CN115100079A - 遥感图像的几何校正方法 - Google Patents

遥感图像的几何校正方法 Download PDF

Info

Publication number
CN115100079A
CN115100079A CN202211015732.9A CN202211015732A CN115100079A CN 115100079 A CN115100079 A CN 115100079A CN 202211015732 A CN202211015732 A CN 202211015732A CN 115100079 A CN115100079 A CN 115100079A
Authority
CN
China
Prior art keywords
determining
elevation
rational
parameter
offset
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
Application number
CN202211015732.9A
Other languages
English (en)
Other versions
CN115100079B (zh
Inventor
刘佳音
王峰
胡玉新
尤红建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202211015732.9A priority Critical patent/CN115100079B/zh
Publication of CN115100079A publication Critical patent/CN115100079A/zh
Application granted granted Critical
Publication of CN115100079B publication Critical patent/CN115100079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种遥感图像的几何校正方法，涉及遥感图像几何校正领域。具体实现方案为：根据原始图像，确定与原始图像对应的三维空间格网；三维空间格网包括多个格网点；根据多个格网点对应的观测值，确定有理函数模型的标准化参数；根据标准化参数，确定与三维空间格网对应的地形分类结果；根据地形分类结果，确定有理函数模型的第一有理多项式系数；根据第一有理多项式系数和观测误差模型，确定有理函数模型的第二有理多项式系数；其中，观测误差模型是根据有理函数模型获取的；以及将标准化参数、第一有理多项式系数和第二有理多项式系数应用于有理函数模型，并利用应用后的有理函数模型对原始图像进行几何校正处理。

Description

遥感图像的几何校正方法
技术领域
本发明涉及遥感图像几何处理技术领域，尤指一种遥感图像的几何校正方法。
背景技术
在遥感图像几何校正技术领域，实现遥感图像的几何校正是其后续影像处理的基础，对提升影像预处理的几何精度具有十分重要的应用价值。实现遥感图像的几何校正的核心问题是确定描述地面点坐标与其对应的像点坐标之间的对应关系，这正是成像传感器模型实现的主要功能。
有理函数模型（Rational Function Model，RFM）属于成像传感器模型中的一种，它不需要考虑传感器成像的物理过程，直接采用数据函数来描述地面点坐标和相应像点坐标之间的对应关系，具有易于实现、处理高效、隐蔽平台参数、通用性和灵活性的优点，被广泛用于遥感图像的几何校正。
有理函数模型包括90个参数，其中10个标准化参数用于使得数据像元的单位标准化，另外80个有理多项式系数则用于进行几何粗校正。然而，由于有理函数模型包含的参数较多，在求解有理函数模型参数的过程中，这么多参数的拟合求解通常会出现不稳定的情况。例如，有时会无法获取正常解，或者获得的参数在几何校正过程中出现部分区域变形等异常情况，尤其在地形校正过程中，当结合实际高分辨率DEM（Digital Elevation Model）数据后，生成的有理函数模型的参数会导致遥感图像几何校正失败。
发明内容
本发明提供了一种遥感图像的几何校正方法，以期至少部分解决上述存在的技术问题。
本发明提供了一种遥感图像的几何校正方法，包括：根据原始图像，确定与原始图像对应的三维空间格网；三维空间格网包括多个格网点；根据多个格网点对应的观测值，确定有理函数模型的标准化参数；根据标准化参数，确定与三维空间格网对应的地形分类结果；根据地形分类结果，确定有理函数模型的第一有理多项式系数；根据第一有理多项式系数和观测误差模型，确定有理函数模型的第二有理多项式系数；其中，观测误差模型是根据有理函数模型获取的；以及将标准化参数、第一有理多项式系数和第二有理多项式系数应用于有理函数模型，并利用应用后的有理函数模型对原始图像进行几何校正处理。
根据本发明的实施例，根据地形分类结果，确定有理函数模型的第一有理多项式系数包括：在确定地形分类结果为平原或者高原的情况下，第一有理多项式系数包括第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19；第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19满足如下关系：
b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0；
在确定地形分类结果为丘陵、山地或者盆地的情况下，第一有理多项式系数包括第一参数b0和第二参数e0，第一参数b0和第二参数e0满足如下关系：b0=1，e0=1。
根据本发明的实施例，标准化参数包括纬度偏移量、纬度比例、经度偏移量、经度比例、高程偏移量、高程比例、行数偏移量、行数比例、列数偏移量和列数比例；根据标准化参数，确定与三维空间格网对应的地形分类结果包括：根据高程偏移量和高程比例，确定地形分类结果。
根据本发明的实施例，根据高程偏移量和高程比例，确定地形分类结果包括：响应于高程偏移量小于第一阈值，确定地形分类结果为平原；响应于高程偏移量大于等于第二阈值且小于第三阈值、且高程比例小于第四阈值，确定地形分类结果为丘陵；响应于高程偏移量大于等于第五阈值、且高程比例大于等于第六阈值，确定地形分类结果为山地；响应于高程偏移量小于第七阈值、且高程比例大于第八阈值，确定地形分类结果为盆地；以及响应于高程偏移量大于第九阈值、且高程比例小于第十阈值，确定地形分类结果为高原。
根据本发明的实施例，根据多个格网点对应的观测值，确定有理函数模型的标准化参数包括：根据多个格网点对应的观测值，确定初始参数；以及根据初始参数，确定标准化参数。
根据本发明的实施例，初始参数包括最大纬度值、最小纬度值、最大经度值、最小经度值、最大高程值、最小高程值、最大行数、最小行数、最大列数和最小列数；根据初始参数，确定标准化参数包括：根据最大纬度值和最小纬度值，确定纬度偏移量和纬度比例；根据最大经度值和最小经度值，确定经度偏移量和经度比例；根据最大高程值和最小高程值，确定高程偏移量和高程比例；根据最大行数和最小行数，确定行数偏移量和行数比例；以及根据最大列数和最小列数，确定列数偏移量和列数比例。
根据本发明的实施例，根据第一有理多项式系数和观测误差模型，确定有理函数模型的第二有理多项式系数包括：将第一有理多项式系数应用于观测误差模型；以及根据应用后的观测误差模型，确定有理函数模型的第二有理多项式系数。
根据本发明的实施例，根据应用后的观测误差模型，确定有理函数模型的第二有理多项式系数包括：基于应用后的观测误差模型，利用谱修正迭代法或者最小二乘法来确定有理函数模型的第二有理多项式系数。
根据本发明的实施例，标准化参数是使用以下公式来获取的：
Figure 387463DEST_PATH_IMAGE001
其中，X0、Y0、Z0、r0和c0分别表示纬度偏移量、经度偏移量、高程偏移量、行数偏移量和列数偏移量，Xs、Ys、Zs、rs和cs分别表示纬度比例、经度比例、高程比例、行数比例和列数比例，Xmax、Xmin、Ymax、Ymin、Zmax、Zmin、rmax、rmin、cmax和cmin分别表示最大纬度值、最小纬度值、最大经度值、最小经度值、最大高程值、最小高程值、最大行数、最小行数、最大列数和最小列数。
根据本发明的实施例，原始图像包括SAR斜距图像或者光学遥感图像。
附图说明
为进一步说明本发明的技术内容，以下将结合实例及附图来详细说明，其中：
图1示意性示出了根据本发明实施例的遥感图像的几何校正方法的流程图；
图2示意性示出了根据本发明实施例的遥感图像的几何校正方法的示意图；
图3A示意性示出了采用本发明实施例中的遥感图像的几何校正方法获得的校正后的格网点相对于原始格网点的行误差；
图3B示意性示出了采用本发明实施例中的遥感图像的几何校正方法获得的校正后的格网点相对于原始格网点的列误差；
图4A示意性示出了使用基于最小二乘法获得的有理函数模型对热红外图像进行几何校正的结果；
图4B示意性示出了采用本发明实施例中的遥感图像的几何校正方法获得的几何校正结果。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
在本发明的技术方案中，所涉及的数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本发明的技术方案中，在获取或采集数据之前，均获取了相关方的授权或同意。
在遥感图像几何校正技术领域，实现遥感图像的几何校正是其后续影像处理的基础，对提升影像预处理的几何精度具有十分重要的应用价值。实现遥感图像的几何校正的核心问题是确定描述地面点坐标与其对应的像点坐标之间的对应关系，这正是成像传感器模型实现的主要功能。
有理函数模型属于成像传感器模型中的一种，它不需要考虑传感器成像的物理过程，直接采用数据函数来描述地面点坐标和相应像点坐标之间的对应关系，具有易于实现、处理高效、隐蔽平台参数、通用性和灵活性的优点，被广泛用于遥感图像的几何校正。
有理函数模型是将像点坐标(r,c)表示为以其相应地面点坐标(X,Y,Z)为自变量的多项式比值。可以采用如下公式（1）来描述有理函数模型。
Figure 101341DEST_PATH_IMAGE002
（1）
在公式（1）中，（rn,cn）表示标准化的像点坐标，即将每个像点的行列号通过平移和缩放等处理变换到-1.0和+1.0之间，其中r表示行号，c表示列号；(Xn,Yn,Zn)表示标准化的地面点坐标，即将每个地面点坐标(X,Y,Z)经过平移和缩放等处理变换到-1.0和+1.0之间，其中，X、Y和Z分别表示经度、纬度和高程。P1(Xn,Yn,Zn)、P2(Xn,Yn,Zn)、P3(Xn,Yn,Zn)和P4(Xn,Yn,Zn)分别表示构成多项式比值的分子多项式和分母多项式。
像点坐标(r,c)与标准化的像点坐标（rn,cn）之间的转换关系以及地面点坐标(X,Y,Z)与标准化的地面点坐标(Xn,Yn,Zn)之间的转换关系可以采用如下公式（2）表示。
Figure 146657DEST_PATH_IMAGE003
（2）
在公式（2）中，X0、Y0、Z0、r0和c0分别表示纬度偏移量、经度偏移量、高程偏移量、行数偏移量和列数偏移量，Xs、Ys、Zs、rs和cs分别表示纬度比例、经度比例、高程比例、行数比例和列数比例。其中，(X0,Y0,Z0,r0,c0)可以称为标准化的平移参数，(Xs,Ys,Zs,rs,cs)可以称为标准化的比例参数。标准化的平移参数和标准化的比例参数用于对像点坐标进行标准化处理。
P1(Xn,Yn,Zn)、P2(Xn,Yn,Zn)、P3(Xn,Yn,Zn)和P4(Xn,Yn,Zn)分别可以采用如下公式（3）~（6）表示。
Figure 89337DEST_PATH_IMAGE004
（3）
Figure 434867DEST_PATH_IMAGE005
（4）
Figure 788488DEST_PATH_IMAGE006
（5）
Figure 789942DEST_PATH_IMAGE007
（6）
在公式（3）~（6）中，a0~a19、b0~b19、d0~d19和e0~e19分别表示有理函数中的有理多项式系数。这些有理多项式系数可以用于对像点坐标进行几何粗校正。
根据以上公式（1）~（6）可知，有理函数模型包括90个参数，其中标准化参数有10个（即X0、Y0、Z0、r0、c0、Xs、Ys、Zs、rs、cs），有理多项式系数80个。
发明人在实现本发明构思的过程中发现，由于有理函数模型包含的参数较多，在求解有理函数模型参数的过程中，这么多参数的拟合求解通常会出现不稳定的情况。例如，有时会无法获取正常解，或者获得的参数在几何校正过程中出现部分区域变形等异常情况，尤其在地形校正过程中，当结合实际高分辨率DEM（Digital Elevation Model）数据后，生成的有理函数模型的参数会导致遥感图像几何校正失败。
图1示意性示出了根据本发明实施例的遥感图像的几何校正方法的流程图。
如图1所示，遥感图像的几何校正方法可以包括操作S110~S160。
在操作S110，根据原始图像，确定与原始图像对应的三维空间格网，三维空间格网包括多个格网点。
在操作S120，根据多个格网点对应的观测值，确定有理函数模型的标准化参数。
在操作S130，根据标准化参数，确定与三维空间格网对应的地形分类结果。
在操作S140，根据地形分类结果，确定有理函数模型的第一有理多项式系数。
在操作S150，根据第一有理多项式系数和观测误差模型，确定有理函数模型的第二有理多项式系数。
在操作S160，将标准化参数、第一有理多项式系数和第二有理多项式系数应用于有理函数模型，并利用应用后的有理函数模型对原始图像进行几何校正处理。
根据本发明的实施例，原始图像例如可以是指合成孔径雷达（SyntheticAperture Rader，SAR）斜距图像或者光学遥感图像，在此不做限定。
根据本发明的实施例，根据原始图像以及预设高程取值范围信息，可以在原始图像覆盖的物方空间范围内按不同的高程分层设立格网点集合，从而得到与原始图像对应的三维空间格网。三维空间格网包括多个格网点，每个格网点是原始图像上对应的像素点在三维空间格网内的映射。在本发明实施例中，可以根据原始图像的类型，采用合适的遥感定位技术来获取与原始图像对应的三维空间格网。例如，针对光学遥感图像（例如热红外图像），可以基于共线方程来获取与光学遥感图像对应的三维空间格网。例如，针对SAR斜距图像，可以基于RD（Range-Doppler）模型来获取与SAR斜距图像对应的三维空间格网。
假设多个格网点包括n个格网点，n为大于150的整数。多个网格点对应的观测值分 别为
Figure 520001DEST_PATH_IMAGE008
（i=1,2,…, n）。ri、ci、Xi、Yi和Zi分别表示第i个网格点对应的行号、列 号、经度值、纬度值和高程值。
根据本发明的实施例，这里所述的标准化参数是指纬度偏移量、经度偏移量、高程偏移量、行数偏移量、列数偏移量、纬度比例、经度比例、高程比例、行数比例和列数比例。在上述操作S120中，根据多个格网点对应的观测值，确定有理函数模型的标准化参数可以包括如下操作。
根据多个格网点对应的观测值，确定初始参数；以及根据初始参数，确定标准化参数。
根据本发明的实施例，初始参数是指多个格网点对应的观测值中的最大纬度值Xmax、最小纬度值Xmin、最大经度值Ymax、最小经度值Ymin、最大高程值Zmax、最小高程值Zmin、最大行数rmax、最小行数rmin、最大列数cmax和最小列数cmin。通过比较多个格网点对应的观测值，可以确定该初始参数。
根据本发明的实施例，根据初始参数，确定标准化参数可以包括如下操作。
根据最大纬度值和最小纬度值，确定纬度偏移量和纬度比例；根据最大经度值和最小经度值，确定经度偏移量和经度比例；根据最大高程值和最小高程值，确定高程偏移量和高程比例；根据最大行数和最小行数，确定行数偏移量和行数比例；以及根据最大列数和最小列数，确定列数偏移量和列数比例。
在一个实施例中，可以基于公式（7）来确定标准化参数。
Figure 969306DEST_PATH_IMAGE001
（7）
在公式（7）中，X0、Y0、Z0、r0和c0分别表示纬度偏移量、经度偏移量、高程偏移量、行数偏移量和列数偏移量，Xs、Ys、Zs、rs和cs分别表示纬度比例、经度比例、高程比例、行数比例和列数比例。
根据本发明的实施例，在上述操作S130中，根据标准化参数，确定与三维空间格网对应的地形分类结果例如可以是指根据高程偏移量Z0和高程比例Zs来确定地形分类结果。这里所谓的地形分类结果例如可以包括平原、高原、丘陵、山地和盆地等，具体可以根据实际应用来设定。
根据本发明的实施例，根据高程偏移量Z0和高程比例Zs来确定地形分类结果可以包括如下操作。
响应于高程偏移量小于第一阈值，确定地形分类结果为平原；响应于高程偏移量大于等于第二阈值且小于第三阈值、且高程比例小于第四阈值，确定地形分类结果为丘陵；响应于高程偏移量大于等于第五阈值、且高程比例大于等于第六阈值，确定地形分类结果为山地；响应于高程偏移量小于第七阈值、且高程比例大于第八阈值，确定地形分类结果为盆地；以及响应于高程偏移量大于第九阈值、且高程比例小于第十阈值，确定地形分类结果为高原。
示例性地，第一阈值例如可以为200，第二阈值例如可以为200，第三阈值例如可以为500，第四阈值例如可以为200，第五阈值至第八阈值例如均为500，第九阈值例如可以为1000，第十阈值例如可以为200。由此，可以获取如表1所示的地形分类结果。
Figure 759407DEST_PATH_IMAGE009
表1
如表1所示，在高程偏移量Z0小于200的情况下，可以确定地形分类结果为平原，在高程偏移量Z0大于等于200且小于500、且高程比例Zs小于200，可以确定地形分类结果为丘陵。类似地，可以根据高程偏移量Z0和高程比例Zs来确定其他地形分类结果，这里不再赘述。在本发明实施例中，根据格网点的高程偏移量和高程比例两个参数来获取区域地形分类，由此以简单、高效的方式实现了地形分类。
需要说明的是，以上所述第一阈值至第十阈值只是示例性地，在其他实施例中还可以结合地形以及实际应用来设定，本发明对此不做限定。
根据本发明的实施例，在上述操作S140中，根据地形分类结果，确定有理函数模型的第一有理多项式系数可以包括如下操作。
在确定地形分类结果为平原或者高原的情况下，第一有理多项式系数包括第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19；第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19满足如下关系：b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0 。
在确定地形分类结果为丘陵、山地或者盆地的情况下，第一有理多项式系数包括第一参数b0和第二参数e0，第一参数b0和第二参数e0满足如下关系：b0=1，e0=1。
在本发明的实施例中，在根据高程偏移量Z0和高程比例Zs确定地形分类结果为平原或者高原的情况下，可以确定有理多项式系数中的b0、e0、a19、b19、d19和e19，即第一参数至第六参数，分别满足b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0 。在根据高程偏移量Z0和高程比例Zs确定地形分类结果为丘陵、山地或者盆地的情况下，则可以确定有理多项式系数中的b0和e0，即第一参数和第二参数，满足b0=1，e0=1。由此，可以根据区域地形分类来确定部分有理多项式系数的数值，从而减少需要拟合求解的有理函数模型的参数数量，提高了有理函数模型参数拟合求解的鲁棒性和稳定性，进而提高了图像几何校正的准确性和校正效率。
根据本发明的实施例，在上述操作S150中，根据第一有理多项式系数和观测误差模型，确定有理函数模型的第二有理多项式系数可以包括如下操作：将第一有理多项式系数应用于观测误差模型，以及根据应用后的观测误差模型来确定有理函数模型的第二有理多项式系数。
在本发明实施例中，第二有理多项式系数是指除第一有理多项式系数之外的其他有理多项式系数。例如，在确定地形分类结果为平原或者高原的情况下，第一有理多项式系数包括b0、e0、a19、b19、d19和e19，则第二有理多项式系数是指除b0、e0、a19、b19、d19和e19之外的其他有理多项式系数，即a0~a18、b1~b18、d0~d18和e1~e18这74个参数。例如，在确定地形分类结果为丘陵、山地或者盆地的情况下，第一有理多项式系数包括b0和e0，则第二有理多项式系数是指除b0和e0之外的其他有理多项式系数，即a0~a19、b1~b19、d0~d19和e1~e19这78个参数。
根据本发明的实施例，观测误差模型是根据有理函数模型获取的。观测误差模型包括行的观测误差和列的观测误差。观测误差模型可以采用如下公式（8）来表示。
Figure 513737DEST_PATH_IMAGE010
（8）
在公式（8）中，Fr和Fc分别表示行的观测误差和列的观测误差。
在本发明实施例中，将第一有理多项式系数应用于观测误差模型之后，可以基于 应用后的观测误差模型，采用例如谱修正迭代法或者最小二乘法来确定有理函数模型的第 二有理多项式系数。在采用谱修正迭代法求解第二有理多项式系数的示例中，迭代结束条 件为迭代误差值小于预设阈值，其中迭代误差值为
Figure 250748DEST_PATH_IMAGE011
。需要说明的是，采用谱修正 迭代法或者最小二乘法求解第二有理多项式系数的过程与现有技术中类似，这里不再赘 述。
根据本发明的实施例，在上述操作S160中，可以将标准化参数、第一有理多项式系数和第二有理多项式系数应用于有理函数模型，并利用应用后的有理函数模型对原始图像进行几何校正处理。其中，利用已知参数的有理函数模型对原始图像进行几何校正处理的过程与现有技术中介绍的方式相同或类似，这里不再赘述。
在本发明实施例中，通过使用高程偏移量和高程比例两个参数来获取区域地形分类，并根据地形分类结果来确定部分有理多项式系数的数值，从而减少需要拟合求解的有理函数模型的参数数量，不仅提高了有理函数模型参数拟合求解的鲁棒性和稳定性，而且无需额外提供高分辨率DEM数据，由此提高了图像几何校正的准确性和校正效率。
图2示意性示出了根据本发明实施例的遥感图像的几何校正方法的示意图。
如图2所示，遥感图像的几何校正方法包括操作S201~S211。
在操作S201，获取三维空间格网。
根据本发明的实施例，可以根据原始图像以及预设高程取值范围信息来确定与原始图像对应的三维空间格网。三维空间格网包括多个格网点。需要说明的是，基于原始图像确定三维空间格网的方法与以上描述的方法相同或者类似，这里不再赘述。
在操作S202，获取多个格网点。
根据本发明的实施例，从三维空间格网中获取多个格网点，多个格网点对应的观 测值分别为
Figure 570871DEST_PATH_IMAGE008
（i=1,2,…, n）。
在操作S203，确定标准化参数。
根据本发明的实施例，可以根据多个格网点对应的观测值来确定标准化参数。其中，标准化参数是指纬度偏移量、经度偏移量、高程偏移量、行数偏移量、列数偏移量、纬度比例、经度比例、高程比例、行数比例和列数比例。确定标准化参数的过程与以上描述的方式相同，在此不再赘述。
在操作S204，确定地形分类结果。
根据本发明的实施例，地形分类结果例如可以包括平原、高原、丘陵、山地或者盆地等。可以根据标准化参数中的高程偏移量和高程比例来确定地形分类结果，具体地形分类方式可以参考以上描述的方法，这里不做赘述。
在操作S205，确定地形分类结果是否为平原或者高原，若是，则执行操作S206，否则执行操作S207。
在操作S206，确定第一有理多项式系数b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0。
在操作S207，确定第一有理多项式系数b0=1，e0=1。
例如，在确定地形分类结果为平原或者高原的情况下，可以确定第一有理多项式系数包括b0、e0、a19、b19、d19和e19。并且，可以确定b0、e0、a19、b19、d19和e19分别满足：b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0。在确定地形分类结果为丘陵、山地或者盆地的情况下，可以确定第一有理多项式系数包括b0和e0，并且确定b0和e0满足：b0=1，e0=1。由此，可以根据区域地形分类来确定部分有理多项式系数的数值，从而减少需要拟合求解的有理函数模型的参数数量，提高了有理函数模型参数拟合求解的鲁棒性和稳定性，进而提高了图像几何校正的准确性和校正效率。
在操作S208，获取观测误差模型。
根据本发明的实施例，可以根据有理函数模型得到观测误差模型。观测误差模型包括行的观测误差和列的观测误差。观测误差模型可以采用上述公式（8）来描述。
在操作S209，确定第二有理多项式系数。
根据本发明的实施例，将第一有理多项式系数应用于观测误差模型之后，可以采用例如谱修正迭代法或者最小二乘法来确定有理函数模型的第二有理多项式系数。
在操作S210，确定有理函数模型。
根据本发明的实施例，可以将标准化参数、第一有理多项式系数和第二有理多项式系数应用于有理函数模型，应用后的有理函数模型可以用于对原始图像进行几何校正处理。
在操作S211，利用有理函数模型对原始图像进行几何校正。
在本发明实施例中，通过使用高程偏移量和高程比例两个参数来获取区域地形分类，并根据地形分类结果来确定部分有理多项式系数的数值，从而减少需要拟合求解的有理函数模型的参数数量，不仅提高了有理函数模型参数拟合求解的鲁棒性和稳定性，而且无需额外提供高分辨率DEM数据，由此提高了图像几何校正的准确性和校正效率。
为了使本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例来说明本发明的优势。
在本发明实施例中，原始图像为CASEarth卫星的一景热红外图像。根据热红外定位技术，确定与该热红外图像对应的三维空间格网20×20×10（水平格网大小为20×20，高程分层为10层）。该三维空间格网包括4000个格网点。根据本发明的方法，可以确定与三维空间格网对应的地形分类结果为丘陵。基于这一地形分类结果，确定了本实施例中的有理函数模型，具体确定过程与以上实施例描述的过程相同，这里不再赘述。
图3A和图3B分别示意性示出了采用本发明实施例中的遥感图像的几何校正方法获得的校正后的格网点相对于原始网格点的行误差和列误差。
在图3A中，横坐标表示格网点的数量，单位为个。纵坐标表示行误差，单位为10-6像元。从图3A中可以看出，采用本发明的方法获得的格网点的行误差基本可以控制在6×10-6个像元以内。
在图3B中，横坐标表示格网点的数量，单位为个。纵坐标表示列误差，单位为10-5像元。类似地，如图3B所示，采用本发明的方法获得的格网点的列误差可以控制在4×10-5个像元以内。由此可见，采用本发明的方法可以获得较好的校正精度。
图4A是使用基于最小二乘法获得的有理函数模型对热红外图像进行几何校正的结果，图4B是采用本发明的方法获得的几何校正结果。
请一并参考图4A和图4B。如图4A所示，使用基于最小二乘法获得的有理函数模型对热红外图像进行几何校正之后，图像部分区域会发生畸变（如图4A中虚线部分所示）。而利用本发明的方法对热红外图像进行几何校正，就不会出现这种异常。如图4B所示，利用本发明的方法对图像进行几何校正之后，畸变消失了。由此可见，采用本发明的方法可以提高有理函数模型参数拟合求解的鲁棒性和稳定性，从而提高了图像几何校正的准确性和校正效率。
需要说明的是，以上实施例中以热红外图像（丘陵地形）为例进行说明仅是示例性的，以帮助理解本发明的技术方案，但本发明不局限于此。还可以根据需要对其他图像（例如SAR斜距图像或者其他光学遥感图像等）进行几何校正。当然，在图像几何校正的过程中所涉及的参数或者数据可以根据实际需要进行适应性调整，这里不做赘述。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。

Claims (10)

1.一种遥感图像的几何校正方法，其特征在于，包括：
根据原始图像，确定与所述原始图像对应的三维空间格网；所述三维空间格网包括多个格网点；
根据所述多个格网点对应的观测值，确定有理函数模型的标准化参数；
根据所述标准化参数，确定与所述三维空间格网对应的地形分类结果；
根据所述地形分类结果，确定有理函数模型的第一有理多项式系数；
根据所述第一有理多项式系数和观测误差模型，确定所述有理函数模型的第二有理多项式系数；其中，所述观测误差模型是根据所述有理函数模型获取的；以及
将所述标准化参数、所述第一有理多项式系数和所述第二有理多项式系数应用于所述有理函数模型，并利用应用后的有理函数模型对所述原始图像进行几何校正处理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述地形分类结果，确定有理函数模型的第一有理多项式系数包括：
在确定所述地形分类结果为平原或者高原的情况下，所述第一有理多项式系数包括第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19；第一参数b0、第二参数e0、第三参数a19、第四参数b19、第五参数d19和第六参数e19满足如下关系：
b0=1，e0=1，a 19=0，b 19=0，d 19=0，e 19=0；
在确定所述地形分类结果为丘陵、山地或者盆地的情况下，所述第一有理多项式系数包括第一参数b0和第二参数e0，第一参数b0和第二参数e0满足如下关系：b0=1，e0=1。
3.根据权利要求1所述的方法，其特征在于，所述标准化参数包括纬度偏移量、纬度比例、经度偏移量、经度比例、高程偏移量、高程比例、行数偏移量、行数比例、列数偏移量和列数比例；所述根据所述标准化参数，确定与所述三维空间格网对应的地形分类结果包括：
根据所述高程偏移量和所述高程比例，确定所述地形分类结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述高程偏移量和所述高程比例，确定所述地形分类结果包括：
响应于所述高程偏移量小于第一阈值，确定所述地形分类结果为平原；
响应于所述高程偏移量大于等于第二阈值且小于第三阈值、且所述高程比例小于第四阈值，确定所述地形分类结果为丘陵；
响应于所述高程偏移量大于等于第五阈值、且所述高程比例大于等于第六阈值，确定所述地形分类结果为山地；
响应于所述高程偏移量小于第七阈值、且所述高程比例大于第八阈值，确定所述地形分类结果为盆地；以及
响应于所述高程偏移量大于第九阈值、且所述高程比例小于第十阈值，确定所述地形分类结果为高原。
5.根据权利要求3所述的方法，其特征在于，所述根据所述多个格网点对应的观测值，确定有理函数模型的标准化参数包括：
根据所述多个格网点对应的观测值，确定初始参数；以及
根据所述初始参数，确定所述标准化参数。
6.根据权利要求5所述的方法，其特征在于，所述初始参数包括最大纬度值、最小纬度值、最大经度值、最小经度值、最大高程值、最小高程值、最大行数、最小行数、最大列数和最小列数；根据所述初始参数，确定所述标准化参数包括：
根据最大纬度值和最小纬度值，确定所述纬度偏移量和所述纬度比例；
根据最大经度值和最小经度值，确定所述经度偏移量和所述经度比例；
根据最大高程值和最小高程值，确定所述高程偏移量和所述高程比例；
根据最大行数和最小行数，确定所述行数偏移量和所述行数比例；以及
根据最大列数和最小列数，确定所述列数偏移量和所述列数比例。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一有理多项式系数和观测误差模型，确定所述有理函数模型的第二有理多项式系数包括：
将所述第一有理多项式系数应用于所述观测误差模型；以及
根据应用后的观测误差模型，确定所述有理函数模型的第二有理多项式系数。
8.根据权利要求7所述的方法，其特征在于，所述根据应用后的观测误差模型，确定所述有理函数模型的第二有理多项式系数包括：
基于应用后的观测误差模型，利用谱修正迭代法或者最小二乘法来确定所述有理函数模型的第二有理多项式系数。
9.根据权利要求6所述的方法，其特征在于，所述标准化参数是使用以下公式来获取的：
Figure DEST_PATH_IMAGE001
其中，X0、Y0、Z0、r0和c0分别表示纬度偏移量、经度偏移量、高程偏移量、行数偏移量和列数偏移量，Xs、Ys、Zs、rs和cs分别表示纬度比例、经度比例、高程比例、行数比例和列数比例，Xmax、Xmin、Ymax、Ymin、Zmax、Zmin、rmax、rmin、cmax和cmin分别表示最大纬度值、最小纬度值、最大经度值、最小经度值、最大高程值、最小高程值、最大行数、最小行数、最大列数和最小列数。
10.根据权利要求1~9中任一项所述的方法，其特征在于，所述原始图像包括SAR斜距图像或者光学遥感图像。
CN202211015732.9A 2022-08-24 2022-08-24 遥感图像的几何校正方法 Active CN115100079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015732.9A CN115100079B (zh) 2022-08-24 2022-08-24 遥感图像的几何校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015732.9A CN115100079B (zh) 2022-08-24 2022-08-24 遥感图像的几何校正方法

Publications (2)

Publication Number Publication Date
CN115100079A true CN115100079A (zh) 2022-09-23
CN115100079B CN115100079B (zh) 2022-11-22

Family

ID=83301194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015732.9A Active CN115100079B (zh) 2022-08-24 2022-08-24 遥感图像的几何校正方法

Country Status (1)

Country Link
CN (1) CN115100079B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050147324A1 (en) * 2003-10-21 2005-07-07 Kwoh Leong K. Refinements to the Rational Polynomial Coefficient camera model
US20100284629A1 (en) * 2009-05-06 2010-11-11 University Of New Brunswick Method for rpc refinement using ground control information
CN104102844A (zh) * 2014-07-24 2014-10-15 中国科学院遥感与数字地球研究所 基于11范数约束的有理函数模型参数求解和全参数优化方法
CN110378001A (zh) * 2019-07-11 2019-10-25 中国空间技术研究院 一种无地面控制点遥感卫星几何定位精度分析方法
CN110660099A (zh) * 2019-03-22 2020-01-07 西安电子科技大学 基于神经网络的遥感影像处理的有理函数模型拟合方法
CN113902645A (zh) * 2021-10-27 2022-01-07 中国电子科技集团公司第三十八研究所 一种基于逆rd定位模型的星载sar图像rpc校正参数获取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050147324A1 (en) * 2003-10-21 2005-07-07 Kwoh Leong K. Refinements to the Rational Polynomial Coefficient camera model
US20100284629A1 (en) * 2009-05-06 2010-11-11 University Of New Brunswick Method for rpc refinement using ground control information
CN104102844A (zh) * 2014-07-24 2014-10-15 中国科学院遥感与数字地球研究所 基于11范数约束的有理函数模型参数求解和全参数优化方法
CN110660099A (zh) * 2019-03-22 2020-01-07 西安电子科技大学 基于神经网络的遥感影像处理的有理函数模型拟合方法
CN110378001A (zh) * 2019-07-11 2019-10-25 中国空间技术研究院 一种无地面控制点遥感卫星几何定位精度分析方法
CN113902645A (zh) * 2021-10-27 2022-01-07 中国电子科技集团公司第三十八研究所 一种基于逆rd定位模型的星载sar图像rpc校正参数获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王磊: "遥感影像几何校正及畸变误差分布规律研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN115100079B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN108919319B (zh) 海岛礁卫星影像无地面控制点定位方法及系统
CN112529946B (zh) 高分立体模型优化方法、系统、电子设备及可读存储介质
CN109597074B (zh) 一种sar影像几何定位参数校正方法及系统
CN111856459B (zh) 一种改进的DEM最大似然约束多基线InSAR相位解缠方法
CN112419380B (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
CN112013822A (zh) 基于改进gwr模型的多光谱遥感水深反演方法
CN112529807A (zh) 卫星影像的相对辐射校正方法和装置
CN115661262A (zh) 内外参标定方法、装置及电子设备
CN115629384B (zh) 一种时序InSAR误差的改正方法及相关设备
CN114241064B (zh) 一种遥感卫星内外方位元素实时几何定标方法
CN104102844A (zh) 基于11范数约束的有理函数模型参数求解和全参数优化方法
CN110660099B (zh) 基于神经网络的遥感影像处理的有理函数模型拟合方法
CN108876829B (zh) 基于非线性尺度空间及径向基函数的sar高精度配准方法
CN115100079B (zh) 遥感图像的几何校正方法
CN108983172B (zh) 一种随机进化约束的sar辐射定标方法
CN107516291B (zh) 夜景影像正射纠正处理方法
CN107220947B (zh) 一种遥感图像相对辐射校正方法及系统
CN117030620A (zh) 一种基于多源光学遥感卫星影像区域网平差的方法及装置
Magri et al. Bending the doming effect in structure from motion reconstructions through bundle adjustment
US20230078777A1 (en) Methods and systems for hyperspectral image correction
CN112767454B (zh) 基于多视角观测sar数据采样分析的叠掩信息补偿方法
Takaku et al. RPC generations on ALOS prism and AVNIR-2
CN111738135B (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
CN115311336A (zh) 多相机的图像配准方法、装置、设备及存储介质
CN114463417A (zh) 一种基于空间几何比值关系的sar影像叠掩区域定位方法

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