基于国产高分遥感影像的条带拼接及配准融合算法研究Word文档格式.docx
《基于国产高分遥感影像的条带拼接及配准融合算法研究Word文档格式.docx》由会员分享,可在线阅读,更多相关《基于国产高分遥感影像的条带拼接及配准融合算法研究Word文档格式.docx(51页珍藏版)》请在冰豆网上搜索。
校。
理论上拼接只在参考高度上是正确的。
但是对
大多数传感器而言,上述拼接误差都足够小,可以忽
略不计。
例如对于
QuickBird
影像来说,偏离参考
高度
2 800m
可能造成
个像素的拼接误差。
国内
学者对国产卫星的多
子线阵影像拼接进行了
很多研究,一般都是基于地物成像的连续性假设,
先建立图像配准连接点对,通过构建子线阵影像间
像点坐标映射关系进行拼接的。
采用这种方法获得
的拼接后影像并不满足原有线阵的严密成像模型,
定位的相对精度较差,一般在
4~7
个像素左右,远
远不能满足高精度的要求。
)影像配准融合:
随着高空间分辨率、高光谱
分辨率、多种类传感器的不断发展(如
SPOT
、
IRS
Landsat 7
IKONOS
Quirk Bird
)等,我们可直接获
得地面物体的形状、大小、位置、性质及环境相互关
系等地面目标的特征信息。
面对新的高分辨率数据
类型,今后的研究工作应对现有各种融合方法的原
理、特点进行综合分析,应利用小波分析、神经网络
等理论,致力于发展更为有效而且可靠的新的融合
技术,以适合于新型数据自身融合的方法及高分辨
率(
1m
)与低分辨率(
4m
,甚至更低)数据间的融合
处理技术,充分有效地利用不同尺度、不同时相、不
同类型的海量遥感数据。
尽管目前的融合算法很
多,但是缺乏从特定应用角度的融合算法设计。
大
多数算法没有从物理机理和应用目的进行分析,而
是依据图像质量的评价体系进行设计和比较,这样
得到的结果不具有针对性,虽然图像整体效果增
强,但是不能满足增强感兴趣的信息的目的。
本文通过研究基于高精度几何检校场的在轨几
何检校,基于已知地理参考数据的遥感影像智能匹
配和高精度定位,高分
CDD
子线阵拼接,全色影像
与多光谱影像的自动配准与融合等关键技术,提高
国产遥感卫星的对地定位精度,改进几何成像质量,
并根据相关理论和算法,研究国产遥感卫星的几何
质量改进软件模块,最终为国产高分卫星技术在交
通行业的应用提供国产遥感卫星的高精度几何检校
参数和定位参数、高质量拼接影像和彩色融合影像。
收稿日期:
2014-03-071
基本原理
1.1
条带影像拼接
线阵影像的拼接可分为像方拼接与物方拼接两
种方式。
若要在像方直接完成各
影像的准确
拼接,必须在各
影像间进行匹配,通过匹配得
到的同名点解算影像间的位置关系。
但由于影像受
到投影差的影响,对于高程起伏较大的区域,通过简
单的位置解算显然无法实现影像的精确接边。
而高
分辨率相机内部
之间像素重叠一般较小,也决
定了仅仅通过该重叠范围内的匹配点很难正确解算
出
影像间复杂的几何关系,因此先对影像进行
正射纠正处理,选择在物方进行拼接是十分合理的。
由于子线阵重叠区域过小,相互之间无法直接匹配
定向,因此可利用已有的物方影像数据为基准对高
分辨率相机各
影像进行再定向,进而实现基于
物方的无缝拼接。
该物方影像可以是高精度的地理
参考影像,也可以是同卫星同轨道的同时相影像。
比如
ZY-02C
卫星的
影像再定向即是以该卫
星同时相的全色影像为基准。
以国产卫星
的高分辨率相机(
HR
相机)为例,其相机的
焦平面与地面对应关系
如图
所示。
要想获取此类传感器的标准景正射
影像产品,需解决多个子线阵影像(
影像)之
间的拼接问题。
下文将以
相
机为例,介绍多子线阵影像的标准景正射影像制
作方法。
图
1 ZY-02C
的
相机焦平面
与输出数据的
对应关系
子线阵影像的拼接可分为像方拼接与物方拼接
两种方式。
影像的准
确拼接,必须在各
影像间进行匹配,通过匹配
得到的同名点解算影像间的位置关系。
但由于影像
受到投影差的影响,对于高程起伏较大的区域,通过
简单的位置解算显然无法实现影像的精确接边。
而
相机内部
之间
20
个像素的重叠,也决定
了仅仅通过该重叠范围内的匹配点很难正确解算
影像间复杂的几何关系,因此先对影像进
行正射纠正处理,选择在物方进行拼接是十分合
理的。
由于子线阵重叠区域过小,相互之间无法直接
匹配定向,因此可利用已有的物方影像数据为基准
对
各
影像进行再定向,进而实现基于物方
的无缝拼接。
该物方影像可以是高精度的地理参考
影像,也可以是同卫星同轨道的同时相影像。
ZY-
02C
影像再定向即是以该卫星同时相
的全色影像为基准。
其处理过程主要分为四个步骤:
首先进行全色
影像的对地精确定位,使其成为
定向的物方基
准;
其次进行全色影像与
影像之间的匹
配,得到两者之间大量的同名点;
再次根据全色影像
的定向参数,将匹配的点位单片交会到
DEM
数据
上,获取点位的物方三维坐标,并将其作为控制点,
影像的初始定向参数进行精化;
最后基于有
理函数模型(
RFM
),利用各
影像和全色
DOM
上的同名点进行像方与物方的模型关系解算,得到
高拟合精度的有理多项式系数(
RPC
)参数。
完成再
定向后,直接进行子线阵影像的纠正、镶嵌、羽化的
同步处理。
纠正至地面坐标系后,各
影像之间存在一
定的重叠,其位置关系如图
因此不同于对
单张影像的正射纠正,
正射影像在重叠区域存
在一个地面点与多个像方点对应的情况,在纠正过
程中要设法明确每一个地面点对应的像方点(可能
是一个点,也可能是存在于不同
影像上的多个
点),并从中选择最适合的像点进行灰度赋值,即可
得到无缝拼接的正射影像。
由于
影像之间最多只存在二度重叠,所以
仅在影像接边处存在二选一的情况,如图
3
所示,当
地面点
P
在
A
和
两片
影像上均存在对应
点时(由于两片影像的定向参数精度并不完全一致,
故像方的对应点可能存在差别),通过比较
p1
p2
到
其所在影像边缘的距离
l
的值,可知
点在像
方距离哪一片
影像更近,进而决定从该影像上
获取灰度值。
—
144
—
公
路
2014
图
2 6
片
正射影像的位置关系
3
重叠区域中地面点与像方点的对应关系
综上,当某地面点在两片
影像上均存在对
应点时,可得出下式:
G
X
,
Y
=
g
x
i
yi
),
≥l
j
y
<l
{
式中:
)为正射影像上像点的灰度值;
)为第
影像上对应像点的灰度值;
表示第
上的对应像点到影像近端边缘
处的垂直距离。
该方法得到的
正射影像会在
影像接
边处存在一定的灰度差异,能够较明显地观察到锯
齿状的镶嵌线,因此需要对镶嵌线附近的影像进行
羽化过渡处理。
对已经完成拼接的
影像进行
羽化处理是一个繁琐的过程,但若选择在纠正拼接
的过程中完成羽化过渡,只需采用距离加权法进行
改进即可:
d>w
d<-w
w+d
+
w-d
2 w
d≤
烅
烄
烆
w
d=
-l
)/
,可理解为像方点到“镶嵌
线”的距离;
为羽化过渡区域的宽度。
1.2
全色多光谱影像配准与融合
实现国产卫星全色影像与多光谱影像的融合,
其关键技术在于如何实现在整景范围内,不同分辨
率的多光谱影像和全色影像的高精度配准。
在实际
处理数据过程中,因为受到卫星抖动、行时不准确等
诸多因素的影响,全色与多光谱影像之间的相对位
置往往很难保持较高精度水平。
分辨率的不一致与
相对位置关系的不确定,对影像之间的高精度配准
带来较大影响。
另一方面,国产卫星影像由于当前
探测器制作工艺和技术的限制,卫星成像系统
的光谱响应存在一些偏差,全色多光谱影像融合前,
需要进行一定的辐射处理,消除波段之间的强度不一
问题、增强影像的清晰度、同时需要对融合算法进行
研究,找到适合国产卫星数据的影像融合算法。
为解决多尺度影像数据产品的配准与融合问题
所采取的技术路线如图
4
多尺度影像配准与融合技术路线示意
首先,为解决尺度差异问题,将影像采用上一步
的几何纠正方法纠正到同一尺度下,并创建纠正影
像缩略图;
其次,将缩略图通过特征匹配算法进行匹
配,利用匹配结果计算后续匹配的预测值;
再次,提
取待匹配影像上的特征点,利用匹配预测值,以一定
的搜索范围进行灰度相关,并在灰度相关结果的基
础上进行最小二乘匹配;
然后,在影像局部小范围
内,充分顾及匹配点位之间的相互联系,利用移动曲
面法进行匹配点粗差剔除;
最后,将匹配点采用基于
145
2014—
刘惠彬等:
基于国产高分遥感影像的条带拼接及配准融合算法研究泰森多边形算法构建不规则三角网,利用对应三角
形上的匹配点构建局部区域的仿射变换模型进行两
幅影像的配准纠正,同时进行信息融合,最终得到多
尺度影像的信息融合产品。
SIFT
粗匹配。
由于受到卫星姿态轨道参数、相机参数以及
数据精度的影响,正射纠正之后得到两幅
的精度往往并不一致,这导致两幅影像上的
同名点坐标存在差异,无法直接进行影像融合。
于同名点坐标差距达到几百个像素的影像,如果直
接利用坐标预测进行灰度匹配,则需要设置非常大
的搜索窗口才有可能找到同名点,这样将极大延长
匹配用时,也将降低匹配结果的可靠性。
特征匹配算法无需进行区域搜索,其匹配
结果在剔除粗差后具有很高的可靠性。
故在进行基
于灰度相关的影像匹配之前,首先采用
算法
对影像缩略图进行粗匹配。
虽然这种方法计算量
大、相较灰度匹配更加耗时,并不适合直接用于像幅
较大的卫星遥感影像之间的匹配,但是这种劣势反
映到影像缩略图上则基本可以忽略不计。
5
所
示为对两幅
卫星的全色与多光谱正射影
像缩略图的
匹配结果。
5 CBERS-02C
全色与多光谱影像缩略图
粗匹配结果
)相关系数法与最小二乘匹配。
在进行精匹配之前,需要对影像做以下两个方
面处理:
首先,将多光谱影像灰度化,并采用
Wallis
滤波器对全色影像与灰度化的多光谱影像进行增
强,这样不仅可以消除影像灰度尺度的不一致,同时
可提高影像的信噪比,从而保证影像特征在灰度空
间的高相关性;
其次,采用改进的
Harris
算子提取
子像素级特征点,通过设置合理的阈值将影像划分
为格网,可以提取得到均匀分布的特征点。
然后以相关系数为相似性测度进行影像精匹
配。
相关系数法
[
10
]
是一种常用的在空间域中直接利
用像元灰度进行相关的算法。
对于两个图像子窗口
构成的灰度矩阵而言,其相关系数
ρ
c
r
)定义如下:
∑
m
i=1
n
j=1
gi,
-g
-
)(
g′
i+r
j+c
-g′
·
槡
为参考图像子窗口中(
)处的像素
灰度值;
为匹配图像中以参考点(
)为中
心的搜索区域(
)处的像素灰度值;
为窗口内
的平均值。
基于相关系数法的影像匹配结果只能达到像素
级精度,以其匹配结果为初值再进行最小二乘匹配,
将能达到子像素级的匹配精度。
最小二乘影像匹配的基本思想,即在影像匹配
中引入影像间的几何变形参数与辐射畸变参数,同
时按最小二乘的原则解求这些参数。
由于影像匹配窗口的尺寸均很小,所以一般只
考虑一次畸变:
=a
0
+a
y1
y2=b
+b
为左片像点坐标;
y2
为右片像
点坐标;
a
b
i=0
)为变形参数。
同时再考虑到右方影像相对于左方影像的线性
灰度畸变,则可得:
g1
+n
=h
+h
g2
)(
最小二乘影像匹配的具体步骤如下。
①
几何变形改正。
根据几何变形改正参数
,由式(
)将左方影像窗口的影像坐
标变换至右方影像阵列。
②
重采样。
由于换算所得的坐标
一般不
可能是右方影像阵列中的整数行列号,因此重采样
是必须的,由重采样获得
)。
一般来说,重
采样可采用双线性内插。
③
辐射畸变改正。
利用由最小二乘影像匹配所
求得辐射畸变改正参数
h
,对上述重采样的结
果作辐射改正:
④
根据左、右灰度阵列
)和
),计算左、右影像匹配窗口中的相关系数
,判断是否需要继续迭代。
一般来说,若相关系数
小于前一次迭代后所求得的相关系数,则可认为迭
代结束,也可根据几何变形参数是否小于某个预定的
146
阈值判断迭代是否结束。
若迭代结束,转至步骤
。
⑤
采用最小二乘影像匹配,解求变形参数的改
正值:
dh
da
,…。
⑥
计算变形参数:
,转
至步骤
⑦
计算最佳匹配点位置。
根据最小二乘匹配的
精度理论可知:
匹配精度取决于影像灰度的梯度
因此,可用梯度的平方为权,在左方影像窗
口内对坐标做加权平均:
/
yi=
6
)匹配点粗差剔除。
无论是基于
特征的粗匹配,还是基于灰
度的精匹配,其匹配结果都必须进行粗差剔除以保
证其可靠性。
在将原始影像纠正为
之后,影像匹配的
粗差剔除需要解决三个方面的问题:
一是线阵列
成像时刻的外方位元素是以扫描行为单元记
录的,在大范围影像的纠正过程中,各扫描行影像的
外方位元素变化比较大;
二是目前线阵
的制作
工艺水平有限,探元的畸变会使得像元产生不规则
的变形;
三是不同传感器在成像时刻的系统误差是
不同的,在配准处理中这种系统误差也无法通过传
统的策略进行抵消。
因此,很难有一种严格的数学
模型来精确描述影像之间的几何关系,以便作为影
像匹配粗差剔除的依据。
分析上述几个方面的问题,不难看出,在融合影
像的局部小范围内,若充分顾及匹配点位之间的相
互联系,并进一步消除成像系统误差,才能得到近似
满足同名像点投影关系的数学模型,进而对匹配粗
差进行有效剔除。
所示,假设有像点
是相对于点
p0
的两个可能的匹配结果,在各点
所在的曲面上,实心点位为待定点,空心点位为关系
点。
将待定点与其附近的关系点构建三角网之后可
以看到,图
)中
点与图
点为正确匹
配点,尽管图
)与图
)存在畸变,通过局部模
型变换可以将这种畸变消除;
此时若出现图
的错误匹配点
,则通过比较局部模型误差可以探
测出该粗差。
综上所述,本文剔除粗差的具体算法
可分为以下几步:
依据任一影像的像点坐标构建
匹配点集的三角网结构;
采用移动曲面拟合的思
想,在三角网上进行有限曲面遍历,利用曲面上的关
系点进行模型解算,并对曲面上待定点进行估计;
统计曲面上关系点的规律,并根据统计结果进行
待定点估计的判定,从而决定待定点是否为粗差;
重复第一步到第三步,直至所有点位满足局部几何
关系,算法结束。
6
影像匹配粗差剔除示意
)影像配准融合。
常用的影像融合方法有
IHS
变换法、
PCA
变换
法、高通滤波法、小波变换法以及线性加权法。
以
变换法为例,
变换法算法较为简单,常用于
进行卫星影像的融合处理。
其具体处理步骤如下。
取多光谱图像用于融合的三个波段数据,对
其进行
变换,得到
颜色空间中图像的亮度
I
)、色调(
H
)和饱和度(
S
)三个分量。
将变换后得到的
分量用高分辨率全色图像
的亮度分量
I′
替换。
将
进行
反变换,生成融合图像。
此外,不正确的匹配点对会造成融合后的影像
上对应区域产生明显的重影现象,从以下融合结果
来看并没有产生该现象,说明在经过粗差剔除之后,
匹配结果中已经基本不含错误点。
多组试验表明,
以上方案能够在正射影像定位精度不稳定的情况下
实现影像精配准,其配准精度达到子像素级。
2
试验及结果分析
2.1
7
所示为
卫星
相机的
片原
始
影像与处理后得到的标准景正射影像结果,
8
所示为羽化前后的接边区域的对比。
FY3A
数据的部分波段(
EV
_
1KM
RefSB
的第
波段)存在条带效应,一般认为条带效应是由于
传感器上不同探测单元对同一地物场景的不同探测
相应度造成的,因此需要对边缘进行羽化,图
是羽
化后的效果。
2.2
多源遥感影像配准及融合
9
试验数据的匹配点,以红
147
基于国产高分遥感影像的条带拼接及配准融合算法研究
7 ZY-02C
卫星的原始
影像与
处理后得到的
正射影像
8 ZY-02C
正射影像拼接结果
色标记的点为被剔除掉的粗差点。
匹配搜索窗口大
小为
51×
51
,匹配窗口大小为
13×
13
,相关系数阈
值为
0.85
经统计,整景影像的匹配点为
2 970
个,
其中正确点
2 926
个,误匹配率极低。
利用前述方
法对误匹配点进行剔除后,可得到大量均匀分布的