[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

说明书

本发明公开了一种广义云驱动与几何协同下遥感影像辐射校正方法，本发明通过广义云驱动的控制信息对带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，基于位置不确定性优选ROIs，基于机器学习方法根据广义云提供的土地利用/土地覆被LULC先验信息进行分类；本发明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；本发明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；本发明针对每个环节产生的多源误差和模型误差先进行不确定性估计，后逐步执行质量控制来提高数据质量和提升模型精度。

技术领域

本发明属于遥感影像辐射校正技术领域，涉及一种遥感影像辐射校正方法及系统，具体涉及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。

背景技术

遥感影像辐射校正是遥感数据处理应用的基础内容之一，奠定了多源、多时相遥感时序分析的基础。由于光照条件、大气效应、传感器差异、时序差异等因素，通常导致不同影像上相同地物的光谱特征存在明显的差异。因此，需要通过辐射校正消除非地物变化导致的辐射特征差异。

当前的辐射校正校正方法中存在以下问题：

1)在大数据时代现有的云控制方法中，只考虑了几何信息作为先验知识，而未考虑辐射和地物分类结果的先验知识；

2)现有辐射校正方法几乎都割裂了几何与辐射的对立统一性关系，较少顾及几何对辐射校正的精度影响；

3)现有方法通过提取不变特征进行辐射校正，采用统一的模型校正所有地物类别的辐射差异，没有考虑不同地物光谱变化的特殊性；

4)现有方法采用统一的模型(多为线性模型)校正所有的辐射差异，忽略了不同模型(线性和非线性模型)的特殊性；

5)现有方法没有解决数据处理中的不确定性问题，在数据处理流程中误差传播导致辐射校正精度降低。

发明内容

为了解决上述技术问题，本发明提出了一种广义云驱动与几何协同下遥感影像辐射校正方法及系统。

本发明的方法所采用的技术方案是：一种广义云驱动与几何协同遥感影像辐射校正方法，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(Regions of interest，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(Land use/landcover,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；