基于知识学习的遥感卫星资料地面控制点自动匹配方法

摘要

本发明提供一种基于知识学习的遥感卫星资料地面控制点自动匹配方法，包括如下步骤：轮廓提取，根据模板图像，获得遥感卫星资料地面控制点的轮廓信息；内容提取，根据遥感卫星资料的图像信息，获得遥感卫星资料地面控制点的内容信息；合成，将上面获得的轮廓信息和内容信息合成，获得完整的遥感卫星地面控制点信息；匹配，将上面所得到的完整的遥感卫星资料地面控制点信息与模板进行匹配，获得遥感卫星资料地面控制点的偏移量。利用本发明，能够准确估计遥感卫星姿态所带来的误差，在遥感卫星资料的处理工作中有着重要的应用价值。

说明书

技术领域

本发明涉及一种实现遥感卫星资料地面控制点自动匹配的方法，尤其涉及一种基于知识学习机制实现的遥感卫星资料地面控制点自动匹配的方法，属于遥感技术领域。

背景技术

目前，遥感卫星图像已经成为人们获取地面信息的重要数据来源。在遥感卫星资料的处理过程中，仍然存在一些问题需要解决。这些问题中首当其冲的是：卫星所遥感的观测目标物究竟在什么地方？即遥感卫星图像中的每个像素与地面上的地理经纬度究竟有什么样的对应关系。该问题需要通过遥感卫星图像导航技术加以解决。

遥感卫星图像导航的一般过程是首先假设姿态偏差为零，然后根据遥感仪器的扫描方式、遥感仪器与卫星的安装关系以及卫星轨道数据对所获得遥感卫星图像进行地理定位。此时，获得了地标的地理经纬度，计算其与标准的地理经纬度的差异，通过地标偏移量计算姿态的偏差，然后对遥感卫星图像进行重新定位，获得准确的地理经纬度。在遥感卫星图像导航的过程中，地球曲率、地球旋转以及卫星的姿态变化都可以引起定位误差。为此，需要通过地标偏移量来求解导航调整量，即通过计算遥感卫星资料地面控制点的匹配关系，获得遥感图像中地面控制点的偏移量，从而准确地估计遥感卫星姿态，最终获得准确的图像导航结果。

近年来，有关研究人员对遥感卫星图像地标导航的误差校正问题做了大量的研究，先后提出了基于地标重心的方法、基于边界的匹配方法、直方图聚类方法、最小方差方法和基于特征的方法等。其中，Emery等人在2003年提出了一种基于最大相关系数(MaximumCorrelation Coefficient)的自动地标导航方法。该方法是目前为止应用范围最为广泛的地标导航方法，具有简单易于实现、计算速度快、高精度等优点。在公开号为CN101109818的中国发明专利申请中，公开了一种大面幅遥感影像高精度控制点自动选择方法。该方法的具体步骤是：对一定大小的子图像进行高精度拟合配准，然后从配准的子图像中重新采样作为大面幅影像的控制点。其最大优点是，最终的控制点不是采用传统方法来直接检测，而是采用间接方法来实现的，避免了传统方法直接提取高精度控制点的困难，同时可以方便地调整最终控制点的分布。对大量实验结果采用多种不同的精度评价方法进行分析和比较，结果表明，该技术方案所选择的控制点可以达到子像素级精度，是一种切实可行的并具有很强鲁棒性的控制点选择方法。

但是，上述现有技术仍然存在一定的局限性，主要表现在：1.当需要处理大量的历史资料并不丰富的遥感卫星资料时，地面控制点匹配方法的自动性很难满足。而对方法自动性的要求是如今大量遥感卫星资料应用的前提；2.现有的替换方法是通过手工或者半自动的方法进行替代，然后将由此获得的地标偏移量返回给系统，获得相关的图像导航结果，因此图像导航计算的时间和精度会由于手工的影响而产生较大的偏差；3.现有方法需要通过专家制定大量的模板库，由于历史资料积累等方面的因素，我国的遥感卫星对地探测资料并不丰富，因此适用于国外遥感卫星的地标导航方法并不适合于我国自主设计的遥感卫星。

发明内容

本发明的目的是提供一种基于知识学习的遥感卫星资料地面控制点自动匹配方法。该方法利用知识规则来生成模板，代替手工选取模板的过程，从而有效解决了在历史资料不足的条件下进行地标导航的技术难题。

为实现上述的目的，本发明采用下述的技术方案：

一种基于知识学习的遥感卫星资料地面控制点自动匹配方法，其特征在于包括如下的步骤：

(1)提取地面控制点图像的轮廓信息和内容信息；

(2)将所述轮廓信息和所述内容信息予以合成，获得地面控制点的合成图像；

(3)将所述合成图像与待匹配的遥感卫星图像进行匹配，获得地面控制点的偏移量。

其中，在所述步骤(1)中，根据模板图像和预先定义的地面控制点获得所述地面控制点图像的轮廓信息。

所述模板图像为国际MODIS/AIRS预处理软件包中的图像。

所述轮廓信息包括但不限于遥感图像的轮廓、地物特征分类以及经纬度信息。

所述地面控制点图像为在确定地面控制点之后，以所述地面控制点为中心扩展成一定大小的图像，所述地面控制点包括但不限于地标轮廓的拐点、“T”型连接点或者高曲率点。

在所述步骤(1)中，利用已有的遥感卫星历史数据或者当前获得的遥感卫星资料，根据不同的地物特征的概率分布特性，生成所述地面控制点图像的内容信息。

所述步骤(2)中，对于提取到的内容信息，以地物特征分类为索引填充到轮廓信息中，获得地面控制点的所述合成图像。

所述步骤(3)中，首先采用最大相关系数方法，将步骤(2)中获得的所述合成图像与待匹配遥感卫星图像进行匹配，获得所述合成图像的中心点在待匹配遥感卫星图像中的行列号(i₀，j₀)；然后以在提取轮廓信息时获得的经纬度信息为索引，同时根据待匹配遥感卫星图像的像素经纬度信息，获得地面控制点的中心点在待匹配遥感卫星图像中的行列号(i，j)，以行列号(i₀，j₀)与(i，j)的差的绝对值作为所述地面控制点的偏移量。

本发明所提供的遥感卫星资料地面控制点自动匹配方法首先通过利用模板图像的轮廓信息，并利用历史资料或者现有遥感卫星资料获得地面控制点的内容信息，最终自动获得地面控制点的偏移量。利用本发明，能够准确估计遥感卫星姿态所带来的误差，在遥感卫星资料的处理工作中有着重要的应用价值。

附图说明

下面结合附图和具体实施方式对本发明作进一步的说明。

图1为本发明所提供的遥感卫星资料地面控制点自动匹配方法的流程图；

图2为地面控制点的结构特征示意图；

图3为IMAPP软件包中提供的全球模版图像的示例图；

图4为地面控制点图像轮廓的示例图；

图5显示了一幅典型的遥感卫星图像；

图6为图5所示遥感卫星图像所对应的直方图；

图7为合成完整的地面控制点图像的过程示意图。

具体实施方式

本遥感卫星资料地面控制点自动匹配方法的核心思想是充分利用现有的知识库系统来取代历史资料的作用，利用计算机模拟人工进行操作。由于人工进行遥感卫星资料地面控制点匹配时，一般利用两种先验知识，一是地面控制点的轮廓特征，二是地面控制点的内容信息。这两种信息是有可能在计算机表示出来的。因此，本自动匹配方法正是以学习的形式，基于人们对遥感卫星资料地面控制点的认识(即结构信息和内容信息)来自动完成匹配过程的。

参见图1所示，本遥感卫星资料地面控制点自动匹配方法的主要步骤分别是：1.提取地面控制点图像的轮廓信息和内容信息；2.将的轮廓信息和内容信息予以合成以获得地面控制点的合成图像；4.将地面控制点的图像与待匹配的遥感卫星图像进行匹配，从而获得地面控制点的偏移量。下面结合图1所示的流程图详细说明上述的各项具体实施步骤。

1.提取地面控制点图像的轮廓信息和内容信息

轮廓提取是指根据模板图像，通过定义一些特征点(即地面控制点)，获得具有明显特征的地面控制点图像信息。这里的信息包括遥感图像的轮廓、地物特征分类以及经纬度信息等。地面控制点通常选取具有显著的地物特征的点，实践中大多是湖泊、河流、海岸线、岛屿等。如图2所示，这些地面控制点应该具有清晰的结构特征，例如地标轮廓的拐点、“T”型连接点或者其他高曲率点等。

这里提到的模板图像是指包括一定区域大小的图像。在本发明中，模版图像可以采用例如现有的IMAPP软件包中的图像。IMAPP(International MODIS/AIRS Preprocessing Package)软件包也称为国际MODIS/AIRS预处理软件包，是美国Wisconsin大学从NASA的全球模式改进而成的，提供给任何有MODIS直接广播资料的用户使用。该软件包作为一种公益性知识库，可以直接从下列网址获得：http://cimss.ssec.wisc.edu/imapp/。在IMAPP软件包中，提供了一个全球范围的模版图像库。如图3所示，该模版图像库提供的全球模版是基于世界海岸线矢量库(World Vector Shoreline)以及世界数据银行(World Data Bank)所提供的数据，其灰度为8阶，分辨率是1km，等经纬度分布。采用上述的知识库系统是本发明的主要特点之一，它充分考虑到我国目前遥感卫星的历史资料尚不丰富的现状，利用现有的公共数据资源低成本地解决了这一问题。

步骤1中的轮廓信息包括地面控制点图像的经纬度信息和地物特征在遥感卫星图像中的信息(例如海洋、陆地、河流等等)。获取轮廓信息的具体步骤如下：首先，根据图2定义的地面控制点以及图3中显示的模板，获得地面控制点的轮廓信息；然后，在确定地面控制点之后，以该地面控制点为中心，自动扩展成一定大小的地面控制点图像(例如17×17)，如图4所示。通过上述的步骤，就可以获得地面控制点图像中每个像素的经纬度和轮廓特征信息。其中，地面控制点图像的每一个像素的经纬度可以从上述的全球模板中计算得到。

内容提取是指利用已有的遥感卫星历史数据或者当前获得的遥感卫星资料，根据不同的地物特征(例如海洋、陆地、湖泊等等)的概率分布特性，模拟生成当前地面控制点图像的内容信息。以图5所示的一幅典型遥感卫星图像为例。根据该图获得图6所示的直方图，从其直方图中可以获得不同地物特征的能量分布的概率特性。例如从图6所示的直方图中可以获得如下信息：该遥感卫星图像主要由两种地物组成，一种是海洋，一种是陆地。同时根据海洋和陆地在扫描辐射计不同波段上的能量分布的特点，可以得知A部分是陆地，B部分是海洋。然后，分别计算A部分、B部分的均值和方差，以各自的均值和方差为参数，产生两组满足正态分布的随机数，以此作为地面控制点图像的内容信息。

2.将前述步骤获得的轮廓信息和内容信息予以合成以获得地面控制点的合成图像

该合成步骤是指对于提取到的内容信息，以地物特征为索引填充到轮廓信息中(例如将提取到的海洋的内容信息，填充到海洋的轮廓信息中)，合成最终的地面控制点图像。

参见图7所示，首先以轮廓提取而得到的地物特征分类为索引(也就是陆地、海洋、河流等等)，自动识别当前图像的陆地、海洋和河流等，然后利用内容提取中获得的内容信息计算其能量分布的概率特性，之后根据遥感信息能量的概率分布特性进行填充，以丰富其细节信息，增加匹配的准确性。这样就最终获得了完整的地面控制点合成图像。

3.将地面控制点的合成图像与待匹配的遥感卫星图像进行匹配，获得地面控制点的偏移量

在该步骤中，首先将步骤2所得到的最终的地面控制点合成图像与待匹配的遥感卫星图像进行匹配，获得该地面控制点合成图像的中心点在待匹配遥感卫星图像中的行列号(i₀，j₀)。

具体的匹配方法可以采用最大相关系数方法(Maximum CorrelationCoefficient，简写为MCC)。该方法是现有的成熟技术，基本原理是这样的：首先给定一副图像f(x，y)，最大相关问题就是在该图像中寻找与实现给定的模板图像w(x，y)相匹配的位置。为此，将w(x，y)作为一个空间滤波器在f(x，y)中的每个位置计算w与f的乘积的和，然后归一化如下：

$\gamma (x,y)=\frac{\underset{s}{\Sigma }\underset{t}{\Sigma }[f(s,t)-\bar{f}(s,t)][w(x+s,y+t)-\bar{w}]}{{\left\{\underset{s}{\Sigma }\underset{t}{\Sigma }{[f(s,t)-\bar{f}(s,t)]}^2\underset{s}{\Sigma }\underset{t}{\Sigma }{[w(x+s,y+t)-\bar{w}]}^2\right\}}^{1/2}}$

w(x，y)在f(x，y)中的最佳匹配是在得到的相关图像中出现最大值的地方。由于计算量较大，一个变通的方法是可以将其与卷积联系起来，如下：

其中，O表示相关运算，*表示复共轭，F、H是傅立叶算子。

关于MCC方法的进一步说明，可以参考Emery等人的论文《Maximumcross correlation automatic satellite image navigation andattitude corrections for open ocean image navigation》(载于IEEETransactions on Geoscience and Remote Sensing，2003，41(1)：33-42.)，在此就不详细说明了。

然后，以在轮廓提取时获得的经纬度信息(lat，lon)为索引，同时根据待匹配的遥感卫星资料的像素经纬度信息，获得该地面控制点的中心点在待匹配遥感卫星图像中的行列号(i，j)。于是有关地面控制点的偏移量是：

$\left(\begin{array}{c}\mathrm{\Delta i}=|i-i_0|\\ \mathrm{\Delta j}=|j-j_0|\end{array}\right)$

其中，||表示取绝对值。

为了量化评价本遥感卫星资料地面控制点自动匹配方法的实际效果，我们可以通过导航的精度进行评价。对于给定的n个明显目标，如下定义误差：

$\mathrm{\Delta x}=\left|\frac{x-x_b}{n}\right|,$$\mathrm{\Delta y}=\left|\frac{y-y_b}{n}\right|$

其中，x，y是应用本发明所述方法进行自动匹配后的地面控制点的中心点坐标，x_b，y_b是模版库中地面控制点的中心点坐标。通过对2005年06月21日至2005年06月30日间的FY-1D扫描辐射计遥感数据导航定位结果进行误差分析，由此计算的导航精度是Δx＝1.0，Δy＝0.8。上述实验结果表明，本方法获得的导航误差控制在一个像素之内，在遥感卫星资料处理的过程中能够发挥很好的作用。

以上对本发明所述的基于知识学习机制实现的遥感卫星资料地面控制点自动匹配的方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。