[发明专利]一种基于质量分级和时空约束的全覆盖遥感影像筛选方法

说明书

本发明提出了一种基于质量分级和时空约束的全覆盖遥感影像筛选方法。首先基于深度学习的质量分级模型，以块为单位按确定的质量等级对影像进行质量分级；然后对质量分级后的影像中具有相同质量等级的相邻影像块进行合并组成区域影像块集；通过考虑感兴趣时刻的搜索算法确定满足目标区域全覆盖的最短时间跨度，并基于确定的最短时间跨度进行约束，在区域影像块集中选取成像时间在最短时间跨度内的区域影像块构建候选数据集；最后在建立的空间连续性约束下，优选候选数据集中质量更好、面积更大的数据，得到最终筛选结果。本发明适用于全覆盖遥感影像生成，提高了遥感影像的利用率，缩短了筛选结果的成像时间跨度，保证了结果中地物的辐射连续性。

技术领域

本发明属于遥感图像处理与分析领域，涉及一种全覆盖遥感影像生成的影像筛选方法。

背景技术

环境监测、农业估算以及资源调查等诸多领域均需将遥感影像合并成更大的影像以进行大面积应用分析。然而遥感影像成像时由于云的影响，影像中不可避免存在云覆盖区域；同时为了保证合成影像满足全覆盖要求，合成影像的成像时间跨度通常很长；这些问题均可能导致合成影像无法满足实际应用需求。因此，以提升合成影像质量和时效性为目标展开影像筛选研究十分必要。

目前已有的影像筛选方法主要包括基于影像的方法，基于瓦片的方法和基于像素的方法等。由于在实际应用中，完全无云的遥感影像数量较少，大多数遥感影像都或多或少存在云覆盖区，因此采用基于影像的方法会造成影像利用率低且合成影像会具有较长的时间跨度；尤其对于多云多雨区域，这种现象更为严重。基于瓦片的方法大多没有在局部区域内最大程度地使用同一影像的瓦片数据，因此可能会造成最终全覆盖合成图像中地物不连续的现象。基于像素的方法以像素为单位生成全覆盖整个区域的影像，由于实践中相邻像素的值可能来自不同的影像，这可能会导致最终全覆盖影像中出现许多不连续的部分；而且这类方法生成的最终全覆盖影像的成像时间跨度也没有得到优化。

发明内容

本发明的目的在于针对现有技术的缺点和不足，提出了一种基于质量分级和时空约束的全覆盖遥感影像筛选方法。该方法通过质量分级算法对遥感影像以块为单位确定质量等级；同时一方面考虑感兴趣时刻因素，采用一定的策略尽可能缩短筛选结果的成像时间跨度；另一方面，尽可能保证质量较好、面积较大的数据被优先选择，以提高结果的辐射连续性。

根据上述分析，本发明提出的基于质量分级和时空约束的全覆盖遥感影像筛选方法，采用质量分级算法以块为单位对遥感影像进行质量分级；在此基础上，利用最短时间跨度约束和空间连续性约束，提高影像筛选结果的时效性和辐射连续性，从而为全覆盖影像生成提供质量更好和时间跨度更短的数据。

本发明采用如下技术方案：

一种基于质量分级和时空约束的全覆盖遥感影像筛选方法，包括以下步骤：

步骤1，确定遥感影像质量等级，对待筛选遥感影像进行分块，以块为单位按确定的质量等级进行质量分级，确定遥感影像中各影像块的质量等级。包含以下子步骤：

步骤1.1，确定遥感影像质量等级，根据确定的遥感影像质量等级建立遥感影像质量评价样本数据集，采用基于深度学习的方法结合遥感影像质量评价样本数据集进行训练，得到遥感影像质量分级模型；

步骤1.2，对待筛选的遥感影像，按一定大小进行分块，基于建立的质量分级模型对其以块为单位进行质量分级，确定遥感影像中各影像块的质量等级。

步骤2，以步骤1中质量分级结果为基础，使用区域生长算法[1]将影像块逐一作为种子点，搜索邻域中具有相同质量等级的影像块进行合并；按设置的最小面积阈值选取面积大于阈值的区域影像块组成区域影像块集。