[转] 作者：胡志贵

提要：本文介绍一种实用的高精度遥感（RS）影像配准、纠正、融合方法和高效处理软件─CyberLand。 该系统是由张祖勋教授等提出算法，由适普公司研制开发的。这是将先进的数字摄影测量技术应用于遥感（RS）影像定量化处理的新突破。它不仅解决了长期困惑遥感（RS）信息定量化处理的理论问题和实际应用问题，而且提供了大规模生产实用的先进手段，使遥感（RS）信息定量化处理进入了实际应用的新阶段。

关键词：遥感（RS）信息定量化，数字摄影测量，影像配准，影像融合

1．  前言

随着信息技术和传感器技术的飞速发展，卫星遥感（RS）影像分辨率有了很大提高，包括空间分辨率、光谱分辨率和时间分辨率。空间分辨率已从30米，10米，提高到今天的2米，1米，军用甚至达到0.1米。光谱分辨率已达到5~6nm(纳米)，包括高光谱在内已超过400个波段。时间分辨率，即重访周期也在不断缩短。每天都有数量庞大的不同分辨率的遥感（RS）信息，从各种传感器上接收下来。

遥感（RS）信息的定量化的另一个值得重视的发展方向，是利用高分辨率的经过纠正的影像（包括更高分辨率的航空影像），对低分辨率的影像进行配准、纠正及融合处理，即遥感（RS）影像的相互校正。

本文介绍一种高精度、高效的相互纠正的新方法，基于数字摄影测量影像匹配的独特算法。由于该方法影像纠正的精度高、处理过程自动化程度高、应用范围广和实用性强，引起了国内遥感（RS）应用领域和国外遥感（RS）图像处理软件厂商的极大关注和兴趣。 

2．  遥感（RS）信息定量化研究现状

目前，大部分遥感（RS）信息的分类和提取，主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感（RS）数据的复合处理，问题更为突出。

在遥感（RS）信息定量化研究方面，已经建立了各种分析模型及相应的计算改正公式^{[1] [2] [3] [4]}，如大气辐射传输简化模型，大气成份的吸收与散射影响模型，以及传感器的定标改正模型等。虽然在上述各项研究中已达到了较高水平，但尚未有重大的突破。

在遥感（RS）影像相互校正方面，一些商业化的遥感（RS）图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求，尤其是对于山区的遥感（RS）影像的校正。

遥感（RS）影像的精纠正，即遥感（RS）影像的高精度正射纠正^[5]，是遥感（RS）影像定量化最直接的重要途径。但是由于获取必要数量的高精度的控制点（已知地面坐标）非常困难，使得实际应用受到很大的局限。通常做法是在1：50000地形图上，人工选取少数几个控制点，由于遥感（RS）影像比例尺很小，很难在图上找到同名位置点，加上地图变形和人为的辨认误差，这样读取的控制点不仅精度很低，而且效率也非常低。用这种方法只能作简单的多项式曲面拟合，而不能进行高精度的纠正处理。利用传统的航测方法获取所覆盖地区的数字地形模型（DEM），作为正射纠正的基础数据，往往受既有航摄资料的限制，以及费用较高、工期较长等因素制约，应用也很局限。

3．  高精度遥感（RS）影像纠正融合新方法

国际著名的数字摄影测量学者张祖勋教授等，提出了一种先进的遥感（RS）影像相互校准的大面元微分纠正算法^[6] ，在其基础上又提出了小面元微分纠正算法^[7]。该算法利用了数字摄影测量中影像匹配的研究成果，即影像特征提取与基于松弛法的整体影像匹配，全自动地获取密集同名点对作为控制点，由密集同名点对构成密集三角网（小面元），利用小三角形面元進行微分纠正，实现影像精确配准。然后进行影的像纠正融合处理，这使遥感（RS）影像的配准、纠正与融合技术提高到了新的阶段。

该小面元微分纠正算法的要点如下：

不同的遥感（RS）影像間存在平面位置、方位与比例的差異，因而需要对其进行平移、旋转与缩放等预处理，以便影像匹配较容易进行。当影像的差異较大時，需人工选取一至三对同名点的概略位置，根据这些同名点解算影像间概略的平移、旋转与缩放等预处理参数。若点数不小于三，可利用仿射变换。

预处理可以使低分辨率影像的比例尺和方位与主影像基本接近，使影像匹配较容易进行。解算出变换参数后，既可对整个影像进行重采样，也可在后续的匹配处理中进行局部影像重采样。

以特征点（通常是从主影像上提取出來的）为中心，取一矩形窗口，通常称之为目标窗口。根据先验知识的预测，在从影像中取一较大的矩形窗口（该窗口应包含主影像特徵点的同名点），通常称之为搜索窗口。将搜索窗口中每一個与目标窗口等大的子窗口的灰度矩阵，与目标窗口的灰度矩阵进行比较，其中最相似的子窗口的中心即为该特征点的同名点。

粗匹配的结果将被作为控制，用于后续的精匹配，因此应当有较高的可靠性（取相关系数值很大的那些点），同時其分布应当尽量均勻。为了检测其粗差，可对同名点的位置之差进行多项式拟合，将拟合残差大的点剔除。为了提高可靠性，由粗到细的匹配策略也应当应用，即特徵提取与粗匹配都应该按分层多级影像（金字塔影像）结构进行。

地面坡度产生不同的畸变是影像间最重要的差別。上述粗匹配的方法是以特征点为窗口的中心。这种中心窗口模式不考虑这种差别，因而无法解决地面坡度产生不同畸变的问题。改变这种中心模式的窗口为边缘模式的窗口，即以两相邻的特征作为左右两边构成窗口。在评价相似性之前，先将搜索子窗口重采样，使其与目标窗口等大，然后再评价其相似性，这样就可以克服坡度引起的畸变差对匹配的不利影响。

b．几何条件约束

大部分的地表是连续光滑的，因此在匹配的过程中应考虑连续光滑的几何条件约束。这包括：第一，目标点的顺序与其同名点的顺序应当相同，不应当有逆序；第二，同名点的左右横坐标差不应有突变，有突变者，一般是粗差，应当剔除；第三，同名点的左右横坐标差应当相差不大，它们离一个拟合曲面的距离都不大。

传统的影像匹配是孤立的单点匹配，它以相似性测度最大（小）为评价标准，取相似性测度最大（小）者为其唯一的结果，它不考虑周围点的匹配结果的一致性。由于影像变形的复杂性，相似性测度的最大者并不一定对应着同名点。根据相关分析^[3]，互相关是一多峰值函数，其最大值不一定对应着同名点，而非最大峰值也可能对应着同名点，因此同名点的判定必须借助其临近的点，且它们的影响是相互的。利用整体松弛匹配法能较好地解决这一问题^{[9] [10]}。

根据模式识别的理论，设有目标集合O={O₁,O₂,…,O_n}与类别集合C={C,C₂,…,C_m}，其中，主影像上的像素i为目标O_i，从影像上对应的像素j为类别C_j，而影像匹配就是要解决O_iÎC_j是否成立的问题。

一旦确定了P_ij 和C(i,j; h,k)，就可根据下列公式进行松弛叠代运算：

                       (2)

其中n(H)为相邻目标点的个数，m(K)和m(J)为从影像匹配侯选点的个数，r为迭代次数。最后，如果P^(r)>T（T为事先给出的阀限值），則停止叠代，并确定可靠的对应点。此外，影像的金字塔数据结构应用于整个匹配过程，以进一步提高数据处理的速度和配准的可靠性。

y'=b₀ + b₁x + b₂y                                                   (3)                                              

将上述方法用于TM与SPOT/PAN影像的配准，影像取自中国西部山区，SPOT影像的大小是6000 ´6000，TM影像的大小是5728´6920，取其3、4与7波段。对此影像作了大、小面元微分纠正的对比试验。

经过特征提取与预处理后，粗匹配为178对特徵点。首先采用大面元微分纠正将TM与SPOT/PAN影像进行配准，然后进行融合，图6a是其结果的一部分。从图6a可以看出，许多山脊、山谷的配准不好，因而融合后的影像出現了明显的重影与模糊。

然后将粗匹配的结果作为精匹配的控制，采用几何条件约束的整体松弛匹配，选择了133864对同名点。采用小面元微分纠正将TM与SPOT/PAN影像进行配准，然后进行融合，图6b是其结果的一部分。从图6b可以看出，由于山脊、山谷都配准得很好，因而融合后的影像清晰，消除了重影与模糊。

该影像范围一部分属于平坦地区。对于平坦地区，即使利用大面元微分纠正，就能得到好的结果，因此利用小面元微分纠正，也能得到好的结果，试验结果也验证了这一点：小面元微分纠正法不仅适用于山区，也适用于平坦地区遥感（RS）影像的配准与融合。因此，可以认为基于密集同名点对的小面元微分纠是一个通用的精确配准算法。

a. 大面元配准与融合                 b. 小面元配准与融合

圖. SPOT与TM347波段配准、融合结果

4.  遥感（RS）信息定量化应用展望

随着各国新的高分辨率遥感（RS）传感器的陆续投入使用，例如美国IKONOS（1米分辨率）和俄罗斯SPIN-2（2米和10米分辨率），每天都有巨大数量的遥感（RS）影像数据从各种航天器上卸载下来。特别是随着建立“数字地球”、“数字国家”、“数字城市”热潮的迅猛发展，遥感（RS）信息定量化的研究和实际应用，已经成为遥感（RS）领域及IT产业面临的重大研究课题之一。

遥感（RS）信息定量化分析处理和各种专业领域应用最基础的问题，是实现遥感（RS）影像的精确纠正和多重遥感（RS）数据的复合。如果能找到一个高度自动化进行多重遥感（RS）影像精确配准、纠正、融合的方法和实用平台，将会大大促进遥感（RS）信息定量化的发展和应用。

鉴于SPOT卫星影像具有较高的分辨率和几何精度，而Lansat TM卫星影像具有丰富的多光谱信息,在遥感（RS）信息定量化处理中，经常利用SPOT影像对TM影像进行纠正处理，然后将纠正后的TM影像的多光谱信息融合到SPOT影像中。然而，通常的遥感（RS）图像处理系统，只能人工交互式选取少数的几个同名点，利用多项式曲面拟合进行概略的改正。由于这种方法精度低，使应用受到很大的限制。

文中推荐的方法，可以在SPOT影像和TM影像之间，自动配准出数万个乃至数十万个同名点，利用小面元进行微分纠正，从而实现对TM影像的高精度几何校正，获取高质量的SPOT与TM的融合影像。这样既利用了SPOT影像地理分辨率精度高的优势，又充分发挥了TM影像光谱信息丰富的特点。

如果利用SPOT立体影像对，事先获取了覆盖地区的DEM，并纠正成了正射影像，例如使用全数字摄影测量系统VirtuoZo NT的SPOT卫星影像摄影测量模块，则与TM影像融合的精度会更高。

CyberLand影像配准和融合系统，具有自动化程度高和处理速度快的特点，包括预处理、影像配准、影像融合以及通用遥感（RS）图像处理各种功能。在Pentium ⅢPC机上，处理一帧SPOT影像和TM影像，包括配准（粗/精）、纠正、融合等全过程，只需30分钟左右，而且可以进行批处理，可大大提高影像配准融合的效率。

对于遥感（RS）影像（如TM多光谱影像）覆盖地区具有航空摄影资料情况，可以利用航摄资料比例尺大、分辨率高的特点，对多光谱影像进行纠正融合处理，获取更高精度的融合效果。

在一些先进的欧美国家，已经建立了大范围的正射影像数据库，例如法国和美国的大多数州都建立了SPOT正射影像数据库。目前，更高分辨率的IKONOS（1米分辨率）卫星影像已经投入商业化使用。据悉,美国将利用IKONOS影像全面更新SPOT正射影像数据库，这将是一项规模巨大的工程。

如果采用文中推荐的高精度遥感（RS）影像配准、纠正、融合方法，将是一个最佳选择。该方法可以实现自动化、快速、高效的大规模处理；更正要的是，使用该系统可以免除任何外业控制和内业量测工作，将会产生巨大的经济效益和社会效益。

在配准融合处理过程中，两个影像中一个为基准影像，即作为已纠正好的影像，而没有必要寻找任何控制点。影像之间的配准完全是相对的。从这一实质出发，可以将影像之间的高精度配准、纠正、融合，扩展到任何感兴趣的影像，应用到更广泛的领域。

文中介绍的基于影像特征提取与松弛法的整体影像匹配算法，可以全自动地获取密集的同名点对，在对应的遥感（RS）影像上可以提取出数万、乃至数十万对同名点。对于同一地区不同时相遥感（RS）影像的类似处理，然后对不同时相遥感（RS）影像获取的同名点进行比较，从而可以作变化识别，应用识别结果进行变化监测以及军事侦察等目的。

例如，为了获取‘感兴趣目标’的现势变化情况，可以预先建立敏感地区的正射影像数据库，然后利用某种手段（如无人机）摄取‘感兴趣目标’的带状影像，利用文中推荐的影像配准融合方法，可获取所摄‘感兴趣目标’的准确地理位置，达到侦察定位的目的。