(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211244678.5 (22)申请日 2022.10.12 (71)申请人 中国人民解 放军32021部队 地址 100094 北京市海淀区北清路2 2号 (72)发明人 喻夏琼　孙韬　赵金贤　肖凡　 马东洋　程家胜　田亮　杨洋　 刘嵘　牛飞　陈金春　康悦然　 兰强　李莹　胡堃　李豪　范令志　 (74)专利代理 机构 北京高文律师事务所 1 1359 专利代理师 曹玲柱 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06V 10/766(2022.01) G06V 10/774(2022.01)G06V 20/13(2022.01) (54)发明名称 卫星影像辐射质量评价的方法、 装置、 存储 介质 (57)摘要 本发明提供了一种卫星影像辐射质量评价 的方法、 计算机装置、 计算机 可读存储介质。 该卫 星影像辐射质量评价的方法， 包括： 步骤A， 对所 述待评价卫星影像进行轮廓提取操作； 步骤B， 获 取待评价卫星影像的N个评价指标， 该N个评价指 标分为以下三类： 灰度统计特征指标、 纹理统计 特征指标、 辐射精度特征指标； 步骤C， 构建质量 评价回归模 型， 利用训练样本集中的样本对质量 评价回归模型进行训练； 步骤D， 将待评价卫星影 像的N个评价指标代入经过训练的质量评价回归 模型中， 获取待评价卫星影像的综合评价指标 值。 本发明中， 数据、 特征涵盖范围广， 能够全方 位地对卫星影像进行评价， 大大提升了评价的客 观性和准确性。 权利要求书4页 说明书16页 附图2页 CN 115546157 A 2022.12.30 CN 115546157 A 1.一种卫星影 像辐射质量评价的方法， 其特 征在于， 包括： 步骤A， 对所述待评价卫星影像进行轮廓提取操作， 去除无分析价值的外缘部分， 保留 有分析价 值的内侧部分； 步骤B， 获取待评价卫星影像的N个评价指标， 该N个评价指标分为以下三类： 灰度统计 特征指标、 纹 理统计特征指标、 辐射精度特 征指标； 步骤C， 构建质量评价 回归模型， 利用训练样本集中的样本对所述质量评价 回归模型进 行训练， 其中， 所述质量评价回归 模型为基于XGBo ost算法的回归 模型； 步骤D， 将待评价卫星影像的N个评价指标代入经过训练的质量评价回归模型中， 获取 所述待评价 卫星影像的综合评价指标值。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤D之后还包括： 将待评价卫星影像 的N个评价指标和对应的综合评价指标值共同增 加为训练样本集中的1个样本； 所述步骤C中， 所述训练样本集中包 含以下三类的训练样本： 第一类训练样本， 其指标集为基于卫星过境地面定标场的卫星影像计算的各项评价指 标， 其样本真值 为利用地 面设备测量获得的卫星影 像的综合评价指标值； 第二类训练样本， 其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项 评价指标， 其样本真值 为对所述以往卫星影 像的人工综合评价指标值； 第三类训练样本， 其指标集为所述待评价卫星影像的来源卫星的以往卫星影像的各项 评价指标， 样本真值 为所述以往卫星影 像通过步骤D所获取的自动综合评价指标值； 其中， 在训练起始阶段， 第一类训练样本和第二类训练样本的数量之和在总样本数量 中的占比的100％； 在训练成熟 阶段， 第一类训练样本在总样本数量中的占比低于30％； 第 二类样本的样本数量在总样 本数量中的占比低于30％； 第三类样本的样本数量在总样 本数 量中的占比高于40％， 且第三类样本在总样 本数量中的占比随着卫星影像的逐步积累从而 逐步提高。 3.根据权利要求1所述的方法， 其特 征在于， 所述 步骤C包括： 子步骤C1： 构建质量评价回归 模型L＝A·X， 其中： L为综合评价指标值， 其 值范围0％ ‑100％； X由N个评价指标构成的列向量， A为每个评价指标对应的偏差影响因子构成的行向量： 训练过程中， [L,X]为质量评价回归 模型的输入内容， A为需要通过训练获得的内容； 子步骤C2： 对质量评价回归 模型中的A进行初始化设置； 子步骤C3， 利用训练样本集中的样本， 采用XGBoost算法对质量评价回归模型进行训练 迭代， 直到满足预测精度要求。 4.根据权利要求3所述的方法， 其特 征在于， 所述子步骤C1中：权　利　要　求　书 1/4 页 2 CN 115546157 A 2A＝(h1…hn1 w1…wn2 f1…fn3) 其中： H1为第1个灰度统计 特征指标， h1为其对应的偏差影响因子； Hn1为第n1个 灰度统计 特征指标， hn1为其对应的偏差影响因子； W1为第1个纹理统计特征指标， w1为其对应的偏差 影响因子； Wn2为第n2个纹理统计特征指标， wn2为其对应的偏差影响因子； F1为第1个辐射精 度特征指标， f1为其对应的偏差影响因子； Fn3为第n3个辐射精度特征指标， fn3为其对应的偏 差影响因子； n 1、 n2、 n3分别为灰度统计特征指标、 纹理统计特征指标、 辐射精度特征指标的 个数， n1+n2+n3＝ N， N为评价指标的总数。 5.根据权利要求 4所述的方法， 其特 征在于， 所述子步骤C2中， 对于每一个评价指标而言， 其初始对应的偏差影响因子为： 在用户未 设定的情况 下取默认值； 在用户设定的情况 下取用户设定值； 和/或 所述子步骤C3中， 所述XGBoost算法的学习率取0.1， 树的总数量取500， 其他参数取默 认值， 其中树的最大深度、 最小叶子分裂值、 样 本采样、 属性列采样参数采用Sciki ‑learn包 里面的网格搜索GridSearc hCV函数进行 XGBoost参数的寻优。 6.根据权利要求1所述的方法， 其特 征在于： 所述灰度统计特征指标包括： 辐射均值、 最小值、 最大值、 峰值、 中值、 亮度范围值、 方 差、 标准差和信噪比； 所述纹理统计特征指标包括： 信息熵、 角二阶矩、 细节能量、 边缘能量、 局部平稳、 信息 容量、 对比度和清晰度； 所述辐射精度特 征指标包括： 偏斜度、 陡度、 边 缘辐射畸变、 增益调整畸变和功率谱。 7.根据权利要求6所述的方法， 其特 征在于： 所述灰度统计特 征指标中： 辐射均值M为： 最小值Mmin为： Mmin＝MIN(g(x,y) )； 最大值Mmax为： Mmax＝MAX(g(x,y) )； 峰值为待评价 卫星影像对应直方图曲线上的最高点； 中值为待评价 卫星影像对应直方图曲线的频率分布中值； 每个波段的亮度范围值 为该波段中灰度最大值和灰度最小值之差； 方差是所有像素 灰度值和均值之差的平均平方差， 其平方根 为标准差； 信噪比采用局部均值和 局部标准差法进行计算； 其中， S是影像面积， g(x,y)为待评价卫星影像中位置(x,y)对应的灰度 值； 所述纹理统权　利　要　求　书 2/4 页 3 CN 115546157 A 3