陳翠嬋，黃國森，王　越，鐘　靜

(1. 廣東省國土資源技術(shù)中心，廣東 廣州 510000; 2. 武漢市測繪研究院，湖北 武漢 430022)

?

含云衛(wèi)星影像配準(zhǔn)算法研究

陳翠嬋1，黃國森1，王越2，鐘靜1

(1. 廣東省國土資源技術(shù)中心，廣東 廣州 510000; 2. 武漢市測繪研究院，湖北 武漢 430022)

影像上云層的存在不僅覆蓋了大量地面有效信息，也給正射影像生產(chǎn)流程中的空三平差等環(huán)節(jié)造成不利影響。因此，含云衛(wèi)星影像通常不具備較高的定位精度，在生產(chǎn)應(yīng)用中被大量閑置。而這些影像的晴空區(qū)域仍含有較多的信息，帶來了資源的浪費(fèi)。本文針對國產(chǎn)高分辨率衛(wèi)星影像，提出了一種顧及云層影像的影像自動(dòng)配準(zhǔn)算法。首先采用Otsu分割與形態(tài)學(xué)運(yùn)算相結(jié)合的云檢測方法以實(shí)現(xiàn)衛(wèi)星影像的云區(qū)自動(dòng)提?。蝗缓笤谠茩z測結(jié)果的輔助下，將云層中匹配點(diǎn)剔除，優(yōu)先保證晴空區(qū)域的定位精度。本文研究有助于充分挖掘含云影像中的有用信息，提升國產(chǎn)高分辨率衛(wèi)星影像的應(yīng)用價(jià)值。

影像配準(zhǔn)；云檢測；粗差剔除

以資源三號(2012年1月發(fā)射)、高分一號(2013年4月發(fā)射)為代表的國產(chǎn)高分辨率陸地資源衛(wèi)星影像廣泛應(yīng)用于資源調(diào)查、防災(zāi)減災(zāi)等領(lǐng)域[1]。與此同時(shí)，云層的存在不僅覆蓋了地物信息，也給影像產(chǎn)品生產(chǎn)流程中的空三、平差等環(huán)節(jié)造成不利影響，從而影響正射影像產(chǎn)品的定位精度[2]。一般的，這些定位精度較差的正射影像不能參與后續(xù)高級產(chǎn)品生產(chǎn)，被大量閑置。而這些影像的晴空區(qū)域仍含有較多的信息，造成了資源的浪費(fèi)。

本文針對國產(chǎn)高分辨率衛(wèi)星影像，提出一種顧及云層影像的影像自動(dòng)配準(zhǔn)算法。首先采用Otsu分割與形態(tài)學(xué)運(yùn)算相結(jié)合的云檢測方法以實(shí)現(xiàn)衛(wèi)星影像的云區(qū)自動(dòng)提取；然后在云檢測結(jié)果的輔助下，將云層中匹配點(diǎn)剔除，從而優(yōu)先保證晴空區(qū)域的定位精度，提升影像應(yīng)用價(jià)值。

一、研究背景

1. 影像匹配與粗差點(diǎn)去除

影像匹配是數(shù)字?jǐn)z影測量的核心[3]，是影像配準(zhǔn)、拼接、目標(biāo)檢測等工作的核心環(huán)節(jié)。一種傳統(tǒng)的匹配策略為：首先通過提取Harris特征點(diǎn)，根據(jù)SIFT粗匹配結(jié)果或地理坐標(biāo)信息預(yù)測對應(yīng)同名點(diǎn)的位置，然后對影像進(jìn)行基于相關(guān)系數(shù)法的精匹配，從而得到大量分布均勻的同名點(diǎn)[4]。

任何匹配算法都會造成一定數(shù)目的誤匹配點(diǎn)，因此對匹配點(diǎn)進(jìn)行粗差點(diǎn)去除是必不可少的[5]。傳統(tǒng)的處理手段一般是通過測量平差技術(shù)，在區(qū)域網(wǎng)平差解算過程中剔除影像匹配粗差[6]。它基于測量誤差服從數(shù)學(xué)期望為零的正態(tài)分布的原則，通過計(jì)算仿射變換之后匹配點(diǎn)之間的中誤差和每個(gè)點(diǎn)的殘差，將殘差大于3倍中誤差的點(diǎn)作為誤匹配剔除。采用迭代方式進(jìn)行計(jì)算，直至所有匹配點(diǎn)的殘差滿足條件。

2. 含云影像與云層中匹配點(diǎn)

由于陸地資源衛(wèi)星成像時(shí)間、成像角度的差異，同一區(qū)域不同軌道影像，云層的位置并不一致。另外，考慮到衛(wèi)星前視與后視相機(jī)之間、全色與多光譜相機(jī)之間均有著一定的成像夾角，即使同軌道同時(shí)刻成像，云層在影像上也有著幾個(gè)像素的差異，如圖1所示。

圖1　云層位置差異與云層中匹配點(diǎn)

上述情況下在云層的邊緣和卷積云內(nèi)部紋理較豐富處，會存在大量匹配點(diǎn)，如圖1中點(diǎn)06719和06679。若這些匹配點(diǎn)不加以去除，就會導(dǎo)致云層實(shí)現(xiàn)了配準(zhǔn)而實(shí)際地物發(fā)生了扭曲。當(dāng)云層面積大、云內(nèi)匹配點(diǎn)多時(shí)，從測量平差的角度很難實(shí)現(xiàn)云層中點(diǎn)的去除。實(shí)際生產(chǎn)中，一般必須通過交互編輯的方式手動(dòng)剔除這些云層中的匹配點(diǎn)，這需要投入大量的人力。因此，需要引入有效的算法，從云檢測的角度對云層中的點(diǎn)進(jìn)行去除。

3. 衛(wèi)星影像云檢測

衛(wèi)星影像自動(dòng)云檢測一直是遙感領(lǐng)域中的研究熱點(diǎn)。當(dāng)前較為常用的云檢測算法主要有紋理分析法[7]、多光譜綜合法等[8-9]。考慮以資源三號、高分一號為代表的國產(chǎn)高分辨率衛(wèi)星影像波段少(多光譜影像4個(gè)波段，全色影像1個(gè)波段)、光譜范圍窄(0.45～0.90 μm)，多光譜綜合法的優(yōu)勢不能得到體現(xiàn)。另外，紋理分析對紋理細(xì)節(jié)豐富的卷積云不敏感，而這類卷積云內(nèi)部往往會形成大量的粗差點(diǎn)，因此紋理分析也不適用于云層中點(diǎn)的去除。因此需要探索一種適合國產(chǎn)陸地資源衛(wèi)星影像的自動(dòng)云檢測算法。

二、算法與流程

1. Otsu分割-形態(tài)學(xué)處理法云檢測

兼顧算法的自動(dòng)化程度和運(yùn)算效率，本文采用一種快速有效的閾值分割算法——Otsu算法。Otsu算法也稱最大類間方差算法，它將圖像按灰度級聚類分成背景和目標(biāo)兩部分，以目標(biāo)和背景的方差最大為原則來動(dòng)態(tài)確定圖像的最優(yōu)分割閾值，使得類間的灰度值差異最大，類內(nèi)的灰度值差異最小[10]。Otsu法分割效果較好、簡單有效，在已知影像含云的情況下，可用于云區(qū)的快速檢測和提取。

但是，如果僅使用灰度分割的方式，則會不可避免地對一些高亮建筑物、裸地產(chǎn)生誤判?？衫媒ㄖ铩⒙愕爻叽邕h(yuǎn)小于云層的特點(diǎn)，使用指定大小的結(jié)構(gòu)元素，對云區(qū)進(jìn)行“腐蝕-膨脹”形態(tài)學(xué)處理。其中腐蝕操作可吞噬圖像中較小的區(qū)域，從而消除閾值分割算法對高亮噪聲的誤判。腐蝕操作所采用結(jié)構(gòu)元素的尺寸可由影像分辨率決定。膨脹操作可抵消腐蝕操作犧牲掉的真實(shí)云區(qū)，同時(shí)平滑云區(qū)的邊緣輪廓?？紤]到云層縫隙和云層邊緣的影像并不方便使用，膨脹操作還負(fù)擔(dān)著填充云縫的作用，因此膨脹操作所采用結(jié)構(gòu)元素的尺寸應(yīng)大于腐蝕操作時(shí)的尺寸。

本文試驗(yàn)中，對于空間分辨率為2 m的資源三號全色影像，將閾值分割結(jié)果先進(jìn)行結(jié)構(gòu)元素為51×51像素的腐蝕操作，再進(jìn)行結(jié)構(gòu)元素為201×201像素的膨脹操作；對于空間分辨率為5.8 m的資源三號全色影像，將閾值分割結(jié)果先進(jìn)行結(jié)構(gòu)元素為17×17像素的腐蝕操作，再進(jìn)行結(jié)構(gòu)元素為69×69像素的膨脹操作。可消除大小在100 m以內(nèi)的噪聲，并填充大小在400 m以內(nèi)的云層縫隙。

2. 同名點(diǎn)匹配

同名點(diǎn)匹配采用當(dāng)前成熟的技術(shù)，首先采用Wallis濾波器[11]對影像進(jìn)行增強(qiáng)，以提高影像的信噪比，從而保證影像特征在灰度空間的高相關(guān)性。然后，采用Harris算子[12]提取子像素級特征點(diǎn)，通過設(shè)置合理的間距將影像劃分為格網(wǎng)，可以提取得到均勻分布的特征點(diǎn)。最后進(jìn)行基于灰度的相關(guān)系數(shù)法匹配，可得到像素級精度[13]的匹配結(jié)果。

3. 云中點(diǎn)去除

基于云檢測得到的云區(qū)范圍圖，設(shè)計(jì)云層中匹配點(diǎn)的剔除步驟如下：

1) 讀入匹配點(diǎn)文件，獲取匹配點(diǎn)Pi在影像上對應(yīng)的位置，記為Pi(xi,yi)。

2) 以(xi,yi)為中心，設(shè)置100×100像素大小的二維窗口，統(tǒng)計(jì)窗口內(nèi)被判斷為云的像素點(diǎn)占窗口內(nèi)所有像素的比例為R，若R>10%，則刪除該點(diǎn)。

3) 重復(fù)步驟1)—2)，直至完成所有匹配點(diǎn)的檢查。

粗差剔除后，根據(jù)剩余匹配點(diǎn)集構(gòu)建的不規(guī)則三角網(wǎng)，將影像分割成多個(gè)三角形，然后利用仿射變換模型擬合同名三角形之間的局部影像畸變，由三對同名頂點(diǎn)坐標(biāo)求得變換系數(shù)后，再以單個(gè)三角形為單位進(jìn)行面元糾正，從而實(shí)現(xiàn)影像的精確配準(zhǔn)[14]。

三、效果評價(jià)

1. 試驗(yàn)數(shù)據(jù)

資源三號衛(wèi)星是我國第一顆民用三線陣立體測土衛(wèi)星。它配置2臺分辨率優(yōu)于3.5 m、幅寬優(yōu)于50 km的前后視全色相機(jī)，1臺分辨率優(yōu)于2.1 m、幅寬優(yōu)于50 km的正視全色相機(jī)和1臺分辨率優(yōu)于5.8 m的多光譜相機(jī)[1]。本文選取廣東沿海地區(qū)6景資源三號全色和多光譜正射影像為試驗(yàn)數(shù)據(jù)，其中影像1—3含云，影像4—6不含云。分別從定性、定量兩個(gè)方面分析本文算法的可行性和優(yōu)勢。

2. 目視評價(jià)

以測試影像1為例，目視評價(jià)包括3個(gè)方面：云檢測效果、匹配點(diǎn)分布、融合影像細(xì)節(jié)。分別如圖2、圖3、圖4所示。

圖2　Otsu分割 - 形態(tài)學(xué)處理法云檢測示意圖

圖3　粗差點(diǎn)去除效果

圖4　融合影像效果對比(局部)

由圖3可以看出，經(jīng)過Otsu分割、形態(tài)學(xué)處理后，檢測得到的云區(qū)較為準(zhǔn)確，云區(qū)聯(lián)通、完整,這樣更有利于后續(xù)的判斷，且可以更好地去除云層邊緣的匹配點(diǎn)。

由圖4可以看出，本文提出的粗差去除策略成功地去除了位于云層中的大部分點(diǎn)，保留了地物上的匹配點(diǎn)。

由圖5可以看出，配準(zhǔn)前全色和多光譜影像有著明顯的地理錯(cuò)位，融合影像上出現(xiàn)重影現(xiàn)象。傳統(tǒng)配準(zhǔn)算法改善了這一情況，但是云層的存在使地物區(qū)域仍然有一定的重影。而本文改進(jìn)后的配準(zhǔn)算法得到的融合影像，在晴空區(qū)域的配準(zhǔn)效果明顯提升，更具有利用價(jià)值。

3. 定量評價(jià)

從云檢測精度和配準(zhǔn)精度兩個(gè)方面對本文策略作定量評價(jià)。

首先，從每組相對的全色影像上隨意抽取100個(gè)匹配點(diǎn)作為樣本點(diǎn)。通過人工判讀的方式，將樣本點(diǎn)分為兩類：云層點(diǎn)和晴空點(diǎn)。以人工判讀結(jié)果作為真值計(jì)算自動(dòng)識別結(jié)果的正確率，將其作為云檢測精度評價(jià)指標(biāo)。

然后，將隨機(jī)選取的100個(gè)樣本點(diǎn)作為檢查點(diǎn)，通過人工判讀的方式標(biāo)記對應(yīng)多光譜影像上的同名點(diǎn)位置，測量標(biāo)記點(diǎn)與檢查點(diǎn)之間的像素偏差，將其作為衡量配準(zhǔn)效果的指標(biāo)。

由表1可知，本文策略對云層點(diǎn)和晴空點(diǎn)的自動(dòng)識別準(zhǔn)確度在95%以上。說明本文提出的云檢測算法是可靠的。

同時(shí)可以看出，對于不含云影像，傳統(tǒng)算法配準(zhǔn)誤差為1像素左右，但對于含云影像，誤差明顯變大，為10像素左右。說明云層的存在極大地影響了傳統(tǒng)算法的配準(zhǔn)精度。去除云層中點(diǎn)之后，配準(zhǔn)精度又回到1個(gè)像素的水準(zhǔn)。另外，對于無云影像，本文算法并沒有對配準(zhǔn)精度造成明顯影響，說明本算法可有效改善含云影像的配準(zhǔn)效果，同時(shí)也能適應(yīng)無云影像，滿足自動(dòng)化處理的需要。

表1　匹配點(diǎn)識別情況及正確率

四、結(jié)束語

本文提出了一種顧及云層影響的影像配準(zhǔn)策略，并以資源三號衛(wèi)星影像為試驗(yàn)數(shù)據(jù)，定性、定量地驗(yàn)證了本算法的可行性和優(yōu)勢。

試驗(yàn)證實(shí)，本算法顯著提升了晴空區(qū)域的配準(zhǔn)效果，有助于提升含云影像的利用價(jià)值。同時(shí)整個(gè)流程無需先驗(yàn)知識和人工參與，實(shí)現(xiàn)了自動(dòng)化處理，可滿足業(yè)務(wù)化運(yùn)行的需要。當(dāng)條件允許時(shí)，也可借助其他輔助信息(影像熱紅外波段，影像成像信息等)獲取更精確的云檢測結(jié)果，進(jìn)一步削弱誤判情況。

[1]李德仁. 我國第一顆民用三線陣立體測圖衛(wèi)星——資源三號測繪衛(wèi)星[J]. 測繪學(xué)報(bào), 2012，41(3): 317-322.

[2]ZHANG Y J, WAN Y, WANG B，et al.Automatic Processing of Chinese GF-1 Wide Field of View Images[C]∥36th International Symposium on Remote Sensing of Environment.Berlin：[s.n.]，2015.

[3]張祖勛. 從數(shù)字?jǐn)z影測量工作站 (DPW) 到數(shù)字?jǐn)z影測量網(wǎng)格 (DPGrid)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2007, 32(7): 565-571.

[4]崔有禎, 吳露露, 辛星,等. 基于改進(jìn)Harris算法的高分辨率遙感影像建筑物角點(diǎn)檢測研究[J]. 測繪通報(bào), 2013(9):24-26.

[5]張彥峰，艾海濱，杜全葉，等． 基于金字塔影像分割的水域提取在海島礁空中三角測量中的應(yīng)用[J]．測繪通報(bào)，2014(12): 70-73.

[6]張永軍, 王博, 黃旭,等. 影像匹配粗差的局部矢量面元剔除方法[J]. 測繪學(xué)報(bào), 2014,43(7):717-723.

[7]ZHU Z, WOODCOCK C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment, 2012(118): 83-94.

[8]IRISH R R, BARKER J L, GOWARD S N, et al. Characterization of the Landsat-7 ETM+Automated Cloud-cover Assessment (ACCA)Algorithm[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(10): 1179-1188.

[9]文雄飛,董新奕,劉良明.“云指數(shù)法”云檢測研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2009,34(7):838-841.

[10]OHTSU N. A Threshold Selection Method from Gray-Level Histograms[J]. Systems Man & Cybernetics IEEE Transactions on, 1979, 9(1):62-66.

[11]張力, 張祖勛, 張劍清. Wallis 濾波在影像匹配中的應(yīng)用[J]. 武漢測繪科技大學(xué)學(xué)報(bào), 2004, 24(1):24-27.

[12]謝東海, 詹總謙, 江萬壽. 改進(jìn)Harris算子用于點(diǎn)特征的精確定位[J]. 測繪信息與工程, 2003, 28(2):22-23.

[13]張祖勛, 張劍清. 相關(guān)系數(shù)匹配的理論精度[J]. 測繪學(xué)報(bào), 1987,16(2)：35-42.

[14]陳奇, 王博, 孫明偉,等. 一種用于制作CBERS-02C衛(wèi)星融合影像的配準(zhǔn)方法[J]. 華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013, 47(6):857-862.

On Automatic Registration of Satellite Imagery with the Clouds

CHEN Cuichan，HUANG Guosen，WANG Yue，ZHONG Jing

陳翠嬋，黃國森，王越,等.含云衛(wèi)星影像配準(zhǔn)算法研究[J].測繪通報(bào)，2016(10)：81-84.DOI:10.13474/j.cnki.11-2246.2016.0335.

2016-01-04；

2016-05-28

陳翠嬋(1974—)，女，工程師，主要從事地圖制圖工作。E-mail: kenhuzhenxuan@126.com

王越

P237

B

0494-0911(2016)10-0081-04