CN111552919B - 一种线阵推扫式遥感成像仪信噪比评估方法 - Google Patents

一种线阵推扫式遥感成像仪信噪比评估方法 Download PDF

Info

Publication number
CN111552919B
CN111552919B CN202010089543.0A CN202010089543A CN111552919B CN 111552919 B CN111552919 B CN 111552919B CN 202010089543 A CN202010089543 A CN 202010089543A CN 111552919 B CN111552919 B CN 111552919B
Authority
CN
China
Prior art keywords
noise
pixels
signal
low
pixel
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
CN202010089543.0A
Other languages
English (en)
Other versions
CN111552919A (zh
Inventor
吴荣华
杨忠东
杨军
谷松岩
林曼筠
毕研盟
张鹏
邵建兵
颜昌翔
胡沅
王雅澄
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202010089543.0A priority Critical patent/CN111552919B/zh
Publication of CN111552919A publication Critical patent/CN111552919A/zh
Application granted granted Critical
Publication of CN111552919B publication Critical patent/CN111552919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biochemistry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种线阵推扫式遥感成像仪信噪比评估方法，该方法包括以下步骤：准备数据；计算低噪均匀区评分指标；计算并获取图像的低噪声评分矩阵，挑选出低噪声性能良好的小区域数据，提取信噪比计算数据，计算得出信噪比计算数据结果；提取评分矩阵中质量较好的小区域图像数据，计算信噪比参数；构建出信噪比及辅助数据集，评估信噪比。通过该方法，节省了成本，增加了数据样本的获取，同时可以持续关注信噪比；评估遥感器的工作状态和输出信号的置信程度，为数据后续反演等提供了反演精度分析的依据，与发射前结果相比，评估仪器的辐射分辨率性能，得到了遥感器信噪比随观测计数值的分布情况。

Description

一种线阵推扫式遥感成像仪信噪比评估方法
技术领域
本发明涉及遥感技术领域，具体来说，涉及一种线阵推扫式遥感成像仪信噪比评估方法。
背景技术
辐射分辨率是指系统能够区分最小信号强度差异的能力，它代表的是存在噪声的情况下系统能够探测到的最小信号，即系统探测弱目标的能力。一个航天光学遥感器的辐射分辨率越高，其探测反射或者辐射能量微小差异的能力越强。辐射分辨率一般用信噪比(SNR)等来表示。
SNR是表征遥感成像系统像质和辐射性能的一种常用度量。它一般指的是信号(携带真实信息)与噪声(携带虚假信息)之比。在遥感领域，SNR 的定义一般表示为平均目标信号与噪声标准差的比值，即：
Figure SMS_1
发射前实验室测试信噪比，采用观测均匀目标物的方法。遥感器对准积分球出口，积分球为均匀目标，以像素在连续时间内观测数据的标准差作为噪声数值σnoise，平均值为信号数值Starget，计算信噪比SNR。存在的问题是发射前实验室测试环境与卫星在轨工作环境差异较大，遥感器的工作状态在发射前与在轨工作期间状态存在差异。发射前测试的信噪比测试结果需要在轨检验验证。
卫星在轨运行期间，一般采用挑选典型区域计算信噪比的方法。挑选的区域要求为均匀下垫面，不同亮度区域分别计算。存在的问题是往往采用人工计算，人力成本高，获取的数据样本少，同时难以长期持续关注信噪比。
发明内容
针对相关技术中的上述技术问题，本发明提出一种线阵推扫式遥感成像仪信噪比评估方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种线阵推扫式遥感成像仪信噪比评估方法，该方法包括以下步骤：
S1：准备数据；
S2：计算低噪均匀区评分指标；
S3：计算并获取图像的低噪声评分矩阵，挑选出低噪声性能良好的小区域数据，提取信噪比计算数据，计算得出信噪比计算数据结果；
S4：提取评分矩阵中质量较好的小区域图像数据，计算信噪比参数；
S5：构建出信噪比及辅助数据集，评估信噪比。
进一步的，所述步骤S1包括以下步骤：
S11：获取遥感对地图像信息；
S12：基于原始对地观测图像，计算逐像素的标准差图像；
S13：设定所述标准差图像为噪声图像。
进一步的，所述步骤S2包括以下步骤：
S21：剔除原始对地观测图像中噪声过大的像素，从不同的角度挑选原始遥感图像的低噪声区域；
S22：生成低噪声区域评估方法的结果；
S23：获取低噪声区域评估方法的结果；
S24：整合低噪声区域评估方法的结果；
S25：挑选出计算信噪比的低噪声有效像素，综合判断像素的低噪声性能。
进一步的，所述步骤S22包括以下步骤：
S221：生成小区域低噪声像素比率的低噪声区域评估方法的结果；
S222：生成小区域连续低噪声像素区域的低噪声区域评估方法的结果；
S223：生成小区域像素噪声均匀度的低噪声区域评估方法的结果。
进一步的，所述步骤S221包括以下步骤：
S2211：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素为统计样本；
S2212：计算样本中低噪声像素所占比率；
S2213：构建小区域低噪声比率模板；
S2214：筛选出小区域低噪声像素较多的像素。
进一步的，所述步骤S222包括以下步骤：
S2221：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素作为统计样本；
S2222：依据统计样本结果信息，判断小区域连续低噪声像素值情况；
S2223：筛选出小区域连续低噪声像素的像素。
进一步的，所述步骤S223包括以下步骤：
S2231：采用噪声图像作为计算基础，设定像素同一行相邻的若干像素作为统计样本；
S2232：计算样本中噪声的标准差；
S2233：采用阈值法，构建小区域像素噪声均匀度图像；
S2234：筛选出小区域像素噪声均匀度较好的像素。
进一步的，所述步骤S3包括以下步骤：
S31：依据有效像素模板，提取全部有效像素的索引编号，获取索引向量；
S32：按照索引向量，提取像素噪声数据、有效像素低噪声比率数据、有效像素噪声均匀度数据；
S33：计算像素的低噪声评分，定量比较像素的低噪声性能；
S34：采用最大最小值方法，归一化有效像素数据；
S35：通过综合加权三种评分指标，计算得到像素的低噪声评分；
S36：基于有效低噪声像素索引，构建与原始对地观测图像尺寸相等的评分矩阵；
S37：定量化的比较像素低噪声的水平差异。
进一步的，所述步骤S4包括以下步骤：
S41：划分对地观测图像为若干子区域；
S42：在各个子区域内，获取低噪声评分最小的像素点；
S43：提取低噪声评分最小的像素点及临近小区域的像素原始对地观测数据；
S44：采用低噪声评分最小的像素及相邻两个像素平均值的差异的标准差作为噪声，计算小区域内全部像素的信噪比；
S45：以小区域信噪比的最大值及相关辅助计算结果作为子区域的信噪比计算结果，输出结果信息，其中，子区域输出结果为信噪比、噪声数值、对地观测计数值、帧号、探元编号、时间、纬度和经度。
进一步的，所述步骤S5包括以下步骤：
S51：反色子区域内小区域图像；
S52：嵌入子区域内小区域图像到原始图像，输出并保存结果信息；
S53：输出并保存信噪比及对应辅助数据；
S54：累计信噪比结果数据，构建信噪比随观测信号分布的数据集。
本发明的有益效果：通过该方法，节省了成本，增加了数据样本的获取，同时可以持续关注信噪比；评估遥感器的工作状态和输出信号的置信程度，为数据后续反演等提供了反演精度分析的依据；评估仪器的辐射分辨率性能，得到了遥感器信噪比随观测计数值的分布情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的流程框图；
图2是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的噪声分布图计算方法示意图；
图3是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的低噪声模板计算方法示意图；
图4是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的低噪声比率计算方法示意图；
图5是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的低噪声比率模板计算方法示意图；
图6是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的连续低噪声像素模板计算方法示意图；
图7是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的像素噪声均匀度计算方法示意图；
图8是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的像素噪声均匀度模板计算方法示意图；
图9是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的低噪声有效像素模板计算方法示意图；
图10是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的提取有效像素索引示意图；
图11是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的提取有效像素噪声数据示意图；
图12是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的提取有效像素低噪声比率数据示意图；
图13是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的提取有效像素噪声均匀度数据示意图；
图14是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的最大最小值归一化有效像素数据示意图；
图15是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的评分矩阵计算方法示意图；
图16是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比数据提取与计算(步骤1-3)示意图；
图17是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比数据提取与计算(步骤4-7)示意图；
图18是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比数据输出示意图；
图19是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布一示意图；
图20是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布二示意图；
图21是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布三示意图；
图22是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布四示意图；
图23是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布五示意图；
图24是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布六示意图；
图25是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布七示意图；
图26是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布八示意图；
图27是根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法的信噪比随入射能量的分布九示意图。
具体实施方式
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，所描述的实施例仅仅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，根据本发明实施例所述的一种线阵推扫式遥感成像仪信噪比评估方法，包括以下步骤：
S1：准备数据；
S2：计算低噪均匀区评分指标；
S3：计算并获取图像的低噪声评分矩阵，挑选出低噪声性能良好的小区域数据，提取信噪比计算数据，计算得出信噪比计算数据结果；
S4：提取评分矩阵中质量较好的小区域图像数据，计算信噪比参数；
S5：构建出信噪比及辅助数据集，评估信噪比。
步骤S1包括以下步骤：
S11：获取遥感对地图像信息；
S12：基于原始对地观测图像，计算逐像素的标准差图像；
S13：设定所述标准差图像为噪声图像。
步骤S2包括以下步骤：
S21：剔除原始对地观测图像中噪声过大的像素，从不同的角度挑选原始遥感图像的低噪声区域；
S22：生成低噪声区域评估方法的结果；
S23：获取低噪声区域评估方法的结果；
S24：整合低噪声区域评估方法的结果；
S25：挑选出计算信噪比的低噪声有效像素，综合判断像素的低噪声性能。
步骤S22包括以下步骤：
S221：生成小区域低噪声像素比率的低噪声区域评估方法的结果；
S222：生成小区域连续低噪声像素区域的低噪声区域评估方法的结果；
S223：生成小区域像素噪声均匀度的低噪声区域评估方法的结果。
步骤S221包括以下步骤：
S2211：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素为统计样本；
S2212：计算样本中低噪声像素所占比率；
S2213：构建小区域低噪声比率模板；
S2214：筛选出小区域低噪声像素较多的像素。
步骤S222包括以下步骤：
S2221：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素作为统计样本；
S2222：依据统计样本结果信息，判断小区域连续低噪声像素值情况；
S2223：筛选出小区域连续低噪声像素的像素。
步骤S223包括以下步骤：
S2231：采用噪声图像作为计算基础，设定像素同一行相邻的若干像素作为统计样本；
S2232：计算样本中噪声的标准差；
S2233：采用阈值法，构建小区域像素噪声均匀度图像；
S2234：筛选出小区域像素噪声均匀度较好的像素。
步骤S3包括以下步骤：
S31：依据有效像素模板，提取全部有效像素的索引编号，获取索引向量；
S32：按照索引向量，提取像素噪声数据、有效像素低噪声比率数据、有效像素噪声均匀度数据；
S33：计算像素的低噪声评分，定量比较像素的低噪声性能；
S34：采用最大最小值方法，归一化有效像素数据；
S35：通过综合加权三种评分指标，计算得到像素的低噪声评分；
S36：基于有效低噪声像素索引，构建与原始对地观测图像尺寸相等的评分矩阵；
S37：定量化的比较像素低噪声的水平差异。
步骤S4包括以下步骤：
S41：划分对地观测图像为若干子区域；
S42：在各个子区域内，获取低噪声评分最小的像素点；
S43：提取低噪声评分最小的像素点及临近小区域的像素原始对地观测数据；
S44：采用低噪声评分最小的像素及相邻两个像素平均值的差异的标准差作为噪声，计算小区域内全部像素的信噪比；
S45：以小区域信噪比的最大值及相关辅助计算结果作为子区域的信噪比计算结果，输出结果信息，其中，子区域输出结果为信噪比、噪声数值、对地观测计数值、帧号、探元编号、时间、纬度和经度。
步骤S5包括以下步骤：
S51：反色子区域内小区域图像；
S52：嵌入子区域内小区域图像到原始图像，输出并保存结果信息；
S53：输出并保存信噪比及对应辅助数据；
S54：累计信噪比结果数据，构建信噪比随观测信号分布的数据集。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
本发明针对基于对地观测数据的信噪比评估问题，围绕线阵推扫式遥感器的对地观测图像。推扫式遥感成像仪的原始对地观测图像，其特点是每一行像素灰度值，均为同时获取的，而每列像素的灰度值为固定的一个探测器原件(探元)的观测输出结果。
首先，在接收对地遥感图像的基础上，计算逐像素的标准差作为噪声图像。之后，计算低噪声均匀去评分指标，用于挑选适合于提取信噪比的观测区域。然后，计算图像的低噪声评分矩阵。第四步，提取评分矩阵中，质量较好的小区域图像数据，计算信噪比等参数。最后，构建出信噪比及辅助数据集，用于信噪比评估。
具体方案包含5个部分：数据准备模块，低噪均匀去评分指标计算模块，评价矩阵计算模块；信噪比数据提取与计算模块和信噪比数据集构建模块，具体如图1所示。
1.数据准备模块。
用于本发明后续计算模块所需数据的准备。数据主要包括：原始对地观测图像，基于原始对地观测图像计算得到的标准差图像作为噪声图像。由于这样计算的噪声包含了原始图像的纹理信息和探测器原件自身的噪声，因此会严重高估像素的噪声水平，需要进一步的筛选地面纹理较弱，即地表目标物为均匀目标物的像元，本发明后续的步骤重点为挑选低噪声区域，用于信噪比计算数据的提取。
像素标准差用列方向连续若干像素的标准差作为噪声结果，如下式所示。
Figure SMS_2
Figure SMS_3
式中，Noisei，j为i行j列像素的噪声(标准差)，DNi，j为i行j列像素的平均值，K为与i行j列像素相邻的像素数目，DNi，j+k为i行j+k列像素灰度值。
2.低噪均匀区评分指标计算模块
低噪声均匀区指标计算模块目的是为了从不同的角度挑选原始遥感图像的低噪声区域，联合3种低噪声区域评估方法的结果，挑选出用于计算信噪比的低噪声有效像素。主要包括的3种评估方法分别为小区域低噪声像素比率、小区域连续低噪声像素区域和小区域像素噪声均匀度。用于计算信噪比的低噪声有效像素模板采用3种评分方法所得结果的交集结果。
2.1低噪声模板计算
用于剔除原始对地观测图像中噪声过大的像素，这些像素小区域下垫面变化较大，噪声中混杂了地表纹理信息，不适用于计算信噪比。实验室测量得到的噪声的三倍数值作为阈值，像素噪声小于阈值的像素为潜在的信噪比计算像素点。
低噪声模板像素计算式，如下式所示。
Figure SMS_4
式中LNM为低噪声模板(Low Noise Mask，LNM)，LNPT为低噪声像素判识阈值(LowNoise Pixel Threshold，LNPT)，数值上等于3倍实验室测量值。
2.2小区域低噪声像素比率
用于筛选出小区域低噪声像素较多的像素。以低噪声模板为计算基础，采用像素同一行相邻的若干像素作为统计样本，计算样本中，低噪声像素所占比率，构建小区域低噪声比率模板。具体计算式如下式所示。
Figure SMS_5
/>
Figure SMS_6
式中，LNPR为i行j列像素的小区域低噪声像素比率(Low Noise Pixel Ratio，LNPR)，M为同行临近像素样本数目。LNPRM为i行j列像素的小区域低噪声比率模板(LowNoise Pixel Ratio Mask，LNPRM)。这里选用0.9 作为判断低噪声比率模板的阈值。
2.3小区域连续低噪声像素模板
用于筛选出小区域连续低噪声像素的像素。以低噪声模板为计算基础，采用像素同一行相邻的若干像素作为统计样本，若统计样本全部为真，则小区域连续低噪声像素值为真，否则为假。具体计算式如下式所示。
CLNPMi，j＝ΠN(LNMi，j+n)
式中，CLNPRM为i行j列像素的小区域连续低噪声像素模板值(Low Noise PixelRatio Mask，LNPRM)，N为同行临近像素样本数目。
2.4小区域像素噪声均匀年度
用于筛选出小区域像素噪声均匀度较好的像素。以噪声图像为计算基础，采用像素同一行相邻的若干像素作为统计样本，计算样本中，噪声的标准差，构建小区域像素噪声均匀度图像。采用阈值法，构建像素噪声均匀度模板。具体计算式如下式所示。
Figure SMS_7
Figure SMS_8
Figure SMS_9
式中，PNU为i行j列像素的小区域噪声均匀度(Pixel Noise Uniformity， PNU)，L为同行临近像素样本数目。PNUM为i行j列像素的小区域噪声均匀度模板(Pixel NoiseUniformity Mask，PNUM)。这里选用1作为判断均匀度模板的阈值。
2.5低噪声有效像素模板
用于综合判断像素的低噪声性能，从而确定该像素是否用于后续的信噪比计算。挑选像素为低噪声像素，同时临近区域也是低噪声且噪声均匀性较好的作为有效低噪声像素。具体为挑选低噪声模板为真，小区域低噪声像素比率模板为真，小区域连续低噪声像素模板为真和小区域像素噪声均匀度为真的像素作为计算信噪比的有效信号。具体计算式如下式所示。
LNEPMi，j＝LNMi，j·LNPRMi，j·CLNPMi，j·PNUMi，j
式中，LNEPM为i行j列像素的低噪声有效像素模板值(Low Noise EffectivePixel Mask，LNEPM)。
3.评价矩阵计算模块
用于获取评分矩阵，进而挑选出低噪声性能良好的小区域数据，用于信噪比计算数据的提取和结果计算。
3.1有效像素及对应数据提取
依据有效像素模板，提取全部有效像素的索引编号，即收集LNEMP等于1的像素编号，获取索引向量。按照索引向量，提取像素噪声数据、有效像素低噪声比率数据、有效像素噪声均匀度数据等。计算像素的低噪声评分，用于定量比较像素的低噪声性能。
Index＝{Index|LNEPM＝1}
Figure SMS_10
Figure SMS_11
Figure SMS_12
3.2归一化有效像素数据
为了使有效像素数据的数值全部处于0-1之间，采用最大最小值方法处理这些有效像素数据。最大最小值归一化计算式如下式。
Figure SMS_13
具体将噪声数据、LNPR和PNU数据按照上式归一化处理。
Figure SMS_14
Figure SMS_15
Figure SMS_16
3.3评分矩阵计算
用于定量化的比较像素低噪声的水平差异。通过综合加权三种评分指标，计算得到像素的低噪声评分。基于有效低噪声像素索引，构建与原始对地观测图像尺寸相等的评分矩阵。对于平矩矩阵中的非有效像素，填充数值1。按照评分计算式，像素低噪声评分数值越小，说明该像素及其临近小区域噪声性能较好，更适合于计算遥感器的信噪比。评分计算式如下式。
PLNSi，j＝0.4Noisei，j+0.3(1-LNPRi，j)+0.3PNUi，j
4.信噪比数据提取计算模块
用于提取和计算信噪比结果。将对地观测图像划分为若干子区域，在各个子区域内，找到低噪声评分最小的像素点，提取该点及其临近小区域的像素原始对地观测数据。利用像素及其相邻两个像素平均值的差异的标准差作为噪声，这个数值已经移除了下垫面纹理的影响，进而计算出像素的信噪比。计算小区域内全部像素的信噪比，以该小区域信噪比的最大值及其相关辅助计算结果作为该子区域的信噪比计算结果输出。子区域输出结果包括：信噪比、噪声数值、对地观测计数值、帧号、探元编号、时间、纬度和经度等。
5.信噪比数据集构建模块
汇集各个子区域信噪比输出结果，构建信噪比数据集。一段时期内的对地观测数据，实施上述步骤，积累信噪比结果数据，评估遥感器信噪比随观测计数值的分布情况。具体地，将各个子区域内小区域图像反色后嵌入原始图像，输出保存；输出并保存信噪比及对应辅助数据；累计信噪比结果数据，构建信噪比随观测信号分布的数据集。
在一个实施例中，云与气溶胶偏振成像仪(Cloud and Aerosol PolarizationImager，CAPI)是全球二氧化碳监测科学试验卫星(TanSat) 的载荷之一。其主要功能是为卫星主载荷高光谱二氧化碳探测仪反演二氧化碳柱总量(XCO2)提供大气和地表信息。遥感数据可以用于大气气溶胶、云量和地表反射率等参数反演。
CAPI是线阵推扫式偏振成像仪器，获取紫外到近红外波段的太阳反射能量。CAPI幅宽为375km，可以得到250m和1000m的两种空间分辨率对地观测数据。对应的每行像元数目分别为1600元和400元。
CAPI信噪比计算，本发明实施例的主要步骤：
1.数据准备
如图2所示，收集对地观测原始数据，计算像素标准差作为噪声，生成噪声分布图像(Noise Image，NI)。具体到CAPI，以像素为中心，像素列方向取55行，计算标准差。
2.低噪均匀区评分指标计算
2.1低噪声模板
如图3所示，以实验室测试得到的噪声计数值为理想值，理想值的三倍为低噪声像素判识阈值(Low Noise Pixel Threshold，LNPT)，生成与图像尺寸等大的低噪声模板(LowNoise Mask，LNM)，低噪声像素标注为1，非低噪声素标注为0。
2.2小区域低噪声像素比率
如图4、5所示，取低噪声模板的1行数据处理。以像素为中心，统计其相邻50个像素低噪声像素所占比率，即小区域低噪声像素比率(Low Noise Pixel Ratio，LNPR)。计算该行全部像素的低噪声像素比率。判断像素低噪声像素比率大于0.9，赋值为1，否则赋值为0。逐行实施上述操作，生成小区域低噪声比率图和小区域低噪声比率模板(Low Noise PixelRatio Mask， LNPRM)。
2.3小区域连续低噪声像素模板
如图6所示，取低噪声模板的1行数据处理。连续低噪声像素(Continuous LowNoise Pixel，CLNP)是指该像素临近的连续若干个像素均为低噪声像素。以像素为中心，判断其相邻20个像素低噪声像素是否全为真，全为真则赋值为1，否则赋值为0。逐行实施上述操作，生成小区域连续低噪声像素模板(Continuous Low Noise Pixel Mask，CLNPM)。
2.4小区域像素噪声均匀度
如图7、8所示，取噪声图像的1行数据处理。以像素为中心，计算其相邻12个像素噪声的标准差作为像素噪声均匀度(Pixel Noise Uniformity，PNU)。另外，判断像素噪声均匀度小于1，赋值为1，否则赋值为0。逐行实施上述操作，生成小区域像素噪声均匀度图像和小区域像素噪声均匀度模板 (Pixel Noise Uniformity Mask，PNU)。
2.5低噪声有效像素模板
如图9所示，低噪声有效像素是指该像素属于低噪声且周围像素也属于低噪声，低噪声有效像素模板(Low Noise Effective Pixel Mask，LNEPM)用于后续的像素评分计算以及信噪比计算等。LNEPM值为1时，要求同时满足以下4个条件：低噪声模板为真，小区域低噪声像素比率模板为真，小区域连续低噪声像素模板为真和小区域像素噪声均匀度为真；其他情况低噪声有效像素模板值设置为0。生成低噪声有效像素模板。
3.评分矩阵计算
为了区分像素低噪声水平的差异，设置评分矩阵。
3.1有效像素数据提取
如图10所示，依据有效像素模板，提取全部有效像素索引，即收集LNEPM 等于1的像素编号，构建索引向量。
如图11所示，按照索引，提取有效像素噪声数据；
如图12所示，按照索引，提取有效像素低噪声比率数据；
如图13所示，按照索引，提取有效像素噪声均匀度数据。
3.2归一化有效像素数据
最大最小值归一化处理有效像素数据，即将有效像素噪声数据、像素低噪声比率数据和噪声均匀度数据归一化处理。归一化后的数据最小值为0，最大值为1。计算方法示意图，如图14所示。
3.3评分矩阵计算
像素低噪评分(Pixel Low Noise Scorre，PLNS)通过加权平均像素噪声数据、低噪比率数据和低噪均匀度数据合成出来。
像素低噪评分＝40％噪声+30％(1-低噪比率)+30％低噪均匀度
像素低噪评分矩阵的构建包括初始化和填充有效数据两个步骤：初始化全 1矩阵，与原始图像尺寸一致；按照有效像素索引，填写像素低噪评分矩阵对应像素评分。评分矩阵的有效值范围为0到1之间，越接近0值，噪声数据的质量越好。如图15所示。
4.信噪比数据提取与计算
如图16、17所示，利用评分矩阵提取信噪比，计算步骤如下：
(1)全图子区域划分，原始图像尺寸按照行列切为等大若干子区域；
(2)子区域评分矩阵最小值；
(3)子区域评分矩阵最小值小区域数据提取；
(4)小区域数据滤波；
(5)小区域滤波数据信噪比计算；
(6)小区域最大信噪比提取；
(7)信噪比结果及辅助信息输出。
5.构建信噪比数据集
如图18所示，小区域图像反色后嵌入原始图像；
输出信噪比、对应码值均值、对应噪声；
累计信噪比结果数据，构建信噪比随观测信号变化数据集。
如图19-27所示，为各个通道的信噪比随观测计数值的分布情况，横轴为观测计数值，纵轴为信噪比。计算结果显示，CAPI在此条件下可以满足各个通道的SNR指标要求。
综上所述，借助于本发明的上述技术方案，通过该方法，节省了成本，增加了数据样本的获取，同时可以持续关注信噪比；评估遥感器的工作状态和输出信号的置信程度，为数据后续反演等提供了反演精度分析的依据；评估仪器的辐射分辨率性能，得到了遥感器信噪比随观测计数值的分布情况。
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、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种线阵推扫式遥感成像仪信噪比评估方法，其特征在于：包括以下步骤：
S1：准备数据；
S2：计算低噪均匀区评分指标；
S3：计算并获取图像的低噪声评分矩阵，挑选出低噪声性能良好的小区域数据，提取信噪比计算数据，计算得出信噪比计算数据结果；
S4：提取评分矩阵中质量较好的小区域图像数据，计算信噪比参数；
S5：构建出信噪比及辅助数据集，评估信噪比；
所述步骤S2包括以下步骤：
S21：剔除原始对地观测图像中噪声过大的像素，从不同角度挑选原始遥感图像的低噪声区域，其中，实验室测量得到的噪声的三倍数值作为阈值，像素噪声小于阈值的像素视为潜在的信噪比计算像素点，低噪声模板像素计算式为
Figure FDA0004184578060000011
式中LNMi,j为低噪声模板，LNPT为低噪声像素判别阈值，数值上等于3倍实验室测量值；
S22：生产低噪声区域评估方法的结果；
S23：获取低噪声区域评估方法的结果；
S24：整合低噪声区域评估方法的结果；
S25：挑选出计算信噪比的低噪声有效像素，综合判断像素的低噪声性能，其中，计算公式为
LNEPMi,j＝LNMi,j·LNPRMi,j·CLNPMi,j·PNUMi,j
式中，LNEPMi,j为i行j列像素的低噪声有效像素模板值，LNPRMi,j为i行j列像素的小区域低噪声比率模板，CLNPMi,j为i行j列像素的小区域连续低噪声模板值，PNUMi,j为i行j列像素的小区域噪声均匀度模板；
所述步骤S22包括以下步骤：
S221：生成小区域低噪声像素比率的低噪声区域评估方法的结果；
S222：生成小区域连续低噪声像素区域的低噪声区域评估方法的结果；
S223：生成小区域像素噪声均匀度的低噪声区域评估方法的结果；
所述步骤S221包括以下步骤：
S2211：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素为统计样本；
S2212：计算样本中低噪声像素所占比率，其中，计算公式为
Figure FDA0004184578060000021
Figure FDA0004184578060000022
式中，LNPRi,j为i行j列像素的小区域低噪声像素比率，M为同行临近像素样本数目，LNPRMi,j为i行j列像素的小区域低噪声比率模板，这里选用0.9作为判断低噪声比率模板的阈值；
S2213：构建小区域低噪声比率模板；
S2214：筛选出小区域低噪声像素较多的像素；
所述步骤S222包括以下步骤：
S2221：采用低噪声模板作为计算基础，设定像素同一行相邻的若干像素作为统计样本，其中，计算公式为
CLNPMi,j＝ПN(LNMi,j+n)
式中，CLNPMi,j为i行j列像素的小区域连续低噪声模板值，N为同行临近像素样本数目；
S2222：依据统计样本结果信息，判断小区域连续低噪声像素值情况；
S2223：筛选出小区域连续低噪声像素的像素；
所述步骤S223包括以下步骤：
S2231：采用噪声图像作为计算基础，设定像素同一行相邻的若干像素作为统计样本；
S2232：计算样本中噪声的标准差；
S2233：采用阈值法，构建小区域像素噪声均匀度图像，其中，具体计算式为
Figure FDA0004184578060000031
Figure FDA0004184578060000032
Figure FDA0004184578060000033
式中，PNUi,j为i行j列像素的小区域噪声均匀度，L为同行临近像素样本数目，PNUMi,j为i行j列像素的小区域噪声均匀度模板，这里选用1作为判断均匀度模板的阈值；
S2234：筛选出小区域像素噪声均匀度较好的像素；
所述步骤S3包括以下步骤：
S31：依据有效像素模板，提取全部有效像素的索引编号，获取索引向量
Index＝{Index|LNEPM＝1}
即为挑选出LNEPM等于1的元素组成数据集，Index为数据集索引；
S32：按照索引向量，提取像素噪声数据、有效像素低噪声比率数据、有效像素噪声均匀度数据
Figure FDA0004184578060000041
Figure FDA0004184578060000042
Figure FDA0004184578060000043
S33：计算像素的低噪声评分，定量比较像素的低噪声性能；
S34：采用最大最小值方法，归一化有效像素数据，其中，最大最小值归一化计算式为
Figure FDA0004184578060000044
具体将噪声数据，LNPR和PNU数据按照上式归一化处理，计算式为
Figure FDA0004184578060000051
Figure FDA0004184578060000052
Figure FDA0004184578060000053
S35：通过综合加权三种评分指标，计算得到像素的低噪声评分，其中，评分计算式为
PLNSi,j＝0.4Noisei,j+0.3(1-LNPRi,j)+0.3PNUi,j
S36：基于有效低噪声像素索引，构建与原始对地观测图像尺寸相等的评分矩阵；
S37：定量化的比较像素低噪声的水平差异。
2.根据权利要求1所述的一种线阵推扫式遥感成像仪信噪比评估方法，其特征在于，所述步骤S1包括以下步骤：
S11：获取遥感对地图像信息；
S12：基于原始对地观测图像，计算逐像素的标准差图像，其中，计算公式为
Figure FDA0004184578060000054
Figure FDA0004184578060000055
式中，Noisei,j为i行j列像素的噪声的标准差，
Figure FDA0004184578060000056
为i行j列像素的平均值，K为与i行j列像素相邻的像素数目，DNi，j+k为i行j+k列像素灰度值；
S13：设定所述标准差图像为噪声图像。
3.根据权利要求1所述的一种线阵推扫式遥感成像仪信噪比评估方法，其特征在于，所述步骤S4包括以下步骤：
S41：划分对地观测图像为若干子区域；
S42：在各个子区域内，获取低噪声评分最小的像素点；
S43：提取低噪声评分最小的像素点及临近小区域的像素原始对地观测数据；
S44：采用低噪声评分最小的像素及相邻两个像素平均值的差异的标准差作为噪声，计算小区域内全部像素的信噪比；
S45：以小区域信噪比的最大值及相关辅助计算结果作为子区域的信噪比计算结果，输出结果信息，其中，子区域输出结果为信噪比、噪声数值、对地观测计数值、帧号、探元编号、时间、纬度和经度。
4.根据权利要求1所述的一种线阵推扫式遥感成像仪信噪比评估方法，其特征在于，所述步骤S5包括以下步骤：
S51：反色子区域内小区域图像；
S52：嵌入反色后子区域内小区域图像到原始图像，输出并保存结果信息；
S53：输出并保存信噪比及对应辅助数据；
S54：累计信噪比结果数据，构建信噪比随观测信号分布的数据集。
CN202010089543.0A 2020-02-12 2020-02-12 一种线阵推扫式遥感成像仪信噪比评估方法 Active CN111552919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089543.0A CN111552919B (zh) 2020-02-12 2020-02-12 一种线阵推扫式遥感成像仪信噪比评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089543.0A CN111552919B (zh) 2020-02-12 2020-02-12 一种线阵推扫式遥感成像仪信噪比评估方法

Publications (2)

Publication Number Publication Date
CN111552919A CN111552919A (zh) 2020-08-18
CN111552919B true CN111552919B (zh) 2023-05-23

Family

ID=72005467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089543.0A Active CN111552919B (zh) 2020-02-12 2020-02-12 一种线阵推扫式遥感成像仪信噪比评估方法

Country Status (1)

Country Link
CN (1) CN111552919B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012105973A1 (en) * 2011-02-02 2012-08-09 Michigan Aerospace Corporation Atmospheric measurement system and method
CN103279950A (zh) * 2013-05-14 2013-09-04 中国科学院光电研究院 一种基于行列噪声标准差的遥感图像信噪比评估方法
CN105096319A (zh) * 2015-09-10 2015-11-25 北京空间机电研究所 一种基于凝视成像的卫星在轨信噪比测试方法
CN107808170A (zh) * 2017-11-20 2018-03-16 中国人民解放军国防科技大学 高光谱遥感图像加性乘性混合噪声参数估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8193967B2 (en) * 2008-12-10 2012-06-05 The United States Of America As Represented By The Secretary Of The Army Method and system for forming very low noise imagery using pixel classification
US10572978B2 (en) * 2016-12-05 2020-02-25 Kennesaw State University Research And Service Foundation, Inc. Moran's / for impulse noise detection and removal in color images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012105973A1 (en) * 2011-02-02 2012-08-09 Michigan Aerospace Corporation Atmospheric measurement system and method
CN103279950A (zh) * 2013-05-14 2013-09-04 中国科学院光电研究院 一种基于行列噪声标准差的遥感图像信噪比评估方法
CN105096319A (zh) * 2015-09-10 2015-11-25 北京空间机电研究所 一种基于凝视成像的卫星在轨信噪比测试方法
CN107808170A (zh) * 2017-11-20 2018-03-16 中国人民解放军国防科技大学 高光谱遥感图像加性乘性混合噪声参数估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Stephen Sagar.Noise Estimation of Remote Sensing Reflectance Using a Segmentation Approach Suitable for Optically Shallow Waters.《IEEE》.2014,全文. *
吴荣华.FY-3D中分辨率光谱成像仪Ⅱ型仪器改进及应用能力提升.《第35届中国气象学会年会 S21 卫星气象与生态遥感》.2018,全文. *
孙鑫.遥感图像噪声评价方法研究及系统实现.《中国优秀硕士学位论文全文数据库信息科技辑》.2019,全文. *
邓潘 ; 张天舒 ; 陈卫 ; 刘建国 ; 刘洋 ; .大气探测激光雷达噪声比例因子及信噪比的估算.红外与激光工程.2016,(S1),全文. *

Also Published As

Publication number Publication date
CN111552919A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN107944368B (zh) 一种基于时序遥感图像的水体提取方法
CN114091613B (zh) 一种基于高分联合组网数据的森林生物量估算方法
CN111597756A (zh) 一种基于无人机多光谱数据的水质参数反演方法
CN104729718B (zh) 一种用于红外成像系统netd的处理系统及方法
CN111337434A (zh) 一种矿区复垦植被生物量估算方法及系统
CN113177512B (zh) 一种星星间交叉辐射定标的匹配阈值分析方法
CN110909652B (zh) 纹理特征优选的农作物种植结构月尺度动态提取方法
CN111830470B (zh) 联合标定方法及装置、目标对象检测方法、系统及装置
CN115236655A (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN110849821B (zh) 基于贝叶斯定理的黑臭水体遥感识别方法
CN116912690A (zh) 一种基于数据融合的森林叶面积指数反演获取方法和系统
CN115542430A (zh) 一种卫星定量降水估计方法
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
CN111552919B (zh) 一种线阵推扫式遥感成像仪信噪比评估方法
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
CN112906514A (zh) 一种顾及不同极化的时序sar影像地物类别变化检测方法
CN112924967A (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN116844049A (zh) 基于图像差值法的森林扰动监测方法、系统、设备及介质
CN116124716A (zh) 基于近感高光谱的水质监测方法及装置
CN116612080A (zh) 基于高光谱图像波谱曲线的变化检测方法
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
CN115421220A (zh) 一种基于深度学习的多因子局部降水指示方法及系统
CN116416532A (zh) 一种病株诊断及缺株检测方法、系统、设备及存储介质
CN115494507A (zh) 基于星载双频降水雷达和微波成像仪的闪电识别方法

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
GR01 Patent grant
GR01 Patent grant