一种高分遥感影像辐射基准建立与辐射校正方法技术

本发明专利技术提出了一种高分遥感影像辐射基准建立与辐射校正方法。本发明专利技术首先确定研究区域，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。本发明专利技术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。观影响。观影响。

【技术实现步骤摘要】
一种高分遥感影像辐射基准建立与辐射校正方法


[0001]本专利技术属于遥感测绘领域，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]因此本专利技术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。

技术实现思路

[0006]本专利技术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，本专利技术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。
[0007]本专利技术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：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]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：
[0013](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；
[0014](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。
[0015]进一步的，步骤2的具体实现方式如下；
[0016]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：
[0017]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
[0018]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
[0019]步骤2.3，利用以下公式计算两图像的loss
contrast
，再计算，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；
[0020][0021]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。
[0022]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。
[0023]进一步的，步骤3的具体实现方式如下；
[0024]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
；
[0025][0026]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；
[0027]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。
[0028]进一步的，步骤4的具体实现方式如下；
[0029]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；
[0030]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；
[0031][0032][0033]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；
[0034]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。
[0035]本专利技术具有如下优点：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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，再计算利用梯...

【专利技术属性】
技术研发人员：闫利，杨见兵，张毅，张聪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：