[发明专利]影像噪声定位方法及系统

说明书

本发明公开了一种影像噪声定位方法及系统，涉及图像分析领域，用于实现：通过构建样本数据对模型进行学习训练，选取需质检的遥感影像，计算分析，判定该影像中条带噪声的严重程度。本发明的有益效果为：对遥感影像中条带噪声检测定位速度快，效率高，能客观且快速地定位遥感影像中条带噪声的位置，以及判断该影像中条带噪声的严重程度，为条带去噪快速提供条带噪声定位信息。有助于海量遥感数据处理，从而提高遥感影像数据生产效率。

技术领域

本发明涉及图像分析领域，特别涉及一种影像噪声定位方法及系统。

背景技术

光学遥感卫星成像一般采用CCD线阵推扫的方式，由于探测器每个探元间的响应差异，导致推扫成像时容易产生条带噪声，严重影响影像产品质量和后续应用。针对影像的条带噪声去除和结果评价是辐射处理和质检的重要步骤。在影像辐射质检过程中，目前经典的条带噪声评价方法，如条纹系数、列均值方法等，难以准确量化和衡量影像整体的条纹噪声情况和去除效果，使得辐射质检评价结果有时不能准确表征影像的实际质量。在这种情况下，往往需要人工目视判读的方法对影像有无条带进行评价，严重影响了工作效率，且易受人为主观影响，不利于实际工作需要。现今未有相关文献记载条带噪声定位的相关研究，而现有的去除条带噪声的算法多是基于辐射定标参数对全幅遥感影像进行去噪处理，且假设探测器响应呈线性，不考虑不同地物的局部差异性。处理后容易产生局部条带噪声。

发明内容

为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供一种影像噪声定位方法及系统，通过构建样本数据对模型进行学习训练，选取需质检的遥感影像，计算分析，判定该影像中条带噪声的严重程度。

本发明解决其问题所采用的技术方案第一方面是：一种影像噪声定位方法，其特征在于，包括以下步骤：S10、采集光谱影像作为样本数据并进行预处理；S20、构建条带噪声判别模型，基于所述样本数据对所述条带噪声判别模型进行机器学习训练；S30、将待定位的光谱影像作为所述条带噪声判别模型的输入源，经过所述模型判别后生成判别结果，根据所述判别结果得到条带噪声的位置信息以及噪声值。

有益效果：对遥感影像中条带噪声检测定位速度快，效率高，能客观且快速地定位遥感影像中条带噪声的位置，以及判断该影像中条带噪声的严重程度，为条带去噪快速提供条带噪声定位信息，有助于海量遥感数据处理，从而提高遥感影像数据生产效率。

根据本发明第一方面所述的，S10包括：S11、通过光学遥感卫星进行光谱影像数据采集，获得一定数量的原始遥感数据；S12、对所述原始遥感数据分类并按指定尺寸进行裁剪；S13、将裁剪后的所述遥感数据按照有无条带噪声进行分类，得到样本数据集。

根据本发明第一方面所述的，S20包括：S21、基于卷积神经网络组建条带噪声分类模型； S22、基于所述样本数据对所述条带噪声分类模型进行训练，根据训练结果与样本数据进行对比，进行损失修正，得到条带噪声判别模型；S23、判断所述条带噪声判别模型是否拟合，若是则模型训练完成，否则返回执行步骤S22。

根据本发明第一方面所述的，S21包括：基于卷积神经网络分别组建输入模型、条带噪声特征提取模型以及分类输出模型。

根据本发明第一方面所述的，S22包括：基于所述样本数据经过多层卷积网络计算得到预测标签，根据所述预测标签判断是否存在条带；根据预测标签的判断结果与真实样本数据标签进行计算，获得预测损失值；将所述预测损失值作为所述多层卷积网络的各个网络中的反馈输入，用以更新所述输入模型、所述条带噪声特征提取模型以及分类输出模型的参数。

根据本发明第一方面所述的，S20还包括：S24、构建分类激活热力图模型，并将所述条带噪声判别模型作为前置模型；S25、将所述条带噪声判别模型输出的一维特征作为所述分类激活热力图模型的输入源；S26、所述分类激活热力图模型对所述输入源进行热力图计算，获取置信度；S27、基于所述置信度对所述一维特征进行加权求和，得到一维的类激活热力图。