卫星影像辐射质量评价的方法、装置、存储介质制造方法及图纸

本发明专利技术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。本发明专利技术中，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。观性和准确性。观性和准确性。

【技术实现步骤摘要】
卫星影像辐射质量评价的方法、装置、存储介质


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]在实现本专利技术的过程中，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。

技术实现思路

[0004](一)要解决的技术问题
[0005]本专利技术以期至少部分地解决以上技术问题中的至少之一。
[0006](二)技术方案
[0007]为了实现如上目的，根据本专利技术的一个方面，提供了一种卫星影像辐射质量评价的方法，包括：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]在本专利技术的一些实施例中，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：
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]在本专利技术的一些实施例中，步骤C包括：
[0018]子步骤C1：构建质量评价回归模型L＝A
·
X，其中：
[0019]L为综合评价指标值，其值范围0％
‑
100％；
[0020]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；
[0021]子步骤C2：对质量评价回归模型中的A进行初始化设置；
[0022]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。
[0023]在本专利技术的一些实施例中，子步骤C1中：
[0024]A＝(h1…
h
n1 w1…
w
n2 f1…
f
n3
)
[0025]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。
[0026]在本专利技术的一些实施例中，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。
[0027]在本专利技术的一些实施例中，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。
[0028]在本专利技术的一些实施例中，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。
[0029]在本专利技术的一些实施例中，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。
[0030]在本专利技术的一些实施例中，灰度统计特征指标中：
[0031]辐射均值M为：
[0032]最小值M
min
为：M
min
＝MIN(g(x,y))；
[0033]最大值M
max
为：M
max
＝MAX(g(x,y))；
[0034]峰值为待评价卫星影像对应直方图曲线上的最高点；
[0035]中值为待评价卫星影像对应直方图曲线的频率分布中值；
[0036]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；
[0037]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；
[0038]信噪比采用局部均值和局部标准差法进行计算；
[0039]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；
[0040]在本专利技术的一些实施例中，纹理统计特征指标中：
[0041]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；
[0042]角二阶矩为：其中，为灰度共生矩阵像素值平方；
[0043]细节能量为：其中区域方差，表达式为：f(x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星影像辐射质量评价的方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，所述步骤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；所述步骤C中，所述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；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。3.根据权利要求1所述的方法，其特征在于，所述步骤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。4.根据权利要求3所述的方法，其特征在于，所述子步骤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。5.根据权利要求4所述的方法，其特征在于，所述子步骤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；和/或所述子步骤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。6.根据权利要求1所述的方法，其特征在于：所述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；所述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；所述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。7.根据权利...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：中国人民解放军三二零二一部队，
类型：发明
国别省市：