CN109933639A - 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 - Google Patents
一种面向图层叠加的多光谱图像与全色图像自适应融合方法 Download PDFInfo
- Publication number
- CN109933639A CN109933639A CN201910222958.8A CN201910222958A CN109933639A CN 109933639 A CN109933639 A CN 109933639A CN 201910222958 A CN201910222958 A CN 201910222958A CN 109933639 A CN109933639 A CN 109933639A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- algorithm
- self
- full
- 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)
- Image Analysis (AREA)
Abstract
本发明提出一种面向图层叠加的多光谱图像与全色图像自适应融合方法,所述方法包括获取多光谱图像和全色图像并进行预处理;调用相应图像融合模块中的所有算法对预处理后的图像进行处理,将得到的数据代入评估函数得到各个算法量化后的评估数据;根据各个算法量化的评估数据,计算出评估函数的最大值,得到最优融合算法;使用图像处理软件将融合图像与目标电子地图投影到同一坐标系下,再进行分级切片编码,最后将切好的瓦片图叠加到电子图层上。本发明采用最新的高分辨遥感图像叠加到电子地图上,解决了部分地区高层级卫星图像缺失的问题,方便用户对真实卫星图像进行查看,时效性快,且所叠加的遥感图像分辨率高,用户可以查看最新的高清卫星遥感图像。
Description
技术领域
本发明属图像处理技术领域,特别涉及一种面向图层叠加的多光谱图像与全色图像自适应融合方法。
背景技术
随着地理信息***的快速发展,电子地图的使用遍布在各行各业,越来越多的用户在个人电脑或者终端上安装并使用电子地图。现使用的电子地图均提供查看卫星地图的功能,方便用户根据真实影像进行查看,更加快速准确的找出目标区域。但现有电子地图所提供的卫星图像存在部分地区高层级卫星影像缺失的情况,且所提供的卫星图像实效性也不高,大多是几年更新一次,用户无法获得实际影像。
图层叠加所用遥感图像大部分采用图像处理软件进行图像融合得到,该方法虽具有通用性,但是融合效果并不能满足用户对不同场景的不同需求。传统方法使用融合处理后的遥感图像叠加到电子地图上时,由于图像精度不高,特征信息不够明显,遥感图像与目标地图进行坐标校正时会产生误差,导致叠加后的图像在电子地图上出现偏移;传统方法对数据量大的遥感图像进行图像融合处理时通常需要花费较长时间,极大的降低了工作效率。
发明内容
为解决上述技术问题,本发明提供一种面向图层叠加的多光谱图像和全色图像自适应融合方法,根据不同的需求选择对应的最优算法进行图像融合处理,该方法包括:
S1、获取同一场景的多光谱图像和全色图像,将得到的图像进行预处理操作,经过处理后的图像根据预设的规则进入相应的图像融合模块中;
S2、调用相应图像融合模块中的对应类型的全部算法对输入的图像数据进行处理,将得到的结果使用评估函数进行计算,得到各个算法量化后的评估数据;
S3、根据步骤S2中的各个算法融合后的图像评估数据,得到最大评估数值,拥有最大评估数值的算法即为最优算法,同时将该算法对应的融合图像结果进行输出;
S4、根据步骤S3得到融合图像,将融合后遥感图像和目标电子地图投影到同一坐标系下,然后进行分级切片编码,最后将切好的瓦片图叠加到电子图层上。
优选的,所述步骤S1具体包括,
S11、将得到的图像分别使用直方图均衡化法进行辐射校正;
S12、将辐射校正后的图像根据预先设定的阈值按照图像数据大小进行划分,图像数据量低于该阈值的图像自动进入像素级图像融合模块,图像数据量高于该阈值的图像则自动进入特征级图像融合模块。
优选的,所述阈值设定为待处理图像数据量大小的均值。
优选的,所述步骤S2具体包括,
S21、将所述步骤S1中得到的融合类别和经过预处理后的图像使用相应类别下的所有算法进行融合处理;
S22、将融合处理的数据代入评估函数进行计算,得到相应图像融合算法量化后的评估结果,其中,所述评估函数为:
fi=w1pi+w2vi+w3gi;
其中,w1、w2、w3代表各评估项的权重系数,i为像素级融合模块或特征级融合模块中的算法类别,p代表i算法融合后图像的峰值信噪比,具体计算公式为:
其中Max代表图像最大像素数值,Mse代表融合前后图像的均方误差,其计算公式为:
其中MN为图像的宽度和高度,Iij代表融合前图像像素点(i,j)的像素值,Kij代表融合后图像像素点(i,j)的像素值;
vi用于评估算法i的图像融合速度,根据上述的图像融合时间得到,计算公式如下:
vi=e-t
其中t为i算法融合图像所用时间;
gi用于评估算法i融合后图像的灰度值,根据上述的图像R,G,B的像素值得到,用于评价图像色彩丰富度,公式如下:
g=0.3R+0.59G+0.11B
其中R,G,B分别为图像三基色像素值。
优选的,所述步骤S22还包括,在像素级融合模块中,i=1,2,3,4分别对应逻辑滤波法,对比调制法,金字塔分解融合法,小波变换法;在特征级融合模块中,i=1,2,3,分别对应加权平均法,贝叶斯估计法,聚类分析法,进行融合时算法按照数字从小到大的顺序进行调用。
优选的,所述步骤S21中融合处理后得到各个算法图像的融合时间,融合前后图像的像素值,图像的宽度和高度,融合后图像的R,G,B像素值。
优选的,所述步骤S4还包括将遥感图像与电子地图进行点位比对来实现融合图像与目标电子地图的校正。
本发明采用最新的高分辨遥感图像叠加到电子地图上,解决了部分地区高层级卫星图像缺失的问题,方便用户对真实卫星图像进行查看,时效性快,且所叠加的遥感图像分辨率高,用户可以查看最新的高清卫星遥感图像。
附图说明
图1为本发明提出的面向图层叠加的多光谱图像与全色图像自适应融合方法流程图;
图2为本发明提出的自适应方法在百度地图上叠加的遥感图像效果图;
图3为普通的叠加遥感图像效果图。
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
下面对于本发明提出的一种根据遥感图像数据量大小对原始图像进行图像融合处理,并将融合后遥感图像叠加到电子地图上的方法,结合附图和实施例详细说明。
参照方法流程图1,本发明实施例的方法按照以下步骤操作:
S1.获取同一场景的多光谱图像和全色图像,将得到的图像进行预处理操作,经过处理后的图像根据预设的规则进入相应的图像融合模块中;
S2.调用相应图像融合模块中的对应类型的全部算法对输入的图像数据进行处理,将得到的结果使用评估函数进行计算,得到各个算法量化后的评估数据;
S3.根据各个算法量化的评估数据,计算出评估函数的最大值,得到最优融合算法;
S4.使用图像处理软件将融合图像与目标电子地图投影到同一坐标系下,再进行分级切片编码,最后将切好的瓦片图叠加到电子图层上。
对于S1步骤,具体实施方案为:
遥感图像分别使用直方图均衡化法进行辐射校正。用户可以根据自己需求输入图像数据量阈值或使用默认阈值。若阈值设置过大,大部分图像会使用数据级融合方法进行图像融合,这将会产生不必要的精度浪费和过长的处理时间;若阈值设置过小,则大部分图像会使用特征级图像融合方法进行图像融合,这将会导致整体图像精度受损,影响叠加效果。因此建议阈值设定为待处理图像数据量大小的均值。将辐射校正后的图像根据预先设定的阈值按照全色图像数据大小进行划分,全色图像数据量低于该阈值的图像自动进入像素级图像融合模块,全色图像数据量高于该阈值的图像则自动进入特征级图像融合模块。
低于阈值时的图像通常数据量较小,采用像素级融合方法对图像进行融合处理,可以保留较高的精度,获取更多细节信息,进行图像校正时能更精准的进行点位匹配,从而使图像精准的叠加到电子地图上。高于阈值的图像通常数据量较大,采用特征级融合方法对图像进行融合处理,可以在保证一定精度的前提下,拥有更快的处理速度,从而能大幅提高工作效率。
对于S2步骤,具体实施步骤如下:
S21,将S1步骤中得到的融合类别和经过预处理后的图像使用相应类别下的全部算法进行融合处理:其中像素级图像融合方法内包含算法为:逻辑滤波法,对比调制法,金字塔分解融合法,小波变换法;在特征级图像融合方法内包含算法为:加权平均法,贝叶斯估计法,聚类分析法。融合完成后分别获取各个算法图像的融合时间,融合前后图像的像素值,图像的宽度和高度,融合后图像的R,G,B像素值。
图像的融合时间,直接决定图层叠加过程的整体进度,对于一个较大的目标处理区域,图像融合的速度能够决定该区域图层叠加的更新快慢,现如今工程建设步伐较快,尽可能的提高更新频率能满足使用者对于图层使用的时效性要求,采用v评估项进行评估。但是,一味的追求融合时间会导致图层叠加出现偏移的情况发生,因此对融合前后图像的像素值进行了获取,只有图像的峰值信噪比越大,图像精度才会越高,才能尽量减小图层叠加的误差偏移,采用p评估项进行评估;融合图像的色彩丰富度决定着叠加图像的视觉效果,获取融合后的图像R,G,B,的像素值,采用评估项g对色彩丰富度进行评估。
S22,根据S21所得数据结果,将数据代入评估函数进行计算,得到相应图像融合算法量化后的评估结果。其中,评估函数如下:
fi=w1pi+w2Vi+w3gi
其中,w1、w2、w3代表各评估项的权重系数,i为像素级融合模块或特征级融合模块中的算法类别,在像素级融合模块中,i=1,2,3,4分别对应逻辑滤波法,对比调制法,金字塔分解融合法,小波变换法;在特征级融合模块中,i=1,2,3,分别对应加权平均法,贝叶斯估计法,聚类分析法,进行融合时算法按照数字从小到大的顺序进行调用。p代表i算法融合后图像的峰值信噪比,根据上述获得的融合前后图像的像素值,图像的宽度和高度得到。用于评价融合后图像的质量,信噪比数值越大,图像融合质量越好,反之质量越差。具体计算公式为:
其中Max代表图像最大像素数值,一般取255。Mse代表融合前后图像的均方误差,其计算公式为:
其中MN为图像的宽度和高度,Iij代表融合前图像像素点(i,j)的像素值,Kij代表融合后图像像素点(i,j)的像素值。
vi用于评估算法i的图像融合速度,根据上述的图像融合时间得到。,vi是一个减函数,算法运行时间越短评估项vi值越大,说明算法i的图像融合处理速度越快。计算公式如下:
vi=e-t
其中t为i算法融合图像所用时间。
gi用于评估算法i融合后图像的灰度值,根据上述的图像R,G,B,的像素值得到,用于评价图像色彩丰富度,灰度值越大,图像的色彩表现力更加丰富,能够实现更强的色彩层次,公式如下:
g=0.3R+0.59G+0.11B
其中R,G,B分别为图像三基色像素值。
w1、w2、w3代表各评估项的权重系数,默认都是1。用户可以根据自己的需求对某一评估项的权重系数进行调整,从而让评估函数更加符合用户对融合图像结果的预期。
对于S3步骤,具体实施步骤如下:
根据S2步骤的各个算法融合后的图像评估数据,得到最大评估数值,定义拥有最大评估数值的算法为最优算法,同时将该算法对应的融合图像结果进行输出;
对于步骤S4,具体实施如下:
根据S3步骤得到融合图像使用图像处理软件将其与目标电子地图进行校正,使需要叠加的图像与目标电子地图处于同一坐标系下。对数据量较小的图像进行校正时,经过数据级图像融合算法处理后的遥感图像具有精度高,地物特征明显,边缘纹理更加清晰等特点,因此将遥感图像与电子地图进行点位比对时能更加准确进行校正操作;对数据量较大的图像进行校正时,经过特征级融合算法融合处理后的遥感图像精度虽比不上像素级融合图像,但由于其包含的信息量大,地物特征多,与电子地图进行点位比对时能找到更多对应信息,同样能实现较高的校正水平,且由于图像融合速度的加快,提高了对大数据量图像的叠加效率。
将校正后的遥感图像再进行分级切片编码,最后将切好的瓦片图叠加到电子图层上。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (7)
1.一种面向图层叠加的多光谱图像与全色图像自适应融合方法,其特征在于,所述方法包括如下步骤:
S1、获取同一场景的多光谱图像和全色图像,将得到的图像进行预处理操作,经过处理后的图像根据预设的规则进入相应的图像融合模块中;
S2、调用相应图像融合模块中的对应类型的全部算法对输入的图像数据进行处理,将得到的结果使用评估函数进行计算,得到各个算法量化后的评估数据;
S3、根据步骤S2中的各个算法融合后的图像评估数据,得到最大评估数值,拥有最大评估数值的算法即为最优算法,同时将该算法对应的融合图像结果进行输出;
S4、根据步骤S3得到融合图像,将融合后遥感图像和目标电子地图投影到同一坐标系下,然后进行分级切片编码,最后将切好的瓦片图叠加到电子图层上。
2.根据权利要求1所述的自适应融合方法,其特征在于,所述步骤S1中的经过处理后的图像根据预设的规则进入相应的图像融合模块中,具体包括:
S11、将得到的两幅遥感图像分别使用直方图均衡化法进行辐射校正;
S12、将辐射校正后的图像根据预先设定的阈值按照全色图像数据大小进行划分,全色图像数据量低于该阈值的图像自动进入像素级图像融合模块,全色图像数据量高于该阈值的图像则自动进入特征级图像融合模块。
3.根据权利要求2所述的自适应融合方法,其特征在于,所述阈值设定为待处理图像中全色图像数据量大小的均值。
4.根据权利要求1所述的自适应融合方法,其特征在于,所述步骤S2具体包括,
S21、将所述步骤S1中得到的融合类别和经过预处理后的图像使用相应类别下的所有算法进行融合处理;
S22、将融合处理的数据代入评估函数进行计算,得到相应图像融合算法量化后的评估结果,其中,所述评估函数为:
fi=w1pi+w2vi+w3gi;
其中,w1、w2、w3代表各评估项的权重系数,i为像素级融合模块或特征级融合模块中的算法类别,p代表i算法融合后图像的峰值信噪比,具体计算公式为:
其中Max代表图像最大像素数值,Mse代表融合前后图像的均方误差,其计算公式为:
其中MN为图像的宽度和高度,Iij代表融合前图像像素点(i,j)的像素值,Kij代表融合后图像像素点(i,j)的像素值;
vi用于评估算法i的图像融合速度,根据上述的图像融合时间得到,计算公式如下:
vi=e-t
其中t为i算法融合图像所用时间;
gi用于评估算法i融合后图像的灰度值,根据上述的图像R,G,B,的像素值得到,用于评价图像色彩丰富度,公式如下:
g=0.3R+0.59G+0.11B
其中R,G,B分别为图像三基色像素值。
5.根据权利要求4所述的自适应融合方法,其特征在于,所述步骤S22还包括,在像素级融合模块中,i=1,2,3,4分别对应逻辑滤波法,对比调制法,金字塔分解融合法,小波变换法;在特征级融合模块中,i=1,2,3,分别对应加权平均法,贝叶斯估计法,聚类分析法,进行融合时算法按照数字从小到大的顺序进行调用。
6.根据权利要求5所述的自适应融合方法,其特征在于,所述步骤S21中融合处理后得到各个算法图像的融合时间,融合前后图像的像素值,图像的宽度和高度,融合后图像的R,G,B像素值。
7.根据权利要求6所述的自适应融合方法,其特征在于,所述步骤S4还包括将遥感图像与电子地图进行点位比对来实现融合图像与目标电子地图的校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222958.8A CN109933639B (zh) | 2019-03-22 | 2019-03-22 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222958.8A CN109933639B (zh) | 2019-03-22 | 2019-03-22 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933639A true CN109933639A (zh) | 2019-06-25 |
CN109933639B CN109933639B (zh) | 2022-12-27 |
Family
ID=66988183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910222958.8A Active CN109933639B (zh) | 2019-03-22 | 2019-03-22 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933639B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
CN116775796A (zh) * | 2023-08-16 | 2023-09-19 | 交通运输部水运科学研究所 | 一种多图层叠加的港区信息展示方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663057A (zh) * | 2012-03-02 | 2012-09-12 | 苏州武大影像信息工程研究院有限责任公司 | 多源异构航空遥感数据管理方法 |
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 |
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN106780416A (zh) * | 2016-11-10 | 2017-05-31 | 国家电网公司 | 一种矢量地形图用于路径规划的方法及装置 |
-
2019
- 2019-03-22 CN CN201910222958.8A patent/CN109933639B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663057A (zh) * | 2012-03-02 | 2012-09-12 | 苏州武大影像信息工程研究院有限责任公司 | 多源异构航空遥感数据管理方法 |
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 |
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN106780416A (zh) * | 2016-11-10 | 2017-05-31 | 国家电网公司 | 一种矢量地形图用于路径规划的方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭文娟: "遥感影像数据融合方法及效果评价研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
CN116775796A (zh) * | 2023-08-16 | 2023-09-19 | 交通运输部水运科学研究所 | 一种多图层叠加的港区信息展示方法及*** |
CN116775796B (zh) * | 2023-08-16 | 2023-10-31 | 交通运输部水运科学研究所 | 一种多图层叠加的港区信息展示方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109933639B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933639A (zh) | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 | |
Zhang et al. | Underwater image enhancement via minimal color loss and locally adaptive contrast enhancement | |
Liu et al. | Single image dehazing with depth-aware non-local total variation regularization | |
Singh et al. | Comprehensive survey on haze removal techniques | |
Li et al. | Multi-scale single image dehazing using Laplacian and Gaussian pyramids | |
CN102982513B (zh) | 一种基于纹理的自适应图像去雾方法 | |
CN102567973B (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
CN103606132A (zh) | 基于空域和时域联合滤波的多帧数字图像去噪方法 | |
CN107945125A (zh) | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 | |
CN111489346B (zh) | 一种全参考图像质量评价方法及*** | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN105096280A (zh) | 处理图像噪声的方法及装置 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN107977660A (zh) | 基于背景先验和前景节点的感兴趣区域检测方法 | |
CN109242834A (zh) | 一种基于卷积神经网络的无参考立体图像质量评价方法 | |
Kumar et al. | Fuzzified contrast enhancement for nearly invisible images | |
CN114004754A (zh) | 一种基于深度学习的场景深度补全***及方法 | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN106709890A (zh) | 用于低照度视频图像处理的方法及装置 | |
CN113379609B (zh) | 一种图像处理方法、存储介质及终端设备 | |
CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
Zhang et al. | UAV remote sensing image dehazing based on double-scale transmission optimization strategy | |
CN102223545A (zh) | 一种快速多视点视频颜色校正方法 | |
CN117496019A (zh) | 一种驱动静态图像的图像动画处理方法及*** | |
CN111311517A (zh) | 基于抠图的颜色校正优化方法 |
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 |