈值xv；则特征阈值c∈[xw，xv]，缺省取c＝xm。
4.根据权利要求3所述的一种遥感影像融合方法，其特征在于，所述构建特征比值指数原空间平滑约束函数，具体为：
设特征比值指数x的平滑约束函数u(x)在最大值xmax的值为1，即：
特征比值指数对应的归一化指数的平滑约束函数v(x)在最大值xmax的值也为1，即：
g(x)＝Csv(x)为过点(c，0)、(xmax，Cs)的植被特征增强的增量函数，l(x)＝Csu(x)为过点(c，0)、(xmax，Cs)的直线；
其中，c为特征比值指数x的植被特征增强的阈值；Cs＞0为常数，其物理含义是特征比值指数最大值xmax处归一化指数平滑约束函数v(x)的值。
5.根据权利要求3所述的一种遥感影像融合方法，其特征在于，所述构建特征比值指数变换空间的归一化指数对称曲线，具体为：
设h(x)为特征比值指数变换函数，其表达式为：
其中，s为特征比值指数的缩放值，t为特征比值指数的平移值；
(1)当h(x)为幂次变换时，s＝1，t＝0
h(x)＝xn
(2)当h(x)为缩放幂次变换时，s＝c，t＝0
(3)当h(x)为平移幂次变换时，s＝1，t＝1-c
其中，sign为取符号函数，abs为取绝对值函数，n＞0；
则变换空间归一化指数平滑约束函数和对称轴分别为：
g(h(x))＝Csv(h(x))＝k[h(xmax)+1]·V(h(x))
l(h(x))＝kA(h(x))
其中，
A(h(x))＝h(x)-h(c)
令f(h(x))为归一化指数平滑约束函数g(h(x))关于直线l(h(x))的对称曲线，其表达式为：
其中：
6.根据权利要求5所述的一种遥感影像融合方法，其特征在于，所述确定植被特征增强的特征增量系数和增强系数函数，具体为：
由特征比值指数变换空间中的归一化指数对称曲线f(h(x))构建遥感影像植被特征增量系数函数，则植被特征增强系数函数为：
F(h(x))＝m1δ(x)f(h(x))+1
其中，m1为绿度调节系数，m1＞0。
7.根据权利要求6所述的一种遥感影像融合方法，其特征在于，所述对真彩色影像的红波段植被特征进行增强，增强方案为：
R′＝[m1δ(x)f(h(x))+1]×R
其中，R′为增强后的绿波段、R为绿波段。
8.根据权利要求7所述的一种遥感影像融合方法，其特征在于，所述对真彩色影像的绿波段植被特征进行增强，增强方案为：
G′＝[m1δ(x)f(h(x))+1]×G
其中，G′为增强后的红波段、G为红波段。
9.一种遥感影像融合系统，其特征在于，包括存储器和处理器，所述存储器中包括遥感影像融合方法程序，所述遥感影像融合方法程序被所述处理器执行时实现如权利要求1至8中任一项所述的一种遥感影像融合方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括遥感影像融合方法程序，所述遥感影像融合方法程序被处理器执行时，实现如权利要求1至8中任一项所述的一种遥感影像融合方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121080.XA CN117935079B (zh) | 2024-01-29 | 2024-01-29 | 一种遥感影像融合方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121080.XA CN117935079B (zh) | 2024-01-29 | 2024-01-29 | 一种遥感影像融合方法、系统及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117935079A true CN117935079A (zh) | 2024-04-26 |
| CN117935079B CN117935079B (zh) | 2024-07-26 |
Family
ID=90764610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410121080.XA Active CN117935079B (zh) | 2024-01-29 | 2024-01-29 | 一种遥感影像融合方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117935079B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134783A (zh) * | 2024-03-28 | 2024-06-04 | 珠江水利委员会珠江水利科学研究院 | 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186893A (zh) * | 2012-12-19 | 2013-07-03 | 中国科学院对地观测与数字地球科学中心 | 一种普适的高分辨率遥感图像融合方法 |
| US20140112579A1 (en) * | 2012-10-23 | 2014-04-24 | Raytheon Company | System and method for automatic registration of 3d data with electro-optical imagery via photogrammetric bundle adjustment |
| CN113222054A (zh) * | 2021-05-28 | 2021-08-06 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
| WO2021205424A2 (en) * | 2020-04-06 | 2021-10-14 | Department of Science and Technology - Advanced Science and Technology Institute | System and method of feature detection in satellite images using neural networks |
| 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 |
| CN115082582A (zh) * | 2022-06-09 | 2022-09-20 | 珠江水利委员会珠江水利科学研究院 | 卫星遥感数据真彩色模拟方法、系统、设备及介质 |
| WO2023000159A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN117237770A (zh) * | 2023-08-29 | 2023-12-15 | 珠江水利委员会珠江水利科学研究院 | 基于指数幂函数的遥感影像融合方法、系统、设备及介质 |
-
2024
- 2024-01-29 CN CN202410121080.XA patent/CN117935079B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140112579A1 (en) * | 2012-10-23 | 2014-04-24 | Raytheon Company | System and method for automatic registration of 3d data with electro-optical imagery via photogrammetric bundle adjustment |
| CN103186893A (zh) * | 2012-12-19 | 2013-07-03 | 中国科学院对地观测与数字地球科学中心 | 一种普适的高分辨率遥感图像融合方法 |
| WO2021205424A2 (en) * | 2020-04-06 | 2021-10-14 | Department of Science and Technology - Advanced Science and Technology Institute | System and method of feature detection in satellite images using neural networks |
| CN113222054A (zh) * | 2021-05-28 | 2021-08-06 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
| WO2023000159A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| 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 |
| CN115082582A (zh) * | 2022-06-09 | 2022-09-20 | 珠江水利委员会珠江水利科学研究院 | 卫星遥感数据真彩色模拟方法、系统、设备及介质 |
| CN117237770A (zh) * | 2023-08-29 | 2023-12-15 | 珠江水利委员会珠江水利科学研究院 | 基于指数幂函数的遥感影像融合方法、系统、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| 万伟;赵新伟;罗伊萍;孙业超;: "遥感卫星多光谱图像模拟真彩色算法研究", 飞控与探测, no. 01, 25 January 2020 (2020-01-25) * |
| 张伟;郑旭霞;: "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, no. 06, 25 December 2010 (2010-12-25) * |
| 樊旭艳;尹连旺;付春龙;汤钟;张杰;: "QuickBird遥感影像数据融合方法研究", 装备指挥技术学院学报, no. 03, 28 June 2006 (2006-06-28) * |
| 袁金国, 王卫: "多源遥感数据融合应用研究", 地球信息科学, no. 03, 30 September 2005 (2005-09-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134783A (zh) * | 2024-03-28 | 2024-06-04 | 珠江水利委员会珠江水利科学研究院 | 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 |
| CN118134783B (zh) * | 2024-03-28 | 2024-08-30 | 珠江水利委员会珠江水利科学研究院 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117935079B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN114612387B (zh) | 基于特征阈值的遥感影像融合方法、系统、设备及介质 | |
| CN117935079B (zh) | 一种遥感影像融合方法、系统及可读存储介质 | |
| CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
| Rizzi et al. | A new algorithm for unsupervised global and local color correction | |
| CN102063710B (zh) | 一种遥感图像融合增强的实现方法 | |
| CN112819737B (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 | |
| 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 | |
| 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 | |
| CN118015420B (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 | |
| 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 | |
| Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
| Yang et al. | Pansharpening for multiband images with adaptive spectral–intensity modulation | |
| CN117830119B (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 | |
| CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
| 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 | |
| Karthikeyani et al. | Conversion of gray-scale image to color image with and without texture synthesis | |
| CN112883823A (zh) | 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法 | |
| CN118334531B (zh) | 一种基于植被覆盖的遥感影像融合方法、系统及存储介质 | |
| Hu et al. | A spatial constraint and deep learning based hyperspectral image super-resolution method | |
| CN118134782B (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 | |
| CN118134783B (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 | |
| Bergner et al. | A tool to create illuminant and reflectance spectra for light-driven graphics and visualization | |
| Vanrell et al. | Induction operators for a computational colour–texture representation |
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 |