CN109064450A - 一种面向高分辨率卫星影像的niirs评判方法 - Google Patents
一种面向高分辨率卫星影像的niirs评判方法 Download PDFInfo
- Publication number
- CN109064450A CN109064450A CN201810741534.8A CN201810741534A CN109064450A CN 109064450 A CN109064450 A CN 109064450A CN 201810741534 A CN201810741534 A CN 201810741534A CN 109064450 A CN109064450 A CN 109064450A
- Authority
- CN
- China
- Prior art keywords
- niirs
- image
- value
- iqm
- special
- 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
- G06T2207/10—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
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向高分辨率卫星影像的NIIRS评判方法,其整体步骤为:采用分块技术,对IQM算法进行加权优化;先对试验影像进行质量好坏的排序,然后由图像分析人员共同确定特好与特差影像的NIIRS等级,再由特好和特差影像的NIIRS值均匀确定中间等级影像的NIIRS值;将实验数据分为两组,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测,利用预测的公式对第二组数据计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,验证预测公式的可靠性。本发明可引入小数级的NIIRS值,可显著提高NIIRS的评判准确性和一致性;本方法具有人为主观干预程度小的优点,可以显著降低国家的人才培养成本,适用于目前大批量遥感影像数据的质量评判。
Description
技术领域
本发明涉及一种评判方法,尤其涉及一种面向高分辨率卫星影像的NIIRS评判方法。
背景技术
影像质量评价是一个复杂的过程,国外很早就认识到,比例尺、分辨率、信噪比、MTF(Modulation Transfer Function,调制传递函数)评价影像质量有其局限性,同时和用户对于影像质量的需求具有差异性。国外对影像质量评价进行了深入的研究,建立了基于应用的遥感影像质量分级标准NIIRS。NIIRS(国家图像解译度分级标准)是一种定量的主观图像质量评价标准,其将图像质量同用户任务要求联系起来,是目前西方情报机构广为使用的一种图像质量标准,也是美国遥感卫星质量衡量的权威标准。NIIRS是根据图像解译专家经验得到的从0~9级的10等级尺度,0级最低,9级最高,等级越高,表明图像的可解译性越高。
现有NIIRS评判方法对影像NIIRS等级的确定最初由人工评判来完成。NIIRS人工评判需要实验人员有较丰富经验水平,且一般都必须对实验人员进行专门训练。这不仅费时费力,而且不同经验水平的人会使评价结果有较大差异,此外,人工评判的NIIRS判据只有整数等级,这种方式极有可能造成质量明显不一样的两张影像的最终NIIRS值相同,因此,传统的人工评判方法并不适用于目前大量遥感影像数据的质量评判工作。
IQM是一种基于信息度量的影像质量评定模型,通过它可以预测一幅影像的NIIRS等级。IQM在图像功率谱的基础上,加入了人类视觉系统的MTF、比例系数以及对噪声的滤波处理,是一种更接近人类视觉系统去理解和认知影像的客观指标。因此,开发基于加权IQM算法的对高分辨率卫星影像进行NIIRS自动评估的间接方法,将对建立一种新的测量指标具有重要的参考意义。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种面向高分辨率卫星影像的NIIRS评判方法。
为了解决以上技术问题,本发明采用的技术方案是:一种面向高分辨率卫星影像的NIIRS评判方法,其整体步骤为:
步骤S1、对IQM算法进行加权优化:
采用分块技术,对IQM算法进行加权优化,以实现较大遥感卫星影像的IQM计算;
步骤S2、NIIRS等级评判:
先对试验影像进行质量好坏的排序,在排序结果上,对影像进行特好、好、一般、差、特差5个等级的划分;然后,由有经验的图像分析人员,根据NIIRS判据内容,共同确定特好与特差影像的NIIRS等级;最后,由特好和特差影像的NIIRS值均匀确定中间等级影像的NIIRS值,由此引入小数级NIIRS值;
步骤S3、NIIRS公式预测及验证:
将实验数据分为两组,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测;然后,利用预测的公式对第二组数据计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,验证预测公式的可靠性。
进一步地,步骤S1中对IQM算法进行加权优化的具体方法为:
首先,IQM的计算公式为:
其中,M2是影像中的像元数,S(θ)是比例系数,W(ρ)是修正维纳滤波器,A2(Tρ)是人类视觉系统MTF的平方,P(ρ,θ)是二维的功率谱;
对一张遥感影像,以固定p×p大小对其进行分块,对边缘剩余不足p×p大小的子影像补0,使其行列大小满足2的整数次幂;对每个子块影像计算IQM值,影像最终的IQM值按如下加权方式计算:
其中,Num为影像的分块总数目,IQMi为第i块子影像的IQM值,Mi·Ni为第i块子影像的大小,M·N为原始影像的大小。
进一步地,步骤S2中NIIRS等级评判的具体方法为:
S21、排序
对试验影像由加权的算法计算IQM值,根据计算结果,对试验影像进行质量好坏的排序;IQM值越大,表明影像质量越好,则排序结果中数字越小;反之,IQM值越小,表明影像质量越差,排序数字越大;
S22、影像等级确定
在试验影像排序结果的基础上,结合IQM值对影像进行特好、好、一般、差、特差5个等级的确定;
S23、NIIRS值确定
根据NIIRS判据,由多名有丰富判图经验的图像分析人员根据判据内容共同对特好和特差影像确定NIIRS值;然后根据特好、特差等级影像的NIIRS值,均匀确定中间等级的NIIRS值。
进一步地,步骤S3中NIIRS公式预测及验证的具体方法为:
S31、NIIRS公式预测
采用回归分析的方式,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测,并得到基于IQM的NIIRS拟合曲线;
S32、NIIRS公式验证
利用预测的NIIRS拟合曲线对第二组数据根据IQM值计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,得到两者之间的误差,从而验证预测公式的可靠性。
本发明通过对IQM算法进行加权优化的方式,使其可适用于较大遥感卫星影像的计算,然后根据加权IQM计算结果,对影像进行5个NIIRS等级的划分,此可引入小数级的NIIRS值,可显著提高NIIRS的评判准确性和一致性;此外,本方法建立的评定模型,具有人为主观干预程度小的优点,可以显著降低国家的人才培养成本,并且可适用于目前大批量遥感影像数据的质量评判,评判效率较高。
附图说明
图1为间接NIIRS主观试验的整体步骤流程图。
图2为实施例一中基于IQM的NIIRS拟合曲线。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一、
一种面向高分辨率卫星影像的NIIRS评判方法,其整体步骤为:
步骤S1、对IQM算法进行加权优化:
IQM模型由影像的功率谱计算影像的信息量,而影像的信息量可以同NIIRS等级联系在一起。IQM定义为:
其中,M2是影像中的像元数(影像大小为M*M),S(θ)是比例系数,W(ρ)是修正维纳滤波器,A2(Tρ)是人类视觉系统(HVS)MTF的平方,P(ρ,θ)是二维的功率谱。
在实际应用中,遥感卫星影像较大,美国METER实验室公布的Fortran语言版的IQM算法无法直接对其进行计算。为了解决这一问题,对IQM算法进行优化,采用分块技术,实现加权IQM算法,具体方法如下:
对一张遥感影像,以固定p×p大小对其进行分块(p为2的整数次幂,且适应电脑内存大小),对边缘剩余不足p×p大小的子影像补0,使其行列大小满足2的整数次幂。对每个子块影像计算IQM值,影像最终的IQM值按如下加权方式计算:
其中,Num为影像的分块总数目,IQMi为第i块子影像的IQM值,Mi·Ni为第i块子影像的大小,M·N为原始影像的大小。
步骤S2、NIIRS等级评判:
采用“天绘一号”高分辨率卫星影像21景作为本实施例的主观试验数据,其地面分辨率为2米。21景实验影像云量小于10%,地区覆盖阎良、临潼、户县军用飞机场;青海、湛江、舟山、三亚、葫芦岛军用海港;长沙、南昌、上海火车站。1994年3月现行公布的可见光NIIRS判据如表1所示。
表1、可见光NIIRS判据
为了解决国内NIIRS主观试验无法保证评判的准确性及一致性的问题,本发明设计了一种间接方式进行NIIRS主观试验。间接NIIRS主观试验先对试验影像进行质量好坏的排序;在排序结果上,对影像进行特好、好、一般、差、特差5个等级的划分。其次,由有经验的图像分析人员,根据NIIRS判据内容,共同确定特好与特差影像的NIIRS等级。最后,由特好和特差影像的NIIRS值均匀确定中间等级影像的NIIRS值,由此可引入小数级NIIRS值。间接NIIRS主观试验的整体步骤如图1所示,其详细步骤如下:
S21、排序
对试验影像由设计的算法计算IQM值,根据计算结果,对试验影像进行质量好坏的排序。IQM值越大,表明影像质量越好,则排序结果中数字越小,反之,IQM值越小,表明影像质量越差,排序数字越大。
S22、影像等级确定
在试验影像排序结果的基础上,结合IQM值对影像进行特好、好、一般、差、特差5个等级的确定。
S23、NIIRS值确定
根据表1中的NIIRS判据,由5名有丰富判图经验的图像分析人员根据判据内容共同对特好和特差影像确定NIIRS值。最终,高分辨率影像中特好等级影像的NIIRS值被确定为3,特差等级影像的NIIRS值被确定为2。Worldview多光谱影像分辨率为2米,质量较好影像产品的NIIRS等级公布为2.8-3。天绘高分辨率卫星影像分辨率亦为2米,因此本方法确定特好影像NIIRS值为3,具有较强说服力。
根据特好、特差等级影像的NIIRS值,均匀确定中间等级的NIIRS值。因此,好等级影像的NIIRS值为2.75,一般等级影像NIIRS值为2.5,差等级影像NIIRS值为2.25。下述表2为试验影像的IQM值、排序结果、影像等级和主观NIIRS值结果。
表2、试验影像IQM值、排序、影像等级和主观NIIRS值结果
步骤S3、NIIRS公式预测及验证:
将实验数据分为两组,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测;利用预测的公式对第二组数据计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,验证预测公式的可靠性。
S31、NIIRS公式预测
采用回归分析的方式,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测。图2为基于IQM的NIIRS拟合曲线。
拟合曲线对应的NIIRS预测公式如下所示。
NIIRS=0.7539*log10(IQM)+5.1816 公式三
S32、NIIRS公式验证
利用预测的NIIRS公式三对第二组数据根据IQM值计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,得到两者之间的误差,从而验证预测公式的可靠性。下述表3为NIIRS公式的验证结果。
表3NIIRS公式验证结果
从表3可以看出,对预测公式验证的平均误差为4.84%,验证平均误差相对较小,表明本方法中确定的基于IQM的NIIRS预测公式具有一定的可靠性,可利用预测公式计算“天绘一号”高分辨率卫星影像的NIIRS等级。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (4)
1.一种面向高分辨率卫星影像的NIIRS评判方法,其特征在于:所述方法的整体步骤为:
步骤S1、对IQM算法进行加权优化:
采用分块技术,对IQM算法进行加权优化,以实现较大遥感卫星影像的IQM计算;
步骤S2、NIIRS等级评判:
先对试验影像进行质量好坏的排序,在排序结果上,对影像进行特好、好、一般、差、特差5个等级的划分;然后,由有经验的图像分析人员,根据NIIRS判据内容,共同确定特好与特差影像的NIIRS等级;最后,由特好和特差影像的NIIRS值均匀确定中间等级影像的NIIRS值,由此引入小数级NIIRS值;
步骤S3、NIIRS公式预测及验证:
将实验数据分为两组,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测;然后,利用预测的公式对第二组数据计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,验证预测公式的可靠性。
2.根据权利要求1所述的面向高分辨率卫星影像的NIIRS评判方法,其特征在于:所述步骤S1中对IQM算法进行加权优化的具体方法为:
首先,IQM的计算公式为:
其中,M2是影像中的像元数,S(θ)是比例系数,W(ρ)是修正维纳滤波器,A2(Tρ)是人类视觉系统MTF的平方,P(ρ,θ)是二维的功率谱;
对一张遥感影像,以固定p×p大小对其进行分块,对边缘剩余不足p×p大小的子影像补0,使其行列大小满足2的整数次幂;对每个子块影像计算IQM值,影像最终的IQM值按如下加权方式计算:
其中,Num为影像的分块总数目,IQMi为第i块子影像的IQM值,Mi·Ni为第i块子影像的大小,M·N为原始影像的大小。
3.根据权利要求2所述的面向高分辨率卫星影像的NIIRS评判方法,其特征在于:所述步骤S2中NIIRS等级评判的具体方法为:
S21、排序
对试验影像由加权的算法计算IQM值,根据计算结果,对试验影像进行质量好坏的排序;IQM值越大,表明影像质量越好,则排序结果中数字越小;反之,IQM值越小,表明影像质量越差,排序数字越大;
S22、影像等级确定
在试验影像排序结果的基础上,结合IQM值对影像进行特好、好、一般、差、特差5个等级的确定;
S23、NIIRS值确定
根据NIIRS判据,由多名有丰富判图经验的图像分析人员根据判据内容共同对特好和特差影像确定NIIRS值;然后根据特好、特差等级影像的NIIRS值,均匀确定中间等级的NIIRS值。
4.根据权利要求3所述的面向高分辨率卫星影像的NIIRS评判方法,其特征在于:所述步骤S3中NIIRS公式预测及验证的具体方法为:
S31、NIIRS公式预测
采用回归分析的方式,利用第一组数据的IQM计算结果和NIIRS主观试验结果,进行NIIRS公式预测,并得到基于IQM的NIIRS拟合曲线;
S32、NIIRS公式验证
利用预测的NIIRS拟合曲线对第二组数据根据IQM值计算NIIRS值,通过比较主观确定的NIIRS值和计算得来的NIIRS值,得到两者之间的误差,从而验证预测公式的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741534.8A CN109064450A (zh) | 2018-07-06 | 2018-07-06 | 一种面向高分辨率卫星影像的niirs评判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741534.8A CN109064450A (zh) | 2018-07-06 | 2018-07-06 | 一种面向高分辨率卫星影像的niirs评判方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109064450A true CN109064450A (zh) | 2018-12-21 |
Family
ID=64819543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810741534.8A Pending CN109064450A (zh) | 2018-07-06 | 2018-07-06 | 一种面向高分辨率卫星影像的niirs评判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064450A (zh) |
Citations (3)
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 |
CN106454328A (zh) * | 2016-10-21 | 2017-02-22 | 航天恒星科技有限公司 | 影像质量等级预测方法及系统 |
US20170332017A1 (en) * | 2016-05-10 | 2017-11-16 | Raytheon Company | Self correcting adaptive low light optical payload |
-
2018
- 2018-07-06 CN CN201810741534.8A patent/CN109064450A/zh active Pending
Patent Citations (3)
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 |
US20170332017A1 (en) * | 2016-05-10 | 2017-11-16 | Raytheon Company | Self correcting adaptive low light optical payload |
CN106454328A (zh) * | 2016-10-21 | 2017-02-22 | 航天恒星科技有限公司 | 影像质量等级预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christlieb et al. | The stellar content of the Hamburg/ESO survey-I. Automated selection of DA white dwarfs | |
CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
Jiao et al. | Analyzing the impacts of urban expansion on green fragmentation using constraint gradient analysis | |
CN109187534A (zh) | 水质检测方法及其水样图像识别装置 | |
CN103745239A (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN114114198B (zh) | 一种降水数据质控方法、装置、存储介质及设备 | |
CN113625217B (zh) | 低压台区电能表运行误差计算方法及系统 | |
Kaurova et al. | Cross-country comparison of statistical indicators | |
CN109975366A (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN109637143A (zh) | 改进的行程时间可靠性分析方法 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN110427943A (zh) | 一种基于r-cnn的智能电表数值识别方法 | |
CN110110025A (zh) | 基于特征向量空间滤值的区域人口密度模拟方法 | |
CN108764264A (zh) | 烟雾检测方法、烟雾检测系统及计算机装置 | |
CN105806803B (zh) | 一种多指标协同分析波长组合及其选择方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN109064450A (zh) | 一种面向高分辨率卫星影像的niirs评判方法 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN110503092A (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
CN106204531B (zh) | 一种同步检测彩色图像中噪点与边缘点的方法 | |
CN102201038A (zh) | 脑瘤p53蛋白表达检测方法 | |
CN114994069B (zh) | 基于高光谱的绝缘子污秽成分和含量的检测方法及系统 | |
CN104458736B (zh) | 一种用于农药残留检测的装置和检测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4) Applicant after: Zhongke Star Map Co.,Ltd. Address before: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4) Applicant before: GEOVIS TECHNOLOGY (BEIJING) Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |