CN113870110B - 遥感影像的图像融合方法、装置、电子设备和存储介质 - Google Patents
遥感影像的图像融合方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113870110B CN113870110B CN202111059738.1A CN202111059738A CN113870110B CN 113870110 B CN113870110 B CN 113870110B CN 202111059738 A CN202111059738 A CN 202111059738A CN 113870110 B CN113870110 B CN 113870110B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- spatial
- images
- resolution
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 24
- 238000012952 Resampling Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感影像的图像融合方法,包括以下步骤:分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像。对n个所述低空间分辨率多光谱遥感影像进行合成得到第一全色波段影像。将所述多个高空间分辨率多光谱遥感影像合成得到第二全色波段影像。基于相位恢复法,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换。对多个所述GS变换后的波段影像进行GS反变换,得到融合后的影像。还提供一种遥感影像的图像融合装置、电子设备和存储介质。本发明提供的遥感影像的图像融合方法、装置、电子设备和存储介质,能够提高低空间分辨率多光谱遥感影像的空间分辨率,同时保持光谱特性不变。
Description
技术领域
本发明涉及遥感影像的图像处理技术领域,特别是涉及一种遥感影像的图像融合方法、装置、电子设备和存储介质。
背景技术
哨兵2A/B卫星是由欧空局于2015年6月发射的多光谱成像卫星,主要用于环境监测、定量参数反演、地表变化监测等领域。其幅宽达到了290公里,两星组网对地观测重访周期最短可达三天,极大地提高了卫星影像应用范围。同时,其携带的高性能成像载荷使得影像质量大幅提升。哨兵2A/B波段参数如下所示:
哨兵2A/B影像参数表
从上表可以看出,该卫星具有4个10米高空间分辨率波段,6个20米低空间分辨率波段。如何将6个20米波段的空间分辨率提升至10米,具有非常重要的实用价值。
现有技术中,遥感影像图像融合(Pansharpening)方法绝大部分是一个全色高分辨率图像与多个低分辨率多光谱图像进行融合,对于多个高分辨率多光谱图像如何与低分辨率多光谱图像进行融合,则研究极少。而对于哨兵2A/B卫星这种具有多个高空间分辨率波段和多个低空间分辨率波段的则无法用现有技术进行融合,因此需要提供一种新的遥感影像的图像融合方法。
发明内容
本发明的目的在于克服现有技术中存在的不足,并提供一种遥感影像的图像融合方法、装置、电子设备和存储介质,通过将多个高空间分辨率多光谱遥感影像与低空间分辨率多光谱遥感影像进行融合,从而提高低空间分辨率多光谱遥感影像的空间分辨率,同时保持光谱特性不变,为后续影像应用提供有效的数据支撑。
为实现上述目的,本发明采用的技术方案为:
一种遥感影像的图像融合方法,包括以下步骤:
分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1;
对n个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,合成后得到模拟的第一全色波段影像;
将所述多个高空间分辨率多光谱遥感影像进行合成,得到模拟的第二全色波段影像;
基于相位恢复法,将所述第一全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中与所述第一全色波段影像对应的影像为GS变换后的第一波段影像GS1,与其余多个所述低空间分辨率多光谱遥感影像分别对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1;
根据所述GS变换的第一分量对所述第二全色波段影像进行修改,得到修改后的影像;
用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除与所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像。
对上述技术方案的进一步改进是:
所述遥感影像的图像融合方法基于哨兵2A/B卫星获取所述多个高空间分辨率多光谱遥感影像和多个低空间分辨率多光谱遥感影像,其中所述高空间分辨率多光谱遥感影像数量为4个,所述低空间分辨率多光谱遥感影像数量为6个。
所述几何配准具体步骤如下:
任意选取一个所述高空间分辨率多光谱遥感影像作为参考基准影像;
采用SIFT算法自动获取所述高空间分辨率多光谱遥感影像和低空间分辨率多光谱遥感影像的特征点,利用一次多项式全局变化模型对特征点进行筛选,解算投影变化模型参数估计,得到投影变化参数;
利用所述投影变化参数,对所述低空间分辨率多光谱遥感影像进行几何变化和图像插值,得到配准完毕的影像。
所述空间重采样具体包括:
利用双三次卷积插值算法对所述低空间分辨率多光谱遥感影像进行空间重采样,得到重采样后的图像,所述重采样后的图像大小和像素均与所述高空间分辨率多光谱遥感影像相同。
所述“将所述多个高空间分辨率多光谱遥感影像进行合成,得到第二全色波段影像”具体为:以多个所述高空间分辨率多光谱遥感影像为基础,采用均值合成的方式得到第二全色波段影像。
所述均值合成的公式如下:
上述公式中,bandi表示第i个波段,n表示波段的数目。
所述相位恢复法基于Gram-Schmidt算法,具体的GS变换的公式如下:
式中,GST是GS变换后产生的第T个分量,BT是原始的低空间分辨率多光谱遥感影像的第T个波段影像,uT是第T个原始的低空间分辨率多光谱遥感影像的灰度值的均值。
本发明还提供了一种遥感影像的图像融合装置,包括:
获取模块,用于分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1;
配准重采样模块,用于对n个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,得到模拟的低空间分辨率全色波段影像;
合成模块,用于将所述多个高空间分辨率多光谱遥感影像合成为一个高空间分辨率全色波段影像;
变换模块,用于基于相位恢复法,将所述低空间分辨率全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中所述低空间分辨率全色波段影像对应的影像为GS变换后的第一波段影像GS1,其余多个所述低空间分辨率多光谱遥感影像对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1;
修改模块,用于根据所述GS变换的第一分量对所述高空间分辨率全色波段影像进行修改,得到修改后的影像;
融合模块,用于用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像。
本发明还提供了一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现上述的道路网变化检测方法。
本发明还提供了一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现上述的道路网变化检测方法。
根据本发明的技术方案可知,本发明的遥感影像的图像融合方法将多个高空间分辨率多光谱遥感影像与多个低空间分辨率多光谱遥感影像进行融合,能够有效提升低空间分辨率多光谱遥感影像的空间分辨率,且能够保持光谱的特性不变,为后续影像应用提供了更为有效的数据支撑。其采用将多个高空间分辨率多光谱遥感影像合成一个高空间分辨率全色波段影像,其可供参考及校正的数据更多,因此其融合后的图像精度更高。
附图说明
图1为本发明实施例的遥感影像的图像融合方法的流程示意图。
图2为本发明实施例的遥感影像的图像融合装置的结构示意图。
图3为本发明实施例的电子设备的结构示意图。
图4为本发明实施例的存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的遥感影像的图像融合方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。
实施例1:如图1所示,本实施例的遥感影像的图像融合方法,包括以下步骤:
S10、分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1,本实施例中n的值为6。
在本实施例中,所述遥感影像的图像融合方法基于哨兵2A/B卫星获取所述多个高空间分辨率多光谱遥感影像和多个低空间分辨率多光谱遥感影像,其中所述高空间分辨率多光谱遥感影像数量为4个,分别为哨兵2A/B波段参数表中的Band2-蓝波段,Band3-绿波段,Band4-红波段,和Band8-近红外波段。也就是说,在本实施例中,空间分辨率等于10米的为高空间分辨率多光谱遥感影像。所述低空间分辨率多光谱遥感影像数量为6个,分别为哨兵2A/B波段参数表中的Band5-红边波段,Band6-红边波段,Band7-红边波段,Band8A-窄边近红外,Band11-短波红外,和Band12-短波红外。也就是说,在本实施例中,空间分辨率等于20米的为低空间分辨率多光谱遥感影像。
S20、对6个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,将配准和重采样后的所述低空间分辨率多光谱遥感影像进行合成,得到模拟的第一全色波段影像。
S21、所述几何配准具体步骤如下:
任意选取一个所述高空间分辨率多光谱遥感影像作为参考基准影像。
采用SIFT算法自动获取所述高空间分辨率多光谱遥感影像和低空间分辨率多光谱遥感影像的特征点,利用一次多项式全局变化模型对特征点进行筛选,解算投影变化模型参数估计,得到投影变化参数。
利用所述投影变化参数,对所述低空间分辨率多光谱遥感影像进行几何变化和图像插值,得到配准完毕的影像。
S22、所述空间重采样具体包括:
利用双三次卷积插值算法对所述低空间分辨率多光谱遥感影像进行空间重采样,得到重采样后的图像,所述重采样后的图像大小和像素均与所述高空间分辨率多光谱遥感影像相同。
双三次卷积插值算法的公式如下:
式中,h表示采样间距,xk表示插值点,u表示插值卷积用的kernel,g为插值函数,ck为依赖于采样点数据的参数,他们必须满足g(xk)=f(xk)的条件。
S23、模拟:采用均值合成的方式得到第一全色波段影像,其中均值合成的公式如下:
上述公式中,bandi表示第i个波段,n表示波段的数目。
S30、将所述多个高空间分辨率多光谱遥感影像进行合成,得到模拟的第二全色波段影像。
采用均值合成的方式得到第二全色波段影像,其中均值合成的公式如下:
上述公式中,bandi表示第i个波段,n表示波段的数目。
S40、基于相位恢复法,将所述第一全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中与所述第一全色波段影像对应的影像为GS变换后的第一波段影像GS1,与其余多个所述低空间分辨率多光谱遥感影像分别对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1。
所述相位恢复法基于Gram-Schmidt算法,采用施密特正交化,施密特正交化的公式如下:
v1=u1;
……
其中,v1、v2……vn为相互独立的向量;u1、u2……un为构造后的正交向量。
具体的GS变换的公式如下:
式中,GST是GS变换后产生的第T个分量,BT是原始的低空间分辨率多光谱遥感影像的第T个波段影像,uT是第T个原始的低空间分辨率多光谱遥感影像的灰度值的均值。
S50、根据所述GS变换的第一分量对所述第二全色波段影像进行修改,得到修改后的影像。具体为分别计算第二全色波段影像的均值和标准差,以及GS1的均值和标准差,根据上述两组数据对所述第二全色波段影像进行修改,得到修改后的影像。
具体的修改公式为:
k2=uintensity-(k1×upan);
式中,P为第一全色波段影像的灰度值,eintensity为亮度分量I的方差,epan为第一全色波段影像的方差;uintensity为亮度分量均值,upan为第一全色波段影像的灰度均值。k1为增益,k2为偏移。
S60、用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除与所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像。
具体的GS反变换公式如下:
式中,BT是GS反变换后的第T个波段影像,GST是GS变换后产生的第T个分量,uT是经GS变换后的第T个波段影像的灰度值的均值。GSl表示通过调整高分辨率波段影像的统计值来匹配Gram-Schmidt变换后的第l个分量。
本发明提供的遥感影像的图像融合方法能够在保持原始低空间分辨率多光谱遥感影像的光谱特性的同时有效提高其空间分辨率,其采用GS算法,对多个低空间分辨率多光谱遥感影像与多个高空间分辨率多光谱遥感影像进行融合,使其空间分辨率提升至与高空间分辨率多光谱遥感影像的空间分辨率保持一致,最终为信息提取、定量参数反演等提供更为优质的遥感影像数据。
如图2所示,本实施例还提供一种遥感影像的图像融合装置,包括:
获取模块31,用于分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1。
配准重采样模块32,用于对n个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,得到模拟的低空间分辨率全色波段影像。
合成模块33,用于将所述多个高空间分辨率多光谱遥感影像合成为一个高空间分辨率全色波段影像。
变换模块34,用于基于相位恢复法,将所述低空间分辨率全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中所述低空间分辨率全色波段影像对应的影像为GS变换后的第一波段影像GS1,其余多个所述低空间分辨率多光谱遥感影像对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1。
修改模块35,用于根据所述GS变换的第一分量对所述高空间分辨率全色波段影像进行修改,得到修改后的影像。
融合模块36,用于用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像。
如图3所示,本实施例还提供一种电子设备40,所述电子设备40包括处理器41、以及与所述处理器41耦接的存储器42,所述存储器42存储有可被所述处理器41执行的程序指令;所述处理器41执行所述存储器42存储的所述程序指令时实现上述的道路网变化检测方法。
如图4所示,本实施例还提供一种存储介质60,所述存储介质60内存储有程序指令61,所述程序指令61被处理器执行时实现上述的道路网变化检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
Claims (9)
1.一种遥感影像的图像融合方法,其特征在于,包括以下步骤:
分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1;
对n个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,合成后得到模拟的第一全色波段影像;
将所述多个高空间分辨率多光谱遥感影像进行合成,得到模拟的第二全色波段影像;
基于相位恢复法,将所述第一全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中与所述第一全色波段影像对应的影像为GS变换后的第一波段影像GS1,与其余多个所述低空间分辨率多光谱遥感影像分别对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1;
根据所述GS变换的第一分量对所述第二全色波段影像进行修改,得到修改后的影像;
用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除与所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像;
所述几何配准具体步骤如下:
任意选取一个所述高空间分辨率多光谱遥感影像作为参考基准影像;
采用SIFT算法自动获取所述高空间分辨率多光谱遥感影像和低空间分辨率多光谱遥感影像的特征点,利用一次多项式全局变化模型对特征点进行筛选,解算投影变化模型参数估计,得到投影变化参数;
利用所述投影变化参数,对所述低空间分辨率多光谱遥感影像进行几何变化和图像插值,得到配准完毕的影像。
2.根据权利要求1所述的遥感影像的图像融合方法,其特征在于:所述遥感影像的图像融合方法基于哨兵2A/B卫星获取所述多个高空间分辨率多光谱遥感影像和多个低空间分辨率多光谱遥感影像,其中所述高空间分辨率多光谱遥感影像数量为4个,所述低空间分辨率多光谱遥感影像数量为6个。
3.根据权利要求1所述的遥感影像的图像融合方法,其特征在于:所述空间重采样具体包括:
利用双三次卷积插值算法对所述低空间分辨率多光谱遥感影像进行空间重采样,得到重采样后的图像,所述重采样后的图像大小和像素均与所述高空间分辨率多光谱遥感影像相同。
4.根据权利要求1所述的遥感影像的图像融合方法,其特征在于:所述将所述多个高空间分辨率多光谱遥感影像进行合成,得到模拟的第二全色波段影像,具体为:以多个所述高空间分辨率多光谱遥感影像为基础,采用均值合成的方式得到第二全色波段影像。
5.根据权利要求4所述的遥感影像的图像融合方法,其特征在于:所述均值合成的公式如下:上述公式中,bandi表示第i个波段,n表示波段的数目。
6.根据权利要求1所述的遥感影像的图像融合方法,其特征在于:所述相位恢复法基于Gram-Schmidt算法,具体的GS变换的公式如下:式中,GST是GS变换后产生的第T个分量,BT是原始的低空间分辨率多光谱遥感影像的第T个波段影像,uT是第T个原始的低空间分辨率多光谱遥感影像的灰度值的均值。
7.一种遥感影像的图像融合装置,其特征在于:包括
获取模块,用于分别获取多个高空间分辨率多光谱遥感影像和n个低空间分辨率多光谱遥感影像;其中n≥1;
配准重采样模块,用于对n个所述低空间分辨率多光谱遥感影像进行几何配准及重采样,得到模拟的低空间分辨率全色波段影像;
合成模块,用于将所述多个高空间分辨率多光谱遥感影像合成为一个高空间分辨率全色波段影像;
变换模块,用于基于相位恢复法,将所述低空间分辨率全色波段影像作为GS变换的第一分量,对原始的n个所述低空间分辨率多光谱遥感影像进行GS变换,输出多个经GS变换后的波段影像,其中所述低空间分辨率全色波段影像对应的影像为GS变换后的第一波段影像GS1,其余多个所述低空间分辨率多光谱遥感影像对应的影像为GS变换后的后续波段影像GS2、GS3……GSn+1;
修改模块,用于根据所述GS变换的第一分量对所述高空间分辨率全色波段影像进行修改,得到修改后的影像;
融合模块,用于用所述修改后的影像替换所述GS1作为GS反变换的第一分量,对多个所述GS变换后的波段影像进行GS反变换,输出n+1个GS反变换后的波段影像,去除所述GS反变换的第一分量对应的GS反变换后的第一波段影像,得到融合后的影像;
所述几何配准具体步骤如下:
任意选取一个所述高空间分辨率多光谱遥感影像作为参考基准影像;
采用SIFT算法自动获取所述高空间分辨率多光谱遥感影像和低空间分辨率多光谱遥感影像的特征点,利用一次多项式全局变化模型对特征点进行筛选,解算投影变化模型参数估计,得到投影变化参数;
利用所述投影变化参数,对所述低空间分辨率多光谱遥感影像进行几何变化和图像插值,得到配准完毕的影像。
8.一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令,其特征在于:所述处理器执行所述存储器存储的所述程序指令时实现权利要求1~6任意一项所述的遥感影像的图像融合方法。
9.一种存储介质,其特征在于:所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现权利要求1~6任意一项所述的遥感影像的图像融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059738.1A CN113870110B (zh) | 2021-09-10 | 2021-09-10 | 遥感影像的图像融合方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059738.1A CN113870110B (zh) | 2021-09-10 | 2021-09-10 | 遥感影像的图像融合方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870110A CN113870110A (zh) | 2021-12-31 |
CN113870110B true CN113870110B (zh) | 2023-06-13 |
Family
ID=78995278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059738.1A Active CN113870110B (zh) | 2021-09-10 | 2021-09-10 | 遥感影像的图像融合方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870110B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977868B (zh) * | 2023-06-07 | 2024-03-01 | 珠江水利委员会珠江水利科学研究院 | 一种基于特征匹配的影像乘积融合方法、***及存储介质 |
CN117197625B (zh) * | 2023-08-29 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于相关分析的遥感影像空-谱融合方法、***、设备及介质 |
CN117253125B (zh) * | 2023-10-07 | 2024-03-22 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、***及可读存储介质 |
CN117724006B (zh) * | 2024-02-07 | 2024-05-24 | 深圳市魔方卫星科技有限公司 | 一种卫星电源异常状态检测方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6011875A (en) * | 1998-04-29 | 2000-01-04 | Eastman Kodak Company | Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening |
CN105096286B (zh) * | 2015-06-30 | 2018-05-04 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN106384332B (zh) * | 2016-09-09 | 2019-12-03 | 中山大学 | 基于Gram-Schmidt的无人机影像与多光谱影像融合方法 |
CN109447922B (zh) * | 2018-07-10 | 2021-02-12 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及*** |
CN113033670B (zh) * | 2021-03-29 | 2023-06-23 | 华南农业大学 | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 |
-
2021
- 2021-09-10 CN CN202111059738.1A patent/CN113870110B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113870110A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870110B (zh) | 遥感影像的图像融合方法、装置、电子设备和存储介质 | |
JP7159057B2 (ja) | 自由視点映像生成方法及び自由視点映像生成システム | |
US8879865B2 (en) | Panchromatic sharpening method of spectral image based on fusion of overall structural information and spatial detail information | |
Li et al. | Remote sensing image fusion via sparse representations over learned dictionaries | |
Yang et al. | Remote sensing image super-resolution: Challenges and approaches | |
Li et al. | Super resolution for remote sensing images based on a universal hidden Markov tree model | |
Claus et al. | A rational function lens distortion model for general cameras | |
Xu et al. | High-fidelity component substitution pansharpening by the fitting of substitution data | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN111986134B (zh) | 面阵相机遥感成像方法及装置 | |
CN111681171B (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
JP2010511256A (ja) | パンクロマティック・マルチスペクトル画像対の空間的およびスペクトル較正 | |
CN108090872B (zh) | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** | |
CN108932708A (zh) | 基于超分辨增强的星载多光谱遥感图像融合方法 | |
JP2006203296A (ja) | 補間処理方法、補間処理プログラム及び撮像装置 | |
Zhao et al. | A hybrid image fusion model for generating high spatial-temporal-spectral resolution data using OLI-MODIS-Hyperion satellite imagery | |
CN113409193B (zh) | 高光谱图像的超分辨率重建方法和装置 | |
CN113284045A (zh) | 基于迁移学习和光谱恢复的hsi超分辨重建方法及相关设备 | |
Li et al. | Superresolution reconstruction of multispectral data for improved image classification | |
Bhujel et al. | Dynamic convolutional neural network for image super-resolution | |
JP5846048B2 (ja) | 画像処理装置および撮像装置 | |
Rao et al. | Restoration of high frequency details while constructing the high resolution image | |
CN112598717A (zh) | 高光谱卫星影像全谱段配准方法及介质 | |
JP7316004B1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP2016167736A (ja) | 画像変換装置、画像変換方法及び画像変換プログラム |
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 |