CN105427349A - 遥感图像条带噪声定量评价方法 - Google Patents
遥感图像条带噪声定量评价方法 Download PDFInfo
- Publication number
- CN105427349A CN105427349A CN201510795219.XA CN201510795219A CN105427349A CN 105427349 A CN105427349 A CN 105427349A CN 201510795219 A CN201510795219 A CN 201510795219A CN 105427349 A CN105427349 A CN 105427349A
- Authority
- CN
- China
- Prior art keywords
- row
- image
- remote sensing
- value
- difference
- 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
Classifications
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
遥感图像条带噪声定量评价方法,包括下列步骤:读取评价的遥感影像属性数据,获取其像素的行数和列数数据,并根据行或列的一维数组模型,经过计算获得图像DN值的行均值差和列均值差;然后,输入图像DN值的行均值差或列均值差,输出为相应行或列的标准差;其次,输入图像DN值的行或列的均值差,经计算获得图像像元的差异性指标,然后,根据输出的图像像元差异性指标δv或δu值对遥感图像的条带噪声水平进行比较。本发明能够客观评价图像的条带噪声水平,且便于不同类型图像之间的横向比较,为遥感数据质量评价以及消条带算法效果评价提供了一个量化参考指标,能够保证获取的遥感图像数据的有效性和准确性,方便遥感图像的甄别和利用。
Description
技术领域
本发明涉及一种图像处理算法,属于遥感影像应用技术领域,尤其涉及一种遥感图像条带噪声定量评价方法。
背景技术
遥感图像由于受成像方式、光电元件性能以及成像时环境参数(如温度)等影响,往往存在条带噪声。条带噪声的存在使得遥感图像在定性和定量使用中均存在问题,在定性的遥感解译和判读中,条带噪声严重影响作业人员对地物类型的识别和提取;在各种遥感定量反演中,条带噪声会对辐射信息造成扭曲,由于缺乏能够客观反映这种扭曲程度的定量指标,其对反演结果的影响便无法评估。
目前,国内外对条带噪声的研究几乎都集中在各种消条带算法上,而且对消条带效果的评价也多限于定性的目视对比或者基于图像灰度均值、方差、清晰度、质量因子等间接指标进行定量评价。最近有研究者提出一种“探元一致性指标”的方法来定量评价条带噪声,但没有描述该方法的原理,且在某些情形下该指标描述的条带噪声严重程度会与拉伸后的图像产生不一致的现象。
中国专利(授权公告号CN101599170B)公开了一种“图像噪声评价方法、图像噪声评价装置”,其方法包括:提取图像中的平坦区域;自适应迭代优化所述平坦区域;利用优化后的平坦区域的图像评价所述图像的噪声水平。本发明提出的噪声评价方法,首先初步估计图像的噪声水平,然后根据初步估计结果,自适应提取均匀平坦区域,再对均匀平坦区域自适应迭代优化,最后对多种噪声评价指标进行优化组合,得到一个综合鲁棒的噪声评价方法。该方法能够较好的解决动态图像的处理,但对条带噪声的定量评价效果有限。
中国专利(申请公布号CN104680541A)公开了“一种基于相位一致性的遥感图像质量评价方法”,该发明采用综合评价值对遥感图像进行条带噪声评价,具有无参考性、全面评价遥感图像质量的优点,但其综合评价值不够精确,不能够进行不同类型图像之间的横向比较,对条带噪声的定量评价效果较差。
发明内容
本发明提供一种遥感图像条带噪声定量评价方法,用于解决现有技术中的问题,并基于条带噪声图像的特点,经定性分析和定量实验验证,该方法能够客观评价图像的条带噪声水平,且便于不同类型图像之间的横向比较,为遥感数据质量评价以及消条带算法效果评价提供了一个量化参考指标。
读取评价的遥感图像属性数据,获取其像素的行数和列数数据,并根据行或列的一维数组模型,经过计算获得图像DN值的行均值差和列均值差,
其中,m、n为遥感图像对应的行数和列数,和分别表示第i行像素DN值的均值和第j列像素DN值的均值,u和v中的元素就分别表示图像DN值的行均值差和列均值差;
然后,输入图像DN值的行均值差或列均值差,输出为相应行或列的标准差,
其中,m、n为遥感图像对应的行数和列数,u和v中的元素就分别表示图像DN值的行均值差和列均值差,和分别为行均值差u和列均值差v的均值;
其次,输入图像DN值的行或列的均值差,经计算获得图像像元的差异性指标,
或
其中,δv或δu为图像像元差异性指标,S(u)为行标准差,S(v)为列标准差,N为归一化系数;
然后,根据输出的图像像元差异性指标δv或δu值对遥感图像的条带噪声水平进行比较。
本发明的有益效果:
本发明获得的图像像元差异性指标具备横向可比性,可以比较不同DN值取值及量化范围的图像;稳定性好,对同一传感器获取的不同图像,评价指标具有统一性;具备感官一致性,经过本方法评价指标指出条带噪声严重的图像,拉伸显示后的图像应该就具有明显的条带噪声。
附图说明
图1是本发明的流程图;
图2是含有噪声条带的18波段CHRIS图像(图中只示出9个波段并标注对应的波段号)。
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,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
如图1所示,本实施例一种遥感图像条带噪声定量评价方法,包括下列步骤:读取评价的遥感影像属性数据,获取其像素的行数m和列数n数据,
(1)输入图像行数m和列数为n以及DN值,输出为整幅图像DN值的标准差Istd,
式中为整幅图像DN值的均值;
(2)根据行或列的一维数组模型,经过计算获得图像DN值的行均值差和列均值差,
其中,m、n为遥感图像的对应的行数和列数,和分别表示第i行像素DN值的均值和第j列像素DN值的均值,u和v中的元素就分别表示图像DN值的行均值差和列均值差;
(3)输入图像DN值的行均值差或列均值差,输出为相应行或列的标准差,
其中,m、n为遥感图像的对应的行数和列数,u和v中的元素就分别表示图像DN值的行均值差和列均值差,和分别为行均值差u和列均值差v的均值;
(4)输入图像DN值的行或列的均值差,经计算获得图像像元的差异性指标,
或
其中,S(u)为行标准差,S(v)为列标准差,N为归一化系数;因此,对于水平条带,则对于垂直条带,则
然后,根据输出的图像像元差异性指标δv或δu值对遥感图像的条带噪声水平进行比较。
本实施例中以CHRIS(即CompactHighResolutionImagingSpectrometer,紧凑型高分辨率成像分光仪)获得的遥感图像进行条带噪声进行技术和评价,CHRIS是搭载在欧空局2001年10月22日发射升空的PROBA卫星上的高光谱传感器,具有5种成像模式。
如图2所示,使用的是18波段的CHRIS图像,每个波段的数据均存在不同程度的垂直条带噪声,尤其波长较短的蓝光范围内的前三个波段为甚,另外,由于CHRIS原始图像的DN值采用的是32bit量化,为了比较评价方法在不同数据类型上的适用性,将每景CHRIS图像中的18个波段数据均单独导出,并将其DN值进行8bit线性拉伸,拉伸前后的图像同样作为数据源。
依步骤分别计算一个CHRIS文件18个波段未拉伸消条带前、未拉伸消条带后、拉伸消条带前、拉伸消条带后的δ值,计算结果参见表1所示。
表1:18波段的CHRIS图像δ值
从表1可以看出,图像拉伸前后对应的δ值几乎完全一致,所以该方法无需考虑图像数据的量化范围,评价结果可以在不同DN值范围或量化范围的图像间进行横向比较;另外,消条带后的δ值明显低于消条带前,说明该计算方法可以很好的表征条带噪声水平;最后通过计算多景CHRIS图像,对应波段的δ值均表现出很高的稳定性。
因此图像像元的差异性指标作为条带噪声的评价方法,具有很好的横向可比性、稳定性好和感官一致性,能够保证获取的遥感图像数据的有效性和准确性,方便对遥感图像的甄别和利用。
本发明未详尽描述的技术内容均为公知技术。
Claims (2)
1.遥感图像条带噪声定量评价方法,其特征在于,包括下列步骤:
读取评价的遥感图像属性数据,获取其像素的行数和列数数据,并根据行或列的一维数组模型,经过计算获得图像DN值的行均值差和列均值差,
其中,m、n为遥感图像对应的行数和列数,和分别表示第i行像素DN值的均值和第j列像素DN值的均值,u和v中的元素就分别表示图像DN值的行均值差和列均值差;
然后,输入图像DN值的行均值差或列均值差,输出为相应行或列的标准差,
其中,m、n为遥感图像对应的行数和列数,u和v中的元素就分别表示图像DN值的行均值差和列均值差,和分别为行均值差u和列均值差v的均值;
其次,输入图像DN值的行或列的均值差,经计算获得图像像元的差异性指标,
或
其中,δv或δu为图像像元差异性指标,S(u)为行标准差,S(v)为列标准差,N为归一化系数;
然后,根据输出的图像像元差异性指标δv或δu值对遥感图像的条带噪声水平进行比较。
2.根据权利要求1所示的遥感图像条带噪声定量评价方法,其特征在于,所示归一化系数为图像DN值的标准差Istd,
其中,m、n为正幅图像的对应的行数和列数,为整幅图像DN值的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510795219.XA CN105427349B (zh) | 2015-11-18 | 2015-11-18 | 遥感图像条带噪声定量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510795219.XA CN105427349B (zh) | 2015-11-18 | 2015-11-18 | 遥感图像条带噪声定量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427349A true CN105427349A (zh) | 2016-03-23 |
CN105427349B CN105427349B (zh) | 2018-05-25 |
Family
ID=55505529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510795219.XA Expired - Fee Related CN105427349B (zh) | 2015-11-18 | 2015-11-18 | 遥感图像条带噪声定量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427349B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530301A (zh) * | 2016-11-30 | 2017-03-22 | 上海卫星工程研究所 | 卫星地面测试中成像类定量遥感仪器干扰和噪声评价方法 |
CN113487547A (zh) * | 2021-06-24 | 2021-10-08 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
CN116071640A (zh) * | 2023-02-17 | 2023-05-05 | 自然资源部国土卫星遥感应用中心 | 一种基于噪声因子的高光谱卫星遥感影像辐射质量评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012058978A (ja) * | 2010-09-08 | 2012-03-22 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
US20130271665A1 (en) * | 2012-04-17 | 2013-10-17 | Canon Kabushiki Kaisha | Image processing apparatus and processing method thereof |
TW201411553A (zh) * | 2012-07-19 | 2014-03-16 | Sony Corp | 雜訊評估方法、圖像處理裝置、攝像裝置及程式 |
CN103903224A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 数字图像条带噪声的处理方法及装置 |
CN104680541A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于相位一致性的遥感图像质量评价方法 |
-
2015
- 2015-11-18 CN CN201510795219.XA patent/CN105427349B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012058978A (ja) * | 2010-09-08 | 2012-03-22 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
US20130271665A1 (en) * | 2012-04-17 | 2013-10-17 | Canon Kabushiki Kaisha | Image processing apparatus and processing method thereof |
TW201411553A (zh) * | 2012-07-19 | 2014-03-16 | Sony Corp | 雜訊評估方法、圖像處理裝置、攝像裝置及程式 |
CN103903224A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 数字图像条带噪声的处理方法及装置 |
CN104680541A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于相位一致性的遥感图像质量评价方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530301A (zh) * | 2016-11-30 | 2017-03-22 | 上海卫星工程研究所 | 卫星地面测试中成像类定量遥感仪器干扰和噪声评价方法 |
CN106530301B (zh) * | 2016-11-30 | 2019-06-07 | 上海卫星工程研究所 | 卫星地面测试中成像类定量遥感仪器干扰和噪声评价方法 |
CN113487547A (zh) * | 2021-06-24 | 2021-10-08 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
CN113487547B (zh) * | 2021-06-24 | 2023-08-15 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
CN116071640A (zh) * | 2023-02-17 | 2023-05-05 | 自然资源部国土卫星遥感应用中心 | 一种基于噪声因子的高光谱卫星遥感影像辐射质量评价方法 |
CN116071640B (zh) * | 2023-02-17 | 2023-12-01 | 自然资源部国土卫星遥感应用中心 | 一种基于噪声因子的高光谱卫星遥感影像辐射质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105427349B (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
Han et al. | A new image fusion performance metric based on visual information fidelity | |
Farber et al. | Assessment of alternative approaches for bioclimatic modeling with special emphasis on the Mahalanobis distance | |
Zhang et al. | No-reference image quality assessment based on log-derivative statistics of natural scenes | |
Boyd et al. | Phenology of vegetation in Southern England from Envisat MERIS terrestrial chlorophyll index (MTCI) data | |
Kotwal et al. | A novel approach to quantitative evaluation of hyperspectral image fusion techniques | |
Stewart et al. | Estimating interchannel observation‐error correlations for IASI radiance data in the Met Office system | |
Scandariato et al. | HADES RV Programme with HARPS-N at TNG-IV. Time resolved analysis of the Ca ii H&K and Hα chromospheric emission of low-activity early-type M dwarfs | |
CN109191450B (zh) | 一种遥感图像融合质量评价方法 | |
CN105427349A (zh) | 遥感图像条带噪声定量评价方法 | |
CN103279950B (zh) | 一种基于行列噪声标准差的遥感图像信噪比评估方法 | |
Yusuf et al. | Spectral information analysis of image fusion data for remote sensing applications | |
Choudhary et al. | On bias correction of summer monsoon precipitation over India from CORDEX‐SA simulations | |
Pinto et al. | Evaluation of the uncertainty in the spectral band adjustment factor (SBAF) for cross-calibration using Monte Carlo simulation | |
Coopmann et al. | Update of Infrared Atmospheric Sounding Interferometer (IASI) channel selection with correlated observation errors for numerical weather prediction (NWP) | |
CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
Cammalleri et al. | Non-stationarity in MODIS fAPAR time-series and its impact on operational drought detection | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN111915519B (zh) | 一种基于空谱径向基函数插值的条带修复方法 | |
Chi et al. | Machine learning-based temporal mixture analysis of hypertemporal Antarctic sea ice data | |
Jing et al. | Two improvement schemes of PAN modulation fusion methods for spectral distortion minimization | |
CN112525346B (zh) | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 | |
Michel et al. | Objective filtering of the local correlation tensor | |
Dixit et al. | Vertical stripe correction in Hyperion image using wavelet transformation and singular value decomposition (SVD) | |
Choi et al. | Context-adaptive pansharpening algorithm for high-resolution satellite imagery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180525 Termination date: 20181118 |