精华内容
下载资源
问答
  • 2 全色图像、多光谱图像、高光谱图像 2.1 全色图像 2.2 多光谱图像 2.3 高光谱图像 参考资料 1 光谱分辨率、空间分辨率、时间分辨率 遥感(Remote Sensing),可以理解为遥远的感知。遥感技术利用搭载在遥感平台...

    目录

    1 光谱分辨率、空间分辨率、时间分辨率

    2 全色图像、多光谱图像、高光谱图像

    2.1 全色图像

    2.2 多光谱图像

    2.3 高光谱图像

    参考资料


    1 光谱分辨率、空间分辨率、时间分辨率

    遥感(Remote Sensing),可以理解为遥远的感知。遥感技术利用搭载在遥感平台上面的传感器对目标地物发射或反射的电磁波信息记录下来从而形成遥感影像(或其他遥感数据)。其中分辨率作为传感器成像系统对输出影像细节辨别能力的一种度量,是遥感影像应用价值的重要技术指标,而对“影像细节”的不同度量则形成了多种不同类型的分辨率,主要有空间分辨率光谱分辨率时间分辨率

    (1)空间分辨率:是对遥感影像空间细节信息的辨别能力,指传感器能够分辨最小目标地物大小,是实际卫星观测影像中的一个像素所对应的地面范围。如,WorldView-2卫星全色图像空间分辨率是0.5m,指的是影像中的一个像素所对应的实际地面大小为0.5m \times 0.5m,高空间分辨率图像对于影响目标地物的识别和目视解译等具有重要的作用;

    (2)光谱分辨率:是对影像中地物波谱细节信息的分辨能力,是卫星传感器接收地物箱射波谱时所能辨别的最小波长间隔,当间隔较小时,光谱分辨率相应就会越髙,在同样的波谱范围下,通常影像波段数越多,光谱分辨率越高,如高光谱影像往往比多光谱影像具有更髙的光谱分辨率,高光谱分辨率对于影像地物的分类识别等具有重要意义;

    (3)时间分辨率:是对同一地点的重复观测能力,通常也把时间分辨率称为重访周期,重访周期越短,时间分辨率越髙。髙时间分辨率对于地物的动态变化检测等具有重要作用。

     

    据统计,超过70%的光学对地观测卫星和航空摄影系统同时提供全色图像与多光谱图像,其中,全色图像具有高空间分辨率,但其只有一个波段;而多光谱图像具有多个光谱波段,具有较高的光谱分辨率,然而其空间分辨率相对较低。因此,全色/多光谱融合技术得以提出和发展,该技术通过集成全色和多光谱影像之间的空、谱互补优势,融合得到高空间分辨率多光谱影像。

     

    那么问题来了,为什么要用全色图像和多光谱图像? 为什么要融合?直接用一种图像不就行了,下面慢慢介绍。

    具体来说,遥感影像空间分辨率光谱分辨率的相互制约主要受下两方面因素的影响。

    (1)影像信噪比的限制。通常全色影像具有较宽的波谱范围(大多数涵盖可见光、近红外),因此,进入其中的光子能量较多,其信噪比自然也就较好,成像质量较髙;而相比于全色波段,多光谱影像各波段光谱范围较窄,进入其中的光子能量较少,为了收集更多的光子能量以确保多光谱影像具有较髙的信噪比,其所在传感器的探测(感光)单元尺寸往往较大,送也就意味着卫星传感器拍摄时的瞬时视场角(IFOV)较大,影像的空间分辨率更低。

    (2)数据存储与传输的限制。在数据存储方面,高分多光谱影像比低分多光谱影像和全色影像数据存储量大,这不仅对遥感卫星系统的数据存储带来一定的压力,同时对数据的快速传输将带来一定的困难。

    综上所述,将全色图像和多光谱图像融合,结合二者的优点,才能在实际应用中提供更好地数据来检测和分析等。

    下图分别为空间分辨率(全色图像)和光谱分辨率(多光谱图像)的示意图。

     

    2 全色图像、多光谱图像、高光谱图像

    2.1 全色图像

    全色图像是单通道的,其中全色是指全部可见光波段0.38~0.76um,全色图像为这一波段范围的混合图像。因为是单波段,所以在图上显示为灰度图片。全色遥感图像一般空间分辨率高,但无法显示地物色彩,也就是图像的光谱信息少。 实际操作中,我们经常将全色图像与多波段图像融合处理,得到既有全色图像的高分辨率,又有多波段图像的彩色信息的图像。下图是WorldView-3 卫星拍摄的全色图像的例子。

     

    2.2 多光谱图像

    多光谱图像是指对地物辐射中多个单波段的摄取。得到的影象数据中会有多个波段的光谱信息。若取其中RGB三个波段的信息显示,就是RGB彩色图像。一般文献显示出来的多光谱图像,其实是RGB三通道的图像,有的波段不是人肉眼可见范围内的。下图是WorldView-3 卫星拍摄的多光谱图像RGB三波段显示的例子。

     

    2.3 高光谱图像

    高光谱图像则是由很多通道组成的图像,具体有多少个通道,这需要看传感器的波长分辨率,每一个通道捕捉指定波长的光。把光谱想象成一条直线,由于波长分辨率的存在,每隔一定距离才能“看到”一个波长。“看到”这个波长就可以收集这个波长及其附近一个小范围的波段对应的信息,形成一个通道。也就是一个波段对应一个通道。多光谱图像其实可以看做是高光谱图像的一种情况,即成像的波段数量比高光谱图像少。

     

    参考资料

    [1] https://blog.csdn.net/mihou_qust/article/details/78901738

    [2] https://blog.csdn.net/chaolei3/article/details/79404806

    [3] 孟祥超. 多源时—空—谱光学遥感影像的变分融合方法[D].武汉大学,2017.

    [4] 吴鹏海. 多传感器遥感数据的时空定量信息融合方法研究[D].武汉大学,2014.

     

    展开全文
  • 详细理解RGB图像、全色图像、多光谱图像、高光谱图像 原创 ...

    详细理解RGB图像、全色图像、多光谱图像、高光谱图像

    RGB图像

    首先提出一个问题可以通过RGB图像恢复高光谱图像吗?
    一句话就是RGB图像本身就不包含高光谱的信息,自然也就无法通过图像处理从RGB图像恢复到高光谱图像。换句话说,普通的光学相机在自然光下拍的照片不包含完整的光谱信息。看一幅波长与光对应的图,
    这里写图片描述
    可见普通的可见光相机只记录了2/3/4即红绿蓝三个波段的信息,其他波段就都丢掉了,所以我们会看到RGB图像就有3个通道。因为只记录了3个信号,所以也就没有办法根据3个通道的信息去恢复其他丢失的光谱信息。

    遥感成像原理

    在继续下面的介绍之前,我们先来说一下遥感成像的原理。此处援引知乎一个前辈的回答。
    光进入相机镜头,光电感应装置将光信号转换为电信号,量化电脉冲信号,记录为一个像素值。传感器响应函数设计为,要使光电感应装置产生这个电脉冲信号,光子强度必须达到一个阈值。进入镜头的光子数量取决于:相机的感受野大小,镜头能通过的光子。多光谱图像要分出多个波段,镜头会分光,红滤镜只过红光,蓝滤镜只通过蓝光,假设相同的光打到全色与多光谱镜头上,显然因为滤光的缘故,多光谱感光器接收到的光子要少于全色感光器。而这些光子已经足够全色产生电脉冲,却不够多光谱产生电脉冲,这时,为了接收到更多的光子,多光谱相机需要更大的感受野。也就是说,全色看了一眼北京市,就吃够了光子,多光谱需要看一遍河北省,才能吃的和全色一样饱。后面接收光子的底片一样大,也就是说将北京市和河北省画到同样大小的一张纸上且占满整张纸,显然北京市的一张纸细节要多的多,而河北省的红绿蓝三张纸却一片模糊。

    全色图像

    全色图像是单通道的,其中全色是指全部可见光波段0.38~0.76um,全色图像为这一波段范围的混合图像。因为是单波段,所以在图上显示为灰度图片。全色遥感图像一般空间分辨率高,但无法显示地物色彩,也就是图像的光谱信息少。 实际操作中,我们经常将全色图像与多波段图像融合处理,得到既有全色图像的高分辨率,又有多波段图像的彩色信息的图像。

    高光谱图像

    这里写图片描述
    正如上图表示的那样,高光谱则是由很多通道组成的图像,具体有多少个通道,这需要看传感器的波长分辨率,每一个通道捕捉指定波长的光。把光谱想象成一条直线,由于波长分辨率的存在,每隔一定距离才能“看到”一个波长。“看到”这个波长就可以收集这个波长及其附近一个小范围的波段对应的信息,形成一个通道。也就是一个波段对应一个通道。注意对图中土壤的高光谱图像,如果我们沿着红线的方向,即对高光谱上某一个像素的采样,就可以针对此像素生成一个“光谱特征”。

    多光谱图像

    多光谱图像其实可以看做是高光谱的一种情况,即成像的波段数量比高光谱图像少,一般只有几个到十几个。由于光谱信息其实也就对应了色彩信息,所以多波段遥感图像可以得到地物的色彩信息,但是空间分辨率较低。更进一步,光谱通道越多,其分辨物体的能力就越强,即光谱分辨率越高。

    展开全文
  • matlab开发-多光谱图像的多变量图像分析指南。用于多光谱图像数据集(PCA、Simplisma、MCR、分类)的MIA的GUI。
  • 传统遥感图像融合方法没有充分利用低分辨率多光谱图像本身的空间信息。针对这一问题,提出了一种基于低分辨率多光谱图像超分辨率处理的遥感图像融合方法。通过对低分辨率多光谱图像进行基于稀疏表示的图像超分辨率...
  • 多光谱图像融合

    千次阅读 2019-11-11 10:13:26
    *多光谱图像融合 之前做了一点关于多光谱图像融合的研究,现在分享出来,希望对大家有帮助。 假设现在采集到高分辨率的多光谱图像和低分辨率的全色图像,如下图所示: 低分辨率图像 高分辨率图像 现在需要合成高...

    *多光谱图像融合

    之前做了一点关于多光谱图像融合的研究,现在分享出来,希望对大家有帮助。

    假设现在采集到高分辨率的多光谱图像和低分辨率的全色图像,如下图所示:

    低分辨率图像
    低分辨率图像

    高分辨率图像
    高分辨率图像

    现在需要合成高分辨率的彩色图像,则需要对两张图像进行融合,具体的方法有很多,这里给出:DWT和PCA两种方法,可以得到合成图像:

    DWT图像DWT图像

    PCA图像PCA图像

    具体的代码我已经打包上传了,直接运行即可,生成的图像在不同的文件夹下,简直不能再方便了,注释详细
    代码

    展开全文
  • 多光谱图像CAVE数据集

    2020-09-26 17:19:58
    我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。我们正在将该数据库提供给研究社区。
  • PCA算法融合多光谱图像和全色图像,附全色影像和多光谱影像,调试通过,每一行都有详细注释
  • openg多光谱图像融合

    2016-09-07 11:05:31
    opencv实现多光谱图像与可见光图像像素级融合,效果很好
  • 干涉多光谱图像压缩编码新技术
  • matlab开发-多光谱图像的梯度成像。它从多光谱图像计算梯度图像
  • 采用局部标准差法和去相关法对实用型模块化成像光谱仪多光谱图像的信噪比进行估算。这两种方法已将地物变化的影响降低到很低的程度。这样在大气订正后,图像的信噪比性能充分反映出遥感仪器的信噪比性能。针对图像...
  • 根据干涉多光谱图像的特点,提出一种基于分布式信源编码的干涉多光谱图像压缩算法。干涉多光谱图像序列的相邻图像之间具有明显的平移特性,编码端通过块匹配算法检测出相邻帧间的相对位移量,联合块匹配算法估计的边...
  • 提出了一种基于成像系统物理特性的多光谱图像与全色波段图像融合算法。该算法采用à trous小波变换提取全色波段图像的空间细节信息, 并将提取的空间信息按照一定的注入模型调整后添加到各波段多光谱图像中去, 得到...
  • 针对多光谱图像的空谱相关特性,提出一种基于卷积神经网络的端到端多光谱图像压缩方法。编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据...
  • 使用MATLAB对高分辨率的多光谱图像和低分辨率的全色图像进行融合,分别使用了DWT和PCA两种方法,大家可以分别调用
  • 光谱空间自适应均衡流基于各向异性扩散的多光谱图像降噪
  • 多光谱图像数据集

    千次阅读 热门讨论 2019-03-25 16:58:32
    多光谱图像数据集 文章目录多光谱图像数据集GitHub数据集:1 dfc2019 track12 AOI_4_Shanghai_Train3 Dstl Satellite Imagery Feature DetectionImagery details4 DeepGlobe5 ISPRS:Potsdam,Toronto5.1 2D Semantic...

    多光谱图像数据集

    GitHub

    语义分割资源列表
    https://github.com/mrgloom/awesome-semantic-segmentation

    数据集:

    1 dfc2019 track1

    https://competitions.codalab.org/competitions/21120#participate

    • [02] - Ground
    • [05] - High Vegetation / Trees
    • [06] - Building Roof
    • [09] - Water
    • [17] - Elevated Road / Bridge
    • [65] - Unlabeled

    官方baseline: https://github.com/pubgeo/dfc2019

    官方baseline使用基于resnet34的Unet,Unet是网上一个开源的Keras Segment库,官方baseline包含了训练好的权重。

    官方baseline使用到以下开源库:

    一个数据增强库:albumentations

    一个图像分割算法库:segmentation_models

    2 AOI_4_Shanghai_Train

    SpaceNet 数据集 https://spacenetchallenge.github.io/

    8波段图像,0.3m分辨率,有全色图和多光谱图,以及融合后的多波段图像

    标注:建筑物区块

    ├── AOI_4_Shanghai_Train.tar.gz
    │      ├── geojson
    │      │   └── buildings  # Contains GeoJson labels of buildings for each tile
    │      ├── MUL            # Contains Tiles of 8-Band Multi-Spectral raster data from WorldView-3
    │      ├── MUL-PanSharpen # Contains Tiles of 8-Band Multi-Spectral raster data pansharpened to 0.3m
    │      ├── PAN            # Contains Tiles of Panchromatic raster data from Worldview-3
    │      ├── RGB-PanSharpen # Contains Tiles of RGB raster data from Worldview-3
    │      └── summaryData    # Contains CSV with pixel based labels for each building in the Tile Set.
    

    3 Dstl Satellite Imagery Feature Detection

    Kaggle竞赛
    https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection/data

    Imagery details

    • Sensor : WorldView 3

    • Wavebands :

      • Panchromatic: 450-800 nm
      • 8 Multispectral: (red, red edge, coastal, blue, green, yellow, near-IR1 and near-IR2) 400 nm - 1040 nm
      • 8 SWIR: 1195 nm - 2365 nm
    • Sensor Resolution (GSD) at Nadir :

      • Panchromatic: 0.31m
      • Multispectral: 1.24 m
      • SWIR: Delivered at 7.5m
    • Dynamic Range

      • Panchromatic and multispectral : 11-bits per pixel
      • SWIR : 14-bits per pixel

    分类:

    1. Buildings - large building, residential, non-residential, fuel storage facility, fortified building
    2. Misc. Manmade structures
    3. Road
    4. Track - poor/dirt/cart track, footpath/trail
    5. Trees - woodland, hedgerows, groups of trees, standalone trees
    6. Crops - contour ploughing/cropland, grain (wheat) crops, row (potatoes, turnips) crops
    7. Waterway
    8. Standing water
    9. Vehicle Large - large vehicle (e.g. lorry, truck,bus), logistics vehicle
    10. Vehicle Small - small vehicle (car, van), motorbike
    • sample_submission.csv - a sample submission file in the correct format

      • ImageId - ID of the image
      • ClassType - type of objects (1-10)
      • MultipolygonWKT - the labeled area, which is multipolygon geometry represented in WKT format

    4 DeepGlobe

    数据集:RGB 语义分割 6+1种类别

    Data

    • The training data for Land Cover Challenge contains 803 satellite imagery in RGB, size 2448x2448.
    • The imagery has 50cm pixel resolution, collected by DigitalGlobe’s satellite.
    • You can download the training data in the download page with filetype of “Starting Kit”. Testing satellite images will be will be uploaded later.

    Label

    • Each satellite image is paired with a mask image for land cover annotation. The mask is a RGB image with 7 classes of labels, using color-coding (R, G, B) as follows.

      • Urban land: 0,255,255 - Man-made, built up areas with human artifacts (can ignore roads for now which is hard to label)
      • Agriculture land: 255,255,0 - Farms, any planned (i.e. regular) plantation, cropland, orchards, vineyards, nurseries, and ornamental horticultural areas; confined feeding operations.
      • Rangeland: 255,0,255 - Any non-forest, non-farm, green land, grass
      • Forest land: 0,255,0 - Any land with x% tree crown density plus clearcuts.
      • Water: 0,0,255 - Rivers, oceans, lakes, wetland, ponds.
      • Barren land: 255,255,255 - Mountain, land, rock, dessert, beach, no vegetation
      • Unknown: 0,0,0 - Clouds and others
    • File names for satellite images and the corresponding mask image are _sat.jpg and _mask.png. is a randomized integer.

    5 ISPRS:Potsdam,Toronto

    由国际摄影测量及遥感探测学会(ISPRS)组织发布

    数据集官网:http://www2.isprs.org/commissions/comm3/wg4/2d-sem-label-vaihingen.html

    Github上该数据集的一个语义分割开源代码:

    https://github.com/nshaud/DeepNetsForEO

    5.1 2D Semantic Labeling Contest - Potsdam

    The ground sampling distance of both, the TOP and the DSM, is 5 cm. The DSM was generated via dense image matching with Trimble INPHO 5.6 software and Trimble INPHO OrthoVista was used to generate the TOP mosaic. In order to avoid areas without data (“holes”) in the TOP and the DSM, the patches were selected from the central part of the TOP mosaic and none at the boundaries. Remaining (very small) holes in the TOP and the DSM were interpolated.
    The TOP come as TIFF files in different channel composistions, where each channel has a spectral resolution of 8bit:

    • IRRG: 3 channels (IR-R-G)
    • RGB: 3 channels (R-G-B)
    • RGBIR: 4 channels (R-G-B-IR)

    In this way participants can pick the data needed conveniently.
    The DSM are TIFF files with one band; the grey levels (corresponding to the DSM heights) are encoded as 32 bit float values. The TOP and the DSM are defined on the same grid (UTM WGS84). Each tile comes with an affine transformation file (tiff world file) in order to enable a re-composition of images to larger mosaics if desired.

    5.2 2D Semantic Labeling - Vaihingen data

    The data set contains 33 patches (of different sizes), each consisting of a true orthophoto (TOP) extracted from a larger TOP mosaic, see Figure below and a DSM. For further information about the original input data, please refer to the data description of the object detection and 3d reconstruction benchmark.

    http://www2.isprs.org/commissions/comm3/wg4/2d-sem-label-vaihingen.html

    6 SAR图像和光学图像

    同样由国际摄影测量及遥感探测学会(ISPRS)组织发布。

    SEN1-2 Dataset for Deep Learning in SAR-Optical Data Fusion:

    http://www2.isprs.org/commissions/comm1/wg3/resources.html

    7 TNO Image Fusion Dataset

    https://figshare.com/articles/TNO_Image_Fusion_Dataset/1008029

    8 RIT-18

    https://github.com/rmkemker/RIT-18

    展开全文
  • 提出一种基于HSV和红黑小波变换的多光谱图像融合方法。对多光谱图像进行HSV变换,将得到的明度分量和全色图像做多尺度红黑不可分小波分解。采用不同的融合算子对高低频分量进行融合,对融合后的图像进行红黑重构和HSV...
  • 基于干涉多光谱图像特点和应用环境要求,提出一种干涉多光谱图像压缩算法.采用小波域匹配预处理来去除帧间推扫平移带来的数据冗余性,采用基于码率预分配的编码方法,按照预分配到的码率大小控制码块的T1编码深度,减少...
  • 为了将高分辨率与多光谱图像进行有效地融合,本文提出了一种将HIS变换,多小波变换及PCNN神经网络相结合的图像融合算法。该算法首先采用HIS变换将多光谱图像分为H、I、S 3个分量,然后使用多小波分别分解I分量和高...
  • 根据干涉多光谱图像的谱间相关性和光谱分布特点,提出一种基于运动估计和感兴趣区域编码的干涉多光谱图像压缩方法.为了去除多光谱图像的谱间相关性,采用运动估计法,对补偿后的图像(即预测误差)进行小波变换及率失真...
  • 首先利用BP神经网络,选取输入层为5,选定隐含层为10,完成多光谱图像的水域有效分类,再根据多光谱图像的水域特征,通过HSV空间准确定位水域区域,最后利用差值法进行多光谱图像水域变化检测;实验结果表明...
  • 由于多光谱图像阴暗波段的纹理较弱,不容易辨别其所有信息,为了更好地使增强效果完全体现出来,使用直方图均衡化来调节亮度的不均匀性。最后,通过人眼视觉的定性和客观函数的定量两方面对该组增强图像的清晰度进行...
  • 为解决多光谱图像打印输出问题, 提出一种用非线性优化技术实现光谱图像打印分色的方法, 以同时提高再现图像的光谱精度和色度精度。从分析打印系统成色机理及Neugebauer光谱模型入手, 比较了图像光谱特性和色度特性对...
  • 针对张量积小波在多光谱图像融合中的不足, 提出了一种基于Red-Black小波变换的多光谱图像和高空间分辨率全色 图像融合方法。首先对多光谱图像进行IHS变换, 将得到的亮度分量和高空间分辨率全色图像进行直方图...
  • 介绍了多光谱图像:令灰度值是是二个空间变量和一个光谱变量的灰度值函数,并由二维推广到三维形式; 彩色图像:光谱采样限制到对应于人类视觉系统的红、绿、蓝光波时,称为彩色图像
  • 多光谱图像的处理

    千次阅读 2019-10-15 20:37:05
    多光谱图像,共5个通道。但是,由于5个通道的图像是由5个镜头拍摄的,所以图片拍出来并不是自动匹配,需要手动匹配图像。匹配后,需要对图像做裁剪,减去不匹配的地方。同时,考虑到使用python的PIL读取图像时,读取...
  • matlab开发-基于像素的多焦点和多光谱图像融合使用CHWT具有重要意义。基于DCHWT的多焦点多光谱图像融合Matlab代码
  • 针对传统光谱匹配法在进行古代壁画颜料识别时存在的获取每个点反射率的过程复杂、计算具有一定误差等会影响识别精度的问题,将壁画颜料识别问题转换成多光谱图像分类问题,利用在图像分类领域有较强优势的卷积神经网络...
  • 分析了干涉多光谱图像数据的两个特性,并提出一种基于自适应分类曲线拟合的压缩算法.首先采用均方差准则自适应地将干涉多光谱图像分为强、弱两类干涉区域,并分别构造不同的拟合函数.对强干涉区域,选择典型曲线,并采用...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 864
精华内容 345
关键字:

多光谱图像