CN108428220A - 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 - Google Patents
静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 Download PDFInfo
- Publication number
- CN108428220A CN108428220A CN201810179469.4A CN201810179469A CN108428220A CN 108428220 A CN108428220 A CN 108428220A CN 201810179469 A CN201810179469 A CN 201810179469A CN 108428220 A CN108428220 A CN 108428220A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- image
- geometric correction
- pixel block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003066 decision tree Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000000205 computational method Methods 0.000 claims description 4
- 241001062009 Indigofera Species 0.000 claims description 3
- 102000006463 Talin Human genes 0.000 claims description 3
- 108010083809 Talin Proteins 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims 1
- 239000012535 impurity Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000287181 Sturnus vulgaris Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，解决海上高分4影像岛屿较少、受到云的干扰较大、匹配控制点较集中导致的影像的难以校正的问题，通过自动寻找海上无云岛礁区域，最大程度找到所有可靠控制点，有效提高校正精度。本发明采用超像素分割方法对海上影像进行分割，利用训练的决策树对超像素进行分类，获取海上无云岛礁区域，对无云岛礁区域进行模板匹配以获取匹配点，为几何精校正提供精确的控制点，实现高分4海上影像的自动快速几何校正。
Description
技术领域
本发明涉及高分辨率静止轨道光学遥感影像几何处理领域，遥感影像几何特征匹配的内容，特别是涉及海上控制点较少的影像自动快速匹配及几何精校正处理。
背景技术
高分4号卫星是由中国航天科技集团公司研制的一颗50m分辨率地球同步轨道光学卫星。高分4号卫星是中国第一颗地球同步轨道遥感卫星，采用面阵凝视方式成像，具备可见光、多光谱和红外成像能力，可见光和多光谱分辨率优于50m，通过指向控制，实现对中国及周边地区的观测。
地球静止轨道卫星具有对地球观测位置相对固定、时间分辨率高、观测范围广等特点，非常适合对地长期连续监视以及快速访问，高分4号旨在获取极高的时间分辨率和中等空间分辨率全国范围内相关区域的多光谱图像信息，能够满足减灾、林业、气象等用户广泛需求。
在高分4影像的应用中往往存在几何精度问题，引起高分4卫星影像定位误差的原因有：1.轨道量测误差；2.姿态量测误差；3.相机安装误差；4.感光面误差；5.镜头畸变；6.焦距误差。
几何校正采用一系列的数学模型来改正和消除遥感影像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。对高分4卫星影像进行几何校正处理步骤一般分为系统几何校正和几何精校正。几何精校正则是利用控制点进行的几何校正，它是用一种数学模型来近似描述遥感图像的几何畸变过程，并利用畸变的遥感图像与标准底图之间的一些对应点(即控制点数据对)求得这个几何畸变模型，然后利用此模型进行几何畸变的校正，这种校正不考虑引直畸变的原因。
经过系统几何校正之后，影像只存在平移及仿射畸变，采用少量控制点即可保证整幅影像的校正精度。而高分辨率静止轨道卫星的控制点选取存在以下问题：
1.海上高分4影像岛屿较少，可供选取的控制点难以获取。
2.光学影像受到云的干扰较大，经常导致控制点位选取错误，影响匹配结果的精度。
3.匹配控制点往往比较集中，不均匀的控制点影响影像的校正精度。
目前现有方法需要人工寻找海上岛礁控制点，不能满足影像实时处理的要求，因此需要一个自动化的方法对海上缺少控制点的静止轨道影像进行快速匹配处理。
发明内容
针对上述问题，本发明针对遥感数据处理任务提出以下技术方案，静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，包括如下步骤：
步骤1，针对待校正影像进行影像超像素分割，获取超像素块；
步骤2，提取超像素块的光谱特征和纹理特征；
步骤3，构建训练样本，提取训练样本的光谱特征和纹理特征，通过CART算法训练获得最优的决策树，并利用最优决策树对超像素块进行分类；
步骤4，对待校正影像进行几何校正，包括如下子步骤；
步骤4.1，将分类结果为晴空岛屿的超像素块与基准影像进行匹配，获得控制点；
步骤4.2，根据步骤4.1得到的控制点，利用二次多项式模型对待校正影像进行几何精校正；
步骤5，后续凝视序列影像批量自动几何校正，包括如下子步骤；
步骤5.1，在后续凝视序列影像上获取上一次匹配成功对应的超像素块区域，在此区域内重复执行步骤4.1，若匹配成功则进行步骤5.2，若匹配不成功则移除此超像素块区域后再执行步骤5.2；
步骤5.2，判断剩余控制点数量和分布，若数量少于阈值P1或者最远控制点的距离小于阈值P2，则重复步骤1到步骤4，重新搜寻匹配区域进行几何校正；否则进行步骤5.3；
步骤5.3，利用步骤5.1匹配得到的控制点进行步骤4.2，对应的二次多项式模型进行几何精校正，直至完成所有凝视序列影像的校正。
进一步的，步骤1中利用简单线性迭代聚类方法获取超像素块，具体包括如下子步骤；
步骤1.1，将RGB图像转换为CIELab色彩空间，给定期望分割出的超像素个数，记为k，图像像素个数记为N，根据以下公式计算出超像素的种子点间步长S，按照步长S在图像上均匀地分布种子点(seed)，
步骤1.2，在种子点的3×3像素的邻域内选择梯度变化最小的点作为新的种子点；
步骤1.3，遍历所有聚类中心Ck，以种子点为中心遍历大小范围为2S×2S的像素点i，计算像元的空间特征及颜色特征的距离测度：
空间特征距离：
其中xi,xj代表像素点i和j的列号，yi,yj代表像素点i和j的行号；
颜色特征距离：
其中li,lj代表像素点i和j的CIELab色彩空间的亮度，ai,aj代表像素点i和j的CIELab色彩空间的绿红轴上颜色的饱和度，bi,bj代表像素点i和j的CIELab色彩空间的蓝黄轴上颜色的饱和度；
设定紧凑因子m，代表颜色特征距离的最大值，则综合距离测度D′：
将每个像素点距离周围的聚类中心进行比较，标记综合距离测度最小的超像素的标签，标记相同的像素集合为一个超像素块。
进一步的，步骤2中选取归一化差异水体指数NDWI作为光谱特征，
其中Band2代表可见光绿色波段像素值，Band4代表近红外波段像素值；
选取灰度共生矩阵的3个测度作为纹理特征，分别为能量(Energy)、熵(Entropy)、相关性(Correlation)，令G表示灰度共生矩阵，a，b是灰度共生矩阵里的行列号：
其中μx，μy是均值，δx，δy是标准差；
δy＝∑b(b-μy)2∑aGθ，d(a，b)。
进一步的，步骤3中构建的训练样本包括4类，1)晴空海洋，云覆盖率<10％且无岛屿；2)晴空岛屿，有岛屿信息且云覆盖率<10％；3)稀疏云，云覆盖率10％到40％；4)厚云，云覆盖率>40％，训练样本为128×128像素的切片影像。
进一步的，步骤4.1中利用模板匹配算法获取控制点，具体实现方式如下，
计算晴空岛屿的超像素块与基准影像之间相关性度量，计算方法如下：
T，S代表待匹配影像的超像素块和基准影像，T的大小为M×N，i，j代表超像素块左下角在基准影像上的坐标，获取相关性度量的分布图，最终找出dcorr max(imax，jmax)，imax，jmax表示相关性度量分布图中最大值所对应的坐标，对应基准图中的imax，jmax即为匹配目标，将匹配点坐标与超像素块左下角坐标构成控制点。
进一步的，步骤5.2中P1的值为3，P2的值为60km。
本发明方法在海上控制点较少的情况下，利用原始序列影像数据和基准影像库，在基于岛礁自动分类提取的框架下，构建了完整的精校正处理体系。经过高分4号卫星实时序列影像的实时精校正处理实验，证明本发明体现了岛礁提取、克服云层干扰到几何精校正流程可行性和有效性。
附图说明
图1是本发明实施例总体流程图。
图2是本发明实施例针对高分4海上影像决策树训练结果。
图3是本发明实施例针对高分4影像海上岛礁分类效果图。
图4是本发明实施例针对高分4海上影像几何精校正效果图，(a)图为校正前影像与基准影像叠加，(b)图为校正后影像与基准影像叠加。
图5是本发明实施例设计的软件实现流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作详细说明。
如图1所示，本发明提供的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，包括如下步骤；
步骤1：针对首幅待校正影像进行影像超像素分割，本发明采用的超像素分割方法是简单线性迭代聚类方法(SLIC simple linear iterative clustering)。该方法的优点有算法速度较快，输入的参数很少，只有一个参数k，代表超像素分割的估计个数，对于边缘跟踪效果较好。具体实现如下：
步骤1.1：将RGB图像转换为CIELab色彩空间。给定期望分割出的超像素个数，记为k，图像像素个数记为N，则根据以下公式计算出超像素的种子点间步长S。
按照步长S在图像上均匀地分布种子点(seed)。
步骤1.2：扰乱种子点(PerturbSeeds)：在种子点的3×3像素的邻域内选择梯度变化最小的点作为新的种子点，以防止噪点的干扰。
步骤1.3：遍历所有聚类中心Ck，以种子点为中心遍历大小范围为2S×2S的像素点i，计算像元的空间特征及颜色特征的距离测度：
空间特征距离：
其中xi,xj代表像素点i和j的列号，yi,yj代表像素点i和j的行号。
颜色特征距离：
其中li,lj代表像素点i和j的CIELab色彩空间的亮度，ai,aj代表像素点i和j的CIELab色彩空间的绿红轴上颜色的饱和度，bi,bj代表像素点i和j的CIELab色彩空间的蓝黄轴上颜色的饱和度。
设定紧凑因子m，代表颜色特征距离的最大值。综合距离测度D′：
将每个像素点距离周围的聚类中心进行比较，标记综合距离测度最小的超像素的标签，同标记的像素集合则为一个超像素块。
步骤2：针对图像的光谱特征和纹理特征计算相关特征值，较大程度反应有云区域和无云区域的特征差异。
步骤2.1：针对图像的光谱特征，海洋环境下建筑物等复杂环境较少，岛屿与海水的区分关键因素在水体和陆地区分，海洋的光谱特征与陆地的光谱特征差距较大，为了凸显水体的特征，本发明首先选取了归一化差异水体指数NDWI(Normalized DifferenceWater Index)作为光谱分类特征。
其中Band2代表可见光绿色波段像素值，Band4代表近红外波段像素值。
步骤2.2：针对图像的纹理特征，由于云的影像在纹理上特点突出，本发明采用灰度共生矩阵(Gray Level Co-Occurrence Matrix)，其定义为图像域范围内，两个距离为d，方向为θ的像元在图像中出现的概率，通过(d，θ)值可以组合许多的共生灰度矩阵来分析图像灰度级别的空间分布格局。本发明选取了灰度共生矩阵的纹理3个测度分别为能量(Energy)、熵(Entropy)、相关性(Correlation)。
3个测度的计算方法如下，令G表示灰度共生矩阵，设a，b是灰度共生矩阵里的行列号：
能量为图像均匀性的测度，图像越均匀，其值越大：
熵是图像信息量的度量，图像近于随机或噪声很大，熵会有较大值：
相关性反应了图像纹理的一致性，当矩阵元素值均匀相等时，相关值就大：
其中μx，μy是均值，δx，δy是标准差。
步骤3：决策树分类，通过训练数据构建决策树，可以高效的对未知的数据进行分类，训练样本分为以下4类：1)晴空海洋，云覆盖率<10％且无岛屿；2)晴空岛屿，有岛屿信息且云覆盖率<10％；3)稀疏云，云覆盖率10％到40％，4)厚云，云覆盖率>40％。训练样本为128×128像素的切片影像。决策树模型可以读性好，具有描述性，有助于人工分析；效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。
步骤3.1：训练决策树，设{x1，x1，…，x1，}代表单个样本的n个属性，y表示所属类别。CART算法通过递归的方式将维的空间划分为不重叠的矩形。树节点处的一次判别称为一个分支,它对应于将训练样本划分成子集，根节点处的分支对应于全部训练样本，其后每一次判决都是一次训练子集划分过程，因此构造树的过程实际上是一个属性查询产生分割规则的过程。
对于一个变量属性来说，它的划分点是一对连续变量属性值的中点。假设m个样本的集合一个属性有m个连续的值，那么则会有m-1个分裂点，每个分裂点为相邻两个连续值的均值。每个属性的划分按照能减少的杂质的量来进行排序，而杂质的减少量定义为划分前的杂质减去划分后的每个节点的杂质量划分所占比率之和。而杂质度量方法常用Gini指标，假设一个样本共有C类，那么一个节点的Gini不纯度可定义为
pi表示属于i类的概率，当Gini(A)＝0时，所有样本属于同类。
或者采用熵不纯度(Entropy Impurity)
熵的特性，如果所有模式的样本都来自同一类别，则不纯度为零，否则是大于零的正值，当所有类别以等概率出现时，熵取最大值。
通过决策树CART算法的训练，获得最优的决策树。
步骤3.2：决策树分类
根据上述决策树对影像的超像素块进行决策树分类，将超像素分为晴空岛屿、稀疏云、厚云、晴空海洋4类。
步骤4：对待校正影像进行几何校正，包括如下子步骤；
步骤4.1：模板匹配，利用决策树分类出晴空岛屿的结果与基准影像进行匹配，获取控制点。
由于晴空岛屿的遥感影像特征比较明显，水体亮度较低，岛屿陆地亮度较高，因此采用模板匹配能够较为准确的对应像素点。
模板匹配算法中已知超像素块的灰度分布，以滑动窗口的方式在基准影像中寻找最佳匹配位置作为控制点。
选取分类为晴空岛屿的超像素块与基准影像去匹配，超像素影像与基准影像之间差别采用相关性度量，匹配越好，匹配值越大。相关性度量计算方法如下：
T，S代表待匹配影像的超像素块和基准影像，T的大小为M×N，i，j代表超像素块左下角在基准影像上的坐标，获取相关性度量的分布图，最终找出dcorr max(imax，jmax)，imax，jmax表示相关性度量分布图中最大值所对应的坐标，对应基准图中的imax，jmax即为匹配目标，将匹配点坐标与超像素块左下角坐标构成控制点。
步骤4.2：获取到控制点之后利用二次多项式模型(通过最小二乘法获得)对待校正影像进行几何精校正。
步骤5：后续凝视序列影像批量自动校正，利用选出最优的匹配区域，在此区域内重复步骤4，以完成静止轨道凝视序列影像的自动匹配，包括如下子步骤：
步骤5.1：获取上一次匹配成功的超像素块区域，在此区域内进行步骤4.1，若匹配成功则进行步骤5.2，若遇到因为移动云层遮挡、陆地亮度变化等原因导致匹配不成功则移除此匹配超像素块区域。
步骤5.2：判断剩余控制点数量和分布，若数量过少或者分布过于集中(实例中最少控制点数为3，过于集中指最远控制点间距离小于60km)，则重复步骤1到步骤4，重新搜寻匹配区域。若数量足够且分布比较均匀则进行步骤5.3。
步骤5.3：利用步骤5.1匹配得到的控制点进行步骤4.2，对应项进行几何精校正。下一幅影像重复步骤5.1，直至完成所有凝视序列影像的校正。
下面以具体实施例对本发明方法进行说明。实施例数据为Landset8的OLI_TIRS的影像，选取了经纬度范围为128.46°E～129.75°E 28.39°N～29.53°N，该区域为琉球群岛，岛屿极其稀疏，云覆盖率大约为40％。
实施例中，将一幅大小为4237×4205像素的影像分割2000个超像素并对琉球群岛附近5幅OLI_TIRS遥感影像做了超像素分割，并将其作为训练数据。
为训练数据，计算每个超像素的平均NDWI以及灰度共生矩阵的能量、熵、相关性，进行决策树分类。通过训练数据得到决策树分类模型，如附图2所示，NDVI大于0.02时则可判断为晴空海洋，否则判断熵，熵大于1.2则判断为稀疏云，否则判断相关性，若相关性小于3.5则判断为厚云，否则判断能量，若能量小于7.5，则判断为晴空岛屿，为则判断为厚云。决策树直观地反映了各个特征值的分类情况，通过分析决策树结构可得知：岛屿陆地和云的水体指数较低，较大程度区分了水体和非水体。纹理特征中熵值很大程度反映了影像的信息量，厚云由于是包含大面积随机无序的纹理因此，其熵值较大。稀疏云由于其分布极其不均匀，其纹理内部相关性较小，因此相关性值较小。岛屿影像内部具有一定相关性，但其分布不均匀，因此岛屿影像纹理相关性值较大能量值较低。图3是本发明针对高分4影像海上岛礁分类效果图。
将决策树分类得到的晴空岛屿超像素与基准图影像进行模板匹配，将其中四个岛屿作为匹配控制点，剩下一个岛屿作为精度测试点。
将本发明提出的决策树分类模型与朴素贝叶斯分类方法和K-means聚类方法进行对比，如表1所示，评价指标为分类得到的晴空岛屿超像素分类数量和错误分类超像素数量，岛屿提取的评判与NASA海岸线数据的矢量为准，与真实岛屿位置不一致或者岛屿云覆盖较多则判定为错误分类。
表1决策树模型、朴素贝叶斯模型和Kmeans分类方法结果对比
其中贝叶斯分类得到的晴空岛屿数量较多，但大部分被云所覆盖，因此用模板匹配方法匹配这些超像素会发生较多错误匹配，k-Means方法得到的晴空岛屿数量较少，导致控制点数量较少，无法覆盖整幅影像，影响最终几何精校正的精度。本发明提出的利用决策树分类提取云量较多的海上岛屿的超像素块，极大程度地搜寻出影像中能够与基准图进行匹配的区域，实现了海上岛屿较少的影像自动精校正。同时，本发明利用超像素分割，对影像内部特征和空间特征相似的区域做了初步的聚类，有利于分类结果精度的提高，相较于传统的等块分割有较大的优势。本发明还充分利用了还上岛屿的光谱和纹理特征，直观分析了决策树模型，岛屿影像相较于云和海洋有较多的纹理信息量，内部关联性较强，亮度分布较为不均匀。
最后，对首幅待校正影像和后续凝视序列影像进行校正，图4是本发明针对高分4海上影像几何精校正效果图，(a)图为校正前影像与基准影像叠加，(b)图为校正后影像与基准影像叠加，从图中可以看出，校正之前影像的几何误差为20km左右，校正之后影像的几何误差在1km以内。
此外，本发明提供了基于计算机软件实现技术方案的流程，计算机软件结构如附图5所示。
平时是对基准影像库进行建库和入库和浏览查询，将多源数据按照统一的规则进行处理和归档。
应急部分是对一次精校正任务进行自动化快速匹配和校正，利用控制点影像库数据对一次任务的第一幅影像进行精校正，根据校正结果，对后续批量数据进行自动匹配校正。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于，包括如下步骤：
步骤1，针对待校正影像进行影像超像素分割，获取超像素块；
步骤2，提取超像素块的光谱特征和纹理特征；
步骤3，构建训练样本，提取训练样本的光谱特征和纹理特征，通过CART算法训练获得最优的决策树，并利用最优决策树对超像素块进行分类；
步骤4，对待校正影像进行几何校正，包括如下子步骤；
步骤4.1，将分类结果为晴空岛屿的超像素块与基准影像进行匹配，获得控制点；
步骤4.2，根据步骤4.1得到的控制点，利用二次多项式模型对待校正影像进行几何精校正；
步骤5，后续凝视序列影像批量自动几何校正，包括如下子步骤；
步骤5.1，在后续凝视序列影像上获取上一次匹配成功对应的超像素块区域，在此区域内重复执行步骤4.1，若匹配成功则进行步骤5.2，若匹配不成功则移除此超像素块区域后再执行步骤5.2；
步骤5.2，判断剩余控制点数量和分布，若数量少于阈值P1或者最远控制点的距离小于阈值P2，则重复步骤1到步骤4，重新搜寻匹配区域进行几何校正；否则进行步骤5.3；
步骤5.3，利用步骤5.1匹配得到的控制点进行步骤4.2，对应的二次多项式模型进行几何精校正，直至完成所有凝视序列影像的校正。
2.如权利要求1所述的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于：步骤1中利用简单线性迭代聚类方法获取超像素块，具体包括如下子步骤；
步骤1.1，将RGB图像转换为CIELab色彩空间，给定期望分割出的超像素个数，记为k，图像像素个数记为N，根据以下公式计算出超像素的种子点间步长S，按照步长S在图像上均匀地分布种子点(seed)，
步骤1.2，在种子点的3×3像素的邻域内选择梯度变化最小的点作为新的种子点；
步骤1.3，遍历所有聚类中心Ck，以种子点为中心遍历大小范围为2S×2S的像素点i，计算像元的空间特征及颜色特征的距离测度：
空间特征距离：
其中xi,xj代表像素点i和j的列号，yi,yj代表像素点i和j的行号；
颜色特征距离：
其中li,lj代表像素点i和j的CIELab色彩空间的亮度，ai,aj代表像素点i和j的CIELab色彩空间的绿红轴上颜色的饱和度，bi,bj代表像素点i和j的CIELab色彩空间的蓝黄轴上颜色的饱和度；
设定紧凑因子m，代表颜色特征距离的最大值，则综合距离测度D′：
将每个像素点距离周围的聚类中心进行比较，标记综合距离测度最小的超像素的标签，标记相同的像素集合为一个超像素块。
3.如权利要求1所述的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于：步骤2中选取归一化差异水体指数NDWI作为光谱特征，
其中Band2代表可见光绿色波段像素值，Band4代表近红外波段像素值；
选取灰度共生矩阵的3个测度作为纹理特征，分别为能量(Energy)、熵(Entropy)、相关性(Correlation)，令G表示灰度共生矩阵，a，b是灰度共生矩阵里的行列号：
其中μx，μy是均值，δx，δy是标准差；
δy＝∑b(b-μy)2∑aGθ，d(a，b)。
4.如权利要求1所述的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于：步骤3中构建的训练样本包括4类，1)晴空海洋，云覆盖率<10％且无岛屿；2)晴空岛屿，有岛屿信息且云覆盖率<10％；3)稀疏云，云覆盖率10％到40％；4)厚云，云覆盖率>40％，训练样本为128×128像素的切片影像。
5.如权利要求1所述的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于：步骤4.1中利用模板匹配算法获取控制点，具体实现方式如下，
计算晴空岛屿的超像素块与基准影像之间相关性度量，计算方法如下：
T，S代表待匹配影像的超像素块和基准影像，T的大小为M×N，i，j代表超像素块左下角在基准影像上的坐标，获取相关性度量的分布图，最终找出dcorrmax(imax，jmax)，imax，jmax表示相关性度量分布图中最大值所对应的坐标，对应基准图中的imax，jmax即为匹配目标，将匹配点坐标与超像素块左下角坐标构成控制点。
6.如权利要求1所述的静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法，其特征在于：步骤5.2中P1的值为3，P2的值为60km。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810179469.4A CN108428220B (zh) | 2018-03-05 | 2018-03-05 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810179469.4A CN108428220B (zh) | 2018-03-05 | 2018-03-05 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108428220A true CN108428220A (zh) | 2018-08-21 |
| CN108428220B CN108428220B (zh) | 2020-12-01 |
Family
ID=63157809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810179469.4A Active CN108428220B (zh) | 2018-03-05 | 2018-03-05 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428220B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461137A (zh) * | 2018-09-25 | 2019-03-12 | 苏州中科天启遥感科技有限公司 | 一种基于灰度相关性的面向对象正射影像质量检查方法 |
| CN111008598A (zh) * | 2019-12-06 | 2020-04-14 | 中国人民解放军海军大连舰艇学院 | 一种基于缓冲区生长模型的岛屿自动选取方法 |
| WO2020167679A1 (en) * | 2019-02-11 | 2020-08-20 | Viasat Inc. | Delta coding for remote sensing |
| CN112148823A (zh) * | 2020-09-04 | 2020-12-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感数据几何纠正并行方法、装置及计算机设备 |
| CN112215104A (zh) * | 2020-09-28 | 2021-01-12 | 国交空间信息技术（北京）有限公司 | 一种基于超像素分割的海冰提取方法、装置和设备 |
| CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
| CN114125431A (zh) * | 2021-11-22 | 2022-03-01 | 北京市遥感信息研究所 | 用于静止轨道光学大面阵相机的非均匀性定标校正方法 |
| CN115082359A (zh) * | 2022-07-27 | 2022-09-20 | 中国科学院空天信息创新研究院 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
| RU2798008C2 (ru) * | 2019-02-11 | 2023-06-14 | Виасат, Инк. | Дельта-кодирование для дистанционного зондирования |
| CN117373024A (zh) * | 2023-12-07 | 2024-01-09 | 潍坊市海洋发展研究院 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040208396A1 (en) * | 2002-11-25 | 2004-10-21 | Deutsches Zentrum Fur Luft- Und Raumfahrt E.V. | Process and device for the automatic rectification of single-channel or multi-channel images |
| CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
| CN104809724A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 多波段遥感影像的自动精配准方法 |
| CN105160684A (zh) * | 2015-09-30 | 2015-12-16 | 中国科学院遥感与数字地球研究所 | 一种用于遥感影像几何校正的在线自动匹配方法 |
| CN105718924A (zh) * | 2016-03-09 | 2016-06-29 | 武汉大学 | 基于多特征综合及机器学习的高分卫星影像云检测方法 |
| CN106709989A (zh) * | 2016-11-18 | 2017-05-24 | 武汉理工大学 | 基于面向对象影像特征的地理本体建模与语义推理方法 |
| CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
-
2018
- 2018-03-05 CN CN201810179469.4A patent/CN108428220B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040208396A1 (en) * | 2002-11-25 | 2004-10-21 | Deutsches Zentrum Fur Luft- Und Raumfahrt E.V. | Process and device for the automatic rectification of single-channel or multi-channel images |
| CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
| CN104809724A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 多波段遥感影像的自动精配准方法 |
| CN105160684A (zh) * | 2015-09-30 | 2015-12-16 | 中国科学院遥感与数字地球研究所 | 一种用于遥感影像几何校正的在线自动匹配方法 |
| CN105718924A (zh) * | 2016-03-09 | 2016-06-29 | 武汉大学 | 基于多特征综合及机器学习的高分卫星影像云检测方法 |
| CN106709989A (zh) * | 2016-11-18 | 2017-05-24 | 武汉理工大学 | 基于面向对象影像特征的地理本体建模与语义推理方法 |
| CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| FENGYING XIE等: "Multilevel Cloud Detection in Remote Sensing Images Based on Deep Learning", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| 吴洋: "基于超像素的面向对象遥感图像分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 张多坤等: "基于图像匹配的星载遥感影像自动几何精校正算法", 《遥感技术与应用》 * |
| 张靓等: "基于岸线配准的海岛礁遥感影像几何纠正方法", 《海洋测绘》 * |
| 李智峰等: "基于灰度共生矩阵的图像纹理特征地物分类应用", 《地质与勘探》 * |
| 计算机视觉LIFE: "SLIC超像素分割详解（一）简介", 《HTTPS://BLOG.CSDN.NET/ELECTECH6/ARTICLE/DETAILS/45509779》 * |
| 陈光洲: "遥感影像几何精校正中控制点选取的研究", 《现代测绘》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461137A (zh) * | 2018-09-25 | 2019-03-12 | 苏州中科天启遥感科技有限公司 | 一种基于灰度相关性的面向对象正射影像质量检查方法 |
| CN109461137B (zh) * | 2018-09-25 | 2022-02-25 | 苏州中科天启遥感科技有限公司 | 一种基于灰度相关性的面向对象正射影像质量检查方法 |
| EP4195532A1 (en) * | 2019-02-11 | 2023-06-14 | ViaSat Inc. | Delta coding for remote sensing |
| WO2020167679A1 (en) * | 2019-02-11 | 2020-08-20 | Viasat Inc. | Delta coding for remote sensing |
| RU2798008C2 (ru) * | 2019-02-11 | 2023-06-14 | Виасат, Инк. | Дельта-кодирование для дистанционного зондирования |
| CN111008598A (zh) * | 2019-12-06 | 2020-04-14 | 中国人民解放军海军大连舰艇学院 | 一种基于缓冲区生长模型的岛屿自动选取方法 |
| CN112148823A (zh) * | 2020-09-04 | 2020-12-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感数据几何纠正并行方法、装置及计算机设备 |
| CN112148823B (zh) * | 2020-09-04 | 2023-12-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感数据几何纠正并行方法、装置及计算机设备 |
| CN112215104A (zh) * | 2020-09-28 | 2021-01-12 | 国交空间信息技术（北京）有限公司 | 一种基于超像素分割的海冰提取方法、装置和设备 |
| CN113160183B (zh) * | 2021-04-26 | 2022-06-17 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
| CN113160183A (zh) * | 2021-04-26 | 2021-07-23 | 山东深蓝智谱数字科技有限公司 | 一种高光谱数据处理方法、设备及介质 |
| CN114125431A (zh) * | 2021-11-22 | 2022-03-01 | 北京市遥感信息研究所 | 用于静止轨道光学大面阵相机的非均匀性定标校正方法 |
| CN114125431B (zh) * | 2021-11-22 | 2023-06-23 | 北京市遥感信息研究所 | 用于静止轨道光学大面阵相机的非均匀性定标校正方法 |
| CN115082359A (zh) * | 2022-07-27 | 2022-09-20 | 中国科学院空天信息创新研究院 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
| CN115082359B (zh) * | 2022-07-27 | 2022-11-22 | 中国科学院空天信息创新研究院 | 基于海岸线数据的同步轨道光学卫星几何精校正方法 |
| CN117373024A (zh) * | 2023-12-07 | 2024-01-09 | 潍坊市海洋发展研究院 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
| CN117373024B (zh) * | 2023-12-07 | 2024-03-08 | 潍坊市海洋发展研究院 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108428220B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
| CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Zhuang et al. | Strategies combining spectral angle mapper and change vector analysis to unsupervised change detection in multispectral images | |
| CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
| Lu et al. | Object-oriented change detection for landslide rapid mapping | |
| Gonçalves et al. | SegOptim—A new R package for optimizing object-based image analyses of high-spatial resolution remotely-sensed data | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
| CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
| CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
| Su et al. | Machine learning-assisted region merging for remote sensing image segmentation | |
| CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| Etezadifar et al. | A new sample consensus based on sparse coding for improved matching of SIFT features on remote sensing images | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
| CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
| Salah et al. | Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images | |
| CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
| CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
| CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
| CN112784869A (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
| CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |