[发明专利]一种广义云驱动与几何协同遥感影像辐射校正方法及系统

权利要求书

1.一种广义云驱动与几何协同遥感影像辐射校正方法，其特征在于，包括以下步骤：

步骤1：混合光谱提纯；

通过广义云驱动的控制信息对待校正影像进行初始配准，并根据几何信息协同关联感兴趣区域ROIs，然后基于位置不确定性优选感兴趣区域ROIs，最后基于机器学习方法根据广义云提供的土地利用和土地覆被LULC先验信息进行分类；

步骤1的具体实现包括以下子步骤：

步骤1.1：通过广义云驱动的控制信息对待校正影像进行初始配准，并根据几何信息协同关联感兴趣区域ROIs；

广义云驱动提供精准的辐射、几何和历史土地利用和土地覆被LULC类型属性作为控制信息；辐射控制信息是经过辐射定标的历史数字正射影像DOM产品，包含土地利用和土地覆被LULC专题信息的历史数字划线地图DLG产品将提供精确的几何控制信息和LULC类别信息；通过将上述DOM和DLG产品与待校正遥感影像套合与协同，依据DLG产品的几何边界和土地利用和土地覆被LULC属性信息获得辐射校正所需的不同地物类别的感兴趣区域ROIs；

步骤1.2：基于位置不确定性优选感兴趣区域ROIs；

通过构建面要素不确定广义误差带，定位图斑边界和配准误差导致的混合光谱空间位置的置信区域，从而通过几何信息协同优化选取非边界感兴趣区域ROIs的光谱；

步骤1.3：基于机器学习方法根据广义云提供的土地利用和土地覆被LULC先验信息进行分类；

利用广义云控制中的土地利用和土地覆被LULC类别属性信息协同选择待校正影像中感兴趣区域ROIs内部的像元进行分类；采用聚类分析，根据马氏距离测算待校正影像对象内的像元到聚类类别重心的最短距离结果，作为初始分类结果，同时剔除ROIs内非同类属性的像元，从而进一步提纯像元；同时对ROIs图斑进行变化检测，其中图斑内像元属性变化的比例超过设定阈值，则视为变化图斑，否则为非变化图斑；对于变化的图斑，采用语义分割更新几何和属性特性；

步骤2：光谱组合分类；

根据时间变化信息把地物类别光谱划分为潜在变化和稳定类别，并枚举所有类别光谱进行组合；

步骤3：辐射模型优选；

针对类别光谱组合结果，选择多模型进行辐射校正，并采用随机抽样一致性策略来控制变化像元的扰动，通过精度评价得到最优的光谱组合和最佳辐射校正模型；所述多模型包括统计模型和机器学习模型；

步骤4：利用获得的最优的光谱组合和最佳辐射校正模型进行遥感影像辐射校正。

2.根据权利要求1所述的广义云驱动与几何协同遥感影像辐射校正方法，其特征在于：步骤2中，首先根据时间变化的先验知识，根据专家经验将地物分为稳定类别以及潜在变化类别，稳定类别包括建筑和道路，潜在变化类别包括植被和河流；然后同分类结果作为控制信息进行光谱组合，从而为获取最优的辐射校正结果提供基础的光谱组合。