CN115988334B - 一种自校正的数字化相机移动遥感***及方法 - Google Patents
一种自校正的数字化相机移动遥感***及方法 Download PDFInfo
- Publication number
- CN115988334B CN115988334B CN202310260914.0A CN202310260914A CN115988334B CN 115988334 B CN115988334 B CN 115988334B CN 202310260914 A CN202310260914 A CN 202310260914A CN 115988334 B CN115988334 B CN 115988334B
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- remote sensing
- color
- color space
- 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
Images
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Image Processing (AREA)
Abstract
本申请提供了一种自校正的数字化相机移动遥感***及方法,运用于图像数据处理技术领域,其方法包括:获取待校正图像;建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述校正图像像素的输出值;对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像;针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除;将对应类型进行线性模型亮度和颜色校正;进行校正后转换为RGB颜色空间,输出校正图像;实现图像的颜色自校正,快速有效提高彩色遥感图像质量。
Description
技术领域
本申请涉及图像数据处理技术领域,特别涉及一种自校正的数字化相机移动遥感***及方法。
背景技术
目前,遥感已成为大面积实时地球同步观测的主要手段,然而除了太阳、大气条件和卫星参数的影响外,植被特征的季节变化也会导致不同遥感图像之间的颜色和亮度差异。这些差异不仅给后续的图像分类和变化检测带来了很大的影响,而且也给遥感图像拼接带来了困难。其中真彩色遥感图像由红、绿、蓝波段合成,且被拍摄物体的颜色尽可能如实地显示出来,真彩色遥感图像比灰度图像提供更多信息,但目前的相机拍摄的图像存在以下问题:
(1)受成像条件的限制和外界环境的干扰,相机采集的深度信息存在一定的误差,影响图像的质量;
(2)在对采集的图像进行校正时需要通过人工操作,且效率较低,在对校正时间有严格要求的情况下使用收到限制,并且无法实现自动校正。
参考专利申请号CN202010298041.9公开了单相机极线校正方法及装置,其具体内容为:利用朝向相同且相对位置不变的相机和散斑投射器,采集不同距离下投射有散斑的平板图像,获得第一平面散斑图像和第二平面散斑图像;通过图像匹配算法匹配所述第一平面散斑图像和第二平面散斑图像,获得亚像素匹配点;根据所述亚像素匹配点在第一平面散斑图像上对应的物理坐标和在第二平面散斑图像上对应的物理坐标,获得两者之间的映射矩阵;根据所述映射矩阵获得投射器中心在相机参考系中的方向向量;调节相机参考系的坐标轴方向,使水平轴方向与方向向量对齐,并更新相机的成像矩阵;通过所述成像矩阵将目标场景图像映射获得极线校正后的图像。
此现有技术通过图像匹配算法和成像矩阵等技术获得校正后的图像,但是针对其校正方法对于双相机***不适用,会在校正过程中存在误差,且没有考虑到对彩色图像的校正,因此现提出一种自校正的数字化相机移动遥感***及方法。
发明内容
本申请的目的是提供一种自校正的数字化相机移动遥感***及方法,旨在解决在校正过程中存在误差且没有考虑到对彩色图像的校正问题。
为实现上述目的,本申请提供如下技术方案:
本申请提供一种自校正的数字化相机移动遥感方法,包括:
S1:获取待校正图像,对待校正图像进行误差区域的识别,得到误差点;
S2:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述校正图像像素的输出值,其模型为:;其中当/>为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,/>是单调函数递增非线性函数则表示相机响应模型为非线性,/>为入射光的光谱功率分布,/>为光谱色的波长,/>分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:/>;其中为日光辐照度,/>为大气层在遥感相机方向的透射率,/>为俯角和方位角,h为遥感相机的高度,/>为大气路程的层辐射度,k为曝光时间的常数,/>为光感敏感度,noise为噪声;
S3:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征;
S4:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到颜色空间;
S5:进行校正后转换为RGB颜色空间,输出校正图像。
进一步的,所述获取待校正图像,对待校正图像进行误差区域的识别,得到误差点的步骤中,包括:
对所述待校正图像进行条带噪声自动去除,公式为:
;其中/>为输入的灰度值,M为待校正图像中所有像元数灰度值的平均值,D为待校正图像中所有像元数灰度值的标准偏差,/>为每条扫描线上像元数灰度值平均值,/>为为每条扫描线上像元数灰度值的标准偏差;若第i行是一个条带,而条带上所有像元为零级灰值,故计算出/>和/>也为零值,计算出的/>的灰度值等于待校正图像中所有像元数灰度值的平均值M,即计算出的第i行的所有像元的灰值均相等,判断第i行是一个条带,需要进行带噪声自动去除。
进一步的,所述S2之后,包括:
对所述待校正图像进行几何精校正,建立原始图像坐标和变换后坐标,通过每一个变换后图像像元的中心位置计算出对应的原始坐标,当变换后坐标的像元点不在原始图像坐标系中即判断为不在原始图像像元的中心,计算校正后得到的几何校正图像中的每一点对应原始图像中的坐标,在计算过程中按行逐点计算,每行结束后进行下一行计算。
进一步的,所述对所述待校正图像进行几何精校正的过程中,包括建立原始图像与几何校正图像的对应关系,公式为:;其中x,y为原始图像坐标,u,v为变换后图像坐标,均为整数,/>分别为6个已知对应点的横纵坐标。
进一步的,所述颜色校正的步骤为:
在数据库中保存着色卡的反射光谱分布集合,根据色卡的光谱反射率计算三刺激值,得到彩色真值;利用所述相机响应模型计算预设色卡的光谱反射率的遥感值;将所述待校正图像的3个彩色分量映射至彩色图表的3个彩色分量上,利用线性模型描述遥感相机特性,得到校正的彩色图像,当光源光谱和大气参数变化时,则需重新进行彩色校正。
进一步的,所述S4之后,包括:
消除待校正图像的各类型标准方差,计算各像元对相应类型的标准方差,得到距离权重参数,利用反向归一化权重方法,将反向归一化距离权重参数乘以各个类型的校正值,得到对应像元的最终像元值。
进一步的,所述聚类方法为采用K-均值聚类法对相同特征的像素进行归类,假设将待校正图像分为m个类型,计算每个类型的重心,将重心作为m个类型的初始中心;在每一次迭代中,对任一样本分配到对应的类型中。
本申请还提供一种自校正的数字化相机移动遥感***,包括:
获取模块:获取待校正图像,对待校正图像进行误差区域的识别,得到误差点;
建立模块:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述校正图像像素的输出值,其模型为:;其中当/>为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,/>是单调函数递增非线性函数则表示相机响应模型为非线性,/>为入射光的光谱功率分布,/>为光谱色的波长,分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:;其中/>为日光辐照度,/>为大气层在遥感相机方向的透射率,/>为俯角和方位角,h为遥感相机的高度,/>为大气路程的层辐射度,k为曝光时间的常数,/>为光感敏感度,noise为噪声。
分类模块:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征;
校正模块:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到颜色空间;
输出模块:进行校正后转换为RGB颜色空间,输出校正图像。
本申请提供了一种自校正的数字化相机移动遥感***及方法,具有以下有益效果:
(1)本发明通过数据库中保存着色卡的反射光谱分布集合,根据色卡的光谱反射率计算三刺激值,得到彩色真值;利用相机响应模型计算预设色卡的光谱反射率的遥感值;将待校正图像的3个彩色分量映射至彩色图表的3个彩色分量上,利用线性模型描述遥感相机特性,得到校正的彩色图像,其彩色校正方法可以随条件变化改变彩色校正矩阵,灵活性好,校正的效率高效;
(2)本发明综合运用遥感相机响应模型、迭代优化算法等技术手段,解决了相机采集的深度信息存在一定的误差的问题,防止受成像条件的限制和外界环境的干扰,具有较强的通用性和实用性,同时保证图像校正精度,节省成本,可以满足各类遥感相机自校正的需求;
(3)本发明把待校正图像按照直方图中峰的个数分类,采用非监督分类算法,先选择若干样本作为聚类中心,按照最小距离准则使其余样本向各中心聚集,从而得到初始聚类,通过对待校正图像得到分类结果后进行颜色空间转换,实现图像的颜色自校正,快速有效提高彩色遥感图像质量,使其亮度均匀,细节清晰。
附图说明
图1为本申请一实施例的自校正的数字化相机移动遥感方法的流程示意图;
图2为本申请一实施例的自校正的数字化相机移动遥感***的结构框图。
本申请为目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考附图1,为本申请提出的一种自校正的数字化相机移动遥感方法的流程示意图;
本申请所提供的一种自校正的数字化相机移动遥感方法,步骤包括:
S1:获取待校正图像,对待校正图像进行识别误差区域,得到误差点;对所述待校正图像进行条带噪声自动去除,公式为:
;其中/>为输入的灰度值,M为待校正图像中所有像元数灰度值的平均值,D为待校正图像中所有像元数灰度值的标准偏差,/>为每条扫描线上像元数灰度值平均值,/>为为每条扫描线上像元数灰度值的标准偏差;若第i行是一个条带,而条带上所有像元为零级灰值,故计算出/>和/>也为零值,计算出的/>的灰度值等于待校正图像中所有像元数灰度值的平均值M,即计算出的第i行的所有像元的灰值均相等,判断第i行是一个条带,需要进行带噪声自动去除。
在此步骤中,由于遥感图像在成像时容易受到大气的影响,不同的大气情况会对图像的亮度和颜色分布产生影响,从而导致后续的校正偏差;成像时,由于检测***某一扫描线上故障造成扫描线脱落,这时往往没有任何信息,在图像只显示一条黑线,有时也会出现分段黑线,这些均称条带噪声。
S2:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述校正图像像素的输出值,其模型为:;其中当/>为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,/>是单调函数递增非线性函数则表示相机响应模型为非线性,/>为入射光的光谱功率分布,/>为光谱色的波长,/>分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:/>;其中为日光辐照度,/>为大气层在遥感相机方向的透射率,/>为俯角和方位角,h为遥感相机的高度,/>为大气路程的层辐射度,k为曝光时间的常数,/>为光感敏感度,noise为噪声;对所述待校正图像进行几何精校正,建立原始图像坐标和变换后坐标,通过每一个变换后图像像元的中心位置计算出对应的原始坐标,当变换后坐标的像元点不在原始图像坐标系中即判断为不在原始图像像元的中心,计算校正后得到的几何校正图像中的每一点对应原始图像中的坐标,在计算过程中按行逐点计算,每行结束后进行下一行计算。
在此步骤中,在遥感过程中太阳直射光经大气层与天空的散射光组成的日光共同照射在地物体,由地物体反射回大气层,最后到达遥感相机;对待校正图像进行几何精校正,在校正前的图像看起来是由行列整齐的等间距像元点组成的,但实际上由于某种几何畸变,图像中像元点间所对应的地面距离并不相等,校正后的图像亦是由等间距的网格点组成的,且以地面为标准,符合某种投影的均匀分布,校正的最终目的是确定校正后图像的行列数值,然后找到新图像中每一像元的亮度值;几何精校正重采样方法为:建立原始图像坐标(x,y)与变换后图像坐标(u,v)的关系,通过每一个变换后图像像元的中心位置(u代表行数,v代表列数,均为整数)计算出原始图像坐标点(x,y);分析得知,整数(u,v)的像元点在原始图像坐标坐标系中一般不在整数(x,y)点上,即不在原图像像元的中心,计算校正后图像中的每一点所对应原图中的位置(x,y),计算时按行逐点计算,每行结束后进入下一行计算,直到全图结束。
S3:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征。
在此步骤中,把待校正图像按照直方图中峰的个数分类,采用非监督分类算法,先选择若干样本作为聚类中心,按照最小距离准则使其余样本向各中心聚集,从而得到初始聚类,进行判断初始聚类结果是否符合要求,若不符合则将聚类集进行***和合并处理,以获得新的聚类中心,其聚类中心是通过样本均值的迭代运算来决定的,再判断聚类结果是否符合要求,如此反复迭代直到完成聚类划分操作。
S4:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到颜色空间;
;其中/>为待校正图像,i为第i个类型,为待校正图像第i类型/>颜色空间变换后像元值,/>为校正后第i类型图像像元值;所述颜色校正的步骤为:在数据库中保存着色卡的反射光谱分布集合,根据色卡的光谱反射率计算三刺激值,得到彩色真值;利用所述相机响应模型计算预设色卡的光谱反射率的遥感值;将所述待校正图像的3个彩色分量映射至彩色图表的3个彩色分量上,利用线性模型描述遥感相机特性,得到校正的彩色图像,当光源光谱和大气参数变化时,则需重新进行彩色校正;消除待校正图像的各类型标准方差,计算各像元对相应类型的标准方差,得到距离权重参数,利用反向归一化权重方法,将反向归一化距离权重参数乘以各个类型的校正值,得到对应像元的最终像元值。
在此步骤中,从待校正图像从RGB颜色空间转换到LMS颜色空间,转换公式为:
图像转换到LMS颜色空间后,转换后图像数据的统计分布存在很大的偏移,可通过将LMS颜色空间转换到对数LMS空间进行消除,转换公式为:
S5:进行校正后转换为RGB颜色空间,输出校正图像。
参考附图2,本发明还提供一种自校正的数字化相机移动遥感***,包括:
获取模块:获取待校正图像,对待校正图像进行误差区域的识别,得到误差点;
建立模块:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述校正图像像素的输出值,其模型为:;其中当/>为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,/>是单调函数递增非线性函数则表示相机响应模型为非线性,/>为入射光的光谱功率分布,/>为光谱色的波长,分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:;其中/>为日光辐照度,为大气层在遥感相机方向的透射率,/>为俯角和方位角,h为遥感相机的高度,/>为大气路程的层辐射度,k为曝光时间的常数,/>为光感敏感度,noise为噪声;
分类模块:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征;
校正模块:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到颜色空间;
输出模块:进行校正后转换为RGB颜色空间,输出校正图像。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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它相关的技术领域,均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种自校正的数字化相机移动遥感方法,其特征在于,包括:
S1:获取待校正图像,对待校正图像进行误差区域的识别,得到误差点;
S2:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述待校正图像像素的输出值,其模型为:
其中当F为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,F是单调函数递增非线性函数则表示相机响应模型为非线性,I(m,n,λ)为入射光的光谱功率分布,λ为光谱色的波长,Di(m,n,λ),i=1,2,3分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:
S3:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征;
S4:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到lαβ颜色空间;
将对应类型进行线性模型亮度和颜色校正,计算lαβ颜色空间变换后的所述待校正图像中各类型的均值和方差,其公式为:
Yi(p)′=Yi(p)-μi1,
其中μi1为待校正图像,i为第i个类型,Yi(p)为待校正图像第i类型lαβ颜色空间变换后像元值,Yi(p)′为校正后第i类型图像像元值;
所述颜色校正的步骤为:
在数据库中保存着色卡的反射光谱分布集合,根据色卡的光谱反射率计算三刺激值,得到彩色真值;利用所述相机响应模型计算预设色卡的光谱反射率的遥感值;将所述待校正图像的3个彩色分量映射至彩色图表的3个彩色分量上,利用线性模型描述遥感相机特性,得到校正的彩色图像,当光源光谱和大气参数变化时,则需重新进行彩色校正;
S5:进行校正后转换为RGB颜色空间,输出校正图像。
2.根据权利要求1所述的一种自校正的数字化相机移动遥感方法,其特征在于,所述获取待校正图像,对待校正图像进行误差区域的识别,得到误差点的步骤中,包括:
对所述待校正图像进行条带噪声自动去除,公式为:
其中gij为输入的灰度值,M为待校正图像中所有像元数灰度值的平均值,D为待校正图像中所有像元数灰度值的标准偏差,mi为每条扫描线上像元数灰度值平均值,di为为每条扫描线上像元数灰度值的标准偏差;若第i行是一个条带,而条带上所有像元为零级灰值,故计算出mi和di也为零值,计算出的Gij的灰度值等于待校正图像中所有像元数灰度值的平均值M,即计算出的第i行的所有像元的灰值均相等,判断第i行是一个条带,需要进行带噪声自动去除。
3.根据权利要求1所述的一种自校正的数字化相机移动遥感方法,其特征在于,所述S2之后,包括:
对所述待校正图像进行几何精校正,建立原始图像坐标和变换后坐标,通过每一个变换后图像像元的中心位置计算出对应的原始坐标,当变换后坐标的像元点不在原始图像坐标系中即判断为不在原始图像像元的中心,计算校正后得到的几何校正图像中的每一点对应原始图像中的坐标,在计算过程中按行逐点计算,每行结束后进行下一行计算。
4.根据权利要求3所述的一种自校正的数字化相机移动遥感方法,其特征在于,所述对所述待校正图像进行几何精校正的过程中,包括建立原始图像与几何校正图像的对应关系,公式为:
x=a00+a10u+a01v+a11uv+a20u2+a02v2
y=b00+b10u+b01v+b11uv+b20u2+b02v2,
其中x,y为原始图像坐标,u,v为变换后图像坐标,均为整数,a,b分别为6个已知对应点的横纵坐标。
5.根据权利要求1所述的一种自校正的数字化相机移动遥感方法,其特征在于,所述S4之后,包括:
消除待校正图像的各类型标准方差,计算各像元对相应类型的标准方差,得到距离权重参数,利用反向归一化权重方法,将反向归一化距离权重参数乘以各个类型的校正值,得到对应像元的最终像元值。
6.根据权利要求1所述的一种自校正的数字化相机移动遥感方法,其特征在于,所述聚类方法为采用K-均值聚类法对相同特征的像素进行归类,假设将待校正图像分为m个类型,计算每个类型的重心,将重心作为m个类型的初始中心;在每一次迭代中,对任一样本分配到对应的类型中。
7.一种自校正的数字化相机移动遥感***,其特征在于,包括:
获取模块:获取待校正图像,对待校正图像进行误差区域的识别,得到误差点;
建立模块:建立遥感相机响应模型,根据日光光谱功率分布和大气层辐射光谱分布得到所述待校正图像像素的输出值,其模型为:
其中当F为单位函数表明相机响应模型为线性,所述单位函数为经过遥感相机A/D变换后的函数,F是单调函数递增非线性函数则表示相机响应模型为非线性,I(m,n,λ)为入射光的光谱功率分布,λ为光谱色的波长,Di(m,n,λ),i=1,2,3分别为相机的红、绿、蓝光谱敏感度,noise为噪声,k为曝光时间的常数;当日光光谱功率分布和大气层辐射光谱分布在空间是均匀分布的,则模型为:
分类模块:对所述待校正图像实施遥感自动分类,根据待校正图像的分类选取预设区域的遥感数字图像,获取遥感数字图像的特征制定分类***,在分类***中建立监督分类,对所述特征进行训练,若在非监督分类中,则采用聚类方法对相同特征的像素进行归类,测定其特征;
校正模块:针对分类结果进行颜色空间转换,将所述待校正图像从RGB颜色空间转换到LMS颜色空间,通过LMS颜色空间转换到对数LMS颜色空间对待校正图像进行偏移消除,最后将所述待校正图像从对数LMS颜色空间转换到lαβ颜色空间;
将对应类型进行线性模型亮度和颜色校正,分别计算lαβ颜色空间变换后的所述待校正图像中各类型的均值和方差,其公式为:
Yi(p)′=Yi(p)-μi1,
其中μi1为待校正图像,i为第i个类型,Yi(p)为待校正图像第i类型lαβ颜色空间变换后像元值,Yi(p)′为校正后第i类型图像像元值;
所述颜色校正的步骤为:
在数据库中保存着色卡的反射光谱分布集合,根据色卡的光谱反射率计算三刺激值,得到彩色真值;利用所述相机响应模型计算预设色卡的光谱反射率的遥感值;将所述待校正图像的3个彩色分量映射至彩色图表的3个彩色分量上,利用线性模型描述遥感相机特性,得到校正的彩色图像,当光源光谱和大气参数变化时,则需重新进行彩色校正;
输出模块:进行校正后转换为RGB颜色空间,输出校正图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260914.0A CN115988334B (zh) | 2023-03-17 | 2023-03-17 | 一种自校正的数字化相机移动遥感***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260914.0A CN115988334B (zh) | 2023-03-17 | 2023-03-17 | 一种自校正的数字化相机移动遥感***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115988334A CN115988334A (zh) | 2023-04-18 |
CN115988334B true CN115988334B (zh) | 2023-06-13 |
Family
ID=85970828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310260914.0A Active CN115988334B (zh) | 2023-03-17 | 2023-03-17 | 一种自校正的数字化相机移动遥感***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115988334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788351B (zh) * | 2024-02-27 | 2024-05-03 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047539A (zh) * | 2019-12-27 | 2020-04-21 | 上海工程技术大学 | 一种基于光谱反射率重建的织物图像颜色校准算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009010983A (ja) * | 1996-02-26 | 2009-01-15 | Richard A Holub | 異なる画像表示装置を連携する方法、色エラー検知方法及び色測定装置 |
GB2360660B (en) * | 2000-01-12 | 2002-12-31 | Univ East Anglia | Colour signal processing |
US9552518B2 (en) * | 2000-07-31 | 2017-01-24 | The United States Of America, As Represented By The Secretary Of The Navy | Method of out-of-band correction for multispectral remote sensing |
CN102466520B (zh) * | 2010-11-11 | 2014-12-17 | 香港纺织及成衣研发中心 | 多光谱成像颜色测量***及其成像信号处理方法 |
JP7023490B2 (ja) * | 2017-10-20 | 2022-02-22 | 株式会社朋栄 | 高精度色補正処理方法及び高精度色補正処理装置 |
CN109671038B (zh) * | 2018-12-27 | 2023-04-28 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
CN115457325A (zh) * | 2022-09-16 | 2022-12-09 | 自然资源部第二海洋研究所 | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
-
2023
- 2023-03-17 CN CN202310260914.0A patent/CN115988334B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047539A (zh) * | 2019-12-27 | 2020-04-21 | 上海工程技术大学 | 一种基于光谱反射率重建的织物图像颜色校准算法 |
Also Published As
Publication number | Publication date |
---|---|
CN115988334A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644416B (zh) | 一种基于地基云图的实时动态云量反演方法 | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
CN115988334B (zh) | 一种自校正的数字化相机移动遥感***及方法 | |
CN109974854B (zh) | 一种框幅式fpi高光谱图像的辐射校正方法 | |
CN112529807B (zh) | 卫星影像的相对辐射校正方法和装置 | |
CN113763271B (zh) | 一种基于物理噪声模型的高质量光谱去噪方法 | |
CN113533256B (zh) | 一种光谱反射率的确定方法、装置及设备 | |
CN111145351B (zh) | 考虑地物类型的Minnaert地形校正模型优化方法 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN112287904A (zh) | 基于卫星影像的机场目标识别方法和装置 | |
CN111932452B (zh) | 基于可见光图像增强的红外图像卷积神经网络超分辨方法 | |
CN111798509B (zh) | 一种基于半球图像法测量叶面积指数的方法 | |
CN113409379A (zh) | 一种光谱反射率的确定方法、装置及设备 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN110738693A (zh) | 一种地基成像雷达多角度图像配准方法 | |
CN108917722B (zh) | 植被覆盖度计算方法及装置 | |
CN110765631A (zh) | 基于有效成像像素的红外辐射特性测量小目标判断方法 | |
CN115546266B (zh) | 基于局部法向相关的多条带机载激光点云配准方法 | |
CN111179423B (zh) | 基于二维红外图像的三维红外图像生成方法 | |
CN113029977B (zh) | 一种针对宽视场角多光谱传感器的自动交叉辐射定标方法 | |
CN111595781A (zh) | 一种曲面拟合的地面高光谱影像反射率校正方法 | |
CN116452461A (zh) | 一种遥感数据处理方法、装置、电子设备及存储介质 | |
CN111882621A (zh) | 一种基于双目图像的大米厚度参数自动化测量方法 | |
CN113469899B (zh) | 一种基于辐射能量重构的光学遥感卫星相对辐射校正方法 | |
CN117474815B (zh) | 一种高光谱图像校准方法及*** |
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 |