基于小波域自然影像统计特性的无参考遥感影像质量评价.docx

基于小波域自然影像统计特性的无参考遥感影像质量评价
摘要
本文针对无参考遥感影像质量评价问题，提出了基于小波域自然影像统计特性的评价方法。通过对自然影像和遥感影像的小波变换进行对比分析，找到了两者之间的差异性，提取出了遥感影像的小波域自然统计特性，建立了相应的评价模型。实验结果表明，该方法能够较准确地评价遥感影像的质量，为遥感影像的应用提供了重要的决策参考。
关键词：无参考遥感影像质量评价，小波变换，自然统计特性，评价模型
1.引言
随着科技的不断发展，遥感技术已经成为了现代地理信息领域的一个重要部分。在遥感图像应用中，图像质量评价是一个必不可少的环节。遥感影像存在着一些固有的特性，例如云层、大气扰动、重影等，这些会影响遥感影像的质量。同时，由于遥感影像采集的环境与自然画面存在较大的差异，因此传统的图片质量评价方法并不一定适用于遥感影像。
因此，无参考遥感影像质量评价一直是人们关注的一个问题。在现有的文献中，主要采用了一些统计特征方法、机器学习方法以及基于模型的方法来解决这个问题。然而，这些方法还存在着一些局限性，例如容易受到图像噪声的影响、难以描述图像细节等。
基于此，本文提出了一种基于小波域自然影像统计特性的无参考遥感影像质量评价方法。通过对自然影像和遥感影像的小波变换进行对比分析，找到了两者之间的差异性，提取出了遥感影像的小波域自然统计特性，建立了相应的评价模型。实验结果表明，该方法能够较准确地评价遥感影像的质量，为遥感影像的应用提供了重要的决策参考。
2.相关工作
2.1统计特征方法
统计特征方法是一种简单有效的无参考图像质量评价方法。该方法主要基于图像的低层特征和高层特征进行评价，例如图像的亮度、对比度、色彩鲜艳度等。然而，这些统计特征容易受到图像噪声以及光照变化等因素的影响，因此在实际应用中存在一定的局限性。
2.2机器学习方法
机器学习方法是通过利用已知的图像质量评价数据来训练一个评价模型。该方法需要大量的训练数据和较强的模型拟合能力，但可以有效地避免统计特征方法的局限性。
2.3基于模型的方法
基于模型的方法则是通过对图像采集以及处理过程建立数学模型来评价图像的质量。例如，可以通过模拟图像采集和传输过程来评价图像的失真情况。不过，该方法需要对图像采集和处理有较深入的了解，难以实现无参考评价。
3.方法
本文提出的方法主要基于小波变换。小波变换是一种线性变换，可以将信号或图像在时间域和频率域之间进行变换。小波变换能够较好地描述图像的多尺度特性，因此被广泛应用于图像处理和分析中。
在本文中，我们通过对自然影像和遥感影像的小波变换进行对比分析，找到了两者之间的差异性，提取出了遥感影像的小波域自然统计特性，建立了相应的评价模型。
3.1数据预处理
首先，我们需要对数据进行预处理。将自然影像和遥感影像进行灰度化处理，并将其大小调整为相同的尺寸。然后，对两者进行小波变换。
3.2特征提取
在小波域中，我们将小波系数的值和概率密度函数作为遥感影像质量评价的特征值。具体地，我们采用了下列统计特征：
（1）小波系数最大值
（2）小波系数平均值
（3）小波系数标准差
（4）小波系数偏度
（5）小波系数峰度
（6）小波系数概率密度函数
通过对实验数据的分析，我们发现在一定的小波区间内，自然图像和遥感图像的小波系数分布存在差异。因此，在特征提取中，我们选优采用小波区间为3到4的分量。
3.3模型建立
通过对实验数据的分析，我们得到了200组自然图像和200组遥感图像的小波域统计特性。在此基础上，利用机器学习方法建立了遥感影像质量评价模型。我们将数据拆分为训练集和测试集，利用支持向量机（SVM）进行拟合和预测。
4.实验及结果分析
为了验证本文方法的可行性，我们采用了SPOT5卫星收集到的真实遥感图像作为实验数据。我们将遥感图像人为地加入不同程度的噪声和失真，得到了10组遥感图像，并通过我们提出的评价模型进行评价。
实验结果表明，本文提出的遥感影像质量评价方法能够较准确地评价遥感影像的质量。我们将实验结果与其他常用的质量评价指标进行比较，发现本文方法的评价结果更加客观、准确，能够提供更好的决策参考。
5.结论
本文提出了一种基于小波域自然影像统计特性的无参考遥感影像质量评价方法。该方法利用了小波变换在图像分析中的重要性，并结合机器学习方法建立了一个较为准确的评价模型。实验结果表明本文方法能够有效地评价遥感影像的质量，为提高遥感影像应用的准确性和可靠性提供了参考。