《遥感图像质量检测综述》由会员分享，可在线阅读，更多相关《遥感图像质量检测综述（5页珍藏版）》请在金锄头文库上搜索。
1、遥感图像质量检测综述摘要：质量检测是遥感图像信息可用性的重要保证，且贯穿于遥感数据应用的整个阶段。本文主要针对遥感图像的处理流程中的原始图像接收、图像预处理、图像信息提取三个阶段进行质量检测的研究。同时对于如何进行遥感图像的告诉检测也进行了概述。关键词：遥感；质量检测；处理流程；高速检测1.引言随着遥感卫星技术与信息技术的飞速发展，遥感图像的获取取到越来越多、获取速度越来越快捷，现在半天的数据获取量就达到了过去将近一年的获取量。随着数据的爆炸性增长，劣质数据也随之而来，数据可用性受到严重影响。众所周知，数据的质量决定了信息的可用性，因此对遥感图像的质量检测就越发显得重要 1。任何信息产品最终都
2、要服务于社会发展，遥感图像更不例外。遥感图像从获取需到可应用的专题图中间主要还包括原始图像获取、预处理和信息提取 3个方面。遥感图像的质量检测是贯穿于这整个过程，只有每一步都保证其相应的质量后才可能生成一幅可用的专题产品。其中可能存在的质量问题简要介绍如下：（1）原始的遥感图像主要针对其辐射质量的检测，具体面临的质量问题是噪声过多和云量。噪声的存在降低了图像的质量, 有时甚至会完全掩盖数字图像中真正的光谱信息。在光学遥感中，云覆盖是造成遥感数据可用性降低的重要因素，云量的存在则直接遮掩了地物的光谱信息，导致一景图像失去其可用性。因此云量检测是遥感影像辐射质量评价的重要内容之一。（2）图像的预处
3、理阶段主要包括几何校正、图像融合、剪裁镶嵌等操作。几何校正是为了使两幅或多幅图像的几何坐标相对应，是后续一系列的图像处理的基础，校正的质量将会影响后续所有过程集产品。如果校正不准确轻则导致图像质量降低，重则导致图像间的操作不能进行。图像融合是为了获取更丰富的图像信息以便于图像分类、信息提取等操作，一般由低分辨率多光谱信息的影像与高分辨率低光谱信息的影像融合，紧随几何校正进行。如果融合效果较差会使图像中包涵的可用信息降低，不利于信息提取等最终操作。图像剪裁和镶嵌是为了得到合适的研究区域，以便于以后的实验研究。（3）遥感图像信息提取是整个遥感图像应用中最关键的步骤，直接影响了专题产品的质量。此阶段
4、的质量检测主要针对提取信息的准确度，即与地面实际地物的吻合程度。同时遥感图像获取的越来越快，如何快速地检测图像质量也成为了一个亟待解决的问题。因此本次综述以遥感图像处理流程为切入点从原始遥感图像质量检测、预处理后质量检测、信息提取后质量检测以及遥感图像快速检测四个方面进行简要阐述。2.各阶段质量评价的发展2.1 原始图像的质量检测王荣彬、李平湘等针对传统的原始遥感影像辐射质量评价方法多以人工定性评价为主而缺乏客观和易行的定量评价标准的不足，提出了适用于噪声和云量等的评价指标，给出了一种业务化的快速评价方法。在噪声方面的质量评价通过选取一定大小的均匀区域，采用逆变动系数（ICV ）即区域内的均值
5、与方差之比作为评价参数来评价图像质量。实际应用中需选取多个均匀区域分别计算 ICV 后再求均值的方法评价质量。ICA 的值越大，噪声对图像质量的影响越小。在云量的检测方面通过云指数法充分结合图像的光谱信息做出评判。具体为选取图像的两个波段，短波红外和热红外，通过归一化处理求解云指数（NDCI）即 ，其中 bd、br 分别表示短波红外和热红外，通过设定合适的阈值判断云和非云2。2.2 预处理后的质量检测在图像预处理的几个步骤中，几何校正是以后所有图像处理的基础，几何校正的精确与否决定了图像的质量的高低。图像融合使遥感图像中包涵更丰富的信息，可提高信息提取的准确度。此阶段的质量检测即主要针对这两个
6、步骤。图像的剪裁和镶嵌因不涉及图像的波谱等信息，此步骤中的质量问题较少出现，对于剪裁和镶嵌的质量检测不再叙述。Mor G.和 Pons X.对几何校正进行了深入的研究，借助对均方根（RMS）误差的计算，详尽阐明了地面控制点（GCPS）集对校正精度的影响。在 GCPS集足够的情况下，最少应使用 25 个点才能使校正精度与使用最大量的 GCPS 的精度相似。同时，当 GCPS 集与拟合模型吻合时校正精度要高于独立的 GCPS集，鉴于独立 GCPS 集多由手动生成，且一般可使用的只有 2530 个左右，因此在对图像进行几何校正时自动获取的 GCPS 的校正效果要由于手动获取的结果3 。Li Yuha
7、i 和 Pan Shenlin 以最终融合图像质量为检测目标对目前常用的 4 种图像融合方法（HIS、PHF 、PCA、小波融合）进行了全面的研究。研究中选则融合后图像的均值、标准差与信息熵、相关系数、平均梯度 5 个参数作为评价指标，发现 1）PCA 融合方法得到的融合影像的信息熵最大即影像的信息量增加得最多，但影像失真较大；2）HPF 融合方法得到的融合影像的相关系数最大，即在保持多光谱影像的光谱信息方面效果较好，同时影像失真也较小；3）PCA融合方法得到的融合影像的评价梯度最大即清晰度最高4。2.3 信息提取后的质量检测遥感图像的信息提取通常由图像分类完成，因为图像中混合像元的存在导致分
8、类结果普遍存在一定程度的不确定性。因此需要对提取的图像进行质量检测在确定其可用性后才能进行最终的应用。分类后质量检测最早由 Congalton 教授系统说明，并于 1991 年将误差矩阵引入到遥感质量评价中，提出了借助误差矩阵进行评价的经典算法，该算法经过 20 多年的发展与演变，依然是现在主流的质量评价方法。误差矩阵（error matrix）又称混淆矩阵（confusion matrix），是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常，阵列中的列代表参考数据，行代表由遥感数据分类得到的类别数据。通过分析误差矩阵可以求出总体精度、用户精度、kappa 系数等参数，
9、通过这些参数总体评价整幅信息提取会图像的精度5 。Wang, H. Y.、Wang, X. Q.、Dou, A. X.（2012）鉴于 kappa 系数只能反映总体精度的不足，将地震预报效果评估的 R-VALUE 引入到针对图像某一特殊分类类别的精度评估中，生成了更加精细的误差矩阵。通过实验发现两种方法的精度评价结果相似，但 R-VALUE 方法可以得到比 kappa 系数评估方法丰富得多、精细得多的评估信息，借助这些信息可以得到更加精确的质量评估标准6, 7。3.遥感图像实时高速质量检测张帆、李学斌对传统的结构相似度（SSIM）和多尺度结构相似度（MS-SSIM）算法进行改进和优化（尺度变换
10、计算优化、亮度比较计算优化、对比度比较与结构比较优化、计算窗口的优化、多核处理器并行计算优化），设计了一种快速的图像质量评价算法，使其在不失准确性的前提下满足实时处理的要求。该算法选取了峰值信噪比（PSNR）与多尺度结构相似度（MS-SSIM）作为评价指标，借助德州大学的 LIVE 图像数据库在 DSP 嵌入式并行处理系统中运行比传统的 MS-SSIM 算法快近 16 倍，准确性只降低了 2%8。4.总结遥感图像信息的质量评价至关重要，发展至今以形成了许多有效的评价方法。但是遥感数据的质量评价是一个综合的过程，如何全面的解决质量评价问题成为一个重要的研究方向。遥感图像从获取到应用之间每个阶段内
11、都需整体评价，比如在原始图像中可以使用加权系数将噪声和云量两个指标结合进行质量评价，而且原始影像中还有其他影响质量的参数，这些参数都应该被整体考虑，整体参与评价。在对提取后的遥感图像进行质量检测时如何得到准确的误差矩阵是质量评价的关键。因此需要将其他领域的方法建设性地引入到遥感质量检测中产生更多可以提高质量检测的精度方法。同时在大数据时代，如和快速准确的检测遥感信息质量也越来越重要，但是目前关于图像的快速识别、检测方法相对较少，对信息提取后的数据质量的检测方法几乎没有，因此在快速检测方面亟需结合多领域知识进行深入研究。参考文献：1. 李建中 and 刘显敏, 大数据的一个重要方面 :数据可用性
12、 . 计算机研究与发展, 2013. 50(6): p. 1147-1162.2. 王荣彬, et al., 遥感影像的辐射质量评价方法 . 遥感信息, 2015(2).3. Wang, H.Y., X.Q. Wang, and A.X. Dou, Study on the Precision Evaluation Method for a Specific Category in the Classification of Remote Sensing Image. 2012 Ieee International Geoscience and Remote Sensing Symposium
13、 (Igarss), 2012: p. 978-981.4. Yuhai, L. and P. Shenlin, The quality assessment of fusion effect for remote sensing image. 2011: p. 2724-2727.5. Congalton, R.G., A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 1991. 37(1): p. 35-46.6. Wan
14、g, H., X. Wang, and A. Dou, Study on the precision evaluation method for a specific category in the classification of remote sensing image, in Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International. 2012: Munich. p. 978-981.7. Dou, A.X., X.Q. Wang, and M.W. Dou. A new approach to evaluate the accuracy of image classification result $R. in Geoscience and Remote Sensing Symposium, 2004. IGARSS 04. Proceedings. 2004 IEEE International. 2004.8. 张帆 and 李学斌, 高速遥感图像实时质量检测系统设计 . 电子测试, 2013(8): p. 10-11.
