一种遥感影像的相对辐射校正方法与流程

本发明涉及一种遥感影像的相对辐射校正方法，属于遥感影像处理技术领域。

背景技术

地表地物变化在遥感影像中往往反映为光谱辐射特征变化，因此现有变化检测和时序分析方法往往通过分析遥感影像间辐射差异确定是否存在变化。然而由于在不同季节、不同时间成像时，受不同的大气条件、光照条件、地表起伏、土壤湿度、植被气候、传感器成像模型和侧视角等影响，即使地物没有发生变化，同一地区所成的影像也会具有较大的辐射差异，这给诸如变化检测等多时相图像处理和分析带来了极大的困难。为此，在实际遥感应用中，需要通过辐射校正消除不同时相遥感图像之间的非地物变化引起的辐射亮度差异。

辐射校正主要分为绝对辐射校正和相对辐射校正两种类型。其中绝对辐射校正针对单幅影像，去除大气影响后，使得校正后的影像灰度值能够反映真实的地物光谱反射率。绝对辐射校正需要传感器定标参数和大气校正参数等，而这些参数往往需要通过成像时的实地观测数据获取，从而使该方法难以精确实现，尤其无法对历史数据进行处理。而相对辐射校正则适用于多幅影像的情况，是一种影像间的相对运算，不需要多时相影像辐射特性绝对正确，只需待校正影像辐射特性与参考影像相对一致即可。因此在变化检测和时序分析中，主要使用相对辐射校正，以一个时相影像为参考对其余影像进行辐射校正。目前常用的相对校正方法主要有两类：一类是非线性校正法，如最常用的直方图匹配法是通过匹配待校正影像和参考影像的直方图，使其两者的灰度值概率分布尽可能相近，该方法操作简单，但是很大程度上破坏了原始图像中地物的辐射特性，造成影像灰阶损失，整体辐射分布紊乱；另一类是线性校正法，如常用的均值方差法、图像回归法、伪不变特征法以及暗集－亮集法等。然而除了均值方差法和图像回归法是利用影像统计特征信息外，其他方法均需要人工选取样本建立样本集，而样本集质量的好坏直接影响到相对辐射校正结果。针对人工选取样本费时耗力的问题，在多元变化检测(multivariatealterationdetection，简称mad)算法基础上，为改善mad变换的灵敏度，mortoncanty等人结合概率理论中的一种迭代算法——期望最大化(expectationmaximization，简称em)算法，提出了迭代加权多元变化检测(iterationre-weightmultivariatealterationdetection，简称ir-mad)算法，采用了迭代加权的方法，它是一种很有效的选取影像间不变像素的方法。

常规相对辐射校正方法都是基于影像全局或局部统计信息通过数学计算实现辐射校正，往往在消除图像间辐射差异的同时，也消除了地物的变化信息。针对此不足，近年来有学者将傅里叶变换、小波变换以及contourlet变换等频率域变换方法引入相对辐射校正，将辐射亮度引起的图像差异的低频部分与地物本身发生变化的高频部分进行分离，对低频部分进行相对辐射校正，可有效提高辐射校正效果和变化检测精度。biday等利用傅里叶和小波变换对参考影像和待校正影像进行高低频分离，然后通过多项式回归对低频部分进行相对辐射校正，最后逆变换得到辐射校正结果。孙开敏等提出一种基于小波变换和低通滤波的相对辐射校正方法，可有效提高变化检测精度。李文卓等结合contourlet变换和低通滤波进行相对辐射校正，相比于常规方法，contourlet变换和低通滤波结合的方法比常规相对辐射校正方法的效果更好。然而高低频分离之后，低频分量中仍然会存留地物的变化信息，现有方法在对低频部分进行处理时却没有将低频中变化的部分和不变的部分分开考虑，致使变化地物的辐射差异被削弱，最终影响变化检测的精度。

技术实现要素：

综合上述方法的优势和不足，本发明提出一种遥感影像的相对辐射校正方法。

本发明的技术方案是一种遥感影像的相对辐射校正方法，包括以下步骤：

步骤1，首先对待校正影像和参考影像分别进行高低频分离，得到待校正影像和参考影像的低频部分；

步骤2，通过ir-mad算法，采用自适应阈值找出待校正影像低频部分与参考影像低频部分中的不变特征点；所述ir-mad算法是迭代加权多元变化检测算法；

步骤3，基于不变特征点进行线性回归，得到线性校正系数；

步骤4，利用回归得到的线性校正系数对待校正影像的低频部分进行相对辐射校正，得到校正后低频部分；

步骤5，将校正后低频部分和待校正影像的高频部分进行小波逆变换得到最终的相对辐射校正结果。

而且，步骤1中，对待校正影像和参考影像的低频部分进行低通滤波，得到更为纯粹的低频分量。

而且，步骤3中，采用最小二乘线性回归方式，得到线性校正系数。

而且，用于遥感影像的变化检测和时序分析。

本发明的特点是：

(1)本发明将待校正影像的高低频分离，只对低频部分进行相对辐射校正，保护了高频中的纹理及地物变化等信息；

(2)本发明利用ir-mad算法选择低频部分对应的不变特征点，无需人工干预，全自动选取，阈值自适应。

(3)本发明利用低频中的不变特征点线性回归计算校正系数，保护了低频中仍存留的包含地物变化的高频信息，使辐射校正结果更有利于进行变化检测等多时相影像分析。

附图说明

图1为本发明的流程图。

具体实施方式

以下结合附图和实施例详细说明本发明的技术方案。

本发明是一种遥感影像的相对辐射校正方法，是利用小波变换先对带校正影像和参考影像进行高低频分离，再利用ir-mad算法找出带校正影像和参考影像低频部分中对应的不变特征点，对这些不变特征点进行最小二乘线性回归得到低频部分的辐射校正系数，利用辐射校正系数对待校正影像的低频部分进行线性辐射校正得到校正后的低频，最后将待校正影像分离出的高频部分和校正后的低频部分进行小波逆变换获得最终的相对辐射校正结果。

本发明实施例流程如图1所示，具体包括以下步骤：

(1)对待校正影像和参考影像分别进行高低频分离：

将高低频分离，只对低频部分进行处理，保持高频信息不变，有利于变化检测等多时相影像分析。

高低频分离的方法有很多种，比如傅里叶变换，小波变换，contourlet变换，本发明采取的是小波变换进行高低频分离。小波变换是频率域处理的常用算法之一，虽然相比于contourlet变换算法小波只有有限的方向，高频信息表达能力相对要弱，但是本发明只对分离出的低频信息进行处理，不进行图像增强或者边缘纹理信息的提取，高频部分的纹理细节表达能力不影响最终相对辐射校正的结果，且小波变换使用更广泛实现更容易，故本发明优选小波变换方法进行高低频分离的操作。

实施例中，对待校正影像f1进行小波变换得到其低频部分f1^l，对参考影像f2进行小波变换得到其低频部分f2^l和高频部分f2^h。后续将通过ir-mad算法得到这两个低频分量中没有变化的部分，将其作为不变特征，通过最小二乘线性线性回归计算出线性校正系数。

进一步地，可以对待校正影像和参考影像的低频部分进行低通滤波，得到更为纯粹的低频分量，用于后续步骤的处理，进一步提高效果。

(2)通过ir-mad算法找出待校正影像低频部分与参考影像低频部分中的不变特征点。

本发明提出使用ir-mad算法选择不变特征点，可以无需人工干预，全自动选取，实现阈值自适应。ir-mad算法可以迭代计算出每个像素不变的概率，然后利用最大期望算法求出阈值，概率大于这个阈值，比如不变概率大于95％，就认为这个像素是不变像素，也就是不变特征点。

实施例中，利用ir-mad算法(迭代加权多元变化检测算法)找到待校正影像和参考影像低频部分f1^l和f2^l之间不变的像素作为不变特征点，记待校正影像中的不变特征点为xi,i＝1,2,...n，参考影像中的对应像素点为yi,i＝1,2,...n，n为不变特征点个数，i为不变特征点的标号；

(3)基于不变特征点进行线性回归，得到线性校正系数(斜率和截距)。

所用到的线性方法可以选择最小二乘法、正交回归等线性回归方法。本发明实施例优选使用最小二乘线性回归方式。

实施例中，对这些不变特征点(xi,yi)进行最小二乘线性回归，通过以下公式求出线性回归方程中的斜率a和截距b：

其中，是xi的均值，是yi的均值，n表示不变特征点的数量。

(4)利用回归得到的线性校正系数对待校正影像的低频部分进行相对辐射校正。

通过如下线性方程求出带校正影像的低频部分经过相对辐射校正后的结果

(5)将校正后低频部分和待校正影像的高频部分进行小波逆变换得到最终的相对辐射校正结果。

实施例中，用校正后的低频部分替代原始低频对待校正影像f1的低频部分和高频部分进行小波逆变换，得到最终的相对辐射校正结果。

具体实施时，以上流程可采用计算软件技术实现自动运行流程。

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。