CN116777964A - 基于纹理显著性赋权的遥感影像融合方法及*** - Google Patents
基于纹理显著性赋权的遥感影像融合方法及*** Download PDFInfo
- Publication number
- CN116777964A CN116777964A CN202311040939.6A CN202311040939A CN116777964A CN 116777964 A CN116777964 A CN 116777964A CN 202311040939 A CN202311040939 A CN 202311040939A CN 116777964 A CN116777964 A CN 116777964A
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- band
- wave band
- resolution image
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于纹理显著性赋权的遥感影像融合方法及***,包括:步骤S1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;步骤S2:将纹理显著性图像归一化至0‑1范围并进行分段权重运算得到权重矩阵;步骤S3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;步骤S4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;步骤S5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;步骤S6:使用新强度波段替换I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
Description
技术领域
本发明涉及遥感影像处理领域,具体地,涉及基于纹理显著性赋权的遥感影像融合方法及***。
背景技术
随着航空和航天遥感科学技术的发展,携带不同传感器的遥感卫星陆续发射,越来越多的传感器投入使用,多源航空航天遥感影像数据呈现爆发式增长。各类遥感影像数据在资源监测、城市建设规划、自然灾害预警等相关领域的应用越来越多。不同传感器具有其独特的用途,所以每种传感器在获取遥感卫星影像方面有其独特的特征。在通常情况下,不同特点的卫星传感器在经过的相同区域获得大量的遥感数据,而这些影像数据的空间、时间以及光谱分辨率不同,大多数情况下仅代表了设计者所需要获取的遥感数据信息。所以这些传感器也都有其各自的局限性,获取的影像存在较多冗余信息,而如何综合多种传感器获取的影像信息特点、弥补单一传感器在获取影像方面的不足,成为了遥感数据预处理研究的重点内容。
在遥感影像融合算法中,基于HSI变换的算法一般应用于异源遥感影像的处理,在对相同传感器获取的不同波段之间的融合也具有较好的效果。通过对同一区域高分全色影像以及低分多光谱影像进行融合,可以获得结合二者优点的影像数据。但基于HIS变换的影像融合也有着一定的缺点,影像融合结果的提升主要体现在保留更多高空间分辨率影像的纹理信息以及地空间分辨率影像的光谱信息,但HSI影像融合采用的“I分量替换”、“平均加权融合”等融合方法,均从影像全局一致性出发,采用统一融合权重,所以在提高空间分辨率的同时会导致一定程度的光谱畸变,若要保持光谱畸变最小,则需要损失一定的空间分辨率。
针对上述问题,目前需要一套能够同步解决以下技术问题的技术方案:
(1)如何有效提高遥感影像的空间分辨率;
(2)如何在影像融合时确定合适的加权权重;
以满足影像融合在提高遥感影像空间分辨率的同时,尽可能的减少光谱畸变。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于纹理显著性赋权的遥感影像融合方法及***。
根据本发明提供的一种基于纹理显著性赋权的遥感影像融合方法,包括:
步骤S1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
步骤S2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
步骤S3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;
步骤S4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
步骤S5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
步骤S6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
优选地,所述步骤S1采用:
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值。
优选地,所述步骤S2采用:
步骤S2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
步骤S2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值。
优选地,所述步骤S3采用:将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
优选地,所述步骤S4采用:
步骤S4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;/>表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
步骤S4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
步骤S4.3:求得反变换函数。
优选地,所述步骤S5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重。
优选地,所述步骤S6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
根据本发明提供的一种基于纹理显著性赋权的遥感影像融合***,包括:
模块M1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
模块M2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
模块M3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;
模块M4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
模块M5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
模块M6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
优选地,所述模块M1采用:
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值;
所述模块M2采用:
模块M2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
模块M2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值;
所述模块M3采用:将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
优选地,所述模块M4采用:
模块M4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;/>表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
模块M4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
模块M4.3:求得反变换函数;
所述模块M5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重;
所述模块M6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
与现有技术相比,本发明具有如下的有益效果:本发明通过提取高分辨卫星影像纹理显著性特征,根据影像不同位置纹理显著性进行融合权重值的设置,使得在融合过程中,高纹理显著性区域保留较多的空间纹理信息,低纹理区域保留较多的光谱信息,从而在影像融合过程中降低了传统遥感影像HSI变换融合中非纹理显著区域的光谱畸变量。
本发明可实现高分辨率全色波段影像与低分辨率多光谱影像的融合,降低了传统遥感影像HSI变换融合中非纹理显著区域的光谱畸变量。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明的一种基于纹理显著性赋权的遥感影像融合方法的流程示意图;
图2a-图2c是本发明中利用该技术进行影像融合与传统融合方法结果对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于纹理显著性赋权的遥感影像融合方法,包括:
步骤S1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
步骤S2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
步骤S3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;若高分辨率影像为单波段影像,直接取该影像为强度信息I波段;
步骤S4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
步骤S5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
步骤S6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
具体地,所述步骤S1采用:通过对高分辨率影像进行显著性计算,得到显著性图像,主要体现在纹理明显区域具有较大数值,而纹理不明显区域即地物单一区域具有较小数值;
更为具体地,
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值。
具体地,基于步骤S1得到的纹理显著性图像,进行分段权重运算,所述步骤S2中分段权重运算的具体描述为,影像融合主要目的为获取同时包含高分辨率影像主要表现为纹理特征的较高空间分辨率,以及低分辨率影像的较高光谱分辨率特征。在不同纹理显著性范围,需要保留的空间分辨率特征及光谱分辨率特征不同。因此,在加权融合时,在纹理显著性强的区域给予高分辨率影像更高权重,反之给予高光谱影像更高权重。
具体地,所述步骤S2中分段权重运算的具体描述为,基于步骤S1得到的纹理显著性图像,将其影像值范围归一化至0-1,并根据显著性值大小进行分段权重运算。在加权融合时,在纹理显著性强的区域给予高分辨率影像更高权重,反之给予高光谱影像更高权重。
所述步骤S2采用:
步骤S2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
步骤S2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值。
具体地,所述步骤S3中将影像转换至HSI空间中进行强度信息波段提取,该过程可以在一定程度上将强度信息集中在I波段,强度波段能够最大程度的表征代表空间分辨率的纹理信息,因此在所述步骤S6影像逆变换过程进行波段替换可以在一定程度上尽可能将空间分辨率信息引入多光谱影像,而减少光谱畸变。
将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
具体地,所述步骤S4采用:
步骤S4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;/>表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
步骤S4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
步骤S4.3:求得反变换函数。
具体地,所述步骤S5中通过基于纹理显著性分段得到的权重矩阵,对高分辨率影像与低分辨率影像I波段进行加权运算得到新的强度信息波段,该波段在纹理特征明显区域保留了高分辨率影像的强度信息,具有较强的纹理信息特征,在纹理特征不明显的区域保留了低分辨率影像的强度信息,在HSI逆变换后得到的融合影像中具有较低的光谱畸变,从而实现了更好的基于纹理特征显著性赋权的遥感影像融合。
所述步骤S5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重。
优选地,所述步骤S6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
根据本发明提供的一种基于纹理显著性赋权的遥感影像融合***,包括:
模块M1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
模块M2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
模块M3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;若高分辨率影像为单波段影像,直接取该影像为强度信息I波段;
模块M4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
模块M5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
模块M6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
具体地,所述模块M1采用:通过对高分辨率影像进行显著性计算,得到显著性图像,主要体现在纹理明显区域具有较大数值,而纹理不明显区域即地物单一区域具有较小数值;
更为具体地,
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值。
具体地,基于模块M1得到的纹理显著性图像,进行分段权重运算,所述模块M2中分段权重运算的具体描述为,影像融合主要目的为获取同时包含高分辨率影像主要表现为纹理特征的较高空间分辨率,以及低分辨率影像的较高光谱分辨率特征。在不同纹理显著性范围,需要保留的空间分辨率特征及光谱分辨率特征不同。因此,在加权融合时,在纹理显著性强的区域给予高分辨率影像更高权重,反之给予高光谱影像更高权重。
具体地,所述模块M2中分段权重运算的具体描述为,基于模块M1得到的纹理显著性图像,将其影像值范围归一化至0-1,并根据显著性值大小进行分段权重运算。在加权融合时,在纹理显著性强的区域给予高分辨率影像更高权重,反之给予高光谱影像更高权重。
所述模块M2采用:
模块M2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
模块M2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值。
具体地,所述模块M3中将影像转换至HSI空间中进行强度信息波段提取,该过程可以在一定程度上将强度信息集中在I波段,强度波段能够最大程度的表征代表空间分辨率的纹理信息,因此在所述模块M6影像逆变换过程进行波段替换可以在一定程度上尽可能将空间分辨率信息引入多光谱影像,而减少光谱畸变。
将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
具体地,所述模块M4采用:
模块M4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;/>表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
模块M4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
模块M4.3:求得反变换函数。
具体地,所述模块M5中通过基于纹理显著性分段得到的权重矩阵,对高分辨率影像与低分辨率影像I波段进行加权运算得到新的强度信息波段,该波段在纹理特征明显区域保留了高分辨率影像的强度信息,具有较强的纹理信息特征,在纹理特征不明显的区域保留了低分辨率影像的强度信息,在HSI逆变换后得到的融合影像中具有较低的光谱畸变,从而实现了更好的基于纹理特征显著性赋权的遥感影像融合。
所述模块M5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重。
优选地,所述模块M6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
实施例2
实施例2是实施例1的优选例
为了使本领域的技术人员更好地理解本申请方案,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、完整的描述,显然,所描述的实施例仅仅是本申请一部分的实施例,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做出创造性劳动成果前提下所获得的所有其他实施例,都应当属于本申请保护的范围;
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合,下面将参考附图1-2,并结合实施例来详细说明本申请;
其中,图1为基于纹理显著性赋权的遥感影像融合方法流程图;
图2为利用该技术进行影像融合与传统融合方法结果对比图,其中,图2(a)为原多光谱影像;图2(b)为传统HIS融合结果;图2(c)为本发明融合结果;基于此,本发明展现的影像更为清晰,同时降低了传统遥感影像HSI变换融合中非纹理显著区域的光谱畸变量。
本发明提出一种基于纹理显著性赋权的遥感影像融合方法,解决当前传统影像融合方法提高空间分辨率的同时会导致一定程度的光谱畸变的问题,具体涉及影像颜色空间变换、影像显著性提取、影像融合分段权重运算等相关技术,如图1所示,包括以下步骤:
步骤1:利用高分辨率卫星影像纹理显著性特征,提出一种通过提取纹理显著性图并进行分段计算融合权重的方法,用于遥感影像融合方法的权重计算。
根据高分辨率遥感影像纹理特征,计算各向纹理梯度,得到影像纹理显著性矩阵,表征影像各像素、区域的纹理显著性信息。
影像纹理显著性计算公式为:
其中,表示影像坐标/>处的显著性值,/>影像坐标/>处的像素值。
步骤2:对显著性图像归一化至0-1范围并进行分段权重运算;
a)根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围,保证影像融合后像素值不会溢出。
b)为保证低纹理信息区域更好的保留源影像的光谱信息,采用分段方式计算融合权重矩阵,使纹理信息丰富区域保留更多纹理特征,纹理信息欠缺区域通常也是光谱特征单一且重要区域更好的与源影像光谱信息一致。
步骤3:高、低分辨率影像转换至HSI颜色空间并提取强度信息I波段,若高分辨率影像为单波段影像,直接取该影像为强度信息I波段;
HSI颜色空间变换公式为:
若,则/>
其中,H表示HSI变换后的色度波段,S表示HSI变换后的饱和度波段,I表示HSI变换后的亮度波段,R表示影像红色波段,G表示影像绿色波段,B表示影像蓝色波段。
步骤4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
a)由高分辨率影像I波段及低分辨率影像I波段得到灰度级的连续概率密度函数、/>,并计算具有如下特征的随机变量/>。
其中,为积分假变量,/>表示影像灰度级总数,/>表示连续概率密度函数的积分上限,/>表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值。
b) 由下式指定的概率密度函数求得变换函数。/>
其中,为积分假变量。/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段连续概率密度函数/>在灰度值/>处的概率密度值。
c)求得反变换函数,由于/>是由/>得到的,所以该处理是/>到/>的映射,而后者正是我们期望的值。
步骤5:高分辨率影像与低分辨率影像I波段进行加权运算得到新的波段I_New;加权计算公式为:
其中,为加权计算得到的/>波段在影像坐标/>处的值;/>为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重。
步骤6:使用I_New替换I波段,将HSI空间图像逆转换至RGB空间,得到融合影像,完成基于纹理显著性赋权的遥感影像融合;
HSI颜色空间变换公式为:
若且/>
若
若/>
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于纹理显著性赋权的遥感影像融合方法,其特征在于,包括:
步骤S1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
步骤S2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
步骤S3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;
步骤S4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
步骤S5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
步骤S6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
2.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S1采用:
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值。
3.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S2采用:
步骤S2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,/>表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
步骤S2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值。
4.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S3采用:将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;/>表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
5.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S4采用:
步骤S4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
步骤S4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
步骤S4.3:求得反变换函数。
6.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重。
7.根据权利要求1所述的基于纹理显著性赋权的遥感影像融合方法,其特征在于,所述步骤S6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
8.一种基于纹理显著性赋权的遥感影像融合***,其特征在于,包括:
模块M1:对高分辨率影像进行纹理显著性计算得到纹理显著性图像;
模块M2:将纹理显著性图像归一化至0-1范围并进行分段权重运算得到权重矩阵;
模块M3:将高分辨率影像和低分辨率影像转换至HSI颜色空间并提取强度信息I波段;
模块M4:高分辨率影像I波段与低分辨率影像I波段进行灰度直方图匹配;
模块M5:直方图匹配后的高分辨率影像I波段与低分辨率影像I波段基于权重矩阵进行加权运算得到新强度波段;
模块M6:使用新强度波段替换低分辨率影像I波段,将HSI空间图像逆转换至RGB空间得到融合影像,完成基于纹理显著性赋权的遥感影像融合。
9.根据权利要求8所述的基于纹理显著性赋权的遥感影像融合***,其特征在于,所述模块M1采用:
其中,表示影像坐标/>处的显著性值,/>表示影像坐标/>处的像素值;
所述模块M2采用:
模块M2.1:根据影像显著性矩阵最大、最小值,将显著性信息矩阵元素归一化至0-1范围;
其中,表示影像坐标/>处的显著性值,/>表示影像显著性最小值,/>表示影像显著性最大值;/>表示归一化处理后的影像坐标/>处的显著性值;
模块M2.2:对归一化处理后的纹理显著性图像采用分段方式计算融合权重矩阵;
其中,表示融合权重矩阵在影像坐标/>处的值;/>表示归一化处理后的影像坐标/>处的显著性值,/>表示模型系数,/>表示权重计算的分段阈值;
所述模块M3采用:将高分辨率影像和低分辨率影像转换至HSI颜色空间;
若,则/>;
其中,表示HSI变换后的色度波段;/>表示影像红色波段;/>表示影像绿色波段;/>表示影像蓝色波段;/>表示HSI变换后的亮度波段;/>表示HSI变换后的饱和度波段。
10.根据权利要求8所述的基于纹理显著性赋权的遥感影像融合***,其特征在于,所述模块M4采用:
模块M4.1:由高分辨率影像I波段及低分辨率影像I波段得到灰度级的高分辨率影像I波段的连续概率密度函数以及低分辨率影像I波段的连续概率密度函数/>,并计算具有如下特征的随机变量/>;
其中,表示积分假变量;/>表示影像灰度级总数;/>表示连续概率密度函数的积分上限;表示高分辨率影像I波段连续概率密度函数/>在灰度值w处的概率密度值;
模块M4.2:基于预设的概率密度函数求得变换函数;
其中,表示积分假变量;/>表示连续概率密度函数的积分上限,/>表示低分辨率影像I波段的连续概率密度函数/>在灰度值/>处的概率密度值;
模块M4.3:求得反变换函数;
所述模块M5采用:
其中,为加权计算得到的新强度波段/>波段在影像坐标/>处的值;为高分辨率影像波段/>在影像坐标/>处的值;/>为低分辨率影像波段/>在影像坐标/>处的值;/>为影像坐标/>高分辨率影像波段/>的计算权重;
所述模块M6采用:
HSI颜色空间变换公式为:
若且/>
若
若
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040939.6A CN116777964B (zh) | 2023-08-18 | 2023-08-18 | 基于纹理显著性赋权的遥感影像融合方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040939.6A CN116777964B (zh) | 2023-08-18 | 2023-08-18 | 基于纹理显著性赋权的遥感影像融合方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777964A true CN116777964A (zh) | 2023-09-19 |
CN116777964B CN116777964B (zh) | 2023-10-31 |
Family
ID=88008402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040939.6A Active CN116777964B (zh) | 2023-08-18 | 2023-08-18 | 基于纹理显著性赋权的遥感影像融合方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777964B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433513A (zh) * | 2023-12-21 | 2024-01-23 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及*** |
CN118015474A (zh) * | 2024-04-08 | 2024-05-10 | 北京理工大学 | 面向高位宽航天侦察影像情报分析的数据智能重量化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140139643A1 (en) * | 2009-06-03 | 2014-05-22 | Flir Systems, Inc. | Imager with array of multiple infrared imaging modules |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
US20210118111A1 (en) * | 2018-06-30 | 2021-04-22 | Huawei Technologies Co., Ltd. | Image Processing Method and Device |
US20210158572A1 (en) * | 2019-11-22 | 2021-05-27 | Fitpet Co., Ltd. | Method and system for measuring biochemical information using color space conversion |
CN114972885A (zh) * | 2022-06-17 | 2022-08-30 | 西安电子科技大学 | 基于模型压缩的多模态遥感图像分类方法 |
CN116309070A (zh) * | 2023-03-24 | 2023-06-23 | 阿坝州自然资源与科技信息研究所 | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 |
-
2023
- 2023-08-18 CN CN202311040939.6A patent/CN116777964B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140139643A1 (en) * | 2009-06-03 | 2014-05-22 | Flir Systems, Inc. | Imager with array of multiple infrared imaging modules |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
US20210118111A1 (en) * | 2018-06-30 | 2021-04-22 | Huawei Technologies Co., Ltd. | Image Processing Method and Device |
US20210158572A1 (en) * | 2019-11-22 | 2021-05-27 | Fitpet Co., Ltd. | Method and system for measuring biochemical information using color space conversion |
CN114972885A (zh) * | 2022-06-17 | 2022-08-30 | 西安电子科技大学 | 基于模型压缩的多模态遥感图像分类方法 |
CN116309070A (zh) * | 2023-03-24 | 2023-06-23 | 阿坝州自然资源与科技信息研究所 | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 |
Non-Patent Citations (4)
Title |
---|
刘大伟;韩玲;韩晓勇;: "基于深度学习的高分辨率遥感影像分类研究", 光学学报, no. 04 * |
卓国浩;吴波;朱欣然;: "一种自适应三维核回归的遥感时空融合方法", 武汉大学学报(信息科学版), no. 04 * |
彭实;张爱武;李含伦;胡少兴;孟宪刚;孙卫东;: "一种改进的弱光谱畸变PCA融合方法", 光谱学与光谱分析, no. 10 * |
王阿川;陈舒畅;王学良;: "结合HIS和小波变换的自适应遥感影像融合", 光电工程, no. 08 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433513A (zh) * | 2023-12-21 | 2024-01-23 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及*** |
CN117433513B (zh) * | 2023-12-21 | 2024-03-08 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及*** |
CN118015474A (zh) * | 2024-04-08 | 2024-05-10 | 北京理工大学 | 面向高位宽航天侦察影像情报分析的数据智能重量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116777964B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116777964B (zh) | 基于纹理显著性赋权的遥感影像融合方法及*** | |
Huang et al. | Building extraction from multi-source remote sensing images via deep deconvolution neural networks | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN111460936A (zh) | 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备 | |
Li et al. | Fast region-adaptive defogging and enhancement for outdoor images containing sky | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
CN115082582B (zh) | 卫星遥感数据真彩色模拟方法、***、设备及介质 | |
CN116681636A (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
Lv et al. | Two adaptive enhancement algorithms for high gray-scale RAW infrared images based on multi-scale fusion and chromatographic remapping | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** | |
Amil et al. | Bilateral histogram equalization with pre-processing for contrast enhancement | |
Bora | AERSCIEA: An Efficient and Robust Satellite Color Image Enhancement Approach. | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和*** | |
CN116109535A (zh) | 一种图像融合方法、设备及计算机可读存储介质 | |
CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及*** | |
JP2004078939A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN113240611B (zh) | 一种基于图片序列的异物检测方法 | |
CN115861818A (zh) | 基于注意力机制联合卷积神经网络的细小水体提取方法 | |
CN114463379A (zh) | 一种视频关键点的动态捕捉方法及装置 | |
CN109949320B (zh) | 基于熵与互信息的高光谱图像超像元分割方法 | |
Liu et al. | Visual attention based hyperspectral imagery visualization | |
CN112907454A (zh) | 获取图像的方法、装置、计算机设备和存储介质 |
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 |