CN115797362A - 高分遥感影像的质量评估方法、装置及电子设备 - Google Patents
高分遥感影像的质量评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115797362A CN115797362A CN202310102505.8A CN202310102505A CN115797362A CN 115797362 A CN115797362 A CN 115797362A CN 202310102505 A CN202310102505 A CN 202310102505A CN 115797362 A CN115797362 A CN 115797362A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- resolution remote
- cloud
- quality evaluation
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000002310 reflectometry Methods 0.000 claims abstract description 155
- 230000011218 segmentation Effects 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 77
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 69
- 230000003595 spectral effect Effects 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000001303 quality assessment method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种高分遥感影像的质量评估方法、装置及电子设备,包括:获取待评估的原始高分遥感影像;基于原始高分遥感影像对应的元数据生成表观反射率影像;基于表观反射率影像对原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于表观反射率影像和预设决策树对原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;根据对象级分割影像和像元级质量评估影像,确定原始高分遥感影像对应的目标质量评估影像。本发明可以显著提高对高分遥感影像进行质量评估的准确度。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其是涉及一种高分遥感影像的质量评估方法、装置及电子设备。
背景技术
目前,主流的并能够实现工程化应用的对光学遥感影像进行评估方法有两种,分别为面向landsat影像的Fmask(Function of mask)算法和面向sentinel2影像的SC(SceneClassification)算法,Fmask和SC算法基本思想基于遥感影像大气表观反射率产品(TOA,Top of Atmosphere Reflectance),检测出影像质量的云、云阴影、雪、水体等区域,生成像元级别的质量评估影像产品。上述方法在高分影像工程应用中存在以下问题:(1)没有利用面向对象分割技术,精度有限;(2)通常用到400-11000nm波段信息,包括了可见光、近红外、中红外和热红外波段信息,而高分影像只有400-1000nm波段信息,即只有可见光和近红外波段信息,导致上述方法很难适用于高分影像;(3)由于高分卫星轨道较低,山地起伏引起的山体阴影对影像质量也是重要干扰因素,而上述方法无法检测出山体阴影。综上所述,现有方案存在光学遥感影像评估的准确度较差的问题。
发明内容
有鉴于此,本发明的目的在于提供一种高分遥感影像的质量评估方法、装置及电子设备,可以显著提高对高分遥感影像进行质量评估的准确度。
第一方面,本发明实施例提供了一种高分遥感影像的质量评估方法,包括:获取待评估的原始高分遥感影像;基于所述原始高分遥感影像对应的元数据生成表观反射率影像;基于所述表观反射率影像对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于所述表观反射率影像和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像。
在一种实施方式中,所述元数据至少包括定标系数、日地距离、太阳平均辐照度、太阳高度角;基于所述原始高分遥感影像对应的元数据生成表观反射率影像,包括:从所述原始高分遥感影像中确定目标波段影像的量化值;基于所述定标系数和所述量化值,确定所述目标波段影像对应的表观辐射亮度;基于所述表观辐射亮度、所述日地距离、所述太阳平均辐照度和所述太阳高度角,确定所述目标波段影像对应的表观反射率影像。
在一种实施方式中,所述目标波段影像至少包括绿波段影像、红波段影像、红外波段影像;基于所述表观反射率影像对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像,包括:根据所述绿波段影像、所述红波段影像和所述红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行标准假彩色转灰度处理,得到光谱影像;其中,所述光谱影像的波段数目为1;对所述光谱影像进行非线性拉伸处理,得到归一化光谱影像;对所述归一化光谱影像进行面向对象影像分割处理,得到对象级分割影像。
在一种实施方式中,所述元数据还包括太阳天顶角、太阳方位角和数字高程模型,所述目标波段影像至少包括蓝波段影像、绿波段影像、红波段影像、近红外波段影像,所述预设决策树包括云检测、水体检测、云阴影检测、山体阴影检测、植被检测中的一种或多种;基于所述表观反射率影像和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像,包括:根据所述蓝波段影像、所述绿波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云检测,得到云影像;其中,所述云检测包括薄云检测和/或厚云检测;根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述水体检测,得到水体影像;根据所述近红外波段影像对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云阴影检测,得到云阴影影像;根据所述太阳天顶角、所述太阳方位角和所述数字高程模型,对所述表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像;根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述植被检测,得到植被影像;将所述原始高分遥感影像中除所述云影像、所述水体影像、所述云阴影影像、所述山体阴影影像和所述植被影像之外的区域确定为其他类型影像;基于所述云影像、所述水体影像、所述云阴影影像、所述山体阴影影像、所述植被影像和所述其他类型影像,得到像元级质量评估影像。
在一种实施方式中,根据所述蓝波段影像、所述绿波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云检测,得到云影像,包括:对于所述原始高分遥感影像中的每个影像区域,根据该影像区域内所述蓝波段影像、所述绿波段影像和所述红波段影像分别对应的所述表观反射率影像,计算HOT指数和可见光波段比值指数;如果在该影像区域内所述HOT指数大于HOT分割阈值,且所述可见光波段比值指数大于比值分割阈值,且所述红波段影像对应的所述表观反射率影像大于第一反射率阈值,确定该影像区域为厚云影像;提取所述厚云影像对应的所述表观反射率影像,遍历所述厚云影像对应的所述表观反射率影像中每个波段对应的厚云像元值,并基于所述厚云像元值构建厚云标准光谱;基于所述厚云标准光谱,计算所述厚云影像与所述原始高分遥感影像中的每个非厚云影像区域之间的光谱相似性影像;对于所述原始高分遥感影像中的处所述厚云影像之外的影像区域,如果该影像区域对应的所述光谱相似性影像大于薄云相似性分割阈值,且所述近红外波段影像对应的所述表观反射率影像大于第二分辨率分割阈值,确定该影像区域为薄云影像。
在一种实施方式中,根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述水体检测,得到水体影像,包括:对于所述原始高分遥感影像中除所述云影像之外的影像区域,根据该影像区域内所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,确定第一归一化植被指数;如果在该影像区域内所述第一归一化植被指数小于第一水体分割阈值,且所述近红外波段影像对应的所述表观反射率影像小于第三分辨率阈值,确定该影像区域为水体影像;或者,如果在该影像区域内所述第一归一化植被指数小于第二水体分割阈值,且所述近红外波段影像对应的所述表观反射率影像小于第四分辨率阈值,确定该影像区域为水体影像。
在一种实施方式中,根据所述近红外波段影像对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云阴影检测,得到云阴影影像,包括:对于所述原始高分遥感影像中除所述云影像和所述水体影像之外的影像区域,构建该影像区域内所述近红外波段影像对应的影像值直方图;提取所述影像值直方图中大于指定影像值所在的第一个位置对应的近红外波段影像的目标影像值;基于所述目标影像值对所述近红外波段影像进行填充;计算该影像区域对应的所述表观反射率影像与填充后的所述近红外波段影像对应的所述表观反射率影像的比值;如果所述比值大于云阴影分割阈值,确定该影像区域为云阴影影像。
在一种实施方式中,根据所述太阳天顶角、所述太阳方位角和所述数字高程模型,对所述表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像,包括:对于所述原始高分遥感影像中除所述云影像、所述水体影像和所述云阴影影像之外的影像区域,根据所述数字高程模型确定该影像区域内每个像元所处位置的坡度数据和坡向数据;根据所述太阳天顶角、所述太阳方位角、每个所述像元对应的所述坡度数据和所述坡向数据,计算每个所述像元对应的山体阴影概率值;从所述像元中提取出所述山体阴影概率值大于山体阴影分割阈值的目标像元,以基于所述目标像元确定山体阴影影像。
在一种实施方式中,根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述植被检测,得到植被影像,包括:对于所述原始高分遥感影像中除所述云影像、所述水体影像、所述云阴影影像和所述山体阴影影像之外的影像区域,根据该影像区域内根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算增强植被指数;以及根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算第二归一化植被指数;以及根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算相对活力指数;如果在该影像区域内所述相对活力指数大于活力指数分割阈值,且所述第二归一化植被指数大于归一化植被分割阈值,且所述增强植被指数大于增强植被分割阈值,确定该影像区域为植被影像。
在一种实施方式中,根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像,包括:对于所述对象级分割影像中的每个对象,利用空间叠加分析算法确定该对象对应的所述像元级质量评估影像;确定该对象对应的所述像元级质量评估影像中每个影像类别的像元数目比例;将最大像元数目比例对应的影像类别确定该对象对应的对象级质量评估影像和可信度影像;利用权重分析算法,根据每个所述对象对应的所述对象级质量评估影像和所述可信度影像对每个所述对象进行综合评价,得到所述原始高分遥感影像对应的目标质量评估影像。
第二方面,本发明实施例还提供一种高分遥感影像的质量评估装置,包括:影像获取模块,用于获取待评估的原始高分遥感影像;反射率生成模块,用于基于所述原始高分遥感影像对应的元数据生成表观反射率影像;影像处理模块,用于基于所述表观反射率对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于所述表观反射率和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;影像评估模块,用于根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种高分遥感影像的质量评估方法、装置及电子设备,首先获取待评估的原始高分遥感影像,并基于原始高分遥感影像对应的元数据生成表观反射率影像,从而基于表观反射率影像对原始高分遥感影像进行面向对象影像分割处理得到对象级分割影像,以及基于表观反射率影像和预设决策树对原始高分遥感影像进行像元级质量评估得到像元级质量评估影像,最后根据对象级分割影像和像元级质量评估影像,确定原始高分遥感影像对应的目标质量评估影像。上述方法首先基于原始高分遥感对应的元数据生成表观反射率影像,从而在该表观反射率影像的基础上分别对原始高分遥感影像进行面向对象影像分割处理,以及结合预设决策树进行像元级质量评估结果,从而根据对象级分割影像和像元级质量评估影像得到目标质量评估影像,从而可以显著提高对高分遥感影像进行质量评估的准确度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高分遥感影像的质量评估方法的流程示意图;
图2为本发明实施例提供的另一种高分遥感影像的质量评估方法的流程示意图;
图3为本发明实施例提供的一种生成表观反射率影像的流程示意图;
图4为本发明实施例提供的一种生成对象级分割影像的流程示意图;
图5为本发明实施例提供的一种生成像元级质量评估影像的流程示意图;
图6为本发明实施例提供的一种像素级和对象级分割融合的流程图;
图7为本发明实施例提供的一种表观反射率影像的示意图;
图8为本发明实施例提供的一种对象级分割影像的示意图;
图9为本发明实施例提供的一种像元级质量评估影像的示意图;
图10为本发明实施例提供的一种对象级质量评估影像的示意图;
图11为本发明实施例提供的一种对象级可信度影像的示意图;
图12为本发明实施例提供的一种目标质量评估影像的示意图;
图13本发明实施例提供的一种高分遥感影像的质量评估装置的结构示意图;
图14为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
高分专项工程是中长期科学和技术发展规划纲要(2000-2020年) 的16个重大科技专项之一,其中高分一号、高分二号和高分六号(以下简称GF1,GF2,GF6)是应用最为广泛的亚米级光学卫星,然而对高分影像像元质量评估的缺失,严重制约着高分卫星影像在防灾救灾、国土监测、生态环境保护等诸多领域的应用,对高分影像进行快速准确的影像像元质量评估成为高分卫星应用的首要前提。
目前,SC算法和Fmask算法都依赖Landsat和sentinel2丰富的光谱信息,即用这些光谱信息比较好能够完成质量评估,而GF影像只有四波段,光谱信息很有限,必须借助其他技术手段提高评估精度;虽然面向对象技术的速度较慢,计算复杂,应用难度大,但是其可以有效提高遥感影像分析和解译能力,因此本发明实施例利用面向对象等技术可显著提升高分遥感影像质量评估的精度。
基于此,本发明实施提供了一种高分遥感影像的质量评估方法、装置及电子设备,可以显著提高对高分遥感影像进行质量评估的准确度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种高分遥感影像的质量评估方法进行详细介绍,参见图1所示的一种高分遥感影像的质量评估方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取待评估的原始高分遥感影像。其中,原始高分遥感影像也可称之为原始GF多光谱影像数据、高分卫星影像等。
步骤S104,基于原始高分遥感影像对应的元数据生成表观反射率影像。其中,元数据可以包括定标系数、日地距离、太阳平均辐照度、太阳高度角、太阳天顶角、太阳方位角和数字高程模型中的一种或多种,还可以包括光谱响应函数、卫星几何信息、传感器信息、影像获取时间等数据。在一种实施方式中,可以利用原始数据元数据中的定标系数生成表观辐亮度影像,再利用表观辐亮度影像,结合影像获取时间、太阳平均辐照度、太阳高度角等元数据,计算生成表观反射率影像。
步骤S106,基于表观反射率影像对原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于表观反射率影像和预设决策树对原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像。其中,预设决策树包括云检测、水体检测、云阴影检测、山体阴影检测、植被检测中的一种或多种。在一种实施方式中,由于面向对象分割更多是面向于自然图像,而原始高分遥感影像波段数目较多,为了充分利用遥感光谱,可以结合自然图斑彩色转灰度算法,利用遥感标准假彩色和表观反射率影像合成波段计算灰度波段,生成波段数目为1的光谱影像,再经过拉伸处理生成归一化光谱影像,最后对归一化光谱影像进行影像分割即可生成对象级分割影像。在一种实施方式中,像元级的质量评估方法主要利用决策树的架构,逐步分层次的实现原始高分遥感影像质量的区域检测,具体包括云、水体、云阴影、山体阴影、植被、其他类别的检测,最终生成像元级质量评估影像。
步骤S108,根据对象级分割影像和像元级质量评估影像,确定原始高分遥感影像对应的目标质量评估影像。在一种实施方式中,虽然像元级质量评估影像分割速度快,但是会有碎斑、孤岛、椒盐噪声等问题,会降低质量评估的精度,而面向对象影像分割处理则具备图斑边界准确、噪声小等优点,所以利用面向对象影像分割处理对像元级质量评估影像进行整合优化,以构建对象级质量评估影像,最后基于权重分析对对象级质量评估影像中每一个区域类别的对象进行综合评价,即可得到目标质量评估影像。
本发明实施例提供的高分遥感影像的质量评估方法,首先基于原始高分遥感对应的元数据生成表观反射率影像,从而在该表观反射率影像的基础上分别对原始高分遥感影像进行面向对象影像分割处理,以及结合预设决策树进行像元级质量评估结果,从而根据对象级分割影像和像元级质量评估影像得到目标质量评估影像,从而可以显著提高对高分遥感影像进行质量评估的准确度。
为便于对前述实施例进行理解,本发明实施例提供了如图2所示的另一种高分遥感影像的质量评估方法的流程示意图,该方法主要包括:获取原始高分遥感影像、影像处理确定表观反射率影像M1、面向对象的影像分割确定对象级分割影像M2、基于决策树的像元级质量评价确定像元级质量评估影像M3、对象级整合优化确定对象级质量评估影像M4、基于权重分析的综合评价确定目标质量评估影像M5。
在前述图2的基础上,为便于对前述步骤S104进行理解,本发明实施例提供了一种基于原始高分遥感影像对应的元数据生成表观反射率影像的实施方式,参见图3所示的一种生成表观反射率影像的流程示意图,主要包括:获取原始高分遥感影像(原始GF数据)和元数据、辐射定标、表观反射率计算确定表观反射率影像M1。为便于理解,具体可参见如下步骤1至步骤3:
步骤1,从原始高分遥感影像中确定目标波段影像的量化值。其中,目标波段影像可以为蓝波段影像、绿波段影像、红波段影像、近红外波段影像等。示例性的,可以将原始高分遥感影像中第i波段影像像元的量化值记为DN。
步骤2,基于定标系数和量化值,确定目标波段影像对应的表观辐射亮度。其中,定标系数可以包括增益系数和偏移系数。在一种实施方式中,可以利用元数据中的定标系数,生成表观辐亮度影像,具体计算公式如下所示:
步骤3,基于表观辐射亮度、日地距离、太阳平均辐照度和太阳高度角,确定目标波段影像对应的表观反射率影像。在一种实施方式中,可以利用表观辐亮度影像,结合影像获取时间、太阳平均辐照度、太阳高度角等元数据,计算生成表观反射率影像,具体公式如下所示:
在前述图2的基础上,为便于对前述步骤S106进行理解,本发明实施例提供了一种基于表观反射率影像对原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像的实施方式,参见图4所示的一种生成对象级分割影像的流程示意图,包括:获取表观反射率影像M1、标准假彩色转灰度、影像拉伸确定归一化光谱影像、影像分割确定对象级分割影像M2。为便于理解,具体可参见如下步骤一至步骤三:
步骤一,根据绿波段影像、红波段影像和红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行标准假彩色转灰度处理,得到光谱影像。其中,光谱影像的波段数目为1。在一种实施方式中,标准假彩色转灰度处理的原理如下所示:
步骤二,对光谱影像进行非线性拉伸处理,得到归一化光谱影像。在一种实施方式中,对光谱影像进行98%非线性拉伸处理,生成uint8数据类型的归一化光谱影像,归一化光谱影像波段为1,大小为(H,W),非线性拉伸处理的原理如下所示:
步骤三,对归一化光谱影像进行面向对象影像分割处理,得到对象级分割影像。在一种实施方式中,可以利用MeanShift影像分割方法对归一化光谱影像进行分割,MeanShift是一种无参数核密度估计的迭代算法,其核心是对特征空间的样本点进行聚类,样本点沿梯度上升方向收敛至密度梯度为零的点即模态点。MeanShift有两个关键参数,分别为核函数和窗宽。假设,i=1,……n,n为d维度欧式空间中任意n个点的集合,以核函数函数k(x)和窗宽h的估计密度函数为:
基于此,MeanShift变换则为:
在前述图2的基础上,为便于对前述步骤S106进行理解,本发明实施例还提供了一种基于表观反射率影像和预设决策树对原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像的实施方式,参见图5所示的一种生成像元级质量评估影像的流程示意图,包括:获取表观反射率影像M1;开始云检测:判断是否为云,如果是,则基于光谱相似性分析的薄云和厚云检测,确定薄云影像和厚云影像,如果否,则进行水体检测;开始水体检测:判断是否为水体,如果是,得到水体影像,如果否,则进行云阴影检测;开始云阴影检测:判断是否为云阴影,如果是,得到云阴影影像,如果否,则进行山体阴影检测;开始山体阴影检测:判断是否为山体阴影,如果是,得到山体阴影影像,如果否,则进行植被检测;开始植被检测:判断是否为植被,如果是,得到植被影像,如果否,得到像元级质量评估影像M3。为便于理解,具体可参见如下步骤a至步骤g:
步骤a,根据蓝波段影像、绿波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行云检测,得到云影像;其中,云检测包括薄云检测和/或厚云检测。在实际应用中,一般的质量评估算法只能检测出来云这一大类别,很难区分薄云和厚云,而实践表明薄云区域的影像部分是可以用于遥感应用的,为了提高质量评估算法的准确性和精细度,云检测包括厚云和薄云检测。在具体实现时,可以参见如下步骤a1至步骤a5:
步骤a1,对于原始高分遥感影像中的每个影像区域,根据该影像区域内蓝波段影像、绿波段影像和红波段影像分别对应的表观反射率影像,计算HOT指数和可见光波段比值指数。在一种实施方式中,首先进行厚云检测,厚云检测是基于HOT指数、可见光波段比值(VBR)指数、红波段等阈值分割获取。其中,HOT指数计算公式如下所示:
VBR指数计算公式如下所示:
步骤a2,如果在该影像区域内HOT指数大于HOT分割阈值,且可见光波段比值指数大于比值分割阈值,且红波段影像对应的表观反射率影像大于第一反射率阈值,确定该影像区域为厚云影像。在一种实施方式中,厚云检测方法如下所示:
步骤a3,提取厚云影像对应的表观反射率影像,遍历厚云影像对应的表观反射率影像中每个波段对应的厚云像元值,并基于厚云像元值构建厚云标准光谱。在实际应用中,通过大量的分析试验,薄云相对于厚云在近红外波段阈值较低,并且和厚云的光谱有一定的相似性。因此,首先根据厚云区域,构建厚云标准光谱,构建方法如下:
基于表观反射率影像M1结合厚云区域,提取出厚云区域的表观反射率影像,记为,波段数目为N,遍历各个波段提取厚云像元值,得到数据,尺度大小为(N,),为厚云区域的像元数目,基于构建厚云标准光谱,公式如下:
步骤a5,对于原始高分遥感影像中的处厚云影像之外的影像区域,如果该影像区域对应的光谱相似性影像大于薄云相似性分割阈值,且近红外波段影像对应的表观反射率影像大于第二分辨率分割阈值,确定该影像区域为薄云影像。在一种实施方式中,薄云检测方法如下:
步骤b,根据红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行水体检测,得到水体影像。在具体实现时,可以参见如下步骤b1至步骤b2:
步骤b1,对于原始高分遥感影像中除云影像之外的影像区域,根据该影像区域内红波段影像和近红外波段影像分别对应的表观反射率影像,确定第一归一化植被指数NDVI(Normalized Difference Vegetation Index)。在一种实施方式中,可以按照如下公式计算第一归一化植被指数NDVI:
步骤b2,如果在该影像区域内第一归一化植被指数小于第一水体分割阈值,且近红外波段影像对应的表观反射率影像小于第三分辨率阈值,确定该影像区域为水体影像;或者,如果在该影像区域内第一归一化植被指数小于第二水体分割阈值,且近红外波段影像对应的表观反射率影像小于第四分辨率阈值,确定该影像区域为水体影像。在一种实施方式中,可以利用水体的光谱特征进行水体提取,生成水体影像,具体如下:
步骤c,根据近红外波段影像对应的表观反射率影像,对原始高分遥感影像进行云阴影检测,得到云阴影影像。在实际应用中,由于云阴影在近红外波段最为敏感,所以基于近红外波段表观反射率进行云阴影检测,首先压缩近红外波段生成Uint8类型影像,再对Uint8数据类型的近红外波段构建累计直方图(也可称之为,影像值直方图),提取累计直方图在(也即,指定影像值)处的近红外影像值,然后利用基于洪水填充算法(flood-fill)填充近红外波段影像,最后构建填充和非波段的比值指数检测出云阴影区域。在具体实现时,可以参见如下步骤c1至步骤c5:
步骤c1,对于原始高分遥感影像中除云影像和水体影像之外的影像区域,构建该影像区域内近红外波段影像对应的影像值直方图。在具体实现时,可按照如下公式构建影像值直方图:
步骤c2,提取影像值直方图中大于指定影像值所在的第一个位置对应的近红外波段影像的目标影像值,具体可参见如下公式:
步骤c3,基于目标影像值对近红外波段影像进行填充,具体可参见如下公式:
步骤c4,计算该影像区域对应的表观反射率影像与填充后的近红外波段影像对应的表观反射率影像的比值。
步骤c5,如果比值大于云阴影分割阈值,确定该影像区域为云阴影影像,具体可参见如下公式:
步骤d,根据太阳天顶角、太阳方位角和数字高程模型,对表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像。在实际应用中,由于GF卫星轨道较低,如在监测地处丘陵地带时,复杂、起伏较大的地形会容易形成山体阴影区域,为了提高质量评估的准确性和有效性,有必要对山地区域的原始高分遥感影像进行山体阴影的检测。在一种实施方式中,可以根据元数据中的太阳天顶角、太阳方位角,以及数字高程模型 DEM(DigitalElevation Model)影像对表观反射率影像M1中的山体阴影区域进行识别。首先利用DEM数据计算出像元所处位置的坡度()和坡向(),而后结合太阳天顶角()和方位角()计算出每个像元的山体阴影概率值,利用所有像元构建的山体阴影概率影像以及山体影像阈值提取出山体阴影区域得到山体阴影影响。在具体实现时,可以参见如下步骤d1至步骤d3:
步骤d1,对于原始高分遥感影像中除云影像、水体影像和云阴影影像之外的影像区域,根据数字高程模型确定该影像区域内每个像元所处位置的坡度数据和坡向数据。在一种实施方式中,可以按照如下公式计算每个像元所处位置的坡度数据和坡向数据:
步骤d2,根据太阳天顶角、太阳方位角、每个像元对应的坡度数据和坡向数据,计算每个像元对应的山体阴影概率值。在一种实施方式中,可以按照如下公式计算每个像元对应的山体阴影概率值:
步骤d3,从像元中提取出山体阴影概率值大于山体阴影分割阈值的目标像元,以基于目标像元确定山体阴影影像,具体参见如下公式:
步骤e,根据蓝波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行植被检测,得到植被影像。在实际应用中,可以根据植被的光谱特征提取植被区域,生成植被影像。为便于理解,具体可参见如下步骤e1至步骤e4:
步骤e1,对于原始高分遥感影像中除云影像、水体影像、云阴影影像和山体阴影影像之外的影像区域,根据该影像区域内根据蓝波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,计算增强植被指数(EVI,Enhanced Vegetation Index)。在一种实施方式中,可以按照如下公式计算增强植被指数EVI:
步骤e2,根据红波段影像和近红外波段影像分别对应的表观反射率影像,计算第二归一化植被指数。在一种实施方式中,可以按照如下公式计算第二归一化植被指数NDVI:
步骤e3,根据红波段影像和近红外波段影像分别对应的表观反射率影像,计算相对活力指数。在一种实施方式中,可以按照如下公式计算相对活力指数RVI(RelativeVigor Index):
步骤e4,如果在该影像区域内相对活力指数大于活力指数分割阈值,且第二归一化植被指数大于归一化植被分割阈值,且增强植被指数大于增强植被分割阈值,确定该影像区域为植被影像,具体可参见如下公式:
步骤g,基于云影像、水体影像、云阴影影像、山体阴影影像、植被影像和其他类型影像,得到像元级质量评估影像。在一种实施方式中,基于,,,,以及生成像元级质量评估影像M3,大小为(H, W),M3中像元值对象类型如下表1所示:
表1
在前述图2的基础上,为便于对前述步骤S108进行理解,本发明实施例还提供了一种根据对象级分割影像和像元级质量评估影像,确定原始高分遥感影像对应的目标质量评估影像的实施方式,可以首先进行对象级分割影像和像元级质量评估影像的融合得到对象级质量评估影像M4,然后在对融合后的对象级质量评估影像M4进行综合质量评估得到目标质量评估影像M5。
在一种实施方式中,在进行对象级分割影像和像元级质量评估影像的融合得到对象级质量评估影像M4时,可以参见如图6所示的一种像素级和对象级分割融合的流程图,包括:获取对象级分割影像M2、遍历的对象级分割影像M2所有对象、获取像元级质量评估影像M3、空间叠加分析、计算对象C内各个类型的像元数目占比以及占比最大的类型、创建C对象类型和占比、依次遍历所有对象,确定对象级质量评估影像M4以及对象级可信度影像P4。
在具体实现时,具体可参见如下(1)至(4):
(1)对于对象级分割影像中的每个对象,利用空间叠加分析算法确定该对象对应的像元级质量评估影像。在一种实施方式中,首先获取对象级分割影像M2中所有对象,并遍历每一个对象,其中,一个对象为C1,利用空间叠加分析,结合像元级质量评估影像M3,获取对象C1区域对应的像元级质量评估影像,记为C2。
(2)确定该对象对应的像元级质量评估影像中每个影像类别的像元数目比例。在一种实施方式中,可以计算C2中各个类别的像元数目比例,记像元数目比例最大为P,对应类别为L,则C1对象类别属性更新为L,同时C1为L可信度为P,0<P<=1。
(3)将最大像元数目比例对应的影像类别确定该对象对应的对象级质量评估影像和可信度影像。在一种实施方式中,按照上述方式进行循环,以构建对象级质量评估影像M4,以及可信度影像P4,大小均为(H, W)。
(4)利用权重分析算法,根据每个对象对应的对象级质量评估影像和可信度影像对每个对象进行综合评价,得到原始高分遥感影像对应的目标质量评估影像。在一种实施方式中,利用对象级质量评估影像M4和可信度影像P4,基于权重分析技术对对象级质量评估影像M4中的每一个类别对象进行综合评价,最终生成目标质量评估影像M5。对象级质量评估影像M4中其中一个对象的评估得分,公式如下:
根据每个类别对遥感影像质量的影响程度的不同,各个类别划定的基础权重如下表2所示:
表2
表3:
为便于对前述实施例进行理解,本发明实施例提供了一种高分遥感影像的质量评估方法的应用示例。具体的:
(一)影像处理:
选取GF2卫星遥感数据,其中一景影像数据名称为GF2_PMS1_E109.5_N29.4_20190812_L1A0004176596-MSS1,拍摄时间为2019年8月12日,获取各个波段光谱响应函数、定标系数,以及卫星几何角度,对影像进行辐射定标、TOA计算,得到表观反射率影像M1,大小为(8784, 7491),波段数为4。参见图7所示的一种表观反射率影像的示意图,表观反射率影像M1包含影响影像质量的厚云、薄云、云阴影、山体阴影、水体、植被等类别地物,以及具备一定的代表性。
(二)面向对象的影像分割:
对表观反射率影像M1影像进行标准假彩色转灰度处理,得到波段为1光谱灰度影像,获取光谱灰度影像最小值为0.0006,最大值0.4538,并对其进行归一化处理,生成归一化影像,在基于MeanShift分割算法,生成对象级分割影像M2,参见图8所示的一种对象级分割影像的示意图,M2大小为(8784, 7491)。
(三)基于决策树的像元级质量评估:
像元级的质量评估方法主要利用决策树的架构,逐步分层次的实现影响GF影像质量的区域检测,具体包括云、水体、云阴影、山体阴影、植被、其他类别的检测,下表4为实例中的各个像元阈值:
表4
通过上述像元级的阈值分割,得到像元级质量评估影像M3,参见图9所示的一种像元级质量评估影像的示意图,像元级质量评估影像M3大小为(8784, 7491)。
(四)像素级和对象级分割融合:
基于对象级分割影像M2和像元级质量评估影像M3,综合像元级分割速度快以及对象级分割图斑边界准确由于像元级的质量评估影像,会有碎斑、孤岛、椒盐噪声等问题,会降低质量评估的精度,所以利用面向对象的分割影像对质量影像进行整合优化,得到对象级质量评估影像M4和对象级可信度影像P4,诸如图10所示的一种对象级质量评估影像的示意图,以及图11所示的一种对象级可信度影像的示意图。
(五)综合质量评估:
利用对象级质量评估影像M4和对象级可信度影像P4,基于权重分析技术对对象级质量评估影像M4中的每一个类别对象进行综合评价,最终生成目标质量评估影像,具体可参见图12所示的一种目标质量评估影像的示意图。
综上所述,本发明实施例提供了一种面向高分卫星影像的快速、准确、便于工程化应用的质量评估方法,适用于GF1、GF2、GF6等原始高分遥感影像,该方法利用像素级和对象级分割融合、决策树分层、光谱分析、权重分析等技术实现高分影像质量评估,并且可以检测薄云厚云以及山体阴影、综合评估像元质量,具备适用性强、准确度高、自动化程度高等优势,能够为国土监测、环境变化、灾害监测和评估等领域方面的提供基础技术支撑。
对于前述实施例提供的高分遥感影像的质量评估方法,本发明实施例提供了一种高分遥感影像的质量评估装置,参见图13所示的一种高分遥感影像的质量评估装置的结构示意图,该装置主要包括以下部分:
影像获取模块1302,用于获取待评估的原始高分遥感影像;
反射率生成模块1304,用于基于原始高分遥感影像对应的元数据生成表观反射率影像;
影像处理模块1306,用于基于表观反射率对原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于表观反射率和预设决策树对原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;
影像评估模块1308,用于根据对象级分割影像和像元级质量评估影像,确定原始高分遥感影像对应的目标质量评估影像。
本发明实施例提供的高分遥感影像的质量评估装置,首先基于原始高分遥感对应的元数据生成表观反射率影像,从而在该表观反射率影像的基础上分别对原始高分遥感影像进行面向对象影像分割处理,以及结合预设决策树进行像元级质量评估结果,从而根据对象级分割影像和像元级质量评估影像得到目标质量评估影像,从而可以显著提高对高分遥感影像进行质量评估的准确度。
在一种实施方式中,所述元数据至少包括定标系数、日地距离、太阳平均辐照度、太阳高度角;反射率生成模块1304还用于:从所述原始高分遥感影像中确定目标波段影像的量化值;基于所述定标系数和所述量化值,确定所述目标波段影像对应的表观辐射亮度;基于所述表观辐射亮度、所述日地距离、所述太阳平均辐照度和所述太阳高度角,确定所述目标波段影像对应的表观反射率影像。
在一种实施方式中,目标波段影像至少包括绿波段影像、红波段影像、红外波段影像;影像处理模块1306还用于:根据绿波段影像、红波段影像和红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行标准假彩色转灰度处理,得到光谱影像;其中,光谱影像的波段数目为1;对光谱影像进行非线性拉伸处理,得到归一化光谱影像;对归一化光谱影像进行面向对象影像分割处理,得到对象级分割影像。
在一种实施方式中,元数据还包括太阳天顶角、太阳方位角和数字高程模型,目标波段影像至少包括蓝波段影像、绿波段影像、红波段影像、近红外波段影像,预设决策树包括云检测、水体检测、云阴影检测、山体阴影检测、植被检测中的一种或多种;影像处理模块1306还用于:根据蓝波段影像、绿波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行云检测,得到云影像;其中,云检测包括薄云检测和/或厚云检测;根据红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行水体检测,得到水体影像;根据近红外波段影像对应的表观反射率影像,对原始高分遥感影像进行云阴影检测,得到云阴影影像;根据太阳天顶角、太阳方位角和数字高程模型,对表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像;根据蓝波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,对原始高分遥感影像进行植被检测,得到植被影像;将原始高分遥感影像中除云影像、水体影像、云阴影影像、山体阴影影像和植被影像之外的区域确定为其他类型影像;基于云影像、水体影像、云阴影影像、山体阴影影像、植被影像和其他类型影像,得到像元级质量评估影像。
在一种实施方式中,影像处理模块1306还用于:对于原始高分遥感影像中的每个影像区域,根据该影像区域内蓝波段影像、绿波段影像和红波段影像分别对应的表观反射率影像,计算HOT指数和可见光波段比值指数;如果在该影像区域内HOT指数大于HOT分割阈值,且可见光波段比值指数大于比值分割阈值,且红波段影像对应的表观反射率影像大于第一反射率阈值,确定该影像区域为厚云影像;提取厚云影像对应的表观反射率影像,遍历厚云影像对应的表观反射率影像中每个波段对应的厚云像元值,并基于厚云像元值构建厚云标准光谱;基于厚云标准光谱,计算厚云影像与原始高分遥感影像中的每个非厚云影像区域之间的光谱相似性影像;对于原始高分遥感影像中的处厚云影像之外的影像区域,如果该影像区域对应的光谱相似性影像大于薄云相似性分割阈值,且近红外波段影像对应的表观反射率影像大于第二分辨率分割阈值,确定该影像区域为薄云影像。
在一种实施方式中,影像处理模块1306还用于:对于原始高分遥感影像中除云影像之外的影像区域,根据该影像区域内红波段影像和近红外波段影像分别对应的表观反射率影像,确定第一归一化植被指数;如果在该影像区域内第一归一化植被指数小于第一水体分割阈值,且近红外波段影像对应的表观反射率影像小于第三分辨率阈值,确定该影像区域为水体影像;或者,如果在该影像区域内第一归一化植被指数小于第二水体分割阈值,且近红外波段影像对应的表观反射率影像小于第四分辨率阈值,确定该影像区域为水体影像。
在一种实施方式中,影像处理模块1306还用于:对于原始高分遥感影像中除云影像和水体影像之外的影像区域,构建该影像区域内近红外波段影像对应的影像值直方图;提取影像值直方图中大于指定影像值所在的第一个位置对应的近红外波段影像的目标影像值;基于目标影像值对近红外波段影像进行填充;计算该影像区域对应的表观反射率影像与填充后的近红外波段影像对应的表观反射率影像的比值;如果比值大于云阴影分割阈值,确定该影像区域为云阴影影像。
在一种实施方式中,影像处理模块1306还用于:对于原始高分遥感影像中除云影像、水体影像和云阴影影像之外的影像区域,根据数字高程模型确定该影像区域内每个像元所处位置的坡度数据和坡向数据;根据太阳天顶角、太阳方位角、每个像元对应的坡度数据和坡向数据,计算每个像元对应的山体阴影概率值;从像元中提取出山体阴影概率值大于山体阴影分割阈值的目标像元,以基于目标像元确定山体阴影影像。
在一种实施方式中,影像处理模块1306还用于:对于原始高分遥感影像中除云影像、水体影像、云阴影影像和山体阴影影像之外的影像区域,根据该影像区域内根据蓝波段影像、红波段影像和近红外波段影像分别对应的表观反射率影像,计算增强植被指数;以及根据红波段影像和近红外波段影像分别对应的表观反射率影像,计算第二归一化植被指数;以及根据红波段影像和近红外波段影像分别对应的表观反射率影像,计算相对活力指数;如果在该影像区域内相对活力指数大于活力指数分割阈值,且第二归一化植被指数大于归一化植被分割阈值,且增强植被指数大于增强植被分割阈值,确定该影像区域为植被影像。
在一种实施方式中,影像评估模块1308还用于:对于对象级分割影像中的每个对象,利用空间叠加分析算法确定该对象对应的像元级质量评估影像;确定该对象对应的像元级质量评估影像中每个影像类别的像元数目比例;将最大像元数目比例对应的影像类别确定该对象对应的对象级质量评估影像和可信度影像;利用权重分析算法,根据每个对象对应的对象级质量评估影像和可信度影像对每个对象进行综合评价,得到原始高分遥感影像对应的目标质量评估影像。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图14为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器140,存储器141,总线142和通信接口143,所述处理器140、通信接口143和存储器141通过总线142连接;处理器140用于执行存储器141中存储的可执行模块,例如计算机程序。
其中,存储器141可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口143(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线142可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器141用于存储程序,所述处理器140在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器140中,或者由处理器140实现。
处理器140可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器140中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器140可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器141,处理器140读取存储器141中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种高分遥感影像的质量评估方法,其特征在于,包括:
获取待评估的原始高分遥感影像;
基于所述原始高分遥感影像对应的元数据生成表观反射率影像;
基于所述表观反射率影像对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于所述表观反射率影像和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;
根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像。
2.根据权利要求1所述的高分遥感影像的质量评估方法,其特征在于,所述元数据至少包括定标系数、日地距离、太阳平均辐照度、太阳高度角;基于所述原始高分遥感影像对应的元数据生成表观反射率影像,包括:
从所述原始高分遥感影像中确定目标波段影像的量化值;
基于所述定标系数和所述量化值,确定所述目标波段影像对应的表观辐射亮度;
基于所述表观辐射亮度、所述日地距离、所述太阳平均辐照度和所述太阳高度角,确定所述目标波段影像对应的表观反射率影像。
3.根据权利要求2所述的高分遥感影像的质量评估方法,其特征在于,所述目标波段影像至少包括绿波段影像、红波段影像、红外波段影像;基于所述表观反射率影像对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像,包括:
根据所述绿波段影像、所述红波段影像和所述红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行标准假彩色转灰度处理,得到光谱影像;其中,所述光谱影像的波段数目为1;
对所述光谱影像进行非线性拉伸处理,得到归一化光谱影像;
对所述归一化光谱影像进行面向对象影像分割处理,得到对象级分割影像。
4.根据权利要求2所述的高分遥感影像的质量评估方法,其特征在于,所述元数据还包括太阳天顶角、太阳方位角和数字高程模型,所述目标波段影像至少包括蓝波段影像、绿波段影像、红波段影像、近红外波段影像,所述预设决策树包括云检测、水体检测、云阴影检测、山体阴影检测、植被检测中的一种或多种;
基于所述表观反射率影像和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像,包括:
根据所述蓝波段影像、所述绿波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云检测,得到云影像;其中,所述云检测包括薄云检测和/或厚云检测;
根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述水体检测,得到水体影像;
根据所述近红外波段影像对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云阴影检测,得到云阴影影像;
根据所述太阳天顶角、所述太阳方位角和所述数字高程模型,对所述表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像;
根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述植被检测,得到植被影像;
将所述原始高分遥感影像中除所述云影像、所述水体影像、所述云阴影影像、所述山体阴影影像和所述植被影像之外的区域确定为其他类型影像;
基于所述云影像、所述水体影像、所述云阴影影像、所述山体阴影影像、所述植被影像和所述其他类型影像,得到像元级质量评估影像。
5.根据权利要求4所述的高分遥感影像的质量评估方法,其特征在于,根据所述蓝波段影像、所述绿波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云检测,得到云影像,包括:
对于所述原始高分遥感影像中的每个影像区域,根据该影像区域内所述蓝波段影像、所述绿波段影像和所述红波段影像分别对应的所述表观反射率影像,计算HOT指数和可见光波段比值指数;
如果在该影像区域内所述HOT指数大于HOT分割阈值,且所述可见光波段比值指数大于比值分割阈值,且所述红波段影像对应的所述表观反射率影像大于第一反射率阈值,确定该影像区域为厚云影像;
提取所述厚云影像对应的所述表观反射率影像,遍历所述厚云影像对应的所述表观反射率影像中每个波段对应的厚云像元值,并基于所述厚云像元值构建厚云标准光谱;
基于所述厚云标准光谱,计算所述厚云影像与所述原始高分遥感影像中的每个非厚云影像区域之间的光谱相似性影像;
对于所述原始高分遥感影像中的处所述厚云影像之外的影像区域,如果该影像区域对应的所述光谱相似性影像大于薄云相似性分割阈值,且所述近红外波段影像对应的所述表观反射率影像大于第二分辨率分割阈值,确定该影像区域为薄云影像。
6.根据权利要求4所述的高分遥感影像的质量评估方法,其特征在于,根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述水体检测,得到水体影像,包括:
对于所述原始高分遥感影像中除所述云影像之外的影像区域,根据该影像区域内所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,确定第一归一化植被指数;
如果在该影像区域内所述第一归一化植被指数小于第一水体分割阈值,且所述近红外波段影像对应的所述表观反射率影像小于第三分辨率阈值,确定该影像区域为水体影像;
或者,如果在该影像区域内所述第一归一化植被指数小于第二水体分割阈值,且所述近红外波段影像对应的所述表观反射率影像小于第四分辨率阈值,确定该影像区域为水体影像。
7.根据权利要求4所述的高分遥感影像的质量评估方法,其特征在于,根据所述近红外波段影像对应的所述表观反射率影像,对所述原始高分遥感影像进行所述云阴影检测,得到云阴影影像,包括:
对于所述原始高分遥感影像中除所述云影像和所述水体影像之外的影像区域,构建该影像区域内所述近红外波段影像对应的影像值直方图;
提取所述影像值直方图中大于指定影像值所在的第一个位置对应的近红外波段影像的目标影像值;
基于所述目标影像值对所述近红外波段影像进行填充;
计算该影像区域对应的所述表观反射率影像与填充后的所述近红外波段影像对应的所述表观反射率影像的比值;
如果所述比值大于云阴影分割阈值,确定该影像区域为云阴影影像。
8.根据权利要求4所述的高分遥感影像的质量评估方法,其特征在于,根据所述太阳天顶角、所述太阳方位角和所述数字高程模型,对所述表观反射率影像中的山体阴影区域进行识别,得到山体阴影影像,包括:
对于所述原始高分遥感影像中除所述云影像、所述水体影像和所述云阴影影像之外的影像区域,根据所述数字高程模型确定该影像区域内每个像元所处位置的坡度数据和坡向数据;
根据所述太阳天顶角、所述太阳方位角、每个所述像元对应的所述坡度数据和所述坡向数据,计算每个所述像元对应的山体阴影概率值;
从所述像元中提取出所述山体阴影概率值大于山体阴影分割阈值的目标像元,以基于所述目标像元确定山体阴影影像。
9.根据权利要求4所述的高分遥感影像的质量评估方法,其特征在于,根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,对所述原始高分遥感影像进行所述植被检测,得到植被影像,包括:
对于所述原始高分遥感影像中除所述云影像、所述水体影像、所述云阴影影像和所述山体阴影影像之外的影像区域,根据该影像区域内根据所述蓝波段影像、所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算增强植被指数;
以及根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算第二归一化植被指数;
以及根据所述红波段影像和所述近红外波段影像分别对应的所述表观反射率影像,计算相对活力指数;
如果在该影像区域内所述相对活力指数大于活力指数分割阈值,且所述第二归一化植被指数大于归一化植被分割阈值,且所述增强植被指数大于增强植被分割阈值,确定该影像区域为植被影像。
10.根据权利要求1所述的高分遥感影像的质量评估方法,其特征在于,根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像,包括:
对于所述对象级分割影像中的每个对象,利用空间叠加分析算法确定该对象对应的所述像元级质量评估影像;
确定该对象对应的所述像元级质量评估影像中每个影像类别的像元数目比例;
将最大像元数目比例对应的影像类别确定该对象对应的对象级质量评估影像和可信度影像;
利用权重分析算法,根据每个所述对象对应的所述对象级质量评估影像和所述可信度影像对每个所述对象进行综合评价,得到所述原始高分遥感影像对应的目标质量评估影像。
11.一种高分遥感影像的质量评估装置,其特征在于,包括:
影像获取模块,用于获取待评估的原始高分遥感影像;
反射率生成模块,用于基于所述原始高分遥感影像对应的元数据生成表观反射率影像;
影像处理模块,用于基于所述表观反射率对所述原始高分遥感影像进行面向对象影像分割处理,得到对象级分割影像;以及,基于所述表观反射率和预设决策树对所述原始高分遥感影像进行像元级质量评估,得到像元级质量评估影像;
影像评估模块,用于根据所述对象级分割影像和所述像元级质量评估影像,确定所述原始高分遥感影像对应的目标质量评估影像。
12.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至10任一项所述的方法。
13.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102505.8A CN115797362B (zh) | 2023-02-13 | 2023-02-13 | 高分遥感影像的质量评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102505.8A CN115797362B (zh) | 2023-02-13 | 2023-02-13 | 高分遥感影像的质量评估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797362A true CN115797362A (zh) | 2023-03-14 |
CN115797362B CN115797362B (zh) | 2023-05-05 |
Family
ID=85430892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102505.8A Active CN115797362B (zh) | 2023-02-13 | 2023-02-13 | 高分遥感影像的质量评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797362B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN115063113A (zh) * | 2022-06-27 | 2022-09-16 | 航天宏图信息技术股份有限公司 | 一种遥感影像的影像质量评价方法和装置 |
CN115082452A (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
WO2022259451A1 (ja) * | 2021-06-10 | 2022-12-15 | 日本電気株式会社 | 画像処理装置および画像処理方法 |
-
2023
- 2023-02-13 CN CN202310102505.8A patent/CN115797362B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268602A (zh) * | 2013-04-24 | 2013-08-28 | 国家测绘地理信息局卫星测绘应用中心 | 一种光学遥感影像质量综合评价方法 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN110889840A (zh) * | 2019-11-28 | 2020-03-17 | 航天恒星科技有限公司 | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
WO2022259451A1 (ja) * | 2021-06-10 | 2022-12-15 | 日本電気株式会社 | 画像処理装置および画像処理方法 |
CN115063113A (zh) * | 2022-06-27 | 2022-09-16 | 航天宏图信息技术股份有限公司 | 一种遥感影像的影像质量评价方法和装置 |
CN115082452A (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
Non-Patent Citations (2)
Title |
---|
巫兆聪;杨帆;张熠;巫远;喻文蕴;: "基于地表参数真实性的GF-1和SPOT-7多光谱影像质量评价" * |
王荣彬;李平湘;季宏伟;张嘉;: "遥感影像的辐射质量评价方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115797362B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mondejar et al. | Near infrared band of Landsat 8 as water index: a case study around Cordova and Lapu-Lapu City, Cebu, Philippines | |
Zhang et al. | A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
Zhang et al. | An automated method for glacial lake mapping in High Mountain Asia using Landsat 8 imagery | |
CN107145891B (zh) | 一种基于遥感影像的水体提取方法及*** | |
CN113221813B (zh) | 一种海岸线遥感提取方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Hu et al. | Seasonal change of land-use/land-cover (LULC) detection using MODIS data in rapid urbanization regions: A case study of the pearl river delta region (China) | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
Kan et al. | Snow Cover Mapping for Mountainous Areas by Fusion of MODIS L1B and Geographic Data Based on Stacked Denoising Auto-Encoders. | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN114694030A (zh) | 一种滑坡检测方法、装置、设备及存储介质 | |
CN117115666B (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
Mishra et al. | Retrieval of sub-pixel snow cover information in the Himalayan region using medium and coarse resolution remote sensing data | |
US20210383546A1 (en) | Learning device, image processing device, learning method, image processing method, learning program, and image processing program | |
Revollo et al. | Automatic methodology for mapping of coastal zones in video sequences | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN115797362B (zh) | 高分遥感影像的质量评估方法、装置及电子设备 | |
Touati et al. | A multidimensional scaling optimization and fusion approach for the unsupervised change detection problem in remote sensing images | |
Shahtahmassebi et al. | Evaluation on the two filling functions for the recovery of forest information in mountainous shadows on Landsat ETM+ Image | |
Fröjse | Multitemporal satellite images for urban change detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |