本发明专利技术提供了一种基于地物光谱数据的高分辨率遥感影像自然色的模拟方法，特别是一些蓝光波段缺失的高分辨率遥感影像(如：SPOT、IRS等)，通过对蓝波段的模拟，解决了影像自然色合成的难题。首先根据待模拟影像的波长带宽设置和光谱响应函数对地物波谱数据预处理；然后根据ISODATA聚类结果自动选取光谱样本控制点，通过光谱匹配算法筛选出光谱候选样本；再通过支持向量机学习训练，构建出待模拟蓝波段和已知波段之间的非线性关系模型；最后根据非线性关系模型(SVM)实现蓝光波段的计算。模拟的自然色影像产品色调自然，颜色真实，可用于多个领域，实现了高空间分辨率遥感影像的缺失蓝光波段自动模拟和自然色影像图制作，大大降低了人工调图的工作量。
【技术实现步骤摘要】
本专利技术涉及到遥感影像处理技术、遥感影像模拟与增强方法。具体地说，涉及数据预处理、数据模拟以及光谱关系挖掘，本专利技术可适用于中高分辨率遥感影像数据模拟和真彩色影像数据产品生产。
技术介绍
由于蓝波段在辐射传输中更容易被散射的特性和传感器设计技术等因素，传感器接收到的蓝波段信号相对较弱，甚至一些高空间分辨率的多光谱传感器没有设置蓝光通道 (例如；SPOT、IRS等)，这样用户在应用过程中合成真彩色影像就遇到了困难。为此，国内外众多学者和研究机构对真彩色影像模拟开展了一系列的研究，其本质是如何利用遥感影像波段之间的相关性模拟出蓝波段。例如，模拟SPOT自然色影像产品，常用的主要有以下三种方案(1)平均值法这是SP0TIMAGE公司Q008)在其网站上提供的方法，蓝波段采用绿光波段XSl代替；绿光波段采用绿、红和近红外波段的平均值，即(XSl+XS2+XS3)/3 ； 红波段仍然采用红波段XS2表示；(2)加权法这是图像处理软件ERDAS IMAGE专门为处理SPOT多光谱影像提供的方法，蓝波段仍然采用绿波段XSl代替，而绿波段则由绿波段和近红外波段采用(3XSl+XS3)/4合成，红波段仍然采用红波段XS2表示；C3)不确定参数法 该方法在模拟蓝波段时全色波段(P)也参与运算，以2PXXS1/(XS1+XS》波段算法为蓝波段，以2PXXS2/(XS1+XS》波段算法为绿波段；红波段用(aP+(l-a)XS;3)来表示。另外，黄誌勇(1999)应用倒转神经网络(BP-ANN)对TM影像NIR、R、G波段与B波段之间的关系拟合，然后把这种非线性波段关系模型应用到SPOT影像中拟合出SPOT影像的蓝光波段，进而模拟出SPOT自然色影像。Thomas Knudsen(2005)等人采用最小二乘算法，拟合出NIR、R、 G、NDVI与B波段之间的线性关系，实现对彩红外航空相片的蓝波段模拟，达到彩红外航片的近自然色模拟。在目前的波段模拟方法中，应用的是经验模型，或者从其他的遥感影像上拟合出蓝波段与其他波段之间的关系。模型缺少影像分析，模拟的真彩色颜色畸变严重，色调不自然，后处理人工调图工作量大。
技术实现思路
针对上述问题，本专利技术的目的是提供一种针对高分辨遥感影像的自然色自动模拟方法，特别是SPOT、IRS等卫星多光谱传感器蓝波段缺失的情况。通过波谱库波谱样本的机器学习、训练，建立波段之间的非线性关系模型，实现蓝波段的高效精确模拟。本专利技术的思路为首先根据输入的待模拟真彩色遥感影像，选择传感器类型和带宽设置，对地物波谱库的地物波谱数据预处理，通过波谱响应函数和光谱积分算法，将地物波谱数据转换到和遥感影像数据同一的光谱尺度；通过IS0DATA算法，对遥感影像初始聚类，根据初始聚类结果，在遥感影像上选取200个光谱控制点，采用光谱角匹配算法(SAM)， 对预处理的地物波谱库光谱数据进行样本筛选，选择出适合该区域的最佳候选光谱样本；构建回归向量机(SVR)非线性回归模型，对候选样本分类，分为样本训练集(训练样本) 和样本测试集(测试样本)，通过交叉验证和不断的训练和参数的调整，得到最佳的模型参数；根据非线性机器学习模型实现对蓝波段的预测和模拟。本专利技术的技术方案提供了高分辨率遥感影像自然色自动模拟算法方法，其特征在于包括以下的实施步骤1)对卫星遥感影像预处理，将像素DN值转为辐射亮度或者地表反射率，恢复遥感影像物理属性，并构建波段合成变量比；2)选定待模拟遥感影像传感器类型，对地物波谱库遥感数据预处理，通过光谱积分统一光谱尺度；3)对遥感影像初始聚类，根据光谱控制点的要求，在遥感影像上选取具有代表性的200个光谱控制点；4)采用光谱相似度判断模型，根据影像光谱控制点在地物波谱库选取200个光谱训练样本； 5)构建非线性模型，通过训练验证，获得最优模型参数，建立蓝波段与已知波段的非线性关系模型；6)模型的应用，计算得到蓝波段。上述实施步骤的特征在于步骤1)对遥感影像进行了辐射校正和光谱反射率转换，恢复了遥感物理属性，波段关系物理意义明确；步骤2、考虑不同传感器的波段带宽设置和光谱响应函数；步骤幻、步骤4)根据不同地区遥感影像的地表景观分布特点，选取光谱控制点分布，再根据光谱控制点从全球地物波谱库中自动选择机器学习的样本波谱数据集；步骤幻模型训练与精度验证，波谱样本集一部分用于模型训练，另一部分用于模型精度检验；再将训练样本集和测试样本集对换，交叉验证达到最佳的训练效果。模型的输入采用了波段比的形式，即通过各个波段同合成波段的比值计算，一方面消除了大气辐射传输的影响，另一方面使得模型的输入值在W 1]范围内满足SVR的数据输入要求。另外地物波谱库参考数据源除了 USGS的全球地物波谱库(speclibOe)以及ENVI 的内置波谱库，可以通过多种手段获得，如我国的典型地物波谱库、从影像上采集区域端元波谱和野外实测光谱。本专利技术与现有技术相比具有如下特点从遥感波谱物理特性出发，充分应用了光谱信息非常丰富的全球地物光谱库信息。利用影像光谱控制点和光谱匹配算法，实现模型训练样本的自动选择，充分考虑了区域景观特点和地物波谱特性，通过机器学习和交叉验证，得到最佳的模型参数。其理论依据充分，物理意义明确；模拟出的真彩色影像产品颜色真实、自然，光谱畸变小，光谱信息量丰富。大大节约了后处理过程中人工调色时间。附图说明图1.本专利技术的技术流程示意2.地物波谱数据库管理系统主界面图3.光谱尺度转换示意图图4.影像光谱控制点选择分布5. ETM+影像蓝波段模拟结果对比图6.蓝波段光谱统计直方图比较图7. SPOT影像模拟蓝波段与自然色影像产品具体实施例方式下面结合附图和实验案例对本专利技术详细说明。图1是遥感影像真彩色模拟的整体技术流程，其中地物波谱库数据是集成了 USGS 的全球地物波谱库第六版本(speclibOe)、ENVI的内置地物波谱库数据以及一些典型地物的野外实测光谱数据。为了方便对现有波谱数据的统一管理和规范化使用，我们根据已有的地物波谱数据，依托VC++的开发环境，建立了一套波谱库管理系统。图2显示了波谱库管理系统主界面，横轴表示的是波长，纵轴显示的是反射率。该系统可以实现地物波谱数据的管理和可视化查询与显示，并留有接口方便其它的软件调用。原始的遥感影像，一般记录的是DN值，不是地物反射特征的真实记录，没有严格的物理意义。根据波段模拟计算要求，将遥感影像原始DN值数据转换为辐射亮度值或反射率。计算公式如下La = GainXDN+Bias (1)π. La . d2P= rcTT.T-T^xESUNλ . Cos(P)⑵式(1)中，DN是图像的像元灰度值，La为辐射亮度，Gain和Bias分别表示增益与偏置。式O)中，P表示大气顶层反射率，d为日地距离参数，取值为1，ESUNa表示太阳光谱辐射量，θ表示太阳天顶角。波谱库中的每条波谱特征曲线记录的是某一种地物从紫外到远红外波段离散的反射率值，其波谱采样间隔仅lnm。所以在光谱匹配之前需要对波谱记录预处理，根据待模拟影像的带宽设置，通过光谱积分，实现光谱尺度转换。如图3显示了根据SPOT的波段带宽进行的波谱积分。而蓝波段的带宽则参考了一些传感器的蓝波段带宽设置，波谱积分范围为0. 45-0本文档来自技高网...
【技术保护点】
１．一种基于地物光谱数据的高分辨率遥感影像自然色的模拟方法，其特征在于以下几个步骤：（１）选取待模拟遥感影像的传感器类型、波段设置和光谱响应函数；（２）根据待模拟影像的波段带宽设置和光谱响应函数，对地物波谱库的地物波谱数据预处理，通过光谱积分，实现波谱尺度转换；（３）特征光谱样本选择：在待模拟的遥感影像上自动选取光谱特征控制点，通过光谱角匹配算法（ＳＡＭ：ｓｐｅｃｔｒａｌ ｍａｐｐｉｎｇ ａｎｇｌｅ）在地物波谱库中筛选出地物光谱数据，作为候选训练样本；（４）非线性模拟：构建支持向量机（ＳＶＭ）非线性机器学习模型，通过波谱样本数据，对回归向量机（ＳＶＲ）的学习训练和精度验证，建立待模拟的蓝光波段和已知遥感影像波段之间隐含的非线性关系；（５）通过波段之间的非线性模型计算（ＳＶＲ），实现对高分辨遥感影像的蓝波段模拟，进而合成自然色影像数据产品。
【技术特征摘要】
【专利技术属性】
技术研发人员：朱长明，骆剑承，沈占锋，程熙，郜丽静，
申请(专利权)人：中国科学院遥感应用研究所，
类型：发明
国别省市：11
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。