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

1、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。例如对于影像来说，偏离参考高度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、）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。

2、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（）与低分辨率（，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

3、理参考数据的遥感影像智能匹配和高精度定位，高分子线阵拼接，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：基本原理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

4、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（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

5、）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

6、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。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（），利用各影像和全色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（）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

7、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，如图所示，当地面点在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），通过比较到其所在影像边缘的距离的值，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

8、。 公路 图片正射影像的位置关系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：，），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： 烅烄烆），可理解为像方点到“镶嵌线”的距离；为羽化过渡区域的宽度。全色多光谱影像配准与融合实现国产卫星全色

9、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

10、的技术路线如图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

11、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。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

12、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。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。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。

13、相关系数法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）定义如下：，）（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：为左片像点坐标；为右片像点坐标；）为变形参数。同时再考虑到右方影像相

14、对于左方影像的线性灰度畸变，则可得：） （最小二乘影像匹配的具体步骤如下。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。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。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，对上述重采样的结果作辐射改正：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阈值判断迭代是否结

15、束。若迭代结束，转至步骤。采用最小二乘影像匹配，解求变形参数的改正值：，。计算变形参数：，转至步骤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： ）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；

16、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

17、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。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变换法、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

18、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）、色调（）和饱和度（）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。试验及结果分析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，所示为羽化前后的接边区域的对比。数据的部分波段（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。多源遥感影像配准及融合试验数据的匹配点，以红基于国产高分遥感影像的条带拼接及配准融合算法研究卫星的原始影像与处理后得到的正射影像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，匹配窗口大小为，相关系数阈值为经统计，整景影像的匹配点为个，其中正确点个，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