matlab提取遥感图像的点DN值,一种高分辨率遥感图像去雾霾方法
4 实验验证与分析
实验对象为两颗国产亚米级高分辨率遥感卫星图像, 即GF-2和Superview-1图像。两颗卫星参数如表1所示。其中, GSD为地面采样距离, 即空间分辨率; PAN表示全色谱段; B1~B4表示4个不同波段; MS表示多光谱谱段。从表1中可知其谱段设置为典型的大气窗口, 可避免臭氧、水汽等大气成分的额外影响, 对图像质量产生影响的大气成分主要是雾霾粒子和气溶胶分子。
表1
Table 1
Satellite parameters
Table 1表1 卫星参数 Table 1 Satellite parameters
表1卫星参数Table 1Satellite parametersSatelliteLaunching timeGSD /mBand range /μmPAN: 0.8;PAN: 0.45-0.90;
GF-22014-08-19MS: 3.2B1: 0.45-0.52;
B2: 0.52-0.59;
B3: 0.63-0.69;
B4: 0.77-0.89
PAN: 0.5;PAN: 0.45-0.90;
Superview-12016-12-26MS: 2.0B1: 0.45-0.52;
B2: 0.52-0.59;
B3: 0.63-0.69;
B4: 0.77-0.89
表1中GF-2图像为2014-10-06对深圳成像的图像, Superview-1图像为2018-03-25对上海成像的图像, 原始图像为经过相对辐射校正预处理后的一级图像产品。由于一幅遥感图像通常达到数亿像素, 进行算法验证实验时在原图中选取部分细节图, 如图2所示。
原图中, 由于雾霾的影响, 通过主观观测可发现毛玻璃背景的能见度不高。出现这种现象的原因是雾霾使得图像产生了一定程度的模糊。采用所提方法分别对GF-2和Superview-1图像进行处理, 处理过程中关键图像包括的短波长谱段的雾霾图像(蓝谱段)、长波长谱段的亮目标图像(红谱段)、暗通道图像和非暗通道图像分别如图3、4所示。
图2
Fig. 2
图2 原始图像。(a) GF-2 全色图像; (b) GF-2 多光谱图像; (c) Superview-1 全色图像; (d) Superview-1多光谱图像Fig. 2 Original images. (a) GF-2 panchromatic image; (b) GF-2 multispectral image; (c) Superview-1 panchromatic image; (d) Superview-1 multispectral image
图3
Fig. 3
图3 对GF-2进行去雾霾处理的图像。(a)蓝谱段雾霾图像; (b)红谱段亮目标图像; (c)暗通道图像; (d)非暗通道图像Fig. 3 GF-2 images after dehazing process. (a) Haze image in blue spectral band; (b) image of bright object in red spectral band; (c) dark channel image; (d) non-dark channel image
图4
Fig. 4
图4 对Superview-1进行去雾霾处理的图像。(a)蓝谱段雾霾图像; (b)红谱段亮目标图像; (c)暗通道图像; (d)非暗通道图像Fig. 4 Superview-1 images after dehazing process. (a) Haze image in blue spectral band; (b) image of bright object in red spectral band; (c) dark channel image; (d) non-dark channel image
采用所提方法和Makarau等[提出的方法同时对图像进行处理, GF-2和Superview-1图像处理前后对比图如图5、6所示。
对所提方法和Makarau方法处理前后的图像质量进行评价。雾霾的作用机制相当于增大了大气点扩散函数及大气吸收, 结果体现在图像中景物边缘宽度增加, 边缘锐利程度降低, 图像清晰度下降。因此, 采用图像平均灰度梯度、图像边缘能量、图像对比度、图像锐度这几个基于景物边缘信息变化的典型高分辨率遥感图像质量参数进行评价。为方便对比, 每组图像质量参数计算结果均以该组中最大值为分母进行归一化处理, 结果如表2~5所示。
为了更形象地研究去雾霾处理校正前后的遥感图像质量变化, 将GF-2和Superview-1卫星图像每一种质量参数各谱段的结果进行对比, 如图7、8所示。
图5
Fig. 5
图5 GF-2去雾霾处理前后的图像。(a)原始全色图像; (b) Makarau方法处理后的全色图像; (c)所提方法处理后的全色图像; (d)原始多光谱真彩色图像; (e) Makarau方法处理后的真彩色图像; (f)所提方法处理后的真彩色图像Fig. 5 GF-2 images before and after dehazing processing. (a) Original panchromatic image; (b) panchromatic image after processing by Makarau's method; (c) panchromatic image after processing by proposed method; (d) original multispectral true color image; (e) true color image after processing by Makarau's method; (f) true color image after processing by proposed method
图6
Fig. 6
图6 Superview-1去雾霾处理前后的图像。(a)原始全色图像; (b) Makarau方法处理后的全色图像; (c)所提方法处理后的全色图像; (d)原始多光谱真彩色图像; (e) Makarau方法处理后的真彩色图像; (f)所提方法处理后的真彩色图像Fig. 6 Superview-1 images before and after dehazing processing. (a) Original panchromatic image; (b) panchromatic image after processing by Makarau's method; (c) panchromatic image after processing by proposed method; (d) original multispectral true color image; (e) true color image after processing by Makarau's method; (f) true color image after processing by proposed method
表2
Table 2
Comparison of quality parameters of GF-2 panchromatic images before and after dehazing processing
Table 2表2 GF-2全色图像处理前后的质量参数对比 Table 2 Comparison of quality parameters of GF-2 panchromatic images before and after dehazing processing
表2GF-2全色图像处理前后的质量参数对比Table 2Comparison of quality parameters of GF-2 panchromatic images before and after dehazing processingImage quality parameterOriginal imageImage processed by Makarau's methodImage processed by proposed methodAverage gray-scale gradient0.46110.74801.0000
Edge energy0.83970.95171.0000
Contrast0.79330.94771.0000
Sharpness0.44460.88821.0000
表3
Table 3
Comparison of quality parameters of GF-2 multispectral images before and after dehazing processing
Table 3表3 GF-2多光谱图像处理前后的质量参数对比 Table 3 Comparison of quality parameters of GF-2 multispectral images before and after dehazing processing
表3GF-2多光谱图像处理前后的质量参数对比Table 3Comparison of quality parameters of GF-2 multispectral images before and after dehazing processingImage quality parameterOriginal imageImage processed by Makarau's methodImage processed by proposed methodAverage gray-scale gradientB1: 0.3393; B2: 0.3754; B3: 0.2580B1: 0.7621; B2: 0.9283; B3: 0.7554B1: 1.0000; B2: 1.0000; B3: 1.0000
Edge energyB1: 0.9398; B2: 0.9810; B3: 0.9702B1: 0.9709; B2: 0.9873; B3: 0.9893B1: 1.0000; B2: 1.0000; B3: 1.0000
ContrastB1: 0.5625; B2: 0.5535; B3: 0.7573B1: 0.8493; B2: 0.8812; B3: 0.9058B1: 1.0000; B2: 1.0000; B3: 1.0000
SharpnessB1: 0.6346; B2: 0.7083; B3: 0.4557B1: 0.8792; B2: 0.9102; B3: 0.7776B1: 1.0000; B2: 1.0000; B3: 1.0000
表4
Table 4
Comparison of quality parameters of Superview-1 panchromatic images before and after dehazing processing
Table 4表4 Superview-1全色图像处理前后的质量参数对比 Table 4 Comparison of quality parameters of Superview-1 panchromatic images before and after dehazing processing
表4Superview-1全色图像处理前后的质量参数对比Table 4Comparison of quality parameters of Superview-1 panchromatic images before and after dehazing processingImage quality parameterOriginal imageImage processed by Makarau's methodImage processed by proposed methodAverage gray-scale gradient0.65260.81901.0000
Edge energy0.96200.98711.0000
Contrast0.88540.93831.0000
Sharpness0.80400.92341.0000
表5
Table 5
Comparison of quality parameters of Superview-1 multispectral spectral images before and after dehazing processing
Table 5表5 Superview-1多光谱图像处理前后参数对比 Table 5 Comparison of quality parameters of Superview-1 multispectral spectral images before and after dehazing processing
表5Superview-1多光谱图像处理前后参数对比Table 5Comparison of quality parameters of Superview-1 multispectral spectral images before and after dehazing processingImage quality parameterOriginal imageImage processed by Makarau's methodImage processed by proposed methodAverage gray-scale gradientB1: 0.5377; B2: 0.5766; B3: 0.6233B1: 0.8528; B2: 0.8929; B3: 0.8547B1: 1.0000; B2: 1.0000; B3: 1.0000
Edge energyB1: 0.9435; B2: 0.9624; B3: 0.9773B1: 0.9772; B2: 0.9839; B3: 0.9959B1: 1.0000; B2: 1.0000; B3: 1.0000
ContrastB1: 0.4369; B2: 0.6321; B3: 0.7657B1: 0.8645; B2: 0.9115; B3: 0.9198B1: 1.0000; B2: 1.0000; B3: 1.0000
SharpnessB1: 0.7961; B2: 0.8046; B3: 0.8025B1: 0.9228; B2: 0.9388; B3: 0.9387B1: 1.0000; B2: 1.0000; B3: 1.0000
图7
Fig. 7
图7 去雾霾处理前后GF-2图像质量参数的对比。(a)平均灰度梯度; (b)边缘能量; (c)对比度; (d) 锐度Fig. 7 Comparison histogram of GF-2 image quality parameters before and after dehazing processing. (a) Average gray-scale gradient; (b) edge energy; (c) contrast; (d) sharpness
图8
Fig. 8
图8 去雾霾处理前后Superview-1图像质量参数的对比。(a)平均灰度梯度; (b)边缘能量; (c)对比度; (d)锐度Fig. 8 Comparison histogram of Superview-1 image quality parameters before and after dehazing processing. (a) Average gray-scale gradient; (b) edge energy; (c) contrast; (d) sharpness
由表2~5以及图7、8可知:利用所提方法对遥感图像进行去雾霾处理后, 图像质量有了明显的提升; 相比Makarau等[提出的方法, 所提方法可得到更好的校正效果。
一般地, 去雾霾过程中亮目标易与雾霾区域发生误判而导致光谱色彩特征失真, 下文对Makarau等[提出的方法和改进分割与亮目标校正后的所提方法的处理效果进行对比。部分亮目标局部示意图如图9所示。
图9
Fig. 9
图9 去雾霾处理前后局部亮目标色彩示意图。(a)原始图像; (b) Makarau方法处理后的图像; (c)所提方法处理后的图像Fig. 9 Schematics of color of local bright object before and after dehazing processing. (a) Original image; (b) image processed by Makarau's method; (c) image processed by proposed method
图9中红色虚线框中表示发生偏色现象的地物。通过对比图像中局部高亮目标可知, 原始图像中高亮度像素区域在Makarau方法处理后发生偏色, 而所提方法处理后的图像很好地保持了原图色彩光谱特征。所提对图像亮目标分割及补偿的方法对图像细节和色彩的保持起到了很好的作用。
上述实验对象均为不同卫星一景图像中局部区域的特征目标, 下图为对全景图像进行处理的结果, 以GF-2卫星2014-10-06得到的图像为例。
所提算法应用于全景图像处理时依旧显示出了很好的应用效果, 很好地去除了图像中的雾霾。不足之处在于:1)对大面积水体、浓密植被等低反射率目标区域的处理效果欠佳, 出现了偏色现象; 2)基于Matlab平台计算时计算效率不理想, 对上述7300 pixel×7000 pixel的多光谱图像的处理总耗时约为3.6 h(上文中开窗处理局部图像时, 每个窗口区域图像平均耗时为十几秒到数十秒)。
所提方法主要应用于谱段设置为红(0.63~0.69 μm)、绿(0.52~0.59 μm)、蓝(0.45~0.52 μm)及近红外(0.77~0.89 μm)的遥感图像, 适用于国内大部分高分辨率系列卫星和资源系列卫星, 如典型GF-1及其后续星、ZY-3(01/02)星, 以及中等分辨率的HJ-1卫星等。实验结果表明:1)当雾霾严重到遮挡地物时, 雾霾的影响几乎和云一样, 采用所提方法很难较好地恢复地物细节及光谱信息; 2)在全景图像去雾霾实验中, 在低反射率区域(如实验中提到的浓密植被、水体等)存在偏色现象, 原因在于不同谱段对浓密植被、水体等地物的响应率差异较大, 尤其是红、蓝谱段响应的差异, 在去雾霾处理后合成真彩色图像易出现偏色现象, 低反射率区域的偏色基本表现为偏红。全景图像的去雾霾处理效果如图10所示。
图10
Fig. 10
图10 全景图像的去雾霾处理。(a)原始图像及细节; (b)去雾霾处理后的图像及细节Fig. 10 Dehazing processing of whole scene image. (a) Original image and some details; (b) dehazing image and some details
matlab提取遥感图像的点DN值,一种高分辨率遥感图像去雾霾方法相关推荐
- MATLAB图像处理:去雾霾多种算法比较
如果有一张下面的雾霾图,如何去雾霾呢? 当然最简单的方式是平衡直方图,分别提取出来该图片RGB分量,分别做直方图平衡,然后再用cat函数组合即可.代码如下 I=imread('test.png') ; ...
- matlab提取电压基波分量,有源电力滤波器三种基波提取方法的对比分析
随着现代电力电子技术的飞速发展,电网中增加了大量的非线性负载,如大容量变流设备.变频设备.开关电源等的广泛应用,导致大量谐波的产生,这些谐波使电网电压和电流波形发生畸变,使得电能质量日益下降. 有源电 ...
- 基于MATLAB改进暗通道先验的图像去雾算法
基于MATLAB改进暗通道先验的图像去雾算法 摘要:暗通道先验去雾算法求得的的透射率比较精细,去雾效果优于大多数去雾算法.然而在暗通道求取过程中,最小值滤波的处理会使得暗色向外扩张,导致透射率扩张变大 ...
- 基于MATLAB的图像去雾系统
基于MATLAB的图像去雾系统 (一)图像去雾基础原理 1.雾霭的形成机理 雾实际上是由悬浮颗粒在大气中的微小液滴构成的气溶胶,常呈现乳白色,其底部位于地球表面,所以也可以看作是接近地面的云.霭其实跟 ...
- matlab图像去雾实现
目录 一.课题意义 1 (一)研究意义 1 (二)研究现状 1 二.相关知识 4 (一)系统功能及简介: 4 (二)用到的知识 5 三.系统设计与实现 5 (一)实现条件 5 硬件条件:计算机 5 软 ...
- 【matlab 图像处理】 guide 图像去雾系统
matlab guide 快速入门 matlab GUI为用户图形化界面,可以使用guide命令进入图形化编辑界面 回车弹出GUIDE 快速入门,可以选择所需要的模板进行编辑,默认为Blank GUI ...
- MATLAB图像去雾自适应增强
MATLAB图像去雾自适应增强 摘要:传统的单幅图像去雾方法中大气光强度仅设定为与图像最亮象素有关的经验值,容易造成去雾后的图像亮度偏暗,且某些区域色彩还原失真等问题.本文提出一种大气光强度自适应恢复 ...
- 用c语言读取固定大小的raw格式图像并统计灰度值
目的: 1.读取[256*256]大小的raw格式图像 2.统计灰度值 3.将结果写回result.txt 代码: 方法一 #include<stdio.h> #include<st ...
- Python+OpenCV图像处理(五)——图像阈值和二值化
系列文章 Python+OpenCV图像处理(一)--OpenCV框架与图像插值算法 Python+OpenCV图像处理(二)--几何变换 Python+OpenCV图像处理(三)--彩色空间互换 P ...
最新文章
- 《C#精彩实例教程》小组阅读07 -- C#字符与字符串
- Redis的安装、配置 --转载
- 递归 累加和累乘
- golang错误处理(实验楼)
- 【数据竞赛】kaggle竞赛宝典-多分类相关指标优化​
- Mac技巧:如何使用macOS Big Sur中“通知中心”的小组件?
- 5 月编程语言排行榜:Java第一,R 跌出Top20,Python成最大赢家
- EXCEL选择下拉框实现复选
- 第三阶段应用层——1.4 数码相册—FreeType介绍
- Linux安装zabbix4
- 成熟男人与24岁女孩精彩对白(转)
- 考研一年到底需要花多少钱?这个你必须要知道!!!
- marvin java_java-与MarvinFramework比较图像
- Linux 源码分析 之 raw socket 分析 一 recvfrom过程
- 【U8+】用友登录账套年度提示以前版本的数据,请使用系统管理升级。
- 计算方法:列主元消去法,LU分解法, 雅可比迭代法,高斯塞德尔迭代法 解线性方程(C++)
- ./gradlew dependencies
- 【图文教程】软件包安装和卸载
- 京东评论系统数据存储设计
- pb9 新建一个library时new键是灰的