一种广义云驱动与几何协同遥感影像辐射校正方法及系统

摘要

本发明公开了一种广义云驱动与几何协同下遥感影像辐射校正方法，本发明通过广义云驱动的控制信息对带校正影像进行初始配准，并根据几何信息协同关联感兴趣区域ROIs，基于位置不确定性优选ROIs，基于机器学习方法根据广义云提供的土地利用/土地覆被LULC先验信息进行分类；本发明根据时间变化信息把地物类别光谱划分为潜在变化和稳定类别，并枚举所有类别光谱进行组合；本发明针对类别光谱组合结果，选择多模型进行辐射校正，并采用随机抽样一致性策略来控制变化像元)的扰动，通过精度评价得到最优的光谱组合和最佳辐射校正模型；本发明针每个环节产生的多源误差和模型误差先进行不确定性估计，后逐步执行质量控制来提高数据质量和提升模型精度。

说明书

技术领域

本发明属于遥感影像辐射校正技术领域，涉及一种遥感影像辐射校正方法及系统，具体涉及一种广义云驱动与几何协同遥感影像辐射校正方法及系统。

背景技术

遥感影像辐射校正是遥感数据处理应用的基础内容之一，奠定了多源、多时相遥感时序分析的基础。由于光照条件、大气效应、传感器差异、时序差异等因素，通常导致不同影像上相同地物的光谱特征存在明显的差异。因此，需要通过辐射校正消除非地物变化导致的辐射特征差异。

当前的辐射校正校正方法中存在以下问题：

1)在大数据时代现有的云控制方法中，只考虑了几何信息作为先验知识，而未考虑辐射和地物分类结果的先验知识；

2)现有辐射校正方法几乎都割裂了几何与辐射的对立统一性关系，较少顾及几何对辐射校正的精度影响；

3)现有方法通过提取不变特征进行辐射校正，采用统一的模型校正所有地物类别的辐射差异，没有考虑不同地物光谱变化的特殊性；

4)现有方法采用统一的模型(多为线性模型)校正所有的辐射差异，忽略了不同模型(线性和非线性模型)的特殊性；

5)现有方法没有解决数据处理中的不确定性问题，在数据处理流程中误差传播导致辐射校正精度降低。

发明内容

为了解决上述技术问题，本发明提出了一种广义云驱动与几何协同下遥感影像辐射校正方法及系统。

本发明的方法所采用的技术方案是：一种广义云驱动与几何协同遥感影像辐射校正方法，包括以下步骤：

步骤1：混合光谱提纯；

通过广义云驱动的控制信息对待校正影像进行初始配准，并根据几何信息协同关联感兴趣区域ROIs(Regions of interest，ROIs)，然后基于位置不确定性优选感兴趣区域ROIs，最后基于机器学习方法根据广义云提供的土地利用和土地覆被LULC(Land use/landcover,LULC)先验信息进行分类；

步骤2：光谱组合分类；

根据时间变化(时变)信息把地物类别光谱划分为潜在变化和稳定类别，并枚举所有类别光谱进行组合；

步骤3：辐射模型优选；

针对类别光谱组合结果，选择多模型进行辐射校正，并采用随机抽样一致性(Random sample consensus，RANSAC)策略来控制变化像元(粗差)的扰动，通过精度评价得到最优的光谱组合和最佳辐射校正模型；

步骤4：利用获得的最优的光谱组合和最佳辐射校正模型进行遥感影像辐射校正。

本发明的系统所采用的技术方案是：一种广义云驱动与几何协同遥感影像辐射校正系统，包括以下模块：

模块一，用于混合光谱提纯；

通过广义云驱动的控制信息对待校正影像进行初始配准，并根据几何信息协同关联感兴趣区域ROIs(Regions of interest，ROIs)，然后基于位置不确定性优选感兴趣区域ROIs，最后基于机器学习方法根据广义云提供的土地利用和土地覆被LULC(Land use/landcover,LULC)先验信息进行分类；

模块二，用于光谱组合分类；

根据时间变化(时变)信息把地物类别光谱划分为潜在变化和稳定类别，并枚举所有类别光谱进行组合；

模块三，用于辐射模型优选；

针对类别光谱组合结果，选择多模型进行辐射校正，并采用随机抽样一致性(Random sample consensus，RANSAC)策略来控制变化像元(粗差)的扰动，通过精度评价得到最优的光谱组合和最佳辐射校正模型；

模块四，用于利用获得的最优的光谱组合和最佳辐射校正模型进行遥感影像辐射校正。

相对于现有技术，本发明的有益效果是：

1)本发明引入广义云控制信息，通过协同几何信息进行辐射校正。而当前的辐射校正方法，只使用辐射信息进行校正，几乎都割裂了几何与辐射的对立统一性关系，没有考虑由于几何配准导致的空间位置的不确定性对于辐射校正的影响；

2)本发明能校正线性变化和非线性变化导致的辐射误差。现有校正方法通常基于伪不变特征点采用线性辐射校正模型进行，只能解决线性问题。本发明通过先验知识划分潜在变化和稳定类别光谱信息，采用多种模型(线性和非线性模型)进行辐射校正，通过区别解决线性和非线性问题，提高校正精度；

3)本发明通过基于广义云驱动信息进行土地利用和土地覆被LULC分类，通过对不同类别的光谱信息组合，选择多模型对比，优选最优光谱和最优模型进行辐射校正。现有方法，通常采用单一类别进行统一校正，没有考虑不同土地利用和土地覆被LULC类别变化的特殊性；

4)本发明通过逐步骤对辐射校正的全流程进行不确定分析和质量控制，减少误差转播，提升总体匹配精度。现有的方法没有进行质量控制，在辐射校正的各个步骤中形成的误差累积影响了整体精度的提高。

附图说明

图1是本发明实施例的方法流程图。

图2是本发明实施例中基于几何协同提取稳健的地物类别的辐射值的ROIs。

图3是本发明实施例中构建参考影像与待校正影像的辐射校正关系示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种广义云驱动与几何协同遥感影像辐射校正方法，包括以下步骤：

步骤1：混合光谱提纯；

本实施例通过广义云驱动的控制信息(经过辐射定标的历史DOM和几何控制信息和历史LULC类别属性信息(来源于历史LULC矢量数据))对待校正影像进行初始配准，并根据几何信息协同关联感兴趣区域(Regions of interest，ROIs)，然后基于位置不确定性优选ROIs，最后基于机器学习方法根据广义云提供的土地利用/土地覆被(Land use/landcover,LULC)先验信息进行分类。

步骤1.1：基于广义云驱动的初始配准关联ROIs。

广义云驱动提供精准的辐射、几何和LULC类型属性作为控制信息。辐射控制信息主要是经过辐射定标的历史数字正射影像(Digital Orthophoto Map，DOM)产品，包含土地利用和土地覆被LULC专题信息的历史数字划线地图DLG产品将提供精确的几何控制信息和LULC类别信息，通过将上述DOM和DLG产品与待校正遥感影像套合与协同，依据DLG产品的几何边界和LULC属性信息获得辐射校正所需的不同地物类别的ROIs。

步骤1.2：基于几何协同进行初始配准关联RIOs。

本实施例基于广义云驱动数据与待校正影像协同配准。将广义云驱动中的历史DOM和LULC几何矢量分别与待校正影像的配准。分别在云控制数据和待校正影像上选取同名控制点，根据同名点坐标之间的关系采用几何校正模型通过坐标变化进行几何纠正。本发明采用多项式模型进行几何校正，上述方法都为成熟的技术模型，本发明不予赘述。

步骤1.3：基于几何信息协同确定矢量图斑面要素的边界的不确定区域。

本实施例通过上述步骤1.2初配准之后，将LULC矢量数据与待校正影像套合。地理配准通常会导致的像元位置的偏移，配准误差不可避免的会产生空间位置的不确定性问题，根据图斑边界线元的误差椭圆构建面要素的不确定“误差G-带”，从而根据线元的误差带构建面元要素边界的位置的不确定区域，即“误差G-带”。

步骤1.4：选择稳健的ROIs。

本实施例根据随机过程理论，通过构建面要素的不确定广义误差带(TheGeneralized Error Band,简称误差“G-带”)，去除由于不同影像间配准导致的图斑边界的辐射误差(即“误差G-带”的区域范围)，从而通过协同几何控制信息选择图斑边界内在空间位置上较为稳健的混合光谱的置信区域作为ROIs(如图2)。

步骤1.5：基于机器学习的图斑分类。

本实施例利用广义云的LULC类别信息协同选择待校正影像中ROIs内部的像元进行分类。采用聚类分析方法，根据LULC信息聚类计算不同地物类别的辐射信息重心，根据马氏距离测算待校正影像对象内的像元到聚类类别重心的最短距离结果，作为初始分类结果，同时剔除ROIs内非同类属性的像元，从而进一步提纯像元。尽管聚类分析性能一般，但考虑到遥感影像中光谱样本非常大，若存在一定量的漏分类，并不会影响辐射校正所需样本量；若存在错分类，后面还有随机抽样一致性的粗差控制策略进行剔除。所以，考虑效率聚类分析是一个折中选择，当然，还可以选择更优的分类器(例如：深度学习)进行分类，也会作为备选的研究方案。

步骤1.6：变化检测。

本实施例对ROIs图斑进行变化检测，与广义云驱动的LULC信息协同比较，其中图斑内像元属性变化的比例超过设定阈值，则视为变化图斑，否则为非变化图斑。对于变化的图斑，采用语义分割更新几何和属性特性。通过协同变化信息进一步分类像元。

步骤2：光谱组合分类；

本实施例根据时间变化(时变)信息把地物类别光谱划分为潜在变化和稳定类别，并枚举所有类别光谱进行组合；

地物类型会随时间变化(时变)发生变化，导致地物光谱的变化，而这会产生辐射校正的异常值(粗差)，故需进行分类处理，即：不变类别的像元校正不变类别的像元，变化类别的像元校正变化类别的像元。首先，根据时变的先验知识，将地物分为稳定类别主要包括：建筑和道路等；以及潜在变化类别主要包括：植被和河流等。然后，同分类结果作为控制信息进行光谱组合，从而为获取最优的辐射校正结果提供基础的光谱组合。

步骤3：辐射模型优选；

本实施例针对类别光谱组合结果，选择多模型进行辐射校正，并采用随机抽样一致性(Random sample consensus，RANSAC))策略来控制变化像元(粗差)的扰动，通过精度评价得到最优的光谱组合和最佳辐射校正模型；

步骤3.1：如图3，采用多模型优选策略，建立参考影像与待校正影响之间的辐射校正映射关系；

g

其中g()表示参考影像的灰度值函数，f()表示待校正影像的灰度值数函数，i表示影像的第i个波段，(X

本实施例针对不同的光谱组合分类结果，选择多种辐射模型，提高模型的适用性，通过多模型结果比较，选择最优校正模型；其中可选的模型分为两类：

第一类：统计模型，包括公式(2)描述的线性函数模型，公式(3)描述的高阶多项式模型，公式(4)描述的对数函数模型，公式(5)描述的幂函数公式，公式(6)描述的指数函数模型；

第二类：机器学习模型，包括SVM回归(Support vector machine regression,SVMR)，贝叶斯回归(Bayesian regression，BR)，随机森林回归(Random forestregression，RFR)，神经网络回归(Quantile regression neural network，QRNN)；

g

g

g

g

其中a,b,k,a

步骤3.2：采用随机抽样一致性策略来控制变化像元(粗差)对校正模型的扰动；该算法可根据不同的校正模型，选择对模型支持度(一致性)最大的像元，从而探测出不一致的样本(变化像元，外点集)，即同时优选出了不变像元(内点集)。该方案最大的优点在于，可以顾及非线性条件下的光谱异常(外点集)。由于，检索的云控制数据与待校正影像在时相上尽可能接近，所以影像中变化的地物所占比例远小于不变的地物，故该算法的前提条件完全可以满足。

步骤3.3：通过精度评价对比，精选最佳光谱组合和最优辐射校正模型；

本实施例采用性能评价策略，兼顾精度和速度选择最优辐射校正模型。精度评价采用均方根误差计算(Root-mean-square，RMSE)，将不变像元(内点集)分为辐射控制集和辐射验证集，使用交叉验证来评估精度；同时兼顾速度，对于相对的运行时间较多算法，如果精度提升不大，会均衡考虑从而确定最优的光谱组合和最佳辐射校正模型。

步骤4：利用获得的最优的光谱组合和最佳辐射校正模型进行遥感影像辐射校正。

本实施例还针对步骤1-步骤3中每个环节产生的多源误差和模型误差先进行不确定性估计，后逐步执行质量控制来提高数据质量和提升模型精度；其中，多源误差包括粗差、偶然误差和系统误差；

其中，针对粗差、偶然误差和系统误差，采用随机抽样一致性(RANSAC)、贝叶斯抽样一致性(Bayes Sampling Consensus，BaySAC)、加权最小二乘和总体最小二乘等方法控制误差，通过对比不同方法的效果，得到最优的输出结果；针对模型误差，不同的光谱分类组合，不同的校正模型的应用性不同，通过对比多种统计模型和机器学习模型，选择最优的输出结果；

针对整个自动化技术流程中的不确定性问题，质量控制将贯穿始终，采用的方法将执行多方法均衡优选策略，兼顾精度和速度选择最优结果。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。