一种卫星相机谱段设置的确定方法
【专利摘要】本发明一种卫星相机谱段设置的确定方法，包括：输入光学遥感卫星获取的多光谱图像，进行图像预处理；利用eCognition软件对多光谱影像进行分类样本和评价样本的选择；对多光谱影像进行相同分类样本、相同分类算法、不同谱段特征的监督分类；利用混淆矩阵计算相同评价样本、不同波段特征得到分类结果的精度，给出该光学遥感卫星多光谱相机波段设置的确定结果。本发明能有效的评价和确定光学遥感卫星多光谱相机对不同地面应用的波段设置是否合理，以及针对不同地面应用的最优波段选择，为空间相机波段设置指标的设计和优化提供参考。
【专利说明】
一种卫星相机谱段设置的确定方法
技术领域
[0001] 本发明属于卫星相机指标体系设计领域，主要涉及卫星相机谱段设置的确定方 法，具体涉及一种基于土地覆盖分类的光学遥感卫星多光谱相机谱段参数设置的确定方 法。
【背景技术】
[0002] 我国目前的对地观测小卫星主要搭载以光学成像为遥感手段的全色多光谱相机， 卫星相机的指标设计是整个卫星设计中的重点和难点，卫星相机的总体技术指标主要包 括:工作谱段、分辨率(空间分辨率、光谱分辨率、辐射分辨率、时间分辨率等）、指向性能要 求、测量精度、MTF、动态范围、信噪比等。目前相机的指标主要是在分析用户的观测任务的 基础上提出的，如发现、识别和确认何种的目标和目标的位置精度等，转换为空间相机的总 体技术指标，再根据技术发展的水平，选择相机研制的技术路径;根据继承性和进度要求， 确定相机所用的方案和元器件，最终完成空间相机的生产、测试和交付。
[0003] 按照这种模式研制出来的遥感卫星可以很好的满足用户的对地观测需求，尤其是 空间分辨率、重访周期、幅宽等指标的不断优化和提升，使得遥感数据无论是军用侦查还是 民用普查领域，都起到了举足轻重的作用。但是，随着定量遥感和遥感图像信息提取技术的 发展，地面应用已经不仅仅局限于目视观测，从地面信息提取的角度来设计和确定空间相 机的指标更能满足未来遥感卫星星地一体化的设计理念和遥感数据的应用需求。
【发明内容】
[0004] 本发明解决的技术问题是:针对如何从遥感地面应用角度对卫星相机的设计指标 确定和优化的问题，提供一种基于土地覆盖分类的卫星相机谱段设置的确定方法，能够给 出卫星设计中应该优先保证的谱段，为卫星指标设计的优化提供参考。
[0005] 本发明的技术方案:一种卫星相机谱段设置的确定方法，包含以下步骤：
[0006] 1)对卫星空间相机获得的多光谱图像进行数据预处理;所述多光谱图像包括蓝谱 段、绿谱段、红谱段和近红外谱段；
[0007] 2)对经过所述步骤1)处理后的多光谱影像进行多尺度分割；
[0008] 3)对经过所述步骤2)分割处理后的影像，根据事先设定好的类别体系进行分类样 本和评价样本的选择；
[0009] 4)对经过所述步骤2)分割处理后的影像，利用步骤3)选取的分类样本，进行相同 分类样本、相同分类算法、不同谱段光谱特征的监督分类；
[0010] 5)对经过所述步骤4)处理后的分类结果，利用步骤3)选取的评价样本，进行相同 评价样本、相同评价算法的分类结果精度评价；
[0011] 6)根据步骤5)处理后的精度评价结果，对比分析出卫星空间相机对于土地覆盖分 类应用的谱段设置优劣排序，从而确定光学遥感卫星多光谱相机对不同地面应用的波段设 置是否合理，以及针对不同地面应用的最优谱段，为空间相机波段设置指标的设计和优化 提供参考。
[0012] 所述步骤1)中的数据预处理指对卫星空间相机获得的多光谱影像进行系统几何 校正、系统辐射校正操作。
[0013] 所述步骤2)中的多尺度分割是指利用eCognition软件的多尺度分割工具，通过设 置尺度参数、形状参数和紧凑度参数进行多尺度分割。
[0014] 所述步骤3)中的类别体系是指土地覆盖分类的类别体系，包括建设用地、耕地、园 林地、水体、未利用地。
[0015] 所述步骤3)中的分类样本选择是指利用eCognition软件的样本选择工具，针对类 别体系中的每一类进行训练样本的选择，训练样本用于后续的监督分类。
[0016] 所述步骤3)中的评价样本选择是指利用eCognition软件的样本选择工具，针对类 别体系中的每一类进行评价样本的选择，评价样本用于后续的分类结果精度评价。
[0017] 所述步骤4)中的监督分类是指利用最邻近分类器，分别以蓝谱段、绿谱段、红谱 段、近红外谱段的光谱均值作为特征进行四次监督分类。
[0018] 所述步骤5)中的精度评价是指针对步骤4)得到的四个分类结果，利用步骤3)所选 的评价样本，计算不同类别基于混淆矩阵的生产者精度、用户精度、总体精度和Kappa系数。
[0019] 所述步骤6)中的谱段设置优劣排序是指根据步骤5)不同谱段光谱均值得到的4组 分类结果的总体精度和Kappa系数，对卫星相机谱段在土地覆盖分类中的优劣进行由高到 低排序，确定卫星相机的谱段设置以及相机制造中优先保证的谱段；
[0020] 所述步骤6)中的谱段设置优劣排序是指对步骤5)不同谱段光谱均值得到的4组分 类结果中某类别的用户精度和生产者精度进行由高到低排序，确定针对某种地类信息提取 的卫星相机的谱段设置以及相机制造中优先保证的谱段。
[0021]本发明与现有技术相比的优点在于:提出了一种基于土地覆盖分类的卫星相机谱 段设置的确定方法，从应用精度的角度反推相机指标，填补了从地面应用角度评价和确定 卫星相机指标设计的方法空白，解决了卫星数据地面应用与卫星指标设计相脱节的问题。 本方法中如果分析得到某个谱段对分类精度贡献小，相机谱段设置的时候可以考虑取消； 如果某个谱段对分类精度贡献大，相机谱段设置的时候要坚决予以保证和提高辐射定标的 精度。本发明与现有的从光学设计的角度确定谱段设置的方法相比，具有应用目标明确、原 理清晰、操作步骤简单、成本小的优点，不需要大型的外场测量和试验，为后续空间相机指 标的设计和优化提供了可行的方法，也为天地一体化设计分析提供一种方法借鉴。
【附图说明】
[0022]图1是本发明实施例的一种卫星相机谱段设置评价方法的流程图；
[0023]图2是监督分类的流程图；
[0024]图3是本发明所用实例GF-1卫星2m/8m相机多光谱影像；
[0025]图4是本发明所用实例土地覆盖分类所建立的类别体系；
[0026]图5是本发明所用实例中分类结果精度评价的对比图；
【具体实施方式】
[0027]本发明以高分一号(GF-1)卫星2m/8m相机多光谱影像例，说明一种卫星相机谱段 设置确定方法的【具体实施方式】。实验影像的拍摄时间为2013年8月，试验区缩略图如图3所 示。下面结合附图对本发明进一步说明。
[0028]如图1所示，是本发明实施卫星相机谱段设置确定方法的流程图，本实施例包括如 下步骤：
[0029]步骤1、对卫星空间相机获得的多光谱图像进行数据预处理；
[0030]对获取到的高分一号多光谱数据进行系统的几何校正和辐射校正，预处理完成后 的结果如图3所示；
[0031] 步骤2、对经过所述步骤1处理后的多光谱影像进行多尺度分割；
[0032] 所述步骤2中的多尺度分割是一种从单像素对象开始的自下而上的区域合并技 术。在自下而上的步骤中，小的影像对象合并为大的对象，在两两聚类过程中，包含的优化 过程将影像对象的异质性权重最小化。在每一步中，相邻影像对象如果符合规定的异质性 的最小生长条件，则被合并。如果最小生长超过了由尺度参数定义的阈值时，该过程就停 止。多尺度分割实质就是一个局部最优化的过程。具体步骤如下：
[0033] (1)设置分割参数，包括设定一个尺度阈值即停止像素合并条件。影像分割的重要 参数有图层权重、尺度参数、参数颜色、光滑度和紧凑度等。根据不同图层对分割结果的重 要性和适宜性，给每个图层赋予不同的权重;根据分类任务和感兴趣的目标来确定尺度参 数;根据影像信息纹理特征及所提取专题信息要求确定光谱因子与形状因子的权重;在形 状因子中，根据大多数地物类的结构属性确定光谱因子与形状因子的权重。
[0034] (2)执行分割。影像的分割以任意影像中一个像素为中心开始分割，第一次分割时 单个像素被看作一个最小的多边形对象参与异质性值的计算;第一次分割完成后，以生成 的多边形对象为基础进行第二次分割，同样计算异质性值，若其小于给定的阈值，则继续进 行多次的分割，相反则停止影像的分割工作，形成一个固定尺度值的影像对象层。
[0035]本实例利用eCognition软件的多尺度分割工具，设置尺度参数为110、形状参数为 〇. 1、紧凑度参数为〇. 5进行多尺度分割。
[0036]步骤3、对经过所述步骤2分割处理后的影像，根据事先设定好的类别体系进行分 类样本和评价样本的选择；
[0037]本实例采用的数据来自GF-1卫星，该卫星的主要目的是进行土地利用调查，本发 明针对该卫星的特点建立分类体系包括建设用地、耕地、园林地、水体、未利用地等，为了提 高分类的精度，耕地又进一步分为裸露的耕地、植被高密的耕地和植被稀疏的耕地，如图4 所示；
[0038] 建立类别体系后，首先需要针对每个类别选择训练样本，然后针对每一类别进行 评价样本的选择。
[0039] 步骤4、对经过所述步骤2分割处理后的影像，利用步骤3选取的分类样本，进行相 同分类样本、相同分类算法、不同谱段光谱特征的监督分类；
[0040] 所述步骤4中的监督分类是指根据对象的特定特征和专家知识库进行匹配，求出 最大相似度，然后把对象归为该类，实现影像的分类。具体步骤为:首先根据类别的先验知 识确定判别函数和相应的判别准则，其中利用一定数量已知类别的训练样本的观测值确定 判别函数中待定参数的过程称之为学习或者训练，然后将未知类别的样本观测值代入判别 函数，再根据判别准则对该样本的所属类别作出判定，监督分类的过程如图2所示。
[0041]本实例利用eCognition软件的最邻近分类器，分别以蓝谱段、绿谱段、红谱段、近 红外谱段的光谱均值作为特征进行四次监督分类，得到四个分类结果。
[0042] 步骤5、对经过所述步骤4处理后分类结果，利用步骤3选取的评价样本，进行相同 评价样本、相同评价算法的分类结果精度评价；
[0043] 所述步骤5中的分类精度评价采用了基于混淆矩阵的精度评价方法。混淆矩阵是 用来表示精度评价的一种标准格式。混淆矩阵是n行n列的矩阵，其中n代表类别的数量。混 淆矩阵一般可表达为以下形式，如表1所示。该矩阵的列为参考影像信息（即通过人工解译 得到的地面真值），行为被评价影像分类结果信息（即通过算法自动提取得到的观测值），行 与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目，样本数可以 为像元数目或者分割对象数目。
[0044] 矩阵的主对角元素(X11，X22, ???x?)为被分到正确类别的样本数，对角线以外的元 素为遥感分类相对于参考数据的错误分类数，最右边一列是每类别在分类图上的总数量， 而底部的一行显示的是每类别在参考图上的总数量。其中，是分类数据中第i类和参考数 据类型第j类的分类样本数;& 为分类所得到的第i类的总和;心/ = 1；今为参考数 /-i /-I 据的第j类的总和;N为评价样本总数。
[0045] 表1通用的混淆矩阵表
[0048] 基于混淆矩阵，可以统计一系列评价指标对分类提取结果进行评价，基本的评价 指标如下：
[0049] (1)总体精度：
[0051]总体精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的 结果与参考数据所对应区域的实际类型相一致的概率。
[0052] (2)用户精度：
[0054]用户精度表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型 相同的条件概率。
[0055] (3)生产者精度：
[0057]生产者精度表示相对于参考数据中的任意一个随机样本，分类图上同一地点的分 类结果与其相一致的条件概率。
[0058] (4)Kappa 系数
[0059]总体精度、用户精度指标的客观性依赖于采样样本以及方法，在用这些指标分析 后，仍需要一个更客观的指标来评价分类质量。Kappa分析是一种定量评价遥感分类图与参 考数据之间一致性或精度的方法，它采用离散的多元方法，更加客观地评价分类质量，克服 了混淆矩阵过于依赖样本和样本数据的采集过程。Kappa分析产生的评价指标被称为K hat# 计，是一种测定两幅图之间吻合度或精度的指标。
[0061]式中，n是混淆矩阵中总列数（即总的类别数）；如是混淆矩阵中第i行、第i列上样 本数量，即正确分类的样本数目；XljPx+1*别是第i行和第i列的总样本数量;N是总的用于 精度评估的样本数量。长期以来不少学者对于分类精度的评价进行了研究，研究结论认为， 1^*值>0.80表示分类图和地面参考信息间的一致性很大或精度很高，K hat值在〇. 40-0.80表 示一致性中等，Khat值小于0.40表示一致性很差。任何负的Khat值都表示分类效果差，但负值 的范围取决于待评价的混淆矩阵，因此负值大小并不能表示分类效果。
[0062]利用混淆矩阵计算本实例四个谱段分类结果的生产者精度、用户精度、总体精度 和Kappa系数如表2_表5所不。
[0063]表2蓝谱段分类精度评价
[0066]表3绿谱段分类精度评价
[0071 ]表5近红外谱段分类精度评价
[0073] 步骤6、根据步骤5处理后的精度评价结果，对比分析出卫星空间相机对于土地覆 盖分类应用的谱段设置优劣排序，给出空间相机谱段设计的参考意见；
[0074] 本实例将利用各谱段光谱特征进行监督分类得到的精度绘制对比图如图5所示， 从总体精度和Kappa系数评价结果可以看出，近红外谱段分类精度最高，总体精度达到了 87? 6%，Kappa系数高达0? 849，红谱段的精度最低，总体精度为71 ? 9%，Kappa系数仅0? 666， 由此可以得出对于土地覆盖信息提取这一地面应用，空间相机谱段设置的重要性顺序为： 近红外谱段〉蓝谱段〉绿谱段〉红谱段，因此在设计面向国土应用方面的空间相机时，谱段设 置应该至少包含近红外谱段，并且应该优先保证近红外谱段的性能以及该谱段辐射定标的 精度，提高地面获取的近红外谱段信息的质量和精度，自然也就能提高土地覆盖信息提取 的精度。
【主权项】
1. 一种卫星相机谱段设置的确定方法，其特征在于包含以下步骤： 1) 对卫星空间相机获得的多光谱图像进行数据预处理;所述多光谱图像包括蓝谱段、 绿谱段、红谱段和近红外谱段； 2) 对经过所述步骤1)处理后的多光谱影像进行多尺度分割； 3) 对经过所述步骤2)分割处理后的影像，根据事先设定好的类别体系进行分类样本和 评价样本的选择； 4) 对经过所述步骤2)分割处理后的影像，利用步骤3)选取的分类样本，进行相同分类 样本、相同分类算法、不同谱段光谱特征的监督分类； 5) 对经过所述步骤4)处理后的分类结果，利用步骤3)选取的评价样本，进行相同评价 样本、相同评价算法的分类结果精度评价； 6) 根据步骤5)处理后的精度评价结果，对比分析出卫星空间相机对于土地覆盖分类应 用的谱段设置优劣排序，从而确定光学遥感卫星多光谱相机对不同地面应用的波段设置是 否合理，以及针对不同地面应用的最优谱段，为空间相机波段设置指标的设计和优化提供 参考。2. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤1)中 的数据预处理指对卫星空间相机获得的多光谱影像进行系统几何校正、系统辐射校正操 作。3. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤2)中 的多尺度分割是指利用eCognition软件的多尺度分割工具，通过设置尺度参数、形状参数 和紧凑度参数进行多尺度分割。4. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤3)中 的类别体系是指土地覆盖分类的类别体系，包括建设用地、耕地、园林地、水体、未利用地。5. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤3) 中的分类样本选择是指利用eCognition软件的样本选择工具，针对类别体系中的每一类进 行训练样本的选择，训练样本用于后续的监督分类。6. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤3)中 的评价样本选择是指利用eCognition软件的样本选择工具，针对类别体系中的每一类进行 评价样本的选择，评价样本用于后续的分类结果精度评价。7. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤4)中 的监督分类是指利用最邻近分类器，分别以蓝谱段、绿谱段、红谱段、近红外谱段的光谱均 值作为特征进行四次监督分类。8. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤5)中 的精度评价是指针对步骤4)得到的四个分类结果，利用步骤3)所选的评价样本，计算不同 类别基于混淆矩阵的生产者精度、用户精度、总体精度和Kappa系数。9. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤6)中 的谱段设置优劣排序是指根据步骤5)不同谱段光谱均值得到的4组分类结果的总体精度和 Kappa系数，对卫星相机谱段在土地覆盖分类中的优劣进行由高到低排序，确定卫星相机的 谱段设置以及相机制造中优先保证的谱段。10. 如权利要求1所述的一种卫星相机谱段设置的确定方法，其特征在于，所述步骤6) 中的谱段设置优劣排序是指对步骤5)不同谱段光谱均值得到的4组分类结果中某类别的用 户精度和生产者精度进行由高到低排序，确定针对某种地类信息提取的卫星相机的谱段设 置以及相机制造中优先保证的谱段。
【文档编号】G06K9/62GK105930863SQ201610232316
【公开日】2016年9月7日
【申请日】2016年4月14日
【发明人】武斌, 刘玉泉, 岳安志, 尹欢, 朱军, 陆春玲
【申请人】航天东方红卫星有限公司