基于Gram-Schmidt的无人机影像与多光谱影像融合方法技术

本发明专利技术公开一种基于Gram‑Schmidt变换的无人机影像与多光谱影像融合方法。其首先经过影像预处理获得具有相同像元尺寸的多光谱低空间分辨率遥感影像与三波段高空间分辨率无人机可见光影像这两套独立的多波段影像；之后对遥感影像进行多元线性回归、重构和Gram‑Schmidt变换获得遥感影像GS成分，同时对无人机影像进行相同的重构和Gram‑Schmidt变换得到无人机GS成分；之后对无人机GS成分进行梯度滤波得到纹理信息，并以一定权重叠加至遥感影像第1‑4GS成分上；对增强结果进行Gram‑Schmidt逆变换并去除冗余信息，即得到最终融合影像。本方法扩展了传统融合方法的单波段全色数据与多光谱影像融合的局限性，增加了融合数据的多样性，并实现了一种兼顾光谱保持性和信息质量的融合方法。

【技术实现步骤摘要】

本专利技术涉及遥感影像处理数据融合领域，更具体地，涉及一种基于Gram-Schmidt的无人机影像与多光谱影像融合方法，是一种多波段影像与多波段影像融合技术，是一种结合了多元线性回归、梯度滤波和葛兰-施密特(Gram-Schmidt)变换的扩展后的融合技术。技术背景影像融合技术，尤其是像素级影像融合技术，可以高效、精准地获取具有高空间分辨率的多光谱影像数据，弥补由于传感器和遥感平台性能的限制而产生的影像产品空间分辨率和光谱分辨率无法兼容的不足，进一步满足更高要求的遥感解译任务的需求，因此该技术也备受关注并得到了极大的发展。技术层面，从IHS变换、主成分分析、Gram-Schmidt变换、空间滤波、小波变换、HCS变换到稀疏矩阵和感知压缩，多种技术手段的引入不断丰富和强化着传统融合模型；同时，数据种类方面，从单纯的全色数据到SAR、NIR等多种数据的引入，影像融合不断走向广义融合并实现复杂信息的兼容。近年来，随着无人机技术的发展，无人机光学影像以其极高的空间分辨率和快速的、针对性的数据获取方式备受遥感领域科研人员的关注。基于无人机光学影像本身的高空间分辨率，引入影像融合的技术手段进行处理可以使其获得更精细的光谱信息，有助于更精细的遥感解译任务和定量遥感需求。然而，目前的影像融合技术，无论从技术层面还是数据种类方面，大多局限于单波段数据与多波段遥感影像的融合；而无人机光学影像基本为红绿蓝(RGB)三波段数据，传统的融合技术手段无法充分利用其全部三个波段的有效信息。这种局面下，影像融合技术需要向多波段数据与多波段数据融合的方向进行进一步的广义上的扩展，并克服传统融合模型一对多的局限性。
技术实现思路
为了克服现有技术的不足，本专利技术公开一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，其是基于Gram-Schmidt逆变换将无人机影像的空间细节信息调制到多光谱遥感影像中，并依据Gram-Schmidt变换的特性可以保证融合结果极高光谱保持性的一种方法。为了实现上述目的，本专利技术的技术方案为：一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，包括：S1、影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪，得到低空间分辨率多光谱遥感影像和相同范围的高空间分辨率三波段无人机光学影像；S2、对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像；S3、对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分；S4、对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分；S5、对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果；S6、对增强结果进行Gram-Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。优选地，步骤S2中对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像的步骤为：S21、在研究区范围内随机采样，样本数目为研究区范围内像元数目的0.8％-2％，样本内容为采样点处遥感影像N个波段的数据值和无人机影像RGB波段的数据值；S22、基于多元线性回归，分别得到相同范围的高空间分辨率三波段无人机光学影像RGB三个波段样本各自以遥感影像N波段样本为变量的回归系数；S23、将得到的回归系数应用于遥感影像N个波段分别得到模拟的无人机RGB波段。优选地，步骤S3中对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分的步骤为：S31、根据多光谱影像RGB波段范围内像元的均值与标准差对模拟无人机影像进行强度匹配，具体公式如下：χei=σMiσUi·(χi-μUi)+μMi]]>式中：χei和χi分别为增强后的第i个波段和原始模拟无人机影像的第i个波段，μMi和μUi分别为遥感影像和模拟无人机影像对应波段均值，σMi和σUi分别为遥感影像和模拟无人机影像对应波段标准差，i＝R，G或B；S32、对强度匹配后的模拟无人机影像求均值波段，即在同一像元位置求取RGB波段像元的均值；S33、按模拟无人机影像均值波段，强度匹配后模拟无人机影像和原始遥感影像的顺序重构获得N+4波段的变换基础影像；S34、对变换基础影像进行Gram-Schmidt变换，得到N+4个遥感影像GS成分。优选地，步骤S4中对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分的步骤为：S41、根据多光谱影像RGB波段范围内像元的均值与标准差对无人机影像进行强度匹配，具体公式如下：χei=σMiσUi·(χi-μUi)+μMi]]>式中：χei和χi分别为增强后的第i个波段和原始无人机影像的第i个波段，μMi和μUi分别为遥感影像和无人机影像对应波段均值，σMi和σUi分别为遥感影像和无人机影像对应波段标准差，i＝R，G或B；S42、对强度匹配后的无人机影像求均值波段；S43、按无人机影像均值波段，强度匹配后无人机影像的顺序重构获得4波段的变换基础影像；S44、对变换基础影像进行Gram-Schmidt变换，得到4个无人机影像GS成分。优选地，步骤S5中对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果的步骤为：S51、采用特定的滤波算子，与无人机影像第1个GS成分进行卷积，其结果即为无人机影像第1个GS成分的空间纹理信息；S52、将无人机影像第1个GS成分的空间纹理信息以特定权重增强，然后与遥感影像的第1个GS成分相加，获取遥感影像增强后的第1个GS成分，其公式为：GSei＝w·GSTUi+GSMi式中：GSei为增强后的遥感影像第i个GS成分，GSTUi为无人机影像第i个GS成分的纹理信息，GSMi为原始的遥感影像第i个GS成分；w为特定权重，i为GS成分位次，在这里i＝1；S53、以此类推，采用与步骤S52相同的滤波算子和权重获取遥感影像增强后的第2、3、4个GS成分。优选地，对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果之前还包括：根据无人机影像GS成分的空间信息特征或人为地选取空间滤波算子，以及根据融合结果的信息质量与光谱保持性决定融合所需的特定权重。上述的以Gram-Schmidt变换为基础的无人机影像与多光谱影像融合方法中，多元线性回归实现了多波段遥感影像的维度数目向三波段无人机可见光数据的压缩，构建了具有不同波段数目的影像之间进行信息交流的桥梁；梯度滤波以及加权求和的方式直接地将无人机影像的空间细节信息叠加至多光谱影像的重构数据中；而Gram-Schmidt变换首先将多光谱数据中前列数据的冗余信息去除，然后在其逆变换过程中将增强后的GS1-4成分中的无人机影像空间细节信息补充回多光谱遥感影像中，实现融合结果空间细节信息上的增强。同时，基于Gram-Schmid本文档来自技高网...

【技术保护点】
一种基于Gram‑Schmidt变换的无人机影像与多光谱影像融合方法，其特征在于，包括：S1、影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪，得到低空间分辨率多光谱遥感影像和相同范围的高空间分辨率三波段无人机光学影像；S2、对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像；S3、对低空间分辨率多光谱遥感影像进行重构，并进行Gram‑Schmidt变换得到遥感影像GS成分；S4、对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram‑Schmidt变换得到无人机影像GS成分；S5、对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果；S6、对增强结果进行Gram‑Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。

【技术特征摘要】
1.一种基于Gram-Schmidt变换的无人机影像与多光谱影像融合方法，其特征在于，包括：S1、影像预处理，包括影像配准、重采样至相同像元尺寸、相同空间范围裁剪，得到低空间分辨率多光谱遥感影像和相同范围的高空间分辨率三波段无人机光学影像；S2、对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像；S3、对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分；S4、对相同范围的高空间分辨率三波段无人机影像进行重构，并进行Gram-Schmidt变换得到无人机影像GS成分；S5、对无人机影像GS成分进行梯度滤波得到纹理信息，并将其以权重w叠加至遥感影像的第1至4个GS成分上得到增强结果；S6、对增强结果进行Gram-Schmidt逆变换并去掉前4个冗余信息波段，即得到融合结果。2.根据权利要求1所述的方法，其特征在于，步骤S2中对低空间分辨率多光谱遥感影像进行多元线性回归，获得模拟无人机影像的步骤为：S21、在研究区范围内随机采样，样本数目为研究区范围内像元数目的0.8％-2％，样本内容为采样点处遥感影像N个波段的数据值和无人机影像RGB波段的数据值；S22、基于多元线性回归，分别得到相同范围的高空间分辨率三波段无人机光学影像RGB三个波段样本各自以遥感影像N波段样本为变量的回归系数；S23、将得到的回归系数应用于遥感影像N个波段分别得到模拟的无人机RGB波段。3.根据权利要求1所述的方法，其特征在于，步骤S3中对低空间分辨率多光谱遥感影像进行重构，并进行Gram-Schmidt变换得到遥感影像GS成分的步骤为：S31、根据多光谱影像RGB波段范围内像元的均值与标准差对模拟无人机影像进行强度匹配，具体公式如下：χei=σMiσUi·(χi-μUi)+μMi]]>式中：χei和χi分别为增强后的第i个波段和原始模拟无人机影像的第i个波段，μMi和μUi分别为遥感影像和模拟无人机影像对应波段均值，σMi和σUi分别为遥感影像和模拟无人机影像对应波段标准差，i＝R，G或B；S32、对强度匹配后的模拟无人机影像求均值波段，即在同一像元位置求取RGB波段像元的均值；S33、按模拟无人机影像均值波段，强度匹配后模拟无人机影像和...

【专利技术属性】
技术研发人员：刘凯，刘洋，柳林，李想，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44