本發(fā)明提供了一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，屬于遙感科學(xué)。

背景技術(shù)：

1、遙感影像應(yīng)用的重要前提是遙感影像質(zhì)量的穩(wěn)定，而輻射定標(biāo)是建立衛(wèi)星傳感器觀測值(計數(shù)值，電壓值等)與輻射物理量(輻亮度、反射率等)之間定量關(guān)系的過程，是衛(wèi)星遙感技術(shù)的關(guān)鍵環(huán)節(jié)，輻射定標(biāo)靶場的選取是輻射定標(biāo)的基礎(chǔ)工作，良好精確的定標(biāo)結(jié)果依賴于穩(wěn)定且各項地面及大氣特性良好的輻射定標(biāo)靶場的選取。

2、傳統(tǒng)的遙感輻射定標(biāo)場選取方法主要依靠人工評價空間均勻性與時間一致性篩選出滿足的地域，還存在以下問題：

3、(1)目前需要歷史再定標(biāo)的數(shù)據(jù)仍然龐大，對衛(wèi)星精度要求也進一步提高，現(xiàn)有的基于沙漠、戈壁等天然環(huán)境進行選取的靶場數(shù)量上已經(jīng)略顯不足，需要一種能夠大范圍的考慮要素全面的智能化選取方法。

4、(2)目前靶場場地特性在空間均勻性評價方面，利用變異系數(shù)評價會導(dǎo)致結(jié)果過于細碎，且不能反映大范圍區(qū)域整體特性情況，而利用getis統(tǒng)計量則不能統(tǒng)計目標(biāo)窗口內(nèi)的方差，無法很好反映目標(biāo)區(qū)域的空間均勻性，需要一種方法來綜合考量進行靶場的選取。

5、隨著衛(wèi)星發(fā)射數(shù)量的不斷增加，遙感影像的數(shù)量與質(zhì)量也在不斷提高，急需一種能夠自動化大范圍篩選靶場且考慮地氣特性更加全面的方法。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，包括以下步驟：

2、a：對多源時序遙感影像進行空譜分布特征提取，具體包括：

3、a1)特征波段選取分析；

4、a2)空間均勻性分析；

5、a3)時間一致性分析；

6、a4)地理分布特征分析；

7、b：采用mann-kendall算法對多源時序遙感影像進行紋理特征提取前的預(yù)處理，然后基于二維經(jīng)驗?zāi)B(tài)分解提取預(yù)處理后的多源時序遙感影像的紋理特征，并將紋理特征與空譜分布特征融合得到多源時序遙感影像的基本特征信息；

8、c：基于融合的基本特征信息對多源時序遙感影像進行無監(jiān)督分類學(xué)習(xí)得到靶場分布圖。

9、步驟a1)中通過對影像原本的波段賦予權(quán)重，選取特征波段，其中權(quán)重的計算是通過對影像波段的信息量與影像的噪聲估計值綜合加權(quán)疊加得到的。

10、影像波段的信息量通過灰度統(tǒng)計得到；

11、影像的噪聲估計值為整幅影像的噪聲值與灰度均值之比。

12、波段權(quán)重的計算公式如下：

13、

14、式中：bii為i波段的權(quán)重，n為波段索引，hi為i波段影像的信息量，hmin為影像的最小信息量，hmax為影像的最大信息量，nmin為影像的最小噪聲估計值，nmax為影像的最大噪聲估計值，所有波段權(quán)重總和為1；

15、藍波段受大氣污染嚴重，所以其權(quán)值為0，對于其他波段，根據(jù)上述公式計算權(quán)重。

16、步驟a2)中采用getis統(tǒng)計量或cv指數(shù)對經(jīng)過mann-kendall算法預(yù)處理后的多源時序遙感影像進的空間均勻性進行判斷。

17、步驟a3)中通過統(tǒng)計時序影像灰度值的均值和標(biāo)準(zhǔn)差判斷影像的時間一致性。

18、步驟a4)中的地理分布特征分析進一步包括：歸一化植被指數(shù)分析與歸一化建筑物指數(shù)分析。

19、步驟b中基于二維經(jīng)驗?zāi)B(tài)分解提取預(yù)處理后的多源時序遙感影像的紋理特征，具體實現(xiàn)步驟為：

20、采用二維經(jīng)驗?zāi)B(tài)分解遙感影像得到本征模態(tài)函數(shù)imf，提取除第一個imf外的順位三個imf分量，不足則復(fù)制末位imf分量進行補充，三個imf分量總體權(quán)重為3。

21、步驟c具體實現(xiàn)步驟如下：

22、基于無監(jiān)督學(xué)習(xí)分類靶場的提取要綜合之前提取的空間均勻性、時間一致性、地理分布特征與紋理特征，疊加原始影像與提取的特征，并通過構(gòu)建的權(quán)重完成特征的綜合考慮，得到特征遙感影像，利用k均值聚類方法對特征遙感影像聚類，在形態(tài)學(xué)操作以后對聚類結(jié)果進行分析，得到最終的遙感輻射定標(biāo)靶場分布圖。

23、在對遙感影像進行k均值聚類前，通過肘部法自動化確定最優(yōu)聚類中心數(shù)k；在對影像進行無監(jiān)督學(xué)習(xí)分類后，形成擁有k個類別的分布圖，對分布圖進行基本形態(tài)學(xué)操作后分析每一種類別，提取出靶場分布圖。

24、本發(fā)明相對于現(xiàn)有技術(shù)具備的有益效果為：

25、(1)綜合考慮遙感輻射定標(biāo)靶場圈定標(biāo)準(zhǔn)，以影像空譜分布特征為檢測基礎(chǔ)，結(jié)合對影像的長時間序列與信號域分解分析，通過結(jié)合長時間序列分析與經(jīng)驗?zāi)B(tài)分解，能夠利用多源長時間序列的遙感影像進行遙感輻射定標(biāo)靶場智能化提取，整體流程科學(xué)，且能夠在大范圍全地形智能化提取。

26、(2)利用mann-kendall算法對長時序遙感影像檢測，檢測出變化像元與擬穩(wěn)像元，對時序擬穩(wěn)像元進行空間均勻性評價比利用單一時刻影像進行評價更加合理科學(xué)。

27、(3)使用bemd算法提取影像的紋理特征，并作為圖像特征之一最后進行無監(jiān)督學(xué)習(xí)聚類，聚類結(jié)果面向?qū)ο螅崛〉陌袌鰠^(qū)域更加完整且能夠充分反映場地特性。

技術(shù)特征：

1.一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟a1)中通過對影像原本的波段賦予權(quán)重，選取特征波段，其中權(quán)重的計算是通過對影像波段的信息量與影像的噪聲估計值綜合加權(quán)疊加得到的。

3.根據(jù)權(quán)利要求2所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：影像波段的信息量通過灰度統(tǒng)計得到；

4.根據(jù)權(quán)利要求3所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：波段權(quán)重的計算公式如下：

5.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟a2)中采用getis統(tǒng)計量或cv指數(shù)對經(jīng)過mann-kendall算法預(yù)處理后的多源時序遙感影像進的空間均勻性進行判斷。

6.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟a3)中通過統(tǒng)計時序影像灰度值的均值和標(biāo)準(zhǔn)差判斷影像的時間一致性。

7.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟a4)中的地理分布特征分析進一步包括：歸一化植被指數(shù)分析與歸一化建筑物指數(shù)分析。

8.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟b中基于二維經(jīng)驗?zāi)B(tài)分解提取預(yù)處理后的多源時序遙感影像的紋理特征，具體實現(xiàn)步驟為：

9.根據(jù)權(quán)利要求1所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：步驟c具體實現(xiàn)步驟如下：

10.根據(jù)權(quán)利要求9所述的一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，其特征在于：在對遙感影像進行k均值聚類前，通過肘部法自動化確定最優(yōu)聚類中心數(shù)k；在對影像進行無監(jiān)督學(xué)習(xí)分類后，形成擁有k個類別的分布圖，對分布圖進行基本形態(tài)學(xué)操作后分析每一種類別，提取出靶場分布圖。

技術(shù)總結(jié)
本發(fā)明提供了一種融合信號域特征的遙感輻射定標(biāo)靶場提取方法，屬于遙感科學(xué)技術(shù)領(lǐng)域；解決了目前遙感影像定標(biāo)靶場無法自動化大范圍篩選靶場的問題；包括以下步驟：對多源時序遙感影像進行空譜分布特征提取，具體包括：特征波段選取分析；空間均勻性分析；時間一致性分析；地理分布特征分析；采用Mann?Kendall算法對多源時序遙感影像進行紋理特征提取前的預(yù)處理，然后基于二維經(jīng)驗?zāi)B(tài)分解提取預(yù)處理后的多源時序遙感影像的紋理特征，并將紋理特征與空譜分布特征融合得到多源時序遙感影像的基本特征信息；基于融合的基本特征信息對多源時序遙感影像進行無監(jiān)督分類學(xué)習(xí)得到靶場分布圖；本發(fā)明應(yīng)用于遙感輻射定標(biāo)靶場選取。

技術(shù)研發(fā)人員：李大成,徐兆鵬,喬慧嬌,曾健,趙航,楊毅,龐晨宇
受保護的技術(shù)使用者：太原理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6