CN115082452B - 基于云及阴影的遥感影像质量定量评价方法 - Google Patents
基于云及阴影的遥感影像质量定量评价方法 Download PDFInfo
- Publication number
- CN115082452B CN115082452B CN202210886994.6A CN202210886994A CN115082452B CN 115082452 B CN115082452 B CN 115082452B CN 202210886994 A CN202210886994 A CN 202210886994A CN 115082452 B CN115082452 B CN 115082452B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- ground
- image
- approximate
- 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
Links
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于云及阴影的遥感影像质量定量评价方法,涉及遥感图像处理和分析技术领域。本方法获取与所述待评价遥感影像空间覆盖范围和描述信息相近的近似影像,根据所述近似影像和所述待评价遥感影像的相关性进行回归分析,得到所述云及阴影区域的近似下垫面,根据近似下垫面的信息和云及阴影区域的信息进行整合分析,得到遥感影像定量评价分数,本发明得到的遥感影像定量评价分数可以很好的描述云及阴影对遥感影像的影响程度,对遥感影像的质量定量评估具有重要的科学意义与实用价值。
Description
技术领域
本发明涉及遥感图像处理和分析技术领域,具体涉及一种基于云及阴影的遥感影像质量定量评价方法。
背景技术
随着航天科技技术的日益发展,人们获取更加丰富的空间信息,产生了各级遥感影像数据。但是,阴影、云等问题的存在会造成遥感影像数据的地物信息被遮挡、地物信息不易判别,地物信息被遮挡会导致遥感影像的信息缺失,对遥感影像的其它应用造成阻碍,特别是当需要解译的地物被云及阴影大量遮挡,会造成严重的解译误差,大大降低遥感影像的质量。
现有的遥感影像质量评价方法未考虑云及阴影对遥感影像质量的降低程度,遥感影像中云及阴影的影响程度无法量化表示,因此,发明一种能够定量地衡量出云及阴影对遥感影像质量的影响程度的评价方法亟待解决。
发明内容
本发明考虑了被云及阴影遮蔽掉的地物类型的重要程度,面积和信息熵,通过合理的步骤设计实现了遥感影像的质量定量评价。
为实现上述目的,本发明采用以下技术方案:
S1 提取待评价遥感影像内的云及阴影,得到初始覆盖区域;
S2 对所述初始覆盖区域进行形态学处理,得到优化覆盖区域;
S3 利用所述优化覆盖区域的空间覆盖范围和所述待评价遥感影像的描述信息在遥感影像库中进行筛选,得到与所述待评价遥感影像相近的遥感影像,作为近似影像,根据所述近似影像和所述待评价遥感影像的相关性进行回归分析,得到所述优化覆盖区域的近似下垫面;
S4 对所述近似下垫面进行质量信息获取,并利用所述近似下垫面的质量信息进行计算,得到所述近似下垫面的质量分数;
S5 对所述优化覆盖区域进行质量信息获取,并利用所述优化覆盖区域的质量信息进行计算,得到所述优化覆盖区域的质量分数;
S6 对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行分析整合,得到所述优化覆盖区域对所述待评价遥感影像的影响值,基于所述影响值得到所述待评价遥感影像的定量评价分数。
进一步地,步骤S4包括:
S41 对所述近似下垫面进行地物图斑的提取,得到所述近似下垫面的地物图斑集,该地物图斑集包括多个不同地物类型的地物图斑;
S42 根据地物类型相对所述待评价遥感影像的重要性,得到地物图斑的重要程度,地物图斑的重要程度的取值范围均为[0,100];
S43 一一计算出地物图斑集中的每个地物图斑的面积和信息熵,并结合地物图斑的重要程度计算得到每个地物图斑的质量信息;
S44 将每个地物图斑的质量信息进行求和,得到所述近似下垫面的质量分数。
进一步地,所述地物类型包括人工地物类型和自然地物类型,所述人工地物类型包括道路、房屋及设施、采矿场、硬化地表,所述自然地物类型包括耕地、林地、园地、草地、湖泊。
进一步地,步骤S43包括:
S431根据单个地物图斑中的信息出现的频率,计算得到该地物图斑的信息熵Si,i为该地物图斑的编号,地物图斑中的信息包括地物图斑中像素的灰度值;
S432根据该地物图斑的重要程度,计算得到该地物图斑的第一权重:
其中,α(xi)为该地物图斑的第一权重,xi为该地物图斑的重要程度;
S433根据该地物图斑的面积进行f级量化处理,得到该地物图斑的面积等级,根据该地物图斑的面积等级计算得到该地物图斑的第二权重:
其中,β(yi)为该地物图斑的第二权重,yi为该地物图斑的面积等级,取值范围为[1,f],其中y、d、f为正整数,且f/2≤d<f,b、c、g、h为系数;
S434根据该地物图斑的信息熵Si、第一权重α(xi)和第二权重β(yi),计算得到该地物图斑的质量信息mi:
进一步地,步骤S3包括:
S31获取所述优化覆盖区域的空间覆盖范围,所述待评价遥感影像的描述信息包括色差信息、传感器类型信息和时相信息;
S32基于筛选步骤在遥感影像库中筛选得到所述近似影像:
S321将所述优化覆盖区域的空间覆盖范围作为交集区域,选取遥感影像库中在该交集区域内无云及阴影覆盖的遥感影像,归为第一筛选集;
S322在第一筛选集中选取与所述待评价遥感影像的传感器类型相同的遥感影像,作为第二筛选集;
S323将第二筛选集内的遥感影像基于时相范围进行划分,将与所述待评价遥感影像的时相最接近的时相范围内的遥感影像作为第三筛选集;
S324将第三筛选集中的每张遥感影像与所述待评价遥感影像进行色差对比,选取色差最小的遥感影像作为所述近似影像,其中,所述近似影像为单张遥感影像;
S33分别对所述待评价遥感影像和所述近似影像进行地物提取,将所述待评价遥感影像的地物和所述近似影像的地物按照地物类型进行组合,得到多组对照地物,其中,一组对照地物由相同地物类型的所述待评价遥感影像的地物和所述近似影像的地物组成;
S34根据多组对照地物的光谱反射值的关系进行线性回归分析,得到信息重建模型;
S35将所述的近似区域的光谱反射值输入所述信息重建模型,得到近似下垫面。
进一步地,步骤S2包括:
S21对所述待评价遥感影像进行二值化处理,得到二值图像;
S22构建二值图像的结构元素,根据二值图像的结构元素对二值图像中的初始覆盖区域分别进行形态学开运算和形态学闭运算,得到形态学二值图像;
S23根据形态学二值图像对所述待评价遥感影像进行掩膜,得到优化覆盖区域。
进一步地,所述优化覆盖区域的质量分数为优化覆盖区域的信息熵,步骤S5包括:
S51根据优化覆盖区域中的信息出现的频率,计算得到优化覆盖区域的信息熵,优化覆盖区域的信息包括地物图斑中像素的灰度值;
S52将优化覆盖区域的信息熵作为优化覆盖区域的质量分数。
进一步地,步骤S6包括:
S61对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行差值计算,得到所述优化覆盖区域对所述待评价遥感影像的影响值;
S62根据所述影响值进行计算,得到待评价遥感影像的定量评价分数:
其中,K为所述优化覆盖区域对所述待评价遥感影像的影响值。
本发明的有益效果为:
(1)本发明获取所述优化覆盖区域的近似下垫面,根据近似下垫面中地物图斑的地物类型相对所述待评价遥感影像的重要性,得到地物图斑的重要程度,根据地物图斑的重要程度、地物图斑的面积以及地物图斑的信息熵,计算得到地物图斑的质量信息,根据近似下垫面中地物图斑的质量信息进行求和,完成近似下垫面的质量分数计算,本发明能在近似下垫面质量分数计算时充分考虑不同地物类型的重要程度对下垫面质量分数的个性化差异,使下垫面质量分数更加符合业务专业需求。
(2)本发明通过近似下垫面和所述优化覆盖区域的质量分数差值描述所述优化覆盖区域对所述待评价遥感影像的影响程度,可以直观地描述云及阴影对遥感影像的影响程度,对遥感影像的质量定量评估具有重要的科学意义与实用价值。
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为基于云及阴影的遥感影像质量定量评价方法流程图。
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。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种基于云及阴影的遥感影像质量定量评价方法包括以下步骤:
S1 提取待评价遥感影像内的云及阴影,得到初始覆盖区域;
S2 对所述初始覆盖区域进行形态学处理,得到优化覆盖区域;
S3 利用所述优化覆盖区域的空间覆盖范围和所述待评价遥感影像的描述信息在遥感影像库中进行筛选,得到与所述待评价遥感影像相近的遥感影像,作为近似影像,根据所述近似影像和所述待评价遥感影像的相关性进行回归分析,得到所述优化覆盖区域的近似下垫面;
S4 对所述近似下垫面进行质量信息获取,并利用所述近似下垫面的质量信息进行计算,得到所述近似下垫面的质量分数;
S5 对所述优化覆盖区域进行质量信息获取,并利用所述优化覆盖区域的质量信息进行计算,得到所述优化覆盖区域的质量分数;
S6 对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行分析整合,得到所述优化覆盖区域对所述待评价遥感影像的影响值,基于所述影响值得到所述待评价遥感影像的定量评价分数。
在本发明一具体实施例中,步骤一种基于云及阴影的遥感影像质量定量评价方法具体包括:
S1提取遥感影像内的云及阴影,得到初始覆盖区域。
作为一种实现方式,步骤S1包括:
S11利用阈值方法分别对待评价遥感影像进行云提取和阴影提取,得到云区域和阴影区域;
在具体实现中,步骤S11包括:
S111根据下式将待评价遥感影像转换为空间特征图像,H、S、I分别为空间特征图像的色调图层、饱和度图层和亮度图层;
其中,R、G、B分别为所述待评价遥感影像的红图层、绿图层、蓝图层。
在具体实现中,之所以采用HSI图像空间,是因为该模型完全反映了人感知颜色的基本属性,与人感知颜色的结果一一对应,可以更好的将前景阴影和背景地物分开。在RGB模型中,前景阴影与背景地物在灰度空间会出现相互重叠的情况,导致对比度不高,难以采用阈值法进行分割。
S112利用OTSU算法所述空间特征图像求取云阈值φ1和阴影阈值φ2;
OTSU算法也叫作最大类间方差法,通过最大化类间方差来求取最优阈值φ。
OTSU算法根据类内方差值取最大时对应的阈值作为最佳阈值,具体求解步骤如下:
设云阈值为φ,即云与背景地物的分割阈值,云的像素点占待评价遥感影像的比例为a0,平均灰度为u0;背景地物点数占图像占待评价遥感影像的比例为a1,平均灰度为u1;遥感影像的总平均灰度为u;前景阴影和背景地物的方差为g,则有:
联立上面两式可得:
当方差g最大时,可疑人物此时前景阴影和背景差异最大,此时的云阈值φ是最佳阈值,记为云阈值φ1。
同理,根据上述方法可得阴影阈值φ2。
S113通过云阈值φ1和阴影阈值φ2对所述待评价遥感影像进行二值化分割,得到云区域和阴影区域。
S12将云区域和阴影区域进行去重操作、合并操作,得到初始覆盖区域。
S2对所述初始覆盖区域进行形态学处理,得到优化覆盖区域。
作为一种实现方式,步骤S2包括:
S21对所述待评价遥感影像进行二值化处理,获取二值图像。
在具体实现中,根据是否为初始覆盖区域对遥感影像内的像素进行二值化,其中属于初始覆盖区域的像素标记为1,遥感影像内不属于初始覆盖区域的像素标记为0。
S22构建二值图像的结构元素,根据二值图像的结构元素对二值图像中的初始覆盖区域分别进行形态学开运算和形态学闭运算,得到形态学二值图像;
在具体实现中,步骤S22包括:
S221构建二值图像的结构元素B;
在具体实现中,首先需要确定结构元素的形状、尺寸和原点,然后根据结构元素的形状、尺寸和原点构建出结构元素B;
S222利用结构元素B分别对二值图像进行形态学开运算,得到开运算二值图像;
在具体实现中,利用结构元素B,对二值图像先进行腐蚀后进行膨胀,该操作用来消除小块噪声,在纤细点处分离物体,平滑较大物体的边界,同时不明显改变其面积;
S223利用结构元素B分别对开运算二值图像进行形态学闭运算,得到形态学二值图像;
在具体实现中,利用结构元素B对开运算二值图像先进行膨胀后进行腐蚀,该操作用来用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
S23根据形态学二值图像对所述待评价遥感影像进行掩膜,得到优化覆盖区域。
在具体实现中,形态学二值图像对所述待评价遥感影像进行掩膜,根据掩膜结果,形态学二值图像中的标1区域对应待评价遥感影像中的优化覆盖区域。
S3利用所述优化覆盖区域的空间覆盖范围和所述待评价遥感影像的描述信息在遥感影像库中进行筛选,得到与所述待评价遥感影像相近的遥感影像,作为近似影像,根据所述近似影像和所述待评价遥感影像的相关性进行回归分析,得到所述优化覆盖区域的近似下垫面。
作为一种实现方式,步骤S3包括:
S31获取所述优化覆盖区域的空间覆盖范围,所述待评价遥感影像的描述信息包括色差信息、传感器类型信息和时相信息。
S32基于筛选步骤在遥感影像库中筛选得到所述近似影像。
在具体实现中,步骤S32包括:
S321将所述优化覆盖区域的空间覆盖范围作为交集区域,选取遥感影像库中在该交集区域内无云及阴影覆盖的遥感影像,归为第一筛选集;
S322将第一筛选集中选取与所述待评价遥感影像的传感器类型相同的遥感影像,作为第二筛选集;
S323将第二筛选集内的遥感影像基于时相范围进行划分,将与所述待评价遥感影像的时相最接近的时相范围内的遥感影像作为第三筛选集;
S324将第三筛选集中的每张遥感影像与所述待评价遥感影像进行色差对比,选取色差最小的遥感影像作为所述近似影像,提取近似影像中的所述交集区域,作为近似区域;
其中,所述近似影像为单张遥感影像。
S33分别对所述待评价遥感影像和所述近似影像进行地物提取,将所述待评价遥感影像的地物和所述近似影像的地物按照地物类型进行组合,得到多组对照地物,其中,一组对照地物由相同地物类型的所述待评价遥感影像的地物和所述近似影像的地物组成。
在具体实现中,步骤S33包括:
S331对近似区域进行地物提取,得到近似区域中包含的地物类型集{R j };
其中,j为地物类型的编号,R j 包括道路、耕地和林地;
S332基于地物类型集{R j },分别对近似影像和所述待评价遥感影像进行地物提取,得到多组对照地物{(L 1 j ,L 2 j )},多组对照地物集包括目标地物集{L 1 j }和参考地物集{L 2 j };
目标地物L 1 j 为从所述待评价遥感影像中提取出的地物类型为R j 的区域,参考地物L 2 j 为从近似影像中提取出的地物类型为R j 的区域。
S34根据多组对照地物的光谱反射值的关系求进行线性回归分析,得到信息重建模型。
在具体实现中,步骤S34包括:
S341根据目标地物L 1 j 的光谱反射值和参考地物L 2 j 中的光谱反射值建立起线性回归分析方程并求解,得到对照地物组(L 1 j ,L 2 j )的线性回归分析方程X j ,;
S342将多个所述回归分析方组合并为线性回归分析方程组{X j };
S343将所述线性回归分析方程组{X j }作为信息重建模型。
S35将所述的近似区域的光谱反射值输入所述信息重建模型,得到近似下垫面。
在具体实现中,步骤S35包括:
S351将近似区域中不同地物的光谱反射值输入信息重建模型的线性回归分析方程{X j },得到近似区域中不同地物的的光谱反射值;
S352将不同地物的的光谱反射值合并,得到近似下垫面。
S4 对所述近似下垫面进行质量信息获取,并利用所述近似下垫面的质量信息进行计算,得到所述近似下垫面的质量分数。
作为一种实现方式,步骤S4包括:
S41 对所述近似下垫面进行地物图斑的提取,得到所述近似下垫面的地物图斑集,该地物图斑集包括多个不同地物类型的地物图斑。
S42 根据地物类型相对所述待评价遥感影像的重要性,得到地物图斑的重要程度,地物图斑的重要程度的取值范围均为[0,100];
根据地物类型及其重要程度建立如表1所示的地物重要程度表。
表1 地物重要程度表
S43 一一计算出地物图斑集中的每个地物图斑的面积和信息熵,并结合地物图斑的重要程度计算得到每个地物图斑的质量信息。
S431根据单个地物图斑中的信息出现的频率,计算得到该地物图斑的信息熵Si,i为该地物图斑的编号,地物图斑中的信息包括地物图斑中像素的灰度值;
在具体实现中,步骤S431包括:
(1)获取地物图斑中每个像素的灰度值:
其中,Ave(x,y)为处于(x,y)位置处的像素的灰度值,R,G,B分别为该像素三个通道值,INT表示取整函数;
(2)计算灰度图像中每个像素的灰度值出现的频率:
其中,p(x,y)为地物图斑中(x,y)位置处的像素的灰度值出现的频率;
(3)根据灰度图像中每个像素的灰度值出现的频率计算得到灰度信息熵S:
S432根据该地物图斑的重要程度,计算得到该地物图斑的第一权重:
其中,i为地物图斑的编号,α(xi)为该地物图斑的第一权重,xi为该地物图斑的重要程度,xi的取值范围为[0,100];
S433根据该地物图斑的面积进行f级量化处理,得到该地物图斑的面积等级,根据该地物图斑的面积等级计算得到该地物图斑的第二权重:
其中,β(yi)为该地物图斑的第二权重,yi为该地物图斑的面积等级,取值范围为[1,f],其中y、d、f为正整数,且f/2≤d<f,b、c、g、h为系数;
在具体实现中,f=10,d=5,步骤S433包括:
(1)获取地物图斑的数量n、每个地物图斑的面积Ai,对面积Ai进行均值求解,得到面积均值(∑iAi)/n;
(2)根据面积均值得到9个量化阈值,分别为(∑iAi)/9n、2(∑iAi)/9n、(∑iAi)/3n、4(∑iAi)/9n、5(∑iAi)/9n、6(∑iAi)/9n、7(∑iAi)/9n、8(∑iAi)/9n;
(3)根据9个量化阈值,将地物图斑的面积量化为10个等级,得到面积等级yi,yi的取值范围为{1,2,3,4,5,6,7,8,9,10};
(4)根据地物图斑Hi的面积等级yi进行第二权重计算,得到第二权重β(yi);
其中,b、c、g、h为系数,yi为10级量化后的面积等级;
S434根据该地物图斑的信息熵Si、第一权重α(xi)和第二权重β(yi),计算得到该地物图斑的质量信息mi:
S44 将所有地物图斑的质量信息进行求和,得到所述近似下垫面的质量分数。
在具体实现中,获取所述近似下垫面中地物图斑集{Hi}的质量信息集{mi},并对mi进行求和得到所述近似下垫面的质量分数M1:
其中,mi为地物图斑集{Hi}中地物图斑Hi的质量信息。
S5 对所述优化覆盖区域进行质量信息获取,并利用所述优化覆盖区域的质量信息进行计算,得到所述优化覆盖区域的质量分数。
作为一种实现方式,步骤S5包括:
S51根据优化覆盖区域中的信息出现的频率,计算得到优化覆盖区域的信息熵,优化覆盖区域的信息包括地物图斑中像素的灰度值。
在具体实现中,所述优化覆盖区域的信息熵的计算方式与步骤S431中的信息熵计算方法相同,在此不再赘述,通过步骤S431中的信息熵计算方法,得到所述优化覆盖区域的灰度信息熵S’。
S52将优化覆盖区域的信息熵作为优化覆盖区域的质量分数。
在具体实现中,所述优化覆盖区域的质量分数为优化覆盖区域的信息熵:
其中,S’为所述优化覆盖区域的灰度信息熵。
S6 对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行分析整合,得到所述优化覆盖区域对所述待评价遥感影像的影响值,基于所述影响值得到所述待评价遥感影像的定量评价分数。
作为一种实现方式,步骤S6包括:
S61 对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行差值计算,得到所述优化覆盖区域对所述待评价遥感影像的影响值K;
S62 根据所述影响值进行计算,得到待评价遥感影像的定量评价分数:
其中,K为所述优化覆盖区域对所述待评价遥感影像的影响值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于云及阴影的遥感影像质量定量评价方法,其特征在于,所述方法包括:
S1 提取待评价遥感影像内的云及阴影,得到初始覆盖区域;
S2 对所述初始覆盖区域进行形态学处理,得到优化覆盖区域;
S3 利用所述优化覆盖区域的空间覆盖范围和所述待评价遥感影像的描述信息在遥感影像库中进行筛选,得到与所述待评价遥感影像相近的遥感影像,作为近似影像,根据所述近似影像和所述待评价遥感影像的相关性进行回归分析,得到所述优化覆盖区域的近似下垫面;
S4 对所述近似下垫面进行质量信息获取,并利用所述近似下垫面的质量信息进行计算,得到所述近似下垫面的质量分数;
步骤S4包括:
S41 对所述近似下垫面进行地物图斑的提取,得到所述近似下垫面的地物图斑集,该地物图斑集包括多个不同地物类型的地物图斑;
S42 根据地物类型相对所述待评价遥感影像的重要性,得到地物图斑的重要程度,地物图斑的重要程度的取值范围均为[0,100];
S43 一一计算出地物图斑集中的每个地物图斑的面积和信息熵,并结合地物图斑的重要程度计算得到每个地物图斑的质量信息;
S431根据单个地物图斑中的信息出现的频率,计算得到该地物图斑的信息熵Si,i为该地物图斑的编号,地物图斑中的信息包括地物图斑中像素的灰度值;
S432根据该地物图斑的重要程度,计算得到该地物图斑的第一权重:
其中,α(xi)为该地物图斑的第一权重,xi为该地物图斑的重要程度;
S433根据该地物图斑的面积进行f级量化处理,得到该地物图斑的面积等级,根据该地物图斑的面积等级计算得到该地物图斑的第二权重:
其中,β(yi)为该地物图斑的第二权重,yi为该地物图斑的面积等级,yi的取值范围为[1,f],其中y、d、f为正整数,且f/2≤d<f,b、c、g、h为系数;
S434根据该地物图斑的信息熵Si、第一权重α(xi)和第二权重β(yi),计算得到该地物图斑的质量信息mi:
S44 将每个地物图斑的质量信息进行求和,得到所述近似下垫面的质量分数;
S5 对所述优化覆盖区域进行质量信息获取,并利用所述优化覆盖区域的质量信息进行计算,得到所述优化覆盖区域的质量分数;
步骤S5包括:
S51根据优化覆盖区域中的信息出现的频率,计算得到优化覆盖区域的信息熵,优化覆盖区域的信息包括地物图斑中像素的灰度值;
S52将优化覆盖区域的信息熵作为优化覆盖区域的质量分数;
S6 对所述近似下垫面的质量分数和所述优化覆盖区域的质量分数进行分析整合,得到所述优化覆盖区域对所述待评价遥感影像的影响值,基于所述影响值得到所述待评价遥感影像的定量评价分数。
2.根据权利要求1所述的方法,其特征在于,所述地物类型包括人工地物类型和自然地物类型,所述人工地物类型包括道路、房屋及设施、采矿场、硬化地表,所述自然地物类型包括耕地、林地、园地、草地、湖泊。
3.根据权利要求1所述的方法,其特征在于,步骤S3包括:
S31获取所述优化覆盖区域的空间覆盖范围,所述待评价遥感影像的描述信息包括色差信息、传感器类型信息和时相信息;
S32基于筛选步骤在遥感影像库中筛选得到所述近似影像:
S321将所述优化覆盖区域的空间覆盖范围作为交集区域,选取遥感影像库中在该交集区域内无云及阴影覆盖的遥感影像,归为第一筛选集;
S322在第一筛选集中选取与所述待评价遥感影像的传感器类型相同的遥感影像,作为第二筛选集;
S323将第二筛选集内的遥感影像基于时相范围进行划分,将与所述待评价遥感影像的时相最接近的时相范围内的遥感影像作为第三筛选集;
S324将第三筛选集中的每张遥感影像与所述待评价遥感影像进行色差对比,选取色差最小的遥感影像作为所述近似影像,提取近似影像中的所述交集区域,作为近似区域,其中,所述近似影像为单张遥感影像;
S33分别对所述待评价遥感影像和所述近似影像进行地物提取,将所述待评价遥感影像的地物和所述近似影像的地物按照地物类型进行组合,得到多组对照地物,其中,一组对照地物由相同地物类型的所述待评价遥感影像的地物和所述近似影像的地物组成;
S34根据多组对照地物的光谱反射值的关系进行线性回归分析,得到信息重建模型;
S35将所述的近似区域的光谱反射值输入所述信息重建模型,得到近似下垫面。
4.根据权利要求1所述的方法,其特征在于,步骤S2包括:
S21对所述待评价遥感影像进行二值化处理,得到二值图像;
S22构建二值图像的结构元素,根据二值图像的结构元素对二值图像中的初始覆盖区域分别进行形态学开运算和形态学闭运算,得到形态学二值图像;
S23根据形态学二值图像对所述待评价遥感影像进行掩膜,得到优化覆盖区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886994.6A CN115082452B (zh) | 2022-07-26 | 2022-07-26 | 基于云及阴影的遥感影像质量定量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886994.6A CN115082452B (zh) | 2022-07-26 | 2022-07-26 | 基于云及阴影的遥感影像质量定量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082452A CN115082452A (zh) | 2022-09-20 |
CN115082452B true CN115082452B (zh) | 2022-11-04 |
Family
ID=83242233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210886994.6A Active CN115082452B (zh) | 2022-07-26 | 2022-07-26 | 基于云及阴影的遥感影像质量定量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082452B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797362B (zh) * | 2023-02-13 | 2023-05-05 | 航天宏图信息技术股份有限公司 | 高分遥感影像的质量评估方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710416A (zh) * | 2009-12-07 | 2010-05-19 | 中国科学院新疆生态与地理研究所 | 多目标遥感图像云的处理方法 |
CN104950349A (zh) * | 2014-09-04 | 2015-09-30 | 国网山东省电力公司应急管理中心 | 一种基于电网gis的卫星云图实时预警方法及装置 |
CN105930863A (zh) * | 2016-04-14 | 2016-09-07 | 航天东方红卫星有限公司 | 一种卫星相机谱段设置的确定方法 |
CN108931825A (zh) * | 2018-05-18 | 2018-12-04 | 北京航空航天大学 | 一种基于地物清晰度的遥感图像云厚度检测方法 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
CN114511786A (zh) * | 2022-04-20 | 2022-05-17 | 中国石油大学(华东) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10302551B2 (en) * | 2017-08-22 | 2019-05-28 | Harris Corporation | Intelligent sensor pointing for remote sensing applications |
-
2022
- 2022-07-26 CN CN202210886994.6A patent/CN115082452B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710416A (zh) * | 2009-12-07 | 2010-05-19 | 中国科学院新疆生态与地理研究所 | 多目标遥感图像云的处理方法 |
CN104950349A (zh) * | 2014-09-04 | 2015-09-30 | 国网山东省电力公司应急管理中心 | 一种基于电网gis的卫星云图实时预警方法及装置 |
CN105930863A (zh) * | 2016-04-14 | 2016-09-07 | 航天东方红卫星有限公司 | 一种卫星相机谱段设置的确定方法 |
CN108931825A (zh) * | 2018-05-18 | 2018-12-04 | 北京航空航天大学 | 一种基于地物清晰度的遥感图像云厚度检测方法 |
CN109035223A (zh) * | 2018-07-11 | 2018-12-18 | 北京航空航天大学 | 一种用于卫星遥感图像可用度的智能评估方法 |
CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
CN114511786A (zh) * | 2022-04-20 | 2022-05-17 | 中国石油大学(华东) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 |
Non-Patent Citations (1)
Title |
---|
地表反射率数据集支持的Landsat 8 OLI云和云阴影检测方法;王权;《中国优秀硕士学位论文全文数据库》;20210515;第17-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082452A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rafiee et al. | Assessment of changes in urban green spaces of Mashad city using satellite data | |
Samuel-Rosa et al. | Do more detailed environmental covariates deliver more accurate soil maps? | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
Kavzoglu | Increasing the accuracy of neural network classification using refined training data | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Morresi et al. | Mapping burn severity in the western Italian Alps through phenologically coherent reflectance composites derived from Sentinel-2 imagery | |
CN115082452B (zh) | 基于云及阴影的遥感影像质量定量评价方法 | |
CN112711989A (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和系统 | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
CN113327214B (zh) | 一种连续时间序列水体遥感制图方法 | |
Xu et al. | Mapping and analyzing the annual dynamics of tidal flats in the conterminous United States from 1984 to 2020 using Google Earth Engine | |
Nelson et al. | Techniques for accuracy assessment of tree locations extracted from remotely sensed imagery | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
Zhu et al. | Reducing mis-registration and shadow effects on change detection in wetlands | |
Lovell et al. | Analysis of POLDER-ADEOS data for the Australian continent: The relationship between BRDF and vegetation structure | |
CN108304766B (zh) | 一种基于高分辨率遥感筛选危险品堆场的方法 | |
Magee | Segmentation, object-oriented applications for remote sensing land cover and land use classification | |
Lundquist et al. | Use of fourier transforms to define landscape scales of analysis for disturbances: a case study of thinned and unthinned forest stands | |
Myint | The use of wavelets for feature extraction of cities from satellite sensor images | |
Outcalt et al. | Fractal physiography? | |
Yayusman et al. | ALOS-Sensor data integration for the detection of smallholder's oil palm plantation in Southern Sumatra, Indonesia | |
Huang et al. | Mapping gully affected areas by using Sentinel 2 imagery and digital elevation model based on the Google Earth Engine | |
Manikandan | Spatial and temporal dynamics of urban sprawl Using multi-temporal images and relative Shannon entropy model in Adama, Ethiopia |
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 |