【技术实现步骤摘要】
本专利技术涉及遥感数据融合，具体是一种多光谱数据缺失下的遥感数据融合方法。
技术介绍
1、对地观测卫星发射升空以后，通常会携带全色和多光谱传感器，有些卫星为了节约成本仅仅携带了全色传感器，由此只有黑白数据，多光谱是用于定性定量化分析的，如何从黑白的全色数据生成真实、可靠的多光谱数据是本专利的核心内容；
2、高分7号卫星携带了多个载荷，其中前视影像采集了全色、多光谱的数据，后视影像采集了全色数据；针对高分7号卫星，需要生成真实的后视全色所对应的多光谱数据；
3、为此，针对高分7号卫星的后视图像中，只有全色图像，而缺少多光谱图像的问题，本专利技术提出一种多光谱数据缺失下的遥感数据融合方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种多光谱数据缺失下的遥感数据融合方法，实现了从高分7号卫星的后视全色图像至多光谱图像的高精度生成。
2、为实现上述目的，提出一种多光谱数据缺失下的遥感数据融合方法，包括以下步骤：
3、步骤一：收集若干卫星前视影像的全色训练图像集合以及多光谱训练图像集合；
4、步骤二：对所有全色训练图像以及多光谱训练图像进行精校正，生成校正全色训练图像和校正多光谱训练图像；
5、步骤三：将校正全色训练图像和校正多光谱训练图像进行归一化处理，生成归一化全色训练图像和归一化多光谱训练图像；
6、步骤四：将所有归一化全色训练图像的分辨率降采样至多光谱
7、步骤五：使用最小二乘法，基于降采样全色训练图像，将归一化多光谱训练图像拟合成拟合全色影像；
8、步骤六：以拟合全色影像作为输入，以多光谱预测图像作为输出，训练多光谱图像生成模型；
9、步骤七：收集实时卫星后视影像的实时全色图像，并将实时全色图像进行精校正、归一化处理以及降采样处理后，获得实时全色输入图像；
10、步骤八：将实时全色输入图像输入至多光谱图像生成模型中，获得后视影像的实时全色图像对应的多光谱预测图像；
11、所述收集若干卫星前视影像的全色训练图像集合以及多光谱训练图像集合的方式为：
12、在高分7号卫星绕行过程中，实时收集全色传感器拍摄的前视全色图像，以及多光谱传感器拍摄的前视多光谱图像；
13、将收集的前视全色图像组成卫星前视影像的全色训练图像集合，并将每张前视全色图像对应的前视多光谱图像组成卫星前视影像的多光谱训练图像集合；
14、所述对所有全色训练图像以及多光谱训练图像进行精校正的方式为：
15、对每张全色训练图像进行几何校正和辐射校正；
16、对每张多光谱训练图像进行几何校正和辐射校正；
17、所述几何校正通过使用商业图像处理软件进行。
18、所述辐射校正的计算方式为：
19、对于全色图像和多光谱图像中的每个像素点，使用计算公式l＝gain*dn+bias计算出该像素点的卫星载荷通道入瞳处的等效辐射亮度l；
20、其中，gain和bias分别为定标系数增益和偏移量；
21、而其中的dn为全色训练图像以及多光谱训练图像中的各个像素点的像素值；
22、所述将校正全色训练图像和校正多光谱训练图像进行归一化处理的方式为：
23、对于任意一张校正全色训练图像或校正多光谱训练图像，将其所有像素点中，等效辐射亮度的最大值标记为lmax，将其中等效辐射亮度的最小值标记为lmin；
24、将各个像素点的等效辐射亮度替换为辐射亮度归一值，所述辐射亮度归一值的计算公式为：
25、所述将所有归一化全色训练图像的分辨率降采样至多光谱训练图像的分辨率的方式为：
26、收集归一化全色训练图像的分辨率以及归一化多光谱训练图像的分辨率；
27、使用重采样或插值方法将每张归一化全色训练图像转化为降采样全色训练图像，其中，降采样全色训练图像的分辨率与归一化多光谱训练图像的分辨率一致；
28、所述将归一化多光谱训练图像拟合成拟合全色影像的方式为：
29、将归一化多光谱训练图像的编号标记为i，将第i张归一化多光谱训练图像中的各个像素点的编号标记为ij，则第ij个像素点对应的r、g、b、nr四个通道的像素值分别标记为zij1、zij2、zij3、zij4；
30、设置转化参数变量a1、a2、a3、a4以及b；
31、将第i张归一化多光谱训练图像对应的降采样全色训练图像中的第ij个像素点的像素值标记为qij；
32、构造转换偏差函数p(a1,a2,a3,a4,b)，所述转换偏差函数为：
33、p(a1,a2,a3,a4,b)＝σi∑ij(qij-(a1×zij1+a2×zij2+a3×
34、zij3+a4×zij4+b))2；
35、使用最小二乘法找出偏差函数p(a1,a2,a3,a4,b)的最小二乘解；
36、将所述最小二乘解应用在每张归一化多光谱训练图像中的每个像素点中，获得转换后的拟合全色影像；
37、所述训练多光谱图像生成模型的方式为：
38、所述多光谱图像生成模型为u-net网络模型；
39、在编码过程中，u-net网络模型通过若干卷积层和池化层对拟合全色影像进行特征提取和空间信息的下采样；
40、在解码过程中，u-net网络模型通过上采样和卷积层对拟合全色影像进行特征融合和空间信息的上采样；
41、在跳跃连接后加入多头交叉自注意力模块，用于滤除跳跃连接中噪声区域；
42、所述u-net网络模型输出数据是多光谱预测图像，u-net网络模型有多个通道，每个通道对应于输入数据的一个波段，r、g、b、nr四个波段对应4个通道，在每个卷积层和上采样层都使用4个通道；
43、将多头transformer中的模块引入所述u-net网络模型，通过两种注意力模块，多头自注意力模块和多头交叉自注意力模块提取出长程关系和空间依赖性；
44、在u-net编码器部分后加入多头自注意力模块，所述多头自注意力模块用于提取拟合全色影像中的长程结构特征信息；
45、所述多头交叉自注意力模块在多头自注意力模块后，用于将输入图像的每个像素之间建立关联。
46、一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
47、所述处理器通过调用所述存储器中存储的计算机程序，执行上述的多光谱数据缺失下的遥感数据融合方法。
48、一种计算机可读存储介质，其上存储有可擦写的计算机程序；
49、当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的多光谱数据缺失下的遥感数据融合方法。
50、与现有技术本文档来自技高网...
【技术保护点】
1.一种多光谱数据缺失下的遥感数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述收集若干卫星前视影像的全色训练图像集合以及多光谱训练图像集合的方式为：
3.根据权利要求2所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述对所有全色训练图像以及多光谱训练图像进行精校正的方式为：
4.根据权利要求3所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述辐射校正的计算方式为：
5.根据权利要求4所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述将校正全色训练图像和校正多光谱训练图像进行归一化处理的方式为：
6.根据权利要求5所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述将所有归一化全色训练图像的分辨率降采样至多光谱训练图像的分辨率的方式为：
7.根据权利要求6所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述将归一化多光谱训练图像拟合成拟合全色影像的方式为：
8.根据权利要
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，
10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
...【技术特征摘要】
1.一种多光谱数据缺失下的遥感数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述收集若干卫星前视影像的全色训练图像集合以及多光谱训练图像集合的方式为：
3.根据权利要求2所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述对所有全色训练图像以及多光谱训练图像进行精校正的方式为：
4.根据权利要求3所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述辐射校正的计算方式为：
5.根据权利要求4所述的一种多光谱数据缺失下的遥感数据融合方法，其特征在于，所述将校正全色训练图像和校正多光谱训...
【专利技术属性】
技术研发人员：张伟，潘宏，孙赜，陈斌，杨林友，殷鹏莲，肖小芹，
申请(专利权)人：安徽省第一测绘院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。