遥感卫星影像质量评价指标汇总

1. 主观评价方法

以人为图像的评价者,根据自己的评价尺度和经验对图像质量进行评价。

2. 客观评价方法

1)均方差

2)信噪比

主要用来评价影像经压缩、传输、增强等处理前后的质量变化情况,其本质与均方差类似。

3)方差

反映了图像各个像元灰度相对于灰度平均值的离散情况,在某种程度上也可以用来评价图像信息量的大小。若方差大,则图像灰度级分布分散,图像的反差大,可以看出更多的信息;方差小,图像反差小,对比度不大,色调单一均匀,看不出太多的信息。从直方图的角度来说,它反映了直方图的大致分布宽度。在图像比较分析中,图像的方差越大,说明图像灰度层次越丰富,在目视效果中,地物更加易于识别和分类,图像质量较为理想。

4)平均梯度

敏感地反映图像对微小细节反差表达的能力。一般来说,平均梯度越大,表明影像越清晰,反差越好,但平均梯度受影像噪声的影像越大。

5)信息熵

熵是从信息论角度反映影像信息丰富程度的一种度量方式,信息熵的大小反映了图像携带的信息量的多少。通常情况下,影像的信息熵越大,其信息量就越丰富,质量也就越好。信息熵可用于比较不同图像信息量的差异,当不能将影像信息熵作为衡量影像质量好坏的唯一标准,因为即使同一地区的相同质量的遥感影像由于摄影时间不同其信息量也会不同,而且信息熵所反映的情况有时会和人的视觉感受不一致。

6)基于灰度预测误差统计的方法

这种方法是用二维差分脉冲编码调制(DPCM)影像压缩编码技术的方法来评价影像的构像质量。由DPCM可知,影像中某点的灰度值即可用相邻点灰度值估计得出。显然,灰度相关性越小,像点的预测值与实际值之差就越大,反之亦然。像点预测值采用三阶线性预测法(采用更高的线性预测并不明显减少预测误差)。对诸如恢复、压缩及传输等过程中结果影像与原始影像间的相对质量评价一般采用该方法。

7)噪声分析

当一幅图像被分成频率域之后,就可以在傅立叶光谱能量图中显示高低频信息。图像中低频信息集中在频谱中心,高频信息分布在中心周围。另一方面,图像的傅立叶光谱已知,就可以通过应用傅立叶反变换产生原始影像。在原始影像中的水平上的噪声在傅立叶光谱中是垂直要素,二原始影像上的垂直上的噪声在傅立叶光谱上是水平要素。

原文链接:https://bbs.csdn.net/forums/gisrs?spm=1001.2014.3001.6682

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/288804.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Ubuntu Desktop 更改默认应用程序 (Videos -> SMPlayer)

Ubuntu Desktop 更改默认应用程序 [Videos -> SMPlayer] References System Settings -> Details -> Default Applications 概况、默认应用程序、可移动介质、法律声明 默认应用程序,窗口右侧列出了网络、邮件、日历、音乐、视频、照片操作的默认应用程序…

MySQL---视图

目录 一、介绍 二、语法 三、视图的更新 四、视图作用 一、介绍 视图(View)是一种虚拟存在的表。视图中的数据并不在数据库中实际存在,行和列数据来自定义视图的查询中使用的表,并且是在使用视图时动态生成的。 通俗的讲&#…

反勒索组件的核心功能是什么

反勒索组件是一种重要的网络安全工具,旨在防止和应对勒索软件的攻击。勒索软件,通常被称为“勒索病毒”,是一种恶意软件,它会加密用户的文件并要求支付赎金以获取解密密钥。反勒索组件通过一系列的技术和策略,帮助用户…

【开发篇】十一、GC调优的分析工具

文章目录 1、调优的主要指标2、工具一:jstat3、工具二:Visual VM的插件4、工具三:Prometheus Grafana5、生成GC日志6、工具四:GC Viewer7、工具五:GCeasy GC调优,是为了避免因垃圾回收引起程序性能下降&am…

集成学习 | 集成学习思想:Boosting

目录 一. Boosting思想1. Adaboost 算法1.1 Adaboost算法构建流程1.2 sklearn库参数说明 2. Gradient Boosting 算法2.1 Gradient Boosting算法构建流程2.2 Gradient Boosting算法的回归与分类问题2.2.1 Gradient Boosting回归算法均方差损失函数绝对误差损失函数 2.2.2 Gradie…

CentOS离线安装命令

一.引言 某些CentOS安装后默认是没有部分Linux命令的,比如netstat和lsof: 一般情况下我们可以通过yum install安装这些命令。但是在CentOS无法访问公网的时候(比如CentOS服务器部署在学校、军工等无法访问外网的环境)&#xff0c…

nvm安装以后,node -v npm 等命令提示不是内部或外部命令

因为有vue2和vue3项目多种,所以为了适应各类版本node,使用nvm管理多种node版本,但是当我按教程安装nvm以后,nvm安装以后,node -v npm 等命令提示不是内部或外部命令 首先nvm官网网址:https://github.com/coreybutler/…

108、3D Gaussian Splatting for Real-Time Radiance Field Rendering

简介 官网 更少训练时间的同时实现最先进的视觉质量,能在1080p分辨率下实现高质量的实时(≥30 fps)新视图合成 NeRF使用隐式场景表示,体素,点云等属于显示建模方法,3DGS就是显示辐射场。它用3D高斯作为灵活高效的表示方法&…

布隆过滤器详讲

本文旨在讲解布隆过滤器的原理以及实现方式,希望通过本文能使读者对布隆过滤器有一定的认识! 一、布隆过滤器的引入 在讲解布隆过滤器之前,我们还是先提及一下前面讲的位图行,位图可以处理大量的数据,广泛用于查找等…

什么是 MySQL 回表?

什么是 MySQL 回表? 题目 什么是 MySQL 回表? 推荐解析 回表简介 1)索引结构:MySQL 使用 B 树索引结构来加速数据的查找。B 树是一种多叉树,它的叶子节点中存储了完整的数据行,而非叶子节点存储了索引…

深度学习pytorch——过拟合欠拟合测试深度学习模型(持续更新)

随着项数越来越多,函数的图形就更加复杂,多项式也更加的复杂。 课时55 过拟合与欠拟合_哔哩哔哩_bilibili 如果利用多项式建造复杂模型,从仅仅一个常数至一个多次方函数,将会发现在线上的点会变得越来越多,这种逐渐接…

【2024系统架构设计】案例分析- 3 数据库

目录 一 基础知识 二 真题 一 基础知识 1 ORM ORM(Object—Relationl Mapping

机器学习——聚类算法-KMeans聚类

机器学习——聚类算法-KMeans聚类 在机器学习中,聚类是一种无监督学习方法,用于将数据集中的样本划分为若干个簇,使得同一簇内的样本相似度高,不同簇之间的样本相似度低。KMeans聚类是一种常用的聚类算法之一,本文将介…

Rust 02.控制、引用、切片Slice

1.控制流 //rust通过所有权机制来管理内存,编译器在编译就会根据所有权规则对内存的使用进行 //堆和栈 //编译的时候数据的类型大小是固定的,就是分配在栈上的 //编译的时候数据类型大小不固定,就是分配堆上的 fn main() {let x: i32 1;{le…

aws使用记录

数据传输(S3) 安装命令行 安装awscli: https://docs.aws.amazon.com/zh_cn/cli/latest/userguide/getting-started-install.html#getting-started-install-instructions 直到 aws configure list 可以运行 身份验证: 运行: aws config…

EdgeGallery开发指南

API接口 简介 EdgeGallery支持第三方业务系统通过北向接口网关调用EdgeGallery的业务接口。调用流程如下图所示(融合前端edgegallery-fe包含融合前端界面以及北向接口网关功能,通过浏览器访问时打开的是融合前端的界面,通过IP:Port/urlPref…

【力扣hot100】23 合并K个排序链表(c++)解析

23 合并K个排序链表(c)解析 题解 23 合并K个排序链表(c)解析1.1 暴力求解1.2 逐一比较1.3 优先队列1.4 逐一合并1.5 分治 在解决「合并K个排序链表」这个问题之前,我们先来看一个更简单的问题: 如何合并两个有序链表?…

libVLC 动态视频壁纸

在 Windows 上,你可能需要使用 Windows API 来设置壁纸,而在 Linux 上,你可能需要使用某种桌面环境特有的方法。在 macOS 上,这一功能可能受到限制。 效果图如下所示: 以下是一个简单的示例,说明了如何在 …

【前端学习——js篇】11.元素可见区域

具体见:https://github.com/febobo/web-interview 11.元素可见区域 ①offsetTop、scrollTop offsetTop,元素的上外边框至包含元素的上内边框之间的像素距离,其他offset属性如下图所示: 下面再来了解下clientWidth、clientHeight…

文章解读与仿真程序复现思路——中国电机工程学报EI\CSCD\北大核心《考虑长周期供需不平衡风险的新型电力系统规划方法》

本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》 论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html 电网论文源程序-CSDN博客电网论文源…