4 影像质量评估与统计评价

4 影像质量评估与统计评价

遥感数据如何引入误差？

• 环境（如大气散射）
• 遥感系统的随机误差或故障（如未定标探测器产生的条带）
• 不恰当的在轨或地面处理（如不精确的模-数转换）
  影像

影像质量评价

• 查看影像直方图中单个亮度值出现的频率
• 在计算机上查看某一具体位置或地理区域的像元亮度值
• 计算基本的一元描述性统计量，判断影像数据中是否存在异常
• 计算多元统计量以确定波段间的相关

4.1 图像质量评估（Image Quality Assessment, IQA）

IQA从方法上可分为主观评估和客观评估。
主观评估：从人的主观感知来评价图像的质量，首先给出原始参考图像和失真图像，让标注者给失真图像评分，一般采用平均主观得分（Mean Opinion Score, MOS）或平均主观得分差异（Differential Mean Opinion Score, DMOS）表示。
客观评估：使用数学模型给出量化值，可以使用图像处理技术生成一批失真图像，操作简单，已经成为IQA研究的重点。
图像质量评估算法的目标：自动评估与人的主观质量判断相一致的客观图像质量。
存在问题：主观评估费时费力，在实际应用中不可行，并且主观实验受观看距离、显示设备、照明条件、观测者的视觉能力、情绪等诸多因素影响。 因此，有必要设计出能够自动精确的预测主观质量的数学模型。

4.2 直方图

4.2.1 什么是图像直方图？

亮度：人们把照片的亮度分为0到255共256个数值，数值越大，代表的亮度越高。其中0代表纯黑色的最暗区域，255表示最亮的纯白色，而中间的数字就是不同亮度的灰色。人们还进一步把这些亮度分为了5个区域，分别是黑色，阴影，中间调，高光和白色。


（PS：该直方图准确来说应该叫RGB直方图，因为他是由红、绿、蓝三个通道的直方图叠加后除以3而成的。）

4.1.2 直方图对遥感数字影像处理的意义

遥感数据单波段亮度值的量化等级通常在$2^8$ ~ $2^{11}$之间，多数遥感数据量化为8位，即值域为0~255。量化等级越高，从影像中提取微弱光谱反射特性的可能性就越高。

元数据

元数据是描述数据的信息，可能包括：文件名、最后修改日期、量化等级、行列数、波段数、一元统计量（最小值、最大值、均值、中值、众数、标准差）、地理参考和像元尺寸。

4.2 像元亮度值

（上图为单个像元亮度值及像元亮度值的二维评价。图c)中亮度值大于70则表示河与水陆交接的像元）

（上图为像元亮度值的三维评价）

4.3 影像的统计学描述

4.3.1 一元统计学描述

趋势测度：众数、中值
离散度：样本方差、标准差
标准差小则说明观测值比较紧密的集中在中心值的周围，标准差越大说明观测值比较分散。

（从该图可以看出，第2波段低亮度值是由于叶绿素光合作用吸收红光造成。绿色植物对入射近红外能量的反射增加导致两个近红外（3和4）有较高的亮度值）

虽然上述一元统计量很有价值，但并不能表明这个4个波段的光谱观测值是协同变化的还是完全独立的。

4.3.1 多元统计学描述

1、多波段遥感数据协方差分析
$Cov(X,Y)=E[(X-{\mu }_x)(Y-{\mu }_y)]$
不同像元的遥感光谱观测值通常以可预见的方式共同变化。因此需要计算它们的相关性。
协方差：两个变量关于其均值的关联变化。
协方差为正，则两变量同向变化；协方差为负，则两变量反向变化。从数值来看，协方差的数值越大，两变量的同向程度越大，反之亦然。

2、多波段遥感数据相关性分析
$r=\frac{Cov(X,Y)}{{\sigma }_x{\sigma }_y}$
（用X、Y的协方差除以X的标准差和Y的标准差）
相关系数也可以看成协方差：一种剔除了两个变量量纲影响、标准化后的特殊协方差。
与协方差的不同之处在于：它消除了两个变量变化幅度的影响，而只是单纯反应两个变量每单位变化时的相似程度；取值范围在 -1~1 之间。

4.4 特征空间图

描述遥感数据集中两个波段特征如何协同变化以及是否相关。
二维特征空间图提取两个波段的所有像元亮度值，并将其绘制在255x255（假定为8位数据）的特征空间中。数值对的出现频率越大，特征空间中的像元越亮。

（该图为上表中3、4波段的二维特征图，$r$=0.53。图中较亮的区域代表影像中出现频率高的像元点对，表示两个波段中存在大量有价值的信息，即两波段没有太多冗余信息）