CN111581884A - 一种星载多分辨率目标光学辐射图像仿真方法 - Google Patents

Abstract

本发明公开了一种星载多分辨率目标光学辐射图像仿真方法，包含：分析星载遥感图像影响因素，结合地物波谱数据库，经大气辐射传输模型计算地物背景和天空背景辐射特性，建立不同影响因素下地物物性参数数据库；获取某一状态下的卫星实测光学辐射数据；利用星载场景下目标与环境耦合辐射传输模型，仿真获取与卫星实测光学辐射数据同一场景下不同影响因素下的卫星图像；利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练，得到星载光学辐射图像成像影响因子数字化生成模型；将待仿真输入条件参数和对应场景的星载实测图像作为输入，经星载光学辐射图像成像影响因子数字化生成模型输出星载场景目标光学辐射仿真图像。

Description

一种星载多分辨率目标光学辐射图像仿真方法

技术领域

本发明涉及目标特性分析、深度学习网络和图像处理技术，特别涉及一种星载多分辨率目标光学辐射图像仿真方法。

背景技术

高分辨率遥感器是星载光学遥感系统的重要组成部分，目前主要商业高分辨率遥感卫星如美国的IKONOS、QuickBird、WorldView-I、WorldView-II等均能提供空间分辨率在1m以下的全色图像和3m以下的多光谱图像数据。高分辨率遥感影像具有内容丰富、对比度好、清晰度高等特点，在精确制图、城市规划、国土利用、环境监测、军事情报收集和国防监测等领域具有较高的应用价值。虽然高分辨率遥感卫星具备上述优点，但其研制经费投入大、研制周期长，所以需要从有限的高光谱遥感图像出发经实验仿真得到具有可用性的仿真图像，并能通过仿真不同环境的图像数据来分析实际场景，具有很大的研究价值。

目前，针对不同环境背景或不同影响因素，国内已经进行了很多理论及实践研究，但是仍有许多难点需要改进，如专利CN201110452715.7提出了一种空间光学遥感器对实际地物成像的计算机仿真系统，该系统的目标源匹配模块将地物亮度与空间信息集成数据提供给扫描模块；遥感器仿真模块为扫描模块和扫描信息组织模块提供遥感器轨道参数、姿态参数、光学系统焦距、光学系统各个子视场的点扩散函数和图像传感器物理参数；仿真系统时钟单元为扫描模块和扫描信息组织模块提供时间同步信息；扫描模块根据接收的信息得到各像元的图像坐标灰度时间序列并将其提供给扫描信息组织模块；扫描信息组织模块依据接收的信息得到对地成像仿真图像亮度矩阵。此方法的图像仿真精度依赖于各个模块的参数设定，鲁棒性不足。专利CN201811063977.2提出了一种遥感成像仿真方法及装置，用于对卫星光学传感器的成像结果进行仿真。此方法通过获取第一图像，根据下采样参数及光学传感器的成像模式参数在第一图像中确定下采样区域，对下采样区域中的像素进行下采样处理，得到第二图像，根据成像模式参数对第二图像进行调整，得到基于成像模式参数的遥感成像仿真图像。该方法可以简化卫星遥感成像的仿真流程，降低卫星遥感成像仿真的实施成本和实施难度，但也忽略了星载成像过程中的复杂因素，使仿真图像真实性不高。专利CN201610811685.7提出了一种基于辐射几何一体化设计的光学遥感图像仿真方法。基于辐射几何一体化设计的光学遥感图像仿真方法，根据仿真姿态数据、轨道数据、光学系统焦距及内方位元素、探测器尺寸、积分时间和级数建立探测器每个探元的成像几何模型，每个探元由成像几何模型在仿真场景高程数据上计算其物方坐标系三维坐标矩阵，在仿真场景反射率数据中获取三维矩阵中每个物方三维点的反射率，由计算太阳辐照度和大气透过率计算得出仿真场景入瞳辐亮度数据，入瞳辐亮度数据经过光学仿真系统得到到达探测器的能量，探测器能量经过探测器仿真系统得到最终的仿真图像。此方法对图像混合像元的分解与表示没有进行相应针对性的解决，会使仿真图像与真实图像产生差距。文献“刘晓,易维宁,乔延利,崔文煜.基于低空遥感系统的星载光学遥感器成像仿真.红外与激光工程，2014，43(01)：217-225.”针对高分辨率星载光学遥感器成像特点，提出一种基于低空遥感系统的成像仿真方法。以低空宽视场和多光谱图像数据为基础，利用图像分类、分类拟合等方法生成低空多光谱宽视场仿真图像，采用经验线性法进行反射率反演，结合星载光学遥感器空间分辨率、MTF、光谱响应等特性以及大气辐射传输理论得到遥感器入瞳处辐亮度仿真图像，此方法依赖大气辐射传输软件计算仿真输入条件，在实时性和自动化仿真方面有待提高。文献“张洪鑫.海天背景下大型舰船红外成像仿真.哈尔滨工业大学，2015.”在具备大型舰船红外辐射模型基础上，完成了大型舰船所处的粗糙海面红外辐射模型。然后再运用网络裁剪法实现了在不同条件下海天背景舰船红外热成像，并且分别分析天气环境、风速、喷水雾等对红外热成像造成的影响以及在不同探测距离和探测视角下的红外热成像，从而为红外热成像波段选择及隐身防护技术等奠定基础。此文方法为大型舰船红外仿真提供了影响因素仿真方法，要实现更智能的影响因素分析可以加入深度学习。文献“杨述强.空间目标特性分析与成像仿真技术研究.国防科学技术大学，2009.”针对空间目标探测、识别问题，综合讨论了空间目标所处环境状态、目标材料特征、目标形状特征、目标运动姿态变化特征、热辐射特征、空间辐射传输理论、探测器性能以及目标成像特点的课题，此文立足于理论建模，对空间目标在探测器中的成像特性进行研究，最后得到包含目标以及诱饵在内的红外图像序列，还需结合实测图像进行关联性分析才能得到更真实的目标特性数据。

针对上述问题，本文所述方法基于不同时段、光谱波段、太阳高度角和卫星视角下同一场景目标光学辐射图像之间的内在关联性，通过高精度仿真模型生成大数据样本和抗网络模型进行训练，建立待仿真图像与各影响因素、卫星实测图像的参数映射关系，如此可以对同一场景下任意输入条件下的卫星图像进行的快速高精度仿真，并可以和传统方法生成的仿真图像进行比较分析，进一步提升生成网络的鲁棒性。

发明内容

本发明的目的是提供一种星载多分辨率目标光学辐射图像仿真方法，在保证仿真精度的同时，提高仿真速度。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种星载多分辨率目标光学辐射图像仿真方法，其特点是，包含如下步骤：

S1，分析星载遥感图像影响因素，结合地物波谱数据库，经大气辐射传输模型计算地物背景和天空背景辐射特性，建立不同影响因素下地物物性参数数据库；

S2，获取某一状态下的卫星实测光学辐射数据；

S3，利用星载场景下目标与环境耦合辐射传输模型，仿真获取与所述卫星实测光学辐射数据同一场景下不同影响因素下的卫星图像；

S4，利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练，得到星载光学辐射图像成像影响因子数字化生成模型；

S5，将待仿真输入条件参数和对应场景的星载实测图像作为输入，经所述的星载光学辐射图像成像影响因子数字化生成模型输出星载场景目标光学辐射仿真图像。

所述的步骤S1中使用大气辐射传输模型、地物波谱数据库和光谱BRDF，通过设定不同太阳高度角、不同卫星观测角及不同大气环境影响参数，得到相应场景下的地物背景和天空背景辐射及其随光谱、角度的变化，最终建立不同影响因素下背景辐射特性和地物物性参数数据库。

所述的地物物性参数包括光谱BRDF、光谱反射率或光谱发射率的一种或几种。

所述的步骤S3中还包括：根据所述的地物波谱数据库对目标分类图像中的每一个像素点进行对应物性参数填充，获得场景反射率图。

所述的步骤S4中利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练包括：

分别设置条件生成器和条件判别器；

训练所述的条件判别器，找出仿真图像与真实图像之间的差异特性；

训练所述的条件生成器，使得条件生成器生成的图像更接近真实图像；

循环训练条件生成器和条件判别器，直到条件判别器无法区分条件生成器产生的图像与真实图像的差异。

本发明与现有技术相比，具有以下优点：

本发明基于不同时段、光谱波段、太阳高度角和卫星视角下同一场景目标光学辐射图像之间的内在关联性实现对特定条件测量卫星图像光谱、时段、视角等多维度拓展，利用高精度目标/背景耦合辐射传输模型和基于信息迁移的对抗生成网络模型快速获得任意输入条件下的高逼真的卫星图像。本发明引入生成对抗网络，基于建立的仿真数据库训练了具有鲁棒性的生成网络，可以较好较快地仿真任一场景的图像，对比传统图像仿真方法，本发明使仿真效率提高，同时具有较好的仿真精度。

附图说明

图1为本发明一种星载多分辨率目标光学辐射图像仿真方法

图2为生成对抗网络训练流程图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所述，一种星载多分辨率目标光学辐射图像仿真方法，包含如下步骤：

S1，分析星载遥感图像影响因素，结合地物波谱数据库，经大气辐射传输模型计算地物背景和天空背景辐射特性，建立不同影响因素下地物物性参数数据库；

S2，获取某一状态下的卫星实测光学辐射数据；

S3，利用星载场景下目标与环境耦合辐射传输模型，仿真获取与所述卫星实测光学辐射数据同一场景下不同影响因素下的卫星图像；

S4，利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练，得到星载光学辐射图像成像影响因子数字化生成模型；

S5，将待仿真输入条件参数和对应场景的星载实测图像作为输入，经所述的星载光学辐射图像成像影响因子数字化生成模型输出星载场景目标光学辐射仿真图像。

具体地，上述的步骤S1包括：

使用大气辐射传输模型、地物波谱数据库和光谱BRDF，通过设定不同太阳高度角、不同卫星观测角及不同大气环境等影响参数，得到相应场景下的地物背景和天空背景辐射及其随光谱、角度的变化，最终建立不同太阳高度角、不同卫星观测角及不同大气环境等影响因素下背景辐射特性和地物物性参数(光谱辐射亮度、光谱BRDF、光谱反射率、光谱发射率等)数据库；

上述的步骤S2中的某一状态包括：特定场景、时间、光谱波段、太阳高度角、卫星视角、大气参数，所述的步骤S2为：获取某一状态(特定场景、时间、光谱波段、太阳高度角、卫星视角、大气参数)下卫星实测光学辐射数据及辅助状态参量，如时间、经纬度、太阳高度角、卫星视角。

上述的步骤S3包括：将实测卫星图像进行地物分类得到地物分类图，基于步骤S1获得地物物性参数数据库，对目标分类图像中的每一个像素点进行对应物性参数填充，获得场景反射率图。利用星载场景下目标与环境耦合辐射传输模型，正演光学遥感器图像仿真，获取与步骤S2中同一场景不同时间、光谱波段、太阳光照角、卫星视角、目标材质、大气参数下的卫星仿真图像数据库。

所述步骤S4中，基于生成对抗模型原理，实现星载场景下目标光学辐射图像的信息迁移，通过少量基准数据，生成需求观测条件下的光学辐射图像。该模型的信息迁移包含两部分：其一，由星载辐射图像提供的地物空间相对分布即纹理特征、像素的辐射强度基准；其二：特定观测场景下的变化参量，如不同时间、光谱波段、太阳光照角、卫星视角、目标材质、大气参数等。针对不同的影响因子下的仿真图像训练相应的条件生成器，然后用影响因子参数矩阵对生成的所有条件生成器进行加权，得到最终的优化生成器。当仿真某一图像某一影响因子下的仿真图像时，最优生成器的影响因子部分权重会增加，其他部分权重减弱。

上述的步骤S4中利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练包括：

分别设置条件生成器和条件判别器；

训练所述的条件判别器，找出仿真图像与真实图像之间的差异特性；

训练所述的条件生成器，使得条件生成器生成的图像更接近真实图像；

循环训练条件生成器和条件判别器，直到条件判别器无法区分条件生成器产生的图像与真实图像的差异。

如图2所示，针对不同的影响因子下的仿真图像训练相应的条件生成器，为了简化显示，图2中展示的是某一影响因子下条件生成器的训练过程，图2中训练模型最左侧的随机向量是为了让生成器产生不同的输出，而增加的扰动项，这些扰动决定了生成器可以生成不同的仿真图像。然后用影响因子参数矩阵对生成的所有条件生成器进行加权，得到最终的优化生成器。当仿真某一图像某一影响因子下的仿真图像时，最优生成器的影响因子部分权重会增加，其他部分权重减弱。

基于生成对抗模型原理，实现星载场景下目标光学辐射图像的信息迁移，通过少量基准数据，生成需求观测条件下的光学辐射图像。该模型的信息迁移包含两部分：其一，由星载辐射图像提供的地物空间相对分布即纹理特征、像素的辐射强度基准；其二：特定观测场景下的变化参量，如不同时间、光谱波段、太阳光照角、卫星视角、目标材质、大气参数等。

信息迁移网络模型的架构包含生成器和鉴别器，其特殊点在于针对星载场景下目标光学辐射图像的生成器构建。

生成器包含三个部分：辐射图像编码器、观测参量编码器以及解码器。

1.辐射图像编码器：将原域观测图像编码映射成信息向量；

2.观测参量编码器：将观测参量编码映射成条件向量；

3.解码器：结合信息向量和条件向量生成需求场景下目标域光学辐射图像。

鉴别器结合多个对抗判别来训练，包含观测参量标签匹配的损失函数、图像重建的损失函数。

信息迁移模型关注于，隐式地构建不同观测条件下图像数据及观测参量以及基准数据间的映射关系。因此，为避免由于样本数据量的局限带来的地物空谱特征导致模型过拟合的问题，需要在训练中对图像采用切割、变换等图像增强手段。

将经生成网络仿真图像与经传统方式仿真图像进行比较，验证本方法的实时性和精确性。将待仿真输入条件参数和对应场景的星载实测图像作为输入，经生成模型输出要求的星载场景目标光学辐射仿真图像；将经生成网络仿真图像与经传统方式仿真图像以及实测图像进行比较，验证本方法的实时性和精确性。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种星载多分辨率目标光学辐射图像仿真方法，其特征在于，包含如下步骤：

S1，分析星载遥感图像影响因素，结合地物波谱数据库，经大气辐射传输模型计算地物背景和天空背景辐射特性，建立不同影响因素下地物物性参数数据库；

S2，获取某一状态下的卫星实测光学辐射数据；

S3，利用星载场景下目标与环境耦合辐射传输模型，仿真获取与所述卫星实测光学辐射数据同一场景下不同影响因素下的卫星图像；

S4，利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练，得到星载光学辐射图像成像影响因子数字化生成模型；

S5，将待仿真输入条件参数和对应场景的星载实测图像作为输入，经所述的星载光学辐射图像成像影响因子数字化生成模型输出星载场景目标光学辐射仿真图像。

2.如权利要求1所述的星载多分辨率目标光学辐射图像仿真方法，其特征在于，所述的步骤S1中使用大气辐射传输模型、地物波谱数据库和光谱BRDF，通过设定不同太阳高度角、不同卫星观测角及不同大气环境影响参数，得到相应场景下的地物背景和天空背景辐射及其随光谱、角度的变化，最终建立不同影响因素下背景辐射特性和地物物性参数数据库。

3.如权利要求1所述的星载多分辨率目标光学辐射图像仿真方法，其特征在于，所述的地物物性参数包括光谱BRDF、光谱反射率或光谱发射率的一种或几种。

4.如权利要求1所述的星载多分辨率目标光学辐射图像仿真方法，其特征在于，所述的步骤S3中还包括：根据所述的地物波谱数据库对目标分类图像中的每一个像素点进行对应物性参数填充，获得场景反射率图。

5.如权利要求1所述的载多分辨率目标光学辐射图像仿真方法，其特征在于，所述的步骤S4中利用仿真数据及对应的输入参数和实测卫星图像对生成对抗深度学习网络进行训练包括：

分别设置条件生成器和条件判别器；

训练所述的条件判别器，找出仿真图像与真实图像之间的差异特性；

训练所述的条件生成器，使得条件生成器生成的图像更接近真实图像；

循环训练条件生成器和条件判别器，直到条件判别器无法区分条件生成器产生的图像与真实图像的差异。

Images