CN111611931A - 一种传感仪器响应衰减分析方法、装置及终端 - Google Patents
一种传感仪器响应衰减分析方法、装置及终端 Download PDFInfo
- Publication number
- CN111611931A CN111611931A CN202010440427.9A CN202010440427A CN111611931A CN 111611931 A CN111611931 A CN 111611931A CN 202010440427 A CN202010440427 A CN 202010440427A CN 111611931 A CN111611931 A CN 111611931A
- Authority
- CN
- China
- Prior art keywords
- image
- image pair
- attenuation
- pair
- sensing instrument
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 79
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000012216 screening Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 description 22
- 238000002310 reflectometry Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 230000002238 attenuated effect Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种传感仪器响应衰减分析方法、装置及终端,所述传感仪器响应衰减分析方法包括:获取待分析的目标图像对集合;依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。本发明可避开了不变像元检测这一难点,提升了可操作性,降低了应用难度,有益此方法的推广应用。
Description
技术领域
本发明涉及辐射校正技术领域,具体而言,涉及一种传感仪器响应衰减分析方法、装置及终端。
背景技术
随着遥感技术的进步,遥感应用领域愈加宽泛,对卫星提供的观测数据精度和质量要求也越来越高。其中,无论是在区域还是全球范围内,都要求卫星遥感能提供长时间序列的一致性观测数据,尤其是在获取不同时间、相同地点的数据过程中,需要特别注意传感器衰变对地球辐射观测信号响应的影响,确保通过传感器获得的数据能准确反映所测地球物理量的真实变化趋势,而非传感器响应衰变产生的虚假信息。对此,需要对多时相遥感图像进行辐射校正,以消除多时相遥感图像之间由仪器衰减造成的差异。
现有技术中,通过迭代加权多元变化检测法分析确定图像场景的不变像元,通过两幅图像不变像元的正交回归确定传感器的相对衰变,再对多个图像对的长时间序列进行分析,采用多项式拟合获得传感器衰变随时间变化的曲线,基于该曲线对遥感图像进行辐射校正。
上述基于迭代加权多元变化检测法的传感仪器响应衰减分析方法,需要先识别不变像元,才能确定传感器的相对衰变,而不变像元的识别较为困难,使得上述基于迭代加权多元变化检测法的传感仪器响应衰减分析方法实现上较为困难。
发明内容
本发明解决的问题是现有的传感仪器响应衰减分析方法,需要识别不变像元,实现上较为困难。
为解决上述问题,本发明提供一种传感仪器响应衰减分析方法,包括:
获取待分析的目标图像对集合;依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
可选地,在所述获取待分析的目标图像对集合之前,还包括:
构建训练样本集,其中,所述训练样本集为带标签的图像对的集合,所述标签为所述图像对的相对衰减比值;基于所述训练样本集,训练出所述预置的卷积神经网络模型。
可选地,所述构建训练样本集包括:
基于第一预设筛选规则从预置图像库中选取候选图像集合;基于所述候选图像集合,生成候选图像对集合;基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合。
可选地,在所述基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合之后,还包括:
确定所述用作训练样本的图像对集合中,每个图像对的相对衰减比值;基于所述每个图像对的相对衰减比值,对每个图像对进行校正,再给予图像对中每个图像随机衰减,生成新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本;
或者,
确定所述用作训练样本的图像对集合中,每个图像相对于初始图像的相对衰减比值,其中,所述初始图像为无传感仪器响应衰减的图像;基于每个图像相对于初始图像的相对衰减比值,对每个图像进行校正,再给予每个图像随机衰减,生成新的图像及新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
可选地,在所述基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合之后,还包括:
对于所述用作训练样本的图像对集合中的每个图像,给予随机衰减,生成新的图像对;基于所述随机衰减确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
可选地,所述第一预设筛选规则包括以下至少一个:
图像显示的区域为沙漠、裸地中至少一个;
图像中像素的卫星观测角均小于第一预设角度;
图像中无缺值像素;
图像中无云。
可选地,所述第二预设筛选规则包括以下至少一个:
图像对的拍摄时刻满足:T1-T2=365.25*y±n,y∈Z,n∈[1,60],其中,T1、T2分别为图像对中两个图像的拍摄时刻,y为年份参数,n为日期参数;
图像对的对应像素的卫星观测角差值小于第二预设角度。
本发明还提出一种传感仪器响应衰减分析装置,包括:
获取单元,其用于获取待分析的目标图像对集合;
处理单元,其用于依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;
拟合单元,其用于基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
本发明还提出一种传感仪器响应衰减分析终端,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的传感仪器响应衰减分析方法。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上所述的传感仪器响应衰减分析方法。
通过将待分析的目标图像对集合,依次输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值,基于其获得的相对衰减比值拟合生成传感仪器响应衰减曲线,避开了不变像元检测这一难点,提升了可操作性,降低了应用难度,有益此方法的推广应用,此外,预置的卷积神经网络对输入图像对进行相对衰减比值计算的过程中,提取了图像对的空间特征用于相对衰减比值的确定,可见本发明所述方案还引入了空间结构特征,相比现有技术具有更高的准确性。
附图说明
图1为本发明传感仪器响应衰减分析方法一实施例示意图;
图2为本发明传感仪器响应衰减分析方法种预置的卷积神经网络模型的模型结构示意图;
图3为本发明传感仪器响应衰减分析方法另一实施例示意图;
图4为本发明传感仪器响应衰减分析方法步骤S10细化后的一实施例示意图;
图5为本发明传感仪器响应衰减分析方法步骤S10细化后的另一实施例示意图。
附图标记说明:
1-图像对;2-卷积层;3-池化层;4-全连接层。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
为便于理解本发明,首先对遥感图像辐射误差来源进行简单介绍。
辐射误差,指利用传感器观测目标的反射或辐射能量时,所得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差值叫做辐射误差。辐射误差造成了遥感图像的失真,为便于后续对遥感图像的分析和应用,需要对辐射误差进行校正,以消除或减少遥感图像的辐射误差。辐射误差来源主要有:传感器造成的辐射误差;大气散射、吸收作用造成的辐射误差;地形、太阳高度等造成的辐射误差。
其中,传感器造成的辐射误差,包含传感仪器响应衰减造成的辐射误差。
本发明提出一种传感仪器响应衰减分析方法,用于消除多时相遥感图像之间由仪器衰减造成的辐射误差。图1为本发明传感仪器响应衰减分析方法一实施例示意图。如图1,所述传感仪器响应衰减分析方法包括:
步骤S30,获取待分析的目标图像对集合;
目标图像对集合,均为待分析的传感器通道实际检测获得的遥感图像,基于待分析传感器通道实际检测获得的遥感图像,对待分析传感器通道建立响应衰减变化曲线。
可选地,为减少非传感仪器衰减造成的辐射误差,目标图像对集合符合一定预设规则。步骤S30包括:构建目标图像对集合。具体包括:以待分析的传感器通道检测获得的遥感图像为基础数据,首先,从中筛选出符合预设区域规则的图像,为便于描述称之为第一图像集合,然后,将第一图像集合中,存在卫星观测角大于一定预设值的像素的图像筛除,可选地,还可将有云的图像和/或有缺值的图像筛除,为便于描述,筛除后得到的图像称为第二图像集合,最后,将第二图像集合中的图像两两配对,得到图像对集合,从图像对集合中筛选出拍摄时刻符合预设时间间隔规则,且卫星观测角差值符合预设角度规则的图像对,该图像对即所述目标图像对。
其中,预设区域规则指地表反射率较低的区域。沙漠、裸地等地表植被较为稀疏,因而可将沙漠、裸地预设为符合预设区域规则的区域,从基础数据中可选取沙漠和/或裸地相应的遥感图像,作为第一图像集合。此外,因沙漠、裸地气候干燥人为活动少,非沙尘天气下,大气水汽和气溶胶的影响也较低。
卫星观测角度越大,造成的表观反射率畸变也越大,因此,若图像有卫星观测角大于某个值的像素,则可能对传感仪器响应衰减分析造成干扰,降低分析准确性,因此,将该类图像筛除出去。同理,对于有缺值或有云的图像、或者,缺值多或云多的图像,也筛除出去,以提高待分析的目标图像对集合的数据纯粹性,提高响应衰减分析的准确性。
可选地,还可基于亮度筛选图像,使得后续用于进行响应衰减分析的目标图像对集合高中低亮度分布均衡。
为减小季节影响,目标图像对的两张图像的拍摄时刻在同一年或不同年份的同月份或相近月份。可选地,预设时间间隔规则为:目标图像对的两张图像满足T1-T2=365.25*y±n,y∈Z,n∈[1,60],其中,T1、T2分别为图像对中两个图像的拍摄时刻,y为整数,包含负整数、0、正整数。
预设角度规则为目标图像对的两张图像中对应像素的卫星观测角差值小于一定值,如此,可降低卫星观测角对传感仪器响应衰减分析的干扰。
步骤S40,依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;
预置的卷积神经网络模型,为预先训练好的、用于计算两张图像相对衰减的网络模型,其输入为一个图像对,输出为该图像对的相对衰减比值。
可选地,所述预置的卷积神经网络模型具有如图2所示的模型结构,包括:12个卷积层和3个全连接层,共15层。所有的卷积核均为3*3大小,各卷积层的卷积核个数分别为{16,16,32,32,64,64,128,128,128,128,128,128},激活函数均为线性整流函数(ReLU函数),每两个卷积层2后面跟有一个均值池化3。
将目标图像对集合中的每个目标图像对依次输入到预置的卷积神经网络模型中,依次获得每个目标图像对的相对衰减比值,即获得一系列的相对衰减比值。
步骤S50,基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
在获得所有目标图像对的相对衰减比值后,基于所有目标图像对的相对衰减比值,拟合传感器随时间变化的响应衰减曲线。
可使用多项式拟合的方式进行响应衰减曲线的拟合。在使用多项式拟合生成响应衰减曲线时,基于所有目标图像对的相对衰减比值,确定衰减随时间的变化趋势,从而确定能充分拟合的最小阶次,避免过拟合。可选地,通过确定衰减随时间的变化趋势中出现的极值点,确定拟合的最小阶次。
每个传感器通道都具有一定独立性,基于传感器通道生成的遥感图像,筛选得到目标图像对集合,基于目标图像对集合,拟合生成该传感器通道对应的响应衰减曲线,不同传感器通道具有唯一对应的响应衰减曲线,其响应衰减曲线拟合的最小阶次也不同。
拟合生成的传感仪器响应衰减曲线,可用于传感器造成的辐射误差的校正。
通过将待分析的目标图像对集合,依次输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值,基于其获得的相对衰减比值拟合生成传感仪器响应衰减曲线,避开了不变像元检测这一难点,提升了可操作性,降低了应用难度,有益此方法的推广应用,此外,预置的卷积神经网络对输入图像对进行相对衰减比值计算的过程中,提取了图像对的空间特征用于相对衰减比值的确定,可见本发明所述方案还引入了空间结构特征,相比现有技术具有更高的准确性。
可选地,如图3,在执行步骤S30之前,还包括所述预置的卷积神经网络模型的模型训练过程,包括:
步骤S10,构建训练样本集,其中,所述训练样本集为带标签的图像对的集合,所述标签为所述图像对的相对衰减比值;
训练样本即用于训练模型的图像对,因预置的卷积神经网络模型训练使用有监督的深度学习,所以,训练样本带标签,标签即为图像对的相对衰减比值。其中,可基于绝对定标、星上定标等方式确定图像对的标签,绝对定标方式可选为多场地定标。例如,基于多场地定标方式确定的定标公式为p(t)=9.444*10-5*t+1.064,则对于拍摄时刻分别为t1、t2的图像对(其中t1、t2指卫星发射天数),将t1、t2分别输入到上述定标公式中,得出相应的定标系数pt1,pt2,则标签为pt1/pt2。
训练样本,可基于待分析的传感器通道检测获得的遥感图像,或者,与待分析的传感器通道相同的传感器通道检测获得的遥感图像进行构建。
可选地,以待分析的传感器通道检测获得的遥感图像,或者,与待分析的传感器通道相同的传感器通道检测获得的遥感图像,作为基础数据库,首先,从基础数据库筛选出符合预设区域规则的图像,为便于描述称之为第三图像集合,然后,将第三图像集合中,存在卫星观测角大于一定预设值的像素的图像筛除,可选地,还可将有云的图像和/或有缺值的图像筛除,为便于描述,筛除后得到的图像称为第四图像集合,最后,将第四图像集合中的图像两两配对,得到图像对集合,从图像对集合中筛选出拍摄时刻符合预设时间间隔规则,且卫星观测角差值符合预设角度规则的图像对,该图像对即作为训练样本。
可选地,所述训练样本集包含高中低亮度的图像,实现样本多样性,确保训练出的模型具有较好的普适性。
可选地,所述训练样本集中也无缺值多或云多的图像,提高待分析的目标图像对集合的数据纯粹性,提高响应衰减分析的准确性。
可选地,所述训练样本集中的图像,可以为经过大气校正、地形校正等的图像,即用于训练模型的图像中,仅保留传感仪器衰变导致的辐射误差,以提高响应衰减分析的准确性。
步骤S20,基于所述训练样本集,训练出所述预置的卷积神经网络模型。
基于训练样本集,使用现有模型训练方式训练卷积神经网络模型,对卷积神经网络模型参数进行不断优化,直到训练出具有最优模型参数的卷积神经网络模型,作为后续实际应用的预置的卷积神经网络模型。
训练样本集可选为某个卫星上某一传感器通道形成的遥感图像,基于一颗卫星上某个传感器通道部分时间段内形成的遥感数据,训练出的卷积神经网络模型,具有一定的普适性,其可以计算出两张图像的相对衰减比值,因而,其可用于估计同一颗卫星同一传感器通道其他在轨运行时刻的响应衰减曲线,也可用于估计不同卫星相同传感器的衰减曲线。
可选地,如图4,步骤S10包括:
步骤S11,基于第一预设筛选规则从预置图像库中选取候选图像集合;
预置图像库,即由待分析的传感器通道检测获得的遥感图像组成,或者,与待分析的传感器通道相同的传感器通道检测获得的遥感图像组成。
首先,选出符合一定条件的单张图像,因为要训练检测传感仪器响应衰减的模型,因此,对于参与训练的图像,要最大程度地降低其他因素导致的图像差异,尽可能仅保留由传感仪器响应衰减导致的图像差异。
可选地,所述第一预设筛选规则包括以下至少一个:
图像显示的区域为沙漠、裸地中至少一个;图像中像素的卫星观测角均小于第一预设角度;图像中无缺值像素;图像中无云。
其中,沙漠、裸地地表植被较为稀疏,地表反射率较低,其随季节变化比较小,且沙漠、裸地气候干燥人为活动少,非沙尘天气下,大气水汽和气溶胶的影响也较低。因此,选取作为训练样本的图像,其对应显示的区域为沙漠,或裸地,或沙漠和裸地。如此,可减少大气造成的辐射误差,提高传感仪器衰减分析的准确性。
其中,卫星观测角度越大,造成的表观反射率畸变也越大,因此,若图像有卫星观测角大于某个值的像素,则可能对传感仪器响应衰减分析造成干扰,降低分析准确性,因此,将该类图像筛除出去,保留卫星观测角度均小于第一预设角度的图像加入训练样本集。
图像中有缺值像素或有云,会对图像差异造成干扰,因此,去除有缺值像素或有云的图像,可最大程度地保证训练用图像的准确性。
步骤S12,基于所述候选图像集合,生成候选图像对集合;
基于候选图像集合,两两成对,生成候选图像对集合。
步骤S13,基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合。
候选图像对集合中,可能有不适于作为训练样本的图像对,基于第二预设筛选规则,从候选图像对集合中选取适于作为训练样本的图像对。
可选地,所述第二预设筛选规则包括以下至少一个:
图像对的拍摄时刻满足:T1-T2=365.25*y±n,y∈Z,n∈[1,60],其中,T1、T2分别为图像对中两个图像的拍摄时刻,y为年份参数,n为日期参数,即y用于限定两个图像拍摄的间隔年份,n用于限定两个图像拍摄的间隔月份;图像对的对应像素的卫星观测角差值小于第二预设角度。
其中,为减小季节影响,目标图像对的两张图像的拍摄时刻在同一年或不同年份的同月份或相近月份。具体而言,目标图像对的两张图像的拍摄时刻的时间间隔在T1-T2=365.25*y±n(y∈Z,n∈[1,60])天范围内,可基于使用需求,确定n的大小,n越小,则季节影响越小,反之,则季节影响越大。
考虑到闰年有366天,非闰年有365天,因而取365.25作为一年的时长。
通过对作为训练样本的图像对的拍摄时间间隔做一定约束,减小因季节变化导致地表反射率变化,进而减小其对传感仪器衰减分析的干扰,提高传感仪器衰减分析的准确性。
其中,为减小因卫星观测角差异导致对传感仪器响应衰减分析造成的干扰,将卫星观测角差异过大的图像对筛除出去,具体地,筛选出两个图像对应像素的卫星观测角的差值小于第二预设角度的图像对,作为训练样本集。
在实际拍摄获得的图像对中,拍摄时间间隔短的图像对比拍摄时间间隔长的图像对多,即用于模型训练的图像对的样本是不均衡的,也意味着训练样本标签的极度不均衡,这对于训练深度学习模型非常不利。因此,除了上述从候选图像对集合中选取的图像对集合作为训练样本的一部分之外,还需要构建伪样本,实现样本均衡。为此,给出以下构建伪样本的实施例。
可选地,步骤S13之后包括:
确定所述用作训练样本的图像对集合中,每个图像对的相对衰减比值;基于所述每个图像对的相对衰减比值,对每个图像对进行校正,再给予图像对中每个图像随机衰减,生成新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
为便于描述,将已确定的所述用作训练样本的图像对集合中的图像对称作真实图像对,真实图像对的相对衰减比值,通过绝对定标、星上定标等方式确定,此为现有技术,此处不赘述;基于所述每个图像对的相对衰减比值,对每个图像对进行校正,指:基于每个真实图像对的相对衰减比值,以真实图像对中的一个作为参考图像,对另一个图像进行校正,使得两个图像具有相同的衰减,再给予每个图像一个随机衰减,随机衰减后得到的新的图像对的相对衰减比值,即给予的随机衰减比值。基于此方式,能构建大量伪样本,从而达到样本均衡的目的,进而使得标签均衡,提升训练出的模型的准确性。
例如,某图像对的两个图像(img1,img2),其中,img1衰减为原来的80%,img2衰减为原来的75%,img1/img2=0.75/0.8,基于该相对衰减比值对(img1,img2)进行校正,以img1为参考图像,将img2进行校正,使得img2也衰减为原来的80%,此时,img1和img2中在发射时取值为1的不变点取值现在都变为了0.8,具有相同的衰减,再给该两个图像两个不同的随机衰减,分别衰减为原来的90%和70%,得到新的图像对,此时,新图像对中不变点取值变为0.8*0.9和0.8*0.7,定标系数pt1=1/(0.8*0.9),pt2=1/(0.8*0.7),二者的相对衰减比值pt1/pt2变为0.7/0.9。
可选地,步骤S13之后包括:
确定所述用作训练样本的图像对集合中,每个图像相对于初始图像的相对衰减比值,其中,所述初始图像为无传感仪器响应衰减的图像;基于每个图像相对于初始图像的相对衰减比值,对每个图像进行校正,再给予每个图像随机衰减,生成新的图像及新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
为便于描述,将已确定的所述用作训练样本的图像对集合中的图像对称作真实图像对,每个图像相对于初始图像的相对衰减比值,通过绝对定标、星上定标等方式确定,此为现有技术,此处不赘述;初始图像,指卫星发射第一天采集的遥感图像,其无传感仪器响应衰减,基于每个图像的衰减值将真实图像对中每个真实图像进行校正,其参考图像为初始图像,则真实图像对的两个图像校正后的衰减取值均等于初始图像的衰减取值,再给校正后的图像不同的随机衰减,生成新的图像对,基于给予的随机衰减可计算出新的图像对的相对衰减比值。基于此方式,能构建大量伪样本,从而达到样本均衡的目的,进而使得标签均衡,提升训练出的模型的准确性。
例如,某图像对的两个图像(img1,img2),其中,img1中不变点衰减取值为原来的80%,img2中不变点取值为原来的75%,以卫星发射第一天图像为参考图像(其中不变点取值为1),分别将img1和img2进行校正,使得img1和img2校正后的衰减取值均为1,再给该两个图像两个不同的随机衰减,分别衰减为原来的90%和70%,得到新的图像对,此时,新图像对中不变点取值变为0.9和0.7,定标系数pt1=1/(1*0.9),pt2=1/(1*0.7),二者的相对衰减比值pt1/pt2变为为0.7/0.9。
可选地,如图5,步骤S13之后包括:
步骤S14,对于所述用作训练样本的图像对集合中的每个图像,给予随机衰减,生成新的图像对;
步骤S15,基于所述随机衰减确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
为便于描述,将已确定的所述用作训练样本的图像对集合中的图像对称作真实图像对,其中,真实图像对中每个真实图像的衰减取值都已确定;在真实图像对现有衰减的基础上,给予真实图像对中两个图像不同的随机衰减,生成新的图像对,基于现有衰减和随机衰减,计算新的图像对的相对衰减比值。基于此方式,能构建大量伪样本,从而达到样本均衡的目的,进而使得标签均衡,提升训练出的模型的准确性。
可选地,上述实施方式中给真实图像的随机衰减,受真实图像表观反射率的约束。不同的传感器通道,其实际获得的图像具有不同的表观反射率取值范围,给予随机衰减后得到的新的图像,其表观反射率的取值范围仍然在相应传感器通道的表观反射率取值范围内。由于标签是连续值,且生成的伪样本数量是远多于真实样本的,在伪样本的构建中,给予的衰减在约束内完全随机从而使得样本趋于均衡。
在一可选实施方式中,确定目标传感器获取的遥感图像的表观反射率的取值范围和传感器可能的衰减范围,再基于所述表观反射率的取值范围和传感器可能的衰减范围,确定随机衰减值;其中,目标传感器指待分析的传感器通道或与待分析传感器通道相同的传感器通道。不同的传感器通道,其实际获得的图像具有不同的表观反射率取值范围,因此,基于表观反射率限定随机衰减,进而保证生成的新的图像对的可靠性,确保所训练出的模型的准确性。
例如,令目标传感器获取的遥感图像表观反射率的取值范围为[a,b](如[1,100]),传感器的衰减范围为原来的[k1,k2]倍(如[0.5,1])。给予随机衰减前的图像对img1和img2的取值范围分别为[a1,b1]与[a2,b2],若分别给予随机衰减为原来的s1与s2倍,新图像对为img1*s1和img2*s2,标签为s2/s1。其中,s1的取值范围为[a/a1,b/b1],s2的取值范围为[max(s1*k1,a/a2),min(s1*k2,b/b2)],如此,可确保随机衰减后得到的图像的表观反射率的取值范围在[a,b]中,且s2/s1的取值范围在[k1,k2]中。
本发明还提出一种传感仪器响应衰减分析装置。
一实施例中,所述传感仪器响应衰减分析装置包括:
获取单元,其用于获取待分析的目标图像对集合;
处理单元,其用于依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;
拟合单元,其用于基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
可选地,所述传感仪器响应衰减分析装置包括:
样本构建单元,其用于构建训练样本集,其中,所述训练样本集为带标签的图像对的集合,所述标签为所述图像对的相对衰减比值;
模型训练单元,其用于基于所述训练样本集,训练出所述预置的卷积神经网络模型。
可选地,所述样本构建单元,其还用于基于第一预设筛选规则从预置图像库中选取候选图像集合;基于所述候选图像集合,生成候选图像对集合;基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合。
可选地,所述样本构建单元,其还用于确定所述用作训练样本的图像对集合中,每个图像对的相对衰减比值;基于所述每个图像对的相对衰减比值,对每个图像对进行校正,再给予图像对中每个图像随机衰减,生成新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
可选地,所述样本构建单元,其还用于确定所述用作训练样本的图像对集合中,每个图像相对于初始图像的相对衰减比值,其中,所述初始图像为无传感仪器响应衰减的图像;基于每个图像相对于初始图像的相对衰减比值,对每个图像进行校正,再给予每个图像随机衰减,生成新的图像及新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
可选地,所述样本构建单元,其还用于对于所述用作训练样本的图像对集合中的每个图像,给予随机衰减,生成新的图像对;基于所述随机衰减确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
可选地,所述第一预设筛选规则包括以下至少一个:
图像显示的区域为沙漠、裸地中至少一个;
图像中像素的卫星观测角均小于第一预设角度;
图像中无缺值像素;
图像中无云。
可选地,所述第二预设筛选规则包括以下至少一个:
图像对的拍摄时刻满足:T1-T2=365.25*y±n,y∈Z,n∈[1,60],其中,T1、T2分别为图像对中两个图像的拍摄时刻,y为年份参数,n为日期参数;
图像对的对应像素的卫星观测角差值小于第二预设角度。
本发明还提出一种传感仪器响应衰减分析终端。所述传感仪器响应衰减分析终端包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的传感仪器响应衰减分析方法,相关内容及有益效果如上所述,此处不赘述。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上所述的传感仪器响应衰减分析方法,相关内容及有益效果如上所述,此处不赘述。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种传感仪器响应衰减分析方法,其特征在于,包括:
获取待分析的目标图像对集合;
依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;
基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
2.如权利要求1所述的传感仪器响应衰减分析方法,其特征在于,在所述获取待分析的目标图像对集合之前,还包括:
构建训练样本集,其中,所述训练样本集为带标签的图像对的集合,所述标签为所述图像对的相对衰减比值;
基于所述训练样本集,训练出所述预置的卷积神经网络模型。
3.如权利要求2所述的传感仪器响应衰减分析方法,其特征在于,所述构建训练样本集包括:
基于第一预设筛选规则从预置图像库中选取候选图像集合;
基于所述候选图像集合,生成候选图像对集合;
基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合。
4.如权利要求3所述的传感仪器响应衰减分析方法,其特征在于,在所述基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合之后,还包括:
确定所述用作训练样本的图像对集合中,每个图像对的相对衰减比值;基于所述每个图像对的相对衰减比值,对每个图像对进行校正,再给予图像对中每个图像随机衰减,生成新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本;
或者,
确定所述用作训练样本的图像对集合中,每个图像相对于初始图像的相对衰减比值,其中,所述初始图像为无传感仪器响应衰减的图像;基于每个图像相对于初始图像的相对衰减比值,对每个图像进行校正,再给予每个图像随机衰减,生成新的图像及新的图像对;基于所述随机衰减,确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
5.如权利要求3所述的传感仪器响应衰减分析方法,其特征在于,在所述基于第二预设筛选规则从所述候选图像对集合中,选取用作训练样本的图像对集合之后,还包括:
对于所述用作训练样本的图像对集合中的每个图像,给予随机衰减,生成新的图像对;
基于所述随机衰减确定所述新的图像对的相对衰减比值,将所述新的图像对用作训练样本。
6.如权利要求3-5中任一项所述的传感仪器响应衰减分析方法,其特征在于,所述第一预设筛选规则包括以下至少一个:
图像显示的区域为沙漠、裸地中至少一个;
图像中像素的卫星观测角均小于第一预设角度;
图像中无缺值像素;
图像中无云。
7.如权利要求3-5中任一项所述的传感仪器响应衰减分析方法,其特征在于,所述第二预设筛选规则包括以下至少一个:
图像对的拍摄时刻满足:T1-T2=365.25*y±n,y∈Z,n∈[1,60],其中,T1、T2分别为图像对中两个图像的拍摄时刻,y为年份参数,n为日期参数;
图像对的对应像素的卫星观测角差值小于第二预设角度。
8.一种传感仪器响应衰减分析装置,其特征在于,包括:
获取单元,其用于获取待分析的目标图像对集合;
处理单元,其用于依次将所述目标图像对集合中每个目标图像对输入预置的卷积神经网络模型,获得每个目标图像对的相对衰减比值;
拟合单元,其用于基于所述目标图像对集合中每个目标图像对的相对衰减比值,拟合生成所述传感仪器响应衰减曲线。
9.一种传感仪器响应衰减分析终端,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-7任一项所述的传感仪器响应衰减分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1-7任一项所述的传感仪器响应衰减分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440427.9A CN111611931B (zh) | 2020-05-22 | 2020-05-22 | 一种传感仪器响应衰减分析方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440427.9A CN111611931B (zh) | 2020-05-22 | 2020-05-22 | 一种传感仪器响应衰减分析方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611931A true CN111611931A (zh) | 2020-09-01 |
CN111611931B CN111611931B (zh) | 2024-04-09 |
Family
ID=72205171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440427.9A Active CN111611931B (zh) | 2020-05-22 | 2020-05-22 | 一种传感仪器响应衰减分析方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611931B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957086A (zh) * | 2016-05-09 | 2016-09-21 | 西北工业大学 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
CN110740230A (zh) * | 2019-10-23 | 2020-01-31 | 北京集创北方科技股份有限公司 | 图像采集方法、残影衰减参数测定***、图像采集装置、电子设备及计算机可读存储介质 |
CN111179372A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-22 CN CN202010440427.9A patent/CN111611931B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957086A (zh) * | 2016-05-09 | 2016-09-21 | 西北工业大学 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
CN110740230A (zh) * | 2019-10-23 | 2020-01-31 | 北京集创北方科技股份有限公司 | 图像采集方法、残影衰减参数测定***、图像采集装置、电子设备及计算机可读存储介质 |
CN111179372A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
陈楠楠 等: "一种EMD的SAR图像自适应辐射均衡方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN111611931B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mamaghani et al. | Multispectral sensor calibration and characterization for sUAS remote sensing | |
Goslee | Analyzing remote sensing data in R: the landsat package | |
Morfitt et al. | Landsat-8 Operational Land Imager (OLI) radiometric performance on-orbit | |
CN111461052A (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
Heiskanen et al. | Use of airborne lidar for estimating canopy gap fraction and leaf area index of tropical montane forests | |
Minařík et al. | Radiometric and atmospheric corrections of multispectral μMCA camera for UAV spectroscopy | |
CN113920441A (zh) | 一种高精度的农田植被信息提取方法 | |
Pahlevan et al. | Uncertainties in coastal ocean color products: Impacts of spatial sampling | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
CN109712089A (zh) | 适用于出口型遥感卫星红外短波载荷相对辐射校正的方法 | |
Casa et al. | Retrieval of crop canopy properties: a comparison between model inversion from hyperspectral data and image classification | |
US7796153B1 (en) | Equalization system and method for an imaging sensor | |
JP2018527667A (ja) | 異なる点像分布関数での一連の画像内の様々な発光強度をもつ点光源の検出 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及*** | |
CN104198397B (zh) | 氮磷钾交互作用下温室作物营养含量检测的方法 | |
CN111611931B (zh) | 一种传感仪器响应衰减分析方法、装置及终端 | |
CN111199557A (zh) | 一种遥感器衰变的定量分析方法及*** | |
CN116469000A (zh) | 森林地上生物量和叶面积指数的反演方法及装置 | |
CN115452167A (zh) | 基于不变像元的卫星遥感器交叉定标方法和装置 | |
CN115082812A (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
CN102855625A (zh) | 一种半球摄影法获取水稻冠层丛生指数的方法 | |
Gascon et al. | Using multi‐directional high‐resolution imagery from POLDER sensor to retrieve leaf area index | |
CN115015180B (zh) | 一种基于光谱反射率重建技术的水果糖度无损检测方法 | |
Li et al. | An evaluation of the temporal stability of HJ-1 CCD data using a desert calibration site and Landsat 7 ETM+ | |
CN113570523B (zh) | 针对光学图像的相对辐射校正系数自动生成和外推方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210422 Address after: 518055 Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province, Harbin University of Technology Campus Applicant after: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) Applicant after: NATIONAL SATELLITE METEOROLOGICAL CENTER Address before: 1611, building L, Harbin Institute of Technology campus, Xili University Town, Nanshan District, Shenzhen City, Guangdong Province Applicant before: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |