CN118134783A - 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 - Google Patents

Abstract

本发明公开了一种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，所述方法包括：根据获取的具有近红外波段、红波段、绿波段、蓝波段的卫星遥感影像，计算特征比值指数；根据特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线，进而得到增强系数特征曲线并分别对红波段和绿波段进行增强，合成增强后的红波段和绿波段以及原始蓝波段。本发明提高了增强处理过程的标准化程度和处理结果的一致性。

Description

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

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和函数空间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。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，红外与激光工程，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)。

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，已发展了多指数、多变换、多模式、多参数的自然色影像植被特征增强方法，有效改善了真彩色影像质量，提高了真彩色影像的目视分辨力和计算机解析力。丰富的增强方法为不同的图像处理技术人员开展具体图像的个性化处理提供了丰富的选择。但在大范围大规模真彩色遥感影像增强应用中，往往要求处理成果具有较高一致性，以利于图像处理成果的制图和分类应用。显然个性化处理与标准化、一致性要求之间存在巨大的矛盾。

发明内容

为了解决真彩色影像增强中单一图像的个性化处理与大规模图像的标准化、一致性处理要求之间的矛盾，本发明提供了一种基于和函数空间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，通过满足给定的三个条件，实现特征增强参数(线性组合系数和特征幂次)自动解算，从而确定真彩色影像增强的和函数空间的一条特征曲线，减少了特征增强参数选择的人为依赖，提高了增强处理过程的标准化程度和处理结果的一致性。

本发明的第一个目的在于提供一种基于和函数空间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和函数空间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：

一种基于和函数空间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、蓝波段的卫星遥感影像；

根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

根据所述增量系数特征曲线，得到增强系数特征曲线；

利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数，当s＝1，t＝0时，h(x)为特征比值指数幂次变换；当s＝1，t＝1-c时，h(x)为特征比值指数平移幂次变换；当s＝c，t＝0时，h(x)为特征比值指数缩放幂次变换；若c＝1，所述特征比值指数幂次变换、特征比值指数平移幂次变换和特征比值指数缩放幂次变换三种变换均等价为h(x)＝xⁿ；

所述增量系数函数Δ(x)为：

本发明的第二个目的可以通过采取如下技术方案达到：

一种基于和函数空间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、蓝波段的卫星遥感影像；

计算模块，用于根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

构建模块，用于根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

第一确定模块，用于由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

第二确定模块，用于根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

增强及合成模块，用于根据所述增量系数特征曲线，得到增强系数特征曲线；利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁b(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)为：

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，实现上述的基于和函数空间特征曲线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，实现上述的基于和函数空间特征曲线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。通过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、本发明使真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。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。

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的基于和函数空间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的基于和函数空间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的合成增强后的真彩色影像图；

图6为本发明实施例3的基于和函数空间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：

真彩色影像植被增强效果评价技术包括目视评价和定量评价：

(1)目视评价。正如人们所知，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。

(2)定量评价。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、CIE Lab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、CIE Lab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CIE Lab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。

本实施例提供的基于和函数空间特征曲线的遥感影像融合方法，主要包括：在真彩色影像植被特征增强中，特征比值指数及其归一化指数的平滑约束基函数的线性组合构成植被特征增强的和函数空间；设和函数空间的一条曲线在特征比值指数最小值处的一阶导为零，使其在特征比值指数统计值范围内为递增函数；同时，该曲线在特征阈值处的值大于零远小于1，使得小于阈值处的值足够小；据此确定该曲线的特征参数。按照叠加增强的原理，基于该特征曲线对真彩色影像红、绿波段进行增强，并与原始蓝色波段一起合成增强后的真彩色影像。

如图1、2所示，本实施例提供的基于和函数空间特征曲线的遥感影像融合方法，包括以下步骤：

S101、输入卫星遥感影像数据。

输入具有近红外NIR、红R、绿G、蓝B波段的卫星遥感影像。

S102、计算特征比值指数。

设b_i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，b_i、b_j为参与融合的真彩色波段。

(2)对于Schmidt-Gram、PCA融合或者Wavelet融合，融合结果记为：

b′_i＝Fusion(NIR,b₁,…,b_m)

其中，m＝1,2,3，i＝1,…,m，b₁,,…,b_m为参与融合的真彩色波段。Fusion为GS(Gram-Schmidt)、PCA融合或者WL(Wavelet)融合方法。

特征比值指数为：

其中n＝1,…,m。

S103、确定特征比值指数的特征阈值及构建植被特征增强的和函数空间。

(1)确定特征比值指数的特征阈值。

计算特征比值指数x的最小值、最大值和平均值，分别记为x_min、x_max、x_m，特征阈值c∈[x_min，x_max]；或者人机交互确定纯水体的阈值x_w、纯裸露地物的阈值x_b、纯植被的阈值x_v，则特征阈值c∈[x_w，x_v]。缺省取c＝x_m。

(2)构建特征比值指数的变换函数。

在特征阈值c处对特征比值指数x进行幂次变换、平移幂次变换、缩放幂次变换得到变换函数h(x)，统一记为：

其中，n>0，sign为符号运算符，abs为绝对值运算符；s、t为变换参数，当s＝1，t＝0时，h(x)为特征比值指数幂次变换；当s＝1，t＝1-c时，h(x)为特征比值指数平移幂次变换；当s＝c，t＝0时，h(x)为特征比值指数缩放幂次变换。若c＝1，三种变换等价，均为h(x)＝xⁿ。

h(x)具有与原特征比值指数x相同的单调特征——沿着从水到岩土等裸露地物再到植被地物轴递增，同时具有等价的分类功能——阈值c的左右两边将地物分为像元数量相同地物特征相同的两类。以h(x)作为植被特征增强的基本参量，可有效拓展特征比值指数的植被增强能力。

(3)根据变换函数，构建植被特征增强的平滑约束和函数空间。

植被特征增强的基本要求是对植被特征像元用h(x)的函数增强，同时保持非植被特征不变，且增强图像在阈值两边保持光滑——在阈值c处增量为零。满足平滑约束的两个基函数——比值指数约束函数、归一化指数约束函数，如下：

u(x)＝h(x)-h(c)

显然这两个函数的线性组合满足平滑约束条件，即平滑约束和函数为：

g(x)＝k₁b(x)+k₂u(x)

令Δ(x)为g(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，则增量系数函数的一个简洁表达式为：

由增量函数Δ(x)按照叠加原理得增强系数函数为：

F(x)＝k·Δ(x)+1

k>0为常数。

其中，平滑约束函数g(x)、增量系数函数Δ(x)、增强系数函数F(x)均为基函数u(x)、v(x)构造的和函数空间，函数空间的每条曲线由线性组合系数k₁、k₂及比值指数变换幂次n确定。

S104、确定和函数空间中的特征曲线(函数)。

设特征比值指数的统计最大值、最小值分别为x_max、x_min。令g(x_max)＝1，使得平滑约束函数在特征比值最大之处的值为1，g′(x_min)＝0使得g(x)在x∈[x_min,x_max]区间上为递增函数。令ε>0远小于1，Δ(c)＝ε，使得x∈[x_min,c]的增量系数函数Δ(x)值足够小。根据上述三个条件，可以确定Δ(x)函数空间上的一条特征曲线，即确定该曲线对应的线性组合系数k₁、k₂及比值指数变换幂次n。具体如下：

(1)确定和函数空间中特征组合系数的表达式。

由g(x_max)＝1，g′(x_min)＝0得如下线性方程组：

解线性方程组可得：

等价于：

k₁、k₂均为n的函数。

(2)确定和函数空间比值指数特征幂次。

由Δ(c)＝ε可得：

即：

为特征比值指数变换函数的幂次n的函数，令：

用迭代法求得特征幂次的数值解：

n_f＝n_k+1

求得n_f作为n的确定值。n的值确定，k₁、k₂的值也确定。

(3)确定和函数空间的特征曲线(函数)。

由n＝n_f可得，和函数空间的比值指数变换特征曲线(函数)为：

相应地有，和函数空间的植被增强的各曲线(函数)如下：

平滑约束特征曲线(函数)为：

增量系数特征曲线(函数)为：

增强系数特征曲线(函数)为：

F_f(x)＝k·Δ_f(x)+1

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。

其中：

u(x)＝h_f(x)-h_f(c)

u(x_max)＝h_f(x_max)-h_f(c)

u(x_min)＝h_f(x_min)-h_f(c)

S105、对真彩色影像的红、绿波段植被特征增强。

增强方案如下：

R′＝F_f(x)×R＝[kΔ_f(x)+1]×R

G′＝F_f(x)×G＝[kΔ_f(x)+1]×G

k的缺省值为1。

S106、合成植被增强后的真彩色影像，并存储增强后的真彩色影像。

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。

本实施例提供的基于和函数空间特征曲线的遥感影像融合方法，总体上给出的增强算法是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、特征阈值、特征指数的特征变换、平滑约束和函数空间的平滑约束特征曲线(函数)、增量系数曲线(函数)、绿度调节系数、增强系数曲线(函数)具有明确的物理意义，特征增强的参数确定减少了人为依赖，处理目标明确，质量可靠，应用简便；具有以下突出优点：

(1)给出的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)给出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。

变换指数的特征幂次一般大于1，具有增强不同植被的层次差异的功能，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。

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0.5％拉伸的效果图)。

(2)计算特征比值指数并确定其阈值。

以比值植被指数为例。

根据上述公式，建立波段运算表达式1.0*b1/1.0*b2计算特征比值指数x。其中b1为近红外波段，b2为红波段。计算成果如图4。(按照envi缺省设置0.5％拉伸的效果图)。

应用ENVI统计工具求x的平均值x_m，将其作为特征阈值c即c＝x_m＝2.071105。x的最大值x_max＝5.331492，x的最小值x_min＝0.301688。

(3)计算特征曲线及融合成果。

以特征比值指数幂次变换为例，其特征幂次及特征曲线计算如下：

此时：

h(x)＝xⁿ

u(x_min)＝h(x_min)-h(c)

u(x_max)＝h(x_max)-h(c)

令ε＝0.05，应用牛顿迭代法解方程：

得：

n_f＝3.060870976

则特征变换函数为：

h_f(x)＝x^3.060870976

和函数空间平滑约束特征曲线(函数)为：

由：

h_f(c)＝9.286538913

h_f(x_max)＝167.7993519

h_f(x_min)＝0.025526678

v(x_min)＝-9.030493731

u(x_min)＝-9.261012235

v(x_max)＝0.939060554

u(x_max)＝58.512813

[h(x_min)+1]²＝1.051704967

[h(c)+1]＝10.28653891

[h(x_min)+1]²v(x_max)-[h(c)+1]u(x_max)＝-1629.560605得：

其中：

u(x)＝x^3.060870976-9.286538913

增量系数函数为：

由：

g(x_min)＝-0.052631579

1-g(x_min)＝1.052631579

得：

取k＝1，增强系数函数为：

F(x)＝kΔ(x)+1

红绿波段增强成果为：

R′＝[F(x)+1]×R

G′＝[F(x)+1]×G

根据上述公式输入计算表达式：uint(((b1^3.060870976-9.286538913)*(0.005996839-0.000613122/(x^3.060870976+1))+1.05)*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0.5％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

实施例3：

如图6所示，本实施例提供了一种基于和函数空间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、第一确定模块604、第二确定模块605和增强及合成模块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、蓝波段的卫星遥感影像；

计算模块602，用于根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

构建模块603，用于根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

第一确定模块604，用于由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

第二确定模块605，用于根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

增强及合成模块606，用于根据所述增量系数特征曲线，得到增强系数特征曲线；利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)为：

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的基于和函数空间特征曲线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、蓝波段的卫星遥感影像；

根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

根据所述增量系数特征曲线，得到增强系数特征曲线；

利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(v)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)为：

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的基于和函数空间特征曲线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、蓝波段的卫星遥感影像；

根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

根据所述增量系数特征曲线，得到增强系数特征曲线；

利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)为：

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，本发明提供的基于和函数空间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，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，构建了基于特征比值指数平滑约束和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)

1.一种基于和函数空间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、蓝波段的卫星遥感影像；

根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

根据所述增量系数特征曲线，得到增强系数特征曲线；

利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)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，当s＝1，t＝0时，h(x)为特征比值指数幂次变换；

当s＝1，t＝1-c时，h(x)为特征比值指数平移幂次变换；

当s＝c，t＝0时，h(x)为特征比值指数缩放幂次变换。

3.根据权利要求2所述的遥感影像融合方法，其特征在于，若c＝1，所述特征比值指数幂次变换、特征比值指数平移幂次变换和特征比值指数缩放幂次变换三种变换均等价为h(x)＝xⁿ。

4.根据权利要求1所述的遥感影像融合方法，其特征在于，所述确定和函数空间中待确定的线性组合系数及特征幂次的过程如下：

由g(x_max)＝1，g′(x_min)＝0得如下线性方程组：

解线性方程组可得：

等价于：

由k₁、k₂的表达式可知，k₁、k₂均为n的函数；

由Δ(c)＝ε可得：

即：

由可得：

为特征幂次n的函数，令：

用迭代法求得特征幂次的数值解：

n_f＝n_k+1

n_f即为确定的特征幂次，n_k+1为k+1次迭代的特征幂次，n_k为k次迭代的特征幂次。

5.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，所述增强系数特征曲线为：

F_f(x)＝k·Δ_f(x)+1

式中，k>0为常数，称为绿度调节系数；Δ_f(x)为增量系数特征曲线。

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，所述特征比值指数的特征阈值c∈[x_min，x_max]；或通过人机交互确定纯水体的阈值x_w和纯植被的阈值x_v，则所述特征比值指数的特征阈值c∈[x_w，x_v]；缺省则取c＝x_m，x_m为x的平均值。

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，所述特征比值指数为：

式中，b_i为真彩色波段中的任一个波段，b′_i为近红外波段与真彩色波段中的一个或多个波段进行谱间融合的结果；n＝1,...,m，m为参与融合的真彩色波段数，m＝1,2,3。

8.根据权利要求7所述的遥感影像融合方法，其特征在于，对于准Brovey融合，融合结果b′_i为：

式中，b_j为参与融合的真彩色波段；

对于Gram-Schmidt、PCA或者Wavelet融合，融合结果b′_i为：

b′_i＝Fusion(NIR,b₁,…,b_m)

式中，b₁,...,b_m为参与融合的真彩色波段，Fusion为Gram-Schmidt、PCA或者Wavelet融合方法。

9.一种基于和函数空间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、蓝波段的卫星遥感影像；

计算模块，用于根据近红外波段、红波段、绿波段和蓝波段，计算特征比值指数；

构建模块，用于根据所述特征比值指数及其特征阈值，构建和函数空间中的平滑约束函数g(x)和增量系数函数Δ(x)；

第一确定模块，用于由g(x_max)＝1，g′(x_min)＝0且Δ(c)＝ε，确定和函数空间中待确定的线性组合系数及特征幂次；其中，x_max、x_min分别为特征比值指数x的最大值和最小值，c为特征比值指数x的特征阈值，ε>0远小于1；

第二确定模块，用于根据确定的线性组合系数及特征幂次，确定和函数空间中的增量系数特征曲线；

增强及合成模块，用于根据所述增量系数特征曲线，得到增强系数特征曲线；利用所述增强系数特征曲线分别对红波段和绿波段进行增强；将增强后的红波段、增强后的绿波段以及原始蓝波段进行合成，得到真彩色影像植被特征增强影像；

其中所述平滑约束函数g(x)为：

g(x)＝k₁v(x)+k₂u(x)

其中：

u(x)＝h(x)-h(c)

式中，k₁、k₂、n分别为和函数空间中待确定的线性组合系数及特征幂次，n>0；v(x)、u(x)为变换函数h(x)的两个基函数；sign为符号运算符，abs为绝对值运算符；s、t为变换参数；

所述增量系数函数Δ(x)为：

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1～8任一项所述的遥感影像融合方法。