CN112419380A - 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 - Google Patents
一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 Download PDFInfo
- Publication number
- CN112419380A CN112419380A CN202011340239.5A CN202011340239A CN112419380A CN 112419380 A CN112419380 A CN 112419380A CN 202011340239 A CN202011340239 A CN 202011340239A CN 112419380 A CN112419380 A CN 112419380A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- point
- points
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003068 static effect Effects 0.000 title claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 39
- 238000003384 imaging method Methods 0.000 claims abstract description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 241000080795 Elaphoglossum affine Species 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/38—Registration of image sequences
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于云掩膜的静止轨道卫星序列影像高精度配准方法。通过虚拟重成像方式生成单帧无畸变影像,消除序列影像单帧内部畸变;然后利用最大类间方差法计算的二次自适应阈值,对序列影像进行快速云检测;并利用序列影像间建立的粗几何关系获得非参考帧与参考帧间的同名匹配块,采用SIFT算法逐块进行匹配得到同名特征点;之后结合云检测结果剔除云区的误匹配点,并采用随机采样一致性对误匹配点进一步剔除,得到高可靠的同名点对;基于整体仿射变换的配准模型对序列影像进行配准处理。本发明有效避免云带来的匹配粗差,有利于提高序列影像配准的精度,实现序列影像的高精度配准。
Description
技术领域
本发明属于遥感卫星影像处理领域,涉及一种基于云掩膜的静止轨道卫星序列影像高精度配准技术方案。
背景技术
地球静止轨道卫星具有对地观测位置相对固定、时间分辨率高、观测范围广等特点,适合于长期连续观测及快速访问成像,是卫星对地观测的重要一环。但由于其轨道高度极高,获取的大量序列影像间存在较大的非线性几何变形,需要进行高精度配准以保证序列影像后续处理和应用的质量。
基于影像匹配的像方配准是目前应用最广的影像配准方法,利用在待配准的影像之间通过影像匹配获取的同名像点,拟合待配准影像之间建立的几何纠正模型(如仿射变换模型)。而静止轨道卫星面阵相机具有轨道高度高和视场角窄的成像特点,造成单帧影像存在较严重的内部畸变,给序列影像间几何纠正模型的建立及同名像点的匹配增加一定的难度;再加上静止轨道卫星较大成像幅宽的标准景影像中云覆盖现象也较多,而云呈现出的缓慢移动特点,极易在较短成像间隔的序列影像匹配中引入大量的误匹配点,为序列影像高精度配准带来了困难。现有的误匹配点剔除算法往往考虑的是样本点较差情况下的剔除,很少考虑云层等运动目标点引起的误匹配,但这些点位误差较小,难以剔除。因此,如何消除单帧影像内部的畸变问题,简化待配准影像间的几何纠正模型,并有效抑制序列影像中云层等因素对影像匹配的影响,提高同名点匹配的可靠性和稳健性,是静止轨道卫星序列影像高精度配准的关键。
发明内容
本发明的目的在于提供一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,以解决上述背景技术中提出的问题。
为实现上述目的本发明采用以下技术方案:1.一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于,包括以下步骤:
步骤1,生成单帧无畸变影像;
步骤2,序列影像的云检测;
步骤3,序列影像间同名点的匹配;
步骤4,顾及云区的误匹配点剔除;
步骤5,基于整体仿射变换的序列影像配准。
作为本发明进一步的方案:步骤1所述的单帧无畸变影像生成方法如下:
静止轨道卫星采用面阵传感器成像,通过在焦面设计一个无畸变的虚拟面阵,基于真实面阵和虚拟面阵在物方空间的一致性来建立两者之间的坐标对应关系,将真实面阵影像重采样成无畸变虚拟面阵影像,以消除每一帧影像的内部畸变,步骤如下:
1.1根据成像时的姿态、轨道参数以及高精度的内外方位元素检校结果,基于影像内部的二维指向角模型构建严格几何成像模型,如下式所示:
其中,λ为系数尺度因子;是几何检校的外方位元素,表示相机的安装矩阵,(pitch,roll,yaw)为相机安装角;为J2000坐标系到ADS坐标系的旋转矩阵,可根据成像时间由姿态数据插值得到;为WGS-84坐标系到J2000坐标系的旋转矩阵;[Xg Yg Zg]T表示WGS-84坐标系下的物方点坐标;[Xbody Ybody Zbody]T表示投影中心在J2000坐标系下的坐标,可根据成像时间由轨道数据插值得到;(ψx,ψy)为二维指向角,是用来描述相机内部各个面阵探元的影像内部畸变模型;(s,l)是像平面坐标系下的探元坐标;ax0,ax1,L,ax9和ay0,ay1,L,ay9是几何检校内方位参数;
1.2基于几何检校后内方位元素,计算出虚拟面阵的最佳位置和范围,并在焦面上等间隔分布像元,计算虚拟面阵的内方位元素,如下式:
1.3基于虚拟面阵内方位元素、真实成像姿轨参数建立虚拟面阵的严密成像几何模型,利用严密几何模型计算得到虚拟控制点,通过地形独立法将严密几何成像模型转化为RPC(有理多项式系数)模型,如下式:
其中,
NumL(U,V,W)=a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+a8V2+a9U2+
a10W2+a11UVW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+
a17UW2+a18V2W+a19U2W+a20W3;
DenL(U,V,W)=b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+
b10W2+b11UVWb12V3+b13VU2+b14VW2+b15V2U+b16U3+
b17UW2+b18V2W+b19U2W+b20W3;
NumS(U,V,W)=c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+c8V2+c9U2+
c10W2+c11UVW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+
c17UW2+c18V2W+c19U2W+c20W3;
DenS(U,V,W)=d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+
d10W2+d11UVW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+;
d17UW2+d18V2W+d19U2W+d20W3
其中,(l,s)为像点图像坐标,(B,L)为物方点的经纬度坐标,H为物方点椭球高,ai,bi,ci,di(i=1,2...20)为有理多项式系数;
1.4对于虚拟面阵影像上的任一像素(x,y),利用1.3中建立的虚拟面阵RPC模型及某一高程参考面(SRTM-DEM或平均高程),将其投影到地面坐标(lan,lon),将(lan,lon)利用真实面阵成像几何模型投影到真实影像的像素位置(x',y');
1.5利用真实影像上(x',y')临近像元灰度内插即可得到虚拟影像上(x,y)对应的灰度值;
1.6对虚拟面阵上每个像元重复以上步骤直到生成整幅影像。
作为本发明进一步的方案:步骤2所述的序列影像的云检测方法如下:
利用云在可见光和近红外波段的强反射特征,采用基于光谱特征的阈值判断方法实现影像中云与地面背景的类别分离,遥感影像中的云区域存在从云边界薄云区域向云中心厚云区域过渡的特征,使用不同的光谱阈值分别实现影像中厚云区域与薄云区域的提取,可以获得更为准确的影像云区域提取结果;步骤如下:
2.1设序列影像灰度量化级别为n,即影像灰度范围为[0,2n-1]。在[0,2n-1]灰度范围内,通过最大类间方差法(OSTU)求取第一个光谱阈值T1,光谱阈值T1可有效的区分出影像中的高亮地物与低亮地物,高亮地物在[T1,2n-1]灰度范围内,包括云、冰雪、沙漠、镜面反射物体等;
2.2在T1~2n-1灰度范围内,通过OSTU算法求得第二个光谱阈值T2,作为云检测光谱阈值,提取影像中的厚云区域;
2.3根据厚云与薄云在空间上的邻接关系,以影像中厚云区域的提取结果作为种子点,以光谱阈值T1作为区域增长阈值,对厚云区域进行区域增长,进而提取云区域的薄云边界。
作为本发明进一步的方案:步骤3所述的序列影像间同名点的匹配方法如下:
3.1建立序列影像中非参考帧与参考帧间的粗几何关系,步骤如下:
3.11)采用如下式计算降采样因子,对序列影像进行降采样;
n=log2(N/M) (4);
其中,n为降采样因子,N为采样前影像高宽的最小值,M为降采样后影像宽高的最小值;
3.12)根据匹配点对间的尺度差异确定影像间的同名点对,SIFT匹配后每对同名点带有尺度信息,可表示为m1(x1,y1,σ1),m2(x2,y2,σ2),其中σ为尺度信息。计算该匹配点对间的尺度差异(SD),公式如下:
SD(m1,m2)=|σ1-σ2| (5);
计算所有匹配点的SD值,统计分布表,找到SD值的峰值PSD,匹配点的SD值距离该峰值PSD越近,则可认为该同名点对是正确匹配点的概率要高,在区间(PSD-W,PSD+W)内可认为该对匹配点正确率较高,W的取值为0.2~0.35;
3.13)根据获取的序列影像间同名点对,计算影像间的粗几何关系,如下所示:
其中,(xr,yr)参考帧上的点,(xs,ys)为非参考帧上的点,a11L a23为仿射变换系数;
3.2建立非参考帧与参考帧影像间同名匹配块。将参考帧影像分成n×n块,提取参考影像上第i块(i=1,2,...,n2)的四个角点,通过建立的粗几何关系,投影到非参考帧影像的基准中,组成的矩形即为对应同名匹配块;
3.3采用SIFT算法对非参考帧与参考帧间的同名块影像进行同名特征点匹配。
作为本发明进一步的方案:步骤4所述的顾及云区的误匹配点剔除方法如下:
4.1剔除云区的同名点对,对每个同名点,其在参考帧影像上的坐标为(xri,yri),取点(int(xri),int(yri))、(int(xri)+1,int(yri))、(int(xri),int(yri)+1)和(int(xri)+1,int(yri)+1)在对应云检测图像上的像素值,若有一个像素值非0(在云区),则剔除该同名点;
4.2采用由粗到精的RANSAC(随机样本一致性)算法进一步剔除误匹配点。步骤如下:
4.21)首先选择刚体变换模型作为误匹配点剔除模型M,如下式:
x'=sRx+t (7);
式中,x=(x,y)T为转换前坐标,x'=(x',y')T为转换后坐标,s为缩放系数,R为旋转矩阵,t=(Tx,Ty)T为平移量;
4.22)从候选匹配点集合中随机抽出少量的匹配点对,计算误匹配点剔除模型M;
4.23)候选匹配点集中其他匹配点分别计算与模型M的投影误差,若误差小于阈值,加入内点集I;
4.24)如果当前内点集I中匹配点个数大于最优内点集I_best,则更新I_best=I;
4.25)如果迭代次数大于k,则退出;否则迭代次数加1,并重复4.21)到4.24)步骤;
其中,p为置信度,一般取0.995;w为正确匹配点的比例;m为计算模型M所需要的最少匹配点对数;
4.26)采用得到的误匹配点剔除模型M,将匹配点集中误匹配点进行剔除;
4.27)再选择如下式的透视变换模型作为误匹配点剔除模型,重复4.22)到4.26)步骤,将不精确的匹配点进一步剔除;
x'=Ax (9);
其中,x=(x,y,1)T为转换前坐标,x'=(x',y',1)T为转换后坐标,A表示透视变换矩阵。
作为本发明进一步的方案:步骤5所述的基于整体仿射变换的序列影像配准方法如下:
5.1基于整体仿射变换构建序列影像配准模型,对每一个非参考帧,将整体仿射变换模型附加到RPC模型中,如下式:
其中,(l,s)为像点坐标;(Δl,Δs)为系统误差补偿值;(B,L,H)为物点坐标;(a0,a1,a2,b0,b1,b2)为配准模型参数,即仿射变换系数;
5.2求解配准模型参数,利用步骤4获得的高精度同名点,将非参考帧影像仿射变换系数(a0,a1,a2,b0,b1,b2)与同名点的物方坐标(B,L,H)一同作为待求解的未知数,建立如下式的误差方程式,并根据最小二乘平差对未知数进行求解;
v=At+Bx-l (11);
其中,ν为影像行、列向误差改正数;t为整体仿射变换系数(a0,a1,a2,b0,b1,b2)改正数列向量;x为同名点物方坐标(B,L,H)的改正数列向量;A和B分别为t和x的误差矩阵;l为行和列误差方程的常数项;
5.3利用求解的仿射变换系数,对非参考帧影像的RPC模型进行系统误差的改正,从而实现序列影像的配准。
与现有技术相比,本发明的有益效果是:本发明过针孔开设于底座顶部中间,可使装订针轻松对纸张进行穿透;主齿轮与立柱内壁之间通过螺丝安装固定有发条,可通过手轮轻松对发条进行上紧操作;从动齿轮左侧通过棘轮连接有锥齿轮,可在手轮上发条的时候有效防止锥齿轮发生转动;锥齿轮与从动锥齿轮齿啮合,可通过锥齿轮轻松带动从动锥齿轮进行旋转;从动锥齿轮中间通过螺纹连接有双向螺杆,可通过从动锥齿轮轻松带动双向螺杆上下往复直线滑动;锁杆嵌套于锥齿轮的齿槽内,可通过拨杆随时对运转中的双向螺杆进行停止。
附图说明
图1为本发明实施例的基于云掩膜的静止轨道卫星序列影像高精度配准方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的阐述。
一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,包括以下步骤:
步骤1,生成单帧无畸变影像。静止轨道卫星采用面阵传感器成像,通过在焦面设计一个无畸变的虚拟面阵,基于真实面阵和虚拟面阵在物方空间的一致性来建立两者之间的坐标对应关系,将真实面阵影像重采样成无畸变虚拟面阵影像,以消除每一帧影像的内部畸变。实施例中包括以下步骤:
1.1根据成像时的姿态、轨道参数以及高精度的内外方位元素检校结果,基于影像内部的二维指向角模型构建严格几何成像模型,如下式所示:
其中,
式中,λ为系数尺度因子;是几何检校的外方位元素,表示相机的安装矩阵,(pitch,roll,yaw)为相机安装角;为J2000坐标系到ADS坐标系的旋转矩阵,可根据成像时间由姿态数据插值得到;为WGS-84坐标系到J2000坐标系的旋转矩阵;[Xg YgZg]T表示WGS-84坐标系下的物方点坐标;[Xbody Ybody Zbody]T表示投影中心在J2000坐标系下的坐标,可根据成像时间由轨道数据插值得到;(ψx,ψy)为二维指向角,是用来描述相机内部各个面阵探元的影像内部畸变模型;(s,l)是像平面坐标系下的探元坐标;ax0,ax1,L,ax9和ay0,ay1,L,ay9是几何检校内方位参数。
1.2基于几何检校后内方位元素,计算出虚拟面阵的最佳位置和范围,并在焦面上等间隔分布像元,计算虚拟面阵的内方位元素,如下式:
1.3基于虚拟面阵内方位元素、真实成像姿轨参数建立虚拟面阵的严密成像几何模型,利用严密几何模型计算得到虚拟控制点,通过地形独立法将严密几何成像模型转化为RPC(有理多项式系数)模型,如下式。
其中,
NumL(U,V,W)=a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+a8V2+a9U2+
a10W2+a11UVW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+
a17UW2+a18V2W+a19U2W+a20W3;
DenL(U,V,W)=b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+
b10W2+b11UVWb12V3+b13VU2+b14VW2+b15V2U+b16U3+
b17UW2+b18V2W+b19U2W+b20W3;
NumS(U,V,W)=c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+c8V2+c9U2+
c10W2+c11UVW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+
c17UW2+c18V2W+c19U2W+c20W3;
DenS(U,V,W)=d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+
d10W2+d11UVW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+;
d17UW2+d18V2W+d19U2W+d20W3
其中,(l,s)为像点图像坐标,(B,L)为物方点的经纬度坐标,H为物方点椭球高,ai,bi,ci,di(i=1,2...20)为有理多项式系数。
1.4对于虚拟面阵影像上的任一像素(x,y),利用1.3中建立的虚拟面阵RPC模型及某一高程参考面(SRTM-DEM或平均高程),将其投影到地面坐标(lan,lon),将(lan,lon)利用真实面阵成像几何模型投影到真实影像的像素位置(x',y')。
1.5利用真实影像上(x',y')临近像元灰度内插即可得到虚拟影像上(x,y)对应的灰度值;
1.6对虚拟面阵上每个像元重复以上步骤直到生成整幅影像。
步骤2,序列影像的云检测。利用云在可见光和近红外波段的强反射特征,采用基于光谱特征的阈值判断方法实现影像中云与地面背景的类别分离。遥感影像中的云区域存在从云边界薄云区域向云中心厚云区域过渡的特征,使用不同的光谱阈值分别实现影像中厚云区域与薄云区域的提取,可以获得更为准确的影像云区域提取结果。实施例中包含以下步骤:
2.1设序列影像灰度量化级别为n,即影像灰度范围为[0,2n-1]。在[0,2n-1]灰度范围内,通过最大类间方差法(OSTU)求取第一个光谱阈值T1,光谱阈值T1可有效的区分出影像中的高亮地物与低亮地物,高亮地物在[T1,2n-1]灰度范围内,包括云、冰雪、沙漠、镜面反射物体等。
2.2在T1~2n-1灰度范围内,再次利用OSTU算法求得第二个光谱阈值T2,作为云检测光谱阈值,提取影像中的厚云区域。
2.3根据厚云与薄云在空间上的邻接关系,以影像中厚云区域的提取结果作为种子点,以光谱阈值T1作为区域增长阈值,对厚云区域进行区域增长,进而提取云区域的薄云边界。
步骤3,序列影像间同名点的匹配。采用一种基于分块几何约束的SIFT匹配算法,首先在降采样影像上进行SIFT特征匹配,获取影像间的粗几何关系;之后,利用粗几何关系获得匹配帧与参考帧之间的同名匹配块;最后,采用SIFT匹配算法逐块对匹配块进行匹配获得同名点对。实施例中包含以下步骤:
3.1建立序列影像中非参考帧与参考帧间的粗几何关系。步骤如下:
1)采用如下式计算降采样因子,对序列影像进行降采样。
n=log2(N/M) (4);
其中,n为降采样因子,N为采样前影像高宽的最小值,M为降采样后影像宽高的最小值。
2)根据匹配点对间的尺度差异确定影像间的同名点对。SIFT匹配后每对同名点带有尺度信息,可表示为m1(x1,y1,σ1),m2(x2,y2,σ2),其中σ为尺度信息。计算该匹配点对间的尺度差异(SD),公式如下:
SD(m1,m2)=|σ1-σ2| (5);
计算所有匹配点的SD值,统计分布表,找到SD值的峰值PSD。匹配点的SD值距离该峰值PSD越近,则可认为该同名点对是正确匹配点的概率要高。在区间(PSD-W,PSD+W)内可认为该对匹配点正确率较高,W的取值为0.2~0.35。
3)根据获取的序列影像间同名点对,计算影像间的粗几何关系,如下所示:
其中,(xr,yr)参考帧上的点,(xs,ys)为非参考帧上的点,a11L a23为仿射变换系数。
3.2建立非参考帧与参考帧影像间同名匹配块。将参考帧影像分成n×n块,提取参考影像上第i块(i=1,2,...,n2)的四个角点,通过建立的粗几何关系,投影到非参考帧影像的基准中,组成的矩形即为对应同名匹配块。
3.2采用SIFT算法对非参考帧与参考帧间的同名块影像进行同名特征点匹配。
步骤4,顾及云区的误匹配点剔除。实施例中包含以下步骤:
4.1剔除云区的同名点对。对每个同名点,其在参考帧影像上的坐标为(xri,yri),取点(int(xri),int(yri))、(int(xri)+1,int(yri))、(int(xri),int(yri)+1)和(int(xri)+1,int(yri)+1)在对应云检测图像上的像素值,若有一个像素值非0(在云区),则剔除该同名点。
4.2采用由粗到精的RANSAC(随机样本一致性)算法进一步剔除误匹配点。步骤如下:
1)首先选择刚体变换模型作为误匹配点剔除模型M,如下式:
x'=sRx+t (7);
式中,x=(x,y)T为转换前坐标,x'=(x',y')T为转换后坐标,s为缩放系数,R为旋转矩阵,t=(Tx,Ty)T为平移量。
2)从候选匹配点集合中随机抽出少量的匹配点对,计算误匹配点剔除模型M。
3)候选匹配点集中其他匹配点分别计算与模型M的投影误差,若误差小于阈值,加入内点集I。
4)如果当前内点集I中匹配点个数大于最优内点集I_best,则更新I_best=I.
5)如果迭代次数大于k,则退出;否则迭代次数加1,并重复1)到4)步骤。
其中,p为置信度,一般取0.995;w为正确匹配点的比例;m为计算模型M所需要的最少匹配点对数。
6)采用得到的误匹配点剔除模型M,将匹配点集中误匹配点进行剔除。
7)再选择如下式的透视变换模型作为误匹配点剔除模型,重复2)到6)步骤,将不精确的匹配点进一步剔除。
x'=Ax (9);
步骤5,基于整体仿射变换的序列影像配准。实施例中包含以下步骤:
5.1基于整体仿射变换构建序列影像配准模型,对每一个非参考帧,将整体仿射变换模型附加到RPC模型中,如下式:
其中,(l,s)为像点坐标;(Δl,Δs)为系统误差补偿值;(B,L,H)为物点坐标;(a0,a1,a2,b0,b1,b2)为配准模型参数,即仿射变换系数。
5.2求解配准模型参数,利用步骤4获得的高精度同名点,将非参考帧影像仿射变换系数(a0,a1,a2,b0,b1,b2)与同名点的物方坐标(B,L,H)一同作为待求解的未知数,建立如下式的误差方程式,并根据最小二乘平差对未知数进行求解。
v=At+Bx-l (11);
其中,ν为影像行、列向误差改正数;t为整体仿射变换系数(a0,a1,a2,b0,b1,b2)改正数列向量;x为同名点物方坐标(B,L,H)的改正数列向量;A和B分别为t和x的误差矩阵;l为行和列误差方程的常数项。
5.3利用求解的仿射变换系数,对非参考帧影像的RPC模型进行系统误差的改正,从而实现序列影像的配准a。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (6)
1.一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于,包括以下步骤:
步骤1,生成单帧无畸变影像;
步骤2,序列影像的云检测;
步骤3,序列影像间同名点的匹配;
步骤4,顾及云区的误匹配点剔除;
步骤5,基于整体仿射变换的序列影像配准。
2.如权利要求1所述的一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于:步骤1所述的单帧无畸变影像生成方法如下:
静止轨道卫星采用面阵传感器成像,通过在焦面设计一个无畸变的虚拟面阵,基于真实面阵和虚拟面阵在物方空间的一致性来建立两者之间的坐标对应关系,将真实面阵影像重采样成无畸变虚拟面阵影像,以消除每一帧影像的内部畸变,步骤如下:
1.1根据成像时的姿态、轨道参数以及高精度的内外方位元素检校结果,基于影像内部的二维指向角模型构建严格几何成像模型,如下式所示:
其中,λ为系数尺度因子;是几何检校的外方位元素,表示相机的安装矩阵,(pitch,roll,yaw)为相机安装角;为J2000坐标系到ADS坐标系的旋转矩阵,可根据成像时间由姿态数据插值得到;为WGS-84坐标系到J2000坐标系的旋转矩阵;[Xg YgZg]T表示WGS-84坐标系下的物方点坐标;[Xbody Ybody Zbody]T表示投影中心在J2000坐标系下的坐标,可根据成像时间由轨道数据插值得到;(ψx,ψy)为二维指向角,是用来描述相机内部各个面阵探元的影像内部畸变模型;(s,l)是像平面坐标系下的探元坐标;ax0,ax1,L,ax9和ay0,ay1,L,ay9是几何检校内方位参数;
1.2基于几何检校后内方位元素,计算出虚拟面阵的最佳位置和范围,并在焦面上等间隔分布像元,计算虚拟面阵的内方位元素,如下式:
其中(ψ%x,ψ%y)为虚拟面阵的二维指向角;(s,l)是像平面坐标系下的探元坐标;Ax0,Ax1,Ay0,Ay1是虚拟面阵的内方位元素;
1.3基于虚拟面阵内方位元素、真实成像姿轨参数建立虚拟面阵的严密成像几何模型,利用严密几何模型计算得到虚拟控制点,通过地形独立法将严密几何成像模型转化为RPC(有理多项式系数)模型,如下式:
其中,
NumL(U,V,W)=a1+a2V+a3U+a4W+a5VU+a6VW+a7UW+a8V2+a9U2+a10W2+a11UVW+a12V3+a13VU2+a14VW2+a15V2U+a16U3+a17UW2+a18V2W+a19U2W+a20W3;
DenL(U,V,W)=b1+b2V+b3U+b4W+b5VU+b6VW+b7UW+b8V2+b9U2+b10W2+b11UVWb12V3+b13VU2+b14VW2+b15V2U+b16U3+b17UW2+b18V2W+b19U2W+b20W3;
NumS(U,V,W)=c1+c2V+c3U+c4W+c5VU+c6VW+c7UW+c8V2+c9U2+c10W2+c11UVW+c12V3+c13VU2+c14VW2+c15V2U+c16U3+c17UW2+c18V2W+c19U2W+c20W3;
DenS(U,V,W)=d1+d2V+d3U+d4W+d5VU+d6VW+d7UW+d8V2+d9U2+d10W2+d11UVW+d12V3+d13VU2+d14VW2+d15V2U+d16U3+;d17UW2+d18V2W+d19U2W+d20W3
其中,(l,s)为像点图像坐标,(B,L)为物方点的经纬度坐标,H为物方点椭球高,ai,bi,ci,di(i=1,2...20)为有理多项式系数;
1.4对于虚拟面阵影像上的任一像素(x,y),利用1.3中建立的虚拟面阵RPC模型及某一高程参考面(SRTM-DEM或平均高程),将其投影到地面坐标(lan,lon),将(lan,lon)利用真实面阵成像几何模型投影到真实影像的像素位置(x',y');
1.5利用真实影像上(x',y')临近像元灰度内插即可得到虚拟影像上(x,y)对应的灰度值;
1.6对虚拟面阵上每个像元重复以上步骤直到生成整幅影像。
3.如权利要求1所述的一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于:步骤2所述的序列影像的云检测方法如下:
利用云在可见光和近红外波段的强反射特征,采用基于光谱特征的阈值判断方法实现影像中云与地面背景的类别分离,遥感影像中的云区域存在从云边界薄云区域向云中心厚云区域过渡的特征,使用不同的光谱阈值分别实现影像中厚云区域与薄云区域的提取,可以获得更为准确的影像云区域提取结果;步骤如下:
2.1设序列影像灰度量化级别为n,即影像灰度范围为[0,2n-1];在[0,2n-1]灰度范围内,通过最大类间方差法(OSTU)求取第一个光谱阈值T1,光谱阈值T1可有效的区分出影像中的高亮地物与低亮地物,高亮地物在[T1,2n-1]灰度范围内,包括云、冰雪、沙漠、镜面反射物体;
2.2在T1~2n-1灰度范围内,通过OSTU算法求得第二个光谱阈值T2,作为云检测光谱阈值,提取影像中的厚云区域;
2.3根据厚云与薄云在空间上的邻接关系,以影像中厚云区域的提取结果作为种子点,以光谱阈值T1作为区域增长阈值,对厚云区域进行区域增长,进而提取云区域的薄云边界。
4.如权利要求1所述的一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于:步骤3所述的序列影像间同名点的匹配方法如下:
3.1建立序列影像中非参考帧与参考帧间的粗几何关系,步骤如下:
3.11)采用如下式计算降采样因子,对序列影像进行降采样;
n=log2(N/M) (4);
其中,n为降采样因子,N为采样前影像高宽的最小值,M为降采样后影像宽高的最小值;
3.12)根据匹配点对间的尺度差异确定影像间的同名点对,SIFT匹配后每对同名点带有尺度信息,可表示为m1(x1,y1,σ1),m2(x2,y2,σ2),其中σ为尺度信息,计算该匹配点对间的尺度差异(SD),公式如下:
SD(m1,m2)=|σ1-σ2| (5);
计算所有匹配点的SD值,统计分布表,找到SD值的峰值PSD,匹配点的SD值距离该峰值PSD越近,则可认为该同名点对是正确匹配点的概率要高,在区间(PSD-W,PSD+W)内可认为该对匹配点正确率较高,W的取值为0.2~0.35;
3.13)根据获取的序列影像间同名点对,计算影像间的粗几何关系,如下所示:
其中,(xr,yr)参考帧上的点,(xs,ys)为非参考帧上的点,a11La23为仿射变换系数;
3.2建立非参考帧与参考帧影像间同名匹配块。将参考帧影像分成n×n块,提取参考影像上第i块(i=1,2,...,n2)的四个角点,通过建立的粗几何关系,投影到非参考帧影像的基准中,组成的矩形即为对应同名匹配块;
3.3采用SIFT算法对非参考帧与参考帧间的同名块影像进行同名特征点匹配。
5.如权利要求1所述的一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于:步骤4所述的顾及云区的误匹配点剔除方法如下:
4.1剔除云区的同名点对,对每个同名点,其在参考帧影像上的坐标为(xri,yri),取点(int(xri),int(yri))、(int(xri)+1,int(yri))、(int(xri),int(yri)+1)和(int(xri)+1,int(yri)+1)在对应云检测图像上的像素值,若有一个像素值非0(在云区),则剔除该同名点;
4.2采用由粗到精的RANSAC(随机样本一致性)算法进一步剔除误匹配点,步骤如下:
4.21)首先选择刚体变换模型作为误匹配点剔除模型M,如下式:
x'=sRx+t (7);
式中,x=(x,y)T为转换前坐标,x'=(x',y')T为转换后坐标,s为缩放系数,R为旋转矩阵,t=(Tx,Ty)T为平移量;
4.22)从候选匹配点集合中随机抽出少量的匹配点对,计算误匹配点剔除模型M;
4.23)候选匹配点集中其他匹配点分别计算与模型M的投影误差,若误差小于阈值,加入内点集I;
4.24)如果当前内点集I中匹配点个数大于最优内点集I_best,则更新I_best=I;
4.25)如果迭代次数大于k,则退出;否则迭代次数加1,并重复4.21)到4.24)步骤;
其中,p为置信度,一般取0.995;w为正确匹配点的比例;m为计算模型M所需要的最少匹配点对数;
4.26)采用得到的误匹配点剔除模型M,将匹配点集中误匹配点进行剔除;
4.27)再选择如下式的透视变换模型作为误匹配点剔除模型,重复4.22)到4.26)步骤,将不精确的匹配点进一步剔除;
x'=Ax (9);
其中,x=(x,y,1)T为转换前坐标,x'=(x',y',1)T为转换后坐标,A表示透视变换矩阵。
6.如权利要求1所述的一种基于云掩膜的静止轨道卫星序列影像高精度配准方法,其特征在于:步骤5所述的基于整体仿射变换的序列影像配准方法如下:
5.1基于整体仿射变换构建序列影像配准模型,对每一个非参考帧,将整体仿射变换模型附加到RPC模型中,如下式:
其中,(l,s)为像点坐标;(Δl,Δs)为系统误差补偿值;(B,L,H)为物点坐标;(a0,a1,a2,b0,b1,b2)为配准模型参数,即仿射变换系数;
5.2求解配准模型参数,利用步骤4获得的高精度同名点,将非参考帧影像仿射变换系数(a0,a1,a2,b0,b1,b2)与同名点的物方坐标(B,L,H)一同作为待求解的未知数,建立如下式的误差方程式,并根据最小二乘平差对未知数进行求解;
v=At+Bx-l (11);
其中,ν为影像行、列向误差改正数;t为整体仿射变换系数(a0,a1,a2,b0,b1,b2)改正数列向量;x为同名点物方坐标(B,L,H)的改正数列向量;A和B分别为t和x的误差矩阵;l为行和列误差方程的常数项;
5.3利用求解的仿射变换系数,对非参考帧影像的RPC模型进行系统误差的改正,从而实现序列影像的配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011340239.5A CN112419380B (zh) | 2020-11-25 | 2020-11-25 | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011340239.5A CN112419380B (zh) | 2020-11-25 | 2020-11-25 | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419380A true CN112419380A (zh) | 2021-02-26 |
CN112419380B CN112419380B (zh) | 2023-08-15 |
Family
ID=74842804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011340239.5A Active CN112419380B (zh) | 2020-11-25 | 2020-11-25 | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419380B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065467A (zh) * | 2021-04-01 | 2021-07-02 | 中科星图空间技术有限公司 | 一种基于深度学习的卫星图像低相干区域识别方法及装置 |
CN113589340A (zh) * | 2021-06-15 | 2021-11-02 | 北京道达天际科技有限公司 | 一种基准网辅助的卫星影像高精度定位方法和装置 |
CN114862928A (zh) * | 2022-07-07 | 2022-08-05 | 中国科学院空天信息创新研究院 | 利用云运动特性的同步轨道光学卫星稳像方法 |
CN117422746A (zh) * | 2023-10-23 | 2024-01-19 | 武汉珈和科技有限公司 | 分区非线性地理配准方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025592A2 (en) * | 2000-09-22 | 2002-03-28 | Hrl Laboratories, Llc | Sar and flir image registration method |
CN107705329A (zh) * | 2017-10-24 | 2018-02-16 | 武汉大学 | 基于几何约束的高分辨率光学卫星凝视影像配准方法 |
CN107767440A (zh) * | 2017-09-06 | 2018-03-06 | 北京建筑大学 | 基于三角网内插及约束的文物序列影像精细三维重建方法 |
CN109063663A (zh) * | 2018-08-10 | 2018-12-21 | 武汉大学 | 一种由粗到精的时序遥感影像厚云检测与去除方法 |
CN109087339A (zh) * | 2018-06-13 | 2018-12-25 | 武汉朗视软件有限公司 | 一种激光扫描点与影像配准方法 |
CN110211054A (zh) * | 2019-04-28 | 2019-09-06 | 张过 | 一种星载推扫式光学传感器无畸变影像制作方法 |
-
2020
- 2020-11-25 CN CN202011340239.5A patent/CN112419380B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025592A2 (en) * | 2000-09-22 | 2002-03-28 | Hrl Laboratories, Llc | Sar and flir image registration method |
CN107767440A (zh) * | 2017-09-06 | 2018-03-06 | 北京建筑大学 | 基于三角网内插及约束的文物序列影像精细三维重建方法 |
CN107705329A (zh) * | 2017-10-24 | 2018-02-16 | 武汉大学 | 基于几何约束的高分辨率光学卫星凝视影像配准方法 |
CN109087339A (zh) * | 2018-06-13 | 2018-12-25 | 武汉朗视软件有限公司 | 一种激光扫描点与影像配准方法 |
CN109063663A (zh) * | 2018-08-10 | 2018-12-21 | 武汉大学 | 一种由粗到精的时序遥感影像厚云检测与去除方法 |
CN110211054A (zh) * | 2019-04-28 | 2019-09-06 | 张过 | 一种星载推扫式光学传感器无畸变影像制作方法 |
Non-Patent Citations (2)
Title |
---|
刘全海;鲍秀武;李楼;: "激光点云与全景影像配准方法研究", 现代测绘 * |
陈翠婵;黄国森;王越;钟静;: "含云卫星影像配准算法研究", 测绘通报 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065467A (zh) * | 2021-04-01 | 2021-07-02 | 中科星图空间技术有限公司 | 一种基于深度学习的卫星图像低相干区域识别方法及装置 |
CN113065467B (zh) * | 2021-04-01 | 2024-05-14 | 中科星图空间技术有限公司 | 一种基于深度学习的卫星图像低相干区域识别方法及装置 |
CN113589340A (zh) * | 2021-06-15 | 2021-11-02 | 北京道达天际科技有限公司 | 一种基准网辅助的卫星影像高精度定位方法和装置 |
CN114862928A (zh) * | 2022-07-07 | 2022-08-05 | 中国科学院空天信息创新研究院 | 利用云运动特性的同步轨道光学卫星稳像方法 |
CN114862928B (zh) * | 2022-07-07 | 2022-09-16 | 中国科学院空天信息创新研究院 | 利用云运动特性的同步轨道光学卫星稳像方法 |
CN117422746A (zh) * | 2023-10-23 | 2024-01-19 | 武汉珈和科技有限公司 | 分区非线性地理配准方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112419380B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419380A (zh) | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 | |
CN109903352B (zh) | 一种卫星遥感影像大区域无缝正射影像制作方法 | |
CN112598608B (zh) | 一种基于目标区域的光学卫星快速融合产品制作方法 | |
CN108364279B (zh) | 确定静止轨道遥感卫星指向偏差的方法 | |
WO2005038394A1 (en) | Refinements to the rational polynomial coefficient camera model | |
CN111856459B (zh) | 一种改进的DEM最大似然约束多基线InSAR相位解缠方法 | |
CN110853140A (zh) | 一种dem辅助的光学视频卫星影像稳像方法 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
Ye et al. | Improved geometric modeling of 1960s KH-5 ARGON satellite images for regional Antarctica applications | |
CN109188483B (zh) | 一种时序化高精度外方位元素自动定标方法 | |
CN113379648B (zh) | 一种高分七号和资源三号立体影像联合平差方法 | |
Goncalves et al. | Accuracy analysis of DEMs derived from ASTER imagery | |
CN115330619A (zh) | 适用于高分辨率遥感影像的局部几何精校正方法 | |
CN113160288A (zh) | 一种基于特征点的sar影像配准方法 | |
CN114445394A (zh) | 一种地表变化检测方法和系统 | |
CN114565653A (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
Rewehel et al. | Geometric correction of aerial camera and LiDAR hybrid system data using GNSS/IMU | |
Capaldo et al. | DSM generation from optical and SAR high resolution satellite imagery: Methodology, problems and potentialities | |
CN117761695B (zh) | 基于自适应分区sift的多角度sar三维成像方法 | |
CN111738135A (zh) | 一种顾及斜距和地理坐标映射偏差的sar影像特征提取方法 | |
CN111310649A (zh) | 一种无人机高分辨率影像对山岳冰川运动消融的提取方法 | |
CN110307858B (zh) | 一种测绘卫星交汇误差的自适应校正方法 | |
CN113280789B (zh) | 一种地表起伏区域激光测高点作为影像高程控制点方法 | |
CN117151991B (zh) | 一种遥感影像rpc修复方法 | |
CN109741381B (zh) | 基于平行观测的星载推扫式光学传感器高频误差消除方法 |
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 |