CN103235810A - 遥感影像控制点数据智能检索方法 - Google Patents

Abstract

一种遥感影像控制点数据检索方法，包括：基于待纠正影像的空间初始范围信息概略检索控制点影像片；根据所述待纠正图像的属性信息设置初始检索权重，对所述概略检索到的控制点影像片进行筛选；对所述筛选后的控制点影像片进行基于内容的分析和评价，包括颜色特征分析、纹理特征分析以及基于尺度不变特征变换算法的评价；根据所述分析和评价的结果来判断所述控制点影像片是否符合评价标准，如果检索的结果符合该评价标准，则输出符合评价标准的控制点影像片，如果检索的结果未符合所述评价标准，则修改该评价标准或改变所述初始检索权重，然后再次进行是否符合评价标准的判断或者基于改变的初始检索权重重新进行筛选。

Description

遥感影像控制点数据智能检索方法

技术领域

本发明涉及一种数据检索方法，更具体而言，涉及一种遥感影像控制点数据的智能检索方法。

背景技术

随着遥感技术的发展，特别是遥感传感器技术的不断发展，通过遥感技术所获得的遥感影像或数据的用途越来越广。目前，遥感数据的应用范围已经扩展到社会信息服务领域，例如，广泛应用于测绘、农业、林业、地质矿产、水文与水资源、环境监测、自然灾害、区域分析与规划、军事、土地利用等方面。具有精确地理编码的遥感影像可以为土地、规划、环保、农业、林业、海洋等不同的领域提供各自需要的地物特征和信息。

在通过卫星或航空平台等飞行平台获取遥感图像数据或其他数据时，会受到天气、日光、遮挡等外在因素的影响，同时，在数据采集时飞行平台的高度、姿态会发生变化，因此，在进行遥感图像拍摄时往往会造成图像平移、旋转、缩放等问题。此外，根据光学成像原理，相机成像时是按照中心投影方式成像的，因此地面上的高低起伏在成像时就会导致投影差的存在。上述因素综合，会造成遥感影像的误差，例如倾斜误差、投影误差等。因此，在使用这些遥感影像/数据之前需要对所获得的原始遥感影像进行正射纠正。

传统的遥感影像正射纠正一般包括：首先通过外业测量或者从已有的地形图资料采集地面控制点（Ground Control Point，GCP）及数字高程模型（Digital Elevation Model，DEM）信息；然后将这些信息导入专业的遥感或者数字摄影测量系统；接下来由加载了GCP和DEM信息的系统对遥感影像进行正射纠正。

地面控制点GCP(Ground Control Points)是卫星遥感影像几何纠正和地理定位时重要的基准数据源。在遥感影像几何纠正处理过程中，为达到一定的纠正精度，一定数量的地面控制点是必不可少的，通过控制点的物方坐标和相应的像点坐标构建影像成像模型并求解模型参数或对已有成像模型进行优化补偿求解补偿参数，最终建立成像过程中物方与像方的正确转换关系。

传统作业过程中的控制点一般采用全野外测量的模式，需要经过“收集已有控制资料、测区踏勘、选点埋石、外业测量、内业整理”等一系列复杂的工序，虽然随着GPS-RTK等先进测量技术的发展，外业测量的工作量和复杂度大大减少，但必要的控制点野外测量工作仍不可避免。

此外，由于卫星遥感影像覆盖范围大（以资源三号卫星为例，覆盖范围为50公里×50公里），要想获得均匀分布的地面控制点，通常需要在几百公里乃至上千平方公里的范围内施测，其外业工作量之大、耗费人力和物力之巨是不言而喻的。此外，在地震、洪水、泥石流等自然灾害多发区域或原始森林、沼泽、沙漠等人迹罕至地区，测量人员常常无法进入实地进行测量。

即使控制点是通过人工选取遥感影像和地形图同名点来获得，也存在效率低下、精度难以保障等问题。而对同一地区的不同时相或不同传感器影像进行纠正，又会出现重复选点的情况。

此外，即使能够构建控制点数据库，如何从中检索出用于待纠正图像纠正的控制点也是遥感图像正射纠正的一个难题。

发明内容

根据本发明的实施例，提供了一种遥感影像控制点数据检索方法，包括：基于待纠正影像的空间初始范围信息概略检索控制点影像片；根据所述待纠正图像的属性信息设置初始检索权重，对所述概略检索到的控制点影像片进行筛选；对所述筛选后的控制点影像片进行基于内容的分析和评价，包括颜色特征分析、纹理特征分析以及基于尺度不变特征变换算法的评价；根据所述分析和评价的结果来判断所述控制点影像片是否符合评价标准，如果检索的结果符合该评价标准，则输出符合评价标准的控制点影像片，如果检索的结果未符合所述评价标准，则修改该评价标准或改变所述初始检索权重，然后再次进行是否符合评价标准的判断或者基于改变的初始检索权重重新进行筛选。

根据本发明的数据检索方法，实现了遥感影像颜色、纹理特征、形状及特征描述信息的自动提取和测度评价，保证了检索影像的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1a-1c是示例性的控制点影像片与资源三号卫星影像的对比图；

图2是控制点影像片检索的一种示意性流程图；

图3是检索范围的网格划分的示意图；

图4是点与点之间的8邻区域的示意图；

图5示出了不同尺度空间下的二维影像的一组例子；

图6示出了高斯差分尺度空间（DoG）影像的一组例子；

图7是DoG尺度空间局部极值检测的示意图；

图8是由关键点邻域梯度信息生成特征向量的示意图；

图9示出了不同影像由关键点邻域梯度信息生成特征向量图的一组例子。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

根据本发明实施例的遥感影像控制点数据检索方法，是以控制点影像数据库的建立为基础，通过控制点影像数据库的检索来实现的。

所述控制点影像数据库是控制点影像片的集合。而控制点影像片是对于传统控制点的拓展，也就是说，用包含多个控制点的影像片（控制点影像片）取代单一的控制点作为数据库的数据单元，从而生成控制点影像数据库。

控制点影像数据库构建

现代遥感技术的快速发展，遥感图像获取的周期与精度也逐渐得到了提高，这为控制点影像数据库的建立提供了可靠的资料基础。而计算机自动识别技术的发展，则为控制点数据库的高效使用提供了技术基础。根据本发明的实施例，建立了控制点影像数据库，将控制点的属性信息和影像信息进行统一建库管理，实现了“一次建库，部分更新，多次使用”的目标。同时，将影像自动匹配技术引入到控制点的自动选取中，实现遥感影像的自动或半自动几何纠正处理。

在一个实施例中，每一个控制点影像片都包含两种数据：图像数据和属性数据。其中属性数据用来描述地理位置信息，包括四方面内容：

①描述GCP地理位置信息，如三维坐标X、Y、Z；

②描述地理坐标的一些必要的辅助信息,如所采用的坐标系、投影方式、椭球参数等；

③描述控制点影像的辅助信息,如传感器的类型、波段、图像宽高、图像分辨率等；

④GCP选取的特征描述,如道路的交叉口或桥梁中心点，这些信息可以作为查询的附属条件。

控制点影像数据库对大量控制点影像片采用数据库的方式进行存储、管理和服务。传统的方法在数据存储管理上是把控制点的属性和图像数据割裂开来，在数据库中存储的是点对应图像的文件指针，而图像数据则在数据库外部以文件方式单独存储，这种方式破坏了控制点信息的完整性和数据库的安全性，极易由于文件的误删除而丢失控制点的图像信息。根据本发明的控制点影像数据库采用将图像与属性结合在一起的数据存储形式，即对控制点影像片对应的图像信息采用大二进制对象BLOB(Binary Large Object)类型并作为表结构的一个字段与控制坐标、椭球类型、投影方式等属性进行一体化存储管理。

对已有的1：10000尺度的DOM（数字正射影像图，Digital OrthophotoMap）、DEM（数字高程模型，Digital Elevation Mode）成果图进行整理，选取现势性强、纹理清晰、特征明显的地区，如道路交叉口、桥梁、田埂角点等地区按一定大小（如512×512像素）采集影像片，从DOM中获得平面坐标信息、椭球、投影等信息，同时从对应的DEM数据中获取相应区域的高程值，然后将获得图像信息和属性信息进行统一入库存储。

图1a是从某地的DOM影像上裁剪出的一个控制点影像片（512×512像素，分辨率为1米）；图1b为同一地区的资源三号的正视全色影像（分辨率为2.1米），图1c为同一地区的资源三号正视多光谱影像（分辨率为5.8米）。对照图1b和图1c可以很直观地从图1a中选取相应的同名点作为控制点。

此外，控制点影像数据库的覆盖范围和存储量到一定规模后，如果按常规的物理顺序进行逐一检索，则会耗费大量时间，不利于实际应用，为了快速检索出控制片，在实际应用中，需要对控制点数据库按地理坐标进行分区存储。在分区过程中，根据地形起伏、地物的复杂程度以及具体的应用，对感兴趣的地区及控制点分布较密的地区，减小划分范围，而对于次要地区或大面积水域等扩大划分范围，最终保证每一区域内的控制点数量基本保持一致，加快检索的速度。

控制点影像数据库的检索

检索功能是衡量一个数据库系统的重要技术指标。对于控制点影像数据库来说，在进行几何纠正时,能否根据待纠正影像信息快速检索出可利用的控制点影像片是应用系统建设的成败关键之一。

图2是控制点影像片检索的一种示意性流程图。在步骤S01，进行基于空间初始范围信息的控制点影像片检索；在步骤S03，根据控制点影像片的属性信息进行筛选；在步骤S05，进行基于内容的分析和评价；在步骤S07，判断检索到的控制点影像片是否满足评价标准。

下面分别介绍控制点影像片检索的步骤。

基于空间初始范围信息的控制点影像片检索

空间初始范围信息是控制点影像片检索的基础。

如果空间初始范围未知，首先根据待纠正影像的轨道参数预测其概略的地理位置范围，进而估算出待纠正图像区域内控制点的大致地理位置范围。由于预测的概略位置有误差、加之待纠正遥感影像存在几何变形，一般在估算待纠正图像区域的地理位置范围时都会参考一个估计的误差半径R，其值一般为控制点影像大小的2至3倍。然后，将所估算的概略地理位置范围作为空间初始范围，从控制点影像数据库中检索出对应范围的控制点影像数据。

基于已获得的空间初始范围信息，建立优化的空间格网，然后根据点与点、点与面的空间拓扑关系，实现满足空间优化分布和空间拓扑条件的控制点影像片检索。具体步骤如下：

首先，以所述初始范围的左上角坐标为起点开始划分网格，如图3所示。网格列Ci=i（i=0，1，2…n-1，n为网格列数），网格行Rj=j（j=0，1，2…m-1，m为网格行数），并基于下式确定网格的宽度与高度：

Grid_Width=（x₁–x₀）/n

Grid_Height=（y₀–y₁）/m

然后，查询该初始范围的全部控制点的位置信息，记录控制点影像中心点坐标及识别号（ID），Gcp_Pos=（GcpID，Gcp_x，Gcp_y），确定每个控制点所属网格行列号：

Grid_COL=（Gcp_x–x₀）/Grid_Width

Grid_Row=（y₀-Gcp_y）/Grid_Height

接下来，通过计算点连线的方位角来确定控制点影像片中心点在8邻区域的位置。图4示意性地示出了点与点之间的8邻区域。在图4中，中心点为理想控制点影像片中心点，实际检索出的控制点影像片中心点为落入编号为1的区域的点。

dy=y₂–y₁

dx=x₂–x₁

A=arctan（dx/dy）

确定8邻区域所在坐标系象限，并构造检索的矩形范围，矩形边长视控制点分布密度情况而定，根据矩形范围从数据库中检索控制点；计算每个点与其的8邻关系，如符合要检索空间关系，计算两点间距离，取距离最小者为检索结果；如未得到检索结果，放大搜索半径重新进行检索。

根据本发明的实施例，通过基于满足遥感影像正射纠正的策略来建立空间优化格网，并利用拓扑关系实现遥感控制点影像片的检索，与传统方法利用空间坐标检索方法比较，本方法一方面以控制点影像数据库为检索源，另一方面满足应用中对控制点影像片中控制点的空间均匀分布，提高了检索的效率。

基于待纠正图像的位置信息检索出的数据库中的控制点可能是相当大的子集，在这种情况下，可以辅助其他信息做进一步检索。根据本发明的检索技术，可以进一步采用基于待纠正影像的属性检索、基于内容检索等检索技术，对控制点影像片检索结果进行筛选和评价。

基于待纠正影像的属性进行检索

基于待纠正影像的属性进行检索，即利用遥感影像的传感器类型、空间分辨率、影像时相、坐标系信息、影像级别等综合信息，根据初始限制的需求条件，建立人机交互机制，通过机器对综合反馈信息的自动学习和综合属性信息的交互评价，建立参数自适应的优化定权算法，实现遥感影像控制点属性信息的智能优化组合检索。

具体而言，首先，定义遥感影像的传感器类型、空间分辨率、影像时相、坐标系信息、影像级别等综合信息的检索条件定义权重为

TJ_i_QZH,(i=1,2,3,…，n)，且， $\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{TJ}}_i\_\mathrm{QZH}=1,(i=\mathrm{1,2,3},\·\·\·,n)$

例如，设置初始检索权重为：传感器类型为0.20、空间分辨率为0.3、影像时相为0.20、坐标系信息0.15、影像级别为0.15，其和为1.0；如减少m,m∈[1,n-1]个检索条件，则新权重定义为：

${\mathrm{TJ}}_i\_\mathrm{QZH}\_\mathrm{NEW}={\mathrm{TJ}}_i\_\mathrm{QZH}\×\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{TJ}}_i\_\mathrm{QZH}/\underset{i=0}{\overset{n-m}{\mathrm{\Σ}}}{\mathrm{TJ}}_i\_\mathrm{QZH}$

(i=1,2,3,…，n-m),(j=1,2,3,…，m)

迭代计算，计算次数初始为4次。

通过基于待纠正图像属性的检索，充分利用了控制点影像数据中存储的属性信息，实现了机器对综合反馈信息的自动学习和综合属性信息的交互评价，参数自适应优化定权算法，提高影像检索的自动化、智能化程度，减少了人工干预。

基于内容的检索

基于内容的检索，是指在上述基于属性的检索所得到的检索结果中，提取初始影像的颜色特征、Gabor小波的纹理特征、形状特征及特征点描述信息，然后从控制点影像数据库中读取与已经检索到的控制点影像片对应的信息，通过计算颜色归一化直方图距离、图像纹理特征的相似性距离测度、轮廓曲线相似测度、特征点欧式距离等匹配测度，综合评价控制点影像片。

颜色特征分析

选择合适的颜色空间来描述颜色特征，并要采用一定的量化方法将颜色特征表示为向量的形式，这里选用颜色直方图进行描述。设示例图像Q，数据库中某一控制点影像I在某种颜色通道C上的颜色直方图分别为Q_C(i)和I_C(i)，其中i∈[1,2,…,n]，n为亮度水平数。则在C通道上颜色直方图间的距离为：

$D_{Q,I}^C=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\min (Q\left(i\right),I\left(i\right))$

综合H，S，V三通道，则Q，I间的距离可以表示为：

$D_{Q,I}=\underset{C=H,S,V}{\mathrm{\Σ}}\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\min (Q\left(i\right),I\left(i\right))\right]$

考虑到颜色之间的相似性，采用下式计算两图之间的距离：

$D_{Q,I}=\sqrt{\frac{1}{6}\underset{C=H,S,V}{\mathrm{\Σ}}\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(Q\left(i\right),I{\left(i\right)}^2)\right]}$

采用这种距离计算方法，D_Q,I越接近0，表示两幅图像越相近，根据控制点影像片检索实验结果，该阈值的范围为[0.25,0.35]，优选地，可以选为0.25。

纹理特征分析

用小波变换分析来表示图像的纹理特征，具体方法为：

给定一幅图像I（x，y），它的Gabor小波变换可以定义为：

$W_{\mathrm{mn}}(x,y)=\∫\∫I(x,y)g_{\mathrm{mn}}^{*}(x-x_1,y-y_1){\mathrm{dx}}_1{\mathrm{dy}}_1$

其中，*代表取其共轭复数。假设局部纹理区域具有空间一致性，则变换系数的均值μ_mn和方差σ_mn作为分量，可以构成特征向量，即：

${\mathrm{\μ}}_{\mathrm{mn}}=\∫\∫\left|w_{\mathrm{mn}}(x,y)\right|d_x{d}_y$

${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{\∫\∫{\left(\right|w_{\mathrm{mn}}(x,y)-{\mathrm{\μ}}_{\mathrm{mn}}\left|\right)}^2{d}_x{d}_y}$

用μ_mn和σ_mn作为分量，构成特征向量，即

$\stackrel{-}{f}=|{\mathrm{\μ}}_{00},{\mathrm{\σ}}_{00},{\mathrm{\μ}}_{01},{\mathrm{\σ}}_{01},\·\·\·{\mathrm{\μ}}_{m-1,n-1},{\mathrm{\σ}}_{m-1,n-1}|$

例如，分别选取尺度数和方向数为4和6，基本能满足纹理图像检索需求。为增强检索的正确性和鲁棒性，可以在此基础上加入Tamura纹理特征的三个分量：粗糙度、对比度和方向性，构成新的特征向量：

$\stackrel{-}{f}=|{\mathrm{\μ}}_{00}{\mathrm{\σ}}_{00}{\mathrm{\μ}}_{01}{\mathrm{\σ}}_{01}\·\·\·{\mathrm{\μ}}_{m-1,k-1}{\mathrm{\σ}}_{m-1,k-1},F_{\mathrm{crs}},F_{\mathrm{con}},F_{\mathrm{dir}}|$

为适应不同纹理特征影像检索，由于每一种纹理特征的取值范围都不同，采用高斯归一化的方法：对于N维特征向量T=[t₁,t₂,…,t_n]，设I_i为图像库(I₁,I₂,…,I_m)中的任意影像，则其对应的特征向量为T_i=T[t_i1,t_i2,…,t_in]，则对于每一特征分量，都假定服从正态分布，首先提取每一特征分量的均值μ和标准差σ，得到均值M[μ₁,μ₂,…,μ_n]和标准差S[σ₁,σ₂,…,σ_n]，然后进行高斯归一化，即

f'_i,j=(f_i,j-μ_j)/σ_j

若f'_i,j<-1,f'_i,j=-1

若f'_i,j>1,f'_i,j=1

从而使所有特征值落入[-1，1]区间内，获得两种纹理特征向量的相似度量方法，而非考虑每一种纹理特征的值域。

根据提取和描述的图像纹理特征确定其相似性距离测度：

$d(i,j)=\underset{m}{\mathrm{\&Sigma;}}\underset{n}{\mathrm{\&Sigma;}}{d}_{\mathrm{mn}}(i,j);d_{\mathrm{mn}}(i,j)=\left|\frac{{\mathrm{\&mu;}}_{\mathrm{mn}}^{\left(i\right)}}{\mathrm{\&alpha;}\left({\mathrm{\&mu;}}_{\mathrm{mn}}\right)}\right|+\left|\frac{{\mathrm{\&sigma;}}_{\mathrm{mn}}^{\left(j\right)}}{\mathrm{\&alpha;}\left({\mathrm{\&sigma;}}_{\mathrm{mn}}\right)}\right|$

其中：α(μ_mn)和α(σ_mn)用来实现其归一化。这里，阈值的范围可以是[0.70,0.85]，优选地，可以设定阈值为0.85，将阈值大于0.85的结果确定为精度较好的检索结果。

基于尺度不变特征变换（SIFT）算法的检索结果评价

SIFT算法基于图像特征尺度选择的思想，建立图像的多尺度空间，在不同尺度下检测到同一个特征点，确定特征点位置的同时确定其所在尺度，以达到尺度抗缩放的目的，此外，该算法剔除一些对比度较低的点以及边缘响应点，并提取旋转不变特征描述符以达到抗仿射变换的目的。该算法主要包含：（1）建立尺度空间，寻找候选点；（2）精确确定关键点位置，剔除不稳定点；（3）确定关键点梯度的模及方向；（4）提取特征描述符。

（1）尺度空间的生成

尺度空间理论最早出现于计算机视觉领域时其目的是模拟图像数据的多尺度特征。Koendetink证明高斯卷积核是实现尺度变换的唯一变换核，而Lindeberg则进一步证明高斯核是唯一的线性核。

二维高斯函数定义如下：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)}/2{\mathrm{\&sigma;}}^2$

σ代表了高斯正态分布的方差。

一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：

L(x,y,σ)=G(x,y,σ)*I(x,y)

图5示出了不同尺度空间下的二维影像的一组例子。

为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间（DoG scale-space）。利用不同尺度的高斯差分核与图像卷积生成：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)

DoG算子计算简单，是尺度归一化的LoG算子的近似。

然后构建图像金字塔，图像金字塔共O组，每组有S层，下一组的图像由上一组图像降采样得到。图6示出了高斯差分尺度空间（DoG）影像的一组例子。在图6中，对尺度空间octave，原始影像经过多次高斯卷积运算，产生一系列设定的尺度空间的影像。在右边的DoG影像是通过临近的高斯滤波后的影像进行差分运算产生的。在每一阶之后，高斯影像做因子为2的降采样，并重复进行该过程。

（2）空间极值点检测

为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图7所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。

（3）关键点位置确定与不稳定点剔除

a）关键点精确位置确定

利用尺度空间函数D(x,y,σ)的泰勒二次展开式进行最小二乘拟合，通过计算拟合曲面的极值来进一步确定关键点的精确位置和尺度。关键点最终的坐标和尺度可以精确到子像素级。

用泰勒公式展开D(x,y,σ)，则采样点原点为：

$D\left(X\right)=D+\frac{{\&PartialD;D}^T}{\&PartialD;X}X+\frac{1}{2}{X}^T\frac{{\&PartialD;}^{2}D}{\&PartialD;X^2}X$ （其中Χ=(x,y,σ)^T）

对X求导，并令其为零，即：便可求得采样原点的位置为： $\hat{X}=-\frac{{\&PartialD;}^2{D}^{-1}}{\&PartialD;X^2}\frac{\&PartialD;D}{\&PartialD;X},$

即为： $\left[\begin{array}{ccc}\frac{{\&PartialD;}^{2}D}{\&PartialD;{\mathrm{\&sigma;}}^2}& \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{\&sigma;y}}& \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{\&sigma;x}}\\ \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{\&sigma;y}}& \frac{{\&PartialD;}^{2}D}{\&PartialD;y^2}& \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{yx}}\\ \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{\&sigma;x}}& \frac{{\&PartialD;}^{2}D}{\&PartialD;\mathrm{yx}}& \frac{{\&PartialD;}^{2}D}{\&PartialD;x^2}\end{array}\right]\left[\begin{array}{c}\mathrm{\&sigma;}\\ y\\ x\end{array}\right]=-\left[\begin{array}{c}\frac{\&PartialD;D}{\&PartialD;\mathrm{\&sigma;}}\\ \frac{\&PartialD;D}{\&PartialD;y}\\ \frac{\&PartialD;D}{\&PartialD;x}\end{array}\right]$

b）低对比度剔除

由

如果|D（X）|<0.03，则该点对比度较低，剔除。

c）边缘响应的去除

一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2x2的Hessian矩阵H求出：

$H=\left[\begin{array}{cc}{D}_{\mathrm{xx}}& D_{\mathrm{xy}}\\ D_{\mathrm{xy}}& D_{\mathrm{yy}}\end{array}\right]$

导数由采样点相邻差估计得到。

D的主曲率和H的特征值成正比，令α为最大特征值，β为最小的特征值，则：

Tr(H)=D_xx+D_yy=α+β

Det(H)=D_xxD_yy-(D_xy)²=αβ

令α=γβ，则：

$\frac{\mathrm{Tr}{\left(H\right)}^2}{\mathrm{Det}\left(H\right)}=\frac{{(\mathrm{\&alpha;}+\mathrm{\&beta;})}^2}{\mathrm{\&alpha;\&beta;}}=\frac{{(\mathrm{r\&beta;}+\mathrm{\&beta;})}^2}{r{\mathrm{\&beta;}}^2}=\frac{{(r+1)}^2}{r}$

的值在两个特征值相等的时候最小，随着r的增大而增大。因此，

为了检测主曲率是否在某域值r下，只需检测：

$\frac{\mathrm{Tr}{\left(H\right)}^2}{\mathrm{Det}\left(H\right)}<\frac{{(r+1)}^2}{r}$

可选地，取r＝10。

（4）关键点梯度模及方向计算

利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$

θ(x,y)=αtan2((L(x,y+1)-L(x,y-1))²+(L(x+1,y)-L(x-1,y)))²

上式为（x，y）处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。

（5）特征描述符生成

图8示出了由关键点邻域梯度信息生成特征向量的过程。图8左部分的中央点为当前关键点的位置。首先，将坐标轴旋转为关键点的方向，以确保旋转不变性。接下来以关键点为中心取8×8的窗口。在图8中，每个小格代表关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中圆圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图8右部分所示。此图中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

根据以上方法，分别从初始检索影像和遥感影像控制点数据库中检索的影像提取特征点并进行特征描述。对于特征描述空间的m个点（这里的点指描述空间中的点，即p维向量）中的某一点A，可以衡量它与另外n个点的距离，而选取这些距离中的哪一个作为A与其匹配点的距离。该算法采用最近距离与第二近距离比较选择法：找出与A距离最小的那个点B及与A距离最小的那个点B的同时还找出了与A距离第二小的点C，并且若d_ABd_AC<t时，认为A与B是合理正确的匹配点。保证当A有很多相似的匹配时，即n个点中与A最小的距离和与A第二小的距离相差不是很多时，保证合理的匹配。上式中的阈值t的范围可以是[0.60,0.80]，可选地，将阈值t设定为0.8。

通过SIFT算法对于初始检索影像和检索结果影像进行特征描述，一方面可以对从控制点影像片上提取的特征点进行特征描述，记录更多的信息，然后利用特征描述信息进行进一步的检索；另一方面，可以对控制点影像片的检索结果进行评价，根据特征描述信息进行统计，判断检索结果是否满足要求，并反馈。

接下来，在步骤S507，判断检索到的控制点影像片是否满足评价标准。

可选地，评价标准可以是同时满足颜色直方图间的距离小于0.25（其范围为[0.25,0.35]），图像的纹理特征测度大于0.85（其范围为[0.70,0.85]），尺度不变特征匹配大于0.8（其范围为[0.60,0.80]）。

如果检索的结果符合评价标准，则输出检索到的控制点影像片。

如果检索的结果未符合评价标准，则可以对该评价标准进行修改和/或改变步骤S03中的检索条件。

具体而言，根据本发明的一个实施例，修改评价标准，根据初始设置的循环次数，例如为N次，将颜色直方图间的距离阈值变为0.25加上其范围区间差除以循环次数N，即变为小于0.25+0.10/N；图像的纹理特征测度阈值变为大于0.85-0.15/N，尺度不变特征匹配参数阈值变为大于0.8-0.2/N。然后，再判断检索结果是否符合修改后的评价标准。该过程是一个循环过程，在每一循环中修改评价标准，直到找到符合该标准的检索结果。在此，三个阈值是在一次循环中一同变化的，其也可以分别变化。

根据本发明的另一个实施例，可以人工将步骤S03中的基于属性的筛选条件减少（如前述），并根据前述公式相应修正新的检索条件初始检索权重，然后重新从步骤S03开始进行检索，如图1所示。

根据本发明的上述检索方案，在已经检索出来的遥感影像控制点数据的基础上，实现了遥感影像颜色、纹理特征、形状及特征描述信息的自动提取和测度评价，保证了检索影像的准确性。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (10)

1.一种遥感影像控制点数据检索方法，其特征在于，包括：

基于待纠正影像的空间初始范围信息概略检索控制点影像片；

根据所述待纠正图像的属性信息设置初始检索权重，对所述概略检索到的控制点影像片进行筛选；

对所述筛选后的控制点影像片进行基于内容的分析和评价，包括颜色特征分析、纹理特征分析以及基于尺度不变特征变换算法的评价；

根据所述分析和评价的结果来判断所述控制点影像片是否符合评价标准，如果检索的结果符合该评价标准，则输出符合评价标准的控制点影像片，如果检索的结果未符合所述评价标准，则修改该评价标准或改变所述初始检索权重，然后再次进行是否符合评价标准的判断或者基于改变的初始检索权重重新进行筛选。

2.根据权利要求1所述的控制点数据检索方法，其特征在于，所述基于空间初始范围信息的控制点影像片概略检索包括：

以所述空间初始范围的左上角坐标为起点开始划分网格，并确定网格的宽度与高度；

查询所述空间初始范围的全部控制点的位置信息，记录控制点影像片中心点坐标及识别号，并确定每个控制点所属网格的行列号；

通过计算点连线的方位角来确定所述控制点影像片中心点在理想控制点影像片中心点的8邻区域的位置。

3.根据权利要求1所述的控制点数据检索方法，其特征在于，如果所述空间初始范围未知，则首先根据所述待纠正影像的轨道参数预测其概略的地理位置范围，进而估算出目标区域内控制点的大致地理位置范围；然后，将所估算的概略地理位置范围作为空间初始范围，在控制点影像数据库中检索出对应范围的控制点影像片数据。

4.根据权利要求1所述的控制点数据检索方法，其特征在于，所述待纠正影像的属性信息包括遥感影像的传感器类型、空间分辨率、影像时相、坐标系信息、影像级别。

5.根据权利要求4所述的控制点数据检索方法，其特征在于，设置所述初始检索权重为：传感器类型为0.20、空间分辨率为0.3、影像时相为0.20、坐标系信息0.15、影像级别为0.15。

6.根据权利要求1所述的控制点数据检索方法，其特征在于，所述颜色特征分析包括：选择合适的颜色空间来描述颜色特征，并用颜色直方图将所述颜色特征表示为向量的形式。

7.根据权利要求1所述的控制点数据检索方法，其特征在于，所述纹理特征分析包括：用小波变换分析来表示图像的纹理特征。

8.根据权利要求1所述的控制点数据检索方法，其特征在于，所述基于尺度不变特征变换算法的评价包括：

建立尺度空间，寻找候选点；

精确确定关键点位置，剔除不稳定点；

确定关键点梯度的模及方向；

提取特征描述符，分别从所述概略检索的控制点影像片和所述筛选后的控制点影像片提取特征点并进行特征描述。

9.根据权利要求1所述的控制点数据检索方法，其特征在于，所述评价标准为同时符合颜色直方图间的距离小于第一阈值，图像的纹理特征测度大于第二阈值，尺度不变特征匹配大于第三阈值，其中，所述第一阈值的范围为[0.25,0.35]，所述第二阈值的范围为[0.70,0.85]，所述第三阈值的范围为[0.60,0.80]。

10.根据权利要求9所述的控制点数据检索方法，其特征在于，所述修改评价标准包括：在每一次循环中，所述第一阈值增加一改变量，所述第二阈值减少一改变量，且所述第三阈值减少一该变量，其中，各个阈值的改变量为其各自范围区间差除以预设的循环次数。

Images