CN102163264B - 一种高光谱数据质量与应用能力的评价方法 - Google Patents
一种高光谱数据质量与应用能力的评价方法 Download PDFInfo
- Publication number
- CN102163264B CN102163264B CN201110121214.0A CN201110121214A CN102163264B CN 102163264 B CN102163264 B CN 102163264B CN 201110121214 A CN201110121214 A CN 201110121214A CN 102163264 B CN102163264 B CN 102163264B
- Authority
- CN
- China
- Prior art keywords
- data
- spectral
- quality
- signal
- ratio
- 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.)
- Active
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
一种高光谱数据质量与应用能力评价的方法包含以下步骤:(1)确定高光谱数据空间分辨率、光谱分辨率、信噪比三者之间的约束关系;(2)利用基于辐射传输与成像过程的仿真模型,在标准大气条件下生成在步骤(1)约束条件下的不同载荷性能参数的模拟数据;(3)采用不同原理的高光谱数据处理方法进行应用分析;(4)获得不同空间分辨率、光谱分辨率、信噪比载荷性能参数条件下的应用处理结果;(5)确定高光谱数据质量与应用能力评价的指标;(6)通过统计分析与拟合的方法确定评价指标与空间分辨率、光谱分辨率、信噪比载荷性能参数之间的关系,并建立数据质量与应用能力评价方程;(7)输出数据质量与应用能力评价结果。
Description
技术领域
本发明涉及一种高光谱数据质量与应用能力的评价方法,属于高光谱数据应用与数据质量提高技术领域,适用于高光谱成像光谱仪指标优化设计与数据应用能力预测、评价等技术研究。
背景技术
随着遥感成像技术的不断发展,星载遥感器系统变得越来越复杂,正向着具有更高空间分辨率、光谱分辨率和辐射分辨率的方向发展,特别是高光谱遥感技术的出现,其数据质量和产品真实性受载荷技术指标、平台参数、辐射传输过程以及各种检测/分类算法等多种因素的影响。而目前的成像系统设计都在综合考虑在成本、研制周期以及风险的限制下获得最优的数据质量。因此,星载高光谱遥感器的设计、评价和遥感任务预测面临一系列的挑战。我国已经星载高光谱成像仪已经立项,高光谱遥感图像作为一种产品,对其质量的评价,必将随着高光谱遥感图像应用的进一步深入而引起越来越多的关注;此外,我国发射的卫星载荷普遍存在上星后载荷性能退化严重等问题,影响了载荷数据的有效应用。如何在上星前将载荷设计与应用潜力预测、评价相结合,以获得高质量的满足应用部门需求的遥感数据是目前高光谱遥感应用亟待解决的关键技术问题之一。
数据质量分析与评价的方法从广义上可以分为主观和客观两大类。主观评价方法中常用且比较广泛应用的为美国国家图像解译标准分析判据NIIRS(National lmage Interpretability Rating Scales),用于进行遥感器图像质量与应用能力的评价,现在已经发展成为一系列的分析判据,包括了雷达图像、红外图像、多光谱图像以及可见光图像等;NIIRS方法并不能从物理意义以及工程参数等方面对图像质量与应用能力进行预测,并且主观评价方法在使用过程中存在的主要问题是受图像分析人员主观、图像类型等影响较大,所以一般情况下该类主观评价方法只作为客观评价方法的参照与补充。典型的客观的评价方法主要有两大类,一类是从图像本身通过统计分析、人眼视觉特性、影响图像质量主要性能指标(如MTF等)等进行图像质量的评价,但是该类方法存在着一定的局限性:①考虑了单个或几个图像质量影响参数,未考虑它们之间的相关性或综合考虑多个影响因素,不能够全面的评价图像质量;②未与载荷原理与特点相结合,无法实现数据应用能力的预测。为了解决上述问题,Leachtenauer等人提出了第二类图像质量评价方法:基于通用图像质量方程GIQE(General Image Quality Equation)的图像质量评价方法,GIQE是NIIRS与传感器设计参数结合的图像质量分析与评价工具,从本质上考虑了影响图像质量的空间分辨率、噪声等因素,能够实现在给定成像系统参数的情况下实现预测、评价图像质量的功能。罗彻斯特大学Kerekes等人为了有效的进行图像质量的评价与应用潜力的预测,开展了大量的研究工作,首先从场景、传感器、处理过程等三方面考虑了高光谱成像系统性能的影响参数,然后在后续的研究过程中建立了基于数字成像与遥感图像生成软件的高光谱遥感成像模型,并应用于航空高光谱成像仪HYDICE的性能分析与应用能力评价;为了评价高光谱成像系统的光谱性能,提出了结合NIIRS&GIQE的光谱质量评价标准SQRS,该标准考虑了影响光谱质量的空间分辨率和SNR。
目前,我国成像质量的分析与评价主要依赖观察者的主观判断以及统计指标(如直方图、信息熵等),尚未建立起面向应用和结合载荷特点的图像质量评价标准与体系,并且各影响图像质量参数间综合考虑较少,特别是对于高光谱遥感器该项工作尚未开展。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种高光谱数据质量与应用能力的评价方法,以基于成像物理过程、综合考虑载荷指标之间约束关系。
本发明的技术解决方案为:一种多参数优化的高光谱数据质量与应用能力的评价方法。该方法在分析高光谱数据质量与应用能力主要影响因素参数的基础上,利用空间分辨率、光谱分辨率、信噪比三者之间内在的联系,建立约束关系;然后利用基于辐射传输、成像过程的仿真模型,生成在上述约束关系基础上的不同空间分辨率、光谱分辨率、信噪比的高光谱数据,利用基于高阶统计的改进独立成分分析方法和基于光谱匹配的光谱相关制图方法进行应用分析;最后,根据具体应用需求和应用目的,确定矿产资源调查与目标检测的评价指标为矿物识别种类和目标检测概率,并通过统计分析和拟合的方法得到评价指标与载荷主要参数之间的方程,实现数据质量与应用能力评价。该方法有效地综合考虑了主要影响因素之间的相关性与相互制约关系,实现了载荷指标与应用能力综合分析的数据质量与应用能力定量化评价。
本发明一种高光谱数据质量与应用能力的评价方法,其步骤如下:
(1)确定高光谱数据空间分辨率、光谱分辨率、信噪比三者之间的约束关系;
(2)利用基于辐射传输与成像过程的仿真模型,在标准大气条件下生成在步骤(1)约束条件下的不同载荷性能参数的模拟数据;
(3)采用不同原理的高光谱数据处理方法进行应用分析;
(4)获得不同空间分辨率、光谱分辨率、信噪比载荷性能参数条件下的应用处理结果;
(5)确定高光谱数据质量与应用能力评价的指标;
(6)通过统计分析与拟合的方法确定评价指标与空间分辨率、光谱分辨率、信噪比载荷性能参数之间的关系,并建立数据质量与应用能力评价方程;
(7)输出数据质量与应用能力评价结果。
其中,步骤(1)中所述的空间分辨率、光谱分辨率、信噪比三者之间的约束关系为:
其中,SNR为信噪比,B(λ)为信号大小,N为总的噪声大小,Lλ,scene是入瞳辐亮度,A为光学孔径面积,Ω为瞬时视场对应的立体角,τoptics为光学系统透过率,Δλ为光谱分辨率,λ为波长,h=6.62×10-34J·s为普朗克常数,c=3×108m/s为光速,η为量子效率,t为积分时间,为光子噪声标准差的平方,为读出噪声标准差的平方,为定标噪声标准差的平方,为量化噪声标准差的平方。
其中,步骤(2)中所述的基于辐射传输与成像物理过程的仿真模型以辐射传输能量计算为基础,将地表状况仿真、成像几何关系计算、大气辐射传输仿真以及遥感器成像仿真联系起来,形成成像链路仿真模型;地表状况仿真环节建立地面场景,生成对应的地面反射率图像,为成像仿真提供观测对象;成像几何关系仿真环节确定每次成像对应的观测路径和地面区域,生成目标位置、照明角度和观测角度等成像几何参数,为辐射传输计算提供所需依循的路径;大气辐射传输仿真环节根据地表反射特性和成像几何关系,计算太阳光经过“大气传输-地物反射-大气传输”过程后在传感器入瞳处形成的光谱辐亮度分布,为传感器成像仿真提供输入数据;传感器成像仿真环节,模拟色散型传感器对入射能量的响应过程,最终生成预设成像情景下的图像。
其中,步骤(3)中所述的不同原理的高光谱数据处理方法:根据应用需求,采用基于高阶统计特性的改进独立成分分析方法和基于光谱特征匹配的光谱相关制图方法;独立成分分析模型是基于数据高阶统计特性与信息论的迭代计算方法,采用基于扩展信息量最大化的学习原则,该方法假设数据具有非高斯特性,克服了假设数据为高斯分布所带来的问题与误差;光谱相关制图方法利用两条光谱之间的相关系数进行相似度地度量,克服了不能区分正相关和负相关的缺点,并且因其对光谱向量进行了标准化受阴影效应的影响相对较小。
其中,步骤(4)所述的获得不同空间分辨率、光谱分辨率、信噪比载荷性能参数条件下应用处理结果:利用步骤(2)基于辐射传输与成像物理过程的仿真模型生成不同参数的模拟数据进行改进独立成分分析方法和光谱相关制图方法进行应用处理,得到应用处理结果。
其中,步骤(5)所述的确定的高光谱数据质量与应用能力评价指标:根据应用目的不同选择不同的评价指标,对于目标检测选择检测概率作为评价指标,对于矿物蚀变信息提取与识别选择矿物识别种类作为评价指标。
其中,步骤(6)所述的建立数据质量与应用能力评价方程如下:
PD=a-blog10[GSD(m)]+clog10[SNR]+dlog10[N]
其中,PD为评价指标,GSD为空间分辨率,SNR为信噪比,N为波段数,a、b、c、d分别为建模参数,通过统计分析与拟合得到。
其中,步骤(7)所述的输出数据质量与应用能力评价结果:根据步骤(6)的数据质量与应用能力评价方程,得到应用能力与空间分辨率、光谱分辨率、信噪比之间的一一对应关系。
本发明与现有技术相比的优点在于:提出了高光谱数据应用能力与载荷性能指标联合建模的数据质量与应用能力评价定量化方法,综合考虑了各影响因素之间的相关性,克服了定性分析与单参数分析不能较好地满足载荷指标优化设计与应用能力预测、评价需求等问题。它具有以下的优点:(1)建立空间分辨率、光谱分辨率、信噪比三个主要影响因素之间的约束关系,有效地满足了载荷指标优化设计/折衷设计的需求;(2)引入了高光谱成像仿真模型,能够提供较为真实反映成像过程的模拟数据,为数据质量与应用能力定量化评价提供了良好的数据源与直接依据;(3)建立了应用能力与影响高光谱数据质量的主要因素之间的评价方程,为定量化评价数据质量与应用能力、载荷指标优化设计以及应用能力预测提供了有效的技术手段。
附图说明
图1为本发明一种高光谱数据质量与应用能力的评价方法实现流程图;
具体实施方式
为了更好地说明本发明涉及的高光谱数据质量与应用能力的评价方法,利用Hymap航空高光谱数据进行新疆东天山地区星载高光谱成像仪数据模拟,并进行数据质量与应用能力评价研究。如图1所示,本发明一种高光谱数据质量与应用能力的评价方法,具体实现步骤如下:
(1)确定高光谱数据空间分辨率、光谱分辨率、信噪比三者之间的约束关系:
其中,SNR为信噪比,B(λ)为信号大小,N为总的噪声大小,Lλ,scene是入瞳辐亮度,A为光学孔径面积,Ω为瞬时视场对应的立体角,τoptics为光学系统透过率,Δλ为光谱分辨率,λ为波长,h=6.62×10-34J·s为普朗克常数,c=3×108m/s为光速,η为量子效率,t为积分时间,为光子噪声标准差的平方,为读出噪声标准差的平方,为定标噪声标准差的平方,为量化噪声标准差的平方。
(2)利用基于辐射传输与成像物理过程的仿真模型,在标准大气条件下生成在步骤(1)约束条件下的不同载荷性能参数的模拟数据:仿真模型以辐射传输能量计算为基础,将地表状况仿真、成像几何关系计算、大气辐射传输仿真以及遥感器成像仿真联系起来,形成成像链路仿真模型;地表状况仿真环节建立地面场景,生成对应的地面反射率图像,为成像仿真提供观测对象;成像几何关系仿真环节确定每次成像对应的观测路径和地面区域,生成目标位置、照明角度和观测角度等成像几何参数,为辐射传输计算提供所需依循的路径;大气辐射传输仿真环节根据地表反射特性和成像几何关系,计算太阳光经过“大气传输-地物反射-大气传输”过程后在传感器入瞳处形成的光谱辐亮度分布,为传感器成像仿真提供输入数据;传感器成像仿真环节,模拟色散型传感器对入射能量的响应过程,最终生成预设成像情景下的图像;设置的大气模式为中纬度夏天,气溶胶模式为乡村气溶胶能见度23km,轨道高度为705km,成像时间2010年6月1日早上6:30:00(GMT),平均海拔2km。
(3)采用不同原理的高光谱数据处理方法进行应用分析:根据应用需求,采用基于高阶统计特性的改进独立成分分析方法和基于光谱特征匹配的光谱相关制图方法;独立成分分析是基于数据高阶统计特性与信息论的迭代计算方法,采用基于扩展信息量最大化的学习原则,该方法假设数据具有非高斯特性,克服了假设数据为高斯分布所带来的问题与误差,该方法模型为X=As+b,其中,s是不可观测的、独立的、实数零均值源信号,即端元光谱信号;A为实数混合矩阵;b为偏差矩阵,为了由观测信号像元向量xt反演不可观测的端元光谱信号,则需利用独立成分分析模型以及似然函数的联合密度进行优化求解,即基于扩展信息最大化的学习原则求解端元参数θj={Aj,bj};光谱相关制图方法利用两条光谱之间的相关系数进行相似度地度量,克服了不能区分正相关和负相关的缺点,并且因其对光谱向量进行了标准化受阴影效应的影响相对较小;光谱相关制图模型其中,x为未知光谱,y为参考光谱(已知地物光谱);
(4)获得不同空间分辨率、光谱分辨率、信噪比载荷性能参数条件下的应用处理结果:利用步骤(2)基于辐射传输与成像物理过程的仿真模型生成不同参数的模拟数据进行改进独立成分分析方法和光谱相关制图方法进行应用处理,得到应用处理结果,空间分辨率从5m到100m变化,光谱分辨率从10nm-45nm变化,在二者约束下以及探测器参数、光学系统参数、地表参数、成像参数确定的基础上,可见-近红外波段信噪比从116-5220变化,短波红外波段信噪比从12-2345变化;
(5)确定高光谱数据质量与应用能力评价的指标:根据应用目的不同选择不同的评价指标,对于目标检测选择检测概率作为评价指标,对于矿物蚀变信息提取与识别选择矿物识别种类作为评价指标;
(6)通过统计分析与拟合的方法确定评价指标与空间分辨率、光谱分辨率、信噪比载荷性能参数之间的关系,并建立数据质量与应用能力评价方程:PD=a-blog10[GSD(m)]+clog10[SNR]+dlog10[N]
其中,PD为评价指标,GSD为空间分辨率,SNR为信噪比,N为波段数,a、b、c、d分别为建模参数,通过统计分析与拟合得到;
(7)输出数据质量与应用能力评价结果:根据步骤(6)的数据质量与应用能力评价方程,得到应用能力与空间分辨率、光谱分辨率、信噪比之间的一一对应关系。
Claims (1)
1.一种高光谱数据质量与应用能力的评价方法,其特征在于:它包含以下步骤:
(1)确定高光谱数据空间分辨率、光谱分辨率、信噪比三者之间的约束关系;
(2)利用基于辐射传输与成像过程的仿真模型,在标准大气条件下生成在步骤(1)约束条件下的不同载荷性能参数的模拟数据;
(3)采用不同原理的高光谱数据处理方法进行应用分析;
(4)获得不同空间分辨率、光谱分辨率、信噪比载荷性能参数条件下的应用处理结果;
(5)确定高光谱数据质量与应用能力评价的指标;
(6)通过统计分析与拟合的方法确定评价指标与空间分辨率、光谱分辨率、信噪比载荷性能参数之间的关系,并建立数据质量与应用能力评价方程;
(7)输出数据质量与应用能力评价结果;
其中,步骤(1)中的确定高光谱数据空间分辨率、光谱分辨率、信噪比三者之间约束关系如下:
其中,SNR为信噪比,B(λ)为信号大小,N为总的噪声大小,Lλ,scene是入瞳辐亮度,A为光学孔径面积,Ω为瞬时视场对应的立体角,τoptics为光学系统透过率,△λ为光谱分辨率,λ为波长,h=6.62×10-34J·s为普朗克常数,
c=3×108m/s为光速,η为量子效率,t为积分时间,为光子噪声标准差的平方,为读出噪声标准差的平方,为定标噪声标准差的平方,为量化噪声标准差的平方;
其中,步骤(2)的高光谱成像仿真模型综合考虑了辐射传输与成像的物理过程,能够有效地考虑高光谱成像几何关系、地表反射特性、大气辐射传输以及遥感器成像等效模型参数;
其中,步骤(3)的采用的不同原理高光谱数据处理方法主要包括基于高阶统计特性的改进独立成分方法以及基于光谱特征匹配的光谱相关制图方法;
其中,步骤(5)确定的高光谱数据质量与应用能力评价指标:根据应用目的不同选择不同的评价指标,对于目标检测选择检测概率作为评价指标,对于矿物蚀变信息提取与识别选择矿物识别种类作为评价指标;
其中,步骤(6)的建立数据质量与应用能力评价方程如下:
PD=a-blog10[GSD(m)]+clog10[SNR]+dlog10[N]
其中,PD为评价指标,GSD为空间分辨率,SNR为信噪比,N为波段数,
a、b、c、d分别为建模参数,通过统计分析与拟合得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110121214.0A CN102163264B (zh) | 2011-05-11 | 2011-05-11 | 一种高光谱数据质量与应用能力的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110121214.0A CN102163264B (zh) | 2011-05-11 | 2011-05-11 | 一种高光谱数据质量与应用能力的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102163264A CN102163264A (zh) | 2011-08-24 |
CN102163264B true CN102163264B (zh) | 2014-08-06 |
Family
ID=44464486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110121214.0A Active CN102163264B (zh) | 2011-05-11 | 2011-05-11 | 一种高光谱数据质量与应用能力的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102163264B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879094B (zh) * | 2012-09-28 | 2014-12-31 | 北京航空航天大学 | 一种成像光谱仪辐射定标精度对数据质量影响分析方法 |
CN104504262B (zh) * | 2014-12-19 | 2017-07-21 | 青岛海信电器股份有限公司 | 显示器滤色片透过率谱线分布优化方法 |
CN106840197B (zh) * | 2016-12-21 | 2019-06-18 | 北京空间机电研究所 | 一种星上高精度交叉定标系统 |
CN108957479A (zh) * | 2018-07-24 | 2018-12-07 | 航天恒星科技有限公司 | 一种针对边境基础设施的遥感监测方法 |
CN109509209B (zh) * | 2018-11-15 | 2023-08-15 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
CN109765212B (zh) * | 2019-03-11 | 2021-06-08 | 广西科技大学 | 拉曼光谱中不同步褪色荧光的消除方法 |
CN111579502A (zh) * | 2020-05-29 | 2020-08-25 | 核工业北京地质研究院 | 一种判断岩心成像光谱扫描质量的方法 |
CN115759884B (zh) * | 2023-01-09 | 2023-05-02 | 天津中科谱光信息技术有限公司 | 基于点光谱仪的光谱数据质量评价方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478693B (zh) * | 2008-12-31 | 2011-08-31 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101916377B (zh) * | 2010-07-15 | 2012-12-05 | 北京航空航天大学 | 一种基于光谱知识的矿物信息智能识别方法 |
CN102013100A (zh) * | 2010-11-26 | 2011-04-13 | 北京空间机电研究所 | 一种基于遥感图像相位相关性的图像质量判别方法 |
-
2011
- 2011-05-11 CN CN201110121214.0A patent/CN102163264B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102163264A (zh) | 2011-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102163264B (zh) | 一种高光谱数据质量与应用能力的评价方法 | |
Lauer et al. | New horizons observations of the cosmic optical background | |
Sun et al. | A universal dynamic threshold cloud detection algorithm (UDTCDA) supported by a prior surface reflectance database | |
Quesada-Ruiz et al. | Cloud-tracking methodology for intra-hour DNI forecasting | |
CN109946235B (zh) | 风云4a气象卫星多通道扫描成像辐射计的多层云反演方法 | |
CN100547438C (zh) | 一种油气勘探方法及系统 | |
CN103776532B (zh) | 一种基于遥感应用的高光谱成像仪指标优化方法 | |
Jiang et al. | Assessment of the radiometric performance of Chinese HJ-1 satellite CCD instruments | |
CN111581884A (zh) | 一种星载多分辨率目标光学辐射图像仿真方法 | |
Susaki et al. | Validation of MODIS albedo products of paddy fields in Japan | |
Sun et al. | Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network | |
Paletta et al. | Advances in solar forecasting: Computer vision with deep learning | |
Wang et al. | A cloud detection scheme for the Chinese Carbon Dioxide Observation Satellite (TANSAT) | |
Li et al. | Multiparameter optimization for mineral mapping using hyperspectral imagery | |
Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
Rumi et al. | Automated cloud classification using a ground based infra-red camera and texture analysis techniques | |
Song et al. | Top-of-Atmosphere Clear-Sky Albedo Estimation Over Ocean: Preliminary Framework for MODIS | |
De Boissieu et al. | Validation of the DART model for airborne laser scanner simulations on complex forest environments | |
Labarre et al. | MATISSE-v2. 0: new functionalities and comparison with MODIS satellite images | |
Kleynhans | Detecting land-cover change using Modis time-series data | |
Kerekes et al. | Analytical model of hyperspectral system performance | |
Oltrogge et al. | Multi-phenomenology observation Network evaluation Tool (MONET) | |
Ientilucci et al. | Stochastic modeling of physically derived signature spaces | |
Li et al. | The quantitative evaluation of application of hyperspectral data based on multi-parameters joint optimization | |
Zhou et al. | Multimodal aircraft flight altitude inversion from SDGSAT-1 thermal infrared data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20110824 Assignee: Beijing Weishi Honghe Space Information Technology Co.,Ltd. Assignor: BEIHANG University Contract record no.: X2022990000751 Denomination of invention: An evaluation method of hyperspectral data quality and application ability Granted publication date: 20140806 License type: Common License Record date: 20221009 |
|
EE01 | Entry into force of recordation of patent licensing contract |