CN109461137B - 一种基于灰度相关性的面向对象正射影像质量检查方法 - Google Patents

Abstract

本发明提供一种基于灰度相关性的面向对象正射影像质量检查方法，包括多光谱转全色、16位转8位、超像素分割、灰度相关性计算等技术环节。方法中首先对待处理影像进行有效区域计算，根据有效区域重叠情况确定处理任务(即接边以及定位任务)，若待处理影像中存在多光谱影像，先进行多光谱转全色处理，并进行影像分块。然后，将分块数据进行16位转8位处理，并进行超像素分割。最后，对超像素影像块进行接边以及定位偏移计算。本发明技术方案真正实现了光学遥感卫星正射影像的自动、快速、准确质量检查。

Description

一种基于灰度相关性的面向对象正射影像质量检查方法

技术领域

本发明属于测绘科学与技术领域，涉及一种基于灰度相关性的面向对象正射影像质量检查技术。

背景技术

以资源三号、高分一号、高分二号为代表，光学遥感卫星各项设计指标已逐渐达到国际先进水平，对地观测系统日趋完善，卫星影像的数据量迅速增加，市场化程度逐年提高。然而，并非所有遥感影像成品均可满足影像定位处理的要求，如何快速、准确、自动化对各影像成品进行准确的质量评估尤为重要。

光学遥感卫星影像经几何纠正后，大部分区域的接边以及定位精度较好，但无法保证所有影像以及影像各个区域处理结果均满足生产需求，例如，对于高分二号2米数据，一般生产中要求接边以及定位精度在两个像元以内，由于几何处理技术水平以及影像质量的限制，在某些区域往往无法满足生产要求，因此需要对各正射影像以及影像上各区域进行质量检查，以提取出影像上接边或者定位误差较大的区域。传统方法往往通过人工方式，将正射影像与高精度底图对照，逐区域进行检查，需要耗费大量的人力物力，并且效率低下。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本发明的目的是提供一种快速、准确、全自动化的基于灰度相关性的面向对象正射影像质量检查方法，它能够克服上述现有正射影像质量检查方法中的不足，满足光学遥感卫星正射影像质量检查应用的需求。

为达到上述目的，本发明提供的技术方案提供一种基于灰度相关性的面向对象正射影像质量检查方法，所述质量检查方法包括：

数据准备，包括获取待处理的光学遥感卫星正射影像；任务确定，包括正射影像有效范围计算，根据影像重叠范围确定接边以及定位精度检查任务；

影像分块，若待处理影像中存在多光谱影像，首先将其转为全色影像，并根据待处理范围将重叠区域进行分块处理；

超像素分割，若待处理影像块为16位影像，首先将其转为8位数据，然后将影像块进行超像素分割，使得灰度以及纹理较为接近的像素归并为同一超像素；

超像素相关性矩阵计算，在一定的搜索窗口内，移动式计算超像素块与底图或者接边影像的相关性，统计接边、定位偏差以及确定偏移方向。

优选的，所述光学遥感卫星正射影像为8位或16位，全色影像或多光谱影像，TIF\PIX\IMG等数据格式。

优选的，所述对正射影像质量检查接边以及定位精度检查任务确定，具体包括：

分别搜索影像左上、右上、左下、右下角点有效像元的影像坐标(x_img，y_img)；

根据影像的地理转换参数，计算各影像角点纬度坐标(x_geo，y_geo)，计算公式如下所示：

x_geo＝x_{geo_begin}+x_img×x_resolution+y_img×gt1

y_geo＝y_{geo_begin}+x_img×gt2+y_img×y_resolution

其中，

为影像左上角点经纬度；x_resolution，y_resolution分别为x和y方向上的分辨率；gt1，gt2分别为南北、东西方向旋转参数，一般等于零；

根据影像地理范围确定接边以及定位精度检查任务，若两景正射影像间有重叠，则该两景正射影像构成一个接边任务，而单景正射影像及其有重叠区域的所有底图构成一个定位任务。

优选的，所述将正射多光谱影像转为单波段全色影像，具体包括：

构建多光谱转全色仿射变换模型，计算公式如下：

G_val＝a1×R_val+a2×G_val+a3×B_val

其中，G_val为转换后的全色影像像素值，a1、a2、a3为三个仿射变换参数，、G_val、B_val为多光谱影像上红、绿、蓝波段像素值；

为使得转换后的单波段全色影像与底图色彩更为接近，人工在多光谱与全色影像上选取N个同名像点，并分别记录其像素值，利用最小二乘平差计算仿射变换参数,a1、a2、a3，计算公式如下：

优选的，所述的将16位影像转为8为影像，具体包括：

统计影像灰度直方图(对于16位光学遥感卫星影像，一般像素值分布在0-1024)，将直方图中首尾0.25％处的像素值作为最低和最高阈值，并按下式进行转换：

其中，T_min、T_max分别为最低和最高阈值，G_{val_16}为16位影像上像素灰度值，G_{val_8}为转换后8位影像像素灰度值。

优选的，所述的超像素分割处理，具体包括：

利用SLIC(simple linear iterative clustering)算法对光学遥感卫星影像进行超像素分割，超像素分割的依据是像素之间的颜色相似性与邻近性，其中颜色相似性的度量因子是lab颜色空间值，颜色邻近性的度量因子是图像二维坐标空间xy，因而综合的度量因子dist是[labxy]五维空间，度量因子由下式计算得到：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)

dist＝d_lab+k×d_xy

其中，l_i、a_i、b_i分别为影像在lab颜色空间中的l、a、b分量值，x_i、y_i为影像行列号；

依据度量因子，通过迭代进行逐像素优化，直到迭代一定次数之后，分簇结果基本不发生改变即划分完成，迭代结束，所得的结果即为超像素分割结果。

进一步地，影像超像素相关性矩阵计算，具体包括：

将正射影像超像素s_dom＝{s_{dp_1} … s_{dp_i} … s_{dp_n}}依据地理转换参数投影到底图，获取底图上相同大小的超像素块s_ref＝{s_{rp_1} … s_{rp_i} … s_{rp_n}}，并在底图上一定大小的搜索窗口内移动，分别获取底图超像素s_ref(m，n)(x∈[-winm，winn]，y∈[-winm，winn])。其中，s_{dp_i}为正射影像超像素中第i个像元的灰度值，s_{rp_i}为底图超像素中第i个像元的灰度值，s_ref(m，n)为在底图上横向移动m像元，纵向移动n像元时获取的底图超像素，winm、winn分别为搜索窗口的宽度和高度；

分别计算正射影像超像素s_dom与各个底图超像素s_ref(x，y)的灰度相关系数r(m，n)，计算公式如下：

统计r(m，n)中最大值r_max，此时的m，n即为正射超像素相对于底图在横向和纵向偏移值；以此类推，遍历正射影像上所有超像素块，并计算相对于底图的偏移量，完成正射影像质量检查工作。

本发明的实施方式提供的光学遥感卫星正射影像质量检查方法，简单有效，能对正射影像进行比较精确的质量检查，可定量识别出影像中的问题区域，适用于任意分辨率、任意波段数、8位、16位正射影像，可满足海量数据自动化处理的需要；主要应用于光学遥感卫星正射影像质量检查，保证正射影像质量评估、数据挑选等。本发明技术方案具有以下优点：

1)支持资源三号、高分一号、高分二号等任意分辨率、任意波段数、8位以及16位光学遥感卫星正射影像数据自动质量检查；

2)采用合理并行处理，对于准实时处理应用、大测区处理应用，能大大提高处理效率；

3)检查结果可视化功能，可以避免繁琐的人工排查工作，提高工作效率；

4)自动化为后续处理准备一系列文件，在传统的处理过程中，这一步骤同样需要人工操作，本软件免除了这一步的人工操作。

参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。

附图说明

所包括的附图用来提供对本申请实施方式的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明实施例的流程图；

图2是光学遥感卫星正射影像有效范围统计示例图；

图3是光学遥感卫星正射影像超像素分割示例图；

图4是超像素相关性矩阵计算过程示例图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。

本发明中提供一种快速、准确、全自动化的基于灰度相关性的面向对象正射影像质量检查方法，主要通过计算光学遥感卫星正射影像与高精度底图间的灰度相关性进行定位质量检查以及通过计算相邻正射影像间的灰度相关性进行接边质量检查。参见图1，实施例所提供具体实现方法包含以下步骤：

S1、数据准备，获取待进行质量检查的光学遥感卫星正射影像，所述正射影像可为8位或16位，全色或多光谱，TIF\PIX\IMG等数据格式。

、任务确定，正射影像有效范围计算，并根据影像有效范围的重叠情况确定接边以及定位精度检查任务，具体包括：

2.1)分别搜索影像左上、右上、左下、右下角点有效像元的影像坐标(x_img，y_img)；

2.2)根据正射影像的地理转换参数，计算各影像角点纬度坐标(x_geo，y_geo)，计算公式如下所示：

x_geo＝x_{geo_begin}+x_img×x_resolution+y_img×gt1

y_geo＝y_{geo_begi}n+x_img×gt2+y_img×y_resoiution

其中，

为影像左上角点经纬度，x_resolution，y_resolution分别为x和y方向上的分辨率，gt1，gt2分别为南北、东西方向旋转参数，一般等于零；

2.3)根据影像地理范围重叠情况，确定接边以及定位任务，即若两景正射影像间有重叠，则该两景正射影像构成一个接边任务，而单景正射影像及其有重叠区域的所有底图构成一个定位任务(注：接边检查时，类似于将其中一景正射影像当作底图，计算两者间的位置偏移)。

、影像分块，若待处理影像中存在多光谱影像，首先将其转为全色影像，并根据待处理范围将重叠区域进行分块处理，具体包括：

3.1)构建多光谱转全色仿射变换模型，将多光谱影像转换为全色影像，计算公式如下：

G_val＝a1×R_val+a2×G_val+a3×B_val

其中，G_val为转换后的全色影像像素值，a1、a2、a3为三个仿射变换参数，R_val、G_val、B_val为多光谱影像上红、绿、蓝波段像素值；

3.2)为了使得转换后的单波段全色影像与底图色彩更为接近，人工在多光谱与全色影像上选取N个同名像点，并分别记录其像素值，利用最小二乘平差计算仿射变换参数，a1、a2、a3，计算公式如下：

3.3)将多光谱影像R、G、B波段值带入上述仿射变换模型，将多光谱数据转换为全色数据，并将全色影像进行矩形分块(分块处理的主要原因是单张影像太大，一般的PC机内存有限，无法一次性将整张影像读入)。

、超像素分割，若待处理影像块为16位影像，首先将其转为8位数据，然后将影像块进行超像素分割，使得灰度以及纹理较为接近的像素归并为同一超像素，具体包括：

4.1)将影像从16位转为8位，即首先统计影像灰度直方图(对于16位光学遥感卫星影像，一般像素值分布在0-1024)，将直方图中首尾0.25％处的像素值作为最低和最高阈值，并按下式进行转换：

其中，T_min、T_max分别为最低和最高阈值，G_{val_16}为16位影像上像素灰度值，G_{val_8}为转换后8位影像像素灰度值；

4.2)利用SLIC(simple linear iterative clustering)算法对光学遥感卫星影像进行超像素分割。超像素分割的依据是像素之间的颜色相似性与邻近性。其中颜色相似性的度量因子是lab颜色空间值，颜色邻近性的度量因子是图像二维坐标空间xy。因而综合的度量因子dist是[labxy]五维空间，度量因子由下式计算得到：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)

dist＝d_lab+k×d_xy

其中，l_i、a_i、b_i分别为影像在lab颜色空间中的l、a、b分量值。x_i、y_i为影像行列号；

4.3)依据度量因子，通过迭代进行逐像素优化，直到迭代一定次数之后，分簇结果基本不发生改变即划分完成，迭代结束，所得的结果即为超像素分割结果。

、超像素相关性矩阵计算，在一定的搜索窗口内，移动式计算超像素块与底图或者接边影像的相关性，并根据相关性矩阵，统计接边、定位偏差以及确定偏移方向，具体包括：

5.1)将正射影像超像素s_dom＝{s_{dp_1} … s_{dp_i} … s_{dp_n}}依据地理转换参数投影到底图，获取底图上相同大小的超像素块s_ref＝{s_{rp_1} … s_{rp_i} … s_{rp_n}}，并将此形状的超像素在高精度底图上一定大小的搜索窗口内移动，移动的过程中分别获取底图超像素s_ref(m，n)(x∈[-winm，winn]，y∈[-winm，winn])。，其中，s_{dp_i}为正射影像超像素中第i个像元的灰度值，s_{rp_i}为底图超像素中第i个像元的灰度值，s_ref(m，n)为在底图上横向移动m像元，纵向移动n像元时获取的底图超像素。winm、winn分别为搜索窗口的宽度和高度；

5.2)分别计算正射影像超像素s_dom与各个底图超像素s_ref(x，y)的灰度相关系数r(m，n)，构建相关性矩阵，计算公式如下：

5.3)统计相关性矩阵r(m，n)中最大值r_max，此时的m，n即为正射超像素相对于底图在横向和纵向偏移值。以此类推，遍历正射影像上所有超像素块，并计算相对于底图的偏移量，完成正射影像质量检查工作。

由上可见，本申请实施方式提供的光学遥感卫星正射影像质量检查方法，简单有效，能对任意分辨率，任意波段的影像做出比较精确的检测，能定量且可视化输出影像质量检查结果，可满足海量数据自动化处理的需要。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (7)

1.一种基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，所述质量检查方法包括：

数据准备，包括获取待处理的光学遥感卫星正射影像；任务确定，包括正射影像有效范围计算，根据影像重叠范围确定接边以及定位精度检查任务；

影像分块，若待处理影像中存在多光谱影像，首先将其转为全色影像，并根据待处理范围将重叠区域进行分块处理；

超像素分割，利用SLIC(simple linear iterativeclustering)算法对光学遥感卫星影像进行超像素分割，若待处理影像块为16位影像，首先将其转为8位数据，然后将影像块进行超像素分割，使得灰度以及纹理相近的像素归并为同一超像素；

超像素相关性矩阵计算，在搜索窗口内，移动式计算超像素块与底图或者接边影像的相关性，统计接边、定位偏差以及确定偏移方向，包括：

将正射影像超像素s_dom＝{s_{dp_1}…s_{dp_i}…s_{dp_n}}依据地理转换参数投影到底图，获取底图上相同大小的超像素块s_ref＝{s_{rp_1}…s_{rp_i}…s_{rp_n}}，并在底图上的搜索窗口内移动，分别获取底图超像素s_ref(m，n)(x∈[-winm，winn]，y∈[-winm，winn])

其中，s_{dp_i}为正射影像超像素中第i个像元的灰度值，s_{rp_i}为底图超像素中第i个像元的灰度值，s_ref(m，n)为在底图上横向移动m像元，纵向移动n像元时获取的底图超像素，winm、winn分别为搜索窗口的宽度和高度；

分别计算正射影像超像素s_dom与各个底图超像素s_ref(x，y)的灰度相关系数r(m，n)；统计r(m，n)中最大值r_max，此时的m，n即为正射超像素相对于底图在横向和纵向偏移值；

以此类推，遍历正射影像上所有超像素块，并计算相对于底图的偏移量，完成正射影像质量检查工作。

2.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，所述光学遥感卫星正射影像为8位或16位，全色影像或多光谱影像，TIF\PIX\IMG数据格式。

3.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，所述正射影像有效范围包括：

分别搜索影像左上、右上、左下、右下角点有效像元的影像坐标(x_img，y_img)；

根据影像的地理转换参数，计算各影像角点纬度坐标(x_geo，y_geo)，计算公式如下所示：

x_geo＝x_{geo_begin}+x_img×x_resolution+y_img×gt1

y_geo＝y_{geo_begin}+x_img×gt2+y_img×y_resolation

其中，(x_{geo_begin}，y_{geo_begin})为影像左上角点经纬度；x_resolution，y_resolution分别为x和y方向上的分辨率；gt1，gt2分别为南北、东西方向旋转参数；

根据影像地理范围确定接边以及定位精度检查任务，若两景正射影像间有重叠，则该两景正射影像构成一个接边任务，而单景正射影像及其有重叠区域的所有底图构成一个定位任务。

4.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，所述影像分块中，将多光谱影像转为单波段全色影像，包括：

构建多光谱转全色仿射变换模型，计算公式如下：

G_val＝a1×R_val+a2×G_val+a3×B_val

其中，G_val为转换后的全色影像像素值，a1、a2、a3为三个仿射变换参数，R_val、G_val、B_val为多光谱影像上红、绿、蓝波段像素值；为使得转换后的单波段全色影像与底图色彩更为接近，人工在多光谱与全色影像上选取N个同名像点，并分别记录其像素值，利用最小二乘平差计算仿射变换参数，a1、a2、a3，计算公式如下：

5.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，将16位影像转为8为影像，包括：

统计影像灰度直方图，将直方图中首尾0.25％处的像素值作为最低和最高阈值，并按下式进行转换：

其中，T_min、T_max分别为最低和最高阈值，G_{val_16}为16位影像上像素灰度值，G_{val_8}为转换后8位影像像素灰度值。

6.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，所述的超像素分割处理，包括：

依据像素之间的颜色相似性与邻近性，其中颜色相似性的度量因子是lab颜色空间值，颜色邻近性的度量因子是图像二维坐标空间xy，因而综合的度量因子dist是[labxy]五维空间，度量因子由下式计算得到：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)

dist＝d_lab+k×d_xy

其中，l_i、a_i、b_i分别为影像在lab颜色空间中的l、a、b分量值，x_i、y_i为影像行列号；依据度量因子，通过迭代进行逐像素优化，直到迭代数次后，分簇结果不发生改变即划分完成，迭代结束，所得的结果即为超像素分割结果。

7.根据权利要求1所述的基于灰度相关性的面向对象正射影像质量检查方法，其特征在于，影像超像素相关性矩阵计算中，所述sd。m与各个底图超像素s_ref(m，n)的灰度相关系数r(m，n)的计算公式如下：

Images