CN1877636A - 一种融合生成高分辨率多光谱图像的方法 - Google Patents
一种融合生成高分辨率多光谱图像的方法 Download PDFInfo
- Publication number
- CN1877636A CN1877636A CN 200610089546 CN200610089546A CN1877636A CN 1877636 A CN1877636 A CN 1877636A CN 200610089546 CN200610089546 CN 200610089546 CN 200610089546 A CN200610089546 A CN 200610089546A CN 1877636 A CN1877636 A CN 1877636A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- low resolution
- full
- band
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种融合生成高分辨率多光谱图像的方法,其特征在于包括以下步骤:对来自光学遥感卫星系统的原始低分辨率多光谱图像和与其空间配准的高分辨率全色图像,利用低分辨率多光谱波段和高分辨率全色波段之间的统计关系,合成出仿真的低分辨率全色图像,再利用高分辨率全色图像和仿真的低分辨率全色图像确定不同分辨率图像之间的细节图像,然后按比例将细节图像添加于原始低分辨率多光谱图像中生成高分辨率多光谱图像。采用该方法能够有效消除或减少融合的高分辨率多光谱图像所存在的光谱畸变,获得真正的高分辨率多光谱图像。
Description
技术领域
本发明涉及遥感图像处理数据融合技术领域,特别是光学遥感卫星同一传感器低分辨率多光谱波段和高分辨率全色波段融合生成高分辨率多光谱图像的技术,尤其是一种融合生成高分辨率多光谱图像的方法,适用于对艾科诺斯卫星等遥感图像处理。
背景技术
许多光学遥感卫星系统同时提供了空间分辨率低的多光谱图像和空间分辨率高的全色图像,如艾科诺斯卫星同时提供了空间分辨率是1米的全色图像和空间分辨率是4米的包含蓝、绿、红、近红外四个波段的多光谱图像。为了信息的优化利用,尤其是利用全色波段的高分辨率信息,许多图像融合技巧努力将全色波段的高空间分辨率信息与多光谱信息结合起来,以生成空间分辨率是1米的多光谱图像,同时尽可能地保持原始多光谱波段的光谱信息。图像融合的前提是待融合的图像是空间配准的,配准误差在一个像元以内。
目前比较常用的图像融合方法是高分辨率全色波段的分量替换方法,如PCA(主成分分析)、HSI方法(色度-饱和度-亮度,彩色空间变换)等。
分量替换的融合方法如图1所示,以PCA(主成分分析)方法为例,包括以下步骤:
①图1中的步骤2对原始低分辨率多光谱图像各波段进行重采样操作,获得超象素多光谱图像。超象素是指多光谱图像一个像元的地面覆盖面积与对应的全色波段一个像元的地面覆盖面积相同。重采样的比例是原始低分辨率多光谱图像的像元空间分辨率与原始的全色高分辨图像像元空间分辨率的比。
②图1中的步骤4将低分辨率超象素多光谱图像的所有波段进行主成分变换,变换后生成第一主成分(PC1)、第二主成分(PC2),第三主成分(PC3),第四主成分(PC4)。
③图1中的步骤6将高分辨率全色波段进行直方图变换,使高分辨率全色波段与第一主成分分量的灰度特征趋向一致。
④图1中的步骤8用经过直方图变换的高分辨率全色波段替换第一主成分。
⑤图1中的步骤10主成分反变换,将经过直方图变换的高分辨率全色波段与第二主成分(PC2),第三主成分(PC3),第四主成分(PC4)一起进行主成分反变换,变换得到的各分量就是融合的高分辨率的多光谱图像。
图1中各步骤的功能如下:
对原始低分辨率多光谱图像各波段重采样是为了获得超象素多光谱图像。超象素多光谱图像一个像元的地面覆盖面积与对应的全色波段一个像元的地面覆盖面积相同,因而超象素多光谱图像与高分辨率全色图像有完全相同的地面覆盖区域。
主成分变换是可逆变换,是为了获得与高分辨率全色波段相近似的新的分量。
高分辨率全色波段的直方图匹配是为了使其灰度特征与第一主成分尽可能相似,以便将它替换第一主成分进行主成分反变换后,生成的高分辨率的多光谱图像尽可能保持原始低分辨率多光谱图像的光谱信息。
主成分反变换将图像变换为原来的空间,获得融合了高分辨率全色波段细节的高分辨率多光谱图像。
上述融合方法有不足之处:高分辨率全色波段与第一主成分的数据特性有很大差别。直方图匹配就是为了缩小二者之间的差别,但不能消除二者的差别,从而导致融合的高分辨率多光谱图像存在光谱畸变。
发明内容
本发明针对现有技术中存在的缺陷或不足,提供一种融合生成高分辨率多光谱图像的方法,采用该方法能够有效消除或减少融合的高分辨率多光谱图像所存在的光谱畸变,获得真正的高分辨率多光谱图像。
本发明的技术方案如下:
一种融合生成高分辨率多光谱图像的方法,其特征在于包括以下步骤:对来自光学遥感卫星系统的原始低分辨率多光谱图像和与其空间配准的高分辨率全色图像,利用低分辨率多光谱波段和高分辨率全色波段之间的统计关系,合成出仿真的低分辨率全色图像,再利用高分辨率全色图像和仿真的低分辨率全色图像确定不同分辨率图像之间的细节图像,然后按比例将细节图像添加于原始低分辨率多光谱图像中生成高分辨率多光谱图像。
所述细节图像,通过计算高分辨率全色图像与仿真的低分辨率全色图像的差而获得。
所述细节图像添加比例是不同的,不同的比例分别对应于原始低分辨率多光谱图像的各不同波段。
所述合成出仿真的低分辨率全色图像包括以下步骤:对原始低分辨率多光谱图像各波段进行重采样操作,获得超像素多光谱图像;将超像素多光谱图像的各个波段作为自变量,将全色的高分辨率图像作为因变量进行多元线性回归,合成出仿真的超像素低分辨率全色图像。
所述多元线性回归的线性项系数为多光谱波段细节与全色波段细节的比,并作为细节图像的添加比例。
所述空间配准的配准误差在一个像元以内。
本发明的技术效果如下:
本发明利用低分辨率多光谱图像和高分辨率全色波段的统计关系获得仿真的低分辨率全色波段,然后利用高分辨率全色波段和仿真的低分辨率全色波段,获得图像的细节(高频)信息,最后只将细节信息按比例合理添加到多光谱图像各波段中,从而生成高分辨率的多光谱图像。
本发明包括重采样低分辨率多光谱图像、合成仿真低分辨率全色图像、获得高频细节图像、高频细节按比例添加到低分辨率多光谱图像生成高分辨率多光谱图像四个部分。重采样低分辨率多光谱图像,获得超象素多光谱图像;将高分辨率全色图像和超象素多光谱图像实施多元线性回归,利用超象素多光谱图像合成仿真低分辨率超象素全色图像;然后利用高分辨率全色波段和仿真的低分辨率全色波段,获得图像的细节(高频)信息,最后只将细节信息接比例合理添加到多光谱图像各波段中,从而生成高分辨率的多光谱图像。这样做的理由是在同样的空间分辨率条件下,构成全色图像的多光谱图像各波段的信息比例是不同的,从而导致构成全色图像多光谱各波段高频细节的信息比例也不同。
本发明与现有技术相比有以下特点:
第一,将高分辨率全色图像和超象素多光谱图像实施多元线性回归,利用超象素多光谱图像合成仿真低分辨率超象素全色图像;如此得到的低分辨率超象素全色图像比通过主成分变化获得的第一主成分与全色图像的特性更相近。
第二,利用高分辨率全色波段和仿真的低分辨率全色波段,获得图像的细节(高频)信息。然后,将细节信息按比例合理添加到多光谱图像各波段中,从而生成高分辨率的多光谱图像。这样获得的高分辨率的多光谱图像与低分辨率多光谱图像相比只是增加了细节。
附图说明
图1为分量替换数据融合的方法框图,以PCA(主成分分析)方法为例。
图2为本发明多光谱波段和全色波段数据融合的流程图。
图3为本发明图2中图像融合单元16的融合过程图。
图4为本发明图3中细节融合单元20的多光谱波段与高频细节图像叠加的实现流程图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
本发明方法实现艾科诺斯数据融合的流程如图2所示。图2包括重采样单元12,合成仿真单元14和图像融合单元16。单元12对原始低分辨率多光谱图像按波段进行重采样,得到超象素多光谱图像。重采样方法为双三次卷积,按行和列依次进行。双三次卷积方法产生的图像在保持图像信息和图像的光滑性方面有优越性,能够避免块状和锯齿效应。重采样。对原始低分辨率多光谱图像按波段进行重采样,得到超象素多光谱图像。然后进入合成仿真单元14。
单元14分别将超象素多光谱四个波段的图像像素按行排列,形成四个向量:
x1={blueBand(i)|i=0,1,…,n-1};x2={greenBand(i)|i=0,1,…,n-1};
x3={redBand(i)|i=0,1,…,n-1};x4={nirBand(i)|i=0,1,…,n-1},同样将高分辨率全色波段像素按行排列,形成向量。超象素多光谱四个波段向量分量个数与全色波段像素个数相同,是图像像素的总数;将超象素多光谱图像的各个波段作为自变量,将全色的高分辨率图像作为应变量进行多元线性回归,得到回归系数向量α=(α0,α1,α2,α3,α4)T。然后利用公式Y′=α0x0+α1x1+α2x2+α3x3+α4x4,就得到了合成仿真的超象素全色低分辨率图像Y′。
最后单元16利用超象素多光谱图像、仿真的超象素全色低分辨率图像、全色高分辨率图像融合生成高分辨率多光谱波段。
单元16的实现流程如图3所示。它包括高频细节图像获取单元18和细节融合单元20。单元18将高分辨率全色图像与仿真的低分辨率全色图像作差运算,获得高频细节图像Δ。单元20如图4所示,将单元18获得的高频细节图像Δ按照一定的比例分别通过单元24叠加到超象素的多光谱波段生成高分辨率多光谱波段。不同波段叠加的高频细节图像Δ的比例α1不同。该比例是通过单元22获得的。该比例是多光谱波段细节与全色波段细节的比,也是超像素低分辨率多光谱波段与仿真的全色低分辨率图像进行线性回归的线性项系数α1:
最后高分辨率多光谱波段
是超像素低分辨率多光谱波段 与高分辨率全色波段细节Δ按照相关比例α1的叠加,即
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,尽管本说明书参照附图和实施方式对本发明已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (6)
1.一种融合生成高分辨率多光谱图像的方法,其特征在于包括以下步骤:对来自光学遥感卫星系统的原始低分辨率多光谱图像和与其空间配准的高分辨率全色图像,利用低分辨率多光谱波段和高分辨率全色波段之间的统计关系,合成出仿真的低分辨率全色图像,再利用高分辨率全色图像和仿真的低分辨率全色图像确定不同分辨率图像之间的细节图像,然后按比例将细节图像添加于原始低分辨率多光谱图像中生成高分辨率多光谱图像。
2.根据权利要求1所述的一种融合生成高分辨率多光谱图像的方法,其特征在于:所述细节图像,通过计算高分辨率全色图像与仿真的低分辨率全色图像的差而获得。
3.根据权利要求1所述的一种融合生成高分辨率多光谱图像的方法,其特征在于:所述细节图像添加比例是不同的,该不同的比例分别对应于原始低分辨率多光谱图像的各不同波段。
4.根据权利要求1所述的一种融合生成高分辨率多光谱图像的方法,其特征在于:所述合成出仿真的低分辨率全色图像包括以下步骤:对原始低分辨率多光谱图像各波段进行重采样操作,获得超像素多光谱图像;将超像素多光谱图像的各个波段作为自变量,将全色的高分辨率图像作为因变量进行多元线性回归,合成出仿真的超像素低分辨率全色图像。
5.根据权利要求4所述的一种融合生成高分辨率多光谱图像的方法,其特征在于:所述多元线性回归的线性项系数为多光谱波段细节与全色波段细节的比,并作为细节图像的添加比例。
6.根据权利要求1所述的一种融合生成高分辨率多光谱图像的方法,其特征在于:所述空间配准的配准误差在一个像元以内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100895464A CN100418107C (zh) | 2006-07-03 | 2006-07-03 | 一种融合生成高分辨率多光谱图像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100895464A CN100418107C (zh) | 2006-07-03 | 2006-07-03 | 一种融合生成高分辨率多光谱图像的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1877636A true CN1877636A (zh) | 2006-12-13 |
CN100418107C CN100418107C (zh) | 2008-09-10 |
Family
ID=37510055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100895464A Expired - Fee Related CN100418107C (zh) | 2006-07-03 | 2006-07-03 | 一种融合生成高分辨率多光谱图像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100418107C (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN101493893B (zh) * | 2008-12-11 | 2012-01-11 | 中山大学 | 一种图像数据融合方法 |
CN102609916A (zh) * | 2012-01-19 | 2012-07-25 | 哈尔滨工业大学 | 基于多尺度分析的高光谱数据空间分辨率增强方法 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
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 |
CN103793883A (zh) * | 2013-12-11 | 2014-05-14 | 北京工业大学 | 一种基于主成分分析的成像光谱图像超分辨率复原方法 |
CN104933690A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院遥感与数字地球研究所 | 基于混合亚像元解混的遥感多光谱与全色图像融合方法 |
CN105160647A (zh) * | 2015-10-28 | 2015-12-16 | 中国地质大学(武汉) | 一种全色多光谱影像融合方法 |
CN106651800A (zh) * | 2016-12-23 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于pan调制和多元线性回归的ms与pan图像融合方法 |
CN112085684A (zh) * | 2020-07-23 | 2020-12-15 | 中国资源卫星应用中心 | 一种遥感图像融合的方法及装置 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101922930B (zh) * | 2010-07-08 | 2013-11-06 | 西北工业大学 | 一种航空偏振多光谱图像配准方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4638371A (en) * | 1985-03-11 | 1987-01-20 | Eastman Kodak Company | Multiple exposure of area image sensor having a sparse array of elements |
CN1313972C (zh) * | 2003-07-24 | 2007-05-02 | 上海交通大学 | 基于滤波器组的图像融合方法 |
CN1261906C (zh) * | 2003-08-08 | 2006-06-28 | 上海飞天空间遥感技术有限公司 | 一种基于高分辨率卫星数字图像的地籍图复核更新方法 |
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 |
-
2006
- 2006-07-03 CN CNB2006100895464A patent/CN100418107C/zh not_active Expired - Fee Related
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493893B (zh) * | 2008-12-11 | 2012-01-11 | 中山大学 | 一种图像数据融合方法 |
CN101930604B (zh) * | 2010-09-08 | 2012-03-28 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN102609916A (zh) * | 2012-01-19 | 2012-07-25 | 哈尔滨工业大学 | 基于多尺度分析的高光谱数据空间分辨率增强方法 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
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 |
CN103793883B (zh) * | 2013-12-11 | 2016-11-09 | 北京工业大学 | 一种基于主成分分析的成像光谱图像超分辨率复原方法 |
CN103793883A (zh) * | 2013-12-11 | 2014-05-14 | 北京工业大学 | 一种基于主成分分析的成像光谱图像超分辨率复原方法 |
CN104933690B (zh) * | 2015-06-04 | 2019-03-05 | 中国科学院遥感与数字地球研究所 | 基于混合亚像元解混的遥感多光谱与全色图像融合方法 |
CN104933690A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院遥感与数字地球研究所 | 基于混合亚像元解混的遥感多光谱与全色图像融合方法 |
CN105160647A (zh) * | 2015-10-28 | 2015-12-16 | 中国地质大学(武汉) | 一种全色多光谱影像融合方法 |
CN105160647B (zh) * | 2015-10-28 | 2018-10-19 | 中国地质大学(武汉) | 一种全色多光谱影像融合方法 |
CN106651800A (zh) * | 2016-12-23 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于pan调制和多元线性回归的ms与pan图像融合方法 |
CN106651800B (zh) * | 2016-12-23 | 2020-05-22 | 中国科学院遥感与数字地球研究所 | 基于pan调制和多元线性回归的ms与pan图像融合方法 |
CN112085684A (zh) * | 2020-07-23 | 2020-12-15 | 中国资源卫星应用中心 | 一种遥感图像融合的方法及装置 |
CN112085684B (zh) * | 2020-07-23 | 2023-08-04 | 中国资源卫星应用中心 | 一种遥感图像融合的方法及装置 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN100418107C (zh) | 2008-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1877636A (zh) | 一种融合生成高分辨率多光谱图像的方法 | |
US8577184B2 (en) | System and method for super-resolution imaging from a sequence of color filter array (CFA) low-resolution images | |
US8666196B2 (en) | System and method for super-resolution imaging from a sequence of color filter array (CFA) low-resolution images | |
US8009933B2 (en) | Fast method of super-resolution processing | |
CN109727207B (zh) | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 | |
Battiato et al. | A locally adaptive zooming algorithm for digital images | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
US8310724B2 (en) | Apparatus and method for shift invariant differential (SID) image data interpolation in fully populated shift invariant matrix | |
US7006709B2 (en) | System and method deghosting mosaics using multiperspective plane sweep | |
US7944486B2 (en) | Signal readout method of solid-state imaging device and image signal processing method | |
US8213744B2 (en) | Image processing apparatus and storage medium storing image processing program | |
US20060146153A1 (en) | Method and apparatus for processing Bayer image data | |
US20110043402A1 (en) | Terrestrial object information judging image producing method and program | |
US20060038891A1 (en) | Method for creating high resolution color image, system for creating high resolution color image and program creating high resolution color image | |
CN114254715B (zh) | 一种gf-1 wfv卫星影像超分辨率方法、系统及应用 | |
CN115564692B (zh) | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 | |
CN115086550A (zh) | 元成像方法与系统 | |
CN116740340A (zh) | 基于深度学习的计算光谱成像误差矫正方法 | |
Eliason | Production of digital image models using the ISIS system | |
US20160286097A1 (en) | Methods and System for Sparse Blue Sampling | |
CN117994132A (zh) | 基于U-Net特征提取的红外图像超分辨率重建方法 | |
Gaidhani | Super-resolution | |
CN114638761B (zh) | 一种高光谱图像全色锐化方法、设备及介质 | |
Bonanomi et al. | I3D: a new dataset for testing denoising and demosaicing algorithms | |
CN1924612B (zh) | 一种高频调制生成高分辨率多光谱图像的方法 |
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: 20080910 Termination date: 20110703 |