CN114359066A - 一种高分遥感影像辐射基准建立与辐射校正方法 - Google Patents

Abstract

本发明提出了一种高分遥感影像辐射基准建立与辐射校正方法。本发明首先确定研究区域，获取该区域近3年及以上的同源影像序列，作为构建该区域辐射基准的影像；基于深度学习的不变检测方法，选取同源时序影像的不变区域；对不变区域像素进行时序分析，确定辐射不变像素与辐射确定性像素；结合待校正影像构建卡方分布，利用线性回归进行相对辐射校正。本发明建立辐射基准适用于多时相多源遥感影像辐射校正，提高辐射一致性；自动化校正，减少人为主观影响。

Description

一种高分遥感影像辐射基准建立与辐射校正方法

技术领域

本发明属于遥感测绘领域，尤其涉及一种高分遥感影像辐射基准建立与辐射校正方法。

背景技术

随着对地观测遥感技术不断提升，如今可获得大量遥感卫星影像数据，为科学研究、自然资源监测、国土空间规划、灾害监测等提供数据保障。由于不同卫星的成像传感器与卫星星座不同，则重返周期、覆盖范围、分辨率、光谱响应系数存在差异，导致同一地物在不同影像之间存在严重的辐射差异问题，即同物异谱，异物同谱。该问题严重影响遥感影像的工程化应用，特别在土地利用分类时，难以准确区分地物类别。此外，利用多时相影像对自然资源监测时，存在大量伪变化，导致变化检测精度较差，难以工程化应用。因此，跨传感器影像的辐射一致性决定了遥感影像在工程中的可用性，为减少多源影像间的辐射差异，建立辐射基准提高辐射校正精度是非常重要的。

辐射校正主要分为绝对校正和相对校正方法。绝对辐射校正将无意义的影像数值转换为地表反射率，能够反映地表物理属性。通常，由于绝对辐射校正中各项误差，导致绝对校正后仍存在辐射差异，例如大气模型误差、成像传感器系数误差、卫星星座等误差。为进一步提高辐射一致性，传统相对辐射方法将选取两景影像手动采样典型地物的标准辐射数值，进行辐射校正。传统方法受人为主观及参考影像的选取影响较大，大多数是仅仅满足了用户视觉上的色彩一致，实质上是任意辐射参考下的相对辐射校正(人工或通过匀光算法实现)，期间人为干预较多，参考影像不统一，作业员与作业时间的差异都会影响匀光效果。因此传统方法的辐射质量各异，造成标准不统一。

综上，建立地物辐射基准，利用地理坐标匹配，为相对辐射校正提供参考基准，提供统一辐射基准，并实现自动化辐射校正，减少人为主观判断，提高多源多时相影像的辐射一致性。

因此本发明提出了一种高分遥感影像辐射基准建立与辐射校正方法，使用不变检测与时序分析方法，提取不变与确定性像素作为辐射基准，并引入卡方分布统计，进行相对辐射校正。

发明内容

本发明建立辐射基准适用于多时相多源遥感影像辐射校正，提高辐射一致性，且自动化校正，减少人为主观影响。要实现以上功能，本发明所要解决的技术问题：辐射不变像素与辐射确定性像素的选取；相对辐射校正优化。

本发明提出了一种高分遥感影像辐射基准建立与辐射校正方法，包括以下步骤：

步骤1，确定研究区域，获取该区域近几年的同源影像序列，作为构建该区域辐射基准的影像；

步骤2，基于深度学习的不变检测方法，选取同源时序影像的不变区域；

步骤3，对不变区域像素进行时序分析，确定辐射不变像素与辐射确定性像素，以作为辐射基准，用于辐射校正；

步骤4，首先将待校正影像进行预处理，然后与步骤1-3确定的辐射基准构建卡方分布，统计线性回归，剔除异常像素，提高相对辐射校正精度。

进一步的，步骤1中取研究区域近3年及以上的同源影像序列，作为构建该区域辐射基准的影像，具体是采用哨兵-2影像数据作为同源影像序列，同源影像满足以下条件：

(1)为减少成像设备系统误差造成的辐射差异，选择相同卫星及相同传感器的影像；

(2)研究区域应包含3年及以上的影像数据，且确保每季度或每月能够获取一景影像。

进一步的，步骤2的具体实现方式如下；

将时序影像两两配对I₁和I₂分别输入到基于深度学习的不变检测模型，计算

和

进行训练，具体训练流程如下：

步骤2.1，随机裁剪输入影像作为训练数据，分别输入Net1和Net2网络，Net1和Net2为Swin-transformer、ResNet或VGG模型，再经过softmax计算，得到概率分布；首先将图像I₁输入Net1和Net2网络进行训练，得到图像I₁训练结果的概率分布P1-1和P1-2，并计算影像I₁的

步骤2.2，将图像I₂输入Net1和Net2网络进行训练，得到图像I₂训练结果的概率分布P2-1和P2-2，并计算影像I₂的

步骤2.3，利用以下公式计算两图像的loss_contrast，再计算

利用梯度下降更新Net1参数，采用滑动平均更新Net2参数；

其中，

表示均值函数，h表示基于条件概率密度的特征编码函数，

和

分别表示图像I₁在Net1和Net2的输出值，j表示在

中抽取的第j个样本，k表示抽取的样本数。

步骤2.4，最后利用训练好的模型检测时序影像，得到概率分布图，再采用二分类方法，得到变化与不变化类别，其中二分类方法采用Ostu或K-means聚类算法。

进一步的，步骤3的具体实现方式如下；

步骤3.1，将影像获取时间转为年积日，作为时序自变量d，像素辐射值作为因变量V_rc；

其中，V_rc表示时序影像第r行第c列像素值，d表示时序影像的年积日，a₁，a₂，a₃，a₄，a₅表示时序模型系数；

步骤3.2，使用三倍曲线回归误差作为阈值，迭代自动剔除拟合时序模型曲线三倍误差以上的像素点，剔除后留下的像素适合构建辐射基准，用于后续辐射校正。

进一步的，步骤4的具体实现方式如下；

步骤4.1，首先将待校正影像进行绝对辐射定标与大气校正，然后与采用步骤1-3建立的辐射基准像素进行几何校正，实现地理坐标亚像素匹配精度，然后利用辐射基准与待校正影像之间的地理坐标进行匹配；

步骤4.2，将匹配后的像素结合线性回归，构建卡方分布剔除部分不稳定像素；

其中，a_j和b_j表示j波段影像相对辐射校正系数，

和

分别表示待校正影像j波段和参考影像j波段的第i个像素的辐射值，n表示参与计算的像素数量，T表示利用线性回归均方根误差构建的卡方分布，χ属于卡方分布符号；

步骤4.3，将卡方分布筛选后的像素，执行线性回归，确定辐射校正线性模型，最后将待校正图像的辐射值代入线性模型进行计算，进行辐射校正。

本发明具有如下优点：1.采用不变检测方法，确定选取辐射基准范围，提高辐射基准建立效率；2.辐射基准范围逐像素时序分析，高精度提取辐射不变像素与辐射确定像素；3.结合待校正影像构建卡方分布，有效提高辐射校正精度。4.该辐射基准标准化遥感卫星影像，为数字正射影像成果的质量评价提供自动化、标准化的定量评价，后续可形成高性能的数字正射影像质量评价，提高数字正射影像的生产效率；5.整个辐射基准的建立与辐射校正均属于自动化，不用人工干预，排除人为主观影响。

附图说明

图1为本发明方法流程图。

图2为不变检测方法示意图。

图3为时序分析结果图，(a),(b),(c),(d)分别表示蓝、绿、红、近红外波段处理的结果。

图4为卡方分布筛选与辐射校正结果图，(a),(b),(c),(d)分别表示蓝、绿、红、近红外波段处理的结果。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合具体的实例，对本申请进行进一步详细说明。应当理解，此处描述的具体实例仅仅用以解释本申请，并不用于限定本申请。

下面结合图1至图4介绍本发明的具体实施方式为一种高分遥感影像辐射基准建立与辐射校正方法，包括以下步骤：

步骤1：确定研究区域，获取该区域近3年及以上的同源影像序列，作为构建该区域辐射基准的影像。本实例将采用哨兵-2影像数据作为同源影像序列，同源影像应满足以下条件：

1.为减少成像设备系统误差造成的辐射差异，选择相同卫星及相同传感器的影像；

2.研究区域应包含近3年及以上的影像数据，且确保每季度或每月能够获取一景影像；

步骤2：图2所示为基于深度学习的不变检测模型，将时序影像两两配对I₁和I₂分别输入此模型，计算

和

进行训练，检测不变区域；具体训练流程如下：

步骤2.1：随机裁剪输入影像作为训练数据，分别输入孪生网络Net1和Net2(Net1和Net2属于两个相同参数的孪生网络，但Net2与Net1不同之处在于Net2不进行反向传播更新系数，而是使用滑动平均(ema)直接赋值Net1参数，Net1和Net2可以为Swin-transformer、ResNet、VGG等模型)，在经过softmax计算，softmax函数一般作为神经网络的最后一层，接受来自上一层网络的输入值，然后将其转化为概率，首先将图像I₁输入Net1和Net2网络进行训练，得到图像I₁训练结果的概率分布P1-1和P1-2，并计算影像I₁的

步骤2.2：同理，将图像I₂输入Net1和Net2网络进行训练，得到图像I₂训练结果的概率分布P2-1和P2-2，并计算影像I₂的

步骤2.3：利用以下公式计算两图像的

再计算

利用梯度下降更新Net1参数，采用滑动平均(ema)更新Net2参数；

其中，

表示均值函数，h表示基于条件概率密度的特征编码函数，

和

分别表示图像I₁在Net1和Net2的输出值，j表示在

中抽取的第j个样本，k表示抽取的样本数。

步骤2.4：最后将训练好的模型，检测时序影像，得到概率分布图，再采用二分类方法，分类变化与不变化类别，一般采用Ostu或K-means聚类算法。

步骤3：图3所示，对步骤2检测的不变区域逐像素时序分析，确定辐射不变像素与辐射确定性像素，分为以下几步：

步骤3.1：将影像获取时间转为年积日，作为时序自变量d，像素辐射值作为因变量V_rc；

其中，V_rc表示时序影像第r行第c列像素值，d表示时序影像的年积日，a₁，a₂，a₃，a₄，a₅表示时序模型系数。

步骤3.2：如图3所示，使用三倍曲线回归误差作为阈值，迭代自动剔除拟合时序模型曲线三倍误差以上的像素点，该类像素辐射值在时序分析中不稳定，不具有辐射不变与辐射确定的特性。因此，剔除后留下的像素适合构建辐射基准，用于后续辐射校正。

下面以武汉市为例，建立武汉市的辐射基准：

(1)：收集武汉市区域的3年及以上的同源影像数据，确保在整个武汉市每季度或每月能够获取至少一景影像，从而获到武汉区域3年及以上的时序影像。

(2)：将(1)中的时序影像对两两配对的连续性影像进行不变检测，从而检测出武汉市哪些区域在3年及以上都没发生变化，即为不变区域。

(3)：由于(2)中的不变区域中存在异常像素值，因此步骤3采用时序分析，剔除异常像素值。

(4)：剔除后留下像素即为不变像素或辐射确定性像素，作为辐射基准，用于辐射校正。

步骤4：如图4所示，首先将待校正影像进行绝对辐射定标与大气校正，然后与步骤1-3方法建立的辐射基准像素进行几何校正，再结合卡方分布和线性回归进行辐射校正。图4细黑直线表示使用卡方分布筛选辐射基准像素后的线性回归结果，灰色直线和粗黑直线分别表示时序分析前后的线性回归结果，细黑直线表示经过时序分析与卡方分布筛选后的辐射校正RMSE明显下降，可有效提高辐射一致性。具体步骤如下：

步骤4.1：首先将待校正影像进行绝对辐射定标与大气校正，然后与采用步骤1-3方法建立的辐射基准像素进行几何校正，实现地理坐标达到亚像素精度，然后利用辐射基准与待校正影像之间的地理坐标匹配；

步骤4.2：将匹配后的像素结合线性回归，构建卡方分布，剔除部分不稳定像素；

其中，a_j和b_j表示j波段影像相对辐射校正系数，

和

分别表示待校正影像j波段和参考影像j波段的第i个像素的辐射值，n表示参与计算的像素数量，T表示利用线性回归均方根误差构建的卡方分布，χ属于卡方分布符号；

步骤4.3：设定卡方分布概率阈值，选取卡方分布概率值

大于阈值的像素，将筛选的像素执行线性回归，确定辐射校正线性模型。最后将待校正图像的辐射值代入线性模型进行计算，进行辐射校正。

y_j＝a_jx_j+b_j

其中，x_j，y_j表示待校正和参考影像的j波段筛选的对应像素值，a_j和b_j表示j波段影像相对辐射校正系数。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为具体，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以针对不同区域构建自适应性辐射样本库，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种高分遥感影像辐射基准建立与辐射校正方法，其特征在于，包括以下步骤：

步骤1，确定研究区域，获取该区域近几年的同源影像序列，作为构建该区域辐射基准的影像；

步骤2，基于深度学习的不变检测方法，选取同源时序影像的不变区域；

步骤3，对不变区域像素进行时序分析，确定辐射不变像素与辐射确定性像素，以作为辐射基准，用于辐射校正；

步骤4，首先将待校正影像进行预处理，然后与步骤1-3确定的辐射基准构建卡方分布，统计线性回归，剔除异常像素，提高相对辐射校正精度。

2.根据权利要求1所述的高分遥感影像辐射基准建立与辐射校正方法，其特征在于：

步骤1中取研究区域近3年及以上的同源影像序列，作为构建该区域辐射基准的影像，具体是采用哨兵-2影像数据作为同源影像序列，同源影像满足以下条件：

(1)为减少成像设备系统误差造成的辐射差异，选择相同卫星及相同传感器的影像；

(2)研究区域应包含近3年及以上的影像数据，且确保每季度或每月能够获取一景影像。

3.根据权利要求1所述的高分遥感影像辐射基准建立与辐射校正方法，其特征在于：步骤2的具体实现方式如下；

将时序影像两两配对I₁和I₂分别输入到基于深度学习的不变检测模型，计算

和

进行训练，具体训练流程如下：

步骤2.1，随机裁剪输入影像作为训练数据，分别输入Net1和Net2网络，Net1和Net2为Swin-transformer、ResNet或VGG模型，再经过softmax计算，得到概率分布；首先将图像I₁输入Net1和Net2网络进行训练，得到图像I₁训练结果的概率分布P1-1和P1-2，并计算影像I₁的

步骤2.2，将图像I₂输入Net1和Net2网络进行训练，得到图像I₂训练结果的概率分布P2-1和P2-2，并计算影像I₂的

步骤2.3，利用以下公式计算两图像的loss_contrast，再计算

利用梯度下降更新Net1参数，采用滑动平均更新Net2参数；

其中，

表示均值函数，h表示基于条件概率密度的特征编码函数，

和

分别表示图像I₁在Net1和Net2的输出值，j表示在

中抽取的第j个样本，k表示抽取的样本数；

步骤2.4，最后利用训练好的模型检测时序影像，得到概率分布图，再采用二分类方法，得到变化与不变化类别，其中二分类方法采用Ostu或K-means聚类算法。

4.根据权利要求1所述的高分遥感影像辐射基准建立与辐射校正方法，其特征在于：步骤3的具体实现方式如下；

步骤3.1，将影像获取时间转为年积日，作为时序自变量d，像素辐射值作为因变量V_rc；

其中，V_rc表示时序影像第r行第c列像素值，d表示时序影像的年积日，a₁，a₂，a₃，a₄，a₅表示时序模型系数；

步骤3.2，使用三倍曲线回归误差作为阈值，迭代自动剔除拟合时序模型曲线三倍误差以上的像素点，剔除后留下的像素适合构建辐射基准，用于后续辐射校正。

5.根据权利要求1所述的高分遥感影像辐射基准建立与辐射校正方法，其特征在于：步骤4的具体实现方式如下；

步骤4.1，首先将待校正影像进行绝对辐射定标与大气校正，然后与采用步骤1-3建立的辐射基准像素进行几何校正，实现地理坐标亚像素匹配精度，然后利用辐射基准与待校正影像之间的地理坐标进行匹配；

步骤4.2，将匹配后的像素结合线性回归，构建卡方分布剔除部分不稳定像素；

其中，a_j和b_j表示j波段影像相对辐射校正系数，

和

分别表示待校正影像j波段和参考影像j波段的第i个像素的辐射值，n表示参与计算的像素数量，T表示利用线性回归均方根误差构建的卡方分布，χ属于卡方分布符号；

步骤4.3，将卡方分布筛选后的像素，执行线性回归，确定辐射校正线性模型，最后将待校正图像的辐射值代入线性模型进行计算，进行辐射校正。

Images