遥感图像处理的方法大多基于同一个图像质量等级,比如遥感图像配准
[1]
、地标检
测、目标识别
[2]
等,一般都是将不同数据来源、不同空间分辨率、不同光谱分辨率的数据
区分开,分别采用不同的技术手段进行处理,甚至有些方法仅限于某类分辨率数据。很多
图像复原方法都是在已知该图像是退化的前提下进行复原处理
[3]
, 使用时需要针对不同质量
等级图像设计不同的方法或者调整相应参数才能获取相应的处理效果,与全自动化的智能
时代技术需求不相符。对遥感图像进行质量等级分类可以为遥感图像理解提供重要的先验
信息,也可以为传感器成像能力检验、遥感图像质量评价提供科学依据。
随着深度学习在数字图像处理领域的广泛应用,利用深度卷积神经网络(deep
convolution neural network, DCNN)方法,对数字图像进行复原重建
[4]
、特征提取、目标
检测
[5]
和语义分割
[6]
等处理已经成为学者研究的主流方向。基于 DCNN 的数字图像处理采
用数据驱动的学习训练模式,处理精度和效果受训练集图像的质量和类别影响很大。由于
成像环境的影响,遥感图像获取的图像数据集很难保证在同一个质量级别,这不仅会影响
其他质量等级的遥感图像的处理效果,还会影响整体业务系统的处理效果。该类问题产生
的根本原因是数据质量不平衡,也是深度学习算法关注的重要问题
[7-8]
。针对数据质量不平
衡问题,现有的方法一般都是通过大量扩充图像数据集、增加训练时间和迭代次数进行处
理,最终获取某一个处理效果的平均值,并不能提高整体效果。或者对遥感图像进行复原
或超分辨重建,提升图像质量后再进行顶层处理,虽然有一定效果,但依然会受异质遥感
图像数据量的影响
[9]
。
本文在现有遥感图像客观质量评价
[10-11]
和质量等级分类
[12-13]
的基础上,利用深度学习
的分类机能,构建了一种用于遥感图像质量级别分类的深度卷积神经网络模型。该模型对
遥感图像进行多个质量等级的分类,更加细致和准确。
1. 遥感图像质量等级分类
图像质量等级分类是一个复杂的科学问题。遥感图像的质量经常使用地面采样距离、
调制传递函数、信噪比以及信息熵等描述,但只能描述遥感图像的部分特性,不能作为图
像质量的根本指标。因此,美国建立了图像质量的间接评价标准——国家图像解译度分级
标准进行自动评价
[14-15]
。由于研究人员很难获取遥感图像的地面采样距离等相关参数,计
算相对边缘响应值也需要合适的刃边形状特征
[16]
, 并且信噪比的计算方法也不唯一,因此
利用图像解译度分级标准对遥感图像进行质量等级分类具有很大的局限性。利用深度学习
的方法实现图像质量等级分类的研究成果相对较少,文献[17]从图像盲复原的角度出发,
将近景图像分为清晰和模糊两种简单类型,由于缺少批次标准化(batch normalization,
BN)层,使得网络的泛化能力大大降低;文献[15]从质量评价的角度出发,提出了一种多
任务的质量等级预测 DCNN 方法,该方法以图像解译度分级标准作为主观质量标签,构建
了质量等级分类和回归网络。但该方法的特征提取网络结构较深,计算效率太低,还容易
出现过拟合现象,主观质量标签的计算存在不小误差和困难。
评论0
最新资源