高精度遥感影像配准融合方法.doc

高精度遥感影像配准融合方法提要：本文介绍一种实用的高精度遥感影像配准、纠正、融合方法和高效处理软件─erLand 该系统是由张祖勋教授等提出算法，由适普公司研制开发的这是将先进的数字摄影测量技术应用于遥感影像定量化处理的新突破它不仅解决了长期困惑遥感信息定量化处理的理论问题和实际应用问题，而且提供了大规模生产实用的先进手段，使遥感信息定量化处理进入了实际应用的新阶段 1. 前言随着信息技术和传感器技术的飞速发展，卫星遥感影像分辨率有了很大提高，包括空间分辨率、光谱分辨率和时间分辨率空间分辨率已从 30 米，10 米，提高到今天的 2 米，1 米，军用甚至达到 0.1 米光谱分辨率已达到 5~6nm(纳米)，包括高光谱在内已超过 400个波段时间分辨率，即重访周期也在不断缩短每天都有数量庞大的不同分辨率的遥感信息，从各种传感器上接收下来海量遥感信息的分析处理，尤其是遥感信息的定量化处理，是遥感领域当前面临的重要研究发展方向之一鉴于遥感信息的定量化处理，可以在现有遥感数据的基础上，获取质量更高、位置更精确的信息，从而扩大遥感信息的应用深度和广度遥感信息的定量化研究，主要是集中在遥感数据的星上校准、几何纠正、大气校正、数据预处理等方面。

这些研究涉及传感器　影像成像系统的误差，运载工具轨道参数的影响，影像途径大气层因辐射、散射、吸收等产生的变形遥感信息的定量化的另一个值得重视的发展方向，是利用高分辨率的经过纠正的影像（包括更高分辨率的航空影像） ，对低分辨率的影像进行配准、纠正及融合处理，即遥感影像的相互校正本文介绍一种高精度、高效的相互纠正的新方法，基于数字摄影测量影像匹配的独特算法由于该方法影像纠正的精度高、处理过程自动化程度高、应用范围广和实用性强，引起了国内遥感应用领域和国外遥感图像处理软件厂商的极大关注和兴趣 2. 遥感信息定量化研究现状目前，大部分遥感信息的分类和提取，主要是利用数理统计与人工解译相结合的方法这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理，问题更为突出在遥感信息定量化研究方面，已经建立了各种分析模型及相应的计算改正公式[1] [2] [3] [4]，如大气辐射传输简化模型，大气成份的吸收与散射影响模型，以及传感器的定标改正模型等虽然在上述各项研究中已达到了较高水平，但尚未有重大的突破。

在遥感影像相互校正方面，一些商业化的遥感图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求，尤其是对于山区的遥感影像的校正遥感影像的精纠正，即遥感影像的高精度正射纠正[5]，是遥感影像定量化最直接的重要途径但是由于获取必要数量的高精度的控制点（已知地面坐标）非常困难，使得实际应用受到很大的局限通常做法是在 1：50000 地形图上，人工选取少数几个控制点，由于遥感影像比例尺很小，很难在图上找到同名位置点，加上地图变形和人为的辨认误差，这样读取的控制点不仅精度很低，而且效率也非常低用这种方法只能作简单的多项式曲面拟合，而不能进行高精度的纠正处理利用传统的航测方法获取所覆盖地区的数字地形模型（DEM） ，作为正射纠正的基础数据，往往受既有航摄资料的限制，以及费用较高、工期较长等因素制约，应用也很局限3. 高精度遥感影像纠正融合新方法国际著名的数字摄影测量学者张祖勋教授等，提出了一种先进的遥感影像相互校准的大面元微分纠正算法[6] ，在其基础上又提出了小面元微分纠正算法[7] 该算法利用了数字摄影测量中影像匹配的研究成果，即影像特征提取与基于松弛法的整体影像匹配，全自动地获取密集同名点对作为控制点，由密集同名点对构成密集三角网（小面元） ，利用小三角形面元進行微分纠正，实现影像精确配准。

然后进行影的像纠正融合处理，这使遥感影像的配准、纠正与融合技术提高到了新的阶段该小面元微分纠正算法的要点如下：1）影像特征点的提取将主影像中的明显点，提取出來作为配准的控制点這些点特征的提取是利用所谓兴趣算子提取的，例如 Forstner 算子[8] 2）預處理不同的遥感影像間存在平面位置、方位与比例的差異，因而需要对其进行平移、旋转与缩放等预处理，以便影像匹配较容易进行当影像的差異较大時，需人工选取一至三对同名点的概略位置，根据这些同名点解算影像间概略的平移、旋转与缩放等预处理参数若点数不小于三，可利用仿射变换预处理可以使低分辨率影像的比例尺和方位与主影像基本接近，使影像匹配较容易进行解算出变换参数后，既可对整个影像进行重采样，也可在后续的匹配处理中进行局部影像重采样3）粗匹配以特征点（通常是从主影像上提取出來的）为中心，取一矩形窗口，通常称之为目标窗口根据先验知识的预测，在从影像中取一较大的矩形窗口（该窗口应包含主影像特徵点的同名点） ，通常称之为搜索窗口将搜索窗口中每一個与目标窗口等大的子窗口的灰度矩阵，与目标窗口的灰度矩阵进行比较，其中最相似的子窗口的中心即为该特征点的同名点粗匹配的结果将被作为控制，用于后续的精匹配，因此应当有较高的可靠性（取相关系数值很大的那些点） ，同時其分布应当尽量均勻。

为了检测其粗差，可对同名点的位置之差进行多项式拟合，将拟合残差大的点剔除为了提高可靠性，由粗到细的匹配策略也应当应用，即特徵提取与粗匹配都应该按分层多级影像（金字塔影像）结构进行 4）几何条件约束的整体松弛匹配a. 改正地面坡度产生的畸变 地面坡度产生不同的畸变是影像间最重要的差別上述粗匹配的方法是以特征点为窗口的中心这种中心窗口模式不考虑这种差别，因而无法解决地面坡度产生不同畸变的问题改变这种中心模式的窗口为边缘模式的窗口，即以两相邻的特征作为左右两边构成窗口在评价相似性之前，先将搜索子窗口重采样，使其与目标窗口等大，然后再评价其相似性，这样就可以克服坡度引起的畸变差对匹配的不利影响b．几何条件约束大部分的地表是连续光滑的，因此在匹配的过程中应考虑连续光滑的几何条件约束这包括：第一，目标点的顺序与其同名点的顺序应当相同，不应当有逆序；第二，同名点的左右横坐标差不应有突变，有突变者，一般是粗差，应当剔除；第三，同名点的左右横坐标差应当相差不大，它们离一个拟合曲面的距离都不大c．整体松弛匹配传统的影像匹配是孤立的单点匹配，它以相似性测度最大（小）为评价标准，取相似性测度最大（小）者为其唯一的结果，它不考虑周围点的匹配结果的一致性。

由于影像变形的复杂性，相似性测度的最大者并不一定对应着同名点根据相关分析[3]，互相关是一多峰值函数，其最大值不一定对应着同名点，而非最大峰值也可能对应着同名点，因此同名点的判定必须借助其临近的点，且它们的影响是相互的利用整体松弛匹配法能较好地解决这一问题[9] [10]根据模式识别的理论，设有目标集合 O={O1,O2,…,On}与类别集合 C={C,C2,…,Cm}，其中，主影像上的像素 i 为目标 Oi，从影像上对应的像素 j 为类别 Cj，而影像匹配就是要解决 Oi?Cj 是否成立的问题为了提高其可靠性，必须考虑结果的全局一致性，即分类结果是否相互协调一致设Oi 与 Cj 的相关系数为 r(i,j)，并将其换算为 Oi?Cj 的概率 Pij，Oh 为与 Oi 相邻的象素，Ck为与 Cj 相邻的象素利用概率松弛法必须引入 Oi?Cj 与 Oh?Ck 的相容系数 C(i,j;h,k)，可将其定义为主影像中的区间[i,h]和从影像中的区间[j,k]的相关系数 r(ih; jk)，即：C(i,j;h,k) μ r(ih,jk) （1）一旦确定了 Pij 和 C(i,j; h,k)，就可根据下列公式进行松弛叠代运算：(2)其中 n(H)为相邻目标点的个数，m(K)和 m(J)为从影像匹配侯选点的个数， r 为迭代次数。

最后，如果 P(r)>T（T 为事先给出的阀限值） ，則停止叠代，并确定可靠的对应点此外，影像的金字塔数据结构应用于整个匹配过程，以进一步提高数据处理的速度和配准的可靠性5）小面元微分纠正由以上介绍的处理方法，在一幅 SPOT 影像中，通常可提取数万乃至数十万对同名点，且这些点大部分都在山脊、山谷等特征线上，或者它们本身就是一些明显的特征点将其构成两个相互对应三角网因为点数很多，三角网的三角形的面积大都较小对三角网的每一对三角形，不妨设为 ΔP1P2P3 与 ΔP'1P'2P'3，利用其三顶点的对应坐标（xi,yi） ，（x'i,y'i） ，i=1,2,3，解求仿射变換（即一次多項式）x' = a0 + a1x + a2y y'=b0 + b1x + b2y 　　　　　　(3) 求得式中的系数 a0、a1 、a2 与 b0、b1、b2然后按照式（ 3） ，将待纠正影像上的三角形ΔP'1P'2P'3，纠正成与主影像对应的三角形 ΔP1P2P3 全等由于这种小面元糾正所用的控制点沿影像特徵密集分布，对不同的遥感影像间的几何变形进行了精确的相对纠正，因而能很好地解决山区遥感影像的配准问题6）实验结果将上述方法用于 TM 与 SPOT/PAN 影像的配准，影像取自中国西部山区， SPOT 影像的大小是 6000 ′6000，TM 影像的大小是 5728′6920，取其 3、4 与 7 波段。

对此影像作了大、小面元微分纠正的对比试验 经过特征提取与预处理后，粗匹配为 178 对特徵点首先采用大面元微分纠正将 TM与 SPOT/PAN 影像进行配准，然后进行融合，图 6a 是其结果的一部分从图 6a 可以看出，许多山脊、山谷的配准不好，因而融合后的影像出現了明显的重影与模糊然后将粗匹配的结果作为精匹配的控制，采用几何条件约束的整体松弛匹配，选择了133864 对同名点采用小面元微分纠正将 TM 与 SPOT/PAN 影像进行配准，然后进行融合，图 6b 是其结果的一部分从图 6b 可以看出，由于山脊、山谷都配准得很好，因而融合后的影像清晰，消除了重影与模糊该影像范围一部分属于平坦地区对于平坦地区，即使利用大面元微分纠正，就能得到好的结果，因此利用小面元微分纠正，也能得到好的结果，试验结果也验证了这一点：小面元微分纠正法不仅适用于山区，也适用于平坦地区遥感影像的配准与融合因此，可以认为基于密集同名点对的小面元微分纠是一个通用的精确配准算法4. 遥感信息定量化应用展望随着各国新的高分辨率遥感传感器的陆续投入使用，例如美国 IKONOS（1 米分辨率）和俄罗斯 SPIN-2（2 米和 10 米分辨率） ，每天都有巨大数量的遥感影像数据从各种航天器上卸载下来。

特别是随着建立"数字地球" 、"数字国家"、 "数字城市"热潮的迅猛发展，遥感信息定量化的研究和实际应用，已经成为遥感领域及 IT 产业面临的重大研究课题之一遥感信息定量化分析处理和各种专业领域应用最基础的问题，是实现遥感影像的精确纠正和多重遥感数据的复合如果能找到一个高度自动化进行多重遥感影像精确配准、纠正、融合的方法和实用平台，将会大大促进遥感信息定量化的发展和应用本文介绍的基于小面元微分纠正的多重遥感影像高精度配准、纠正、融合理论和算法，从理论和实践上已经解决了上述关键问题适普软件有限公司根据该算法开发的实用软件CyberLand，提供了一个进行多重遥感影像高精度配准、纠正、融合的自动化的高效实用平台下面就该方法在遥感信息定量化中的应用，展望如下：1. 基于 SPOT 影像纠正融合多光谱影像鉴于 SPOT 卫星影像具有较高的分辨率和几何精度，而 Lansat TM 卫星影像具有丰富的多光谱信息,在遥感信息定量化处理中，经常利用 SPOT 影像对TM 影像进行纠正处理，然后将纠正后的 TM 影像的多光谱信息融合到 SPOT 影像中然而，通常的遥感图像处理系统，只能人工交。