01 PIE-Hyp影像评价

PIE-Hyp影像评价

 

影像评价是以图像特征为基础，结果为特定指标的定量评价。也是对所选影像处理方法和算法的评价，评价结果有助于在以后的应用中进行图像处理方法的选择与方案的制定。

影像评价的参数有多种，在评价中起到的作用不同，对评价结果的分析解释也有所区别。对于高光谱遥感影像而言，主要影响因素为：信噪比、图像清晰度、信息量、特征光谱等。

1.噪声估计

典型地物具有的诊断性光谱特征是高光谱遥感目标探测和精细分类的前提，但是由于成像光谱仪波段通道较密而造成光谱成像能量不足，相对于全色图像，高光谱图像的信噪比提高比较困难。在图像数据获取过程中，地物光谱特征在噪声的影响下容易产生"失真"，如对某一吸收特征进行探测，则要求噪声水平比吸收深度至少要低至少一个数量级。因此，噪声的精确估计无论对于遥感器性能评价，还是对于后续信息提取算法的支撑，都具有重要意义。

1.1主要内容

通过PIE-Hyp对GF-5影像数据进行噪声估计。

1.2学习目标

• 熟练掌握噪声估计功能操作。

 

1.3使用数据

 

序号	数据名称	数据说明
1	GF5_AHSI_E116.18_N38.72_20190522_005511_L10000045165_Ortho_Cut.tif	GF-5影像数据

1.4噪声估计操作

• 输入文件：设置输入的待处理数据，选择的影像至少需要4个波段；
• 输出文件：设置输出噪声估计结果的保存路径及文件名；
• 光谱角：设置光谱角，单位为弧度。设置范围：大于0小于1，光谱角度值设置越小估噪声估计精度越高。

所有参数设置完成后，点击【确定】按钮，进行噪声估计处理。

执行成功后的结果为一个文本文件，存储的是对原影像每个波段的噪声估计值，可利用【噪声视图】功能查看该影像的噪声曲线。

噪声视图界面

 

噪声估计结果说明：

可将噪声估计各波段的噪声标准差绘制曲线，查看各波段噪声估计值，值的大小根据数据的量级而定，如影像值在0-10000之间的时候，标准差的值一般在几十，认为影像成像属于正常。

1.5操作技巧

技巧1 设置光谱角，实际工作中设置0或1估计无意义。HRDSDC算法先根据地物在空间上分布的连续性对图像进行自动分块，因此在自动分块中，需要设置一个相邻像元光谱角度距离的判别阈值，如果两个相邻像元的光谱角小于或等于该阈值，则这两个相邻的像元可能属于同一种地物，反之则属于不同的地物。阈值设置的越小，所得到的分块精度越高，软件默认设置为0.1，可根据具体情况调整。

1.6常见问题

问题1:噪声估计结果如何使用？

解决办法:可将噪声估计个波段的噪声标准差绘制曲线，查看各波段噪声估计值的小，值的大小根据数据的量级而定，如影像值在0-10000之间的时候，标准差的值一般在几十，认为影像成像属于正常。

1.7复习思考题

(1)使用演示数据或自行寻找的数据，练习【噪声估计】功能操作。

2.清晰度评价

图像的清晰度是衡量图像质量优劣的重要指标。高光谱遥感影像的质量评价中清晰度评价功能主要计算高光谱影像中不同波段影像的清晰度指标。

在评价三维高光谱影像的清晰度时，要对每个波段的图像进行清晰度评价。

• 平均梯度：指图像的边界或影像两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。
• Brenner梯度：Brenner梯度函数是最简单的梯度评价函数指标，它只是简单的计算相邻两个像素灰度差的平方。
• 能量梯度：能量梯度函数更适合实时评价图像清晰度。该函数采用相邻点的差分计算一个点的梯度值。求出图像的梯度，将梯度和作为图像清晰度的评价函数。当图像最清晰时，函数的梯度和最大。
• 方差：因为清晰聚焦的图像有着比模糊图像更大的灰度差异，所以可将方差函数作为评价函数。
• 归一化：归一化是将各种算法（平均梯度、Brenner梯度、能量梯度和方差）评价的结果进行归一化处理，用于比较不同算法之间的计算差异。

2.1主要内容

通过PIE-Hyp运用不同算法评价高光谱影像的清晰度。

2.2学习目标

• 熟练掌握清晰度评价功能操作。

2.3使用数据

序号	数据名称	数据说明
1	JasperRidge98av_flaash_refl.img	待评价的高光谱影像数据

2.4清晰度评价操作

• 导入影像：输入高光谱影像，根据需要选择区域和波段；
• 输出报告文件：该报告文件以文本文件的形式，存储各类清晰度评价算法的计算结果进行归一化后的值；
• 确定：点击确定按钮，程序会同时计算平均梯度、Brenner梯度、能量梯度和方差等4种清晰度评价指标值，将结果导出成报告文件，并在视图中指标曲线；
• 选择输出曲线类型：归一化是将各种算法（平均梯度、Brenner梯度、能量梯度和方差）评价的结果进行归一化处理，用于比较不同算法之间的计算差异。输出值得范围为0-1，视图窗口会显示各个评价指标的结果曲线。其他单一的评价算法输出的结果为原始计算评价结果，为非归一化处理数值，且窗口视图只会显示所选择的指标曲线；
• 保存曲线图：可选择单一算法计算的曲线图和文本文件进行手动存储；
• 保存文本文件：同保存曲线图功能。

清晰度评价界面

清晰度评价（归一化）结果说明：

各种清晰度评价指标归一化后的数值，可用来评判不同波段的清晰程度，一般不同波段的清晰程度不一，该功能用来比较同一地区不同类型影像的清晰度，清晰度评价指标值越大说明影像越清晰。

2.5操作技巧

暂无

2.6常见问题

问题1:如何根据生成的曲线进行清晰度评价？

解决办法：各种清晰度评价指标归一化后的数值，可用来评判不同波段的清晰程度，一般不同波段的清晰程度不一，该功能用来比较同一地区不同类型影像的清晰度，清晰度评价指标值越大说明影像越清晰。

2.7复习思考题

(1)使用演示数据或自行寻找的数据，练习【清晰度评价】功能操作。

 

3.信息熵

 

高光谱影像评价的一个方面就是计算影像的信息熵，信息熵是评价影像中所含信息量的多少而建立的一个评价指标。

在信源中，考虑的不是某一个符号发生的不确定性，而是要考虑这个信源所有可能发生情况的平均不确定性。若信源符号由n中取值，对应的概率为p1，p2，p3，…，pn，且各种符号的出现彼此独立。这时信源的平均不确定性应当为单个符号不确定性-logpi的统计平均值，可称为信息熵，即

3.1主要内容

通过PIE-Hyp对高光谱每个波段的信息量进行统计。

3.2学习目标

 

熟练掌握信息熵功能操作。

 

3.3使用数据

 

序号	数据名称	数据说明
1	JasperRidge98av_flaash_refl.img	待评价的高光谱影像数据

 

 

3.4信息熵操作

 

• 导入影像：直接导入打开需要计算的高光谱文件，在文件列表中选择需要计算的文件，然后，单击【绘制曲线】，等待绘制曲线；
• 清除画板：清除画板中绘制的高光谱信息熵曲线；
• 保存图片文件：将绘制的信息熵曲线用图片的形式存储；
• 保存文本文件：导出高光谱信息熵计算结果，以文本文件的形式存储。

  信息熵界面

信息熵结果说明：

信息熵计算值越大信息量越多，表明图像信息越丰富，同一地区不同图像，信息熵值越大，图像越清晰。

3.5操作技巧

暂无

3.6常见问题

问题1 :如何根据生成的曲线进行信息量评价？

解决办法：信息熵计算值越大信息量越多，表明图像信息越丰富，统一地区不同图像，信息熵值越大，图像越清晰。

3.7复习思考题

(1)使用演示数据或自行寻找的数据，练习【信息熵】功能操作。