文摘

因为传统的高分辨率卫星图像自适应增强算法的增强效果差的问题,增强时间长,高分辨率卫星图像的自适应增强算法基于特征融合算法。噪声去除和质量增强区域的高分辨率卫星图像是由收集先验信息决定的。在此基础上,使用直方图均衡的高分辨率卫星图像,和当地的图像的纹理特征提取结合局部方差理论。根据提取的特征,照明组件是由高斯低通滤波估计。照明组件融合完成高分辨率卫星图像的自适应增强。仿真结果表明,该算法有更好的适应性增强效果,更高的图像定义,和增强时间短。

1。介绍

计算机电子技术的不断进步,人类对计算机应用越来越高的要求。特别是,互联网和多媒体技术的迅速发展,在我们的生活中无处不在,这使得我们获取信息的方式不断变化。收购这些信息必须基于精确的数字图像的分析和处理,也就是数字图像处理技术。到目前为止,许多数字图像处理技术已经越来越发达和成熟,及其应用在军事领域都取得了极大的成功,工业研究,医学等领域1]。

卫星遥感是遥感技术的重要组成部分。人造卫星作为一个平台。1999年,地球的眼睛公司美国成功发射一颗卫星命名为“IKONOS”多光谱图像分辨率为4米和全色图像分辨率为1米,被称为“历史上最重要的一个发展空间的时代。“在2008年,它成功发射卫星全色图像分辨率为0.41米和1.65米的多光谱图像分辨率,叫做“实际已,“2013年,中国发射了gaogao-1卫星。经过多年的逐步发展,卫星遥感技术已经取得了很大的进步。现在,它已经进入了全天候的信息采集和观察的时代。在全球地球观测系统,大型之间的相互合作,中、小型卫星和相互补偿高,中,低分辨率已经形成。提供大量的遥感数据已经被广泛应用于许多领域,如军事(2]。

据统计提供的国际卫星云气候计划,发现天空中云的数量占地球表面的50%以上。因此,云不可避免的存在大量的遥感图像。此外,使用高分辨率卫星地面中扮演一个重要的角色在解释小对象,和图像资源是非常宝贵的。因此,我们需要提高信息的利用率尽可能在图像和减少数据的浪费。当卫星传感器接收到的信号,它将不可避免地受到各种因素的影响,如传感器本身的性能、轨道角,和大气,这是不可避免的被认为是在图像处理的过程中。因此,并不是每一个通过卫星遥感影像是合格的在应用程序3]。当云图像时,如果使用遥感影像预处理,它将不可避免地导致一个伟大的干扰得到真实的信息和影响遥感数据的定量分析和解释,这将减少高分卫星图像的应用价值。考虑到实际情况,即时间和空间的限制,不可能再次卫星拍摄,和高分辨率图像的拍摄成本很高,所以我们只能使用这些图像被云层覆盖。因此,为了提高图像的定义,它是实现高分辨率卫星图像增强具有重要意义。

文献[4)提出了一种基于黑暗的阴霾天气图像增强算法和多尺度Retinex频道。首先,twice-guided过滤用于改善暗原色先验的透光率计算模型。然后,在Hue-Saturation-Value (HSV)空间,亮度V由改进的多尺度增强Retinex算法,估计和照度组件通过使用双重过滤函数代替高斯滤波器函数。空间域卷积转换为频率域产品以减少计算量。事件的照度组件l纠正了伽马变换,反射组件的对比R由乙状结肠拉伸函数。最后,图像转换成红绿蓝(RGB)空间,并通过MATLAB图像模拟。视觉效果和质量评价指标表明,改进的算法可以有效地恢复雾图像的颜色,增强图像的对比。Yu和郝5)提出了一个雾图像增强算法的基础上,结合部分分化和多尺度Retinex。首先,原始图像处理的分数微分算法保留图像的低频信息,和处理图像从RGB颜色空间转换到Hue-Saturation-Intensity (HSI)颜色空间。然后,多尺度的高斯滤波器Retinex算法被引导过滤器所取代。亮度分量和反射分量提取,使用这两个组件的和作为一个新的亮度层提高饱和层使用伽马校正功能。最后,恒生指数图像转换为RGB图像实现图像增强。然而,由上述两个图像增强算法的准确性较低,导致可怜的图像增强效果和可怜的形象定义。王等人。6)提出了一种基于方向可调滤波器的血管图像增强算法。该方法以机器视觉系统的硬件平台,利用方向可调滤波器提取静脉血管四面八方,使用小波变换进行图像融合,获得静脉高频信息,增强血管图像分层次通过一个非线性antisharpening面具。实验结果表明,该方法可以有效地抑制噪声,减少信息损失,达到更好的增强效果。崔和杨7)提出了一个交通图像烟雾去除算法结合直方图均衡化(他)和改进的颜色恢复多尺度Retinex (MSRCR)。首先,分别由他和MSRCR图像增强。MSRCR增强时,指导滤波器与圆滑保存函数是用来取代高斯函数来估计照明组件。然后,在增强的两幅图像进行加权融合。然而,上述两种图像增强算法消耗很长时间,导致增强效率低。

针对存在的问题在上面的算法,提出了一种基于特征的高分辨率卫星图像自适应增强算法融合,和实验表明,该方法可以进行高分辨率卫星图像自适应增强在最短的时间内,提高精度高和良好形象的定义,证明了本文算法的有效性和实用性。它解决了传统算法中存在的问题。部分2我们提出了一个详细的分析的高分辨率卫星图像的自适应增强。部分3做实验和研究测试的最终结果。部分4是我们的论文的结论。

2。高分辨率卫星图像的自适应增强

2.1。先验信息的收集

样本数据的高分辨率卫星图像处理之前,之前信息可以判断后续不确定性推理。如何使用先验信息的本质是合理的高分辨率卫星图像的自适应增强。因此,先验信息构造背景分布和功能结构的高分辨率卫星图像(8]。

收购1:图像目标个人振幅分布先验信息。

根据几何散射规则,如果个人目标的高分辨率卫星图像的长度大于或等于入射波长,处理过的高分辨率卫星图像信息是由多个独立的散射中心。在这个时候,一组频率和位置角 ,有独立散射中心,和目标个人背散射场可以描述如下: 在哪里 散射中心的空间方位坐标吗 和振幅分布的平均值。如果方位散射值高分辨率卫星图像的目标个体大,背景的散射值面积小,如以下所述公式: 在哪里是目标个人坐标序列的样本图像(9]。

收购2:图像背景先验信息。

对于大多数高分辨率卫星图像,背景将包含大量的噪音和不均匀无序混乱,不能满足均衡假设的要求(10]。在图像自适应增强操作,目标更重要的个人特征,和背景区域可以确保光线和阴影部分的完整性和边缘细节。因此,nonedge,光与影,和目标区域,它大约只需要满足 ,也就是说, 在哪里用于加强背景区域的重量限制条件,中央支持区域的样本图像,然后呢d边缘图像的相似性。因此,权重等区域的边缘和目标个人减少(11]。

2.2。基于直方图均衡化的高分辨率卫星图像预处理

直方图均衡化是一种常见的低质量的图像处理算法。这种方法通常是用来反映每个灰度图像的大小和相应的图像像素的发生概率。灰色的低质量图像的像素通常是小的。经过直方图均衡化,图像中像素的动态范围延伸至改善处理原始图像的整体亮度对比(12]因此,根据噪声去除和质量增强区域的高分辨率卫星图像上面的决定,使用直方图均衡的高分辨率卫星图像。

假设高分辨率卫星图像的灰度处理 ,图像的像素点的总数 ,和的概率密度函数图像灰度的发生 ;的计算公式如下: 在哪里r代表了kth灰度,n^k代表低质量图像的灰度的像素数量,是整个低质量图像的像素的数量要处理(13]。像素累积概率分布函数的表达它的直方图均衡化算法如下: 在哪里代表了直方图均衡化公式,灰色的像素范围的地图r^k低质量图像的像素值对应于灰色的范围在增强的图像14]。

2.3。图像特征提取

根据上述均衡处理结果的高分辨率卫星图像,提取图像的局部特性是通过使用局部方差理论获得高分辨率卫星图像的光照信息。当地的应用方差算法来判断图像中的像素包含有效信息,获得当地的方差图像之间的灰度方差计算中心像素在一个像素和相邻的像素,几个的全面性和细节,实现高分辨率卫星图像的纹理特征提取结合本地二进制算法(15]。

从一个像素的中心点,一个圆形的面积是固定半径,和区域纹理特征表示如下:

在上面的公式中,T代表了区域纹理特征,代表社区在周长点的数量,代表灰度值,代表中央像素的灰度值。结合LBP算子,一个象征性的函数是用来描述区域纹理特征,和公式(6)转换成

在上面的公式中,代表一个符号函数。方差计算结果融合提取高分辨率卫星图像的局部纹理特征:

在上面的公式中,代表元素组的方差(16]。

局部方差中包含的有效信息地图,变异函数是用来提取和处理图像纹理特征,及其计算公式表达如下:

在上面的公式中,h代表了步长,代表了变异函数,代表会议指定的像素的数量设置步长K,问代表总数的像素集合,和k_我代表了我th像素在一组17]。

基于公式(9),它的计算结果可以看出,变异函数值通常是低于一半的局部方差。如果灰度值的公式改为局部方差,变异函数公式改变

在上面的公式中,表示元素的局部方差。考虑到图像像素灰度值分布空间的连续性,这种连续性与像素之间的距离会减少。因此,在图像纹理特征提取的过程中,变差函数的步骤大小总是小于像素长度的一半。根据提取的特征,高斯低通滤波方法用于估计获得照明组件 ,其中包含大量的原始结构信息,从而避免失真在高分辨率卫星图像增强的过程18]。

2.4。照明组件增强基于特征融合

它通常定义的照明产品组件和目标反射组件。假设目标反射r高分辨率卫星图像的数学表达式 如下:

灯源和目标确定照明组件的属性 和图像 分别。

由于光照的影响,目标的边缘细节容易突然改变。因此,通过将事件组件和抑制干扰的光源,自适应伽马函数用于正确的照明组件。自适应图像灰度校正函数的表达式是:

自方差、梯度和图像的熵反映了图像质量,清晰、丰富,分别三个参数的方差,梯度,选择和熵获取图像的地方特色(19]。方差的计算方法、梯度和熵值如下:

为了获得一个更好的光照校正效果,三个图像局部方差特征,梯度,和熵融合图像的光照信息(20.]。在融合过程中,对每一个像素 ,方差、梯度和像素的邻域熵计算像素的地方特色,并融合中的照明组件的重量决定。表达式如下: 在哪里尤其小正数为了避免分母值0在上面的公式(14)[21]。融合照明组件是增强照明组件 ,和它的表达式如下:

从隶属度映射到空间域完成通过使用下列逆模糊域的转换形式:

HSV (hue-saturation-value)彩色高分辨率卫星图像转换到RGB(红、绿、蓝)彩色图像获得高分辨率卫星图像自适应增强后的颜色(22]。

3所示。仿真实验分析

在本节中,我们进行了一些实验使用自定义软件和硬件参数配置。此外,进行了深入的分析结果。在这个过程中,我们首先给出了该系统的实验准备,其次是指数选择的测试。然后,图像预处理过程就开始了。最后,实验取得的结果,然后调查和系统研究。

3.1。实验准备

为了验证高分辨率卫星图像自适应增强算法的有效性基于特征融合在实际应用程序中,进行了仿真实验。仿真实验的相关软件和硬件配置如表所示1。

摘要高分辨率卫星图像作为实验样本,和实验样品的图像像素是512卡路里512年。实验示例如图1。

3.2。测试索引选择

为了有效地测试高分辨率卫星图像的自适应增强性能,两个定量指标,峰值信噪比和熵用于相对客观的评价。其中,峰值信噪比指数是用来描述图像的亮度分量和色度分量的变化,和高分辨率卫星图像质量的提高信噪比的增加。基于香农熵指数是一个物理索引信息理论来提高图像信息的丰富性。它是用于描述图像中包含的平均信息量。图像的轮廓和纹理变得清晰随着熵的增加。两个评价指标的计算公式如下:

在上面的公式中,的概率是高分辨率卫星图像的像素灰度值是什么在提高。当高分辨率卫星图像的灰度发生概率 和 ,高分辨率卫星图像有很大程度的信息价值,和灰度均匀分布;当发生概率高分辨率卫星图像的灰度 和 ,没有信息在图像;在峰值信噪比公式代表了均方误差,这是解决以下公式:

3.3。图像预处理

在实验之前,图像预处理去除图像中的噪声。实验样本图像直方图如图2。

根据预处理方法本文上述原始图像的直方图均衡得到预处理实验样本图像如图3。

根据图3与原始图像直方图相比,预处理样品图像的灰度值直方图变化极大,它促进了图像亮度的均匀性和包含主要信息的突出图像的细节。预处理实验样本图像应用于图像增强实验,提高了实验结果的直觉。

3.4。实验测试结果

高分辨率卫星图像自适应增强算法基于特征融合提出了本文基于黑暗的阴霾天气图像增强算法通道和多尺度Retinex提出了文献[4),阴霾的图像增强算法的基础上,结合部分分化和多尺度Retinex提出了文献[5)是用来测试实验样本的自适应增强。测试结果如图4。

根据图4,烟雾图像增强算法基于暗通道和多尺度Retinex提出了文献[4)和烟雾图像增强算法基于分数微分和多尺度Retinex提出了文献[5后)没有显著提高高分辨率卫星图像的自适应增强。高分辨率卫星图像的自适应增强算法基于特征融合提出了用于自适应提高高分辨率卫星图像。处理过的图像更清晰,提高了高分辨率卫星图像的定义和高分辨率卫星图像的自适应增强效应。自适应增强算法的有效性基于特征融合的高分辨率卫星图像验证。

峰值信噪比和熵的数据被用来评估高分辨率卫星图像的自适应增强效应的三种算法。记录每个评价指标的数据后,每个方法评价指标的变化趋势如图5是画的。

根据图5峰值信噪比和高分辨率卫星图像的熵的自适应增强算法基于特征融合提出了高于霾天气图像增强算法基于暗通道和多尺度Retinex提出了文献[4]和霾基于分数微分的图像增强算法和多尺度Retinex提出了文献[5]。结果表明,该算法获得的图像包含更多的信息,清晰的轮廓和纹理,提高图像质量。上述结果进一步验证了结论的视觉效果图和从侧面反映了索引数据的可靠性。

为了进一步验证本文算法的有效性,高分辨率卫星图像的自适应增强时间的三个算法进行比较和分析,并比较结果如表所示2。

根据表2,时间消耗的高分辨率卫星图像自适应增强算法基于特征融合的高分辨率卫星图像增强8秒内,这是比霾天气基于暗通道的图像增强算法和多尺度Retinex提出了文献[4]和文献[5]。拟议中的雾图像增强算法的基础上,结合部分分化和多尺度Retinex消耗短时间高分辨率卫星图像增强。

4所示。结论

众所周知,遥感是一门科学和技术,获得观察对象的特征信息通过一个特定的传感器设备没有直接接触研究对象和提取,流程,表示,并应用这些信息。大量的遥感图像的帮助下获得遥感技术已广泛应用于国防和国家经济建设的各个领域,如军事侦察、农作物估产、土地资源调查、石油勘探、地理空间信息更新等领域,产生了巨大的经济和社会效益。卫星遥感图像可以快速提供地球表面信息。的发展和使用高分辨率卫星遥感图像(如IKONOS, SPOT5、宇宙和OrbView)创造了许多新的应用领域。由于光学传感器的成像机制的限制,图像的质量会受到天气的影响,获取数据;例如,它很容易受到云和雾的影响。然而,大气活动非常频繁,大气中的云和雾很常见,大量的遥感图像包含云和雾或多或少。为了获得高质量的图像,你需要选择最好的时间和天气来获取图像。除了使用航空遥感获取图像受到云和雾的影响,常见的光学摄影方法还取决于天气状况。例如,图像通过十字路口交通违章监控也会受到云和雾的影响。 Especially in foggy weather, the visual distance of the sensor is small, the image contrast obtained is low, and the color also has a certain offset, resulting in the failure of the monitoring system to work normally. Therefore, this paper proposes a high-resolution satellite image adaptive enhancement algorithm based on feature fusion. The experimental results show that the application of this algorithm can improve the quality of the high-resolution satellite image, and the efficiency of high-resolution satellite image adaptive enhancement is high.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。