CN115546157A

CN115546157A - 卫星影像辐射质量评价的方法、装置、存储介质

Info

Publication number: CN115546157A
Application number: CN202211244678.5A
Authority: CN
Inventors: 喻夏琼; 孙韬; 赵金贤; 肖凡; 马东洋; 程家胜; 田亮; 杨洋; 刘嵘; 牛飞; 陈金春; 康悦然; 兰强; 李莹; 胡堃; 李豪; 范令志
Original assignee: 32021 Army Of Chinese Pla
Current assignee: 32021 Army Of Chinese Pla
Priority date: 2022-10-12
Filing date: 2022-10-12
Publication date: 2022-12-30

Abstract

本发明提供了一种卫星影像辐射质量评价的方法、计算机装置、计算机可读存储介质。该卫星影像辐射质量评价的方法，包括：步骤A，对所述待评价卫星影像进行轮廓提取操作；步骤B，获取待评价卫星影像的N个评价指标，该N个评价指标分为以下三类：灰度统计特征指标、纹理统计特征指标、辐射精度特征指标；步骤C，构建质量评价回归模型，利用训练样本集中的样本对质量评价回归模型进行训练；步骤D，将待评价卫星影像的N个评价指标代入经过训练的质量评价回归模型中，获取待评价卫星影像的综合评价指标值。本发明中，数据、特征涵盖范围广，能够全方位地对卫星影像进行评价，大大提升了评价的客观性和准确性。

Description

卫星影像辐射质量评价的方法、装置、存储介质

技术领域

本发明涉及卫星影像质量评价领域，尤其涉及一种卫星影像辐射质量评价的方法、计算机装置、计算机可读存储介质。

背景技术

现有遥感卫星影像类型较多，针对某些特殊的应用如何选择合适的遥感卫星数据成为研究人员的难题。为了满足遥感卫星数据的质量评价，通常通过主观评价或客观评价的方法，采用3到5个影像质量指标来分析不同类型的遥感卫星影像的质量。

在实现本发明的过程中，申请人发现传统卫星影像辐射质量评价技术中准确率较低，效果不够理想。

发明内容

(一)要解决的技术问题

本发明以期至少部分地解决以上技术问题中的至少之一。

(二)技术方案

为了实现如上目的，根据本发明的一个方面，提供了一种卫星影像辐射质量评价的方法，包括：

步骤A，对所述待评价卫星影像进行轮廓提取操作，去除无分析价值的外缘部分，保留有分析价值的内侧部分；

步骤B，获取待评价卫星影像的N个评价指标，该N个评价指标分为以下三类：灰度统计特征指标、纹理统计特征指标、辐射精度特征指标；

步骤C，构建质量评价回归模型，利用训练样本集中的样本对质量评价回归模型进行训练，其中，质量评价回归模型为基于XGBoost算法的回归模型；

步骤D，将待评价卫星影像的N个评价指标代入经过训练的质量评价回归模型中，获取待评价卫星影像的综合评价指标值。

在本发明的一些实施例中，步骤D之后还包括：将待评价卫星影像的N个评价指标和对应的综合评价指标值共同增加为训练样本集中的1个样本；步骤C中，训练样本集中包含以下三类的训练样本：

第一类训练样本，其指标集为基于卫星过境地面定标场的卫星影像计算的各项评价指标，其样本真值为利用地面设备测量获得的卫星影像的综合评价指标值；

第二类训练样本，其指标集为待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，其样本真值为对以往卫星影像的人工综合评价指标值；

第三类训练样本，其指标集为待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，样本真值为以往卫星影像通过步骤D所获取的自动综合评价指标值；

其中，在训练起始阶段，第一类训练样本和第二类训练样本的数量之和在总样本数量中的占比的100％；在训练成熟阶段，第一类训练样本在总样本数量中的占比低于30％；第二类样本的样本数量在总样本数量中的占比低于30％；第三类样本的样本数量在总样本数量中的占比高于40％，且第三类样本在总样本数量中的占比随着卫星影像的逐步积累从而逐步提高。

在本发明的一些实施例中，步骤C包括：

子步骤C1：构建质量评价回归模型L＝A·X，其中：

L为综合评价指标值，其值范围0％-100％；

X由N个评价指标构成的列向量，A为每个评价指标对应的偏差影响因子构成的行向量：训练过程中，[L,X]为质量评价回归模型的输入内容，A为需要通过训练获得的内容；

子步骤C2：对质量评价回归模型中的A进行初始化设置；

子步骤C3，利用训练样本集中的样本，采用XGBoost算法对质量评价回归模型进行训练迭代，直到满足预测精度要求。

在本发明的一些实施例中，子步骤C1中：

A＝(h₁…h_n1 w₁…w_n2 f₁…f_n3)

其中：H₁为第1个灰度统计特征指标，h₁为其对应的偏差影响因子；H_n1为第n1个灰度统计特征指标，h_n1为其对应的偏差影响因子；W₁为第1个纹理统计特征指标，w₁为其对应的偏差影响因子；W_n2为第n2个纹理统计特征指标，w_n2为其对应的偏差影响因子；F₁为第1个辐射精度特征指标，f₁为其对应的偏差影响因子；F_n3为第n3个辐射精度特征指标，f_n3为其对应的偏差影响因子；n1、n2、n3分别为灰度统计特征指标、纹理统计特征指标、辐射精度特征指标的个数，n1+n2+n3＝N，N为评价指标的总数。

在本发明的一些实施例中，子步骤C2中，对于每一个评价指标而言，其初始对应的偏差影响因子为：在用户未设定的情况下取默认值；在用户设定的情况下取用户设定值。

在本发明的一些实施例中，子步骤C3中，XGBoost算法的学习率取0.1，树的总数量取500，其他参数取默认值，其中树的最大深度、最小叶子分裂值、样本采样、属性列采样参数采用Sciki-learn包里面的网格搜索GridSearchCV函数进行XGBoost参数的寻优。

在本发明的一些实施例中，步骤B之前还包括：步骤A，对待评价卫星影像进行轮廓提取操作，去除无分析价值的外缘部分，保留有分析价值的内侧部分。

在本发明的一些实施例中，灰度统计特征指标包括：辐射均值、最小值、最大值、峰值、中值、亮度范围值、方差、标准差和信噪比；纹理统计特征指标包括：信息熵、角二阶矩、细节能量、边缘能量、局部平稳、信息容量、对比度和清晰度；辐射精度特征指标包括：偏斜度、陡度、边缘辐射畸变、增益调整畸变和功率谱。

在本发明的一些实施例中，灰度统计特征指标中：

辐射均值M为：

最小值M_min为：M_min＝MIN(g(x,y))；

最大值M_max为：M_max＝MAX(g(x,y))；

峰值为待评价卫星影像对应直方图曲线上的最高点；

中值为待评价卫星影像对应直方图曲线的频率分布中值；

每个波段的亮度范围值为该波段中灰度最大值和灰度最小值之差；

方差是所有像素灰度值和均值之差的平均平方差，其平方根为标准差；

信噪比采用局部均值和局部标准差法进行计算；

其中，S是影像面积，g(x,y)为待评价卫星影像中位置(x,y)对应的灰度值；

在本发明的一些实施例中，纹理统计特征指标中：

信息熵为：

其中i为灰度级数，L为灰度级数的总数，b_i第i级的灰度值，p(b_i)为b_i出现的概率；

角二阶矩为：

其中，

为灰度共生矩阵像素值平方；

细节能量为：

其中

区域方差，表达式为：

f(x+i,y+j)为坐标为(x+i,y+j)像素的方差；m_f(x,y)表示了区域平均灰度值，对影像中所有的(2M+1)*(2M+1)区域的方差总和的平均值：

边缘能量为：

m，n分别为影像的长、宽的像素值；用45度、135度两个归一化边缘算子E1，E2分别对待评价卫星影像f(x,y)进行卷积计算消除方块效应，相加后得到影像的e(x,y)，其中，e(x,y)＝E₁(f(x,y))+E₂(f(x,y))，

局部平稳为：

其中，L为灰度级数的总数，

为灰度共生矩阵像素值；

信息容量为：

其中Norm_log(G₁,G₂)＝log[Num(G₁,G₂)]/log[max{Num(G₁,G₂)}]称为对数峰值归一化直方图；max{Num(G₁,G₂)}为二维直方图的频数峰值；ω为累加约束域；

对比度为：

其中，|i-j|＝n，

为归一化的灰度共生矩阵像素值；

清晰度为：

其中：

其中i,j不可同时等于0，m,n为待评价卫星影像的行、列数，f(x,y)为待评价卫星影像；

在本发明的一些实施例中，辐射精度特征指标中，

偏斜度反映影像直方图分布形状偏离平均值周围对称形状的程度，正偏斜度表示不对称边的分布更趋向正值，负偏斜度表示不对称边的分布更趋向负值，偏斜度为：

其中i为灰度级数，m为算术平均数，b_i第i级的灰度值，p(b_i)为b_i出现的概率，d指影像的标准差；

陡度为：

边缘辐射畸变：

R为行向量的均值矢量，即：R＝[mean(p(1,j)),mean(p(2,j))…mean(p(i,j))]_{i＝1～N,j＝1～M}，其中，M，N为待评价卫星影像的行列，Mean为均值，Std为标准差，p(i,j)为待评价卫星影像在i行，j列的灰度值；

增益调整畸变为：

L为列向量的均值矢量，即：L＝[mean(p(i,1)),mean(p(i,2))…mean(p(i,j))]_{i＝1～N,j＝1～M}；

功率谱综合反映了影像各个空间频率分量的强度大小，具体为：PSD＝log₂Sum，

|F(u,v)|²＝R²(u,v)+I²(u,v)；R(u,v)和I(u,v)为F(u,v)进行傅里叶变换后的实部和虚部。

为了实现如上目的，根据本发明的第二个方面，还提供了一种卫星影像辐射质量评价的计算机装置，包括：

应用插件层，其存储有计算机插件程序；

基础平台层，其提供调用应用插件层中存储的计算机插件程序的接口；

业务子系统，其被配置为当通过基础平台层调用应用插件层中存储的计算机插件程序时，能够执行如上的方法。

在本发明的一些实施例中，基础平台层以XML订单的形式自动调用应用插件层的计算机插件程序，实现自动化的辐射质量评价。

在本发明的一些实施例中，基础平台层提供以下接口群组中的一种或多种：组件通信接口、com兼容接口、通用UI接口、CPU+GPU加速接口。

为了实现如上目的，根据本发明的第三个方面，还提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，计算机指令被执行时实现如上的方法。

(三)有益效果

从上述技术方案可知，本发明至少具有以下有益效果其中之一：

(1)综合利用灰度统计特征指标、纹理统计特征指标、辐射精度特征指标来进行卫星影像辐射质量评价，数据、特征涵盖范围广，能够全方位地对卫星影像进行评价，大大提升了评价的客观性和准确性。

(2)利用基于XGBoost算法的回归模型和大样本训练，同时结合深度学习训练的方式来获取总参数，训练出来的参数效果更加客观。并且，随着影像数据集数据样本地逐渐增多，模型训练的频次、质量逐渐增加，后续评价精度、客观性会越来越高，具有更大的提升空间，有利于契合科研工作的愈来愈高的实际需求。

(3)在训练初期，采用第一类训练样本和第二类训练样本进行训练；而后逐步加入第三类训练样本。第一类训练样本，其指标集为基于卫星过境地面定标场的卫星影像计算的各项评价指标，其样本真值为利用地面设备测量获得的卫星影像的综合评价指标值。第二类训练样本，其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，其样本真值为对所述以往卫星影像的人工综合评价指标值。第三类训练样本，其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，样本真值为所述以往卫星影像通过步骤D所获取的自动综合评价指标值。

通过以上方式，一方面保证了训练初期数据的稳定性和可靠性，尤其是基于卫星过境地面定标场的卫星影像相关样本的引入，能够保证基于XGBoost算法的回归模型的训练沿着正确的训练方向进行训练，避免训练误入歧途，从而大大提升了训练初期的效果，防止了训练错误的发生；另一方面，在成熟阶段，第三类训练样本逐步增加，而第一类训练样本和第二类训练样本的占比逐渐减小，总样本量不断增加，保证了评价效果是越来越客观准确。

(4)在正式评价之前，对待评价卫星影像进行轮廓提取操作，去除无分析价值的外缘部分，保留有分析价值的内侧部分，可降低其灰度级，减少计算量。

(5)灰度统计特征指标包括：辐射均值、最小值、最大值、峰值、中值、亮度范围值、方差、标准差和信噪比；纹理统计特征指标包括：信息熵、角二阶矩、细节能量、边缘能量、局部平稳、信息容量、对比度和清晰度；辐射精度特征指标包括：偏斜度、陡度、边缘辐射畸变、增益调整畸变和功率谱。

以上特征指标涵盖了待评价卫星影像的各个角度，更全面且不遗漏任何的细节，能够保证对任何类型的卫星影像进行评价，保证了评价的稳定性。相比较现有的这些专利来说，本专利的辐射评价覆盖面更广，在评价结果精度上也是有所提高的。

(6)整个辐射评价过程完全自动化的，不需要人工的干预，大大提升了自动化程度，采用基于平台+插件的部署模式，可全程自动对一个影像输入输出，提升了便利性。

(7)虽然评价过程不需要人工的干预，但是专业人员可以在训练阶段施加影响，例如增加新的训练数据，从而使得训练得到的评价模型更能客观反映待评价影像的真实质量，实现主客观评价结果的相互补充和相互促进。

综上所述，本发明期望通过提供一种卫星影像辐射质量评价方法，以达到如下目的：①构建适应光学卫星影像评价要求的数学模型；②提升卫星影像辐射质量评价的精度、客观性和可靠性；③减少人工干预，实现卫星影像辐射质量评价过程的自动化；④实现主客观评价结果的相互补充和相互促进，为拓展光学遥感卫星影像在遥感领域的应用提供技术支持。

附图说明

图1为本发明实施例卫星影像辐射质量评价方法的流程图。

图2为图1所示卫星影像辐射质量评价的方法的示意图。

图3为本发明实施例卫星影像辐射质量评价计算机装置的结构图。

具体实施方式

本发明期望通过提供一种卫星影像辐射质量评价方法，以达到如下目的：①构建适应光学卫星影像评价要求的数学模型；②提升卫星影像辐射质量评价的精度、客观性和可靠性；③减少人工干预，实现卫星影像辐射质量评价过程的自动化；④实现主客观评价结果的相互补充和相互促进，为拓展光学遥感卫星影像在遥感领域的应用提供技术支持。

为使本发明的目的、技术方案和优点更加清楚明白，下文结合具体实施例，并参照附图，对本发明进一步详细说明。

在本发明的一个示例性实施例中，提供了一种卫星影像辐射质量评价的方法。

图1为本发明实施例卫星影像辐射质量评价方法的流程图。图2为图1所示卫星影像辐射质量评价的方法的示意图。如图1和图2所示，本实施例包括：

步骤B，获取待评价卫星影像的N个评价指标，该N个评价指标包括以下三类评价指标：灰度统计特征指标、纹理统计特征指标、辐射精度特征指标；

步骤C，构建质量评价回归模型，利用训练样本集中的样本对所述质量评价回归模型进行训练，其中，所述质量评价回归模型为基于XGBoost算法的回归模型；

步骤D，将待评价卫星影像的N个评价指标代入经过训练的质量评价回归模型中，获取所述待评价卫星影像的综合评价指标值。

可见，本实施例通过基于XGBoost算法的回归模型和全面且不遗漏任何细节的统计特征指标，能够大大提升评价的准确性和可靠性。

以下分别对各个步骤进行详细说明。

在步骤A中，对所述待评价卫星影像进行轮廓提取操作，去除无分析价值的外缘部分，保留有分析价值的内侧部分。通过步骤A的处理，可以降低待评价卫星影像的灰度级，减少计算量。

在步骤B中，获取待评价卫星影像的N个评价指标，该N个评价指标包括以下三类评价指标：灰度统计特征指标、纹理统计特征指标、辐射精度特征指标。如图2所示，待评价卫星影像的数据在输入计算机系统进行轮廓提取操作之后，会自动按照预设公式对辐射指标进行计算，得到各类指标。其中，辐射质量评价指标主要包括三类：

(1)灰度统计特征指标，包括辐射均值、最小值、最大值、峰值、中值、亮度范围值、方差、标准差和信噪比；

(2)纹理统计特征指标，包括信息熵、角二阶矩、细节能量、边缘能量、局部平稳、信息容量、对比度和清晰度；

(3)辐射精度特征指标，包括偏斜度、陡度、边缘辐射畸变、增益调整畸变和功率谱。

当然，本领域技术人员可以结合上述说明，在各类评价指标中增加某些指标或者删除某些指标，也可以实现本发明，只是具体效果或稍有差别。但只要评价指标中包含三类：灰度统计特征指标、纹理特征统计指标、幅射精度特征指标，均在本发明所请求保护的范围之内。

1、灰度统计特征指标：

灰度统计特征指标包括辐射均值、最小值、最大值、峰值、中值、亮度范围值、方差、标准差和信噪比，计算描述如下：

(1)辐射均值

辐射均值是整个影像亮度的平均值。辐射均值M：

其中S是影像面积，g(x,y)为位置(x,y)对应的灰度值。

(2)最小值

最小值是整个影像亮度的最小值。最小值M_min：

M_min＝MIN(g(x,y))

其中g(x,y)为位置(x,y)对应的灰度值。

(3)最大值

最大值是整个影像亮度的最大值。最大值M_max

M_max＝MAX(g(x,y))

(4)峰值

峰值是出现的频率最高的亮度值，即直方图曲线上的最高点，一幅包含有几种地区的影像如果有几个峰值，说明遥感器的光谱分辨率、信噪比都较高。

(5)中值

中值是在频率分布中间，其左边一半的面积等于右边一半的面积。

(6)亮度范围值

每个波段的亮度范围值为该波段中灰度最大值和灰度最小值之差。

(7)方差

方差是所有像素灰度值和均值之差的平均平方差，其平方根为标准差。方差反映影像信息量大小，即数据的离散程度。偏差越大，数据越离散，就越能反映地面不同目标之间的差别，则表明影像信息越丰富。它将直接影响彩色合成后影像的信息含量。其计算公式为：

其中u是p(I,j)的均值。

(8)协方差

协方差是影像中两波段的像素亮度值和其波段均值之差的乘积的平均，反映波段间的相关性。相关系数一般介于-1和+1之间，如果相关系数大于0，表示两个波段正相关，即一个波段的亮度值增加会引起另一个波段亮度值增加；反之如果相关系数小于0，两个波段负相关。

对于两幅影像，其均值为

其中S是影像面积。则

或

式中σ² _fg代表相邻两幅影像的协方差，σ² _ff代表参考影像f(x,y)的方差。

(9)信噪比：

信噪比一般是指仪器信号与噪声信号强度的比值，采用局部均值和局部标准差法进行计算，信噪比PSNR。

其中，M为影像均值，Std_local为影像的局部标准差，

为满足最大众数条件的局部标准差之和，max(n)为满足最大众数条件的局部标准差的数量。

2、纹理统计特征指标

纹理统计特征指标，包括信息熵、角二阶矩、细节能量、边缘能量、局部平稳、信息容量、对比度和清晰度，计算描述如下：

(1)信息熵

信息熵主要反映影像包含地物信息的详细程度，一般用熵来表达。熵是从信息论角度反映影像信息丰富程度的一种度量方式，通过对影像信息熵的比较可以对比出影像的细节表现能力。目前shannon信息熵的应用范围比较广，这是将遥感影像视作离散无记忆信源进行计算的方法，也就是认为影像上每个点都是独立存在的。若考虑影像纹理的影响，可将遥感影像视作离散有记忆信源，计算马尔可夫熵来表达信息量。

信息熵的计算方法为：

其中i为灰度级数，L为灰度级数的总数，b_i第i级的灰度值，p(b_i)为b_i出现的概率。

(2)角二阶矩

角二阶矩是灰度共生矩阵像素值平方的和，也称为能量，是影像灰度分布均匀性的度量，主要用于观察影像纹理粗细和方向性特征。从影像整体来看，角二阶矩值越大，则纹理较粗，反之则较小。角二阶矩的计算方法为：

其中，

为灰度共生矩阵像素值平方。

(3)细节能量：

细节能量和边缘能量从影像频域的高频分量的角度来描述影像的细节与边缘形状特征。细节能量从影像的局部来评价影像的质量。细节能量的计算方法为：

其中

区域方差，表达式为：

m_f(x,y)表示了区域平均灰度值，

细节能量是对影像中所有的(2M+1)*(2M+1)区域的方差总和的平均值，反映了影像中的细节信息的丰富度。值越大说明影像的纹理越细，提供的信息越丰富，影像越清晰。一般情况下，M取1或2。

(4)边缘能量：

边缘是影像关于形状特征的重要信息。边缘是影像的高频信息，但不同于噪声信号，它有方向性，可通过各向异性的滤波器来提取。

边缘是影像关于形状特征和细节的重要信息。边缘是高频信息，但不同于噪声信号，它是有方向性的，可通过各向异性的滤波器来提取。用45度、135度两个归一化边缘算子E1，E2分别对影像进行卷积计算消除方块效应，相加后得到影像的e(x,y)，即：

e(x,y)＝E₁(f(x,y))+E₂(f(x,y))

边缘能量定义为

影像的边缘能量说明了影像中边缘的丰富度和清晰程度，边缘能量数值越大，影像质量越高。

(5)局部平稳性

局部平稳性用于度量影像纹理局部变化的多少，反映影像的均质性，数值为1时达到最佳效果。其计算公式为：

其中，L为灰度级数的总数，

为灰度共生矩阵像素值。

(6)信息容量

基于二维直方图定义信息容量，用以比较不同分布的情况，信息容量为：

其中Norm_log(G₁,G₂)＝log[Num(G₁,G₂)]/log[max{Num(G₁,G₂)}]称为对数峰值归一化直方图；max{Num(G₁,G₂)}为二维直方图的频数峰值；ω为累加约束域，是直方图定义域内的测度，应取足够大的区域，并且在此区域中直方图的相关性最大，使信息容量具有宏观统计意义和真正的信息意义。

(7)对比度

影像对比度反映了影像中的目标与背景相比可辨认的清晰程度，对比度越大则影像中的目标信息就越明显，所以它对于评价遥感器的质量至关重要。影像对比度大，影像纹理清晰。反映的地物目标效果好，影像质量较好。影像对比度的计算方法为：

式中|i-j|＝n，

为归一化的灰度共生矩阵像素值。

(8)清晰度

清晰度也称平均梯度。点锐度算法的计算方法为：

其中，df/dx为垂直于边缘的灰度变化率，f(b)-f(a)为该垂直边缘方向的总对比度。

对其离散到二维影像上，并取平方根数，可获得计算清晰度的公式为：

其中：

其中i,j不可同时等于0，m,n为影像的行、列数，f(x,y)为待评价卫星影像。

影像清晰度为该影像每个像素与其周围像素的算术差乘以

的和，在进行归一化的值。m,n为影像的行列数，由于利用3*3的扫描框，因此起始列、行与终止列、行不参与计算。

3、辐射精度特征指标

辐射精度特征指标，包括偏斜度、陡度、边缘辐射畸变、增益调整畸变和功率谱，计算描述如下：

(1)偏斜度：

影像的灰度直方图是表达影像灰度级分布的概率统计，灰度值的高低反映了地物辐射量的大小，直方图的分布范围反映了影像信息的丰富程度。可对影像的灰度直方图形态进行分析和评价，其中偏斜度和陡度是两个重要的指标。

偏斜度反映影像直方图分布形状偏离平均值周围对称形状的程度。正偏斜度表示不对称边的分布更趋向正值，负偏斜度表示不对称边的分布更趋向负值。其计算公式为：

其中i为灰度级数，b_i第i级的灰度值，m为算术平均数，p(b_i)为b_i出现的概率，d指影像的标准差。

(2)陡度(坡度)：

陡度表达影像直方图的分布形状是集中在平均值附近还是向边缘扩展，陡度越高代表影像灰度的动态范围越窄，意味影像的突显程度好。其计算公式为：

(3)边缘辐射畸变：

边缘辐射畸变反映辐射不均质程度，其计算方法为求行方向均值矢量的均值和方差的比值。

R为行向量的均值矢量，即：

R＝[mean(p(1,j)),mean(p(2,j))…mean(p(i,j))]_{i＝1～N,j＝1～M}，

其中，M，N为影像的行列，Mean为均值，Std为标准差，p(i,j)为待评价卫星影像在i行，j列的灰度值；

(4)增益调整畸变：

增益调整畸变反映辐射不均质程度，其计算方法为求列方向均值矢量的均值和方差的比值。

L为列向量的均值矢量，即：

L＝[mean(p(i,1)),mean(p(i,2))…mean(p(i,j))]_{i＝1～N,j＝1～M}，

其中，M，N为影像的行列，Mean为均值，Var为方差。

(5)功率谱：

影像功率谱综合反映了影像各个空间频率分量的强度大小。数字影像f(x,y)经过傅里叶变换有：

影像的频率谱为：|F(u,v)|²

|F(u,v)|²＝R²(u,v)+I²(u,v)

影像的归一化功率谱为：PSD＝log₂ Sum；R(u,v)和I(u,v)为F(u,v)进行傅里叶变换后的实部和虚部。

在本实施例的步骤C中，构建质量评价回归模型，利用训练样本集中的样本对所述质量评价回归模型进行训练，其中，质量评价回归模型为基于XGBoost算法的回归模型。该步骤C进一步包括：

子步骤C1：构建质量评价回归模型L＝A·X，其中：L为综合评价指标值，其值范围0％-100％；X由N个评价指标构成的列向量，A为每个评价指标对应的偏差影响因子构成的行向量，表达式如下：

A＝(h₁…h_n1 w₁…w_n2 f₁…f_n3

其中：H₁为第1个灰度统计特征指标，h₁为其对应的偏差影响因子；H_n1为第n1个灰度统计特征指标，h_n1为其对应的偏差影响因子；W₁为第1个纹理统计特征指标，w₁为其对应的偏差影响因子；W_n2为第n2个纹理统计特征指标，w_n2为其对应的偏差影响因子；F₁为第1个辐射精度特征指标，f₁为其对应的偏差影响因子；F_n3为第n3个辐射精度特征指标，f_n3为其对应的偏差影响因子；n1、n2、n3分别为灰度统计特征指标、纹理统计特征指标、辐射精度特征指标的个数，n1+n2+n3＝N；N为评价指标的总数。

其中，训练过程中，[L,X]为质量评价回归模型的输入内容，A为需要通过训练获得的内容。

子步骤C2：对质量评价回归模型中的A进行初始化设置；

在子步骤C2中，对于每一个评价指标而言，其初始对应的偏差影响因子为：在用户未设定的情况下取默认值；在用户设定的情况下取用户设定值。默认值可以设定为每个参数的偏差影响因子为1/N。

所述子步骤C3中，所述XGBoost算法的学习率取0.1，树的总数量取500，其他参数取默认值，其中树的最大深度、最小叶子分裂值、样本采样、属性列采样参数采用Sciki-learn包里面的网格搜索GridSearchCV函数进行XGBoost参数的寻优。

1、训练样本集

关于训练样本集，其包含以下三类的训练样本：

第二类训练样本，其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，其样本真值为对所述以往卫星影像的人工综合评价指标值；

第三类训练样本，其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项评价指标，样本真值为所述以往卫星影像通过步骤D所获取的自动综合评价指标值。

通过以上方式，一方面保证了训练初期数据的稳定性和可靠性，另一方面，在成熟阶段，第三类训练样本逐步增加，而第一类训练样本和第二类训练样本的占比逐渐减小，总样本量不断增加，保证了评价效果是越来越好。

2、采用XGBoost算法对质量评价回归模型进行训练迭代

XGBoost是一种集成学习方法，集成学习是通过基于多个弱学习器合作完成工作任务，而且常常可以获得比单一学习器具有更好的泛化性能。Boosting是一类通过将弱学习器提升为强学习器的集成学习算法，例如Adaboost、GBDT、XGBoost等都属于Boosting算法。XGBoost，全称为eXtreme Gradient Boosting，实现的是一种通用的Tree Boosting算法。

该算法既能解决分类问题，又能解决回归问题。其中，XGBoost算法由于具有较高预测准确度和出众的效率而引起了广泛的关注。该算法对每棵树的叶子节点数都能加了惩罚项，限制了叶子节点的增长，使得每棵树都是弱的，同时还引入了学习速率，进一步降低了每棵树的影响。这样做的代价是树的总数目会多一些，但从其取得的效果上看，这样做是值得的。

XGBoost算法原理为：首先，使用训练集和样本真值去训练第一棵树，使用这棵树去预测训练集，并得到每个样本的预测值，然后将预测值与真实值作差得到残差；接着，训练第二棵树，此时使用残差作为标准值。最后，根据两棵树训练完得到的残差，接着用来训练第三棵树，以此类推。该模型的目标函数定义如下所示：

绝对偏差Dif和相对偏差PDif公式定义如下：

Dif＝Ref^pre-Ref^sim

利用改进的XGBoost算法进行卫星影像质量评价模型回归训练的流程如下：

步骤1：基于偏差影响因子分析得到的偏差关键影响因子，作为模型的输入；

步骤2：通过将偏差的关键影响因子进行不同组合，构建不同模型进行训练及预测；

步骤3：构建样本训练集和测试集

步骤4：采用XGBoost模型构建深度学习的训练模型，并对模型的参数进行初始化设置，XGBoost回归模型目标函数为：

步骤5：不断迭代，直到满足预测精度要求，结束训练；

步骤6：通过调整参数，输出模型的预测值，并将原始模拟值与模型预测值对比分析，评价预测效果，得到最终偏差的影响因子，从而得到质量评价模型的各项参数。

本实施例在计算综合评价指标值的时候，采用了XGBoost模型和深度学习方法训练了更加客观的样本集，质量评价的总参数更加客观，然后避免人为主观的因素，提高了评价精度。具体而言，利用基于XGBoost算法的回归模型和大样本训练，同时结合深度学习训练的方式来获取总参数。因此训练出来的参数效果更加客观，并且具有提升空间。随着影像数据集的数据样本的逐渐增多，经过更多的训练，会得到一些更好的结果，即评价结果会越来越客观准确。

在本实施例的步骤D中，将待评价卫星影像的N个评价指标代入经过训练的质量评价回归模型中，获取所述待评价卫星影像的综合评价指标值。

需要说明的是，与在前的子步骤C3相呼应，步骤D之后还包括：将待评价卫星影像的N个评价指标和对应的综合评价指标值共同增加为训练样本集中的1个样本。

关于本实施例需要特别说明的是，整个辐射评价过程完全自动化的，不需要人工的干预，减少了人工工作量，大大提升了自动化程度，提升了评价的客观性。

至此，本实施例卫星影像辐射质量评价介绍完毕。

在本发明的另一个示例性实施例中，还提供了一种卫星影像辐射质量评价的计算机装置。图3为本发明实施例卫星影像辐射质量评价计算机装置的结构图。请参照图3，本实施例卫星影像辐射质量评价的计算机装置包括：

应用插件层，其存储有计算机插件程序，在本实例中为实现各个辐射评价指标计算的程序、XGBoost程序、深度学习训练程序等；

基础平台层，其提供调用所述应用插件层中存储的计算机插件程序的接口；

业务子系统，其被配置为当通过所述基础平台层调用所述应用插件层中存储的计算机插件程序时，能够执行如权利要求1至7中任一项所述的方法；

其中，所述基础平台层以XML订单的形式自动调用所述应用插件层的计算机插件程序，实现自动化的辐射质量评价；所述基础平台层提供以下接口群组中的一种或多种：组件通信接口、com兼容接口、通用UI接口、CPU+GPU加速接口。

具体而言，本实施例平台和插件的部署方案为：

基础平台层：基于应用平台提供的客户端基础框架、共性模块、模块封装标准和模块配置标准，实现业务算法的工程化。应用平台为业务子系统提供了客户端基础框架和共性模块，在对插件的业务算法进行工程化时，充分利用平台的基础程序提供的组件通信接口、com兼容接口、通用UI接口、CPU+GPU加速接口等算法工程化改造接口，有效提高算法的运行效率。

应用插件层：插件程序运行于平台层，由平台以XML订单的形式自动调用，实现自动化的辐射质量评价。为用户提供质量评价的独立软件，也是整个子系统的核心部分，实现各种数据的辐射质量监测。数据评价类软件采用自动化运行，根据配置选项可完成自动化的质量评价，对复杂度较高的分析算法可以运行于后台计算节点，以提高分析效率。

本领域技术人员应当理解，本实施例采用基于平台+插件的部署模式，可全程自动对一个影像进行输入输出和辐射质量指标的计算，提升了便利性。

在本发明的另一个示例性实施例中，还提供了一种计算机可读存储介质。该计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如上所述的方法。

至此，本发明的实施例介绍完毕。

至此，已经结合附图对本发明实施例进行了详细描述。依据以上描述，本领域技术人员应当对本发明有了清楚地认识。

综上所述，本发明在计算综合评价指标值的时候，指标更全面，从各种角度综合考虑，辐射评价覆盖面更广，提升了评价结果的精度。此外，采用了深度学习方法训练了更加客观的样本集，避免人为主观的因素，质量评价的总参数更加客观。本发明提高了卫星影像评价的自动化程度和便利性，为拓展光学遥感卫星影像在遥感领域的应用提供技术支持，具有较好的推广价值。

需要说明的是，对于某些实现方式，如果其并非本发明的关键内容，且为所属技术领域中普通技术人员所熟知，则在附图或说明书正文中并未对其进行详细说明，此时可参照相关现有技术进行理解。

进一步地，提供如上实施例的目的仅是使得本发明满足法律要求，而本发明可以用许多不同形式实现，而不应被解释为限于此处所阐述的实施例。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单的更改或替换。

此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他固有设备相关。各种通用系统也可以与基于在此的启示一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的相关设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

本发明的实施例的所有的模块都可以是硬件结构，硬件结构的物理实现包括但不局限于物理器件，物理器件包括但不局限于晶体管，忆阻器，DNA计算机。

本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和(或)过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括权利要求、摘要和附图)中发明的所有特征以及如此发明的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中发明的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图，或者对其的描述中。然而，并不应将该发明的方法解释成反映如下意图：所要求保护的本发明需要比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，各个发明方面在于少于前面单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。