一种无人机遥感数据多维融合方法技术

本申请涉及遥感图像融合领域，尤其是涉及一种无人机遥感数据多维融合方法

【技术实现步骤摘要】
一种无人机遥感数据多维融合方法、装置和介质


[0001]本申请涉及遥感图像融合领域，尤其是涉及一种无人机遥感数据多维融合方法
。

技术介绍

[0002]随着
UAV(
无人驾驶飞机，
Unmanned Aerial Vehicle)
硬件和高光谱传感设备的发展，无人机双高影像为农业
、
林业的精细化管理带来了更为细致的遥感数据，其携带的光谱和空间信息相较于传统卫片数据实现了跨越式的增长，而无人机的灵活性有为数据采集提供了时间维度的可定制性，所以从时间
、
空间
、
光谱三个维度上，无人机低空遥感数据为更多的数据处理与应用提供了大量的可能性
。
[0003]目前在遥感
，影像融合技术已经取得了巨大的进步，目前已经有许多不同的方法可供选择
。
其中，四类主要是成分替换类
、
多分辨率分析类
、
模型优化类和学习类
。
主流的影像融合方法是针对全色与多光谱等卫片影像数据，还没有针对无人机采集的正射影像数据与高光谱影像数据的融合算法
。
[0004]因此，如何将无人机采集的影像数据根据需求不同维度
、
精确地融合在一起且规避无人机消费级传感器带来的精度影响，从而提高遥感数据融合的精确性
、
全面性，是亟需解决的问题
。

技术实现思路

[0005]本申请提供了一种无人机遥感数据多维融合方法
、
装置和介质，可以将无人机采集的影像数据根据需求不同维度
、
精确地融合在一起，且规避无人机消费级传感器带来的精度影响，实现了遥感数据的空谱融合
、
时空谱融合，并针对无人机高分影像数据存在的色调差异明显问题优化了融合方法，提高了遥感数据融合的精确性
、
全面性
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案
:
[0007]第一方面，本专利技术提供一种无人机遥感数据多维融合方法，所述方法包括：
[0008]构建融合前高光谱影像数据与预设的融合后影像数据的第一关系模型；
[0009]使用梯度纹理信息构建所述预设的融合后影像数据与融合前高空间分辨率影像数据的第二关系模型；
[0010]基于所述第一关系模型和所述第二关系模型，通过贝叶斯最大后验概率框架构建第一融合模型；
[0011]使用无人机采集同一地区不同时相的高空间分辨率影像数据和高光谱分辨率影像数据，形成时空谱数据集；
[0012]基于所述第一融合模型融合所述时空谱数据集中的高空间分辨率影像数据和高光谱分辨率影像数据，得到第一融合结果
。
[0013]在本申请一较佳的示例中可以进一步设置为，所述构建融合前高光谱影像数据与预设的融合后影像数据的第一关系模型，使用梯度纹理信息构建所述预设的融合后影像数据与融合前高空间分辨率影像数据的第二关系模型，包括：
[0014]设无人机融合前高光谱影像数据为
y
，融合前高空间分辨率影像为
z
，融合后影像数据为
x
，第
b
波段的融合前高光谱影像数据为：
[0015][0016]其中，
N1、N2分别为融合前高光谱数据的像素的长
、
宽值，
N1×
N2为图像大小，
b
为融合前高光谱数据的光谱波段数；
[0017]预设第
b
波段的融合后影像数据为：
[0018][0019]其中，
M1、M2分别为融合后影像数据的像素长
、
宽值，
M1＝
N1×
R,M2＝
N2×
R
，空间比率
R
为融合前高光谱影像数据的空间分辨率除以融合前高空间分辨率影像的空间分辨率；
[0020]所述第一关系模型为：
[0021]y
b
＝
DS
b
x
b
+n
b
；
[0022]其中
S
b
为模糊矩阵，大小为
(M1×
M2)
×
(M1×
M2),D
为降采样矩阵，大小为
(N1×
N2)
×
(M1×
M2),n
b
为噪声向量
,
大小为
(N1×
N
2)
)
×1；
[0023]假设融合前后空间结构相似
,
所述第二关系模型为：
[0024][0025]其中，为融合前高空间分辨率影像的梯度，为融合前高空间分辨率影像的梯度的标准差，为融合前高空间分辨率影像梯度的均值，为融合后影像数据的
b
波段的梯度，为融合后影像数据的
b
波段梯度的标准差，为融合后影像数据的
b
波段梯度的标准差的均值，为以为自变量的函数
。
[0026]在本申请一较佳的示例中可以进一步设置为
,
所述第一融合模型为：
[0027][0028]其中，为第一融合结果，
λ1和
λ2为正则化模型参数，
A
b
等于所述第一关系模型的
DS
b
，
B
为总波段数，
ξ
为以
W
像素
(i,j)
为中心的局部像素的集合，
ψ
为对波段
x
b
所有像素进行运算后的集合，
ρ
是
Huber
函数，
(d
ξ
(x
b
(i,j)))
为对局部像素
ξ
集合的算子运算，为
x
b
图像在
(i,j)
位置四周4个像素与
(i,j)
本身的差值，
i、j
表示在图像中的坐标位置，
i
的取值范围为
[1
，
M1],j
的取值范围为
[1
，
M2]。
[0029]在本申请一较佳的示例中可以进一步设置为，迭代求解所述第一融合模型，得到优化后的第一融合结果；
[0030]迭代函数为：
[0031][0032]其中，
x
b,k
为
b
波段第
k
次迭代函数值，为对融合后影像的第
b
波段第
k
次迭代函数值进行求导，
t
b,k
为迭代的步长；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种无人机遥感数据多维融合方法，其特征在于，所述方法包括：构建融合前高光谱影像数据与预设的融合后影像数据的第一关系模型；使用梯度纹理信息构建所述预设的融合后影像数据与融合前高空间分辨率影像数据的第二关系模型；基于所述第一关系模型和所述第二关系模型，通过贝叶斯最大后验概率框架构建第一融合模型；使用无人机采集同一地区不同时相的高空间分辨率影像数据和高光谱分辨率影像数据，形成时空谱数据集；基于所述第一融合模型融合所述时空谱数据集中的高空间分辨率影像数据和高光谱分辨率影像数据，得到第一融合结果
。2.
根据权利要求1所述的无人机遥感数据多维融合方法，其特征在于，所述构建融合前高光谱影像数据与预设的融合后影像数据的第一关系模型，使用梯度纹理信息构建所述预设的融合后影像数据与融合前高空间分辨率影像数据的第二关系模型，包括：设无人机融合前高光谱影像数据为
y
，融合前高空间分辨率影像为
z
，融合后影像数据为
x
，第
b
波段的融合前高光谱影像数据为：其中，
N1、N2分别为融合前高光谱数据的像素的长
、
宽值，
N1×
N2为图像大小，
b
为融合前高光谱数据的光谱波段数；预设第
b
波段的融合后影像数据为：其中，
M1、M2分别为融合后影像数据的像素长
、
宽值，
M1＝
N1×
R
，
M2＝
N2×
R
，空间比率
R
为融合前高光谱影像数据的空间分辨率除以融合前高空间分辨率影像的空间分辨率；所述第一关系模型为：
y
b
＝
DS
b
x
b
+n
b
；其中
S
b
为模糊矩阵，大小为
(M1×
M2)
×
(M1×
M2)
，
D
为降采样矩阵，大小为
(N1×
N2)
×
(M1×
M2)
，
n
b
为噪声向量，大小为
(N1×
N
2)
)
×1；假设融合前后空间结构相似，所述第二关系模型为：其中，为融合前高空间分辨率影像的梯度，为融合前高空间分辨率影像的梯度的标准差，为融合前高空间分辨率影像梯度的均值，为融合后影像数据的
b
波段的梯度，为融合后影像数据的
b
波段梯度的标准差，为融合后影像数据的
b
波段梯度的标准差的均值，为以为自变量的函数
。3.
根据权利要求2所述的无人机遥感数据多维融合方法，其特征在于，所述第一融合模型为：
其中，为第一融合结果，
λ1和
λ2为正则化模型参数，
A
b
等于所述第一关系模型的
ψ
b
，
B
为总波段数，
ξ
为以
W
像素
(i
，
j)
为中心的局部像素的集合，
ψ
为对波段
x
b
所有像素进行运算后的集合，
ρ
是
Huber
函数，
(d
ξ
(x
b
(i
，
j)))
为对局部像素
ξ
集合的算子运算，为
x
b
图像在
(i
，
j)
位置四周4个像素与
(i
，
j)
本身的差值，
i、j
表示在图像中的坐标位置，
i
的取值范围为
[1
，
M1]
，
j
的取值范围为
[1
，
M2]。4.
根据权利要求3所述的一种无人机遥感数据多维融合方法，其特征在于，迭代求解所述第一融合模型，得到优化后的第一融合结果；迭代函数为：其中，
x
b
，
k
为
b
波段第
k
次迭代函数值，为对融合后影像的第
b
波段第
k
次迭代函数值进行求导，
t
b
，
k
为迭代的步长；迭代终止条件为：
x
k
为所有波段的第
k
次迭代函数值，其中
k
为迭代次数，
k
的取值范围为
[1
，
3000]
，
d
为迭代阈值，
d
的取值范围为
[0
，
0.2]。5.
根据权利要求3所述的无人机遥感数据多维融合方法，其特征在于，包括：构建空间降质模型；构建时空谱关系模型，关联观测图像与融合...

【专利技术属性】
技术研发人员：柳翠明，陈可蕴，龙奇勇，陈国梁，张永毅，
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：