遥感图像几何校正及目标识别技术研究

1、摘要现代遥感技术的快速发展使人类能够更精准、更快速、更全面地观测世界。遥感成像传感器的高度及搭载平台姿态的变化、地形地貌等诸多客观因素都会导致图像发生几何畸变，给进一步应用带来一系列问题。随着遥感对地观测能力不断增强，如何对遥感数据进行精确几何处理实现高精度地理空间信息获取，是有效发挥遥感对地观测优势的基础。因此，开展遥感图像的高精度几何校正理论与方法的研究，提高遥感数据中目标定位识别的应用潜力，将刻不容缓。然而随着遥感系统的多样化、多层次发展，其不同的成像特点也给遥感图像几何处理技术提出了更多新的要求和挑战，传统的几何校正技术不再适用，需根据具体成像特点进行开发和扩展。鉴于遥感对地观测的高标

2、准应用需求，本文对遥感图像几何校正及目标识别技术理论和方法进行研究，旨在将遥感图像的几何校正后，最终提高遥感目标定位识别应用的精度。 关键词：遥感图像；几何变形；变形误差；几何校正；目标识别目录摘要1目录21引言32 遥感成像原理及遥感图像特征42.1 遥感成像原理42.2 遥感图像特征43 遥感图像产生的几何畸变的分析53.1 成像投影方式引起的误差计算53.2 传感器外方位元素变化引起的误差计算63.3 大气折射引起的误差计算74 遥感图像几何校正的研究方法84.1 从影像到地图的校正84.2 从影像到影像的配准85遥感图像的目标识别技术85.1基于相位一致特征和混沌粒子群的大型目标识别8

3、5.2 基于改进多尺度自卷积不变矩的小型目标识别106 结论11参考文献11致 谢121引言 遥感利用不与探测对象相接触的传感器客观记录地物电磁波特性，是一门与电子、光学、计算机、地理等学科密切相关的对地观测综合性技术，以图像方式记录的遥感数据被称为遥感图像或遥感影像。在实际的遥感成像过程中，成像传感器的高度及搭载平台姿态的变化、地形地貌等很多客观因素都会导致遥感图像中像素相对于地面目标的实际位置发生扭曲、拉伸、偏移等几何畸变，直接使用这些畸变图像往往不能满足实际应用的要求，需要消除遥感图像的几何误差、将其变换到参考图像坐标系中，针对几何畸变进行的误差校正即为几何校正。遥感图像高精度几何校正是

4、遥感图像几何处理和地球空间信息获取的基础，是遥感图像广泛应用的基本保障，是利用遥感图像推断地物目标的位置状态和属性类别的重要前提，在国民经济发展和国防建设等领域中发挥了重要的作用。民用方面，卫星影像地图制作和修测等地理信息系统的完善与更新；实现目的地导航、气象预报、环境监测等诸多方面为各种决策提供数据支持。在军事应用领域，利用遥感卫星或航空飞行器通过摄影测量相关技术进行全时域、全空域的侦察，可以监视境外军事战略力量、了解军力部署和作战意图、评估作战效果等，为指挥系统提供重要的决策依据。因此，关乎到遥感在民用与军用的方方面面，如何“测得准”是亟需解决的关键问题。以提高遥感图像目标定位与识别性能作

5、为应用处理需求，本文通过对不同遥感平台在非理想成像环境下的成像特性进行理论探讨，深入研究适用于不同几何失真情况的遥感图像几何校正技术与方法，进一步发展遥感图像高精度几何处理的基本理论与基本方法，研究成果将具有广阔的应用前景。卫星遥感图像的几何校正技术是卫星遥感地面预处理系统的关键技术之一，是实现卫星遥感图像高精度定位识别应用的前提。由于遥感卫星定轨装置提供的星历姿态数据不可避免的带有系统误差，同时星历姿态数据与成像系统之间存在时间不同步的问题，这些都给卫星遥感图像的几何信息恢复等校正预处理工作带来了更多困难。随着军、民各应用领域对卫星遥感产品旺盛的增值需求，为保证卫星遥感图像精确的地理位置编码

6、以及更准确的目标定位与识别等后续应用，如何消除星历姿态数据带有的系统误差，以及如何利用这些数据针对相应产生的卫星遥感图像开展高精度几何校正技术研究是急需解决的问题之一，具有极其重要的现实意义。2 遥感成像原理及遥感图像特征2.1 遥感成像原理当遥感图像受非理想成像条件影响而导致其中的地物位置、形状大小、灰度特性等发生变化时，将会影响图像后续应用的一系列分析和决策。遥感图像的信息恢复处理是利用遥感数据提取地物信息的一个必要前提，继而可实现遥感图像的目标检测与识别，保证对地物有用信息的后续处理与分析。其中消除几何变形是遥感图像信息恢复处理中的一项关键技术，对遥感图像进行几何处理的核心是成像几何模型

7、，它描述了物点(像点)通过在不同坐标系中变换而得到像点(物点)的过程。2.2 遥感图像特征2.2.1 空间分辨率 空间分辨率(spatial resolution)，又称地面分辨率 l 前者是针对传感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小 ；后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。 空间分辨率的三种表示法：(1)象元(pixel)(2)线对数(3)瞬时视场 2.2.2光谱分辨率 光谱分辨率指传感器在接收目标辐射的波谱时能分辨的最小波长间隔。决定了传感器所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小 。光谱分辨率越高，专题研究的针对性越强，

8、对物体的识别精度越高，遥感应用分析的效果也就越好。 但是，多波段信息直接地综合解译是较困难的，而多波段的数据分析，可以改善识别和提取信息特征的概率和精度。分波段记录的遥感图像，可以构成一个多维向量空间，空间的维数就是采用的波段数。 2.2.3 时间分辨率 时间分辨率是遥感影像间隔时间的一项性能指标。指对同一地点进行采样的时间间隔，即采样的时间频率，也称重访周期。遥感探测器按一定的时间周期重复采集数据，这种重复周期，又称回归周期。它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏移系数等参数所决定 2.2.4 辐射分辨率及辐射测量特性 辐射分辨率指传感器接收波谱信号时，能分辨的最小辐射度差

9、。表明了传感器对光谱信号强弱的敏感程度、区分能力。即探测器的灵敏度(遥感器感测元件在接收光谱信号时能分辨的最小辐射度差，或指对两个不同辐射源的辐射量的分辨能力)；一般用灰度的分级数来表示，即最暗最亮灰度值(亮度值)间分级的数目量化级数。2.2.5遥感系统的信息容量 任何一个遥感系统都有它一定的信息容量。它的最大信息容量与它的空间、光谱、时间、辐射分辨率有关。在具体应用分析时，人们必须通过研究对象的特征来选择遥感信息，并使之与遥感系统的信息能力相一致。量化的遥感数据，其信息量是用比特(bit)表示的，1比特可以表示成0或1两个状态的信息量。 假设图像上像元取各灰度值的概率相同(即图像上各像元所取

10、的灰度值不同，而各灰度值出现的概率相同)。设数据的量化级数为m,根据信息论的研究公式，则每个像元所能包含的最大信息量应为log2m(bit)。3 遥感图像产生的几何畸变的分析 遥感图像的几何变形是指图像上像元在图像坐标中的坐标与其在地图坐标系等参考系统中的坐标之间的差异。遥感图像上的几何变形可分为静态变形和动态变形两大类。在静态变形中，又可分为内部误差和外部误差两类。内部误差是由传感器结构等因素引起的，一般误差不大。外部误差是指传感器本身处在正常工作条件下，由传感器以外的各因素所造成的误差。该文以全景投影图像为例研究其误差的计算公式。3.1 成像投影方式引起的误差计算 全景投影是一种特殊形式的

11、线中心投影，全景投影的像面不是一个平面，而是一个圆柱面。全景畸变是指同摄站获取的同一地区的全景像片相对于同时获取的框幅式像片的影像变形。如图1所示，设地面点P在等式画幅式像片上的像点为P，在全景像片上的像点为P。在不考虑外方位元素的影响时，P点在等效框幅式像片上的坐标（x，y）与P点在全景像片上的坐标（x，y）的关系为： 全景像片相对于框幅像片影像的变形为：图1 全景相机摄影瞬间的物像关系3.2 传感器外方位元素变化引起的误差计算 传感器外方位元素是指传感器成像时的位置（Xs，Ys，Zs）和姿态角（，,）。当外方位元素偏离标准位置而出现变动时，就会使图像产生变形。画幅式像片的物像关系可用如下共

12、线方程来表达： 式中f为摄影机的焦距；（x，y）为像点在像坐标系中的像坐标；（X，Y，Z）是与像点坐标（x，y）对应的地面点坐标；（Xs，Ys，Zs）为摄站坐标；（as，bs，cs，i=1,2,3）为外方位角元素（，,）所确定的旋转矩阵中的元素。以外方位元素为变量，对以上两式进行微分处理，同时考虑到在近似垂直摄影条件下，和都为小角度，可以得到外方位元素变化对像点坐标影响的一次项公式：3.3 大气折射引起的误差计算 整个大气层不是一个均匀的介质，因此电磁波在大气中传播时的折射率也随高度的变化而变化，使电磁波传播的路径不是一条直线而变成了曲线，从而引起了像点的位移，这种像点的位移就是大气折射的影响

13、。图2 大气折光差 对画幅式中心投影图像，在无大气折射影响时，地物点A以直线光线AS成像于a0点，当有大气折射影响时，A点以曲线光线成像于a0点，如图所示。由此而引起的像点位移可由折射率公式推导得到：式中系数为一个与传感器高度和地面点高程有关的大气条件常数。根据大气模型导出的的表达式为：当需要在和方向分别考察大气折射影响时，可按下式计算：4 遥感图像几何校正的研究方法目前，许多商用遥感数据都已经消除了大多数系统误差。除非另外处理，否则遥感影像中依然存在非系统性随机误差，使影像未平面化（即，像元没有位于其正确的平面地图位置）。本文集中讨论两种常见的几何校正方法，分别是：从影像到地图的校正、从影像

14、到影像的配准。4.1 从影像到地图的校正从影像到地图的校正过程通常包括步骤：1.选择合适的基准平面图。2.采集地面控制点。3.确定输入下像元坐标（行，列）=（x,y）和该点对应的地图坐标之间的几何关系。通过地面控制点对建立几何转换关系，然后，将待校正输入影像的像元坐标校正或填充到输出影像中。这个过程称为空间插值。4.确定像元亮度值。然而，输入像元值和输出像元值之间没有直接的一一对应关系。校正后的输出影像像元需要填充一定的亮度值，但改像元栅格并非刚好落在规则行列坐标上，因此必须采用某种方法来确定校正后输出像元的亮度值。这一过程称为亮度插值。4.2 从影像到影像的配准从影像到影像的配准是平移和旋转

15、过程的结合，通过两幅影像中的同名点进匹配，使同名地物出现配准后影像的相同位置。若不需要使每个像元都具有待定的地图投影坐标，就可以使用这种集合纠正方法。5遥感图像的目标识别技术5.1基于相位一致特征和混沌粒子群的大型目标识别在大幅遥感图像中搜索目标的两个重要问题是识别定位的正确性和运算速度。本文采用相位一致算法提取大型目标的边缘信息，以互相关为相似性度量准则，利用混沌粒子群优化算法对边缘梯度图进行匹配识别，以提高遥感目标的匹配正确率和运算效率。下面介绍相位一致算法和混沌粒子群优化算法。5.1.1相位一致提取边缘由于遥感图像往往是在不同时间由不同传感器拍摄的图像，成像条件的改变使得图像之间灰度差异

16、很大，基于图像灰度的匹配方法经常失效。多数人造目标，如机场、桥梁以及主要道路等都由线特征作为重要基元，因此，此类大型目标的识别可将边缘特征作为重要依据。早期的Roberts, Prewitt, Sobel等算法计算简单快捷，但易受噪声影响、特征定位易出现偏移;随后出现了大量线性滤波边缘检测算法，如LoG算子和Canny算子等，但这些空域检测算子主要用亮度梯度值来表征边缘强度，边缘提取结果对图像亮度的变化非常敏感。从频域的角度考虑，图像的相位谱比幅度谱包含更重要的信息，且具有亮度和平移不变性。本文根据频域相位谱对图像信息的表征能力，引入相位一致提取遥感图像特征，依据边缘梯度图进行后续识别。相位一

17、致(Phase Congruency)的概念基于对马赫带现象的观察而提出，随后被扩展为图像特征的不变度量，基本思想是:图像特征出现在其Fourier谐波分量叠合最大的相位点处。它可以稳定地检测到线形、屋脊形和阶跃形特征，并有较为固定的闽值。图所示为相位一致特征和Canny算子对某机场的边缘提取结果，可以看出Canny算子对线形物体产生双线相应，在线两侧都标记梯度，相位一致特征标记线形物体的中心线，这一特性有利于更准确的定位线形目标。图机场图像的边缘提取结果 用相位一致标记特征需要寻找谐波分量幅度叠合最大的相位，相位一致函数可通过局部能量函数与 Fourier 谐波分量幅度之和的比值计算，局部能

18、量函数可由各局部相位分量偏离的余弦函数进行计算。5.1.2 基于混沌粒子群优化搜索的目标识别 当遥感图像区域较大时，用穷举法搜索目标会使计算量急剧增大，制约目标匹配速度。为加快搜索速度，人们陆续提出改进算法：或通过缩小搜索空间以减少计算量，或通过优化算法实现非遍历寻优以加快搜索速度。各种优化算法中，典型的遗传算法的参数选择过程对结果影响大，局部寻优能力较差；相比较而言，粒子群优化算法(particle swarm optimization, PSO)需调整的参数少，简单且容易实现，是一种高效的迭代优化搜索算法。本文将混沌优化搜索技术应用于 PSO 算法，即应用混沌粒子群优化(CPSO)算法进行

19、图像的目标搜索，提高对图像的全局搜索能力，并改善易陷入局部极小的问题。 PSO 算法模拟鸟群的捕食行为解决优化问题，首先初始化一群随机粒子，然后通过群体中粒子的学习与更新寻找最优解。混沌粒子群优化算法即将混沌算子与粒子群优化算法相结合，利用混沌变量的随机性、遍历性和规律性改善 PSO 算法易陷入局部极小的问题。混沌优化有两个阶段：在初始化粒子群中粒子位置时按照混沌赋值的方式；在粒子群优化执行过程中，根据群体适应度的方差信息引导粒子群粒子个体位置进行混沌更新，以使停止进化的粒子解跳出局部极值，搜索到全局最优解。 对遥感图像的大型目标进行识别过程中，每个粒子代表要求解的目标模板在待匹配图像中的位置

20、信息 position(i,j)(表示目标在图像中的第i 行、第j列位置)，是一个二维的解向量。5.2 基于改进多尺度自卷积不变矩的小型目标识别对遥感图像进行宏观上的校正恢复等预处理能够降低视场角、尺度等因素对图像的变形影响，但是不能完全消除微观上小型目标本身的姿态和状态(如部分被遮挡)引起的形状和灰度变化，这些因素将直接影响目标识别结果的准确性。因此，为提高图像目标识别的可靠性和稳定性，需要获取与目标物体所处的空间位置、本身姿态和光照变化无关的、区分度高及适应性强的物理量，即本文研究的不变特征除了指视角变化所带来的几何变形之外，也包含光照变化、尺度、旋转、平移以及局部遮挡等情况。全局不变特征

21、利用整个目标图像的信息，从图像强度函数中直接推导计算，思路简单直观且理论模型成熟，在目标识别领域中得到了广泛应用。利用代数不变性提取不变矩的概念由 Hu 第一次提出，并给出了一组由中心矩组合的不变矩，后经修正和改进产生了仿射不变矩(AMI)，此为全局仿射不变特征的代表。2005 年 Rahtu 等在 AMI的基础上从灰度统计角度出发，提出了用概率密度函数将图像灰度和坐标联系起来的多尺度自卷积(MSA)仿射不变特征提取方法。此外还有空间多尺度仿射不变量、基于正交多项式的 Zernike 矩以及复数矩、交叉加权矩等不变矩，这些矩不变量在模型适用性、抗遮挡、抗光照变化、特征稳定性等方面各有千秋，但是

22、没有哪一种矩在所有方面都表现完美。Rahtu 将 MSA 与较具代表性的Hu 仿射不变矩和交叉加权矩进行比较，显示了MSA 突出的综合性能和有效性。此方法不需要图像分割提取边缘或去除背景，直接对图像进行计算，具有完全的仿射不变性，并且对遮挡干扰等状况有很好的适应性。但它利用灰度概率密度函数的数学期望值作为提取的不变特征，仅反映了图像灰度信息的平均取值，因此对天气等状况引起的光照变化影响尤为敏感，并且随着图像仿射变换的程度加大和成像条件变化的加剧，特征性能也随之减弱。因此，本文在分析图像局部纹理结构的基础上，提出了一种新的多尺度自卷积不变特征提取算法：首先基于局部二进制模式理论提取目标图像的纹理

23、结构图谱，之后构建基于纹理结构图谱的 MSA特征，解决原始MSA对光照变化非常敏感的问题；然后在此基础上，将基于原始图像提取的MSA特征和基于纹理结构图谱提取的MSA 特征进行融合，得到包含更丰富图像信息的新特征，对多种成像状况下的目标图像显现了更加稳定的区分力和适应性。6 结论运用多平台、多角度遥感图像获取地球空间信息，完善地理信息系统的建立以及实现军事目标的侦查与监测等，一直以来都是遥感领域的研究热点。然而不同成像传感器平台在不同环境下成像容易对图像中的目标产生位置变化，分辨率差异以及非线性变形等影响，因此，遥感图像几何校正技术的研究与解决对遥感信息的有效应用具有极为重要的价值。本论文对不

24、同遥感平台的成像特点以及所获得的遥感图像特性进行了深入分析，以遥感图像目标的高精度定位与高效识别作为应用处理需求，针对遥感图像几何校正处理的理论问题及其关键技术展开研究。参考文献1 潘励,何潇. 环境减灾卫星CCD影像精纠正方法研究J. 武汉大学学报(信息科学版). 2013(06) 2 王涛,张永生,张艳,范大昭. 基于自检校的机载线阵CCD传感器几何标定J. 测绘学报. 2012(03) 3 李德仁. 我国第一颗民用三线阵立体测图卫星资源三号测绘卫星J. 测绘学报. 2012(03) 4 杨化超,姚国标,王永波. 基于SIFT的宽基线立体影像密集匹配J. 测绘学报. 2011(05) 5 冯国虎,章大勇,吴文启. 单目视觉下基于对偶四元