基于任意自然景物圖像的在軌傳遞函數估計方法
【技術領域】
[0001] 本發明屬于光學遙感領域，涉及一種光學遙感衛星在軌傳遞函數估計方法，適用 于基于任意自然景物圖像的衛星在軌傳遞函數的動態估計。
【背景技術】
[0002] 在光學遙感領域，在軌傳遞函數(Modulation Transfer Function,MTF)不僅能夠 評價光學遙感衛星的在軌成像性能，還是地面圖像復原處理的關鍵輸入參數，因此準確獲 取衛星在軌MTF的對系統性能評價和像質大幅處理提升具有重要意義。盡管在光學遙感器 發射前已在對MTF進行了地面測試，但由于衛星在軌成像過程受到大氣環境、遙感器性能、 平臺抖動等退化因素的影響，在軌動態MTF通常與實驗室測試的靜態MTF存在一定的差異。
[0003] 國內外研究機構對在軌MTF估計方法進行了廣泛的研究，并已用于實際遙感衛星 的在軌MTF估計。按照測量目標分類，在軌MTF估計方法主要可分為高分辨率圖像法、線狀地 物法和邊緣地物法等。
[0004] 高分辨率圖像法是一種比對測量方法，該方法首先利用MTF已知的相機對地面景 物拍攝高分辨率圖像，再用低分辨率待測相機對相同地面景物成像，通過兩幅圖像的比對 計算，確定待測相機的在軌MTF。Schowengerdt利用同步獲取的航空圖像，測量了 Landsat5 的在軌MTF;Henry等人利用SP0T4上攜帶的HRVIR相機測量了低分辨率的VEGETATION相機的 MTF; Bensebaa利用高分辨率航空圖像測量了 CBERS-1衛星的MTF。高分辨率圖像法要求所拍 攝的地面景物信息要比較豐富，不能太單一，且要求高低分辨率兩個空間相機的波段設置 一致，獲得的圖像是同步或準同步的，一般適用于測量低分辨率衛星的在軌MTF。
[0005] 線狀地物法是利用地面上直線狀景物估計成像系統的線擴散函數(Line Spread ?皿(^1〇11，1^?)，通過對1^?進行傅里葉變換估計成像系統的肌^。常見的線狀地物有橋梁、 公路、機場跑道等。Schowengerdt等人利用Landsat5衛星圖像中的橋梁測量了其在軌MTF; Choi等人利用公路上的交通線測量了IK0N0S衛星的MTF，由于IK0N0S衛星分辨率高于交通 線的寬度，在測量計算中將交通線寬度作為方波輸入，將圖像上得到的響應作為脈沖響應 的輸出，輸出與輸入的比值即為系統的MTF; Bensebaa利用橋梁估計了 CBERS-1衛星的MTF。 線狀地物法是一種有效的利用特征地物信息測量MTF的方法，但是該方法通常對線狀地物 有較高的要求，一般適用于測量中低分辨率衛星的在軌MTF。
[0006] 邊緣地物法的測量原理與刀口法相同，通過測定地面上兩塊亮度相差較大的刀口 目標之間直線邊界的模糊狀況來確定成像系統的MTF。刀口法的測量過程為:首先找到圖像 中的刀口邊緣點，擬合出刀口邊緣曲線，然后按像素點與刀口邊緣的距離進行重采樣，得到 具有亞像元間隔的邊緣擴散函數(Edge Spread Function，ESF)數據，之后對ESF數據進行 平滑，并擬合出相應的曲線，對擬合得到的曲線進行微分，便可得到系統的LSF，LSF的傅里 葉變換就是成像系統的MTF。邊緣地物法中選擇的刀口目標可以是自然景物如海岸線、房屋 的邊緣等，也可以是人工搭建的地面刀口靶標。由于邊緣地物法具有像面能量大、測量精度 高等優點，該方法是目前應用最為廣泛的在軌MTF測量方法，目前已成功的用于SPOT系列、 OrbVi ew-3、IKONOS、Qui ckBird、CBERS-1、CBERS-2、K0MPSAT-2 等衛星。
[0007] 此外，Delvit等人基于人工神經網絡模型提出了一種利用自然景物圖像估計在軌 MTF的方法。該方法通過引入變差函數和參數化表征MTF將自然景物圖像和MTF區分開，并構 造了相應的特征矢量作為ANN的輸入。而后模擬不同在軌MTF下的遙感圖像形成訓練樣本 集，通過反復調整ANN結構進行訓練，建立起圖像特征與MTF之間聯系。在其仿真中，MTF估計 誤差小于10%。李宏壯等人在Delvit的基礎上，調整了神經網絡輸入向量，使用BP網絡重新 實現了該方法，并通過仿真實驗評價其算法，結果表明其估計誤差約為9%。但是，人工神經 網絡在進行估計前，需要大量的樣本進行反復訓練調整神經網絡結構，而由于已知在軌MTF 的圖像數據中包含的景物類型較少，目前只能通過仿真圖像作為訓練樣本，利用此訓練樣 本得到神經網絡結構對在軌圖像的處理能力尚未知曉。此外，該方法主要是針對高斯型MTF 函數進行參數化表征與估計。
[0008] 綜上所述，盡管目前國內外已提出了測量衛星在軌MTF的有效方法，但這些方法都 需要圖像中包含特征靶標景物，如橋梁、冰川以及人工鋪設的刀口靶標等。然而由于遙感成 像鏈路是動態的，實際的衛星圖像中因很少包含這些特征景物，而且成像鏈路MTF會隨成像 條件發生變化，要實現利用該方法進行MTF的動態估計難度很大。因此需要研究基于任意自 然圖像的在軌MTF估計方法。盡管目前也存在基于自然圖像的在軌MTF估計方法，但這些方 法僅是針對高斯型MTF參數化模型進行估計，而且對在軌圖像的處理能力尚未知曉。
【發明內容】
[0009] 本發明的目的是提供一種基于任意自然景物圖像的在軌傳遞函數估計方法，該方 法不需要圖像中包含任何特征靶標景物，而且能夠準確估計在軌MTF，并有效支撐光學遙感 衛星的在軌成像質量評價、遙感器性能評估及地面處理提升工作。
[0010] 本發明的目的是通過以下技術方案實現的：
[0011] -種基于任意自然景物圖像的在軌傳遞函數估計方法，包括如下步驟：
[0012] 步驟1:建立在軌MTF統計估計模型；
[0013] 步驟2:基于改進profile似然函數對步驟1中的MTF統計估計模型進行求解；
[0014]步驟3:估計噪聲方差，并基于步驟2中求解方法，進行算法的實現，最終利用MTF估 計算法得到MTF估計結果。
[0015] 本發明提出了一種基于任意自然景物圖像的在軌MTF估計方法，對比已有MTF測量 方法，具有如下優點：
[0016] 1、針對觀測圖像中在軌MTF與目標景物存在耦合性的問題，分別將目標景物和在 軌MTF參數化表征為二維分形布朗運動模型和指數型函數，建立了關聯目標景物參數和MTF 參數的遙感成像的統計表征模型，通過該模型的求解可實現MTF參數的估計。
[0017] 2、基于prof i le似然函數法研究了模型求解方法，針對模型中難以求解多余參數 解析解的問題，將求解過程轉化為分別對MTF參數和多余參數的最小化問題，通過交替迭代 求解實現對MTF參數的估計。
[0018] 3、提出了基于任意自然景物圖像的在軌MTF估計算法，給出了算法的完整流程，并 利用IK0N0S、Q UickBird和中巴資源衛星圖像數據對算法進行了實驗驗證，結果表明：該算 法能夠準確地估計MTF。
[0019] 4、提出的MTF估計方法不需要圖像中包含任何特征靶標景物(如橋梁、冰川以及人 工鋪設的刀口靶標等），并針對國內目前在軌測試MTF中頻下陷的特點，可準確估計指數型 MTF，從而能夠更有效地支撐我國光學遙感衛星的在軌成像質量評價、遙感器性能評估以及 地面處理提升工作。
【附圖說明】
[0020] 圖1為指數型MTF的三維分布；
[0021] 圖2為SeMTF算法框圖；
[0022]圖3為XX-6衛星圖像與其功率譜；
[0023] 圖4為XX-6衛星圖像功率譜；
[0024] 圖5為QuickBird衛星圖像；
[0025] 圖6為QuickBird衛星圖像功率譜；
[0026]圖7為中巴資源衛星圖像；
[0027]圖8為中巴資源衛星圖像功率譜；
[0028] 圖9為IK0N0S衛星圖像；
[0029] 圖10為IK0N0S衛星圖像功率譜；
[00