CN105260714B - 一种可见光遥感图像信息提取性能变化检测方法 - Google Patents

一种可见光遥感图像信息提取性能变化检测方法 Download PDF

Info

Publication number
CN105260714B
CN105260714B CN201510651089.2A CN201510651089A CN105260714B CN 105260714 B CN105260714 B CN 105260714B CN 201510651089 A CN201510651089 A CN 201510651089A CN 105260714 B CN105260714 B CN 105260714B
Authority
CN
China
Prior art keywords
image
remote sensing
niirs
bsv
sensing image
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
Application number
CN201510651089.2A
Other languages
English (en)
Other versions
CN105260714A (zh
Inventor
赫华颖
王海燕
郝雪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Center for Resource Satellite Data and Applications CRESDA
Original Assignee
China Center for Resource Satellite Data and Applications CRESDA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Center for Resource Satellite Data and Applications CRESDA filed Critical China Center for Resource Satellite Data and Applications CRESDA
Priority to CN201510651089.2A priority Critical patent/CN105260714B/zh
Publication of CN105260714A publication Critical patent/CN105260714A/zh
Application granted granted Critical
Publication of CN105260714B publication Critical patent/CN105260714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

一种可见光遥感图像信息提取性能变化检测方法，首先计算可见光遥感图像处理前后的NIIRS值，进而得到NIIRS的保持率CR_NIIRS，然后计算可见光遥感图像处理前后图像的分块标准方差值BSV，进而得到BSV的保持率CR_BSV，最后使用NIIRS的保持率CR_NIIRS、BSV的保持率CR_BSV得到综合信息保持率CR_CI，以此来检测信息提取性能。本发明通过计算综合信息保持率CR_CI，解决了现有技术检测面向定量化应用的遥感图像信息提取性能时适用性不强和成像链路中某一环节对图像信息提取性能的影响敏感度不高两个问题，能够兼顾图像质量和图像保真度，在信息提取性能变化检测时具有更高的稳定性和敏锐性。

Description

一种可见光遥感图像信息提取性能变化检测方法
技术领域
本发明涉及可见光遥感卫星数据处理领域，适用于民用可见光遥感相机，特别是一种可见光遥感图像信息提取性能变化检测方法。
背景技术
光学遥感卫星在整个成像链路过程中，受大气、卫星平台、光学系统、电子学噪声及有损数传压缩和调制传递函数补偿等数据处理操作等多种因素的影响，图像的信息提取性能有不同程度的下降，这会对后续的目视解译和定量化应用造成影响。因此，稳定且敏锐地对遥感图像信息提取性能变化进行检测显得尤为重要。从目前的发表文章和公开资料来看，关于可见光遥感图像信息提取性能变化检测方面的研究包括：
1)民用可见光遥感图像信息提取性能度量
民用NIIRS是适应民用部门需要开发的，其判据类别涉及自然、农业、城市以及工业目标，并且也是为了满足这些方面的需求开发的。民用NIIRS参考当前的NIIRS进行了标定，也就是说一幅支持可见光NIIRS 5任务的图像也支持民用NIIRS 5的任务，可以参见《监视与侦查成像系统》(Jon C.Leachtenauer等著，陈世平等译，中国科学技术出版社，2007年1月)。
2)利用通用图像质量方程(GIQE)预测NIIRS等级
通用图像质量方程是一种基于系统参数的图像信息提取性能估计模型。它一般主要供系统的设计者使用，在系统制造开始以前就可以预测其性能。也可以使用图像的测量参数预测系统信息提取性能。
3)利用图像质量模型(IQM)预测NIIRS等级
图像质量模型(IQM)是一种基于信息的度量，可以预测单幅图像的NIIRS等级。IQM模型由数字图像的功率谱加上一些调整，计算图像的信息量，而图像的信息量可以同NIIRS等级联系在一起。
4)利用萨诺夫刚辨差模型(JND)预测NIIRS等级差异
萨诺夫JND模型，根据人类视觉系统的响应测量两幅图像间的差异，以最小视觉差(JNDs)表示，然后将JNDs同解译度(NIIRS)联系起来。
但是上述技术存在以下2个问题：
1)现有技术用于检测面向定量化应用的遥感图像信息提取性能时的适用性不强。
通用图像质量方程(GIQE)、图像质量模型(IQM)和萨诺夫JND模型，均可对成像系统或图像进行NIIRS等级或是图像间的NIIRS差异ΔNIIRS进行预测，但是上述模型在建模时，关心的是图像的质量而非图像的保真度。然而在定量化应用需要依赖的计算机处理算法中，图像保真度具有重要意义，图像DN值的微小改变，对视觉解译可能不会产生影响，但却可能对定量化计算造成严重影响。
2)现有技术用于检测成像链路中某一环节(如数传压缩、调制传递函数补偿等数据处理操作)对图像信息提取性能的影响时的敏感度不高。
成像链路中的某些环节，如有损数传压缩、调制传递函数补偿等数据处理操作，会使图像中的空间信息、辐射信息和几何信息发生变化。以有损数传压缩为例。随着压缩比的增大，解压图像会出现纹理模糊、点目标和线目标的扩散甚至消失等空间、辐射和几何信息的改变，使图像的信息提取性能下降，可解压图像的NIIRS值仍未有较大改变。根据以往做的卫星压缩质量评价实验数据可知，当压缩比增大到8：1时，图像中植被的细碎纹理，细小点、线地物等细节信息大量损失，而NIIRS值下降仍不超过0.05。这种细节信息的大量损失大大影响了图像的辐射、几何和空间保真度，严重影响了遥感图像的信息提取性能。然而，NIIRS值不能敏锐地反映出这种改变。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种通过计算综合信息保持率CR_CI，在信息提取性能变化检测时具有更高的稳定性和敏锐性的可见光遥感图像信息提取性能变化检测方法，解决了现有技术检测遥感图像信息提取性能时适用性不强和成像链路中某一环节对图像信息提取性能的影响敏感度不高两个问题。
本发明的技术解决方案是：一种可见光遥感图像信息提取性能变化检测方法，包括如下步骤：
(1)计算可见光遥感图像处理前的国家图像解译度分级标准等级值并记为NIIRS1，可见光遥感图像处理后的国家图像解译度分级标准等级值并记为NIIRS2，其中，可见光遥感图像为M像元*N像元图像，M、N为正整数；
(2)计算可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率CR_NIIRS为
CR_NIIRS＝1-(NIIRS1-NIIRS2)/NIIRS1；
(3)计算可见光遥感图像处理前图像的分块标准方差值，并记为BSV1，可见光遥感图像处理后图像的分块标准方差值，并记为BSV2；
(4)计算可见光遥感图像处理前后图像的图像分块标准方差的保持率CR_BSV为
CR_BSV＝1-(BSV1-BSV2)/BSV1；
(5)使用可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率和图像分块标准方差的保持率得到综合信息保持率CR_CI为
CR_CI＝CR_NIIRS*CR_BSV；
(6)使用步骤(1)-步骤(5)分别计算两个可见光遥感图像处理后图像的综合信息保持率CR_CI，并对比，如果两者相等，则两个可见光遥感图像处理后图像的信息提取性能没有变化，如果两者不相等，则两个可见光遥感图像处理后图像的信息提取性能产生变化。
所述的图像的分块标准方差值的计算方法包括如下步骤：
(1)将图像分成B像元×B像元大小的至少两个图像块，其中，B为正整数且小于M、N；
(2)计算图像块图像灰度均值μ为
其中，f(i,j)为图像块中第i行第j列像元的灰度值，i＝1，2，3…B，j＝1，2，3…B；
(3)计算各个图像块图像灰度标准方差的平均值作为图像的BSV值，其中，图像块的图像灰度标准方差σ的计算方法为
所述的B的取值范围为[2，0.5*min(M，N)]。
所述的国家图像解译度分级标准等级值为通过使用图像质量模型预测获得。
本发明与现有技术相比的优点在于：
(1)本发明通过计算可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率CR_NIIRS，克服了现有技术中当NIIRS值的变化值很小，无法描述图像信息提取性能的物理变化这一缺陷，具有更清晰直观地表示图像质量变化程度这一优点；
(2)本发明通过计算可见光遥感图像处理前后图像的分块标准方差的保持率CR_BSV，克服了现有技术中无法检测出图像中的细碎纹理，点线状地物等细节信息的损失程度这一缺陷，具有更清晰直观地表示图像保真度的变化程度这一优点；
(3)本发明通过计算综合信息保持率CR_CI，解决了现有技术检测面向定量化应用的遥感图像信息提取性能时适用性不强和成像链路中某一环节对图像信息提取性能的影响敏感度不高两个问题，能够兼顾图像质量和图像保真度，在信息提取性能变化检测时具有更高的稳定性和敏锐性的。
附图说明
图1为本发明一种可见光遥感图像信息提取性能变化检测方法原理流程图；
图2为本发明方法中8个城市卫星压缩处理前的原始图像；
图3为本发明方法中北京市压缩处理前的原始图像、4:1解压及8:1解压后图像中同一区域的局部截取图；
图4为本发明方法中广州市压缩处理前的原始图像、4:1解压、8:1解压后图像中同一区域的局部截取图。
具体实施方式
一、发明方法基础
现有的国家图像解译度分级标准等级(NIIRS)值在检测面向定量化应用的遥感图像信息提取性能时的适用性不强，检测成像链路中某一环节(如数传压缩、数据处理中的调制传递函数补偿等)对图像信息提取性能的影响时的敏感度不高，主要因为在于NIIRS的设计目的为目视解译(目标识别)，然而目视解译更关心图像质量，而非图像的保真度，这导致“利用图像质量模型(IQM)预测NIIRS等级”等遥感图像信息提取性能度量方法在建模时更多地考虑图像质量，其中，IQM模型就是由数字图像的功率谱这一表征图像质量的指标，加上一些调整来计算图像的信息量。
但是，高质量的图像不一定有高的保真度，由于定量化应用需要依赖计算机处理算法，因此图像保真度具有重要意义。其中，图像的空间保真度是图像保持目标尺寸、形状和细节的程度，辐射保真度是图像保持场景相对或绝对能量分布的程度，几何保真度是保持场景内相对位置或是绝对位置的程度。分块标准方差(blocking standard variance,BSV)是将整幅图像分成B像元×B像元大小的若干图像块，计算各图像块的标准方差的平均值作为图像的BSV。BSV可以敏锐地反映图像纹理细节、细小地物形状和辐射能量的细微变化。因此，BSV值的变化率可以在一定程度上体现出图像的保真度。
二、发明方案
本发明针对现有的民用可见光遥感图像信息提取性能变化评估技术，综合IQM模型与BSV的优势，提出一种兼顾遥感图像质量和保真度，能稳定且敏锐地对遥感图像信息提取性能变化进行检测的可见光遥感图像信息提取性能变化检测方法，如图1所示本发明方法包括如下步骤：
(1)使用图像质量模型计算可见光遥感图像处理前的国家图像解译度分级标准等级值为NIIRS1，可见光遥感图像处理后的国家图像解译度分级标准等级值为NIIRS2，其中，可见光遥感图像为M像元*N像元图像，M、N为正整数；
(2)计算可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率CR_NIIRS为
CR_NIIRS＝1-(NIIRS1-NIIRS2)/NIIRS1；
(3)计算可见光遥感图像处理前图像的分块标准方差值，并记为BSV1，可见光遥感图像处理后图像的分块标准方差值，并记为BSV2；
(4)计算可见光遥感图像处理前后图像的图像分块标准方差的保持率CR_BSV为
CR_BSV＝1-(BSV1-BSV2)/BSV1；
(5)使用可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率和图像分块标准方差的保持率得到综合信息保持率CR_CI为
CR_CI＝CR_NIIRS*CR_BSV；
(6)使用步骤(1)-步骤(5)计算两个可见光遥感图像处理后图像的综合信息保持率CR_CI，并对比，如果两者相等，则两个可见光遥感图像处理后图像的信息提取性能没有变化，如果两者不相等，则两个可见光遥感图像处理后图像的信息提取性能产生变化。
其中，图像的分块标准方差值的计算方法为：
(31)将图像分成B像元×B像元大小的至少两个图像块，其中，B为正整数且小于M、N；
(32)计算图像块的灰度均值μ为
其中，f(i,j)为图像块中第i行第j列像元的灰度值，i＝1，2，3…B，j＝1，2，3…B；
(33)计算各个图像块图像灰度标准方差的平均值作为图像的BSV值，其中，图像块的图像灰度标准方差σ的计算方法为
其中，μ为(2)中计算得到的图像块的灰度均值。
三、实验验证
(1)验证数据说明
星载遥感相机成像时，预先不知所拍的场景内容，亦无从知晓所成图像的纹理情况。纹理较丰富的图像信息冗余度小，纹理较单一的图像信息冗余度大。一般在做压缩质量评价与改进实验时，会选取一些包含不同类型地物(如沙漠、城市、水体等)纹理丰富程度不同的图像。图2中的8景图像为卫星压缩处理前的原始图像，编号为图像1～图像8，其像元分辨率为2.5米，量化比特数为8，地物主要涵盖城市、农田、植被、水体及沙漠等。其中，在本发明中图2(a)为图像1(北京)，图2(b)为图像2(敦煌)，图2(c)为图像3(广州)，图2(d)为图像4(哈密)，图2(e)为图像5(九江)，图2(f)为图像6(南昌)，图2(g)为图像7(天津)，图2(h)为图像8(郑州)
(2)验证方法说明
用卫星上使用的压缩算法对上述8景图像进行4：1和8：1压缩，分别用本发明方法、现有技术对4：1压缩和8：1压缩后的解压图像的信息提取性能做评估检测，并比较本发明方法同现有技术在稳定性与敏锐性上的差异。
(3)验证结果
(3.1)压缩前后图像的目视效果
图3(a)、图3(b)、图3(c)分别是图2中图像1(北京)压缩前的原始图像、4：1及8：1压缩后的解压图像的局部截取图，图4(a)、图4(b)、图4(c)分别是图2中图像3(广州)的压缩前的原始图像、4：1及8：1压缩后的解压图像的局部截取图，以0.5mm/pixel显示，可以看清压缩对图像中的细小点、线状地物和植被的细碎纹理的影响。
(3.2)现有技术的验证结果
表1是原始图像和解压图像的NIIRS值，表2是解压图像相对于原始图像的NIIRS值的变化值。
表1原始图像和解压图像的NIIRS值
NIIRS值 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
原始图像 4.28 3.07 4.31 3.86 3.39 3.47 4.23 4.34
4:1解压图像 4.27 3.06 4.30 3.86 3.38 3.47 4.23 4.34
8:1解压图像 4.23 3.04 4.28 3.82 3.36 3.45 4.19 4.31
表2解压图像相对于原始图像的NIIRS值的变化值
NIIRS值的变化值 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
4:1解压图像 0.00507 0.01172 0.00441 0.00289 0.0121 0.00252 0.00517 0.0021
8:1解压图像 0.04771 0.02518 0.03183 0.03569 0.035 0.0257 0.04525 0.03008
(3.3)本发明方法的验证结果
表3是解压图像相对于原始图像的NIIRS值的保持率CR_NIIRS，表4是原始图像的解压图像的BSV值，表5是解压图像相对于原始图像的BSV值的变化值，表6是解压图像相对于原始图像的BSV值的保持率CR_BSV，表7是图像的综合信息保持率CR_CI。
表3解压图像相对于原始图像的CR_NIIRS
CR_NIIRS 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
4:1解压图像 0.9988 0.9962 0.9990 0.9993 0.9964 0.9993 0.9988 0.9995
8:1解压图像 0.9889 0.9918 0.9926 0.9908 0.9897 0.9926 0.9893 0.9931
表4原始图像和解压图像的BSV值
BSV值 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
原始图像 13.21 3.75 9.18 7.24 4.3 6.61 11.26 9.4
4:1解压图像 12.96 3.66 8.97 7.05 4.21 6.49 10.99 9.19
8:1解压图像 12.44 3.52 8.53 6.64 4.01 6.27 10.51 8.73
表5解压图像相对于原始图像的BSV值的变化值
BSV值的变化值 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
4:1解压图像 0.25 0.09 0.21 0.19 0.09 0.12 0.27 0.21
8:1解压图像 0.77 0.23 0.65 0.6 0.29 0.34 0.75 0.67
表6解压图像相对于原始图像的CR_BSV
CR_BSV 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
4:1解压图像 0.9811 0.9760 0.9771 0.9738 0.9791 0.9818 0.9760 0.9777
8:1解压图像 0.9417 0.9387 0.9292 0.9171 0.9326 0.9486 0.9334 0.9287
表7解压图像相对于原始图像的CR_CI
CR_CI 图像1 图像2 图像3 图像4 图像5 图像6 图像7 图像8
4:1解压图像 0.9740 0.9598 0.9710 0.9697 0.9623 0.9783 0.9688 0.9747
8:1解压图像 0.8796 0.9054 0.8878 0.8715 0.8870 0.9143 0.8749 0.8896
(4)验证结果分析与结论
(4.1)验证结果分析
以下分析中的数值引用均做四舍五入取小数点后两位处理。
1)从图3可以看出，4：1的解压图像中植被的细碎纹理变模糊，当压缩比增大到8：1时，解压图像中植被的细碎纹理模糊程度明显加重，甚至消失。从图4可以看出，4：1的解压图像中细小点、线状地物扩散，当压缩比增大到8：1时，解压图像中点、线状地物扩散程度明显加重，甚至消失。
2)当使用现有技术时，4：1压缩时NIIRS值的变化值最大为0.01；8：1压缩时NIIRS值的变化值最大为0.05。根据民用NIIRS标准，0.01或0.05的差异无法描述出图像信息提取性能的物理变化，而且当NIIRS值下降0～0.2时，视觉无可察觉，这明显与图3和图4所示的目视结果不一致，说明NIIRS值在图像的信息提取性能变化检测时敏锐性差，这与NIIRS更关心图像质量而非图像的保真度有关。
3)本发明方法引用了保持率的概念，即物理量保持的百分率，这比“NIIRS值的变化值”这种有量纲的物理量更能清晰直观的表征图像的变化程度，同时本发明方法提出CR_CI，来综合考虑了图像质量和图像保真度。
当使用本发明方法时，4：1压缩时CR_CI在0.96～0.98之间，均值0.97，8：1压缩时，CR_CI在0.87～0.91之间，均值0.89。CR_CI在同一压缩比时的值域分布窄，而且在不同压缩比时的值域无交集，即CR_CI在图像的信息提取性能变化检测时，如果压缩比一定，则CR_CI值的变化范围小，如果压缩比不一定，4：1压缩后的所有图像的CR_CI值均比8：1压缩后的所有图像的CR_CI值高。这说明CR_CI值不依赖图像场景的内容，无论是使用纹理单一(信息冗余高)的沙漠图像，还是使用纹理丰富(信息冗余度低)的城市图像，都能稳定地检测出随着压缩比的增大图像的信息提取性能的下降，具有较好的稳定性。另外，4：1压缩时CR_CI的最小值0.96与8：1压缩时的最大值0.91有0.05(即5％)的差距，这说明CR_CI在图像的信息提取性能变化检测时有较好的敏锐性。本发明方法解决了现有技术在检测遥感图像信息提取性能时适用性不强和成像链路中某一环节对图像信息提取性能的影响时的敏感度不高的问题。
(4.2)验证结论
本发明方法能够稳定且敏锐地分析出不同压缩比对图像信息提取性能的影响，因此有力支持最优压缩方案设计，能做到压缩效率(压缩比)和图像质量、保真度兼顾，使图像在满足目视解译和定量化应用需求的前提下，实现最高的压缩效率。例如，在本次实验中，原定的压缩比为8：1，使用本发明方法发现8：1压缩后的解压图像无法满足定量化应用需求(即CR_CI较小)，需要压缩比降到4：1甚至更低。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (4)

1.一种可见光遥感图像信息提取性能变化检测方法，其特征在于包括如下步骤：
(1)计算可见光遥感图像处理前的国家图像解译度分级标准等级值并记为NIIRS1，可见光遥感图像处理后的国家图像解译度分级标准等级值并记为NIIRS2，其中，可见光遥感图像为M像元*N像元图像，M、N为正整数；
(2)计算可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率CR_NIIRS为
CR_NIIRS＝1-(NIIRS1-NIIRS2)/NIIRS1；
(3)计算可见光遥感图像处理前图像的分块标准方差值，并记为BSV1，可见光遥感图像处理后图像的分块标准方差值，并记为BSV2；
(4)计算可见光遥感图像处理前后图像的图像分块标准方差的保持率CR_BSV为
CR_BSV＝1-(BSV1-BSV2)/BSV1；
(5)使用可见光遥感图像处理前后图像的国家图像解译度分级标准等级值的保持率和图像分块标准方差的保持率得到综合信息保持率CR_CI为
CR_CI＝CR_NIIRS*CR_BSV；
(6)使用步骤(1)-步骤(5)分别计算两个可见光遥感图像处理后图像的综合信息保持率CR_CI，并对比，如果两者相等，则两个可见光遥感图像处理后图像的信息提取性能没有变化，如果两者不相等，则两个可见光遥感图像处理后图像的信息提取性能产生变化。
2.根据权利要求1所述的一种可见光遥感图像信息提取性能变化检测方法，其特征在于：所述的图像的分块标准方差值的计算方法包括如下步骤：
(1)将图像分成B像元×B像元大小的至少两个图像块，其中，B为正整数且小于M、N；
(2)计算图像块图像灰度均值μ为
其中，f(i,j)为图像块中第i行第j列像元的灰度值；
(3)计算各个图像块图像灰度标准方差的平均值作为图像的BSV值，其中，图像块的图像灰度标准方差σ的计算方法为
3.根据权利要求2所述的一种可见光遥感图像信息提取性能变化检测方法，其特征在于：所述的B的取值范围为[2，0.5*min(M，N)]。
4.根据权利要求1或2所述的一种可见光遥感图像信息提取性能变化检测方法，其特征在于：所述的国家图像解译度分级标准等级值为通过使用图像质量模型预测获得。
CN201510651089.2A 2015-10-10 2015-10-10 一种可见光遥感图像信息提取性能变化检测方法 Active CN105260714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510651089.2A CN105260714B (zh) 2015-10-10 2015-10-10 一种可见光遥感图像信息提取性能变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510651089.2A CN105260714B (zh) 2015-10-10 2015-10-10 一种可见光遥感图像信息提取性能变化检测方法

Publications (2)

Publication Number Publication Date
CN105260714A CN105260714A (zh) 2016-01-20
CN105260714B true CN105260714B (zh) 2018-09-28

Family

ID=55100395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510651089.2A Active CN105260714B (zh) 2015-10-10 2015-10-10 一种可见光遥感图像信息提取性能变化检测方法

Country Status (1)

Country Link
CN (1) CN105260714B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106454328B (zh) * 2016-10-21 2018-10-30 航天恒星科技有限公司 影像质量等级预测方法及系统
CN109064450A (zh) * 2018-07-06 2018-12-21 航天星图科技（北京）有限公司 一种面向高分辨率卫星影像的niirs评判方法
CN114387530A (zh) * 2022-01-13 2022-04-22 山东土地集团数字科技有限公司 一种基于遥感影像技术的土地利用属性的监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101478693A (zh) * 2008-12-31 2009-07-08 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
CN101976437A (zh) * 2010-09-29 2011-02-16 中国资源卫星应用中心 基于自适应阈值分割的高分辨率遥感影像变化检测方法
CN104867154A (zh) * 2015-05-29 2015-08-26 华中科技大学 一种基于陡度的遥感图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PT104798B (pt) * 2009-10-23 2018-12-31 Inst Politecnico De Beja Método gerador de cartas aeroportuárias de obstáculos baseado na fusão de dados de interferometria por radares de abertura sintética assentes em plataformas espaciais com outros dados captados por sensores remotos

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101478693A (zh) * 2008-12-31 2009-07-08 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
CN101976437A (zh) * 2010-09-29 2011-02-16 中国资源卫星应用中心 基于自适应阈值分割的高分辨率遥感影像变化检测方法
CN104867154A (zh) * 2015-05-29 2015-08-26 华中科技大学 一种基于陡度的遥感图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The Design and Analysis Based on NIIRS for Remote Sensing Systems;Honggang Bai;《Photonics and Optoelectronics (SOPO),2012 Symposium on》;20120523;1-3 *
基于NIIRS的遥感系统像质预估与评价方法研究;白宏刚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101015(第10期);I140-452 *

Also Published As

Publication number Publication date
CN105260714A (zh) 2016-01-20

Similar Documents

Publication Publication Date Title
Dong et al. High quality multi-spectral and panchromatic image fusion technologies based on curvelet transform
CN106023185B (zh) 一种输电设备故障诊断方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN107101641B (zh) 自适应地图比例尺的轨迹点显示的方法
CN110378849B (zh) 基于深度残差网络的图像去雾去雨方法
CN102831381B (zh) 影像差异比较系统及方法
CN105260714B (zh) 一种可见光遥感图像信息提取性能变化检测方法
CN106056553B (zh) 基于紧框架特征字典的图像修复方法
CN101937079A (zh) 基于区域相似度的遥感影像变化检测方法
Sun et al. Pavement crack characteristic detection based on sparse representation
CN103093458B (zh) 关键帧的检测方法及装置
CN103747254A (zh) 一种基于时域感知哈希的视频篡改检测方法和装置
CN103747271A (zh) 一种基于混合感知哈希的视频篡改检测方法和装置
CN110992366A (zh) 一种图像语义分割方法、装置及存储介质
Dong et al. Asphalt pavement macrotexture reconstruction from monocular image based on deep convolutional neural network
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN116188495A (zh) 一种国土监测数据高效处理方法
CN116452613B (zh) 一种地质调查中裂缝轮廓提取方法
CN106559670A (zh) 一种改进的分块视频压缩感知算法
CN102592472A (zh) 基于jpeg压缩图像的车位检测方法
CN104899592B (zh) 一种基于圆形模板的道路半自动提取方法及系统
CN104392209A (zh) 一种目标与背景的图像复杂度评价模型
Oleschko et al. Weathering: toward a fractal quantifying
CN111402158A (zh) 一种综采工作面低照度雾尘图像清晰化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant