董 楊，范大昭

信息工程大學(xué)，河南 鄭州，450000

?

航天影像間的自動(dòng)轉(zhuǎn)點(diǎn)方法

董 楊，范大昭

信息工程大學(xué)，河南 鄭州，450000

航天影像間的自動(dòng)轉(zhuǎn)點(diǎn)是航天影像自動(dòng)空中三角測(cè)量的主要環(huán)節(jié)，尋找一種魯棒性好、耗時(shí)少的自動(dòng)轉(zhuǎn)點(diǎn)方法至關(guān)重要。本文針對(duì)傳統(tǒng)人工航天影像轉(zhuǎn)點(diǎn)耗時(shí)、耗力的問題，提出了一種全自動(dòng)的航天影像轉(zhuǎn)點(diǎn)方法，實(shí)現(xiàn)了批量航天影像自動(dòng)化轉(zhuǎn)點(diǎn)，大幅減少了生產(chǎn)作業(yè)的成本。該方法首先在讀取影像邊角點(diǎn)空間坐標(biāo)的基礎(chǔ)上，自動(dòng)計(jì)算影像重疊區(qū)域；然后，在利用GPU加速SIFT算法的基礎(chǔ)上進(jìn)行基于分塊的航天影像匹配，從而實(shí)現(xiàn)了航天影像間的自動(dòng)轉(zhuǎn)點(diǎn)過程；最后，利用“天繪一號(hào)”衛(wèi)星的三線陣影像進(jìn)行實(shí)驗(yàn)，并利用最小二乘影像匹配等方法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。實(shí)驗(yàn)表明，該自動(dòng)轉(zhuǎn)點(diǎn)方法耗時(shí)較少、精度可靠，能夠較好地減少作業(yè)成本，具有一定的可行性。

航天影像；自動(dòng)轉(zhuǎn)點(diǎn)；GPU；SIFT；分塊

1 引 言

近年來，航天遙感處理系統(tǒng)向低花費(fèi)、低耗時(shí)、高自動(dòng)化的方向不斷發(fā)展。隨著遙感大數(shù)據(jù)[1-2]概念的逐漸形成，航天遙感影像的一體化、自動(dòng)化處理流程也越來越受到人們的重視?，F(xiàn)存的航天遙感處理系統(tǒng)多是考慮單幅影像的處理，未對(duì)整體影像間進(jìn)行平差處理，這導(dǎo)致后期產(chǎn)品中的正射影像或DEM間不能很好地進(jìn)行拼接等處理，從而影響到產(chǎn)品的應(yīng)用和推廣。因此，考慮整體影像間的差異，進(jìn)行整體的區(qū)域網(wǎng)平差十分重要。其中，航天影像間的轉(zhuǎn)點(diǎn)是進(jìn)行整體平差的前提，它的自動(dòng)化轉(zhuǎn)點(diǎn)過程是推進(jìn)航天影像整體自動(dòng)化處理的一個(gè)重要因素,轉(zhuǎn)點(diǎn)質(zhì)量的優(yōu)劣直接影響到后續(xù)整體的RPC區(qū)域網(wǎng)平差過程。因此，尋找一種魯棒性好、耗時(shí)少的自動(dòng)轉(zhuǎn)點(diǎn)方法尤為重要。

現(xiàn)行的自動(dòng)轉(zhuǎn)點(diǎn)方法多是針對(duì)高分辨率航空影像的。袁修孝、明洋等人提出了利用影像定向參數(shù)進(jìn)行航帶間影像的自動(dòng)轉(zhuǎn)點(diǎn)[3]；張劍清、張勇等人提出了利用城區(qū)航空影像中存在的大量鉛垂線輔助進(jìn)行空三自動(dòng)轉(zhuǎn)點(diǎn)[4]。然而這些方法不適用于航天影像，航天影像間的自動(dòng)轉(zhuǎn)點(diǎn)還少有研究。

影像間的自動(dòng)轉(zhuǎn)點(diǎn)過程實(shí)質(zhì)上是尋找多幅航天影像間同名點(diǎn)的過程。借助于現(xiàn)今硬件技術(shù)的發(fā)展，基于GPU的SIFT[5]特征匹配算法能夠快速準(zhǔn)確地提取出影像間的同名點(diǎn)。其中，SIFT特征匹配算法由David Lowe提出，其能夠很好地應(yīng)對(duì)圖像旋轉(zhuǎn)、尺度縮放、仿射變換和視角變化等影響。隨后，Changchang Wu依據(jù)Andrea Vedaldi的Sift++[6]方法和Sudipta N Sinha等人的GPU-SIFT[7]方法提出了SiftGPU[8]方法，利用GPU加速方法極大提升了SIFT方法的運(yùn)行速度。因此文中提出轉(zhuǎn)點(diǎn)策略：首先，利用航天影像的四角點(diǎn)地理空間坐標(biāo)確定各影像間的大致重疊關(guān)系；然后基于分塊影像進(jìn)行GPU加速的SIFT特征提??；最后，利用多幅影像間特征點(diǎn)匹配策略進(jìn)行最終匹配，由此得到分布良好且精度可靠的同名點(diǎn)，從而實(shí)現(xiàn)航天影像間的自動(dòng)轉(zhuǎn)點(diǎn)。

2 自動(dòng)轉(zhuǎn)點(diǎn)方法的設(shè)計(jì)

2.1 SIFT算法和GPU加速

2.1.1 SIFT算法

SIFT算法的核心是提取影像的局部特征(SIFT特征點(diǎn)描述子)。SIFT特征不受影像間的亮度變化、旋轉(zhuǎn)、尺度縮放等影響；對(duì)視角變化、仿射變換、噪聲也保持一定的魯棒性[9]。SIFT特征提取主要包括以下步驟[10-11]：

(1)尺度空間生成。尺度空間模擬影像的多尺度特征，由影像與高斯核函數(shù)卷積而成，而且高斯卷積核是實(shí)現(xiàn)影像尺度變換的唯一線性核。(2)確定關(guān)鍵點(diǎn)的位置和所在尺度。通過對(duì)尺度空間進(jìn)行極值檢測(cè)，初步提取待選點(diǎn)。每一個(gè)采樣點(diǎn)都要和它所有的相鄰點(diǎn)比較，以確保初始點(diǎn)在二維影像空間和尺度空間都是極值點(diǎn)。然后，通過三維二次函數(shù)的擬和進(jìn)行關(guān)鍵點(diǎn)位置和尺度的精確確定。(3)為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)。該參數(shù)由關(guān)鍵點(diǎn)相鄰像素的梯度方向分布特性確定，這使得算子具有旋轉(zhuǎn)不變的特性。在實(shí)際計(jì)算中，在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)進(jìn)行采樣，用直方圖統(tǒng)計(jì)相鄰像素的梯度方向。通過以上計(jì)算得到每個(gè)關(guān)鍵點(diǎn)的三個(gè)信息：位置、所處尺度、方向。至此，影像的關(guān)鍵點(diǎn)已提取完成。(4)生成SIFT特征向量。首先以關(guān)鍵點(diǎn)的指定方向?yàn)橐罁?jù)進(jìn)行坐標(biāo)軸的旋轉(zhuǎn)，從而確保算法的旋轉(zhuǎn)不變性，然后以關(guān)鍵點(diǎn)為中心取8×8的窗口。通過計(jì)算每4×4的小塊上8個(gè)方向的梯度方向直方圖，繪制出每個(gè)梯度方向的累加值，從而形成一個(gè)種子點(diǎn)。每個(gè)關(guān)鍵點(diǎn)由4個(gè)種子點(diǎn)組成，一個(gè)種子點(diǎn)有8個(gè)方向信息。通過這種鄰域方向性信息聯(lián)合的處理，增強(qiáng)了算法的抗噪性和容錯(cuò)性。

2.1.2 GPU加速

2007年英偉達(dá)發(fā)布了易用的GPU編程接口，即統(tǒng)一計(jì)算架構(gòu)(Compute Unified Device Architecture， CUDA)[12-14]，這使用戶無需進(jìn)行復(fù)雜的著色語(yǔ)言或圖形處理語(yǔ)言的學(xué)習(xí)，就能夠進(jìn)行GPU編程。CUDA是C語(yǔ)言的一種擴(kuò)展，它允許使用標(biāo)準(zhǔn)C進(jìn)行GPU代碼編程。其核心有三個(gè)重要概念：線程組層次結(jié)構(gòu)、共享存儲(chǔ)器和屏蔽同步[15]。GPU主要用于解決能夠進(jìn)行數(shù)據(jù)并行計(jì)算的問題，具有較高的計(jì)算密度，其正在改變著高性能計(jì)算領(lǐng)域的形式。

2.1.3 SiftGPU算法

由于遙感影像的大數(shù)據(jù)特性和SIFT方法的大計(jì)算量，引入GPU加速是航天影像自動(dòng)化處理的一大趨勢(shì)。Changchang Wu依據(jù)已有的SIFT加速算法提出了SiftGPU方法。該方法通過并行的像素運(yùn)算建立高斯金字塔、進(jìn)行DoG關(guān)鍵點(diǎn)檢測(cè)?；贕PU列表，SiftGPU方法運(yùn)用GPU/CPU混合編程高效地得出關(guān)鍵點(diǎn)列表，最后通過并行運(yùn)算得到其方向參數(shù)和描述符[6]。通過實(shí)驗(yàn)圖(圖1)可以看出，對(duì)于同一幅影像，經(jīng)過GPU加速的SIFT算法能夠大幅減少計(jì)算時(shí)間，極大地降低作業(yè)成本。

圖中橫坐標(biāo)對(duì)應(yīng)的是影像的尺寸，單位為像素；縱坐標(biāo)對(duì)應(yīng)的是計(jì)算消耗時(shí)間，單位為毫秒。

2.2 多幅影像間特征點(diǎn)匹配策略

多幅影像間進(jìn)行匹配，可以首先進(jìn)行同一景內(nèi)多張影像間的匹配，然后對(duì)于不同景之間的重疊處選擇各景的某一影像作為基準(zhǔn)影像進(jìn)行“過渡匹配”，最后檢測(cè)出共同點(diǎn)即可。所謂“過渡匹配”，是指依據(jù)不同景間基準(zhǔn)影像匹配得出的同名點(diǎn)，由此為過渡，分別檢索出不同景內(nèi)影像對(duì)應(yīng)的共同點(diǎn)(如圖2所示)。

圖2 “過渡匹配”示意圖

圖3 分塊匹配示意圖

考慮到算法的效率和進(jìn)行RPC區(qū)域網(wǎng)平差時(shí)所需連接點(diǎn)的分布特點(diǎn)，只在影像重疊處分布均勻的9塊區(qū)域進(jìn)行同名點(diǎn)的提取和匹配，這樣能較大地節(jié)省匹配時(shí)間和硬件資源。傳統(tǒng)的空中三角測(cè)量轉(zhuǎn)點(diǎn)是按照格魯伯標(biāo)準(zhǔn)點(diǎn)位進(jìn)行匹配的，而對(duì)于航空影像的自動(dòng)空中三角測(cè)量轉(zhuǎn)點(diǎn)則沒有束縛，其由計(jì)算機(jī)自動(dòng)選出大量連接點(diǎn)，由6個(gè)標(biāo)準(zhǔn)點(diǎn)位的小樣本觀測(cè)變?yōu)槎帱c(diǎn)位大樣本觀測(cè)，以多求精，從而極大提高了結(jié)果的可靠性。然而，對(duì)于航天影像的大尺寸特點(diǎn)，一般的航空影像轉(zhuǎn)點(diǎn)分布方案并不十分適用。因此，在滿足能夠獲取大量且分布均勻轉(zhuǎn)點(diǎn)的條件下，考慮到時(shí)間成本，提出9塊區(qū)域的轉(zhuǎn)點(diǎn)方案，如圖3所示。該方案選擇均勻分布在影像重疊處的9塊區(qū)域進(jìn)行轉(zhuǎn)點(diǎn)，在滿足影像重疊處均勻分布轉(zhuǎn)點(diǎn)條件的同時(shí)，相對(duì)于全區(qū)域轉(zhuǎn)點(diǎn)能夠成倍地縮短轉(zhuǎn)點(diǎn)所需的時(shí)間，具有一定的優(yōu)效性。

2.3 自動(dòng)轉(zhuǎn)點(diǎn)方法策略的設(shè)計(jì)

考慮到先前論述的原理和自動(dòng)轉(zhuǎn)點(diǎn)的目的，本文設(shè)計(jì)如下的方法策略進(jìn)行自動(dòng)轉(zhuǎn)點(diǎn)：

(1)讀取影像輔助文件，確定影像四角點(diǎn)的坐標(biāo)，并由此確定重疊區(qū)域；(2)選擇一個(gè)重疊區(qū)域，并確定重疊區(qū)域內(nèi)影像景數(shù)；(3)將影像分成固定大小的塊狀區(qū)域，若上下或左右的塊數(shù)大于3塊，則按照均勻分布原則，只取上下或左右的其中3塊進(jìn)行轉(zhuǎn)點(diǎn)的提??；(4)對(duì)于分塊區(qū)域，依次進(jìn)行SIFT特征提取和匹配，先進(jìn)行景內(nèi)影像的兩兩匹配尋找出共同點(diǎn)，然后進(jìn)行不同景的基準(zhǔn)影像的兩兩“過渡匹配”尋找共同點(diǎn)，最后對(duì)匹配點(diǎn)進(jìn)行篩選，得出該分塊區(qū)域所有影像的匹配共同點(diǎn)；(5)檢索輸入影像的重疊區(qū)域是否均已轉(zhuǎn)點(diǎn)完畢，否則轉(zhuǎn)入(2)繼續(xù)進(jìn)行轉(zhuǎn)點(diǎn)的提取。

該策略的流程圖如圖4所示：

圖4 自動(dòng)轉(zhuǎn)點(diǎn)工作流程圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 天繪衛(wèi)星影像實(shí)驗(yàn)

天繪一號(hào)衛(wèi)星是我國(guó)第一代傳輸型立體測(cè)繪衛(wèi)星，其01星和02星分別于2010年和2012年發(fā)射成功并組網(wǎng)運(yùn)行。其中，天繪一號(hào)衛(wèi)星三線陣影像分辨率為5m，可實(shí)施全球精確定位并測(cè)制同地形圖[16-17]。實(shí)驗(yàn)采用嵩山地區(qū)2014年拍攝的同軌三線陣影像、2012年與2013年分別拍攝的異軌三線陣影像，如圖5所示。同軌影像共6幅，上下大約有20%的重疊，重疊區(qū)域大部分為居民區(qū)，地勢(shì)較為平坦，影像對(duì)比度不是十分明顯。異軌影像共6幅，左右大約有80%的重疊，重疊區(qū)域?yàn)樯絽^(qū)和居民地，影像整體較暗，對(duì)比度不足。

圖5 實(shí)驗(yàn)影像示意圖

對(duì)實(shí)驗(yàn)影像進(jìn)行自動(dòng)轉(zhuǎn)點(diǎn)處理，得到如下結(jié)果：

圖6 實(shí)驗(yàn)結(jié)果圖

圖6為匹配出的轉(zhuǎn)點(diǎn)在平面上的投影。紅、綠、藍(lán)線分別表示同一景內(nèi)三線陣影像前、下、后視的邊界在圖上的投影，圖中的點(diǎn)包括同一景內(nèi)影像的3度重疊點(diǎn)和不同景間影像的6度重疊點(diǎn)。由實(shí)驗(yàn)可以看出，自動(dòng)轉(zhuǎn)點(diǎn)策略對(duì)于同軌或異軌影像，均能獲取分布較為均勻的適量影像轉(zhuǎn)點(diǎn)，這說明了該策略的可行性。同樣，由實(shí)驗(yàn)結(jié)果圖可以看出，在異軌轉(zhuǎn)點(diǎn)時(shí)部分區(qū)域匹配點(diǎn)數(shù)較少，經(jīng)分析發(fā)現(xiàn)，這是由多種因素所造成的：一方面是由于影像四角點(diǎn)空間坐標(biāo)為粗略值，導(dǎo)致影像分塊區(qū)域未能精確對(duì)準(zhǔn)；另一方面是由于異軌影像間成像條件差異較大，導(dǎo)致不能很好地進(jìn)行自動(dòng)轉(zhuǎn)點(diǎn)的提取。這也是下一步自動(dòng)轉(zhuǎn)點(diǎn)策略要完善的方向。

3.2 結(jié)果分析

為了進(jìn)一步驗(yàn)證自動(dòng)轉(zhuǎn)點(diǎn)策略的可行性和優(yōu)效性，下面分別從方法效率、轉(zhuǎn)點(diǎn)正確率、轉(zhuǎn)點(diǎn)質(zhì)量等方面進(jìn)行比對(duì)分析。

在方法效率方面，本文主要與傳統(tǒng)的手工轉(zhuǎn)點(diǎn)方法進(jìn)行比對(duì)說明。傳統(tǒng)的手工轉(zhuǎn)點(diǎn)方法一般借助于圖像處理軟件，通過肉眼進(jìn)行逐張影像尋點(diǎn)。由于每個(gè)人的視覺各有不同，且尋點(diǎn)的效率與操作的熟練程度有較大的關(guān)系，其效率難以統(tǒng)計(jì)。在對(duì)比實(shí)驗(yàn)中，我們借助ENVI[18]軟件進(jìn)行逐張尋點(diǎn)，其消耗時(shí)間由以往經(jīng)驗(yàn)值和此次耗時(shí)平均得出。

經(jīng)過統(tǒng)計(jì)得出，傳統(tǒng)手工轉(zhuǎn)點(diǎn)方法與自動(dòng)轉(zhuǎn)點(diǎn)方法的效率對(duì)比如圖7所示：

圖7 轉(zhuǎn)點(diǎn)效率對(duì)比圖

由圖7可以看出，自動(dòng)轉(zhuǎn)點(diǎn)方法極大縮短了轉(zhuǎn)點(diǎn)提取的時(shí)間，能夠在極短的時(shí)間內(nèi)尋找出大量影像間的轉(zhuǎn)點(diǎn)，具有較高的生產(chǎn)效率，能夠很好地減小提取影像轉(zhuǎn)點(diǎn)的時(shí)間成本，這說明該方法具有一定的優(yōu)效性。

轉(zhuǎn)點(diǎn)正確率表征轉(zhuǎn)點(diǎn)的正確個(gè)數(shù)，是對(duì)轉(zhuǎn)點(diǎn)精度較為直觀的評(píng)價(jià)。本文依據(jù)統(tǒng)計(jì)學(xué)抽樣檢驗(yàn)評(píng)判自動(dòng)轉(zhuǎn)點(diǎn)的正確率。抽樣檢驗(yàn)是指通過從批中抽取樣品的檢驗(yàn)結(jié)果，利用科學(xué)的統(tǒng)計(jì)方法分析和判斷該批是否合格[19]。抽樣檢驗(yàn)?zāi)軌蛴行У乇碚骺傮w的質(zhì)量。在實(shí)驗(yàn)中，隨機(jī)抽取轉(zhuǎn)點(diǎn)，然后進(jìn)行對(duì)應(yīng)局部影像的觀察，判斷其是否匹配正確。若提取特征點(diǎn)對(duì)應(yīng)局部灰度特征相同，則判定轉(zhuǎn)點(diǎn)正確，否則錯(cuò)誤。實(shí)驗(yàn)中，從同軌轉(zhuǎn)點(diǎn)結(jié)果的10700個(gè)點(diǎn)中抽取500個(gè)點(diǎn)進(jìn)行檢查，從異軌轉(zhuǎn)點(diǎn)結(jié)果的4084個(gè)點(diǎn)中抽取200個(gè)點(diǎn)進(jìn)行逐點(diǎn)人工檢查，如圖8所示。最終，得到同軌轉(zhuǎn)點(diǎn)與異軌轉(zhuǎn)點(diǎn)的檢查正確率均為100%。由此，可推斷整體自動(dòng)轉(zhuǎn)點(diǎn)的正確率具有較高值，這說明該方法具有較好的魯棒性。

圖8 點(diǎn)位檢查示意圖

轉(zhuǎn)點(diǎn)質(zhì)量評(píng)價(jià)是在具有較高的轉(zhuǎn)點(diǎn)正確率后,對(duì)轉(zhuǎn)點(diǎn)精度進(jìn)行更高標(biāo)準(zhǔn)的評(píng)價(jià)，這是對(duì)轉(zhuǎn)點(diǎn)結(jié)果精度更加科學(xué)的評(píng)估。轉(zhuǎn)點(diǎn)的質(zhì)量由轉(zhuǎn)點(diǎn)進(jìn)行最小二乘影像匹配后的殘差進(jìn)行評(píng)定。最小二乘影像匹配的精度可達(dá)0.01至0.02個(gè)像素[20-21]，其匹配結(jié)果對(duì)于表征轉(zhuǎn)點(diǎn)的質(zhì)量具有代表性。最小二乘影像匹配是通過比較模板窗口與搜索窗口內(nèi)影像的灰度值及其分布，尋找共軛實(shí)體的一種匹配方法。它的基本思想是：考慮影像的灰度變形與幾何畸變得到相應(yīng)模型式，以模板窗口與搜索窗口內(nèi)影像灰度差的平方和達(dá)到極小為條件，得到模形式參數(shù)的最或然解，從而進(jìn)一步得到模板中心的最佳匹配位置。其具有精度高、對(duì)幾何變形有較好的適應(yīng)性等特點(diǎn)。利用轉(zhuǎn)點(diǎn)坐標(biāo)作為最小二乘影像匹配的初值，利用其匹配結(jié)果作為評(píng)價(jià)參考，從而可以進(jìn)行轉(zhuǎn)點(diǎn)質(zhì)量的評(píng)定。

對(duì)轉(zhuǎn)點(diǎn)質(zhì)量的評(píng)定也是對(duì)轉(zhuǎn)點(diǎn)方法優(yōu)良的評(píng)定。利用最小二乘影像匹配，對(duì)3度重疊下2014年其中一景的前、后視影像進(jìn)行基于轉(zhuǎn)點(diǎn)坐標(biāo)的重新匹配，最后計(jì)算殘差，得到如下結(jié)果，如圖9所示。

圖9 點(diǎn)位殘差分布圖

圖9中數(shù)目圖的橫坐標(biāo)方向?yàn)闅埐钪?，單位為像素，縱坐標(biāo)方向?yàn)閷?duì)應(yīng)殘差區(qū)間內(nèi)的點(diǎn)數(shù)目；比例圖中不同顏色代表不同殘差區(qū)間，顏色塊的高度對(duì)應(yīng)相應(yīng)殘差區(qū)間內(nèi)點(diǎn)數(shù)在總點(diǎn)數(shù)中所占比例。圖中從下到上對(duì)應(yīng)殘差值由小到大的區(qū)間，并且這里的殘差取絕對(duì)值。

由點(diǎn)位的殘差分布圖可以看出，在X和Y方向匹配點(diǎn)的殘差分布大致相同，其中,大約90%的點(diǎn)殘差處在0.7個(gè)像素以內(nèi)，且大多數(shù)點(diǎn)殘差處在0.3個(gè)像素以內(nèi)。在驗(yàn)證的4753個(gè)點(diǎn)中，在X方向和Y方向都僅有一個(gè)點(diǎn)的殘差大于1個(gè)像素，這從另一方面也論證了該方法的轉(zhuǎn)點(diǎn)正確率極高。從平面方向的殘差來看，大約90%的點(diǎn)殘差處在0.8個(gè)像素以內(nèi)，大多數(shù)點(diǎn)的平面方向殘差處在0.2至0.7個(gè)像素內(nèi)。

通過最小二乘影像匹配的實(shí)驗(yàn)可以看出，實(shí)驗(yàn)得到的轉(zhuǎn)點(diǎn)質(zhì)量較好，其X、Y方向精度保持在1個(gè)像素以內(nèi)，這能夠滿足后續(xù)區(qū)域網(wǎng)RPC平差的要求，由此也可以看出自動(dòng)轉(zhuǎn)點(diǎn)策略的可行性。通過實(shí)驗(yàn)還可以看出，若想得到更高精度的點(diǎn)位，可在運(yùn)用自動(dòng)轉(zhuǎn)點(diǎn)之后，再對(duì)相應(yīng)點(diǎn)進(jìn)行最小二乘影像匹配。

4 總 結(jié)

航天遙感影像自動(dòng)化處理系統(tǒng)可以自動(dòng)快速處理大范圍的影像數(shù)據(jù)，在航天遙感數(shù)據(jù)的種類和數(shù)量快速增長(zhǎng)的今天發(fā)揮著越來越重要的作用。通過天繪一號(hào)衛(wèi)星影像的實(shí)驗(yàn)，證明了航天影像間自動(dòng)轉(zhuǎn)點(diǎn)方法的可行性與優(yōu)效性，減少了作業(yè)員的工作量與作業(yè)成本。文中提出的方法，通過利用GPU加速SIFT算法進(jìn)行基于分塊的天繪影像的自動(dòng)轉(zhuǎn)點(diǎn)，能夠在較短的時(shí)間內(nèi)提取出大量具有可靠精度的影像連接點(diǎn)，完成自動(dòng)轉(zhuǎn)點(diǎn)任務(wù)，并且較大節(jié)省了影像的處理時(shí)間，在實(shí)際生產(chǎn)作業(yè)中具有一定的應(yīng)用和推廣價(jià)值。

[1]李德仁，張良培，夏桂松. 遙感大數(shù)據(jù)自動(dòng)分析與數(shù)據(jù)挖掘[J]. 測(cè)繪學(xué)報(bào)，2014(12):1211-1216.

[2]李德仁，姚遠(yuǎn)，邵振峰. 智慧城市中的大數(shù)據(jù)[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2014，39(6): 631-640.

[3]袁修孝，明洋. POS輔助航帶間航攝影像的自動(dòng)轉(zhuǎn)點(diǎn)[J].測(cè)繪學(xué)報(bào)，2010(02):156-161.

[4]張劍清，張勇. 鉛垂線輔助的大比例尺城區(qū)空三自動(dòng)轉(zhuǎn)點(diǎn)[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2008(6):556-559.

[5]D. G. Lowe. Distinctive image features from scale-invariant keypoints [J]. International Journal of Computer Vision,2004(11)：91-110.

[6]A. Vedaldi. Sift++ [EB/OL]. [2009-10-12].http://vision.ucla.edu/～vedaldi/code/siftpp/siftpp.html.

[7]Sudipta N Sinha, Jan-Michael Frahm, Marc Pollefeys, Yakup Genc. GPU-Based Video Feature Tracking and Matching [C]. In Workshop on Edge Computing Using New Commodity Architectures, 2006.

[8]Changchang Wu. SiftGPU [EB/OL].[2012-07-16]. http://www.cs.unc.edu/～ccwu/siftgpu/.

[9]羅征宇，寧曉剛. 不同分辨率遙感影像獲取均勻分布匹配點(diǎn)的匹配方法研究[J]. 測(cè)繪通報(bào)，2011(4)：38-40.

[10]趙輝. SIFT特征匹配技術(shù)講義[EB/OL].[2010-09-27]. http://wenku.baidu.com/view/dc5fffec102de2 bd9605886e.html.

[11]李二森，張保明，劉景正等. SIFT特征匹配技術(shù)在自動(dòng)相對(duì)定向中的應(yīng)用[J]. 測(cè)繪科學(xué)，2008，33(5):16-19.

[12]NVIDIA Corporation. NVIDIA CUDA Compute Unified Device Architecture Programming Guide 1.0 [EB/OL].[2007-06-18]. http://www.cs.berkeley.edu/～yelick/cs194f07/handouts.

[13]Cook, Shane. CUDA Programming A Developer's Guide to Parallel Computing with GPUs [M]. Newnes, 2012.

[14]Kirk, David B. Programming Massively Parallel Processors: A Hands-on Approach, Second Edition [M]. Newnes, 2012.

[15]袁修國(guó)，彭國(guó)華，王琳. 基于GPU的變型SIFT算子實(shí)時(shí)圖像配準(zhǔn)[J]. 計(jì)算機(jī)科學(xué)，2011(3):300-303.

[16]國(guó)家遙感中心. 天繪衛(wèi)星遙感部[EB/OL].[2014-04-18]. http://www.nrscc.gov.cn/nrscc/ywfb/sjyzhfwl/201404/t20140418_32640.html.

[17]何忠煥，左志進(jìn)，劉冬枝. 天繪一號(hào)衛(wèi)星遙感影像的處理方法[J]. 地理空間信息，2012，10(6):4-6.

[18]易智瑞(中國(guó))信息技術(shù)有限公司.ENVI/IDL-Esri中國(guó)[EB/OL].[2015-4-15]. http://www.esrichina-bj.cn/softwareproduct/EI/.

[19]宋向東，何倩. 基于過程能力指數(shù)的可連續(xù)提交的驗(yàn)收抽樣檢驗(yàn)方案[J]. 經(jīng)濟(jì)研究導(dǎo)刊，2014 (28):283-285.

[20]耿則勛，張保明，范大昭. 數(shù)字?jǐn)z影測(cè)量學(xué)[M]. 北京：測(cè)繪出版社，2010.

[21]MCGLONE J C. Manual of photogrammetry [M]. 5th ed. Bethesda, Maryland: ASPRS, 2004.

Automatic Extraction of Connection Point in Aerospace Images

Dong Yang, Fan Dazhao

Information Engineering University, Zhengzhou 450000, China

It is a key link to find an automatic extraction of connection point in aerial triangulation measurement. In order to solve the time-consuming problem with the traditional methods, this paper proposes a new automatic turning point method, which realizes the batch aerospace images processing and greatly reduces production costs. In this way, firstly the overlapping areas are automatically calculated based on reading the image corner point coordinates. Then block matching is done by using GPU-based SIFT algorithm, thus it realizes the automatic extraction of connection points. Finally this paper conducts the experiment based on three-line array CCD images from Mapping satellite-I and analyzes the results by using the least squares image matching method. The experiments show that the automatic extraction method takes less time and has reliable accuracy. Also it can reduce the operation costs and has certain feasibility.

aerospace images; automatic extraction method; GPU; SIFT; block

2015-06-02。

國(guó)家自然科學(xué)基金資助項(xiàng)目(41401534)，地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(SKLGIE2013-M-3-1)。

董楊(1992—)，男，碩士研究生，主要從事數(shù)字?jǐn)z影測(cè)量方面的研究。

P236

A