CN1776453A - 星载成像光谱仪遥感影像的模拟技术 - Google Patents
星载成像光谱仪遥感影像的模拟技术 Download PDFInfo
- Publication number
- CN1776453A CN1776453A CN 200510127736 CN200510127736A CN1776453A CN 1776453 A CN1776453 A CN 1776453A CN 200510127736 CN200510127736 CN 200510127736 CN 200510127736 A CN200510127736 A CN 200510127736A CN 1776453 A CN1776453 A CN 1776453A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- spectral resolution
- spectral
- data
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
星载成像光谱仪遥感影像的模拟技术,是属于遥感信息科学学科的一项创新性发明。本发明公开了一种利用低光谱分辨率遥感影像模拟生成高光谱分辨率遥感影像的方法。本发明依据光谱数据库等先验知识的支持,通过遥感成像时辐射传输的模拟运算,在低光谱分辨率遥感数据提供的影像纹理信息和地类信息的基础上,获取高光谱分辨率遥感影像各光谱波段范围的模拟遥感影像,同时避免了难以接受的计算量。利用这项发明技术,我们可以在卫星发射或机载试验前就看到其模拟影像,增加决策者的感性认识,为遥感器工作模式与参数的选择提供支持,同时能够加强遥感影像获取过程中电磁波传输机理的研究。
Description
技术领域
本发明是一项对地观测领域的实用技术,是一种新的光学遥感影像模拟技术。本发明能够在卫星发射或机载试验前提供所需要的模拟影像,指导遥感传感器工作模式与参数的选择;增加传感器研制和卫星发射前决策者的感性认识;帮助弥补遥感数据库中的缺失。综合而言,本发明是一项实用的信息支持技术。
背景技术
遥感具有全球观测的能力,它使科学家得到了多空间分辨率、多光谱分辨率的地球观测影像,从而更好的开展了地球科学的研究工作。为满足不同研究的需要,常常希望能够获取反映多种自然条件影响下不同空间、光谱和时间分辨率的遥感影像。然而由于受大气影响及传感器观测条件的限制,无法获取足够的遥感影像以满足科学研究的需要,这一问题引起遥感学家的广泛重视,针对此问题提出的影像模拟技术得到了快速的发展。
遥感影像模拟技术是在遥感理论模型、遥感先验知识及现有遥感影像的基础上,加入特定限定因素的影响,通过数学物理计算,获取特定条件下的模拟影像的遥感技术。遥感影像模拟的过程包括三个部分,即确定模拟的数据源、建立模拟转换方程、生成模拟影像。数据源为待模拟的影像提供模拟区域地表状况的各项参数(如植被覆盖类型、土壤状况等),是对待模拟区域地形及自然环境的综合描述。已经获取的遥感影像可以提供模拟区域一定的自然信息,能够作为模拟的数据源;模拟区域的遥感影像不易获取时,可以利用假设的植被模型、地理模型、大气模型等综合参数描述模拟区域的自然状况,获取所需的自然信息。然而各种数据源提供的数据均是对自然地表的近似描述,同实际的自然状况存有不可避免的差异,因此如何选取合适的数据源对模拟精度有着重要的影响。转换方程是数据源同模拟影像间的中介,它依靠遥感及数学知识建立数据源参数同遥感传感器接收到的数据间的模拟关系。建立转换方程时要尽可能全面地考虑到影响模拟影像生成的各种因素,尽可能真实的模拟传感器接收时的真实状况。这些影响因素主要为大气辐射影响和传感器接收状况影响,即大气对辐射能量的损耗与吸收,传感器成像系统的影响,观测角度观测高度的影响等。待生成的模拟影像的影像类型可以是光学影像也能够是SAR或其他成像微波辐射计的影像,由于不同影像成像机理差别较大,不同类型的模拟影像在模拟技术上的差异也较为明显。
发明内容
本发明提出一种新的光学遥感影像模拟技术,即星载成像光谱仪遥感影像的模拟技术。与常规的利用高光谱遥感数据形成低光谱遥感影像的技术方法不同,本方法依据光谱数据库等先验知识的支持,通过遥感成像时辐射传输的模拟运算,在低光谱分辨率遥感数据提供的图像纹理信息和地类信息的基础上,获取高光谱分辨率影像各光谱波段的模拟遥感影像,同时避免难以接受的计算量。
本发明提出的模拟方法,包括:模拟资料的收集;确定作为模板的低光谱分辨率遥感影像;波谱知识库的数据处理;低光谱分辨率遥感影像分类图的获取;各像元点多波段反射率的获取;构建转换模型,获取高光谱分辨率影像各光谱波段的反射率影像。
本发明提出的技术方法能够加强遥感影像获取过程中电磁波传输机理的研究,建立有助于遥感反演的正向模型;弥补遥感数据库中的缺失,满足遥感应用者的需要;为遥感器工作模式与参数的选择提供支持;使我们可以在卫星发射或机载实验前就看到其模拟影像,增加传感器研制决策者的感性知识,帮助决策者制定卫星发射计划。
附图说明
图1是本发明的光谱匹配分类流程图;
图2是本发明的技术路线流程图。
具体实施方式
如图2所示,本发明提出一种星载成像光谱仪遥感影像的模拟技术,包括:模拟资料的收集;确定作为模板的低光谱分辨率遥感影像;波谱知识库的数据处理;低光谱分辨率遥感影像分类图的获取;各像元点多波段反射率的获取;构建转换模型,获取高光谱分辨率影像各光谱波段的反射率影像。
完整的技术流程如下:
●模拟资料的收集。
包括三部分的内容:能提供详细的高光谱分辨率影像各光谱波段范围反射率信息的波谱知识库资料、现有的遥感影像获取低光谱分辨率影像的各光谱波段的数据信息、星载光谱仪资料以获取高光谱分辨率影像的各光谱波段的范围。
●确定作为模板的低光谱分辨率遥感影像。
遥感影像依据成像机理分为光学影像和微波影像两大类型,同类型影像的光谱分辨率和空间分辨率亦不相同。由于模拟过程是对低光谱分辨率影像在光谱分辨率上进行细划分,在选择模版影像时,需要选择同模拟影像在影像类型和空间分辨率上最为接近的遥感影像,以减少空间分辨率转换带来的误差,提高模拟影像的精度,增加模拟影像的可信性。
●波谱知识库的数据处理。
波谱知识库提供了海量的地物光谱反射率数据,为地物的光谱分析提供了有利的帮助。将波谱库中的数据同遥感数据结合应用时,需要利用传感器波段响应函数将光谱库中的数据拟合到遥感影像的波段范围,这样两者才能在统一的尺度上比较应用。
●低光谱分辨率遥感影像分类图的获取。
通过对遥感影像各像元点进行光谱相似性分析,运用光谱匹配的方法识别各像元点代表的地物类型。地物类型判别的精度对模拟的精度有决定性的影响。
●各像元点多波段反射率的获取。
从原有遥感影像上只能够获取特定光谱波段的反射率值,通过模版影像的分类图,能够明确地确定各像元代表的地物类型。以地物类型作为属性参数,在波谱知识库中查找到该类型的海量波段反射率值,从而扩充了光谱分辨率信息。
●构建转换模型,获取高光谱分辨率影像各光谱波段的反射率影像。
以已有遥感影像各像元点反射率和从波谱知识库中查找到的高光谱分辨率影像各波段范围的反射率值为输入参数,构建转换模型,得到高光谱分辨率影像各光谱波段的模拟图像。建立转换模型时需要考虑到实测数据同遥感反演数据间存在的客观差异(包括大气辐射的影响、地形影响等),通过模型的模拟计算,模拟出传感器接收到的高光谱分辨率影像各光谱波段范围的影像。
下面介绍本发明的光谱匹配分类方法。
不同类型地物的光谱反射率曲线不同,通过对曲线的相似性分析,能够完成地物识别判断。光谱匹配方法运用了将待测地物的光谱反射率曲线与标准的光谱反射率曲线的形状进行比较,寻找出最为相似的反射率曲线的方法,来识别地物类型,具体过程如图1所示。两个像元矢量r=(r1,r2,...,rL)T和r′(r1′,r2′,...,rL′)T,每个rj、rj′代表了每个像元不同波段的维分量,s=(s1,s2,...,sL)T和s′=(s1′,s2′,...,sL′)T为各矢量对应的光谱值。
由信息论的知识,可以用以上的概率分布函数定义特定波段的自信息:
Ij(r)=-log pj (1)
Ij(r′)=-log qj (2)
根据公式(1)和(2),两个像元的自信息差异可以定义为:
Dj(r||r′)=Ij(r)-Ij(r′)=-log(pj/qj) (3)
其全部波段的均值相关熵Dj(r||r′)为:
光谱信息散度(SID):
SID(r,r′)=-(D(r||r′)+D(r′||r)) (5)
找出具有最小光谱信息散度的值,就能够自动判别出该类型的地物类别。
下面介绍本发明的星载成像光谱仪遥感影像模拟技术的转换模型构建方法。
假设L为低光谱分辨率影像波段范围信号能量(表观反射率),β(λ)为代表不同波段对应的光谱响应函数的权重值,L′(λ)为波谱知识库中存储的地物光谱值,Li(K)为第i类地物在低光谱分辨率影像波段范围的信号能量。考虑到受大气辐射、地形变化等因素的影响,波谱知识库中存储的数据同由遥感影像计算所得的数据存在差异,因此引入参数μ(λ)纠正两者间的差异,当某像元被分类为i地物时,构建模拟转换模型如下:
式中N为低光谱分辨率影像的光谱波段范围内包含高光谱分辨率影像的光谱波段范围的个数,M反映低光谱分辨率影像中被识别为i类型地物的像元个数;
反映出同类像元间的细节差异,α为差异调整参数用来反映非大气影响影响造成的同类像元间的细节差异。通过上式,我们建立起了低光谱分辨率影像信号信息同波谱知识库中数据的联系。在运用式(6)求解参数μ(λ)和α时,发现由于条件变量较多最小二乘法等数学方法无法求解出具有实际意义的解,μ(λ)不能保证均为正数解。考虑到各高光谱分辨率影像各波段的波段范围十分相近,因此暂先假设各个细分波段具有相同的μ(λ),记为
μ,此时通过最小二乘法能够得到
μ和相应的α。
μ是各个细分波段综合作用的结果,反映出综合作用效果。而实际上各个细分波段的纠正系数μ(λ)是不同的,因此还需对
μ进行处理,得到
μ与μ(λ)之间的潜在关系。
不同细分波段的差异能够从不同细分波段的反射率值的差异上得到表现,因此引入:
这里φ(λ)用来反映不同细分光谱波段的偏离度,能够反映各个细分波段的差异,因此就能够得到
μ与μ(λ)之间的关系
μ(λ)=
μ*(1-φ(λ)) (9)
通过上式就能够得到单一像元点的模拟细分光谱波段范围的模拟值:
通过式(10)能够得到各波段各像元点的高光谱分辨率影像各光谱波段的模拟值,某一波段所有像元点的模拟值组合构成新的二维矩阵,这个矩阵就是模拟所得的高光谱分辨率影像该波段光谱模拟影像的矩阵,从而完成了由低光谱分辨率影像模拟获取高光谱分辨率影像的工作。
以上说明对星载成像光谱仪遥感影像的模拟技术进行了详细的描述,但本领域的技术人员都能够意识到,在本发明范围和精神内的各种改进、添加和替换都是可能的,并且都在本发明的权利要求所限定的保护范围内。
Claims (7)
1.星载成像光谱仪遥感影像的模拟技术,包括:
模拟资料的收集
确定作为模板的低光谱分辨率遥感影像
波谱知识库的数据处理
低光谱分辨率遥感影像分类图的获取
各像元点多波段反射率的获取
构建转换模型,获取高光谱分辨率影像各光谱波段的反射率影像。
2.根据权利要求1所述的方法,模拟资料的收集包括三部分的内容:提供详细的各光谱波段反射率信息的波谱知识库资料、现有的遥感影像获取低光谱分辨率影像的各光谱波段的数据信息、待模拟影像的参数以获取高光谱分辨率影像的各光谱波段的范围。请求保护本发明利用低光谱分辨率遥感影像为模版,模拟获取高光谱分辨率遥感影像的特征;请求保护本发明利用波谱知识库支持获取高光谱分辨率遥感影像各光谱波段范围反射率信息的特征。
3.根据权利要求1所述的方法,在确定作为模板的低光谱分辨率遥感影像时,由于遥感影像依据成像机理分为光学影像和微波影像两大类型,同类型影像的光谱分辨率和空间分辨率亦不相同。请求保护权利要求1所述的方法针对光学影像应用的特征,及空间分辨率的选择与转换方法。
4.根据权利要求1所述的方法,波谱知识库的数据处理包括:利用传感器波段响应函数将光谱库中的数据拟合到遥感影像的波段范围。请求保护将波谱库中的数据同遥感数据结合应用时的拟合处理的特征。
5.根据权利要求1所述的方法,获取地物的类别信息时,通过对遥感影像各像元点进行光谱相似性分析,运用光谱匹配的方法利用地物波谱知识库的支持,快速,自动的识别各像元点代表的地物类型,获取低光谱分辨率影像的分类图。请求保护通过光谱匹配的方法,结合地物波谱知识库的支持快速、自动获取分类图的特征。
6.根据权利要求1所述的方法,各像元点多波段反射率的获取时,以地物类型作为属性参数,在波谱知识库中查找到该类型的海量波段反射率值。请求保护获取多波段反射率时的查询方法。
7.根据权利要求1所述的方法,构建转换模型时,须通过以已有遥感影像各像元点反射率和从波谱知识库中查找到的高光谱分辨率影像各波段范围的反射率值为输入参数,构建转换模型,得到高光谱分辨率影像各光谱波段的模拟图像。建立转换模型时需要考虑到实测数据同遥感反演数据间存在的客观差异(包括大气辐射的影响、地形影响等),通过模型的模拟计算,模拟出传感器接收到的高光谱分辨率影像各光谱波段范围的影像。假设L为低光谱分辨率影像波段范围信号能量(表观反射率),β(λ)为代表不同波段对应的光谱响应函数的权重值,L′(λ)为波谱知识库中存储的地物光谱值,Li(K)为第i类地物在低光谱分辨率影像波段范围的信号能量。考虑到受大气辐射、地形变化等因素的影响,波谱知识库中存储的数据同由遥感影像计算所得的数据存在差异,因此引入参数μ纠正两者间的差异。φ(λ)用来反映高光谱分辨率影像各光谱波段的偏离度,能够反映各个波段的差异,
通过式(1)、(2),构建转换模型:
请求保护转换模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005101277366A CN100365435C (zh) | 2005-12-05 | 2005-12-05 | 一种遥感影像光谱细分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005101277366A CN100365435C (zh) | 2005-12-05 | 2005-12-05 | 一种遥感影像光谱细分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1776453A true CN1776453A (zh) | 2006-05-24 |
CN100365435C CN100365435C (zh) | 2008-01-30 |
Family
ID=36766073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005101277366A Expired - Fee Related CN100365435C (zh) | 2005-12-05 | 2005-12-05 | 一种遥感影像光谱细分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100365435C (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320087B (zh) * | 2008-07-23 | 2011-05-11 | 北京大学 | 一种基于tm影像的高光谱重构方法及系统 |
CN101515038B (zh) * | 2009-03-12 | 2011-09-14 | 北京航空航天大学 | 一种平坦地形下遥感辐亮度数据立方体的模拟方法 |
CN101598798B (zh) * | 2008-12-31 | 2012-01-04 | 中国资源卫星应用中心 | 一种对高光谱干涉数据进行光谱重建的系统和方法 |
CN101799871B (zh) * | 2010-01-18 | 2012-02-29 | 浙江林学院 | 基于回归参数变换的遥感图像专题信息提取方法 |
CN102507474A (zh) * | 2011-10-28 | 2012-06-20 | 大连海事大学 | 一种船舶溢油目标的识别方法及系统 |
CN101960291B (zh) * | 2008-02-27 | 2012-08-22 | 亚洲大学校产学协力团 | 基于降低复杂度的超谱处理的目标检测方法 |
CN106652016A (zh) * | 2016-09-08 | 2017-05-10 | 北京空间机电研究所 | 一种基于辐射几何一体化设计的光学遥感图像仿真方法 |
CN110909186A (zh) * | 2018-09-14 | 2020-03-24 | 中国科学院上海高等研究院 | 高光谱遥感数据存储、检索方法及系统、存储介质及终端 |
CN113418607A (zh) * | 2016-07-01 | 2021-09-21 | 波音公司 | 用传感器收集感兴趣区域的光谱数据的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI113894B (fi) * | 2002-11-14 | 2004-06-30 | Suomen Ympaeristoekeskus | Kaukokartoitusmenetelmä |
CN1303432C (zh) * | 2003-06-05 | 2007-03-07 | 上海交通大学 | 遥感影像像素与特征联合最优融合方法 |
CN1244885C (zh) * | 2003-08-21 | 2006-03-08 | 上海交通大学 | 基于局部统计特性和彩色空间变换的遥感影像融合方法 |
CN100344946C (zh) * | 2003-11-20 | 2007-10-24 | 中国科学院上海技术物理研究所 | 机载推帚式宽视场高光谱遥感成像系统 |
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
-
2005
- 2005-12-05 CN CNB2005101277366A patent/CN100365435C/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101960291B (zh) * | 2008-02-27 | 2012-08-22 | 亚洲大学校产学协力团 | 基于降低复杂度的超谱处理的目标检测方法 |
CN101320087B (zh) * | 2008-07-23 | 2011-05-11 | 北京大学 | 一种基于tm影像的高光谱重构方法及系统 |
CN101598798B (zh) * | 2008-12-31 | 2012-01-04 | 中国资源卫星应用中心 | 一种对高光谱干涉数据进行光谱重建的系统和方法 |
CN101515038B (zh) * | 2009-03-12 | 2011-09-14 | 北京航空航天大学 | 一种平坦地形下遥感辐亮度数据立方体的模拟方法 |
CN101799871B (zh) * | 2010-01-18 | 2012-02-29 | 浙江林学院 | 基于回归参数变换的遥感图像专题信息提取方法 |
CN102507474A (zh) * | 2011-10-28 | 2012-06-20 | 大连海事大学 | 一种船舶溢油目标的识别方法及系统 |
CN113418607A (zh) * | 2016-07-01 | 2021-09-21 | 波音公司 | 用传感器收集感兴趣区域的光谱数据的方法和装置 |
CN113418607B (zh) * | 2016-07-01 | 2024-04-05 | 波音公司 | 用传感器收集感兴趣区域的光谱数据的方法和装置 |
CN106652016A (zh) * | 2016-09-08 | 2017-05-10 | 北京空间机电研究所 | 一种基于辐射几何一体化设计的光学遥感图像仿真方法 |
CN106652016B (zh) * | 2016-09-08 | 2019-08-09 | 北京空间机电研究所 | 一种基于辐射几何一体化设计的光学遥感图像仿真方法 |
CN110909186A (zh) * | 2018-09-14 | 2020-03-24 | 中国科学院上海高等研究院 | 高光谱遥感数据存储、检索方法及系统、存储介质及终端 |
CN110909186B (zh) * | 2018-09-14 | 2023-08-22 | 中国科学院上海高等研究院 | 高光谱遥感数据存储、检索方法及系统、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN100365435C (zh) | 2008-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Filipponi | Sentinel-1 GRD preprocessing workflow | |
Vincent et al. | Mapping plant area index of tropical evergreen forest by airborne laser scanning. A cross-validation study using LAI2200 optical sensor | |
CN1776453A (zh) | 星载成像光谱仪遥感影像的模拟技术 | |
Muller-Wilm et al. | Sentinel-2 level 2A prototype processor: Architecture, algorithms and first results | |
Börner et al. | SENSOR: a tool for the simulation of hyperspectral remote sensing systems | |
Mohan et al. | Hyperspectral image processing and analysis | |
Canisius et al. | Comparison and evaluation of Medium Resolution Imaging Spectrometer leaf area index products across a range of land use | |
Pahlevan et al. | Uncertainties in coastal ocean color products: Impacts of spatial sampling | |
CN107966210B (zh) | 基于高光谱图像的热红外融合重构方法 | |
Bue et al. | Real-time atmospheric correction of AVIRIS-NG imagery | |
CN116245757A (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
Verrelst et al. | Prototyping vegetation traits models in the context of the hyperspectral CHIME mission preparation | |
CN114509758A (zh) | 一种基于分形维数和极化分解的月表平坦区域选取方法 | |
Aasen et al. | Spectral and 3D nonspectral approaches to crop trait estimation using ground and UAV sensing | |
Shawal et al. | Fundamentals of digital image processing and basic concept of classification | |
Cresson et al. | Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images | |
Dai et al. | Spectral dimensionality of imaging spectroscopy data over diverse landscapes and spatial resolutions | |
Re et al. | Effects of image compression and illumination on digital terrain models for the stereo camera of the BepiColombo mission | |
Seiz et al. | Reconstruction of cloud geometry from multi-view satellite images | |
Lavigne et al. | New processor and reference dataset for hyperspectral CHRIS-PROBA images over coastal and inland waters | |
Rengarajan et al. | Modeling and simulation of deciduous forest canopy and its anisotropic reflectance properties using the Digital Image and Remote Sensing Image Generation (DIRSIG) tool | |
Orhaug et al. | Information extraction from images | |
Casa et al. | Effect of spatial resolution on soil properties retrieval from imaging spectroscopy: an assessment of the hyperspectral CHIME mission potential | |
Kirk et al. | Radargrammetry with Chandrayaan-1 and LRO Mini-RF images of the Moon | |
Segl et al. | EeteS: An end-to-end image simulation tool applied to THE EnMAP hyperspectral mission |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20080130 Termination date: 20101205 |