CN109671038A - 一种基于伪不变特征点分类分层的相对辐射校正方法 - Google Patents

Abstract

一种基于伪不变特征点分类分层的相对辐射校正方法，本发明属于遥感图像辐射校正领域。现有的辐射校正方法对包含海岸线、海岛等占据优势地物区域的遥感图像进行相对辐射的校正精度不高。本发明步骤为：一、基于遥感图像分类获取地物子图像；二、基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs；三、基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs；四、利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正；五、将校正后的图像合成一幅完整的图像。本发明应用于遥感图像辐射校正领域。

Description

一种基于伪不变特征点分类分层的相对辐射校正方法

技术领域

本发明涉及遥感图像相对辐射校正方法，特别涉及一种结合遥感卫星成像特点和目标区域特性的相对辐射校正方法。

背景技术

遥感影像获取受传感器本身、光照、大气、地形等因素的影响，导致不同影像上相同地物的光谱特征存在很大差异。因此，在利用多源或多时相遥感影像进行变化检测或地物信息提取之前，需要对影像进行辐射校正处理，控制和减少由于光照条件、大气效应、传感器响应等差异造成的地表景观的“伪变化”，保留真实的地表变化信息。因此在应用前对遥感图像进行辐射校正，对提高变化检测、目标识别等地物信息提取技术的精度具有重要意义。现有辐射校正方法主要有：绝对辐射校正是将传感器直接获得的数值转化成地面真实反射率，这种方法依赖同步获取实际场景的环境参数然而准确获取这些参数数据很困难而且效率低；相对辐射校正利用一幅参考图像去校正另一幅图像辐射值，使得待校正图像辐射值匹配参考图像辐射值，这种方法简单高效。

针对遥感图像中的岛礁、海岸线等目标区域目标识别问题，现有相对辐射校正方法校正精度不高，主要原因有：①现有的相对辐射校正处理方法采用全局处理模式，用一个相对辐射校正模型对全图进行纠正，没有考虑不同地物目标辐射特性，环境影响因素不同，导致辐射畸变规律不同，不顾及不同类型地物目标相对辐射校正处理模型不同而仅仅利用一个全局模型去处理，难以获得精度高的校正结果。②现有的相对辐射校正模型主要采用的是线性模型，其假设地物目标在两幅遥感图像辐射关系是线性的。根据遥感辐射传输方程可知传感器获取的图像辐射值，与辐射源、大气条件及地物目标辐射特性等存在复杂关系，仅仅将两幅图像辐射关系定义为线性关系偏离真实辐射关系，导致难以获得精度更高的校正结果；③伪不变特征点PIF选择问题，一方面现有的基于PIF的相对辐射校正方法前提条件是两幅图像中变化类型较少与忽略遥感图像配准残差，使得提取的PIF可能存在“病态”PIF而参与计算，导致相对辐射校正结果不高或者产生不可预知的错误，同时考虑到如果图像中存在变化区域较多，那么现有的方法提取PIF质量不高或者失效；另一方面现有相对辐射校正方法将所选取得PIF不顾及PIF质量而全部参与运算求解相对辐射校正模型参数，影响相对辐射校正精度和效率；④岛礁等目标区域遥感图像自身特点，由于遥感图像中水域或者某类地物目标占据优势，使得现有相对辐射校正方法校正后遥感图像辐射特性主要受大比例目标地物的影响，导致相对辐射校正后遥感图像优势类地物目标，校正精度高而其他地物辐射校正精度低。为此，结合卫星成像特点和目标区域特性，研究本发明的自动相对辐射校正，恢复目标辐射信息，为提高目标的识别精度奠定基础。

发明内容

本发明的目的是为了解决现有针对遥感图像的相对辐射校正方法的校正精度低的问题，而提出一种基于伪不变特征点分类分层的相对辐射校正方法。

一种基于伪不变特征点分类分层的相对辐射校正方法，所述的相对辐射校正方法包括以下步骤：

步骤一：基于遥感图像分类获取地物子图像；

步骤二：基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs；其中，PIFs是指伪不变像元；

步骤三：基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs；

步骤四：利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正；

步骤五：将校正后的图像合成一幅完整的图像。

发明效果：

本发明的自动相对辐射校正方法，在获取了地物子图像后，通过基于梯度概率的精细非线性回归分析确定出地物子图像的精细化相对辐射校正模型和精细化的像元，以对待校正地物子图像进行相对辐射校正，并将校正后的子图像合成一副完整的图像，恢复遥感图像目标辐射信息，为提高目标的识别精度奠定基础。

本发明区别于现有的校正方法，不再仅仅利用一个全局模型去处理参考图像和待校正图像，也不是仅仅将两幅图像辐射关系定义为偏离真实辐射关系的线性关系，本发明针对每类地物子图像采用不同的非线性相对辐射校正模型进行辐射校正，校正范围包括不同类型地物目标相对辐射校正处理模型，且参考图像和待校正图像之间采用非线性的辐射关系，保证了两幅图之间的真实辐射关系，从而获得更高精度的校正结果；具有较好的前景。

本发明是基于伪不变特征点分类分层技术，建立非线性辐射校正模型，能够克服不顾及两幅图像中变化类型较少与忽略遥感图像配准残差的问题，以及不顾及PIF质量和研究区域某类地物目标占突出优势的问题，本发明获得的校正结果精度与其他方法相比，能够同时保证均值差和均方根误差最小，均值差缩小0.1-17左右，均方根误差缩小3-410。具有较好的前景。

附图说明

图1为PIF优化提取及非线性回归模型解算流程图；

图2为相对辐射校正及精度评定流程图；

图3为Landsat 8OLI两个时相辽宁省葫芦岛市海岸线区域遥感图像；其中，图3a为参考图像，图3b为待校正图像；

图4为Landsat 8OLI波段2相对辐射校正灰度直方图；其中，图4a-图4g分别为关于基准图像、待校正图像、基于PIFs的全局线性校正方法、基于PIFs的全局非线性校正、基于分层PIFs的全局线性校正方法、基于PIFs的分层分类线性校正方法以及本发明方法的Landsat 8OLI波段2相对辐射校正灰度直方图；Data value是数据值的意思；

图5为Landsat 8OLI波段3相对辐射校正灰度直方图；其中，图5a-图5g分别为关于基准图像、待校正图像、基于PIFs的全局线性校正方法、基于PIFs的全局非线性校正、基于分层PIFs提取技术的校正方法、基于PIFs的分层分类线性校正方法以及本发明方法的Landsat 8OLI波段2相对辐射校正灰度直方图；Data value是数据值的意思；

图6为Landsat 8OLI相对辐射校正结果图；Landsat 8OLI是指NASA发射了的Landsat 8卫星携带的陆地成像仪Operational Land Imager(OLI)拍摄的遥感图像；

图7为用于选取晴朗云量信息的示意图。

具体实施方式

具体实施方式一：

一种基于伪不变特征点分类分层的相对辐射校正方法，所述的相对辐射校正方法包括以下步骤：

步骤一：基于遥感图像分类获取地物子图像；

步骤二：基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs；其中，PIFs是指伪不变像元；

步骤三：基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs；

步骤四：利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正；

步骤五：将校正后的图像合成一幅完整的图像，并对其进行精度评定，验证本相对辐射校正方法的可靠性。

具体实施方式二：

与具体实施方式一不同的是，本实施方式的一种基于伪不变特征点分类分层的相对辐射校正方法，所述的步骤一中，基于遥感图像分类获取地物子图像的具体过程为：

步骤一一、参考图像制作及其分析，选取晴朗云量小于等于2％的原始遥感图像，利用原始数据的定标信息对图像进行辐射定标，然后利用同时间段获取的大气状况数据，对遥感图像进行大气校正，获得相对辐射校正所需要的参考图像；其中，晴朗云量小于等于2％的原始遥感图像是在图像数据售卖商家提供的带有晴朗云量信息的重多原始遥感图像中选取的；例如，XXX网站地理空间数据云网站，网址为：

http://www.gscloud.cn/sources/list_dataset/411？cdataid＝263&pdataid＝10&datatype＝OLI_TIRS#dlv＝Wzg4LFswLDEwLDEsMF0sW1siZGF0YWRhdGUiLDBdXSxbXSw5OV0％3D

云量信息如图7所示；

步骤一二、基于SVM的非监督和监督相结合的参考图像分类及分析：

首先，根据《国家土地利用现状分类表》，结合遥感图像特性及研究区域地物分布的特点通过目视的方法确定本研究区域分类***；

其次，对参考图像采用ISODATA方法对图像进行非监督分类，结合区域高分图像、区域规划图信息，人工目视的方法建立解译标志，以此建立训练样本和验证样本；

最后，基于SVM方法的监督分类及其精度进行评定(，因此本方法采用RBF函数对图像进行分类和采用混淆矩阵方法对分类结果进行精度评价)；

步骤一三：利用式(1)制作参考图像和待校正图像的地物子图像：

其中，I_ij为第i波段第j类地物子图像，为分类结果图像中某像元对应红、绿、蓝色值，R_j，G_j，B_j为在第j地物对应红、绿、蓝色值，I_i为第i波段遥感图像，[]中为关系运算最终返回值为1或0；&&表示逻辑与的运算符。

具体实施方式三：

与具体实施方式二不同的是，本实施方式的一种基于伪不变特征点分类分层的相对辐射校正方法，所述步骤二中，基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs的具体过程为：

(1)基于光谱的非线性回归分析确定地物子图像的初始相对辐射校正模型的过程具体为：

基于理论上参考图像和待校正图像对应地物子图像之间不变像元辐射关系为非线性关系，采用二阶多项式描述两幅子图像相应像元的辐射关系，如下式所示：

其中，x_ij表示参考图像第i波段第j地物子图像中对应不变像元的辐射能量值，y_ij表示待校正图像中第i波段第j地物子图像中对应不变像元的辐射能量值；a_ij、b_ij和c_ij表示线性关系式的参数；

(2)基于光谱的非线性回归分析确定初始PIFs的过程，具体为：

首先：利用式(4)对图像原始数据进行标准化处理，计算每个像元的权值，以保证两幅图像的辐射值范围在同一范围：

其次：令利用下式计算权值：

最后：采用加权最小二乘法求解初始非线性回归方程，拟合两幅地物子图像像元辐射值，因为两幅地物子图像之间可能存在较多变化地物像元，因此在建立非线性回归方程时所用像元不应等同考虑，从而计算像元的权值，计算公式如下：

具体实施方式四：

与具体实施方式三不同的是，本实施方式的一种基于伪不变特征点分类分层的相对辐射校正方法，所述步骤三中，基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs，具体过程为：

为了精细化某个波段某类地物子图像非线性回归方程，具体为：

采用梯度概率代替回归方程残差，利用式(6)所示公式计算权值，从而通过迭代加权最小二乘法来求解非线性回归方程参数，作为地物子图像的精细化非线性相对辐射校正模型：

其中，D_i指多时图像中第i个像元梯度差的绝对值，D_k(i)为第i个像元邻域中第k个像元对应的梯度差绝对值；δ为一个小值的常量，以免公式中出现零，其取值为1至10；

另一面，设为通过式(5)计算获取的参数，并将其作为初始值，通过式(7)更新参数，获取精细化PIFs：

其中，t表示迭代次数，其动态权值的定义如式(8)所示：

具体实施方式五：

与具体实施方式四不同的是，本实施方式的一种基于伪不变特征点分类分层的相对辐射校正方法，所述步骤四中，利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正，具体过程为：

步骤四一、通过式(9)度量对应地物参考子图像和待校正子图像像斑之间的辐射信息关系，以判断像元是否发生变化：

若像元未发生变化，则执行步骤四二；

若像元发生变化，则执行步骤四三；

式中，第i类地物第j波段对应参考子图像，x_ij为待校正子图像上像元辐射能浪值；

步骤四二、利用本类地物精细化的相对辐射校正模型，如第i类地物辐射校正模型即下式，来校正未变化像元；

步骤四三、对于变化像元，在参考影像的像元地物类型中寻找与其最相似的像元地物类型，然后将最相似像元的地物类型对应的精细化非线性相对辐射校正模型来校正变化像元。

具体实施方式六：

与具体实施方式五不同的是，本实施方式的一种基于伪不变特征点分类分层的相对辐射校正方法，所述步骤五中，将校正后的图像合成一幅完整的图像，具体过程为：

校正后的子图像按下式合成为一幅完整的图像：

其中，表示经过步骤四进行相对辐射校正后的子图像，即为合成的完整图像。

并对其进行精度评定，具体评价指标有均值差、均方根误差和主观视觉效应。

实施例一：

实验数据使用美国Landsat 8 OLI两个时相的数据，研究区域为辽宁省葫芦岛市沿海岸区域多光谱图像(空间分辨率为30m，16bit量化，云量小于2％)如图3a、图3b所示，其中，图3a为参考图像，图3b为待校正图像。本发明得到的相对辐射校正与其他方法精度情况，如下表1、表2和附图4a-附图4g，附图5a-附图5g所示，相对辐射校正结果图如附图6。通过与其他相对辐射校正方法对比分析可得，一种基于伪不变特征点分类分层的相对辐射校正方法对遥感图像进行相对辐射校正后均方根误差最小，均值差接近最小而且获得校正后直方图接近或者相似于基准图直方图，表明一种基于伪不变特征点分类分层的相对辐射校正方法能够克服现有相对辐射校正方法产生的问题，一种基于伪不变特征点分类分层的相对辐射校正方法对存在岛礁、海岸线等区域遥感图像进行相对辐射校正具有较高的精度。

表1 Landsat 8波段2相对辐射校正精度表

表2 Landsat 8波段3相对辐射校正精度表

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述的相对辐射校正方法包括以下步骤：

步骤一：基于遥感图像分类获取地物子图像；

步骤二：基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs；其中，PIFs是指伪不变像元；

步骤三：基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs；

步骤四：利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正；

步骤五：将校正后的图像合成一幅完整的图像。

2.根据权利要求1所述的一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述的步骤一中，基于遥感图像分类获取地物子图像的具体过程为：

步骤一一、参考图像制作及其分析，选取晴朗云量小于等于2％的原始遥感图像，利用原始数据的定标信息对图像进行辐射定标，然后利用同时间段获取的大气状况数据，对遥感图像进行大气校正，获得相对辐射校正所需要的参考图像；

步骤一二、基于SVM的非监督和监督相结合的参考图像分类及分析：

首先，根据《国家土地利用现状分类表》，结合遥感图像特性及研究区域地物分布的特点通过目视的方法确定本研究区域分类***；

其次，对参考图像采用ISODATA方法对图像进行非监督分类，结合区域高分图像、区域规划图信息，建立解译标志，以此建立训练样本和验证样本；

步骤一三：利用式(1)制作参考图像和待校正图像的地物子图像：

其中，I_ij为第i波段第j类地物子图像，为分类结果图像中某像元对应红、绿、蓝色值，R_j，G_j，B_j为在第j地物对应红、绿、蓝色值，I_i为第i波段遥感图像，[]中为关系运算最终返回值为1或0；&&表示逻辑与的运算符。

3.根据权利要求2所述的一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述步骤二中，基于光谱的非线性回归分析，确定地物子图像的初始相对辐射校正模型及初始PIFs的具体过程为：

(1)基于光谱的非线性回归分析确定地物子图像的初始相对辐射校正模型的过程具体为：

基于参考图像和待校正图像对应地物子图像之间不变像元辐射关系为非线性关系，采用二阶多项式描述两幅子图像相应像元的辐射关系，如下式所示：

其中，x_ij表示参考图像第i波段第j地物子图像中对应不变像元的辐射能量值，y_ij表示待校正图像中第i波段第j地物子图像中对应不变像元的辐射能量值；a_ij、b_ij和c_ij表示线性关系式的参数；

(2)基于光谱的非线性回归分析确定初始PIFs的过程，具体为：

首先：利用式(4)对图像原始数据进行标准化处理，计算每个像元的权值，以保证两幅图像的辐射值范围在同一范围：

其次：令利用下式计算权值：

最后：采用加权最小二乘法求解初始非线性回归方程，拟合两幅地物子图像像元辐射值，计算像元的权值，计算公式如下：

4.根据权利要求3所述的一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述步骤三中，基于梯度的精细非线性回归分析，确定地物子图像的精细化非线性相对辐射校正模型及精细化PIFs，具体过程为：

采用梯度概率代替回归方程残差，利用式(6)所示公式计算权值，从而通过迭代加权最小二乘法来求解非线性回归方程参数，作为地物子图像的精细化非线性相对辐射校正模型：

其中，D_i指多时图像中第i个像元梯度差的绝对值，D_k(i)为第i个像元邻域中第k个像元对应的梯度差绝对值；δ为一个小值的常量；

另一面，设为通过式(5)计算获取的参数，并将其作为初始值，通过式(7)更新参数，获取精细化PIFs：

其中，t表示迭代次数，其动态权值的定义如式(8)所示：

5.根据权利要求4所述的一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述步骤四中，利用精细化PIFs和精细化非线性相对辐射校正模型对待校正地物子图像进行相对辐射校正，具体过程为：

步骤四一、通过式(9)度量对应地物参考子图像和待校正子图像像斑之间的辐射信息关系，以判断像元是否发生变化：

若像元未发生变化，则执行步骤四二；

若像元发生变化，则执行步骤四三；

式中，第i类地物第j波段对应参考子图像，x_ij为待校正子图像上像元辐射能浪值；

步骤四二、利用本类地物精细化的相对辐射校正模型，如第i类地物辐射校正模型即下式，来校正未变化像元；

步骤四三、对于变化像元，在参考影像的像元地物类型中寻找与其最相似的像元地物类型，然后将最相似像元的地物类型对应的精细化非线性相对辐射校正模型来校正变化像元。

6.根据权利要求5所述的一种基于伪不变特征点分类分层的相对辐射校正方法，其特征在于，所述步骤五中，将校正后的图像合成一幅完整的图像，具体过程为：

校正后的子图像按下式合成为一幅完整的图像：

其中，表示经过步骤四进行相对辐射校正后的子图像，即为合成的完整图像。