CN104867154A - 一种基于陡度的遥感图像质量评价方法 - Google Patents
一种基于陡度的遥感图像质量评价方法 Download PDFInfo
- Publication number
- CN104867154A CN104867154A CN201510288896.2A CN201510288896A CN104867154A CN 104867154 A CN104867154 A CN 104867154A CN 201510288896 A CN201510288896 A CN 201510288896A CN 104867154 A CN104867154 A CN 104867154A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- image
- remote sensing
- image quality
- steepness
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于陡度的遥感图像质量评价方法,属于遥感图像质量评价技术领域。本发明包括以下步骤:(1)对输入的遥感图像提取质量因子陡度;(2)对图像进行最小距离分类,计算图像的类间距和类别比例;(3)构建分类精度字典得到基于陡度的遥感图像质量评价模型系数;(4)根据基于陡度的遥感图像质量评价模型,计算图像的质量评价指标kappa系数。本发明采用kappa系数评价分类精度,对于提取的各种图像质量因子,分别分析其与kappa系数的相关性,找出与kappa系数高度相关的图像质量因子,进一步深入研究二者的关系,进而建立其评价模型,具有全新的理论意义和重要的实际应用价值。
Description
技术领域
本发明属于遥感图像质量评价技术领域,更具体地,涉及一种基于陡度的遥感图像质量评价方法。
背景技术
目前,各国遥感探测的发展方兴未艾,我国也已经启动高分辨率对地观测重大专向。随着该计划的实施,我国将获取大量具有自主知识产权的遥感数据。为了利用这些数据大幅度提高我国自主对地观测信息的能力,包括图像分类等在内的图像解译是不可或缺的一个技术环节。
目前图像质量评价主要存在两种方法:主观评价和客观评价。主观评价凭借感知者的主观感受评价图像质量,直接反映给人眼感觉相对较为准确,但是在实际工程应用中费时费力,易受观察者的知识背景、经验、测试环境等多种因素的影像,实时性、稳定性、可移植性较差。客观图像评价方法是设计一个计算模型,可以自动且精确的对图像的质量进行评价。但现有客观评价方法一般是基于遥感图像特征的评价方法,其评价过程需要结合图像的各种特征,建立评价模型,过程繁杂耗时较多。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种基于陡度的遥感图像质量评价方法,其目的在于对遥感图像进行快速准确的评价,由此解决主观评价的实时性、稳定性、可移植性较差的技术问题。
本发明提供一种基于陡度的遥感图像质量评价方法,包括以下步骤:
步骤1对输入遥感图像提取图像质量因子陡度steep,所述陡度steep的计算公式为:
其中,μ为图像灰度均值;σ2为图像方差;k为灰度级;P(k)为灰度级为k的概率;
步骤2对所述输入遥感图像的灰度信息进行最小距离分类,以得到每类地物的数量来计算得到所述输入遥感图像的类别比例及类间距;
步骤3以仿真数据构建图像的分类精度字典,包括以下子步骤:
(3-1)固定一个类间距,改变类别比例,得出此种情形下的评价模型的第一系数和第二系数;
(3-2)改变类间距,重复所述步骤(3-1),遍历所有类间距的情形,得到不同类间距、不同类别比例下的评价模型的第一系数和第二系数;
(3-3)根据不同类间距、不同类别比例和对应的第一系数和第二系数建立所述分类精度字典;
步骤4建立基于陡度steep的图像质量评价模型,计算kappa系数用以评价所述输入遥感图像的质量,其中所述kappa系数与所述陡度steep的关系式为:
kappa=a×e(b×(-log(steep)))
其中,系数a、b是根据所述输入图像的类间距和类别比例查询所述分类精度字典得到的对应第一系数和第二系数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明在不进行分类的前提下,通过计算图像的陡度,估计出遥感图像的可解译度,过程耗时少,精度高。本发明采用kappa系数评价分类精度,对于提取的各种图像质量因子,分别分析其与kappa的相关性,找出与kappa高度相关的图像质量因子,进一步深入研究二者的关系,进而建立其评价模型,这与传统的侧重于图像逼真度的质量评估具有迥然不同的含义,从而也具有全新的理论意义和重要的实际应用价值。
附图说明
图1为本发明基于陡度的遥感图像质量评价方法的流程图;
图2为本发明一实施例的输入遥感图像;
图3为本发明Washington DC Mall实验数据的高光谱图像;
图4为本发明图3中(a)、(b)图的实验结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明采用kappa系数评价分类精度,对于提取的各种图像质量因子,通过分析各质量因子与kappa系数的相关性,发现遥感图像质量因子陡度和分类精度评价指标kappa系数高度相关,以此建立遥感图像评价模型。
图1所示为本发明基于陡度的遥感图像质量评价方法的流程图,包括以下步骤:
步骤1对输入遥感图像提取图像质量因子陡度:
陡度表达图像灰度直方图的分布形状,是图像灰度的四阶中心距的改进。设输入遥感图像I,大小为M×N,图像在点(i,j)的灰度值为f(i,j),则陡度的计算公式为:
steep=Σk(k-μ)4×P(k)/σ8 (1)
其中,μ为图像灰度均值,σ2为图像方差,k为灰度级,P(k)为灰度级为k的概率,
若图像中地物的陡度高,表面地物的突显程度好,灰度直方图向两边扩展,反之若陡度低,则图像的灰度直方图向中间聚集。
步骤2计算类别比例和类间距:
对输入遥感图像I的灰度信息进行最小距离分类,得到最终的分类标号,以得到每类地物的数量,来计算得到输入遥感图像的类别比例(即每类的分类结果占该图像像素的个数)。类间距为各个类别的均值差。
步骤3以仿真数据构建图像的分类精度字典:
为了确定陡度与kappa表达式唯一性,对于类间距和类别比例,具体包括以下子步骤:
(3-1)固定一个类间距,改变类别比例,分析此种情形下的评价模型表达式;
(3-2)改变类间距,再重复步骤(3-1),遍历所有类间距的情形,得到不同类间距、不同类别比例下的评价模型;
(3-3)将此过程中不同类间距、类别比例下得到的评价模型系数保存为分类精度字典。
步骤4建立基于陡度的图像质量评价模型:
本发明为基于大量实验验证,采取对结果进行曲线拟合方法研究陡度与kappa系数之间是否存在确定的表达式,实验通过改变不同地物类别的类间距和类别比例发现,陡度在不同类间距和类别比例下与分类精度指标kappa呈现一定的关系。本发明是基于服从高斯分布的数据进行实验,采用固定类别比例,构造不同类间距、类别方差的方法建立评价模型。由实验结果拟合得到kappa系数与陡度的关系式:
kappa=a×e(b×(-log(steep)))
其中,系数a、b由类间距和类别比例确定,可查询分类精度字典得到。
本发明建立了不同类别比例不同类间距下拟合公式系数a、b的字典。依据步骤2可以得到当前输入图像I(即待估遥感图像)的类别比例与类间距,查询字典即可得到唯一的基于陡度的质量评估模型,计算得到分类精度指标kappa系数。Kappa系数是一种常用的解译精度评价指标,Kappa的取值范围是-1~1,负数表示分类结果与正确结果相反的程度。其表达的含义是所用的图像解译方法能够将图像正确分类的程度。越接近1,其分类结果的正确性越高,在图像解译方面的图像质量越高。
下面使用一实施例具体介绍本发明的流程。
步骤1对输入遥感图像提取图像质量因子陡度:输入遥感图像如图2所示,为德国KOB地区的数据,从中截取田地、林地和城区三种地物类型,图片大小均为600×200。由上述公式(2)、(3)计算得到输入遥感图像I的灰度均值和方差分别为92.122和4481.0195。由公式(1)计算得到输入遥感图像I的陡度为1.204×10-7。
步骤2由于输入遥感图像(即图2)的类别个数为3,对遥感图像进行最小距离分类,计算分类后遥感图像中不同类别间的类别比例为{3.6,2.4,4.0}与类间距为{95,55}。
步骤3以步骤2中计算的类别比例与类间距,查询分类精度字典,得到基于陡度的遥感图像质量评价模型中的系数a=1353.46,b=-0.5034。
步骤4以步骤3中得到的系数建立基于陡度的遥感图像质量评价模型,代入陡度,计算得到分类精度指标kappa系数。由质量评价模型:
kappa=a×e(b×(-log(steepness)))
计算得到kappa=0.4446。
图3所示为本发明Washington DC Mall实验数据的高光谱图像,数据大小为1280×370,包含220个连续波段(400-2400nm),191个有效波段,HYDICE传感器的空间分辨率较高,能达到lm左右,光谱分辨率为10nm左右。本发明从中选取两个大小均为128×128的区域,作为验证方法有效性的一组真实数据。实验结果为选择其中30-180个波段。
图4所示为本发明图3中(a)、(b)图的实验结果。横轴表示图像的个数,纵轴表示kappa值的大小,其中灰色线表示查询字典后估计的kappa值,黑色表示图像真实的kappa值。由结果可以看出本发明的估计模型得到的结果与真实kappa值误差较小,即本发明的估计模型得到的分类精度指标kappa值是可信的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于陡度的遥感图像质量评价方法,其特征在于,包括:
步骤1对输入遥感图像提取图像质量因子陡度steep,所述陡度steep的计算公式为:
其中,μ为图像灰度均值;σ2为图像方差;k为灰度级;P(k)为灰度级为k的概率;
步骤2对所述输入遥感图像的灰度信息进行最小距离分类,以得到每类地物的数量来计算得到所述输入遥感图像的类别比例及类间距;
步骤3以仿真数据构建图像的分类精度字典,包括以下子步骤:
(3-1)固定一个类间距,改变类别比例,得出此种情形下的评价模型的第一系数和第二系数;
(3-2)改变类间距,重复所述步骤(3-1),遍历所有类间距的情形,得到不同类间距、不同类别比例下的评价模型的第一系数和第二系数;
(3-3)根据不同类间距、不同类别比例和对应的第一系数和第二系数建立所述分类精度字典;
步骤4建立基于陡度steep的图像质量评价模型,计算kappa系数用以评价所述输入遥感图像的质量,其中所述kappa系数与所述陡度steep的关系式为:
kappa=a×e(b×(-log(steep)))
其中,系数a、b是根据所述输入图像的类间距和类别比例查询所述分类精度字典得到的对应第一系数和第二系数。
2.如权利要求1所述的方法,其特征在于,所述步骤1中,所述图像灰度均值为: 所述图像方差为 其中,M×N为所述输入遥感图像大小;f(i,j)为图像在点(i,j)的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510288896.2A CN104867154A (zh) | 2015-05-29 | 2015-05-29 | 一种基于陡度的遥感图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510288896.2A CN104867154A (zh) | 2015-05-29 | 2015-05-29 | 一种基于陡度的遥感图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104867154A true CN104867154A (zh) | 2015-08-26 |
Family
ID=53912969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510288896.2A Pending CN104867154A (zh) | 2015-05-29 | 2015-05-29 | 一种基于陡度的遥感图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260714A (zh) * | 2015-10-10 | 2016-01-20 | 中国资源卫星应用中心 | 一种可见光遥感图像信息提取性能变化检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7924326B2 (en) * | 2007-09-21 | 2011-04-12 | Seiko Epson Corporation | Image quality adjustment processing device |
CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
-
2015
- 2015-05-29 CN CN201510288896.2A patent/CN104867154A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7924326B2 (en) * | 2007-09-21 | 2011-04-12 | Seiko Epson Corporation | Image quality adjustment processing device |
CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
CN103383775A (zh) * | 2013-07-02 | 2013-11-06 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合效果评价方法 |
Non-Patent Citations (1)
Title |
---|
隋晨红: "面向分类的图像质量评价方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260714A (zh) * | 2015-10-10 | 2016-01-20 | 中国资源卫星应用中心 | 一种可见光遥感图像信息提取性能变化检测方法 |
CN105260714B (zh) * | 2015-10-10 | 2018-09-28 | 中国资源卫星应用中心 | 一种可见光遥感图像信息提取性能变化检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
CN104902267B (zh) | 一种基于梯度信息的无参考图像质量评价方法 | |
CN102209257B (zh) | 一种立体图像质量客观评价方法 | |
CN102333233B (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
CN103475898A (zh) | 一种基于信息熵特征的无参考图像质量评价方法 | |
CN102547368B (zh) | 一种立体图像质量客观评价方法 | |
CN104143185A (zh) | 一种污点区域检测方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN104104943A (zh) | 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法 | |
CN110766658B (zh) | 一种无参考激光干扰图像质量评价方法 | |
CN104202594B (zh) | 一种基于三维小波变换的视频质量评价方法 | |
CN104954778A (zh) | 一种基于感知特征集的立体图像质量客观评价方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN104408716A (zh) | 一种基于视觉保真度的立体图像质量客观评价方法 | |
CN104881684A (zh) | 一种立体图像质量客观评价方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN104282019A (zh) | 基于自然场景统计和感知质量传播的盲图像质量评价方法 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
Cucciati et al. | Comparison of the VIMOS-VLT Deep Survey with the Munich semi-analytical model-II. The colour− density relation up to z~ 1.5 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150826 |
|
WD01 | Invention patent application deemed withdrawn after publication |