CN103886559A - 一种光谱图像处理方法 - Google Patents
一种光谱图像处理方法 Download PDFInfo
- Publication number
- CN103886559A CN103886559A CN201410135832.4A CN201410135832A CN103886559A CN 103886559 A CN103886559 A CN 103886559A CN 201410135832 A CN201410135832 A CN 201410135832A CN 103886559 A CN103886559 A CN 103886559A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- spectrum
- lambda
- displacement
- 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
本发明提供了一种光谱图像处理方法,属于遥感图像数据处理技术领域。本方法利用光谱成像仪获取谱段间具有亚像素位移的光谱数据立方体,并获取各个谱段图像之间的亚像素位移,建立窄谱段低分辨图像与宽谱段高分辨图像之间的物理关系模型-图像降质模型,基于建立的图像降质模型和亚像素位移计算出光谱响应系数,将亚像素位移和光谱响应系数代入所建立的图像降质模型,并基于该图像降质模型进行图像超分辨率重建。本发明避免由辐射度基础不同造成的图像失真,以及由于时间和环境变化而引入的辐射度误差,适用于现有多种基于空间域超分辨的图像超分辨方法。
Description
技术领域
本发明涉及图像处理技术和信号处理技术,属于遥感图像数据处理技术领域,具体涉及一种推扫式色散成像光谱仪数据处理方法。
背景技术
成像光谱仪是作为遥感探测技术之一,具有图谱合一的优势,被搭载在航空、航天器上对陆地、大气、海洋进行观测。成像光谱仪获取的景物或目标光谱信息,在目标识别、特征提取和精确分类等领域具有广泛的应用价值。成像光谱仪由于需要获取目标场景的二维几何信息和一维光谱信息,设计时通常需要牺牲空间分辨来保证高光谱分辨率,从而使成像光谱仪所获取的目标图像的空间分辨率低于普通的全色相机获取的图像。另一方面,空间分辨率是遥感图像应用领域的重要因素,高空间分辨是用户最重视的因素之一。因此如何从高光谱图像中获取高分辨的图像,成为遥感图像处理领域的重要课题之一。另一方面,推扫式色散成像光谱仪和滤光片调制型成像光谱仪,获取的光谱数据立方体中,不同谱段图像之间存在亚像素位移。推扫式色散成像光谱仪的亚像素位移由探测器像元实际存在位置畸变引起,滤光片调制型成像光谱仪的亚像素位移由所搭载的平台的不稳定性引起。
目前图像处理领域采用的多帧图像超分辨技术是基于单一谱段的图像降质模型,针对目标场景获取图像在单一谱段的多帧具有亚像素位移的图像进行超分辨。在光谱图像处理方面,主要是对同一场景获取多个具有亚像素位移的数据立方体,即获取同一谱段有多个具有亚像素位移的图像,进行超分辨。由于该方案需要对地物进行多次观测,观测时的辐射强度、太阳高角、大气影响都随着观测时间的变化而变化,因此图像间辐射度测量基准不同,从而会导致超分辨图像失真。
文献[1]:S.E.Qian and G.Y.Chen.,“Enhancing Spatial Resolution of Hyperspectral ImageryUsing Sensor’s Intrinsic Keystone Distortion,”IEEE Transactions on Geosience and RemoteSensing,50(12),2012,以某一谱段图像为参考,将具有亚像素位移的其他谱段图像进行灰度值归一化,然后基于单一谱段的图像降质模型利用迭代反向投影法获取较高分辨率的单谱段图像,作为图像融合的参考图像。但是,该方法用于超分辨的低分辨图像实际是不同谱段的图像,将不同谱段图像进行归一化处理进行超分辨率重建,其图像间的辐射度基础实际不同,因此超分辨结果存在失真。
发明内容
本发明所要解决的技术问题是:为避免由辐射度基础不同造成的图像失真,以及由于时间和环境变化而引入的辐射度误差,提供一种适用于不同谱段图像之间存在亚像素位移的光谱数据立方体的图像降质模型,以适用于现有多种基于空间域超分辨重建的光谱图像处理方法。
本发明提供的一种光谱图像处理方法,包括以下几个步骤:
步骤一:利用光谱成像仪获取谱段间具有亚像素位移的光谱数据立方体;
步骤二:建立光谱成像仪获取数据的图像降质模型;
步骤三:获取各个谱段图像之间的亚像素位移;
步骤四:基于图像降质模型和亚像素位移计算出光谱响应系数;
步骤五:将亚像素位移和光谱响应系数代入步骤二所建立的图像降质模型,基于该图像降质模型进行图像超分辨率重建。
步骤二中所述的图像降质模型的公式如下:
其中,是中心波长为λk的低分辨率窄谱段光谱图像,的空间分辨率为[M1×M2]像素,k=1,2,…,N,N是谱段数目;X是高分辨率宽谱段图像,覆盖谱段[λ1,λ2,...,λN],X的空间分辨率为[qM1×qM2],q为空间分辨率提高倍数;M1和M2为正整数;Dk是下采样矩阵,大小为[M1M2×q2M1M2];Bk是模糊矩阵,大小为[q2M1M2×q2M1M2];Fk是位移形变矩阵,大小为[q2M1M2×q2M1M2];Vk是大小为[M1M2×1]噪声矩阵;是中心波长为λk的光谱滤波矩阵, 是第i个像素所对应地物在谱段λk中的光谱响应系数。
步骤四中所述的光谱响应系数,通过下式获得:
本发明的光谱图像处理方法,与现有技术相比,具有如下优点和积极效果:
(1)本发明提出的图像降质模型,建立起窄谱段低分辨图像与宽谱段高分辨图像之间的物理关系模型,该模型可以应用于现有的多种基于空间域超分辨的多帧图像超分辨方法,适用于遥感图像的超分辨率重建,具有一定的特殊性;
(2)本发明方法不需要对谱段图像进行灰度值归一化,避免由辐射度基础不同造成的图像失真;本发明使用的原始图像均为一次推扫成像所得,可以避免由于时间和环境变化而引入的辐射度误差;
(3)本发明方法超分辨所得的图像是宽谱段图像,其覆盖的谱段覆盖了用于超分辨的低分辨光谱图像的谱段。
附图说明
图1为本发明的光谱图像处理方法的流程示意图;
图2为本发明建立的光谱图像降质模型的示意图;
图3为利用基于频域相位拟合的运动估计方法进行图像配准的流程示意图;
图4为利用本发明方法进行仿真实验的效果图:(a)为434nm低分辨图像及其放大图;(b)为将配准后光谱图像上采样后直接叠加的结果示意图;(c)为利用本发明方法进行超分辨后得到的高分辨图像。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明的光谱图像处理方法适用获取的谱段图像间存在亚像素位移的光谱数据立方体的成像光谱仪,例如,推扫式色散成像光谱仪和滤光片调制型成像光谱仪。
本发明的光谱图像处理方法,流程如图1所示,包括以下几个步骤:
步骤一:利用光谱成像仪获取谱段间具有亚像素位移的光谱数据立方体。
利用推扫式色散成像光谱仪或滤光片调制型成像光谱仪,获取具有亚像素位移的光谱数据立方体。推扫式色散成像光谱仪的亚像素位移由探测器像元实际存在位置畸变引起,滤光片调制型成像光谱仪的亚像素位移由所搭载的平台的不稳定性引起。
步骤二:建立光谱成像仪获取数据的图像降质模型。
图2是描述基于色散或滤光片的成像光谱仪的图像获取过程的图像降质模型,即目标场景经过位移形变、模糊、下采样和光谱滤波后,加上***噪声形成实际获取的低分辨率光谱图像。根据这一过程,建立相应的高分辨率宽谱段图像X到低分辨率窄谱段光谱图像的图像降质模型,公式如下:
其中,是中心波长为λk的低分辨率窄谱段光谱图像,其空间分辨率为[M1×M2]像素,k=1,2,…,N,N是谱段数目,M1和M2为正整数;X是原始高分辨率宽谱段图像,覆盖谱段[λ1,λ2,...,λN],,X的空间分辨率为[qM1×qM2],其中q为空间分辨率提高倍数;Fk是大小为[q2M1M2×q2M1M2]的位移形变矩阵;Bk是模糊矩阵,大小为[q2M1M2×q2M1M2],代表降质过程中由于点扩散函数等因素产生的模糊效应;Dk是下采样矩阵,大小为[M1M2×q2M1M2];Vk是大小为[q2M1M2×1]噪声矩阵;是中心波长为λk的光谱滤波矩阵,是一个大小为[M1M2×M1M2]的对角矩阵,表达式为:
步骤三:利用探测器标定参数或图像配准方法获取各个谱段图像之间的亚像素位移值。
多帧图像超分辨技术是利用存在亚像素位移的图像之间的信息冗余和互补,利用迭代算法重建出高分辨率图像,因此需要确定图像之间的亚像素位移信息。针对推扫式色散成像光谱仪的亚像素位移,可以通过对探测器位置畸变进行标定确定,滤光片调制型成像光谱仪获取的图像的亚像素位移可以采用基于频域相位拟合的运动估计方法确定。基于频域相位拟合的运动估计方法的流程如图3所示,首先输入待配准图像并确定参考图像,然后将待配准图像从空域转换到频域,选定转换到频域的待配准图像的低频区域,计算参考图像和待配准图像的相位差,对计算所得到的相位差进行最小二乘拟合,获取运动位移信息,最后根据运动位移信息进行图像配准。
确定亚像素位移后,就可以确定位移形变矩阵Fk。
步骤四:基于图像降质模型和亚像素位移计算出光谱响应系数。
步骤二中的光谱滤波矩阵是本发明对现有图像降质模型的改进,在基于遥感图像的超分辨重建过程有重要作用。本发明采用中心波长为λk的图像作为参考图像,基于已知的谱段间亚像素位移值将其他谱段的图像重新插值到参考图像的网格上,改写公式(3)获得下式:
其中,是中心波长为λk的遥感图像中第i个像素的灰度值,是中心波长为λj的配准后图像中第i个像素的灰度值。根据公式(4)可以计算获得以中心波长为λk的遥感图像所在坐标系为参考坐标系,其他谱段遥感图像基于该坐标系中的光谱滤波矩阵
步骤五:将亚像素位移、光谱响应系数带入本发明提供的新的图像降质模型中,利用基于该图像降质模型的多帧图像超分辨算法获得高分辨率宽谱段图像。
本发明的图像降质模型适用于多数基于空间域的遥感图像超分辨方法。基于正则化的超分辨方法在解决多帧图像超分辨过程中的病态问题具有优势,因此本发明实施例采用一种基于改进Huber范数估计的正则化超分辨方法进行图像超分辨率重建,该方法的公式具体描述如下:
其中,C1和C2是常数项,保证最大似然估计算子的连续性;T1和T2是最大似然估计算子的阈值并规定为正值;ξ是权重因子,其取值范围为[T1/T2,1];Ψ(X)为双边总变差(BTV)正则项,η是正则项系数,其中BTV正则项表达式为:
其中,是将X在竖直方向移动l个像素的位移矩阵,是将X在水平方向移动m个像素的位移矩阵,l和m前的符号表示移动方向,正值表示向上或向右移动,负值表示向下或向左移动;α是权重系数;参数P≥1,反映正则项对于图像中每个像素的作用范围。基于最陡梯度下降法,最终迭代公式为:
其中,和分别代表第n+1次和第n次迭代所得结果,β为迭代步长,N为谱段数目,即低分辨率图像的数目,yk为现有已知的第k个谱段对应的低分辨率图像。和分别是将图像在竖直方向向下或者向上移动l个像素的位移矩阵,和分别是将图像在水平方向向左或者向右移动m个像素的位移矩阵。I为单位矩阵。
其中,sign(.)为符号函数。
图4是基于本发明方法的仿真实验结果,数据源是机载可见光/红外成像光谱仪(AVIRIS)的遥感数据。采用从434nm到668nm的25个谱段数据,对数据源进行位移、模糊、下采样和噪声处理获取低分辨图像,q=2,低分辨光谱图像如图4的(a)所示。图4的(b)是对各个图像配准后,直接将各个谱段图像线性插值上采样后叠加的结果,图4的(c)为采用本发明方法的结果。使用图像质量评价因子对所得结果进行评价,图4的(c)所示结果的结构相似性参数SSIM是0.9539,视觉信息逼真度VIF为0.8806,图4的(b)所示结果的结构相似性参数SSIM为0.8955,视觉信息逼真度VIF是0.5497,SSIM和VIF都是越接近1表示效果越好,从而可看出采用本发明方法获得的图像更加清楚和准确。
Claims (2)
1.一种光谱图像处理方法,其特征在于,该方法包括如下步骤:
步骤一:利用光谱成像仪获取谱段间具有亚像素位移的光谱数据立方体;
步骤二:建立光谱成像仪获取数据的图像降质模型;图像降质模型的公式如下:
其中,是中心波长为λk的低分辨率窄谱段光谱图像,的空间分辨率为[M1×M2]像素;M1和M2为正整数,k=1,2,…,N,N是谱段数目;X是原始高分辨率宽谱段图像,覆盖谱段[λ1,λ2,...,λN],X的空间分辨率为[qM1×qM2],q为空间分辨率提高倍数;是中心波长为λk的光谱滤波矩阵, 是第i个像素所对应地物在谱段λk中的光谱响应系数;Dk是下采样矩阵,大小为[M1M2×q2M1M2];Bk是模糊矩阵,大小为[q2M1M2×q2M1M2];Fk是位移形变矩阵,大小为[q2M1M2×q2M1M2];Vk是噪声矩阵,大小为[q2M1M2×1];
步骤三:获取各个谱段图像之间的亚像素位移;
步骤四:基于图像降质模型和亚像素位移计算出光谱响应系数;
步骤五:将亚像素位移和光谱响应系数代入步骤二所建立的图像降质模型,基于该图像降质模型进行图像超分辨率重建。
2.根据权利要求1所述的一种光谱图像处理方法,其特征在于,所述的步骤五,采用基于改进Huber范数估计的正则化超分辨方法进行图像超分辨率重建,该方法的描述公式如下:
基于最陡梯度下降法,所述的正则化超分辨方法采取的迭代公式如下:
其中,和分别表示第n+1次和第n次迭代所得到的图像;β为迭代步长;yk为第k个谱段对应的低分辨率图像;参数P≥1;α是权重系数;I为单位矩阵;和分别表示将图像在竖直方向向下或者向上移动l个像素的位移矩阵,和分别表示将图像在水平方向向左或者向右移动m个像素的位移矩阵;根据最大似然估计算子的影响函数获得,表示如下:
T1和T2是最大似然估计算子的阈值,规定为正值;sign(.)为符号函数;ξ是权重因子,取值范围为[T1/T2,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135832.4A CN103886559B (zh) | 2014-04-04 | 2014-04-04 | 一种光谱图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135832.4A CN103886559B (zh) | 2014-04-04 | 2014-04-04 | 一种光谱图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886559A true CN103886559A (zh) | 2014-06-25 |
CN103886559B CN103886559B (zh) | 2017-05-24 |
Family
ID=50955434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410135832.4A Active CN103886559B (zh) | 2014-04-04 | 2014-04-04 | 一种光谱图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886559B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809691A (zh) * | 2015-05-05 | 2015-07-29 | 李云梅 | 一种基于滑动窗口混合像元分解的图像融合方法 |
CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
CN108052957A (zh) * | 2017-11-07 | 2018-05-18 | 聊城大学 | 一种航天器目标快速识别方法 |
CN108090872A (zh) * | 2017-12-18 | 2018-05-29 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN109934768A (zh) * | 2019-03-21 | 2019-06-25 | 大连海事大学 | 一种基于配准方式的亚像素位移图像获取方法 |
CN113938668A (zh) * | 2021-09-07 | 2022-01-14 | 北京邮电大学 | 一种三维光场显示及模型训练方法、装置和存储介质 |
CN114137005A (zh) * | 2021-12-07 | 2022-03-04 | 哈尔滨工业大学 | 一种分布式多模衍射成像方法 |
CN114240757A (zh) * | 2021-12-24 | 2022-03-25 | 上海乂义实业有限公司 | 基于光学***标定微扫描图像超分辨方法 |
CN114240757B (zh) * | 2021-12-24 | 2024-07-26 | 上海乂义实业有限公司 | 基于光学***标定微扫描图像超分辨方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009207192A (ja) * | 2009-06-15 | 2009-09-10 | Sony Corp | 撮像装置、撮像方法、プログラム、及び記録媒体 |
CN102117483A (zh) * | 2009-12-31 | 2011-07-06 | 核工业北京地质研究院 | 不同空间分辨率的多光谱遥感图像融合方法 |
-
2014
- 2014-04-04 CN CN201410135832.4A patent/CN103886559B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009207192A (ja) * | 2009-06-15 | 2009-09-10 | Sony Corp | 撮像装置、撮像方法、プログラム、及び記録媒体 |
CN102117483A (zh) * | 2009-12-31 | 2011-07-06 | 核工业北京地质研究院 | 不同空间分辨率的多光谱遥感图像融合方法 |
Non-Patent Citations (2)
Title |
---|
SHEN-EN QIAN等: "Enhancing Spatial Resolution of Hyperspectral Imagery Using Sensor"s Intrinsic Keystone Distortion", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
周树波等: "基于双阈值Huber范数估计的图像正则化超分辨率算法", 《物理学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809691A (zh) * | 2015-05-05 | 2015-07-29 | 李云梅 | 一种基于滑动窗口混合像元分解的图像融合方法 |
CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
CN108052957B (zh) * | 2017-11-07 | 2021-09-14 | 聊城大学 | 一种航天器目标快速识别方法 |
CN108052957A (zh) * | 2017-11-07 | 2018-05-18 | 聊城大学 | 一种航天器目标快速识别方法 |
CN108090872A (zh) * | 2017-12-18 | 2018-05-29 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN108090872B (zh) * | 2017-12-18 | 2021-07-16 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN109934768A (zh) * | 2019-03-21 | 2019-06-25 | 大连海事大学 | 一种基于配准方式的亚像素位移图像获取方法 |
CN109934768B (zh) * | 2019-03-21 | 2022-10-04 | 大连海事大学 | 一种基于配准方式的亚像素位移图像获取方法 |
CN113938668A (zh) * | 2021-09-07 | 2022-01-14 | 北京邮电大学 | 一种三维光场显示及模型训练方法、装置和存储介质 |
CN113938668B (zh) * | 2021-09-07 | 2022-08-05 | 北京邮电大学 | 一种三维光场显示及模型训练方法、装置和存储介质 |
CN114137005A (zh) * | 2021-12-07 | 2022-03-04 | 哈尔滨工业大学 | 一种分布式多模衍射成像方法 |
CN114137005B (zh) * | 2021-12-07 | 2023-07-21 | 哈尔滨工业大学 | 一种分布式多模衍射成像方法 |
CN114240757A (zh) * | 2021-12-24 | 2022-03-25 | 上海乂义实业有限公司 | 基于光学***标定微扫描图像超分辨方法 |
CN114240757B (zh) * | 2021-12-24 | 2024-07-26 | 上海乂义实业有限公司 | 基于光学***标定微扫描图像超分辨方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103886559B (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Loncan et al. | Hyperspectral pansharpening: A review | |
CN103886559A (zh) | 一种光谱图像处理方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
He et al. | Total-variation-regularized low-rank matrix factorization for hyperspectral image restoration | |
Chen et al. | SAR and multispectral image fusion using generalized IHS transform based on à trous wavelet and EMD decompositions | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN111738916B (zh) | 一种基于统计学的遥感影像广义阴影光谱重建方法和*** | |
CN107316309A (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
Vargas et al. | Object detection on compressive measurements using correlation filters and sparse representation | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN113744134B (zh) | 基于光谱解混卷积神经网络的高光谱图像超分辨方法 | |
CN101908211B (zh) | 一种基于变分方法的高光谱图像融合方法 | |
CN103020936A (zh) | 一种人脸图像超分辨率重构方法 | |
CN104111080B (zh) | 一种凝视卫星面阵ccd相机的mtf在轨检测方法 | |
Licciardi et al. | Super-resolution of hyperspectral images using local spectral unmixing | |
Civardi et al. | Vis-tir imaging for uncooperative objects proximity navigation: a tool for development and testing | |
Chan et al. | A comparison of superresolution reconstruction methods for multi-angle CHRIS/Proba images | |
Liao et al. | Visualization of hyperspectral images using moving least squares | |
Vargas et al. | Multi-Sensor Image Feature Fusion via Subspace-Based Approach Using $\ell _ {1} $-Gradient Regularization | |
Belov et al. | Spatial interpolation methods for spectral-spatial remote sensing image super-resolution algorithm based on gradient descent approach | |
Mishra et al. | BLUR KERNEL’S EFFECT ON PERFORMANCE OF SINGLE-FRAME SUPER-RESOLUTION ALGORITHMS FOR SPATIALLY ENHANCING HYPERION AND PRISMA DATA | |
Zhang et al. | Sub-pixel dispersion model for coded aperture snapshot spectral imaging | |
Qu et al. | A new hyperspectral pansharpening method based on guided fliter | |
CN112556848B (zh) | 双相机压缩测量协同张量表示的融合计算成像方法 | |
Miecznik et al. | Mutual information registration of multi-spectral and multi-resolution images of DigitalGlobe's WorldView-3 imaging satellite |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |