[發明專利]影像噪聲定位方法及系統

有效

• 申請號: 202010187997.1
• 申請日: 2020-03-17
• 公開（公告）號: CN111105417B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 黃騰杰;顏軍;蔣曉旭;呂寶媛;鄧劍文;吳佳奇
• 申請（專利權）人: 珠海歐比特宇航科技股份有限公司;廣東歐比特人工智能研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 張志輝

本發明公開了一種影像噪聲定位方法及系統，涉及圖像分析領域，用于實現：通過構建樣本數據對模型進行學習訓練，選取需質檢的遙感影像，計算分析，判定該影像中條帶噪聲的嚴重程度。本發明的有益效果為：對遙感影像中條帶噪聲檢測定位速度快，效率高，能客觀且快速地定位遙感影像中條帶噪聲的位置，以及判斷該影像中條帶噪聲的嚴重程度，為條帶去噪快速提供條帶噪聲定位信息。有助于海量遙感數據處理，從而提高遙感影像數據生產效率。

技術領域

本發明涉及圖像分析領域，特別涉及一種影像噪聲定位方法及系統。

背景技術

光學遙感衛星成像一般采用CCD線陣推掃的方式，由于探測器每個探元間的響應差異，導致推掃成像時容易產生條帶噪聲，嚴重影響影像產品質量和后續應用。針對影像的條帶噪聲去除和結果評價是輻射處理和質檢的重要步驟。在影像輻射質檢過程中，目前經典的條帶噪聲評價方法，如條紋系數、列均值方法等，難以準確量化和衡量影像整體的條紋噪聲情況和去除效果，使得輻射質檢評價結果有時不能準確表征影像的實際質量。在這種情況下，往往需要人工目視判讀的方法對影像有無條帶進行評價，嚴重影響了工作效率，且易受人為主觀影響，不利于實際工作需要。現今未有相關文獻記載條帶噪聲定位的相關研究，而現有的去除條帶噪聲的算法多是基于輻射定標參數對全幅遙感影像進行去噪處理，且假設探測器響應呈線性，不考慮不同地物的局部差異性。處理后容易產生局部條帶噪聲。

發明內容

為至少解決現有技術中存在的技術問題之一，本發明的目的在于提供一種影像噪聲定位方法及系統，通過構建樣本數據對模型進行學習訓練，選取需質檢的遙感影像，計算分析，判定該影像中條帶噪聲的嚴重程度。

本發明解決其問題所采用的技術方案第一方面是：一種影像噪聲定位方法，其特征在于，包括以下步驟：S10、采集光譜影像作為樣本數據并進行預處理；S20、構建條帶噪聲判別模型，基于所述樣本數據對所述條帶噪聲判別模型進行機器學習訓練；S30、將待定位的光譜影像作為所述條帶噪聲判別模型的輸入源，經過所述模型判別后生成判別結果，根據所述判別結果得到條帶噪聲的位置信息以及噪聲值。

有益效果：對遙感影像中條帶噪聲檢測定位速度快，效率高，能客觀且快速地定位遙感影像中條帶噪聲的位置，以及判斷該影像中條帶噪聲的嚴重程度，為條帶去噪快速提供條帶噪聲定位信息，有助于海量遙感數據處理，從而提高遙感影像數據生產效率。

根據本發明第一方面所述的，S10包括：S11、通過光學遙感衛星進行光譜影像數據采集，獲得一定數量的原始遙感數據；S12、對所述原始遙感數據分類并按指定尺寸進行裁剪；S13、將裁剪后的所述遙感數據按照有無條帶噪聲進行分類，得到樣本數據集。

根據本發明第一方面所述的，S20包括：S21、基于卷積神經網絡組建條帶噪聲分類模型；?S22、基于所述樣本數據對所述條帶噪聲分類模型進行訓練，根據訓練結果與樣本數據進行對比，進行損失修正，得到條帶噪聲判別模型；S23、判斷所述條帶噪聲判別模型是否擬合，若是則模型訓練完成，否則返回執行步驟S22。

根據本發明第一方面所述的，S21包括：基于卷積神經網絡分別組建輸入模型、條帶噪聲特征提取模型以及分類輸出模型。

根據本發明第一方面所述的，S22包括：基于所述樣本數據經過多層卷積網絡計算得到預測標簽，根據所述預測標簽判斷是否存在條帶；根據預測標簽的判斷結果與真實樣本數據標簽進行計算，獲得預測損失值；將所述預測損失值作為所述多層卷積網絡的各個網絡中的反饋輸入，用以更新所述輸入模型、所述條帶噪聲特征提取模型以及分類輸出模型的參數。

根據本發明第一方面所述的，S20還包括：S24、構建分類激活熱力圖模型，并將所述條帶噪聲判別模型作為前置模型；S25、將所述條帶噪聲判別模型輸出的一維特征作為所述分類激活熱力圖模型的輸入源；S26、所述分類激活熱力圖模型對所述輸入源進行熱力圖計算，獲取置信度；S27、基于所述置信度對所述一維特征進行加權求和，得到一維的類激活熱力圖。