一种基于光谱信息影像的融合方法、融合装置及介质制造方法及图纸

本发明专利技术涉及影像融合技术领域，尤其涉及一种基于光谱信息影像的融合方法、融合装置及介质。融合方法，获取第一影像和第二影像；对所述第一影像和所述第二影像分别进行预处理，得到所需时刻的第三影像数据和第四影像数据；对混合像元分解模型进行改进，获得改进混合像元分解模型；利用所述改进混合像元分解模型，影像数据进行分解，获得高空间‑高光谱分辨率的中间过程影像；影像进行融合，高空间分辨率的融合影像数据。本实施例，通过对海洋和陆地卫星影像数据的融合，有效利用不同遥感数据各自的时、空、谱优势，生成具有高空间分辨率、高时间分辨，同时也保持海洋影像光谱波段的遥感数据，以满足内陆水体水质短时期动态监测需求。

【技术实现步骤摘要】
一种基于光谱信息影像的融合方法、融合装置及介质
本专利技术涉及影像融合
，具体地，涉及一种基于光谱信息影像的融合方法、融合装置及介质。
技术介绍
近年来，日益健全和完善的遥感技术因其快速、大范围等特点，成为了自然资源调查监测和生态环境保护的重要手段之一，并在水体富营养化污染监测和预警方面得到了广泛应用。目前，由于缺少针对内陆水体的传感器，水体富营养化污染遥感监测大多直接利用单一的海洋卫星影像或陆地卫星影像实现。然而，由于海洋卫星传感器和陆地卫星传感器均有其各自优缺点，如海洋卫星传感器通常有较高的光谱分辨率、时间分辨率等，但空间分辨率较低(MODIS、SeaWiFS、MERIS和GOCI等)，而陆地卫星传感器虽然有较高的空间分辨率，但通常光谱分辨率较粗或刈幅较窄(Geoeye-1、TM/ETM+、Hyperion等)，单一遥感影像应用有限。因此，结合不同遥感数据时间、光谱和空间分辨率等方面的优势信息、提高海量遥感数据利用率的数据融合算法逐渐发展并应用。根据融合数据的层次，融合算法分为了像素级融合、特征级融合和决策级融合，其中像素级融合数据量大、精度较高，而其他层次算法虽然计算量较小，但计算过程中会损失一定的信息，因此针对内陆水体的数据融合算法多为像素级融合。目前，常用的算法主要有以下几类，一类是基于自适应时空融合算法(STARFM)和在此基础上发展起来的IDFM算法，该类算法实现了水体高光谱多光谱数据融合及多光谱数据之间的融合，且融合结果能有效的利用MODIS数据弥补MERIS和TM数据的低时间分辨率，并在内陆湖泊微囊藻素、有机碳和叶绿素a浓度中估算中有了很好的应用，但该算法要求数据具有类似的光谱波段，且生成的预测结果光谱与高空间分辨率光谱数据类似，侧重于影像之间的时-空融合；另一种常用的算法则是侧重于影像之间的空-谱融合，如混合像元分解算法和基于传感器扩散模型的融合算法等，该类算法结果能同时保持HJ数据的高空间和MERIS数据的高光谱分辨率数据信息，并在内陆水体叶绿素a浓度估算中有了很高的应用，但该类算法通常不能满足内陆水体高时间分辨率监测的需求。除了上述常用的两类算法，现在还有针对内陆水体提出了同时融合多源影像空间、光谱、时间分辨率的算法，该方法获得的结果的空间和光谱数据都由低时间分辨率图像提供，适用于地球静止卫星图像融合(如GOCI和Himawari图像)，对于低时间分辨率的陆地卫星和海洋水色卫星的融合而言，仍会丢失重要的光谱信息。本专利技术专利技术人在实现本专利技术的过程中，发现：目前，现有海洋和陆地卫星影像数据的融合方法，无法有效利用不同遥感数据各自的时间、空间和光谱优势，生成具有高空间分辨率、高时间分辨的融合影像，同时，也不能保持海洋影像光谱波段的遥感数据，以满足内陆水体水质短时期动态监测需求。
技术实现思路
针对现有技术的上述缺陷，本专利技术的主要目的在于提供一种基于光谱信息影像的融合方法，其中，步骤包括：获取第一影像所述第一影像是具有高空间、高分辨率和高反射率的影像数据；及，第二影像，所述第二影像是具有高时间、高光谱和高分辨率的影像数据；对所述第一影像和所述第二影像分别进行预处理，得到所需时刻的第三影像数据和第四影像数据；利用遥感样本库的典型水体光谱数据，对混合像元分解模型进行改进，获得改进混合像元分解模型；利用所述改进混合像元分解模型，对所述第三影像数据和所述第四影像数据进行分解，获得高空间-高光谱分辨率的中间过程影像；利用STARFM算法将过程影像和第二影像进行融合，高空间分辨率的融合影像数据。进一步的，对所述第一影像和所述第二影像分别进行预处理是采用辐射校正、几何校正或Gordon校正算法其中至少一种对所述第二影像进行校正，最后获得所需时刻的陆地卫星影像数据和海洋卫星影像数据。进一步的，所述混合像元分解模型进行改进具体的包括：获取遥感样本库的典型水体光谱数据，采用层次聚类法对所述典型水体光谱数据进行分类，获得水体光谱分类数据；基于水体光谱分类数据中不同水体进行分量，获得各端元的分量值，并通过权重系数计算端元的反射率值；通过各端元的分量值和所述反射率值对混合像元分解模型进行改进，获得改进混合像元分解模型。进一步的，所述改进混合像元分解模型的公式：式中，Isea-Ri，j(l，s)为Isea影像在(l，s)位置的第i波段、第j分量的反射率值(其中j＝1～n，分别为聚类后n类典型光谱)，为聚类类别c的第j分量值，为最终所求的分解后的过程影像反射率值；p(j)为聚类类别c的光谱曲线与第j类典型水体分量之间的权重。进一步的，所述对所述第三影像数据和所述第四影像数据进行分解：根据所述第三影像数据和所述第四影像数据，计算出二者各波段间的皮尔逊相关系数；根据皮尔逊相关系数，并采用合适的窗口大小和分类数，在所述第三影像数据和所述第四影像数据中，选择合适大小的窗口及分类数对各窗口内的水体进行分类，获取到影像数据的丰度矩阵；影像数据的丰度矩阵通过改进混合像元分解模型进行分解混合像元分解值。进一步的，根据所述第三影像数据和所述第四影像数据，计算出二者各波段间的皮尔逊相关系数，具体的是：计算出所述第三影像数据和所述第四影像数据中，各波段间的皮尔逊相关系数；将皮尔逊相关系数中的最大的所述第三影像数据波段作为所述第四影像数据波段的聚类基础。进一步的，利用STARFM算法将过程影像和第二影像进行融合步骤包括：根据过程影像数据的初始时刻和终点时刻；在所述第二影像中获取对应起点时刻和终点时刻的影像数据，即初始影像数据和终点影像数据；将过程影像数据、初始影像数据和终点影像数据，输入到STARFM算法获得初始时刻的高空间分辨率预测影像，即获得初始时刻的影像融合数据。进一步的，所述影像融合方法，还会对获取的融合影像数据进行融合精度评价，具体的是采用评价参数均方根误差RMSE，相关系数r、偏移量Bias及ERGAS指标，对融合影像数据进行评价。实施例中，首先利用遥感样本库的典型水体光谱数据；对混合像元分解模型进行改进，生成连续、无“拼接”现象的高空间-高光谱分辨率中间过程影像；随后利用STARFM算法将中间过程影像和高时间分辨率影像融合，生成最终所需的高空间、高时间分辨，同时也保持海洋影像光谱波段的融合数据。本影像融合方法，是综合利用遥感样本库、陆地卫星影像和海洋卫星影像数据，生成连续、具有更多空间细节和高时间分辨率的成果，且该成果可用于后续水质参数的定量反演，有效利用不同遥感数据各自的时、空、谱优势。本影像融合方法通过实际应用，验证了该方法能够有效的实现于GOCI和HJ-1CCD数据反射率影像的融合，最终获取时间分辨率1h且具有更多空间信息的融合影像。实施例还公开了一种基于光谱信息影像的融合装置，其中，包括：影像获取模块，用于获取第一影像，所述第一影像是具有高空间、高分辨率和高反射率的影像数据；及，第二影本文档来自技高网...

【技术保护点】
1.一种基于光谱信息影像的融合方法，其中，步骤包括：/n获取第一影像所述第一影像是具有高空间、高分辨率和高反射率的影像数据；及，第二影像，所述第二影像是具有高时间、高光谱和高分辨率的影像数据；/n对所述第一影像和所述第二影像分别进行预处理，得到所需时刻的第三影像数据和第四影像数据；/n利用遥感样本库的典型水体光谱数据，对混合像元分解模型进行改进，获得改进混合像元分解模型；/n利用所述改进混合像元分解模型，对所述第三影像数据和所述第四影像数据进行分解，获得高空间高光谱分辨率的中间过程影像；/n利用STARFM算法将过程影像和第二影像进行融合，高空间分辨率的融合影像数据。/n

【技术特征摘要】
1.一种基于光谱信息影像的融合方法，其中，步骤包括：
获取第一影像所述第一影像是具有高空间、高分辨率和高反射率的影像数据；及，第二影像，所述第二影像是具有高时间、高光谱和高分辨率的影像数据；
对所述第一影像和所述第二影像分别进行预处理，得到所需时刻的第三影像数据和第四影像数据；
利用遥感样本库的典型水体光谱数据，对混合像元分解模型进行改进，获得改进混合像元分解模型；
利用所述改进混合像元分解模型，对所述第三影像数据和所述第四影像数据进行分解，获得高空间高光谱分辨率的中间过程影像；
利用STARFM算法将过程影像和第二影像进行融合，高空间分辨率的融合影像数据。


2.根据权利要求1所述的影像融合方法，其中，对所述第一影像和所述第二影像分别进行预处理是采用辐射校正、几何校正或Gordon校正算法其中至少一种对所述第二影像进行校正，最后获得所需时刻的陆地卫星影像数据和海洋卫星影像数据。


3.根据权利要求1所述的影像融合方法，其中，所述混合像元分解模型进行改进具体的包括：
获取遥感样本库的典型水体光谱数据，采用层次聚类法对所述典型水体光谱数据进行分类，获得水体光谱分类数据；
基于水体光谱分类数据中不同水体进行分量，获得各端元的分量值，并通过权重系数计算端元的反射率值；
通过各端元的分量值和所述反射率值对混合像元分解模型进行改进，获得改进混合像元分解模型。


4.根据权利要求3所述的影像融合方法，其中，所述改进混合像元分解模型的公式：






式中，为Isea影像在(l，s)位置的第i波段、第j分量的反射率值(其中j＝1～n，分别为聚类后n类典型光谱)，为聚类类别c的第j分量值，为最终所求的分解后的过程影像反射率值；p(j)为聚类类别c的光谱曲线与第j类典型水体分量之间的权重。


5.根据权利要求1所述的影像融合方法，其中，所述对所述第三影像数据和所述第四影像数据进行分解：
根据所述第三影像数据和所述第四影像数据，计算出二者各波段间的皮尔逊相关系数；
根据皮尔逊相关系数，并采用合适的窗口大小和分类数，在所述第三影像数据和所述第四影像数据中，选择合适大小的窗口及分类数对各窗口内的水体进行分类，获取到影像数据的丰度矩阵；
影像数据的丰度矩阵通过改进混合像元分解模型进行分解混合像元分解值。

<...

【专利技术属性】
技术研发人员：唐岭军，彭子凤，喻敏，包颖，李胜，汪靖韬，
申请(专利权)人：深圳市规划国土房产信息中心深圳市空间地理信息中心，
类型：发明
国别省市：广东;44