一种可见光遥感影像薄云雾校正方法技术

本发明专利技术公开了一种可见光遥感影像薄云雾校正方法，包括：将待处理的可见光遥感影像分为若干子区域，根据第一可见光波段搜索各子区域内的暗目标；根据是否在第一可见光波段中均被标记为暗目标，依次对全部暗目标进行划分，得到绝对暗目标和相对暗目标；根据第一可见光波段对绝对暗目标进行拟合，对应得到云雾强度定量关系；依次对相对暗目标在第二可见光波段上推导云雾强度值，并和第二可见光波段中已被标记的暗目标做取并操作，获得第一暗目标；根据第一暗目标，生成云雾强度分布，对可见光遥感影像进行校正。采用本发明专利技术能够充分利用暗目标对云雾的强表征性以及在波段间的数值相关性，减少对外部数据的依赖，提高校正效果和适用性。用性。用性。

【技术实现步骤摘要】
一种可见光遥感影像薄云雾校正方法


[0001]本专利技术涉及遥感图像处理
，尤其涉及一种可见光遥感影像薄云雾校正方法。

技术介绍

[0002]可见光遥感影像是对地科学研究中使用最频繁的数据源之一，被广泛用于目标识别、影像融合、场景分割等任务。然而，由于可见光波长较短，极易受到薄云雾干扰，导致获取数据存在辐射偏差，无法准确反映真实地表光谱特征。因此，如何有效校正薄云雾干扰、恢复其地表征能力是提升数据质量与可用性的重要技术手段。
[0003]针对可见光遥感影像的薄云雾校正问题，国内外研究人员发展了一系列方法，主要可分为两大类：基于多幅影像和单幅影像的方法。基于多幅影像的方法在进行云雾校正时需引入外部数据作为辅助，例如不同时相或传感器影像。常用技术包括小波变换、回归分析和云雾强度值替换等方法，该类方法由于引入了辅助数据，通常能产生目视效果良好的结果；基于单幅影像的方法无需引入外部数据，通过最大化挖掘影像自身信息或优化训练参数实现薄云雾校正，主要包括传统类和深度学习类两种；其中，传统类的校正方法主要利用待处理影像的空间和光谱特征实现云雾校正，典型的包括光谱变换法、域转换法和暗目标法等，深度学习类的校正方法根据使用框架不同，可分为卷积神经网络(Convolution neural network，CNN)和生成对抗网络(Generative adversarial network，GAN)两类，代表性的方法有Dehaze
‑
Net、RSC
‑
Net和CR
‑
GAN
‑
PM，这类方法利用神经网络的非线性映射能力，引入大尺度训练数据集学习样本标签对间变换关系，最终实现云雾校正与地表恢复。
[0004]然而，现有技术中基于多幅影像的云雾校正方法存在如下缺点：由于利用引入的辅助数据的互补信息完成校正，却也约束了方法的适用场景；此外，并没有考虑到由于薄云雾具有半透明特性，待校正区域仍有部分地表信息可用于校正；现有技术中基于单幅影像的方法也存在如下缺点：首先，传统类校正方法依赖不同的空间或光谱先验知识展开，具有更强的普适性和稳定性，但仍对于云雾影像的空间和光谱特征挖掘不足且未充分考虑波段间的互补性，导致先验知识在部分场景下有效性降低，限制校正效果；其次，深度学习类方法通常可以取得较好的校正效果，但是过于依赖数据集与网络结构且需较多前置工作，不易于单幅影像的快速应用。

技术实现思路

[0005]本专利技术实施例的提供了一种可见光遥感影像薄云雾校正方法，能够充分利用暗目标对云雾的强表征性以及在波段间的数值相关性，从而能够减少对外部数据的依赖，实现更好的校正效果和更强的普适性。
[0006]第一方面，本专利技术实施例提供了一种可见光遥感影像薄云雾校正方法，所述方法包括：
[0007]将待处理的可见光遥感影像分为K个子区域，根据第一可见光波段搜索各子区域
内的最小值的像元为暗目标；其中，K为正整数，像元值数值上与云雾强度值相同；
[0008]根据是否在所述第一可见光波段中均被标记为暗目标，依次对全部暗目标进行划分，得绝对暗目标和相对暗目标；
[0009]根据所述第一可见光波段对所述绝对暗目标进行拟合，对应得到云雾强度定量关系；
[0010]根据所述云雾强度定量关系，依次对相对暗目标在第二可见光波段上的云雾强度值进行推导，并和所述第二可见光波段中已被标记的暗目标做取并操作，获得第一暗目标；
[0011]根据所述第一暗目标，生成空间细粒度高的云雾强度分布，对所述可见光遥感影像进行校正。
[0012]本专利技术采用对暗目标进行划分，对绝对暗目标在可见光波段上进行拟合，得到可见光波段之间的云雾强度定量关系，可推导出相对暗目标在第二可见光波段上的云雾强度值，在同一可见光波段上，推导得到的暗目标与第二可见光波段中已被标记的暗目标是互补的关系，能够利用这个互补关系进行取并操作，得到第一暗目标包含了绝对暗目标和满足了云雾强度定量关系式的暗目标，能够挖掘到暗目标之间的互补关系来扩充样本数量，从而减少依赖外部数据，提高可扩展性和实用性。
[0013]进一步，所述将待处理的可见光遥感影像分为K个子区域，包括：
[0014]利用基于简单线性迭代聚类的超像素分割算法，将所述可见光遥感影像中的像元进行聚合，形成K个不规则的子区域，将所述可见光遥感影像分为对应K个子区域。
[0015]本专利技术采用简单线性迭代聚类的超像素分割算法，能够实现更加合理的影像子区域划分，从而更方便按区查找暗目标，能够保证得到的每个暗目标均匀分布在可见光遥感影像当中，从而能够校正到整个可见光遥感影像，进而为光学遥感影像薄云雾校正方法提供更好的、可解释的科学性。
[0016]进一步，所述根据第一可见光波段搜索各子区域内的最小值的像元为暗目标，包括：
[0017]根据所述K个子区域，将每个块中的中心云雾强度值作为超像素的种子点；
[0018]逐块计算所有像元与所述种子点的距离，选取距离最小的像元为暗目标。
[0019]进一步，所述逐块计算所有像元与所述种子点的距离，所述距离的具体计算公式为：
[0020][0021]其中，所述种子点为S，所述像元为p，d
c
和d
s
分别为可见光遥感影像中像元和所述种子点的颜色距离和空间距离，N
c
为紧凑性因子，N
s
是与图像尺寸和超像素数量相关的变量。
[0022]进一步，所述d
c
和d
s
分别为可见光遥感影像中像元和所述种子点之间的颜色距离和空间距离，计算式分别如下：
[0023]d
C
(p，S)＝||F
p
‑
F
S
||2，d
s
(p，S)＝||X
p
‑
X
S
||2，
ꢀꢀꢀꢀ
(2)
[0024]其中，F
P
＝[l
P
，b
P
，a
P
]T
和F
S
＝[l
S
，b
S
，a
S
]T
分别为所述像元和所述种子点在CIELab颜色空间中三个颜色分量l，b，a平均值，X
p
＝[x
p
，y
p
]T
和X
S
＝[x
S
，y
S
]T
分别为所述像元和所述种子点的质心位置。
[0025]具体地，所述根据是否在所述第一可见光波段中均被标记为暗目标，依次对全部暗目标进行划分，得到绝对暗目标为绝对暗目标和相对暗目标为相对暗目标，包括：
[0026]若所述暗目标在所述第一可见光波段中所有可见光波段内均被记作暗目标，则将其分类为绝对暗目标；...

【技术保护点】

【技术特征摘要】
1.一种可见光遥感影像薄云雾校正方法，其特征在于，所述方法包括：将待处理的可见光遥感影像分为K个子区域，根据第一可见光波段搜索各子区域内的最小值的像元为暗目标；其中，K为正整数，像元值数值上与云雾强度值相同；根据是否在所述第一可见光波段中均被标记为暗目标，依次对全部暗目标进行划分，得到绝对暗目标和相对暗目标；根据所述第一可见光波段对所述绝对暗目标进行拟合，对应得到云雾强度定量关系；根据所述云雾强度定量关系，依次对相对暗目标在第二可见光波段上的云雾强度值进行推导，并和所述第二可见光波段中已被标记的暗目标做取并操作，获得第一暗目标；根据所述第一暗目标，生成空间细粒度高的云雾强度分布，对所述可见光遥感影像进行校正。2.如权利要求1所述的可见光遥感影像薄云雾校正方法，其特征在于，所述将待处理的可见光遥感影像分为K个子区域，包括：利用基于简单线性迭代聚类的超像素分割算法，将所述可见光遥感影像中的像元进行聚合，形成K个不规则的子区域，将所述可见光遥感影像分为对应K个子区域。3.如权利要求1所述的可见光遥感影像薄云雾校正方法，其特征在于，所述根据第一可见光波段搜索各子区域内的最小值的像元为暗目标，包括：根据所述K个子区域，将每个块中的中心云雾强度值作为超像素的种子点；逐块计算所有像元与所述种子点的距离，选取距离最小的像元为暗目标。4.如权利要求3所述的可见光遥感影像薄云雾校正方法，其特征在于，所述逐块计算所有像元与所述种子点的距离，所述距离的具体计算公式为：其中，所述种子点为S，所述像元为p，d
c
和d
s
分别为可见光遥感影像中像元和所述种子点的颜色距离和空间距离，N
c
为紧凑性因子，N
s
是与图像尺寸和超像素数量相关的变量。5.如权利要求4所述的可见光遥感影像薄云雾校正方法，其特征在于，所述d
c
和d
s
分别为可见光遥感影像中像元和所述种子点之间的颜色距离和空间距离，计算式分别如下：d
C
(p,S)＝||F
p
‑
F
S
||2，d
s
(p,S)＝||X
p
‑
X
S
||2，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，F
P
＝[l
P
，b
P
,a
P
]
T
和F
S
＝[l
S
,b
S
,a
S
]
T
分别为所述像元和所述种子点在CIELab颜色空间中三个颜色分量l,b,a平均值，X
p
＝[x
p
,y
p
]
T
和X
s
＝[x...

【专利技术属性】
技术研发人员：张弛，易鹏，马力，刘洋，杨光，胡文雄，杨卫军，
申请(专利权)人：广州市城市规划勘测设计研究院，
类型：发明
国别省市：