CN105913435B - 一种适用于大区域的多尺度遥感影像匹配方法及系统 - Google Patents

Abstract

本发明提供一种适用于大区域的多尺度遥感影像匹配方法及系统，该方法包括：根据基准影像和每一待匹配影像附带的RPC参数，并结合DEM数据，分别计算基准影像与每一待匹配影像的同名区；分别对同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成基准影像与每一待匹配影像对应的匹配基准点集；进行基于匹配基准点集的动态影像匹配，分别获取基准影像与每一待匹配影像对应的匹配点集。本发明解决了传统匹配方法在进行大区域中的多尺度遥感影像匹配时存在的速度较慢、精度较低的问题，且对山地、高山等地形起伏大的地方也具有较高的可靠性。

Description

一种适用于大区域的多尺度遥感影像匹配方法及系统

技术领域

本发明涉及卫星遥感影像处理技术领域，具体涉及一种适用于大区域的多尺度遥感影像匹配方法及系统。

背景技术

近几年来随着传感器技术、航空航天技术和数据通讯技术的不断发展，新型传感器不断涌现，已从过去的单一传感器发展到现在的多种类型的传感器，在同一个地区现在已经可以获得非常多的具有不同尺度、不同光谱、不同时相的多源遥感影像数据，即大区域中的多尺度遥感影像数据。这使得现代遥感技术进入一个全新阶段，一个能动态、快速、多平台、多时相、高分辨率地提供对地观测数据的阶段。这些大区域中的多尺度遥感影像数据的融合能够弥补单一数据源的不足，并且拥有非常广阔的应用前景。

在卫星遥感影像处理技术领域，影像匹配技术是数字摄影测量自动化的核心技术，也是计算机视觉和图像分析等的关键技术。现有的影像匹配方法大体上可以分为基于灰度的影像匹配和基于特征的影像匹配两个大类，目前应用比较多的主要有核线匹配方法和金字塔匹配方法。由于大区域中的多尺度遥感影像之间存在巨大差异，因此利用现有的匹配方法进行影像匹配时，其匹配速度较慢，精度较低，且对山地、高山等地形起伏较大的地方具有较低的可靠性。

发明内容

本发明提供一种适用于大区域的多尺度遥感影像匹配方法及系统，以解决现有技术中的匹配方法在进行大区域中的多尺度遥感影像匹配时存在的速度较慢、精度较低的问题。

第一方面，本发明提供一种适用于大区域的多尺度遥感影像匹配方法，所述方法包括：

选择多尺度遥感影像集中的一张遥感影像作为基准影像，将所述多尺度遥感影像集中的其他遥感影像作为待匹配影像；

根据所述基准影像和每一所述待匹配影像附带的RPC参数，并结合DEM数据，分别计算所述基准影像与每一所述待匹配影像的同名区；

分别对所述同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成所述基准影像与每一所述待匹配影像对应的匹配基准点集；

进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集。

第二方面，本发明提供一种适用于大区域的多尺度遥感影像匹配系统，所述系统包括：

选择模块，用于选择多尺度遥感影像集中的一张遥感影像作为基准影像，将所述多尺度遥感影像集中的其他遥感影像作为待匹配影像；

计算模块，用于根据所述基准影像和每一所述待匹配影像附带的RPC参数，并结合DEM数据，分别计算所述基准影像与每一所述待匹配影像的同名区；

提取模块，用于分别对所述同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成所述基准影像与每一所述待匹配影像对应的匹配基准点集；

匹配模块，用于进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集。

本发明提供一种适用于大区域的多尺度遥感影像匹配方法及系统，针对推扫式光学卫星遥感影像成像的特点，对输入的多尺度遥感影像集，利用遥感影像附带的RPC参数，并加入全球DEM数据作为辅助数据，实现了快速的同名区位置预测，然后在同名区内提取尺度不变的特征点进行匹配，有效减少了无效输入，加快了匹配速度；在匹配过程中，通过调整高程值，动态调整匹配位置，最终确定最佳的匹配点。另外，通过最小二乘影像匹配和随机采样一致性方法对匹配点进行处理，可以得到高精度的匹配点。

本发明解决了传统匹配方法在进行大区域中的多尺度遥感影像匹配时存在的速度较慢、精度较低的问题，且对山地、高山等地形起伏大的地方也具有较高的可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种适用于大区域的多尺度遥感影像匹配方法的流程示意图；

图2为本发明实施例提供的一种适用于大区域的多尺度遥感影像匹配方法的流程示意图；

图3为图2中步骤201中选取的多尺度遥感影像集的示意图；

图4为图2步骤202的具体流程示意图；

图5为图4中步骤2022中两个四边形进行求交运算的示意图；

图6为图2中步骤205的具体流程示意图；

图7为利用图2中提供的方法对基准影像和待匹配影像进行匹配后的匹配结果示意图；

图8为本发明实施例提供的一种适用于大区域的多尺度遥感影像匹配系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

目前，在卫星遥感影像处理技术领域，用于采集遥感影像的光学卫星主要分为摆扫式和推扫式两大类。一般说来,推扫式光学卫星遥感影像大多为线阵推扫式遥感影像，其核线类似于双曲线,且左影像上的每一个点都对应右影像上不同的核线,因此,基于核线的影像匹配就变得相当复杂。此外,由于线阵推扫式遥感影像的数据量巨大,生成金字塔影像的速度很慢,影响了影像匹配的效率。正是由于线阵推扫式遥感影像的这些特点,导致传统的核线匹配方法和金字塔匹配方法的匹配效果都不够理想,为此,需要寻找一种匹配速度快、精度高的影像匹配方法。

有理函数模型(Rational Function Mode，RFM)是卫星遥感影像的通用几何处理模型。它用有理多项式函数来拟合严格的几何模型,使几何模型处理简化,易于计算,并独立于传感器。文中的RPC参数，即是指有理函数模型中的各有理多项式系数。另外，文中所述的DEM为数字高程模型(Digital Elevation Model)的英文缩写。

本发明实施例提供一种适用于大区域的多尺度遥感影像匹配方法，参照图1所示，该方法包括：

101、选择多尺度遥感影像集中的一张遥感影像作为基准影像，将多尺度遥感影像集中的其他遥感影像作为待匹配影像。

102、根据所述基准影像和每一所述待匹配影像附带的RPC参数，并结合DEM数据，分别计算所述基准影像与每一所述待匹配影像的同名区。

103、分别对同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成基准影像与每一待匹配影像对应的匹配基准点集。

104、进行基于匹配基准点集的动态影像匹配，分别获取基准影像与每一待匹配影像对应的匹配点集。

本发明提供的一种适用于大区域的多尺度遥感影像匹配方法，针对推扫式光学卫星遥感影像成像的特点，对输入的多尺度遥感影像集，利用遥感影像附带的RPC参数，并加入全球DEM数据作为辅助数据，实现了快速的同名区位置预测，然后在同名区内提取尺度不变的特征点进行匹配，有效减少了无效输入，加快了匹配速度；另外，在匹配过程中，通过调整高程值，动态调整匹配位置，最终确定最佳的匹配点。

本发明实施例提供的一种适用于大区域的多尺度遥感影像匹配方法，参照图2所示，该方法包括：

201、选择多尺度遥感影像集中的一张遥感影像作为基准影像，将多尺度遥感影像集中的其他遥感影像作为待匹配影像。

其中，多尺度遥感影像集为从同一个大区域中获取的多个具有不同尺度、不同光谱、不同时相的多源遥感影像数据。具体实施匹配过程时，先从多尺度遥感影像集中选择一张遥感影像作为基准影像，然后选择其他遥感影像中的一张遥感影像作为待匹配影像后进行匹配，本发明实施例对基准影像的选取方式不做特殊限定。

具体地，在本发明实施例提供的一个具体用例中，选取天绘一号卫星中01星和02星拍摄的安徽某地区的100张遥感影像作为数据源，即本发明实施例中所述的多尺度遥感影像集。其覆盖范围约12万平方公里，具体参照图3中所示。

本实施例中，选择多尺度遥感影像集中的一张遥感影像1_5_112影像作为基准影像，然后再选择多尺度遥感影像集中的另一张遥感影像3_5_112影像作为待匹配影像。

202、根据基准影像和待匹配影像附带的RPC参数，并结合DEM数据，计算基准影像与待匹配影像的同名区。

具体地，针对上述步骤中选取的基准影像1_5_112影像和待匹配影像3_5_112影像，根据这两张遥感影像附带的RPC参数，并结合DEM数据，进一步快速计算1_5_112影像和3_5_112影像的同名区。

进一步地，参照图4所示，其具体的计算过程如下：

2021、根据基准影像和待匹配影像附带的RPC参数和所选DEM数据，将基准影像和待匹配影像的四个角点分别投影到平均高程面上，得到两个四边形。

具体地，对于1_5_112影像和3_5_112影像，分别读取这两张影像附带的RPC参数，获取这两张影像分别所在的大致的经纬度坐标，根据其经纬度坐标读取全球30米的DEM数据中的高程值H作为平均高程面。分别将1_5_112影像和3_5_112影像的四个角点分别投影到平均高程面上，分别获得四个角点对应的经纬度坐标，将四个角点对应的经纬度坐标组成四边形，即分别得到两个四边形S1和S2。

2022、对两个四边形进行求交运算，得到一个多边形，将多边形的外接矩形确定为基准影像和待匹配影像的影像重叠区。

具体地，参照图5所示，对步骤2021中得到的两个四边形S1和S2进行四边形求交运算，得到一个多边形S3。将多边形S3的外接矩形确定为1_5_112影像和3_5_112影像的影像重叠区。

2023、根据基准影像附带的RPC参数，将影像重叠区反算到基准影像上，获取基准影像与待匹配影像的同名区。

具体地，根据1_5_112影像附带的RPC参数，将步骤2022中确定的影像重叠区的四个角点对应的经纬度坐标，按照RPC反算公式从平均高程面上反算到1_5_112影像上，从而可以获取1_5_112影像和3_5_112影像的同名区。

203、对同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，形成基准影像与待匹配影像对应的匹配基准点集。

其中，对步骤202中计算出的同名区进行网格化规则分块，是指把同名区切分为一定大小的至少一个规则格网子块，切分后的各规则格网子块之间可以有重叠，也可以无重叠。本发明实施例中，对各规则网格子块的大小不做特殊限定。

另外，从各规则格网子块中提取Forstner特征点时，用于提取的Forstner算子通过计算像素为中心的窗口的灰度协方差矩阵以及每一个像素Roberts的梯度，在影像中寻找尽可能小并且接近于圆的误差椭圆点为特征点。

具体地，经过该步骤后，从1_5_112影像和3_5_112影像的同名区中提取出至少一个Forstner特征点，这些Forstner特征点形成了1_5_112影像和3_5_112影像对应的匹配基准点集。

204、对基准影像和待匹配影像进行影像分辨率一致化处理。

其中，为了消除基准影像和待匹配影像之间影像尺度的影响，需要对基准影像和待匹配影像进行影像分辨率一致化处理。分别获取基准影像的影像分辨率与待匹配影像的影像分辨率，若基准影像的影像分辨率大于待匹配影像的影像分辨率，则对待匹配影像进行降采样处理；否则，则进行升采样处理。

具体地，分别获取1_5_112影像的影像分辨率R1和3_5_112影像的影像分辨率R2，若R1>R2，则对3_5_112影像进行降采样处理；否则，则对3_5_112影像进行升采样处理，从而可消除1_5_112影像和3_5_112影像之间影像尺度的影响。

205、进行基于匹配基准点集的动态影像匹配，获取基准影像与待匹配影像对应的匹配点集。

其中，在获取了匹配基准点集后，对消除了影像尺度的基准影像和待匹配影像进行动态影像匹配，从而获取基准影像与待匹配影像对应的匹配点集。本发明实施例中所述的动态影像匹配，是指通过调整高程值，动态调整匹配位置，最终确定优选的匹配点。

进一步地，参照图6所示，其具体的获取过程如下：

2051、分别选择匹配基准点集中的每一匹配基准点作为基准特征点。

其中，先从匹配基准点集中选择一个匹配基准点作为基准特征点，在这个匹配基准点的匹配过程结束后，再选择另一个匹配基准点作为基准特征点进行匹配，本发明实施例对基准特征点的选取方式不做特殊限定。

具体地，本实施例中，先选取匹配基准点P(x1，y1)作为基准特征点。

2052、根据基准影像附带的RPC参数，并结合DEM数据，迭代计算出基准特征点的初始经纬度坐标以及初始高程值，得到基准特征点的初始地面点；根据待匹配影像附带的RPC参数，将初始地面点反算到待匹配影像上，得到初始匹配点；

具体地，读取1_5_112影像附带的RPC参数及全球30m的DEM数据，并结合基准特征点像方坐标P(x1，y1)，迭代计算出基准特征点P(x1，y1)的初始经纬度坐标(B1，L1)，读取全球30m的DEM数据处该初始经纬度坐标(B1，L1)的高程值H1，将H1作为初始高程面。将基准特征点P(x1，y1)投影到初始高程面上，得到基准特征点P(x1，y1)投影在初始高程面上的初始地面点物方坐标(Px，Ly)；

读取3_5_112影像附带的RPC参数，将初始地面点(Px，Ly)反算到3_5_112影像上，得到基准特征点P(x1，y1)对应的初始匹配点像方坐标Q(x1，y1)。

2053、计算基准特征点和初始匹配点的相关系数，并判断相关系数的值是否大于相关系数阈值。

具体地，计算基准特征点P(x1，y1)和初始匹配点Q(x1，y1)的相关系数ρ，并将相关系数ρ的值与预先设置好的相关系数阈值ρ₀进行比较，判断相关系数ρ的值是否大于相关系数阈值ρ₀。

2054、若是，则继续执行下述步骤：

S1、定义相关系数的值为新的相关系数阈值；

S2、基准特征点和初始匹配点做RPC前方交会，得到新的地面点；

S3、定义新的地面点对应的高程值为初始高程面的高程值；

S4、重新计算得到基准特征点和初始匹配点的新的相关系数，并判断新的相关系数的值是否不大于新的相关系数阈值；

S5、若是，则根据新的相关系数，计算与基准特征点对应的匹配点；否则，继续执行步骤S1。

其中，若步骤2053中相关系数ρ的值小于或等于相关系数阈值ρ₀时，则认为该基准特征点没有对应的匹配点，需要进行下一个匹配基准点的匹配，即继续执行步骤2051；若步骤2054执行完毕后，即获取到了基准特征点对应的匹配点后，则认为该基准特征点的匹配过程已经结束，也需要进行下一个匹配基准点的匹配，即继续执行步骤2051。

以此类推，直到匹配基准点集中的所有匹配基准点均进行了上述的匹配过程，输出匹配基准点和与其对应的匹配点，从而获取了基准影像与待匹配影像对应的匹配点集。

可选地，为进一步提高获取到的匹配点集的精度，该方法还可以包括：

206、对获取到的匹配点集进行随机抽样一致性算法处理。

其中，将上述获取到的匹配点集作为输入，随机选取三对匹配点，计算出仿射参数，利用该仿射参数计算出其余匹配点的误差。通过不断迭代，选取最优的仿射参数，通过剔除该仿射参数下大的误差点来达到剔除错误匹配点的目的。

207、对经过随机抽样一致性算法的匹配点集进一步进行最小二乘法影像匹配处理。

其中，利用最小二乘法可以充分考虑两张遥感影像之间的几何变形、灰度辐射畸变等因素，同时引入平差参数，从而可列出两张影像之间的灰度函数式。

求解上述灰度函数式即可获得每个匹配点的影像坐标的改正数，利用改正数修正该匹配点，最终获得更加精确的影像坐标值。

208、输出高精度的匹配点集。

其中，获取到的匹配点集通过最小二乘影像匹配和随机采样一致性方法处理后其精度更高，输出这些高精度的匹配点集即可。经过上述步骤的处理，最终输出的匹配点集精度较高，可以达到亚像素级。

需要说明的是，为叙述方便，本发明实施例中仅详细描述了基准影像与其中一张待匹配影像的具体匹配过程，基准影像与其余待匹配影像的具体匹配过程与上述过程相同，在此不再赘述。

具体地，参照图7所示，图7中示出了利用本发明实施例提供的匹配方法对1_5_112影像和3_5_112影像进行匹配后的最终结果。其中，图7上侧视图为1_5_112影像，下侧视图为3_5_112影像，图中十字丝为对应的匹配点。

本发明提供的一种适用于大区域的多尺度遥感影像匹配方法，针对推扫式光学卫星遥感影像成像的特点，对输入的多尺度遥感影像集，利用遥感影像附带的RPC参数，并加入全球DEM数据作为辅助数据，实现了快速的同名区位置预测，然后在同名区内提取尺度不变的特征点进行匹配，有效减少了无效输入，加快了匹配速度；在匹配过程中，通过调整高程值，动态调整匹配位置，最终确定最佳的匹配点。另外，通过最小二乘影像匹配和随机采样一致性方法对匹配点进行处理，可以得到高精度的匹配点。

需要说明的是，对于上述方法的实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必需的。

本发明实施例提供一种适用于大区域的多尺度遥感影像匹配系统，参照图8所示，该系统包括：

选择模块81，用于选择多尺度遥感影像集中的一张遥感影像作为基准影像，将多尺度遥感影像集中的其他遥感影像作为待匹配影像；

计算模块82，用于根据基准影像和每一待匹配影像附带的RPC参数，并结合DEM数据，分别计算基准影像与每一待匹配影像的同名区；

提取模块83，用于分别对同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成基准影像与每一所述待匹配影像对应的匹配基准点集；

匹配模块84，用于进行基于匹配基准点集的动态影像匹配，分别获取基准影像与每一待匹配影像对应的匹配点集。

优选地，计算模块82具体用于：

对于基准影像和每一待匹配影像，根据基准影像和待匹配影像附带的RPC参数，将基准影像和待匹配影像的四个角点分别投影到平均高程面上，得到两个四边形；

对两个四边形进行求交运算，得到一个多边形，将多边形的外接矩形确定为基准影像和待匹配影像的影像重叠区；

根据基准影像附带的RPC参数，将影像重叠区反算到基准影像上，获取基准影像与待匹配影像的同名区。

优选地，在进行基于匹配基准点集的动态影像匹配，分别获取基准影像与每一待匹配影像对应的匹配点集之前，匹配模块84还用于：

对基准影像和每一待匹配影像进行影像分辨率一致化处理。

优选地，匹配模块84具体用于：

对于所述基准影像和每一所述待匹配影像，分别选择对应的所述匹配基准点集中的每一匹配基准点作为基准特征点；

根据所述基准影像附带的RPC参数，并结合DEM数据，迭代计算出所述基准特征点的初始经纬度坐标以及初始高程值，得到所述基准特征点的初始地面点；根据所述待匹配影像附带的RPC参数，将所述初始地面点反算到所述待匹配影像上，得到初始匹配点；

计算所述基准特征点和所述初始匹配点的相关系数，并判断所述相关系数的值是否大于相关系数阈值；

若是，则定义所述相关系数的值为新的相关系数阈值，然后所述基准特征点和所述初始匹配点做RPC前方交会，得到新的地面点，定义所述新的地面点对应的高程值为初始高程值后，重新计算得到所述基准特征点和所述初始匹配点的新的相关系数；直到所述新的相关系数的值不大于所述新的相关系数阈值时，则根据所述新的相关系数，计算与所述基准特征点对应的匹配点。

优选地，在进行基于匹配基准点集的动态影像匹配，分别获取基准影像与每一待匹配影像对应的匹配点集之后，匹配模块84还用于：

对所述匹配点集进行随机抽样一致性算法处理及最小二乘法影像匹配处理，获取高精度的匹配点集。

本发明提供的一种适用于大区域的多尺度遥感影像匹配系统，针对推扫式光学卫星遥感影像成像的特点，对输入的多尺度遥感影像集，利用遥感影像附带的RPC参数，并加入全球DEM数据作为辅助数据，实现了快速的同名区位置预测，然后在同名区内提取尺度不变的特征点进行匹配，有效减少了无效输入，加快了匹配速度；在匹配过程中，通过调整高程值，动态调整匹配位置，最终确定最佳的匹配点。另外，通过最小二乘影像匹配和随机采样一致性方法对匹配点进行处理，可以得到高精度的匹配点。

需要说明的是，本领域技术人员可以清楚地了解到，为描述的方便和简洁，上述适用于大区域的多尺度遥感影像匹配系统的具体工作过程和描述，可以参考上述的方法实施例中的对应过程，在此不再赘述。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种适用于大区域的多尺度遥感影像匹配方法，其特征在于，所述方法包括：

选择多尺度遥感影像集中的一张遥感影像作为基准影像，将所述多尺度遥感影像集中的其他遥感影像作为待匹配影像；

根据所述基准影像和每一所述待匹配影像附带的有理多项式系数RPC参数，并结合数字高程模型DEM数据，分别计算所述基准影像与每一所述待匹配影像的同名区；具体地，对于所述基准影像和每一所述待匹配影像，根据所述基准影像和所述待匹配影像附带的有理多项式系数RPC参数和所选数字高程模型DEM数据，将所述基准影像和所述待匹配影像的四个角点分别投影到平均高程面上，得到两个四边形；对两个所述四边形进行求交运算，得到一个多边形，将所述多边形的外接矩形确定为所述基准影像和所述待匹配影像的影像重叠区；根据所述基准影像附带的有理多项式系数RPC参数，将所述影像重叠区反算到所述基准影像上，获取所述基准影像与所述待匹配影像的同名区；

分别对所述同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成所述基准影像与每一所述待匹配影像对应的匹配基准点集；

进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集。

2.根据权利要求1所述的方法，其特征在于，在所述进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集之前，所述方法还包括：

对所述基准影像和每一所述待匹配影像进行影像分辨率一致化处理。

3.根据权利要求1所述的方法，其特征在于，所述进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集包括：

对于所述基准影像和每一所述待匹配影像，分别选择对应的所述匹配基准点集中的每一匹配基准点作为基准特征点；

根据所述基准影像附带的有理多项式系数RPC参数，并结合数字高程模型DEM数据，迭代计算出所述基准特征点的初始经纬度坐标以及初始高程值，得到所述基准特征点的初始地面点；根据所述待匹配影像附带的有理多项式系数RPC参数，将所述初始地面点反算到所述待匹配影像上，得到初始匹配点；

计算所述基准特征点和所述初始匹配点的相关系数，并判断所述相关系数的值是否大于相关系数阈值；

若是，则定义所述相关系数的值为新的相关系数阈值，然后所述基准特征点和所述初始匹配点做有理多项式系数RPC前方交会，得到新的地面点，定义所述新的地面点对应的高程值为初始高程值后，重新计算得到所述基准特征点和所述初始匹配点的新的相关系数；直到所述新的相关系数的值不大于所述新的相关系数阈值时，则根据所述新的相关系数，计算与所述基准特征点对应的匹配点。

4.根据权利要求1所述的方法，其特征在于，在所述进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集之后，所述方法还包括：

对所述匹配点集进行随机抽样一致性算法处理及最小二乘法影像匹配处理，获取高精度的匹配点集。

5.一种适用于大区域的多尺度遥感影像匹配系统，其特征在于，所述系统包括：

选择模块，用于选择多尺度遥感影像集中的一张遥感影像作为基准影像，将所述多尺度遥感影像集中的其他遥感影像作为待匹配影像；

计算模块，用于根据所述基准影像和每一所述待匹配影像附带的有理多项式系数RPC参数，并结合数字高程模型DEM数据，分别计算所述基准影像与每一所述待匹配影像的同名区；具体地，对于所述基准影像和每一所述待匹配影像，根据所述基准影像和所述待匹配影像附带的有理多项式系数RPC参数和所选数字高程模型DEM数据，将所述基准影像和所述待匹配影像的四个角点分别投影到平均高程面上，得到两个四边形；对两个所述四边形进行求交运算，得到一个多边形，将所述多边形的外接矩形确定为所述基准影像和所述待匹配影像的影像重叠区；根据所述基准影像附带的有理多项式系数RPC参数，将所述影像重叠区反算到所述基准影像上，获取所述基准影像与所述待匹配影像的同名区；

提取模块，用于分别对所述同名区进行网格化规则分块，从获得的至少一个规则格网子块中提取Forstner特征点，分别形成所述基准影像与每一所述待匹配影像对应的匹配基准点集；

匹配模块，用于进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集。

6.根据权利要求5所述的系统，其特征在于，在所述进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集之前，所述匹配模块还用于：

对所述基准影像和每一所述待匹配影像进行影像分辨率一致化处理。

7.根据权利要求5所述的系统，其特征在于，所述匹配模块具体用于：

对于所述基准影像和每一所述待匹配影像，分别选择对应的所述匹配基准点集中的每一匹配基准点作为基准特征点；

根据所述基准影像附带的有理多项式系数RPC参数，并结合数字高程模型DEM数据，迭代计算出所述基准特征点的初始经纬度坐标以及初始高程值，得到所述基准特征点的初始地面点；根据所述待匹配影像附带的有理多项式系数RPC参数，将所述初始地面点反算到所述待匹配影像上，得到初始匹配点；

计算所述基准特征点和所述初始匹配点的相关系数，并判断所述相关系数的值是否大于相关系数阈值；

若是，则定义所述相关系数的值为新的相关系数阈值，然后所述基准特征点和所述初始匹配点做有理多项式系数RPC前方交会，得到新的地面点，定义所述新的地面点对应的高程值为初始高程值后，重新计算得到所述基准特征点和所述初始匹配点的新的相关系数；直到所述新的相关系数的值不大于所述新的相关系数阈值时，则根据所述新的相关系数，计算与所述基准特征点对应的匹配点。

8.根据权利要求5所述的系统，其特征在于，在所述进行基于所述匹配基准点集的动态影像匹配，分别获取所述基准影像与每一所述待匹配影像对应的匹配点集之后，所述匹配模块还用于：

对所述匹配点集进行随机抽样一致性算法处理及最小二乘法影像匹配处理，获取高精度的匹配点集。