2016, Vol. 31
风云二号(FY-2)系列气象卫星是我国自行研制的第一代静止气象卫星，主要用于获取白天可见光云图、昼夜红外云图和水汽分布图，转发和传输高分辨率数字展宽云图，收集气象、海洋、水文监测数据，监测太阳活动和卫星所处轨道的空间环境等，在全球气象卫星观测网中，FY-2卫星占据十分重要的位置，已成为天气分析和预报服务必不可少的监测平台.最新发射的FY-2G星是风云二号03批的第二颗业务星，于2014年12月31日升空，定点于99.5°E赤道上空的地球同步轨道，经过严格在轨测试(国家卫星气象中心，2015)，已于2015年4月29日正式交付使用.
FY-2G星完成其目标使命的一个重要前提是图像质量的保障，遥感图像质量由星载遥感仪器的光学特性决定(谷松岩和范天锡，1999；王婷等，2015)，受各种失真因素影响，会有不同程度下降(Zhang et al., 2009；Chandler, 2013；邵宇等，2013；Yuan et al., 2014)，甚至影响到遥感图像的后续应用.通过对FY-2G遥感图像质量进行分析与评价，可为静止卫星数据的获取与处理提供参考依据，同时也可作为对后续其他卫星图像质量测试方法的有益探索，这也是本文的研究目的.
遥感图像质量评价方法一般分为主观评价和客观评价两类(Cohen and Yitzhaky, 2010；何中翔等，2011；余先川等，2012；Wang et al., 2014)，主观评价是根据主观经验评价图像质量，可直接反映视觉感受，但缺少统一标准，且工作量较大；客观评价是根据计算模型对图像进行量化评价，相比主观评价，客观评价更为准确和高效.吴琼等(2012)利用直方图、信息熵、功率谱等方法对搭载于极轨卫星的微波成像仪在不同扫描周期下的图像质量进行分析；吕赛等(2012)通过检测云含量并结合调制传递函数(Modulation Transfer Function，MTF)参数估计，设计了一个遥感图像质量评价系统；杜少波等(2013)提出了一种基于模糊熵的红外图像质量评价方法；邵宇等(2013)根据结构相似性度量方法，尝试同时考虑模糊和噪声因素对worldview-2卫星遥感图像进行实验；马文坡(2014)将MTF、地面像元分辨率和噪声等效温差作为分析中波和长波红外推扫成像性能的依据；李霖等(2014)将客观与主观评价相结合，探讨了资源三号(ZY-3)卫星图像数据的灰度和纹理特征.本文将基于频数分布直方图、纹理特征参数、功率谱、MTF和噪声估计等指标，考察FY-2G遥感图像质量，并将其与参数性能相近且覆盖区域相似的日本MTSAT-2静止气象卫星进行比较.
1 数据源与分析区域FY-2G星载多通道扫描辐射计具有一个可见光、两个长波红外、一个中波红外和一个水汽共5个光谱通道，可在非汛期每小时、汛期每半小时获取一幅以我国中部经度为中心的覆盖地球约三分之一面积的全圆盘图像，可见光通道星下点分辨率1.25 km，红外和水汽通道星下点分辨率5 km.FY-2G和MTSAT-2的主要技术参数如表 1所示.本文的研究数据来源于2015年1月23日至2015年4月30日国家卫星气象中心实时接收的FY-2G 1级数据，包括展宽数据的存档资料和标称投影数据集产品资料，以及MTSAT-2 1级标称投影数据资料，图像时次主要考虑北京时午间和晚间，午间时次光照条件较好，晚间时次对中波红外通道的污染较小.由于FY-2G和MTSAT-2卫星定点位置不同，分别位于99.5°E和145°E，为减小这一影响，在计算各指标时，应尽可能将分析区选在两颗卫星的中间区域.
|
表 1 FY-2G和MTSAT-2主要技术参数 Table 1 Key parameters of FY-2G and MTSAT-2 |
直方图反映图像像素强度值的分布情况(Crespi and De Vendictis, 2009；王忆锋，2009)，通过直方图分析，可度量可见光各探测器的一致性、确定可见光和红外通道物理量的动态范围.
首先，统计FY-2G可见光四个探测器整幅图像的直方图，为方便说明，我们同时也统计了风云二号03批第一颗业务星FY-2F可见光四个探测器的直方图，以2015年4月16日5:30(UTC)时次的数据为例，如图 1所示，可以看出，FY-2G与FY-2F可见光通道的计数值概率分布都比较趋近于正态分布，二者相比，FY-2G的分布更加稳定.将可见光四个探测器直方图进行两两对比，用欧式距离度量其相关性，各直方图欧式距离的均值和标准差见表 2，对比结果说明FY-2G可见光各探测器的一致性更好.
|
图 1 可见光四个探测器计数值直方图分布(a) FY-2F;(b) FY-2G. Figure 1 Histogram of four visible detectors |
|
|
表 2 可见光四个探测器计数值直方图相关性 Table 2 Correlation between histograms of four visible detectors |
根据定标表得到FY-2G可见光反照率和各红外通道的亮度温度，计算各物理量对应采样点个数，并与MTSAT-2卫星对比.在两颗卫星中间区域120°E附近，考虑尽量减少云的干扰以及海陆比例尽可能相等等因素，选择中国东南部800×800个像素的晴空区域为分析区.图 2是FY-2G和MTSAT-2可见光反照率直方图的对比结果，二者峰值出现位置和采样点数量基本吻合，在所选分析区的反照率范围内，随反照率变大，直方图存在微小差异，与可见光通道的光谱特征有关.
|
图 2 可见光反照率直方图 Figure 2 Histogram of visible reflectance |
FY-2G红外四个通道的亮温直方图参见图 3，分析区选取中国东南部200×200个像素的晴空区域.其中，红外1和红外2通道的图像最相近，有一些微观上的不同，主要是由卫星定点位置不一致等原因造成，并且红外2通道的波长较大，易受大气吸收影响.红外3和红外4通道直方图整体变化趋势相似，存在一定差异主要与通道光谱特征有关，另外，红外4通道还受太阳光照角影响.
|
图 3 红外亮温直方图(a)红外1通道; (b)红外2通道; (c)红外3通道; (d)红外4通道. Figure 3 Histogram of infrared brightness temperature |
进一步地，根据直方图统计结果，得到各通道物理量动态范围，一般通道动态范围和通道增益水平及仪器工作的环境温度有关，动态范围大，说明图像清晰.表 3和表 4是FY-2G和MTSAT-2各通道在分析区内最大/最小有效观测目标的检测结果及各通道物理量的均值和标准差，对比可知，FY-2G可见光通道动态范围大于MTSAT-2，红外四个通道动态范围小于MTSAT-2，其中红外3通道动态范围与MTSAT-2最接近.另外，物理量均值反映地物整体辐射状况，标准差是相对于物理量均值的离散情况，标准差大，表明图像信息更丰富，根据表 3和表 4的统计结果，FY-2G的可见光和红外4通道标准差比MTSAT-2大，红外1、红外2和红外3通道标准差比MTSAT-2小，其中红外4通道的结果可能受到太阳光照角影响.
|
|
表 3 FY-2G各通道物理量特征统计 Table 3 Statistics of visible reflectance and infrared brightness temperature features of FY-2G |
|
|
表 4 MTSAT-2各通道物理量特征统计 Table 4 Statistics of visible reflectance and infrared brightness temperature features of MTSAT-2 |
纹理是一种反映图像中同质现象的视觉特征(钟桦等，2011；Champion et al., 2014)，提取纹理特征的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的(Lü et al., 2010；Li et al., 2012；桑庆兵等，2013；王倩等，2015).共生矩阵用两个位置的像素的联合概率密度来定义，不仅反映亮度的分布特性，也反映具有相同或相近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征.若将图像灰度级定为k级，那么共生矩阵为k×k矩阵，可表示为G(Δx, Δy)(i, j)，其中位于(i, j)的元素g(i, j)表示一个灰度为i、另一个灰度为j的两个相距(Δx, Δy)的像素对出现的次数.相应的归一化矩阵为
|
(1) |
其中，N(Δx, Δy)为图像中相距(Δx, Δy)的像素对的总数.基于共生矩阵可产生多种特征值(李霖等，2014)，本文选择其中较典型且相关性较小的三个特征：均匀性(Local homogeneity，HOM)、对比度(Contrast，CON)和熵(Entropy，ENT).均匀性用于度量图像纹理的局部变化程度，均匀性大，说明局部较均匀；对比度反映图像清晰程度，对比度大，说明纹理更清晰，视觉效果更好；熵用于度量图像所具有的信息量，熵值越大，说明图像复杂度越高，信息量越大.相关计算公式为
|
(2) |
|
(3) |
|
(4) |
根据各通道物理量动态范围确定其量化等级，像素对取0°、45°、90°和135°四个方向，步长1个像元，特征值为四个方向平均值.在120°E附近选择无云区进行分析，可见光和红外波段分别选定2015年4月11日5:30(UTC)时次澳大利亚西北部400×400个像素，以及2015年4月12日11:30(UTC)时次澳大利亚西北部100×100个像素的陆地区域.表 5和表 6给出各纹理特征值.局部稳定性方面，FY-2G可见光通道图像与MTSAT-2相同，红外四个通道相比，红外1和红外2图像相似，与MTSAT-2相比，MTSAT-2红外图像的空间结构略明显；对比度方面，FY-2G可见光较清晰，红外图像逊于MTSAT-2，其中红外3通道图像与MTSAT-2相对接近；熵值计算结果表明，可见光波段，FY-2G图像所含信息量与MTSAT-2相近，MTSAT-2略多，而红外波段，MTSAT-2图像包含地物信息略多于FY-2G.综合纹理特征可知，FY-2G可见光图像的清晰度、层次和细节表现能力都很好，MTSAT-2图像所含信息量略高，可能与其可见光光谱覆盖范围略大及三轴稳定的姿态有关；MTSAT-2红外图像的清晰度和对比度优于FY-2G，且接收信息量更大，红外3通道图像的一些细节在MTSAT-2图像上比FY-2G表现略明显，说明FY-2G灵敏度更高，大气中弱水汽的吸收效应优于MTSAT-2.
|
|
表 5 FY-2G各通道图像纹理特征 Table 5 Texture features of FY-2G image |
|
|
表 6 MTSAT-2各通道图像纹理特征 Table 6 Texture features of MTSAT-2 image |
频谱分析可将遥感图像中的空域信息转化为频域信息，根据高频分量的变化判断遥感图像质量的相对优劣(谷松岩和范天锡，1999；吴琼等，2012).通常，图像质量下降时，高频分量丢失，功率谱各分量之和会减小.设f(x, y)为图像转换为物理量后的二维序列，其离散傅里叶变换为(Zhang et al., 2011；王文延等，2005；梁宛玉等，2011；黄传波和金忠，2011)
|
(5) |
其中，M和N分别为x和y轴上采样点个数，u=0, 1, …, M-1，v=0, 1, …, N-1，则图像功率谱
|
(6) |
其中，F*(u, v)为F(u, v)的共轭复数，功率谱各分量之和
|
(7) |
功率谱常用对数形式表达，单位为分贝(dB)，我们定义如下系数作为度量尺度
|
(8) |
遥感图像中反差最大位置是海陆边界，若图像质量下降，海陆边界会变模糊，因此选择海陆边界地区进行频谱分析，可更有效检测图像质量.使用2015年4月16日5:30(UTC)时次的数据，可见光分析区为中国东南部800×800个像素晴空区，红外分析区为中国东南部200×200个像素晴空区.表 7给出功率谱计算结果，以式(8)所定义r值为评价指标，图 4和图 5分别给出可见光和四个红外通道的功率谱对比曲线.可见光通道，FY-2G和MTSAT-2功率谱总体分布形式相似，FY-2G高频部分的功率谱略高于MTSAT-2，两颗星r值十分接近，FY-2G略大；红外通道，两颗卫星功率谱变化趋势相似，MTSAT-2功率谱及r值相对大于FY-2G，其中红外3通道最接近.从频谱分析结果看，FY-2G可见光图像质量略优于MTSAT-2，红外图像则是MTSAT-2相对更好.
|
图 4 可见光通道功率谱 Figure 4 Power spectrum of visible channel |
|
图 5 红外通道功率谱(a)红外1通道; (b)红外2通道; (c)红外3通道; (d)红外4通道. Figure 5 Power spectrum of infrared channel |
|
|
表 7 功率谱评价指标(单位：dB) Table 7 Power spectrum |
MTF反映成像系统对不同空间尺度目标的调制传递特性(Radun et al., 2008；Cohen and Yitzhaky, 2010；郭强等，2009)，用函数描述光学遥感器的质量，比灰度统计方法更加全面和准确.定义某一频率ν的MTF为
|
(9) |
其中，M像(ν)和M物(ν)分别为像和物的调制度.由于M像(ν)≤M物(ν)，所以0≤T(ν)≤1.MTF值越大，意味着M像(ν)与M物(ν)越接近，光能改变程度越小，光学系统的性能越好.严格讲，卫星整体传递函数由主光学系统传递函数、探测器传递函数、数传电路传递函数和大气传递函数组成，相比而言，探测器传递函数和数传电路传递函数下降很小，对成像质量起不到很大作用，而大气影响则可通过选择气象条件较好的遥感图像来排除，因此这里主要关注主光学系统传递函数.
测量卫星传感器系统MTF常利用点源、刃边、线脉冲等便于进行数学描述的特殊参照目标(徐伟伟等，2014)，我们采用的是“刃边”函数法，即提取图像中锐利的过渡边缘，如海岸线等，并利用线性移不变系统的傅立叶分析法得到图像MTF的数值解.分析FY-2G可见光、红外1、红外2和中波红外通道2015年4月16日5:30(UTC)时次的区域图像，将中国东南海岸设为有效边缘区域，根据各通道物理量计算所得MTF曲线如图 6所示，表 8给出了系统的特征MTF值，为方便比较，表 8中还列出了MTSAT-2的MTF计算结果.经对比，FY-2G可见光波段的特征MTF值比MTSAT-2高，说明前者可见光图像清晰度优于后者；三个红外通道相比，FY-2G红外1和红外2通道的性能优于中波红外通道，与MTSAT-2相比，MTSAT-2更好.
|
图 6 FY-2G沿扫描方向系统MTF (a)可见光通道; (b)红外1通道; (c)红外2通道; (d)中波红外通道. Figure 6 MTF of FY-2G along scan direction |
|
|
表 8 MTF计算结果 Table 8 Modulation transfer function |
噪声特性在很大程度上反映遥感仪器的性能(李相民和倪国强，2008；王琳等，2015)，在遥感图像获取过程中，噪声来源复杂，很难对每种噪声进行测量(朱博等，2010).均匀区域法最初用于光学遥感中高斯白噪声的估算(高连如等，2007；王宇庆，2011；王志明，2015)，从实际图像中选取若干均匀区域，该区域中应不含地物边缘，计算各区域标准差作为局部噪声，设置局部噪声区间，以众数最大区间内的局部噪声均值为图像最佳噪声估计.
基于均匀区域法的思想，根据各通道特点，对每个通道图像，选择四组不同目标，然后对各目标选择10×10、20×20、30×30、40×40、50×50五种大小的相对均匀区域，计算各区域噪声均方根，进而通过定标表，得到各区域可见光图像噪声等效反照率(NEΔρ)和红外图像噪声等效温差(NEΔT)，取各区域噪声分析结果的均值度量图像噪声.
使用2015年4月14日5:30(UTC)时次的数据，分别在中国东南部、中国南海、印度洋东部和澳大利亚东北部选取分析区，所选区域为晴空区，且地物分布相对均匀.表 9和表 10分别为可见光和红外图像噪声分析结果，在1%反照率条件下，FY-2G可见光图像信噪比与MTSAT-2相近，后者略高；FY-2G红外1、红外2和红外3通道等效噪声水平接近，且性能优于红外4通道图像，相比MTSAT-2，FY-2G红外1和红外2通道性能与MTSAT-2基本一致，红外3通道略好于MTSAT-2，而红外4通道则是MTSAT-2更好.
|
|
表 9 可见光图像噪声评估 Table 9 SNR of visible images |
|
|
表 10 红外图像噪声评估 Table 10 NEΔT of infrared images |
遥感图像质量评价是一项复杂的工作，目前还未形成统一标准，本文尝试通过直方图统计、纹理特征提取、频谱分析、MTF检测以及噪声评估等方法对我国FY-2G静止气象卫星遥感图像质量进行分析.根据本文研究，得出如下结论：FY-2G可见光通道图像清晰、层次丰富，能较明确地反映地物的空间结构，图像质量略优于MTSAT-2；FY-2G红外四个通道相比，长波红外通道图像最为清晰，包含地物信息最多，相对MTSAT-2，两颗星红外图像质量差别不大，后者略好.本文的实验为尽量提高测量准确性、减少卫星定点位置差异及云的干扰所带来的影响，主要是选择部分时次和局部区域数据进行典型个例分析，因此有的结果可能存在一定局限性.总体而言，FY-2G图像具有很好的性能，可以满足业务运行和实际应用的需要.
致谢 感谢审稿专家提出的修改意见和编辑部的大力支持！| [1] | Champion I, Germain C, Da Costa J P, et al .2014. Retrieval of forest stand age from SAR image texture for varying distance and orientation values of the Gray Level Co-occurrence Matrix[J]. IEEE Geoscience and Remote Sensing Letters, 11 (1) : 5–9. DOI:10.1109/LGRS.2013.2244060 |
| [2] | Chandler D M .2013. Seven challenges in image quality assessment:Past, present, and future research[J]. ISRN Signal Processing, 2013 : 905685. |
| [3] | Cohen E, Yitzhaky Y .2010. No-reference assessment of blur and noise impacts on image quality[J]. Signal, Image and Video Processing, 4 (3) : 289–302. DOI:10.1007/s11760-009-0117-4 |
| [4] | Crespi M, De Vendictis L .2009. A procedure for high resolution satellite imagery quality assessment[J]. Sensors, 9 (5) : 3289–3313. DOI:10.3390/s90503289 |
| [5] | Du S B, Zhang C, Wang C, et al .2013. Method of no-reference quality assessment for blurred infrared image[J]. Journal of Computer Applications, 33 (8) : 2306–2309. DOI:10.3724/SP.J.1087.2013.02306 |
| [6] | Gao L R, Zhang B, Zhang X, et al .2007. Study on the method for estimating the noise in remote sensing images based on local standard deviations[J]. Journal of Remote Sensing, 11 (2) : 201–208. |
| [7] | Gu S Y, Fan T X .1999. Power spectrum analysis on the image quality of FY-2 & GMS-5 IR channels[J]. Quarterly Journal of Applied Meteorology, 10 (3) : 374–378. |
| [8] | Guo Q, Li X Y, Chen G L .2009. On-orbit MTF evaluation for thermal infrared band of FY-2 satellite and its application in image quality improvements[J]. Journal of Infrared and Millimeter Waves, 28 (5) : 335–341. DOI:10.3724/SP.J.1010.2009.00335 |
| [9] | He Z X, Wang M F, Yang S H, et al .2011. Research on objective quality assessment of remote sensing image[J]. Journal of Engineering Graphics, 32 (6) : 47–52. |
| [10] | Huang C B, Jin Z .2011. Image retrieval based on combination of visual perception and local binary pattern histogram Fourier[J]. Journal of Computer-Aided Design & Computer Graphics, 23 (3) : 406–412. |
| [11] | Li L, Chen Y Y, Gao H J, et al .2012. Automatic recognition of village in remote sensing images by support vector machine using co-occurrence matrices[J]. Sensor Letters, 10 (1-2) : 523–528. |
| [12] | Li L, Luo H, Tang X M, et al .2014. Characteristic analysis and quality assessment of ZY-3 multi-spectral image[J]. Remote Sensing for Land & Resources, 26 (1) : 17–24. |
| [13] | Li X M, Ni G Q .2008. Noise analysis of infrared cameras[J]. Infrared and Laser Engineering, 37 (S) : 523–526. |
| [14] | Liang W Y, Sun Q S, Xia D S .2011. Identification of the motion blur direction using spectral property[J]. Journal of Image and Graphics, 16 (7) : 1164–1169. |
| [15] | Lü S, Li X Z, Zhang J X .2012. Remote sensing image quality analysis and assessment methods study[J]. Computer Simulation, 29 (9) : 266–270. |
| [] | Lü W T, Yu Q Z, Yu W X. 2010. Water extraction in SAR images using GLCM and Support Vector Machine[C].//Proceedings of the IEEE 10th International Conference on Signal Processing. Beijing:IEEE, 740-743. |
| [17] | Ma W P .2014. Performance analysis on MWIR and LWIR pushbroom imaging[J]. Infrared and Laser Engineering, 43 (12) : 3861–3865. |
| [] | National Satellite Meteorological Center. 2015. On-orbit test report of FY-2G (in Chinese)[R]. |
| [19] | Radun J, Leisti T, Häkkinen J, et al .2008. Content and quality:Interpretation-based estimation of image quality[J]. ACM Transactions on Applied Perception, 4 (4) : 21. |
| [20] | Sang Q B, Li C F, Wu X J .2013. No-reference blurred image quality assessment based on gray level co-occurrence matrix[J]. Pattern Recognition and Artificial Intelligence, 26 (5) : 492–497. |
| [21] | Shao Y, Sun F C, Li H B .2013. No-reference remote sensing image quality assessment method using visual properties[J]. Journal of Tsinghua University (Science & Technology), 53 (4) : 550–555. |
| [] | Wang L, Wang X, Li X, et al. 2014. No-reference remote sensing image quality assessment using a comprehensive evaluation factor[C]//Proceedings of SPIE 9124, Satellite Data Compression, Communications, and Processing X. Baltimore, Maryland, USA:SPIE. |
| [23] | Wang L, Zhang S H, Li X, et al .2015. Assessing stripe noise of multispectral remote sensing image based on phase congruency[J]. Infrared and Laser Engineering, 44 (10) : 3148–3154. |
| [24] | Wang Q, Hu H Q, Hu Z J, et al .2015. A method for detecting the change of auroral activities based on the All-sky image sequence[J]. Chinese Journal of Geophysics, 58 (9) : 3038–3047. DOI:10.6038/cjg20150902 |
| [25] | Wang T, Liao X Y, Cheng H .2015. Evaluation on data quality of GF-1 PMS sensor data in Youxian, Hunan province[J]. Progress in Geophysics, 30 (5) : 2082–2088. DOI:10.6038/pg20150511 |
| [] | Wang W Y, Zeng Q N, Li Q. 2005. Time-frequency analysis theory and its application in signal processing[J/OL]. Sciencepaper Online (in Chinese), http://www.paper.edu.cn/releasepaper/content/200510-58. |
| [27] | Wang Y F .2009. Statistical analysis of infrared images using gray scale histogram[J]. Infrared, 30 (4) : 14–16. |
| [28] | Wang Y Q .2011. Application of local variance in image quality assessment[J]. Chinese Optics, 4 (5) : 531–536. |
| [29] | Wang Z M .2015. Review of no-reference image quality assessment[J]. Acta Automatica Sinica, 41 (6) : 1062–1079. |
| [30] | Wu Q, Yang L, Yang H .2012. Image quality evaluation of MWRI from FY-3B satellite[J]. Remote Sensing Technology and Application, 27 (4) : 542–548. |
| [31] | Xu W W, Zhang L M, Shen Z G, et al .2014. On-orbit MTF estimation of high resolution satellite optical sensor[J]. Journal of Atmospheric and Environmental Optics, 9 (2) : 97–111. |
| [32] | Yu X C, An W J, He H .2012. A method of auto classification based on object oriented unsupervised classification[J]. Progress in Geophysics, 27 (2) : 744–749. DOI:10.6038/j.issn.1004-2903.2012.02.042 |
| [33] | Yuan T, Zheng X Q, Hu X, et al .2014. A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm[J]. PLoS One, 9 (1) . |
| [] | Zhang B, Chen Z C, Li J S, et al. 2009. Image quality evaluation on Chinese first earth observation hyperspectral satellite[C].//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Cape Town:IEEE, 1:I-188-I-191. |
| [35] | Zhang L, Zhang L, Zhang D, et al .2011. Ensemble of local and global information for finger-knuckle-print recognition[J]. Pattern Recognition, 44 (9) : 1990–1998. DOI:10.1016/j.patcog.2010.06.007 |
| [36] | Zhong H, Yang X M, Jiao L C .2011. Texture classification based on multiresolution co-occurrence matrix[J]. Journal of Computer Research and Development, 48 (11) : 1991–1999. |
| [37] | Zhu B, Wang X H, Tang L L, et al .2010. Review on methods for SNR estimation of optical remote sensing imagery[J]. Remote Sensing Technology and Application, 25 (2) : 303–309. |
| [38] | 杜少波, 章冲, 王超, 等.2013. 红外模糊图像的无参考质量评价方法[J]. 计算机应用, 33 (8) : 2306–2309. |
| [39] | 高连如, 张兵, 张霞, 等.2007. 基于局部标准差的遥感图像噪声评估方法研究[J]. 遥感学报, 11 (2) : 201–208. |
| [40] | 谷松岩, 范天锡.1999. FY-2和GMS-5红外通道遥感图像质量的功率谱分析[J]. 应用气象学报, 10 (3) : 374–378. |
| [41] | 郭强, 李欣耀, 陈桂林.2009. FY-2卫星热红外波段MTF在轨评价及其在改进图像质量中的应用[J]. 红外与毫米波学报, 28 (5) : 335–341. |
| [] | 国家卫星气象中心. 2015.风云二号G星在轨测试报告[R]. |
| [43] | 何中翔, 王明富, 杨世洪, 等.2011. 遥感图像客观质量评价方法研究[J]. 工程图学学报, 32 (6) : 47–52. |
| [44] | 黄传波, 金忠.2011. 结合视觉感知与LBP傅里叶直方图的图像检索[J]. 计算机辅助设计与图形学学报, 23 (3) : 406–412. |
| [45] | 李霖, 罗恒, 唐新明, 等.2014. 资源三号卫星多光谱图像特征分析和质量评价[J]. 国土资源遥感, 26 (1) : 17–24. |
| [46] | 李相民, 倪国强.2008. 红外热像仪的噪声分析[J]. 红外与激光工程, 37 . |
| [47] | 梁宛玉, 孙权森, 夏德深.2011. 利用频谱特性鉴别运动模糊方向[J]. 中国图象图形学报, 16 (7) : 1164–1169. |
| [48] | 吕赛, 李绪志, 张九星.2012. 遥感图像质量分析与评价方法研究[J]. 计算机仿真, 29 (9) : 266–270. |
| [49] | 马文坡.2014. 中波红外与长波红外推扫成像性能分析[J]. 红外与激光工程, 43 (12) : 3861–3865. |
| [50] | 桑庆兵, 李朝锋, 吴小俊.2013. 基于灰度共生矩阵的无参考模糊图像质量评价方法[J]. 模式识别与人工智能, 26 (5) : 492–497. |
| [51] | 邵宇, 孙富春, 李洪波.2013. 基于视觉特性的无参考型遥感图像质量评价方法[J]. 清华大学学报(自然科学版), 53 (4) : 550–555. |
| [52] | 王琳, 张少辉, 李霄, 等.2015. 应用相位一致性评价多光谱遥感图像条带噪声[J]. 红外与激光工程, 44 (10) : 3148–3154. |
| [53] | 王倩, 胡红桥, 胡泽骏, 等.2015. 基于全天空图像的极光活动变化检测方法研究[J]. 地球物理学报, 58 (9) : 3038–3047. DOI:10.6038/cjg20150902 |
| [54] | 王婷, 廖秀英, 程辉.2015. 高分一号卫星PMS传感器湖南攸县幅数据质量评价[J]. 地球物理学进展, 30 (5) : 2082–2088. DOI:10.6038/pg20150511 |
| [] | 王文延, 曾庆宁, 李琴. 2005.时频分析理论及其在非平稳信号处理中的应用[J/OL].中国科技论文在线, http://www.paper.edu.cn/releasepaper/content/200510-58. |
| [56] | 王忆锋.2009. 红外图像灰度直方图统计分析的研究[J]. 红外, 30 (4) : 14–16. |
| [57] | 王宇庆.2011. 局部方差在图像质量评价中的应用[J]. 中国光学, 4 (5) : 531–536. |
| [58] | 王志明.2015. 无参考图像质量评价综述[J]. 自动化学报, 41 (6) : 1062–1079. |
| [59] | 吴琼, 杨磊, 杨虎.2012. FY-3B微波成像仪图像质量评价[J]. 遥感技术与应用, 27 (4) : 542–548. |
| [60] | 徐伟伟, 张黎明, 沈政国, 等.2014. 高分辨光学卫星传感器在轨MTF检测[J]. 大气与环境光学学报, 9 (2) : 97–111. |
| [61] | 余先川, 安卫杰, 贺辉.2012. 基于面向对象的无监督分类的遥感影像自动分类方法[J]. 地球物理学进展, 27 (2) : 744–749. DOI:10.6038/j.issn.1004-2903.2012.02.042 |
| [62] | 钟桦, 杨晓鸣, 焦李成.2011. 基于多分辨共生矩阵的纹理图像分类[J]. 计算机研究与发展, 48 (11) : 1991–1999. |
| [63] | 朱博, 王新鸿, 唐伶俐, 等.2010. 光学遥感图像信噪比评估方法研究进展[J]. 遥感技术与应用, 25 (2) : 303–309. |