卫星光学遥感图像仿真与典型目标特征分析

卫星光学遥感图像仿真与典型目标特征分析班级：姓名：授课教师：授课教室：研5-15班陈海涛张凯莉穆江浩王晓蕊周二5-6节西大楼-219CONTENTS目录/Part1:光学遥感系统建模仿真的国内外发展现状Part2:基于MTF模型的光学遥感器的数字仿真Part3:典型目标的特征选择Part4：典型地物目标的特征分析光学遥感系统的成像仿真物理仿真物理仿真是在实验室条件下，对各个成像环节进行动态模拟仿真，最终获得遥感仿真图像。通过接近真实的、可加以控制的模拟仿真过程，测试该遥感系统的性能，并给出评价结果。上世纪40、50年代，计算机发展水平还不高，所以只有依靠物理仿真。近年来，随着计算机技术的飞速发展，一些将计算机强大的运算处理功能和光学成像方法结合起来的新型成像原理也慢慢显示出自身的优势，也就是所谓的计算机仿真。它主要是基于遥感成像过程中各个成像环节的数学模型，借助数字仿真技术来获得仿真图像。计算机仿真光学遥感系统的成像仿真物理仿真计算机仿真1.美国亚利桑那大学光学中心建立了世界上第一个航空航天遥感器物理仿真系统。2.美国的Itek光学中心20世纪60年代初采用物理仿真的方法建立遥感成像仿真系统，建立了小型的成像模拟设施ISF。3.美国陆军航空及导弹司令部高级仿真中心耗时20年之久，建立了10套硬件闭环模拟设施，工作波长可以涵盖可见、红外、毫米波甚至微波波段，应用于导弹的动态飞行测试和军事目标拦截演习。4.国内关于光学遥感系统的物理仿真方面的报道相对比较少，80年代中期，中国科学院长春光学精密机械研究所成立了室内遥感模拟实验室。1.1995年，NASA资助的LARC中心公布了PATCOD集成设计软件平台。将Pro/Engineer结构设计、Pro/Manufacturing构造、PATRAN建立模型和可视化、NASTRAN结构分析、SINDA-85和P/Thermal热分析、CODEV光学分析等多种通用软件集成在一起，主要用于航天器仿真设计和分析过程。2.1999年，柯达公司公布针对胶片型遥感相机的仿真软件Physique。3.2001年，德国宇航中心研究了包括地物场景、大气以及传感器硬件等端到端的机载或者星载对地遥感成像过程，并开发出了新一代的光学遥感仿真软件SENSOR。4.2002年，美国国家宇航局（NASA）的Stennis空间中心（SSC）开发了传感器仿真的相应算法和软件产品ART。光学遥感系统的成像仿真物理仿真计算机仿真1.美国亚利桑那大学光学中心建立了世界上第一个航空航天遥感器物理仿真系统。2.美国的Itek光学中心20世纪60年代初采用物理仿真的方法建立遥感成像仿真系统，建立了小型的成像模拟设施ISF。3.美国陆军航空及导弹司令部高级仿真中心耗时20年之久，建立了10套硬件闭环模拟设施，工作波长可以涵盖可见、红外、毫米波甚至微波波段，应用于导弹的动态飞行测试和军事目标拦截演习。4.国内关于光学遥感系统的物理仿真方面的报道相对比较少，80年代中期，中国科学院长春光学精密机械研究所成立了室内遥感模拟实验室。5.美国的Multigen-Paradigm公司推出的Vega系列的仿真模块是目前广泛使用的、功能比较齐备的商业化遥感成像仿真工具包。它主要由Vega、SensorVision和SensorWorks三个主体模块构成，Vega是一个能对复杂地物场景进行实时管理和渲染的可视化系统环境SensorVision能够生成三维地物场景的辐亮度图像，SensorWorks可以完成对传感器系统响应的模拟过程[12-14]。6.中科院长春光机所考虑了三维场景、自然光照明、大气辐射传输等基本数学模型问题，还考虑了包含遥感图像光谱和空间信息传递特性在内的传感器系统综合响应的数学模型问题，由此设计了专门的软件仿真工具RSIS1.0。7.安徽光学精密机械研究所的易维宁、顾有林、杜丽丽等人在中国科学院方向性创新项目的资助下，设计了光学遥感图像仿真工具ORSIS。基于MTF模型的光学遥感器的数字仿真由于光学遥感器接收的是地物场景目标发射或反射的光能量，因此属于被动探测，且接收的光能大小和光谱传输特性完全取决于成像链路中的外界因素。要尽可能的完成对整个遥感成像过程的真实仿真，必须对整个光能量传输过程有个整体的了解。一般地，光学遥感成像链路中的光辐射传输过程如图所示。整个成像链路的光辐射传输过程光学遥感器数字仿真的数学模型（1）光线跟踪模型（2）调制传递函数模型（3）点扩散模型将上述三种数字仿真的数学模型的优缺点分析完毕后，此次选取调制传递函数模型对光学遥感器进行数字仿真。MTF理论基础调制传递函数(ModulationTransferFunction，MTF)归属于光学理论，是一个比较重要的物理概念，通常被用来衡量一个光学系统成像性能的优劣。对于一个光学系统，其点扩散函数(PSF)的傅里叶变换称为光学传递函数(OpticalTransferFunction,OTF)，MTF正是OTF的模值，它反映了系统对频域信息的传递能力，因此可以客观全面的评价光学系统的成像质量。下面对MTF的定义进行详细的阐述。一般选择如图左所示分划板（金属靶标）检验一个光学系统，光源透过金属靶标后所形成的投影如图右所示。假如我们只研究金属靶标沿着x方向的厚度分布。在金属靶标上，每一个线对的宽度d叫做空间周期，单位是长度/毫米。在这里，又引入一个重要概念，空间频率，描述为单位毫米内包含的线对数目，单位是线对数/毫米。首先定义空间圆频率为：ω=2πν=2π/ρ正弦波光栅的亮度分布如图2-3所示：则图中正弦波光栅的亮度分布表达式为：Ix=𝐼0+𝐼𝑢cos𝜔𝑥式中：𝐼0—正弦波的平均振幅；𝐼𝑢—正弦波的振幅；𝜔—空间圆频率。通常描述一个图像的亮暗对比度，可以用调制度来表示：M=𝐼𝑚𝑎𝑥−𝐼𝑚𝑖𝑛𝐼𝑚𝑎𝑥+𝐼𝑚𝑖𝑛=𝐼𝑎𝐼00≤M≤1正弦波光栅成像后的表现形式还是正弦波，如下图所示，实线条为理想的成像亮度分布，虚线条为实际成像的亮度分布。从图中可以观察到，经实际成像后，亮线条会变暗一些，暗线条会变亮一些，看起来没有成像前那么清晰。这是由于实际中衍射、像差等作用的影响，实际像的对比度会降低。调制度的降低程度用𝑀像和𝑀物来比较，两者的表达式为：𝑀物=𝐼𝑎𝐼0𝑀像=𝐼𝑏𝐼0𝐼𝑏≤𝐼𝑎则𝑀像≤𝑀物成像之后的调制度会降低，降低的程度取决于光学系统的不同，针对同一个光学系统，又因空间频率的不同而不同。在空间频率为ν的情况下，该光学系统的调制传递值可以表示为：Tν=𝑀像𝑀物=𝐼𝑏𝐼𝑎从零频率一直遍及到光学系统的截止频率，这中间包含的所有空间频率点，将这些频率点所对应的调制传递值组合在一起，就构成了该光学系统的MTF。由上式可以看出，MTF是关于空间频率ν的函数。一个光学系统MTF曲线如下图所示。纵坐标代表调制传递值MTF，横坐标表示空间频率ν。随着ν的逐渐增加，MTF会逐渐降低。直到ν上升到某个值时，MTF值为0。此时，说明光学系统已经不能通过高于该频率的调制信号，此频率称为光学系统的截止频率。本质上，MTF描述了一个光学系统重新分配光能的特性。数字仿真的理论基础根据MTF数学模型，对整个光学遥感成像的数据处理的流程图如下图所示。将成像链路中所有成像环节的MTF数学模型相乘得到整个成像系统的总的MTF。然后对原始数字图像进行傅里叶变换得到它的空间频谱，与同是频域物理量的MTF相乘，乘积结果进行逆傅里叶变换，就可以得到空间分布的退化图像。关于在频域内对二维灰度图像进行二维傅里叶变换，现列出它的算法如下所示：Fi，j=𝑓m,n∗𝑊1𝑚𝑖∗𝑊2𝑛𝑗𝑁−1𝑛=0𝑀−1𝑚=0=𝑓m,n∗𝑊2𝑛𝑗𝑁−1𝑛=0𝑀−1𝑚=0∗𝑊1𝑚𝑖=𝐺（m，j）𝑀−1𝑚=0∗𝑊1𝑚𝑖式中：𝑊1=𝑒−𝑖2𝜋/M𝑊2=𝑒−𝑖2𝜋/Nf（m，n）—原始图像的灰度值典型目标的特征选择近几年，由于随着地表变化监测越来越受重视，典型地物目标的研究也成为研究热点。高分辨率遥感影像的高维特征数据全部用于地物目标识别与分类往往是不合适，为此，需要对特征数据进行降维。降维方式1.特征选择，通过从输入特征中选取子集的方式以达到特征降维的目的；2.特征抽取，通过将输入特征空间映射到一个较低维度的空间，以达来达到特征降维的目的。鉴于特征降维是以低维空间替代原来高维特征空间，而丢失了特征本身的物理含义，难以满足典型地物目标特性研究的需求，文中重点关注特征选择。特征选择是指根据一定的准则从原始高维数据中寻找最优子集，在最大限度地保留特征信息的同时，极大的降低数据的维数。其过程相当于对输入数据进行预处理，适用于那些特征维数较高的数据。特征选择按照和分类器结合方式特征选择的过程就是把特征子集放到已有的特征评价准则中，来对特征子集进行分析评价，通过不断选择不同的特征子集进行分析评价，得到不同特征子集的评价。最后，按照评价的高低输出最优的特征子集。1.过滤式（Filter）特征选择方法：过滤式特征选择方法最早由Cover提出，主要是由于其通过特征数据的内在特性来评价特征，独立于特定的分类学习算法，具有很好的通用性。2.封装式（Wapper）特征选择方法：封装式特征选择方法的思想是将选择算法作为分类学习的一部分，通过特征的分类性能作为特征选择的评价指标。3.嵌入式（Embedded）特征选择方法：嵌入式特征选择方法则是介于过滤式和封装式两者之间的一种方法，是对分类性能与计算复杂度的折中。相比较封装式和嵌入式方法，过滤式特征选择方法在研究特定地物目标时能够更方便的对特征进行选择，而不必依赖于某种分类学习算法。主要有mRMR和Relief两种典型的过滤式特征选择方法。Relief及其变形：现有Filter模型有不同的评价准则，包含距离标准、一致性标准、依赖性标准和信息标准。Relief及其变种ReliefF和IRelief等就是采用样本距离来度量特征的重要性程度。mRMR：Relief及其变种都是选择包含分类信息最多的特征组合作为最优特征子集，但是，这些信息量最多的m个特征组合在一起，并不一定是最好的m特征组。Peng等人[59]认为仅仅考虑特征子集所包含的类别信息多少是不够的，为确保特征选择结果是最好的m特征组，需要进一步考虑该子集特征间的冗余性，于是提出了mRMR算法，即最大相关性、最小冗余度特征选择。过滤式特征选择方法已有稳定的特征选择方法集成的特征选择方法：该方法是最常用于提高特征选择的稳定性。鉴于关注的是在样本适当波动下选择结果的稳定性问题，通过集成不同条件下的选择结果，能够表现出较好的泛化能力。基于先验特征相关的方法：我们常见的特征选择方法都是建立在所有特征都是相互独立的基础上，即特征之间并没有特殊的关联信息。实际上，现实生活中遇到的很多特征都是有很强的关联性的，基于先验特征相关性的方法就是从这个情况出发，以提高特征选择的稳定性。Group特征选择方法：Group特征选择方法主要是利用高维特征空间中的特征组来提高特征选择的稳定性。其思想与先验特征相关性类似，都是利用特征之间的联系来提高特征选择的稳定性。其主要步骤为Group形成和Group的转换。样本注入的方法：与集成特征选择所不同的是，样本注入的方式则是通过外部的样本数据来提高总体样本的数量，进而增加特征选择输入特征的数量，提高其选择结果的稳定性。典型地物目标的特征分析实验数据采用的是位于江苏省苏州市南部的遥感卫星影像，具体范围如下图标识的区域所示。遥感影像内有6种典型的地物目标，分别是裸土地barrenland(BS)、建筑urban/built-up(UB)、耕地cropland(C)、森林forest(F)、水体river/lake(RL)和道路road(RD)。为提高后续的图像处理效率，对实验图像进行滤波处理，该步骤能够很好的保留实验数据的极化信息和图像的边缘细节等信息；与此同时，对其进行滤波处理还