CN102213762B - 基于rfm模型的多源星载sar影像自动匹配方法 - Google Patents

Abstract

本发明公开了一种基于RFM模型的多源星载SAR影像自动匹配方法，首先计算影像各自的RPC参数，然后，在每个金字塔影像层，利用影像RPC参数进行待匹配点初始点位的预测、近似核线几何建立约束匹配、匹配窗口影像几何粗纠正，并对每层金字塔影像匹配结果采用基于RFM模型区域网平差删除错误的匹配点，同时实现影像RPC参数的精化和匹配点物方坐标的计算。逐层精化匹配结果直到原始影像层，最后利用最小二乘影像匹配方法精化匹配结果，实现多源星载SAR影像同名点的自动可靠匹配。本发明将RFM模型引入到多源星载SAR影像自动匹配，并将RFM模型区域网平差融入到各层金字塔影像匹配过程中，可以有效删除匹配中错误的匹配点，有效降低同名点人工量测的工作量。

Description

基于RFM模型的多源星载SAR影像自动匹配方法

技术领域

本发明涉及星载合成孔径雷达(Synthetic Aperture Radar，SAR)影像处理技术领域，更具体涉及一种基于有理函数模型(Rational Function Model，RFM)的多源星载SAR影像自动匹配方法，该方法可以解决匹配过程中错误匹配点无法有效删除的问题，实现多源星载SAR影像的自动可靠匹配。

背景技术

随着SAR传感器技术的发展，利用多种SAR传感器在不同时刻、不同位置获取的同一地区的星载遥感影像越来越容易，多源遥感影像的目标联合定位已成为摄影测量与遥感领域的重要研究方向之一。然而，无论是单点三维定位还是区域网平差，均需要快速而准确地找寻同名像点，并量测其影像坐标。目前，对于不同源SAR遥感影像的量测，多采用人工观测方法，既耗时又费力，且无法满足大量点量测的需求。

对于多源遥感影像自动匹配，相关学者进行了大量研究，具有一定参考意义。2007年Markuns利用边缘特征进行多源影像匹配；2008年Yong构建了一种顾及灰度和边缘方向信息的信息熵测度，将其用于多源遥感影像匹配；同年，Kim等人也综合利用边缘的灰度和方向信息进行边缘匹配来获取同名点。但是，对于星载SAR影像，由于斑点噪声的影响，往往无法提取比较完整的边缘特征，极大限制了边缘匹配的成功率和可靠性。近年来，Lowe提出了尺度不变线性变换算子(Scale-Invariant Feature Transform，SIFT)，并在近景摄影测量和计算机视觉领域中取得巨大成功，但是将其用于大容量星载SAR影像匹配有待进一步研究。

此外，多源影像匹配中错误结果的有效删除往往十分困难。2006年Keller利用方向信息来删除错误匹配点，2008年刑帅首先利用影像各自的严格几何模型，通过投影轨迹法建立近似核线来缩小匹配搜索空间约束匹配，然后利用地形连续的相容性约束删除错误匹配点，并取得较好结果。该算法的优点在于将影像的几何信息引入到匹配过程中，但其缺点主要由如下两个方面：

1)严格几何模型涉及较多的物理参数，而多源影像的严格几何模型又各不相同，更加大了计算的复杂程度；

2)对于非密集点匹配情况，相容性约束基于相邻点具有相同或者相似的视差的假设不一定成立，这极大限制了其发现错误匹配的能力。

基于RFM模型的区域网平差模型，能准确表达同名点间需要满足的空间几何约束关系，可用于检测和删除错误的匹配点，为此，本发明将RFM模型引入到多源星载SAR影像匹配，并将RFM模型区域网平差融入到各层金字塔影像匹配过程中，以解决目前多源星载SAR影像同名点获取过程中存在的匹配成功率低、匹配可靠性差等问题。

发明内容

本发明的目的是在于提供了一种基于RFM模型的多源星载SAR影像自动匹配方法，可在匹配过程中自动发现并剔除错误匹配点，实现同名点的自动、可靠、精确匹配，大大提高了同名点获取的自动化程度和工作效率，极大降低了人工工作量。

为了达到上述目的，本发明采用如下技术措施：

A、求解多源SAR遥感影像的有理函数模型参数(Rational PolynomialCoefficient，RPC)；

B、在每个金字塔影像层，利用影像RPC参数进行待匹配点初始点位的预测、近似核线几何建立约束匹配、匹配窗口影像几何粗纠正，并对每层金字塔影像匹配结果采用基于RFM模型区域网平差删除错误的匹配点；

C、在每层金字塔影像，进行基于RFM模型的区域网平差，实现影像RPC参数的精化和匹配点物方坐标的计算。

D、逐层金字塔匹配直到原始影像层，最后利用最小二乘影像匹配方法精化匹配结果到子像素级别，最终实现多源星载SAR影像同名点的自动可靠匹配，其结果可满足多源SAR联合定位的要求。

与现有技术相比，本发明具有以下显著优点和效果：

(1)将RFM模型引入到多源星载SAR影像同名点匹配中，充分利用了RFM模型与传感器无关性，形式简单、解算方便等优点；

(2)将RFM模型区域网平差融入到各级金字塔影像匹配过程中，可以自动发现并删除各层匹配结果中的错误匹配点，具有更好的匹配可靠性；

(3)多源SAR影像的RPC参数在匹配过程中得到不断精化，可以提供准确的同名点初始位置，建立精确的核线几何约束方程，具有更高的匹配成功率。

对于某组多源SAR影像，Radarsat-1和Envisat影像存在近20度的旋转角度，传统匹配方法无法匹配出同名点，采用本方法可成功匹配出同名点并满足多源SAR联合定位的要求。

本发明为多源星载SAR影像的自动匹配提供了一种可靠的匹配方法，创新性的将RFM模型引入多源星载SAR影像同名点匹配，并将RFM模型区域网平差融入到各层金字塔匹配中，可有效删除匹配结果中的错误匹配点，实现同名点的自动、可靠和精确匹配，大大减少同名点量测的工作量。

附图说明

图1为一种建立的虚拟控制点格网示意图。

图2为一种基于RFM模型的多源星载SAR影像自动匹配方法的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

实施例1：

以下结合附图对本发明做进一步详细描述。一种基于RFM模型的多源星载SAR影像自动匹配方法，各步骤详细阐述如下：

步骤1多源星载SAR影像的RPC参数计算1：

采用与地形无关的方法(可参考张永生、巩丹超等著的《高分辨率遥感卫星应用——成像模型、处理算法及应用技术》)，利用星载SAR影像的严格几何模型，基于不同高程面生成的密集且均匀分布的虚拟控制格网，如图1所示，利用虚拟控制点按最小二乘原理进行解算，得到各影像的RPC参数。

步骤2数据预处理2：

步骤2.1金字塔影像生成：采用实用、简单的3×3像元平均法，将多源星载SAR影像生成3级金字塔影像。首先对原始影像的每3×3个像元计算其平均灰度值，并赋给第一级金字塔影像的对应像元，生成第一级金字塔影像。依此类推，直至生成第三级金字塔影像。

步骤2.2特征点提取：将影像划分为均匀的格网，格网点数可以依据影像大小给定，一股将影像划分为40×40以内的格网即可，采用摄影测量中常用的Forstner特征提取算子(可参考张祖勋、张剑清编著的《数字摄影测量学》)在每个格网内提取一个最佳特征点。如果某格网内的特征信息不明显，则将网格中心点作为特征点，并存储为文件形式，供后继影像匹配使用。

步骤2.3基准影像待匹配影像的确定：首先利用步骤1得到的影像RPC参数，计算每张影像四个角点所对应的近似物方坐标。对每张基准影像，遍历其他所有影像，计算其四个角点在基准影像上的像素坐标，如果位于基准影像范围内，则认为该影像与基准影像存在重叠区域，加入到基准影像的待匹配影像链表中，便可以得到基准影像各自关联的所有待匹配影像。

步骤3特征点初始点位的预测3：

为了减少同名点的搜索时间，提高影像匹配的成功率，利用影像RPC参数和已知的空间坐标信息进行特征点初始点位的预测。在最高层金字塔影像，首先利用基准影像RPC参数，将待匹配点投影到测区平均高程面的物方坐标，然后利用待匹配影像的RPC参数，计算其在待影像匹配上的像素坐标，完成初始点位的预测。在其他金字塔影像层，直接利用上层匹配结果所获得的该特征点的物方坐标计算其在待匹配影像上的坐标，实现初始点位的计算。

步骤4带几何粗纠正和核线几何约束的相关系数法匹配4：

为了加快匹配速度，同时减少影像旋转角度和几何变形的不利影响，利用相关系数搜索同名点之前，建立核线几何约束方程并对匹配窗口影像进行几何粗纠正：

步骤4.1核线几何约束方程的建立：以特征点的高程值Z₀为中心建立不同的高程平面，高程平面的高程为Z₁和Z₂，分别为Z₁＝Z₀-ΔZ、Z₂＝Z₀+ΔZ，其中ΔZ的取值可任意，本实施例中取为100米。利用基准影像的RPC参数，分别计算特征点投影到高程面Z₁，Z₂上的物方点坐标，分别记为(Lat₁，Lon₁，Z₁)和(Lat₂，Lon₂，Z₂)，然后利用待匹配影像的RPC参数，计算对应的投影像素坐标(x₁，y₁)和(x₂，y₂)。在小范围内星载SAR影像的核线可近似认为是直线，利用(x₁，y₁)和(x₂，y₂)可建立该特征点在待匹配影像上对应的核线几何约束方程。

所述的Z₁＝Z₀-ΔZ为低高程面的高程。

所述的Z₂＝Z₀+ΔZ为高高程面的高程。

步骤4.2匹配窗口影像的几何粗纠正：经过上层金字塔影像匹配，申请人可以得到各特征点的物方坐标和各多源SAR影像精化后的RPC参数。以特征点高程Z₀作一小面元Γ_p，利用基准影像精化后的RPC参数，将特征点所在基准影像上匹配窗口ξ₁的四个角点投影到面元Γ_p，得到对应的四个物方空间坐标，再利用待匹配影像精化的RPC参数，投影计算像素坐标，得到四边形ξ₂。利用上述两个四边形ξ₁和ξ₂四个角点的像素坐标，可解算出6个仿射变换参数，利用该变换参数，将待匹配影像中的四边形ξ₂重采样为新的影像窗口ξ₃，完成匹配窗口影像的几何粗纠正。最后，使用影像窗口ξ₃与影像窗口ξ₁实施匹配。

所述的Z₀为高程。

所述的Γ_p为高程小面元。

所述的ξ₁为所在基准影像上匹配窗口。

所述的ξ₂为所在基准影像上匹配窗口投影到搜索影像对应的四边形。

所述的ξ₃为经几何粗纠正、重采样后的影像窗口。

步骤4.3相关系数法匹配：在建立核线几何约束方程后，对搜索窗口影像的每个像素遍历，首先计算该像素到核线方程的距离，当小于给定的阈值时，以其为中心开辟匹配窗口。当变形超过指定阈值时，按步骤4.2中方法进行匹配窗口影像的几何粗纠正，然后利用相关系数法进行其相似性测度。最后，选取搜索窗口中相关系数值最大且大于指定阈值的像素点为该特征点的同名点。

步骤5基于RFM模型区域网平差删除错误匹配点5：

本发明采用像方仿射变换模型进行卫星影像区域网平差，模型定义如下：

$\left\{\begin{array}{c}{F}_x={\mathrm{px}}_0+{\mathrm{px}}_1\·\mathrm{Sample}+{\mathrm{px}}_2\·\mathrm{Line}+\mathrm{Sample}-x=0\\ F_y={\mathrm{py}}_0+{\mathrm{py}}_1\·\mathrm{Sample}+{\mathrm{py}}_2\·\mathrm{Line}+\mathrm{Line}-y=0\end{array}---\left(1\right)\right.$

式中，(x，y)为点在影像上真实坐标的列号和行号，(Sample，Line)为对应物方点利用RPC参数投影到影像上的坐标列号和行号，(px_i，py_i)(i＝0，1，2)是待求的仿射变换系数。辅之于选权迭代法，在平差过程中，利用合理的调整各观测值的权值，保证错误匹配点不影响平差结果，并实现其自动检测和定位。

具体实施步骤如下：

步骤5.1平差初始值的确定：在最高金字塔影像层，每张影像的仿射变换系数的初始值为缺省值，px₁、py₂为1，其他系数均为0，特征点的物方坐标利用影像的RPC参数通过前方交会技术计算得到。在其他金字塔影像层，每张影像的仿射变换系数初始值为上层匹配区域网平差的结果，特征点的物方坐标利用其在当前金字塔层匹配得到的同名点影像行列号坐标和上一级金字塔层平差精化后的影像定向参数通过前方交会技术计算得到。

所述的px₁、py₂为公式(1)中所述的仿射变换系数。

步骤5.2观测值权值的计算：第一次平差时，每个连接点行列坐标观测值的权为1，在后面的平差计算中，观测值的权按照从验后方差估计原理导出的选择权迭代法进行计算。首先按公式(2)计算各个观测值的统计量T_i，

$T_i=\frac{v_i^2}{{\widehat{\mathrm{\σ}}}_0^2{r}_i}$ (i＝1，2，3，Λ，n)    (2)

式中，v_i为观测值i的残差，r_i为对应的多余观测量，

为单位权中误差，n为观测值总数。然后按公式(3)更新该观测值在下次迭代平差中的权值

具体为：

其中，F_α，1，r为给定阈值。对于多余观测量的计算，采用重复计算可靠性矩阵的逐次递归快速算法。

步骤5.3卫星影像区域网平差：对每个连接点，以仿射变换系数和其对应的物方坐标为未知数，对公式(1)线性化，列立对应的误差方程：

V＝At+Bx-L，P    (4)

式中，V为误差方程残差向量，t为射变换系数未知数的改正数向量，x为匹配点物方坐标未知数改正数向量，A为仿射变换系数未知数对应的系数矩阵，B为匹配点物方坐标未知数对应的系数矩阵，L为误差方程对应的常数向量，P为权矩阵，具体计算公式如下所示：

$A=\left[\begin{array}{ccccccc}\frac{\∂F_x}{\∂{\mathrm{px}}_0}& \frac{\∂F_x}{\∂{\mathrm{px}}_1}& \frac{\∂F_x}{\∂p{x}_2}& \frac{\∂F_x}{\∂{\mathrm{py}}_0}& \frac{\∂F_x}{\∂{\mathrm{py}}_1}& \frac{\∂F_x}{\∂{\mathrm{py}}_2}& \\ \frac{\∂F_x}{\∂{\mathrm{px}}_0}& \frac{\∂F_y}{\∂{\mathrm{px}}_1}& \frac{\∂F_y}{\∂{\mathrm{px}}_2}& \frac{\∂F_y}{\∂{\mathrm{py}}_0}& \frac{\∂F_y}{\∂{\mathrm{py}}_1}& \frac{\∂F_y}{\∂{\mathrm{py}}_2}& \end{array}\right]$

$B=\left[\begin{array}{ccc}\frac{\∂F_x}{\∂\mathrm{Lat}}& \frac{\∂F_x}{\∂\mathrm{Lon}}& \frac{\∂F_x}{\∂\mathrm{height}}\\ \frac{\∂F_y}{\∂\mathrm{Lat}}& \frac{\∂F_y}{\∂\mathrm{Lon}}& \frac{\∂F_y}{\∂\mathrm{height}}\end{array}\right],$ $L=\left[\begin{array}{c}-F_{x0}\\ -F_{y0}\end{array}\right]$

(5)

t＝[dpx₀ dpx₁ dpx₂ dpy₀ dpy₁ dpy₂]^T

x＝[dLat dLon dheight]^T

利用最小二乘原理，并采用列立改化法方程的策略，完成所有未知参数改正数的分步解求。利用改正数对未知数进行更新，并按照步骤5.2和步骤5.3中的方法重新计算权矩阵P和列立误差方程，直至满足平差收敛条件，便可完成本层金字塔匹配结果中误匹配的删除和影像定向参数的精化。利用上层匹配结果约束下层金字塔影像匹配6，重复步骤3、步骤4、步骤5，一股为3次，判断是否达到原始影像层，如果达到则利用最小二乘匹配精化匹配结果7，最后输出匹配结果8。

V＝At+Bx-L，P为误差方程，V为误差方程残差向量，t为射变换系数未知数的改正数向量，x为匹配点物方坐标未知数改正数向量，A为仿射变换系数未知数对应的系数矩阵，B为匹配点物方坐标未知数对应的系数矩阵，L为误差方程对应的常数向量，P为权矩阵。

Claims (1)

1.一种基于RFM模型的多源星载SAR影像自动匹配方法，其步骤是：

A、多源星载SAR影像的RPC参数计算（1）：

采用与地形无关的方法，利用星载SAR影像的严格几何模型，基于不同高程面生成的密集且均匀分布的虚拟控制格网，利用虚拟控制点按最小二乘原理进行解算，得到各影像的RPC参数；

B、数据预处理（2）：

1）金字塔影像生成：采用3×3像元平均法，将多源星载SAR影像生成3级金字塔影像，首先对原始影像的每3×3个像元计算其平均灰度值，并赋给第一级金字塔影像的对应像元，生成第一级金字塔影像，依此类推，直至生成第三级金字塔影像；

2）特征点提取：将原始影像划分为均匀的格网，格网点数依据原始影像大小给定，将原始影像划分为40×40以内的格网，在每个格网内提取一个点，供后继影像匹配使用；

3）基准影像待匹配影像的确定：首先利用步骤A得到的影像RPC参数，计算每张原始影像四个角点所对应的近似物方坐标，对每张基准影像，计算四个角点在基准影像上的像素坐标，加入到基准影像的待匹配影像链表中，得到基准影像各自关联的所有待匹配影像；

C、特征点初始点位的预测（3）：

利用影像RPC参数和已知的空间坐标信息进行特征点初始点位的预测，在最高金字塔影像层，首先利用基准影像RPC参数，将待匹配点投影到测区平均高程面的物方坐标，然后利用待匹配影像的RPC参数，计算待匹配点在待匹配影像上的像素坐标，完成初始点位的预测，在其他金字塔影像层，直接利用上层匹配结果所获得的该特征点的物方坐标计算其在待匹配影像上的坐标，实现初始点位的计算；

D、带几何粗纠正和核线几何约束的相关系数法匹配（4）：

建立核线几何约束方程并对匹配窗口影像进行几何粗纠正：

1）核线几何约束方程的建立：以特征点的高程值Z₀为中心建立不同的高程平面，高程平面的高程为Z₁和Z₂，分别为Z₁＝Z₀-ΔZ、Z₂＝Z₀+ΔZ，其中ΔZ的取值可任意，利用基准影像的RPC参数，分别计算特征点投影到高程为Z₁和Z₂的高程平面上的物方坐标，分别记为（Lat₁，Lon₁，Z₁）和(Lat₂,Lon₂,Z₂)，然后利用待匹配影像的RPC参数，计算对应的投影像素坐标(x₁,y₁)和(x₂,y₂)，利用(x₁,y₁)和(x₂,y₂)建立该特征点在待匹配影像上对应的核线几何约束方程；

2）匹配窗口影像的几何粗纠正：经过上层金字塔影像匹配，得到各特征点的物方坐标和各多源SAR影像精化后的RPC参数，以特征点高程Z₀作一小面元Γ_p，利用基准影像精化后的RPC参数，将特征点所在基准影像上匹配窗口ξ₁的四个角点投影到面元Γ_p，得到对应的四个物方空间坐标，再利用待匹配影像精化的RPC参数，投影计算像素坐标，得到四边形ξ₂，利用上述匹配窗口ξ₁和四边形ξ₂四个角点的像素坐标，解算出6个仿射变换参数，利用该变换参数，将待匹配影像中的四边形ξ₂重采样为新的影像窗口ξ₃，完成匹配窗口影像的几何粗纠正，最后，使用影像窗口ξ₃与匹配窗口ξ₁实施匹配；

3）相关系数法匹配：在建立核线几何约束方程后，对搜索窗口影像的每个像素遍历，首先计算像素到核线几何约束方程的距离，当小于给定的阈值时，以该像素为中心开辟匹配窗口，按步骤D中的步骤2）中方法进行匹配窗口影像的几何粗纠正，利用相关系数法进行该像素对应的相似性测度，最后，选取搜索窗口中相关系数值最大且大于指定的相关系数阈值的像素点为该特征点的同名点；

E、基于RFM模型区域网平差删除错误匹配点（5）：

采用像方仿射变换模型进行卫星影像区域网平差，模型定义如下：

$\left\{\begin{array}{c}{F}_x={\mathrm{px}}_0+{\mathrm{px}}_1\·\mathrm{Sample}+{\mathrm{px}}_2\·\mathrm{Line}+\mathrm{Sample}-x=0\\ F_y={\mathrm{py}}_0+{\mathrm{py}}_1\·\mathrm{Sample}+{\mathrm{py}}_2\·\mathrm{Line}+\mathrm{Line}-y=0\end{array}\right.---\left(1\right)$

式中，x和y分别为点在原始影像上真实坐标的列号和行号，Sample和Line分别为对应物方点利用RPC参数投影到原始影像上的坐标列号和行号，px_i和py_i分别是待求的仿射变换系数，其中i=0，1，2：

1）平差初始值的确定：在最高金字塔影像层，每张原始影像的仿射变换系数的初始值为缺省值，特征点的物方坐标利用原始影像的RPC参数通过前方交会技术计算得到，在其他金字塔影像层，每张原始影像的仿射变换系数初始值为上层匹配区域网平差的结果，特征点的物方坐标利用其在当前金字塔影像层匹配得到的同名点影像行列号坐标和上一级金字塔影像层平差精化后的影像定向参数通过前方交会技术计算得到；

2）观测值权值的计算：第一次平差时，每个连接点行列坐标观测值的权值为1，在后面的平差计算中，观测值的权值按照从验后方差估计原理导出的选择权迭代法进行计算，首先按公式(2)计算各个观测值的统计量T_i，

$T_i=\frac{v_i^2}{{\widehat{\mathrm{\σ}}}_0^2{r}_i}---\left(2\right)$

式中，i=1，2，3，…，n，v_i为观测值i的残差，r_i为对应的多余观测量，

为单位权中误差，n为观测值总数，然后按公式（3）更新观测值在下次迭代平差中的权值

具体为：

其中，F_α，1，r为给定的统计量阈值，对于多余观测量的计算，采用重复计算可靠性矩阵的逐次递归快速算法；

3）卫星影像区域网平差：对每个连接点，以仿射变换系数和其对应的物方坐标为未知数，对公式(1)线性化，列立对应的误差方程：

V＝At+Bx-L,P           (4)

式中，V为误差方程残差向量，t为仿射变换系数未知数的改正数向量，x为匹配点物方坐标未知数改正数向量，A为仿射变换系数未知数对应的系数矩阵，B为匹配点物方坐标未知数对应的系数矩阵，L为误差方程对应的常数向量，P为权矩阵，如下所示：

$A=\left[\begin{array}{cccccc}\frac{\∂F_x}{\∂{\mathrm{px}}_0}& \frac{\∂F_x}{\∂{\mathrm{px}}_1}& \frac{\∂F_x}{\∂{\mathrm{px}}_2}& \frac{\∂F_x}{\∂{\mathrm{py}}_0}& \frac{\∂F_x}{\∂{\mathrm{py}}_1}& \frac{\∂F_x}{\∂{\mathrm{py}}_2}\\ \frac{\∂F_y}{\∂{\mathrm{px}}_0}& \frac{\∂F_y}{\∂{\mathrm{px}}_1}& \frac{\∂F_y}{\∂{\mathrm{px}}_2}& \frac{\∂F_y}{\∂{\mathrm{py}}_0}& \frac{\∂F_y}{\∂{\mathrm{py}}_1}& \frac{\∂F_y}{\∂{\mathrm{py}}_2}\end{array}\right]$

$B=\left[\begin{array}{ccc}\frac{\∂F_x}{\∂\mathrm{Lat}}& \frac{\∂F_x}{\∂\mathrm{Lon}}& \frac{\∂F_x}{\∂\mathrm{height}}\\ \frac{\∂F_y}{\∂\mathrm{Lat}}& \frac{\∂F_y}{\∂\mathrm{Lon}}& \frac{\∂F_y}{\∂\mathrm{height}}\end{array}\right],$ $L=\left[\begin{array}{c}-F_{x0}\\ -F_{y0}\end{array}\right]---\left(5\right)$

t＝[dpx₀ dpx₁ dpx₂ dpy₀ dpy₁ dpy₂]^T

x＝[dLat dLon dheight]^T

利用最小二乘原理，采用列立改化法方程，完成所有未知参数改正数的分步解求，利用改正数对未知数进行更新，并按照步骤E中的步骤2）和步骤3）中的方法重新计算权矩阵P和列立误差方程，直至满足平差收敛条件，完成本层金字塔影像匹配结果中错误匹配点的删除和影像定向参数的精化，利用上层匹配结果约束下层金字塔影像匹配（6），重复步骤C、步骤D、步骤E，判断是否达到原始影像层，如果达到则利用最小二乘匹配精化匹配结果（7），最后输出该匹配结果（8）。

Images