CN108491869A - 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 - Google Patents

一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 Download PDF

Info

Publication number
CN108491869A
CN108491869A CN201810208130.2A CN201810208130A CN108491869A CN 108491869 A CN108491869 A CN 108491869A CN 201810208130 A CN201810208130 A CN 201810208130A CN 108491869 A CN108491869 A CN 108491869A
Authority
CN
China
Prior art keywords
image
spatial resolution
principal component
panchromatic
multispectral
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
Application number
CN201810208130.2A
Other languages
English (en)
Other versions
CN108491869B (zh
Inventor
***
詹培
林晓龙
谢志英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201810208130.2A priority Critical patent/CN108491869B/zh
Publication of CN108491869A publication Critical patent/CN108491869A/zh
Application granted granted Critical
Publication of CN108491869B publication Critical patent/CN108491869B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法。利用遥感低空间分辨率的多光谱彩色图像和高空间分辨率的全色灰度图像，通过图像重采样、主成分正变换、相关系数计算、灰度值自适应反转、直方图匹配、波段替换以及主成分逆变换，生成色调与多光谱图像基本一致的高空间分辨率的彩色图像。其特点是高空间分辨率全色灰度图像灰度值的自适应反转与调整，从而使生成的融合图像光谱保真度高、色彩无畸变，并可广泛适用于不同地区、不同地物类型、不同数据源的遥感图像融合。该方法生成的融合图像可应用于地图导航、规划设计、资源(如土地、农业、林业)监测、自然灾害监测、地质找矿、水文勘测以及军事识别等领域。

Description

一种全色波段灰度值自适应反转的主成分变换遥感图像融合 方法
技术领域
本发明涉及遥感图像重采样、主成分变换、相关系数计算、灰度变换、直方图匹配和波段替换，属于遥感图像处理及制作领域。
背景技术
图像融合是指将多源信道所采集到的关于同一场景的图像数据经过图像处理，最大限度地提取各自信道中的有利信息，最终综合成高质量的图像。图像融合简而言之就是取长补短，它着重于把光谱、时间或空间中存在互补的多源图像数据按照一定法则进行运算，从而获得比任何单一图像数据都更为精确、信息更为丰富的融合图像。遥感图像融合主要是通过结合遥感低空间分辨率的多光谱彩色图像，以及高空间分辨率的全色灰度图像，融合成一幅高空间分辨率的多光谱彩色图像，主要包括两大类方法：第一类是空间域代数运算法，第二类是变换域替代法。
主成分变换图像融合法属于变换域替代法的一种。现有主成分变换图像融合法的基本思路是先对低空间分辨率的多光谱图像进行主成分正变换，然后采用直方图匹配法对高空间分辨率全色灰度图像进行灰度变换，并将灰度变换后的高空间分辨率全色灰度图像替换低空间分辨率多光谱彩色图像的第一主成分，最后对波段替换后的数据进行主成分逆变换，从而得到高空间分辨率的多光谱彩色图像。现有主成分变换图像融合法的最大缺陷在于，当高空间分辨率全色灰度图像与多光谱彩色图像第一主成分的灰度值空间分布格局一致时可以取得较好的效果；但当二者的灰度值空间分布格局不一致甚至相反时，则会使融合图像的色调与原始多光谱彩色图像差异较大，从而产生严重的色彩畸变。
针对现有主成分变换图像融合法的上述缺陷，本发明公开了一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法，该方法先计算高空间分辨率全色灰度图像与多光谱图像第一主成分之间的相关系数，然后根据相关系数取值的正负自动决定是否需对高空间分辨率全色灰度图像的灰度值进行反转处理，从而避免使融合后的图像发生色彩畸变。
发明内容
本发明正是针对现有主成分变换图像融合方法的不足，提供了一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法。
为达此目的，本发明采用以下技术方案：
一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法，包括以下步骤：
A、低空间分辨率多光谱彩色图像重采样
对低空间分辨率的多光谱彩色图像进行重采样，重采样后的图像与同一场景的高空间分辨率全色灰度图像具有相同的行列数。
B、低空间分辨率多光谱彩色图像主成分正变换
对重采样后的多光谱彩色图像进行主成分正变换。
C、相关系数计算
计算高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数。
D、高空间分辨率全色灰度图像的灰度值自适应反转
当高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数为负数时，则对高空间分辨率全色灰度图像的灰度值进行反转变换；当二者的相关系数为正值时，则保持高空间分辨率全色灰度图像的灰度值不变。
其中，图像灰度值反转变换的公式如下：
g(x,y)＝Amax-f(x,y)+Amin
式中，g(x,y)为对高空间分辨率全色灰度图像进行反转变换后第x行、第y列的灰度值；Amax为原始高空间分辨率全色灰度图像的灰度值最大值；f(x,y)为原始高空间分辨率全色灰度图像第x行、第y列的灰度值；Amin为原始高空间分辨率全色灰度图像的灰度值最小值。
E、直方图匹配
采用直方图匹配法对高空间分辨率全色灰度图像进行灰度变换，使其灰度值的均值和方差与重采样后的多光谱彩色图像第一主成分相接近。
F、数据替换
用灰度变换后的高空间分辨率全色灰度图像替换重采样后的多光谱彩色图像的第一主成分。
G、主成分逆变换
对替换后的数据进行主成分逆变换，得到高空间分辨率的多光谱彩色融合图像。
本发明具有以下特点：
(1)高空间分辨率全色灰度图像灰度值的自适应反转，即自动决定是否需对高空间分辨率全色灰度图像的灰度值进行反转处理，自动化程度高，且能避免使融合后的图像发生色彩畸变；
(2)结合低空间分辨率的多光谱图像和高空间分辨率全色灰度图像的优势，生成的融合图像，其空间分辨率和色彩还原度都较高；
(3)适用范围广，可广泛适用于不同地区、不同来源的遥感图像；
(4)生成的融合图像应用范围广，可应用于地图导航、规划设计、资源(如土地、农业、林业)监测、自然灾害监测、地质找矿、水文勘测以及军事识别等领域。
附图说明
图1是低空间分辨率多光谱彩色图像局部放大图。
图2是融合后的高空间分辨率多光谱彩色图像局部放大图。
具体实施方式
下面结合附图对本发明的技术实施方案作进一步描述。
A、低空间分辨率多光谱彩色图像重采样
对低空间分辨率多光谱彩色图像进行重采样，重采样后的图像与同一场景的高空间分辨率全色灰度图像具有相同的行列数。
本案例中，低空间分辨率多光谱彩色图像采用Landsat8的红、绿、蓝三个波段，其空间分辨率为30米，高空间分辨率全色灰度图像采用Landsat8的全色波段，其空间分辨率为15米，两者具有相同的地面覆盖范围。对低空间分辨率多光谱彩色图像采用的重采样方法为最近邻法。
B、低空间分辨率多光谱彩色图像主成分正变换
对重采样后的多光谱彩色图像进行主成分正变换。
C、相关系数计算
计算高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数。
本案例中，高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数为-0.93。
D、高空间分辨率全色灰度图像的灰度值自适应反转
当高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数为负数时，则对高空间分辨率全色灰度图像的灰度值进行反转变换；当二者的相关系数为正值时，则保持高空间分辨率全色灰度图像的灰度值不变。
其中，图像灰度值反转变换的公式如下：
g(x,y)＝Amax-f(x,y)+Amin
式中，g(x,y)为对高空间分辨率全色灰度图像进行反转变换后第x行、第y列的灰度值；Amax为原始高空间分辨率全色灰度图像的灰度值最大值；f(x,y)为原始高空间分辨率全色灰度图像第x行、第y列的灰度值；Amin为原始高空间分辨率全色灰度图像的灰度值最小值。
本案例中，由于高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数为负数，则对高空间分辨率全色灰度图像的灰度值进行反转处理。
E、直方图匹配
采用直方图匹配法对高空间分辨率全色灰度图像进行灰度变换，使其灰度值的均值和方差与重采样后的多光谱彩色图像第一主成分相接近。
F、数据替换
用灰度变换后的高空间分辨率全色灰度图像替换重采样后的多光谱彩色图像的第一主成分。
G、主成分逆变换
对替换后的数据进行主成分逆变换，得到高空间分辨率的多光谱彩色融合图像。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法，其特征在于包括如下步骤：
A、低空间分辨率多光谱彩色图像重采样，对低空间分辨率多光谱彩色图像进行重采样，重采样后的图像与同一场景的高空间分辨率全色灰度图像具有相同的行列数。
B、低空间分辨率多光谱彩色图像主成分正变换，对重采样后的多光谱彩色图像进行主成分正变换。
C、相关系数计算，计算高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数。
D、高空间分辨率全色灰度图像的灰度值自适应反转，当高空间分辨率全色灰度图像与重采样后的多光谱彩色图像第一主成分的相关系数为负数时，则对高空间分辨率全色灰度图像的灰度值进行反转变换；当二者的相关系数为正值时，则保持高空间分辨率全色灰度图像的灰度值不变。
E、直方图匹配，采用直方图匹配法对高空间分辨率全色灰度图像进行灰度变换，使其灰度值的均值和方差与重采样后的多光谱彩色图像第一主成分相接近。
F、数据替换，用直方图匹配后的高空间分辨率全色灰度图像替换重采样后的多光谱彩色图像的第一主成分。
G、主成分逆变换，对替换后的数据进行主成分逆变换，得到高空间分辨率的多光谱彩色融合图像。
CN201810208130.2A 2018-03-14 2018-03-14 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 Expired - Fee Related CN108491869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810208130.2A CN108491869B (zh) 2018-03-14 2018-03-14 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810208130.2A CN108491869B (zh) 2018-03-14 2018-03-14 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法

Publications (2)

Publication Number Publication Date
CN108491869A true CN108491869A (zh) 2018-09-04
CN108491869B CN108491869B (zh) 2020-05-05

Family

ID=63339038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810208130.2A Expired - Fee Related CN108491869B (zh) 2018-03-14 2018-03-14 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法

Country Status (1)

Country Link
CN (1) CN108491869B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359621A (zh) * 2018-11-02 2019-02-19 中国地质科学院矿产资源研究所 一种基于多源遥感数据的伟晶岩型锂矿找矿方法
CN109658367A (zh) * 2018-11-14 2019-04-19 国网新疆电力有限公司信息通信公司 基于彩色传递的图像融合方法
CN113343871A (zh) * 2021-06-17 2021-09-03 哈尔滨工业大学 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***
WO2021195967A1 (zh) * 2020-03-31 2021-10-07 深圳市大疆创新科技有限公司 一种图像处理方法、设备、控制终端及可移动平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915523A (zh) * 2012-09-13 2013-02-06 中国科学院东北地理与农业生态研究所 一种改进的小波变换遥感影像融合方法及其融合***
CN103065293A (zh) * 2012-12-31 2013-04-24 中国科学院东北地理与农业生态研究所 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915523A (zh) * 2012-09-13 2013-02-06 中国科学院东北地理与农业生态研究所 一种改进的小波变换遥感影像融合方法及其融合***
CN103065293A (zh) * 2012-12-31 2013-04-24 中国科学院东北地理与农业生态研究所 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法
CN103679675A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种面向水质定量遥感应用的遥感影像融合方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359621A (zh) * 2018-11-02 2019-02-19 中国地质科学院矿产资源研究所 一种基于多源遥感数据的伟晶岩型锂矿找矿方法
CN109359621B (zh) * 2018-11-02 2019-09-24 中国地质科学院矿产资源研究所 一种基于多源遥感数据的伟晶岩型锂矿找矿方法
CN109658367A (zh) * 2018-11-14 2019-04-19 国网新疆电力有限公司信息通信公司 基于彩色传递的图像融合方法
CN109658367B (zh) * 2018-11-14 2022-11-25 国网新疆电力有限公司信息通信公司 基于彩色传递的图像融合方法
WO2021195967A1 (zh) * 2020-03-31 2021-10-07 深圳市大疆创新科技有限公司 一种图像处理方法、设备、控制终端及可移动平台
CN113343871A (zh) * 2021-06-17 2021-09-03 哈尔滨工业大学 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***
CN113343871B (zh) * 2021-06-17 2022-03-18 哈尔滨工业大学 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及***

Also Published As

Publication number Publication date
CN108491869B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN108491869A (zh) 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法
US8411905B2 (en) Generating agricultural information products using remote sensing
CN113240758B (zh) 基于融合衍生指数的遥感影像融合方法、***、设备及介质
CN113222054B (zh) 基于特征比值指数的遥感影像融合方法、***、设备及介质
JP4553826B2 (ja) 地物環境状況提供方法及びそのプログラム
CN111242224A (zh) 一种基于无人机提取分类样本点的多源遥感数据分类方法
CN104268559A (zh) 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法
CN103268596A (zh) 一种降低图像噪声和使颜色接近标准的方法
CN105096286A (zh) 遥感图像的融合方法及装置
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
JP6943251B2 (ja) 画像処理装置、画像処理方法及びコンピュータ読み取り可能記録媒体
Wang et al. Sentinel-2A image fusion using a machine learning approach
Hoan et al. Cloud removal of optical image using SAR data for ALOS applications. Experimenting on simulated ALOS data
CN102693551A (zh) 多光谱图像融合实现三维重建的方法
Cui et al. Combined Model Color-Correction Method Utilizing External Low-Frequency Reference Signals for Large-Scale Optical Satellite Image Mosaics.
O'Connor Impact of image quality on SfM Photogrammetry: colour, compression and noise
KR102397148B1 (ko) 대용량 항공정사영상의 저해상도 컬러영상을 이용한 색상보정 방법
WO2020022436A1 (ja) 修復用関数調整システム、データ修復装置、修復用関数調整方法、修復用関数生成方法、およびコンピュータプログラム
Mohd Jain Noordin et al. Saturation avoidance color correction for digital color images
Cui et al. High-Resolution Optical Satellite Images Color Consistency Method Based on External Color References
Kumar et al. An Efficient PAN-sharpening of Multispectral Images using Multi-scale Residual CNN with Sparse Representation
Chen et al. Urban-Rural Fringe Recognition with the Integration of Optical and Nighttime Lights Data
CN113269789B (zh) 一种遥感图像无监督域自适应的水陆分割方法
CN117333494B (zh) 基于深度学习的秸秆覆盖率检测方法及***
Zhang et al. Road Green Belt Extraction Algorithm Based on Morphology and Color Index

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200505

Termination date: 20210314