基于模糊集的遥感图像质量评价.docVIP

基于模糊集的遥感图像质量评价 　　摘 要：在处理遥感图像时，测绘人员需要明确了解图像质量影响因素。运用模糊集理论进行遥感图像质量评价，能够为图像处理提供有效指导。在基于模糊集的图像处理理论基础上，依据一定的评价方法，重点对遥感图像精度、清晰度、分辨率、信噪比等图像质量维度进行评价，同时分析了模糊集的具体运用，能够为相关研究提供有效参考。 　　关键词：模糊集；遥感图像；质量评价 　　DOIDOI：10.11907/rjdk.162055 　　中图分类号：TP317.4 　　文献标识码：A文章编号：1672-7800（2016）012-0159-02 　　0 引言 　　Matlab能够为图像处理分析提供函数和工具箱，极大简化了图像处理步骤，提升了图像处理效率。将该软件与模糊集理论相结合进行遥感图像质量评价，可为图像处理提供标准和方向，能够更好地确保图像处理效果。 　　1 基于模糊集的图像处理理论 　　在社会科学或自然科学研究中，有许多概念并没有十分明确的定义，即具有模糊性。所谓模糊性，是指共维条件下的客观事物在中介过渡时展现出的“亦此亦彼”的特性。在普通集理论中，对于集合的对象，属于或者不属于，必须是其中一个，这就限定了普通集合论只能表现“非此即彼”的现象，是确定的概念。为了展现出模糊现象和模糊概念，1965年LA.zadeh最先定义了模糊集合的概念，使得集合论中X元素的集合隶属关系从{0，1}扩大到[0，1]，从而产生模糊集合的概念（也称模糊集）。 　　从目前研究来看，遗传算法、边缘检测、模糊神经网络和模糊增强算子等理论都属于模糊理论的分支，在图像增强、边界检测等算法中得到了广泛应用，并且取得了较好的图像处理效果。本文将用到的隶属函数是模糊理论中的重要概念，对图像进行模糊处理首先就要确定隶属函数。所谓隶属函数，其实就是表示判断x隶属于某种条件值的次数和总的询问次数n之比的极限，能够进行一个闭区间的隶属度的表示。根据模糊集隶属原则可知，假设 Ai∈IF（x），i=1，2，...，n，并且x∈X。如果i∈{1，2，...，n}使Aj（x）　　为了区分模糊集合和常规集合，将常规集合定义为分明集或非模糊集。广义下的模糊集合是在普通模糊集合的基础上进行补充，但是普通模糊集合隶属度值域为[0，1]，转化为经典集合的特征函数，同时普通模糊集合转化为分明集。由此得出，模糊集是分明集的推广，分明集是模糊集合的特殊形态。 　　2 基于模糊集的遥感图像质量评价 　　2.1 评价方法 　　在对遥感图像质量展开评价时，需要根据图像特点进行等级评分标准的制定。具体来讲，就是可以将评价指标划分成整体检查、专项检查和特征检查，需要分别完成图像精度、清晰度（MTF）、信噪比、局部分辨率和源数据完整性等内容的检查。而在对遥感图像质量评价指标进行初步判断描述时，可以将各指标划分成5个等级，然后对各级别进行细微描述，从而实现图像分类[1]。为实现准确描述，需要使用定性的指标参量值作为描述依据，并且尽量达成专家共识。 　　2.2 图像质量评价 　　由于评价元素存在共同影响质量的特点，并且各元素权重相差不大，可以将元素权重当成是完全均匀的。同时采纳多人的评判意见，使得到的评分准备也较为科学和全面。根据模糊集理论，可以将指标评语集划分为一等到五等，共5个等级，各等级评分依次为10-8分、8-6分、6-4分、4-2分以及2-0分。在对遥感图像质量进行评价时，可以使用Matlab语言进行图像精度、清晰度、信噪比等评价指标的计算，文中使用的遥感图像为美国Santee河流三角洲遥感影像，图像分辨率达4m，比例尺为1∶10 000（见图1）。而在Matlab环境中，利用图像统计特性就能够完成图像信息量携带和灰度级分布等情况的准确分析，因而能够使质量评价结果得到准确反映。 　　2.2.1 图像精度 　　在对图像精度进行分析时，采取计算图像几何精度的方法来评价是否合格。本文具体使用的评价精度因子为Kappa系数。在具体操作中，将真实参考的所有像元总数乘以混淆矩阵对角线的和，减去真实参考像元数与该类中被分类像元总数之积后，再除以像元总数的平方减去各类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。在一系列计算和分析后，最终得到了不同比例尺精度下的Kappa系数。将该系数乘以10并建立模型，则能够完成系数的十分制转化。假设得到的Kappa系数为0.9，标准值为0.84，则图像为合格图像。通过对选取的遥感图像进行检测发现，图像的误差矩阵整体检查Kappa值为96.2%，局部为92.9%。根据专业人员的打分，则可以完成图像精度的打分。 　　2.2.2 图像清晰度 　　图像清晰度又称锐度，是指影像上各细部影纹及其边界的清晰程度。通常有