文章快速检索     高级检索
  重庆邮电大学学报(自然科学版)  2020, Vol. 32 Issue (3): 441-451  DOI: 10.3979/j.issn.1673-825X.2020.03.014
0

引用本文 

李玉, 姜昊男, 王华斌, 赵泉华. 基于间接校正的高分三号正射影像生成[J]. 重庆邮电大学学报(自然科学版), 2020, 32(3): 441-451.   DOI: 10.3979/j.issn.1673-825X.2020.03.014.
LI Yu, JIANG Haonan, WANG Huabin, ZHAO Quanhua. Generating GF-3 orthophoto image based on indirect rectification[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2020, 32(3): 441-451.   DOI: 10.3979/j.issn.1673-825X.2020.03.014.

基金项目

国家测绘地理信息局卫星测绘应用中心应用基础研究项目资源三号与高分三号遥感影像融合处理及信息提取(17-2099);辽宁省高校创新人才支持计划项目(LR2016061)

Foundation item

The Applied Basic Research Project of National Bureau of Surveying, Mapping and Geographic Information Satellite Mapping Application Center, Remote Sensing Image Fusion Processing and Information Extraction of ZY-3 and GF-3(17-2099); The Innovative Talents Support Project of Colleges and Universities in Liaoning Province (LR2016061)

作者简介

李玉(1963-),男,吉林长春人,教授,博士,博士生导师,主要研究方向为遥感图像处理。E-mail: liyu@lntu.edu.cn; 姜昊男(1995-),男,辽宁沈阳人,硕士研究生,主要研究方向为SAR影像处理。E-mail: 124426910@qq.com

通讯作者

李玉 liyu@lntu.edu.cn.

文章历史

收稿日期: 2018-12-22
修订日期: 2020-04-24
基于间接校正的高分三号正射影像生成
李玉1, 姜昊男1, 王华斌1,2, 赵泉华1     
1. 辽宁工程技术大学 测绘与地理科学学院 遥感科学与应用研究所,辽宁 阜新 123000;
2. 中国国土勘测规划院,北京 100035
摘要: 由于高分三号卫星(gaofen-3 satellite, GF-3)数据问世时间较短、参数不足,现有软件未针对GF-3数据添加传感器支持,导致难以利用现有各类软件生成其正射影像。提出一种基于间接校正的GF-3正射影像生成方法。模拟待校正区域卫星成像过程,采用RD模型利用与该区域对应的DEM数据构建模拟GF-3影像;在模拟与真实GF-3影像中分别提取特征点,并配准提取的特征点对,进而建立两影像间的映射关系;利用模拟GF-3影像分别与DEM数据和真实GF-3影像之间的映射关系,间接完成正射校正,生成正射影像。针对GF-3多成像模式的特点,选取3种具有代表性成像模式的影像进行正射影像生成试验,取得了较好的实验结果。将真实GF-3影像与模拟GF-3影像的对应像元坐标进行比较表明,xy方向误差均小于一个像元,精度较高。提出算法充分考虑到了GF-3系统的成像特点,在不同的地形细节均取得了较好的结果。定性和定量的分析实验结果验证了提出方法的可行性及有效性。
关键词: 高分三号卫星(GF-3)    RD模型    模拟GF-3影像    正射校正    
Generating GF-3 orthophoto image based on indirect rectification
LI Yu1 , JIANG Haonan1 , WANG Huabin1,2 , ZHAO Quanhua1     
1. Institute for Remote Sensing Science and Application, School of Geomatics, Liaoning Technical University, Fuxin 123000, P. R. China;
2. China Land Surveying and Planning Institute, Beijing 100035, P. R. China
Abstract: Due to the short time to come out and insufficient parameters of GaoFen-3 satellite(GF-3) data, the existing software does not add sensor support for GF-3 data which makes it difficult to generate its orthophoto images by using existing software. To this end, a method of generating GF-3 orthophoto images based on indirect rectification is presented in this paper. Firstly, the process of satellite imaging in the region to be ortho-corrected is simulated, and the simulated GF-3 image is constructed by using DEM data which corresponds to this region through the RD model. Secondly, feature points are extracted in simulated and real GF-3 images, respectively, the feature point pairs are matched; and then the mapping relationship between the two images is established. Finally, using the mapping relationship between simulated GF-3 image and DEM data as well as real GF-3 image, orthophoto correction is completed indirectly and orthophoto image is generated. In this paper, according to the characteristics of multiple imaging modes of GF-3, the experiment for generating GF-3 orthophoto image generation is carried out with three representative imaging model and good experimental results are obtained. The comparison of corresponding pixel coordinates between real GF-3 image and simulated GF-3 image shows error in x and y direction is less than one pixel. A high precision result has been obtained. The imaging features of SAR system are fully taken into account in the proposed method. Results of different terrain details are good. The experimental results of qualitative and quantitative analysis verify the feasibility and effectiveness of the proposed method.
Keywords: GaoFen-3 satellite(GF-3)    RD model    simulated GF-3 image    orthophoto correction    
0 引言

高分三号卫星(gaofen-3 satellite, GF-3)是我国自主研发的第一颗搭载C波段多极化合成孔径雷达(synthetic aperture radar, SAR)遥感卫星,也是迄今为止世界上成像模式最多的星载SAR系统。能够全天时、全天候观测全球海洋和陆地,不仅适用于大范围资源环境及生态普查,还能够清晰辨别出各种陆地上土地覆盖类型和海洋目标,对我国的国民经济建设及促进国际区域合作有重大战略意义[1]。SAR成像系统不受大气成分、光照条件等影响,同一地区所成的影像差异较小,SAR影像适合多时相分析,可用于动态监测;对地表电解质含量及地物表面粗糙度敏感,可反演地表水分含量生物量以及海洋风速等;具有一定的表面穿透性,能够穿透植被和绿叶,可用于植被遥感[2]

SAR影像的斜距成像特点,使其在地形起伏较大的不平坦地区将产生与光学影像不同的透视收缩、叠掩、阴影等几何形变[3]。这些几何形变对SAR影像地物目标辨识和专题信息提取产生不利影响,使其可用性大打折扣。因此,在实际应用中多采用正射校正消除这些不利影响,从而获取具有与真实地理位置相比没有变形的正射影像。

SAR影像正射校正方法通常包括雷达共线方程法、距离-多普勒模型(range Doppler, RD)法[4]及有理多项式(rational polynomial coefficient, RPC)模型。从机载SAR成像系统的几何特点出发,利用斜距影像上任意一点均须满足距离条件和多普勒条件的特点,Leberl[5]提出了雷达共线方程方法,但该方法仅适用于生成机载正射SAR影像,而未考虑任何星载SAR的成像特点。在Leberl雷达共线方程方法的基础上,Konecny等[6]提出了一种基于共线方程的星载SAR正射校正方法,该方法将星载SAR系统的位置、速度、方向、卫星天线姿态角及其变化率融入到传统摄影测量的框架下。由于考虑因素较多,需要解算的未知参数更多,工作量较大。但该方法依旧未考虑星载SAR系统的成像特点,因此,难以得到更为精准的正射SAR影像。SAR系统共线方程法是通过简化雷达处理方式建立SAR共线方程,仅从光学遥感及摄影测量的角度出发,对SAR影像的几何关系进行近似处理,没有考虑SAR影像本身的成像特点且需要大量计算。Brown[7]提出了一种不需要任何控制点或参考点的SAR影像定位方法,该方法只需星载SAR系统的星历数据和SAR数据即可计算成像系统的特征参数。在此基础上,Wivell等[8]给出了一种基于数字高程模型(digital elevation model, DEM)与RD模型的SAR影像正射校正方法,该方法通过解算卫星的位置与速度随时间的变化关系,建立地物点与卫星之间的运动方程,这是首次公开提出RD模型。在此基础上,尤建红等[9]采用模拟SAR影像方法建立地物点与真实SAR影像关系进一步改进了该类方法,并采用多项式方法计算像元灰度值;由于模拟灰度值与真实灰度值较为接近,因此,得到的正射影像纹理与真实影像纹理较为相似。陈继伟等[10]采用多项式方法解算卫星速度与位置随时间变化关系优化了上述方法,并通过模拟SAR影像与真实SAR影像配准,其中的配准过程相当于再一次优化精度,可得到更高精度的正射SAR影像。RPC模型最初在光学影像中使用广泛,当前已可以完全代替星载光学严密模型。张过等[11]将其用于SAR影像校正,该方法通过定义比值多项式,根据卫星头文件中RPC文件参数,直接建立大地坐标与其对应像点间坐标关系,完成校正。该方法计算简单,广泛应用于工程上,但该方法仅通过多项式计算每个像素对应坐标,提高效率的同时损失了一定的精度,所以精度低于RD模型[12]。目前最常采用的方法为RD模型法及RPC模型法,不需要地面控制点使其受局限程度远小于其他方法,相比之下,RD模型中间接校正方法包含配准的过程,精度高于直接校正方法及RPC模型法[13]

本文首先根据DEM模拟GF-3影像,再通过模拟GF-3影像建立DEM与真实GF-3影像之间的位置关联,间接生成正射影像。相比雷达共线方程法,更考虑到了地形细节的处理,生成的正射校正影像精度较高。对GF-3多种不同成像模式影像进行实验,验证了本文方法对GF-3不同成像模式的适用性,解决了从未针对GF-3影像进行正射校正研究的问题。

1 基于RD模型模拟GF-3影像

本文包含2部分,基于RD模型建立模拟影像和正射影像生成。其中,建立模拟影像根据DEM影像与卫星头文件,从地面空间直角坐标(X, Y, Z)出发,结合RD模型计算每个像元所对应的模拟GF-3影像坐标(x, y),生成模拟GF-3影像。具体流程如图 1

图 1 模拟影像生成流程图 Fig.1 Flow chart of simulated image generation

模拟GF-3卫星在目标区域的成像过程,采用RD模型将DEM影像转换成模拟GF-3影像。GF-3卫星在距离向是斜距成像,而在方位向上应用了多普勒频移进行影像的合成处理,因此,可以根据GF-3影像自身的成像机制,采用RD模型定位GF-3影像。

RD模型如图 2,S表示GF-3卫星的位置,其位置和速度矢量分别为RS=(XS, YS, ZS)和VS=(VX, VY, VZ),地面点P的位置,其位置矢量RP=(X, Y, Z)。

图 2 RD模型 Fig.2 RD model

在任意时刻t的一个距离向的扫描行内,斜距影像上任意一点应该满足条件

$ \left\{ \begin{array}{l} {\mathit{\boldsymbol{R}}^2} = \left( {\begin{array}{*{20}{c}} X\\ {\rm{S}} \end{array} - X} \right)2 + \left( {\begin{array}{*{20}{c}} Y\\ {\rm{S}} \end{array} - Y} \right)2 + ({Z_{\rm{S}}} - Z)2\\ \frac{{{\mathit{\boldsymbol{f}}_{\rm{D}}}}}{2} = - \frac{{{V_X}({X_{\rm{S}}} - X) + {V_Y}({Y_{\rm{S}}} - Y) + {V_Z}({Z_{\rm{S}}} - Z)}}{{\lambda \cdot R}} \end{array} \right. $ (1)

(1) 式中:R为卫星与地面点之间斜距;fD为多普勒频移;λ为雷达波长。根据(1)式构建函数得到多普勒频率方程

$ \mathit{\boldsymbol{g}}(t) = {\mathit{\boldsymbol{f}}_{\rm{D}}} + \frac{2}{{\lambda \cdot R}}{\mathit{\boldsymbol{V}}_{\rm{S}}}{({\mathit{\boldsymbol{R}}_{\rm{S}}} - {\mathit{\boldsymbol{R}}_{\rm{P}}})^{\rm{T}}} $ (2)

使用牛顿迭代法可以计算出未知参数时间t,将t代入(1)式即可计算出斜距R

1.1 GF-3卫星任意时刻运动状态求解

在空间直角坐标系中,卫星运动状态需要通过任意时刻t的位置矢量RS与速度矢量VS表示。为了确定任意时刻卫星的位置与速度随时间变化关系,需要建立多项式卫星轨道方程,即RSVS随时间t变化的方程。其中,卫星位置RS随时间变化可表示为三次多项式

$ {\mathit{\boldsymbol{R}}_{\rm{S}}} = \left( {\begin{array}{*{20}{l}} {{X_{\rm{S}}}}\\ {{Y_{\rm{S}}}}\\ {{Z_{\rm{S}}}} \end{array}} \right) = \left( {\begin{array}{*{20}{l}} {{a_0}}&{{a_1}}&{{a_2}}&{{a_3}}\\ {{b_0}}&{{b_1}}&{{b_2}}&{{b_3}}\\ {{c_0}}&{{c_1}}&{{c_2}}&{{c_3}} \end{array}} \right)\left( {\begin{array}{*{20}{c}} 1\\ t\\ {{t^2}}\\ {{t^3}} \end{array}} \right) $ (3)

(3) 式中,(ak, bk, ck), k=0, 1, 2, 3为多项式系数,若已知若干个连续时刻的卫星位置矢量,即可解算该系数。

RS求导,即可得到卫星速度VS随时间变化的多项式为

$ {\mathit{\boldsymbol{V}}_{\rm{S}}} = \left( {\begin{array}{*{20}{l}} {{V_X}}\\ {{V_Y}}\\ {{V_Z}} \end{array}} \right) = \left( {\begin{array}{*{20}{l}} {{a_1}}&{2{a_2}}&{3{a_3}}\\ {{b_1}}&{2{b_2}}&{3{b_3}}\\ {{c_1}}&{2{c_2}}&{3{c_3}} \end{array}} \right)\left( {\begin{array}{*{20}{l}} 1\\ t\\ {{t^2}} \end{array}} \right) $ (4)
1.2 DEM重采样及坐标系变换

通常GF-3影像分辨率远高于对应的DEM数据分辨率。若使用DEM数据直接建立模拟GF-3影像,将造成模拟影像的采样不足问题,所以需要对DEM数据进行重采样处理。首先,确定重采样率。由于SAR影像为侧视成像,有一定的雷达视角,会造成地距与斜距分辨率的差异,因此,需建立采样因子(记为f1)与雷达视角β的关系为

$ {f_1} = \frac{{{\delta _{\rm{r}}}}}{{{\delta _{{\rm{rg}}}}}} = {\rm{sin}}\beta $ (5)

(5) 式中,δrδrg分别代表斜距分辨率与地距分辨率。其次,由于GF-3影像分辨率与DEM数据分辨率不同,但模拟影像需要与GF-3影像分辨率一致,因此,需要考虑由于分辨率不同而产生的采样因子,记为

$ {f_2} = \frac{{\sqrt 2 {\delta _{{\rm{dem}}}}}}{{{\delta _{{\rm{out}}}}}} $ (6)

(6) 式中:δdem为DEM数据分辨率;δout为模拟GF-3影像分辨率,与真实GF-3影像分辨率相同,所以可以用GF-3的斜距分辨率来代替。由于DEM为正射数据,其纵坐标轴为正南正北方向,而雷达飞行方向通常与正南正北方向有一定的夹角,这个角度不会大于45°。结合2个采样因子最终得到DEM的重采样率为

$ f \ge {f_1}{f_2} = \frac{{\sqrt 2 {\rm{sin}}\beta \cdot {\delta _{{\rm{dem}}}}}}{{{\delta _{{\rm{ out }}}}}} $ (7)

将重采样后的DEM数据中各个像元的地心地固大地坐标(B, L, H)提取出来,通过坐标变换转换为地心地固空间直角坐标

$ \left( {\begin{array}{*{20}{l}} X\\ Y\\ Z \end{array}} \right) = \left( {\begin{array}{*{20}{c}} {(N + H) \cdot {\rm{cos}}B \cdot {\rm{cos}}L}\\ {(N + H) \cdot {\rm{cos}}B \cdot {\rm{sin}}L}\\ {[N \cdot (1 - {e^2}) + H] \cdot {\rm{sin}}B} \end{array}} \right) $ (8)

(8) 式中,e为椭球的第一偏心率。

1.3 模拟影像行列坐标确定

为了将模拟GF-3影像的像元(x, y)与DEM数据位置建立对应关系,需要将由RD模型求解出的时间t与斜距R代入公式

$ \left( {\begin{array}{*{20}{l}} x\\ y \end{array}} \right) = \left( {\begin{array}{*{20}{c}} {\frac{{t \times PRF}}{N}}\\ {\frac{{R - {R_0}}}{M}} \end{array}} \right) $ (9)

(9) 式中:PRF为SAR的脉冲重复频率;N为方位向视数;R0为近地点斜距;M为GF-3影像的斜距分辨率。

1.4 模拟SAR影像灰度值确定

GF-3系统测量的地物目标后向散射系数为

$ \sigma = \frac{{0.013{\kern 1pt} {\kern 1pt} {\kern 1pt} 3{\kern 1pt} {\rm{cos}}\theta }}{{{{({\rm{sin}}\theta + 0.1{\kern 1pt} {\rm{cos}}\theta )}^3}}} $ (10)

(10) 式中,θ为局部入射角,即雷达入射方向RS-RP与地面法线向量n之间的夹角。

$ \theta = {\rm{arccos}}\left( {\frac{{({\mathit{\boldsymbol{R}}_{\rm{S}}} - {\mathit{\boldsymbol{R}}_{\rm{P}}}) \cdot \mathit{\boldsymbol{n}}}}{{|{\mathit{\boldsymbol{R}}_{\rm{S}}} - {\mathit{\boldsymbol{R}}_{\rm{P}}}|{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} |\mathit{\boldsymbol{n}}|}}} \right) $ (11)

可根据σ确定模拟GF-3影像像元的灰度值为

$ DN = K \cdot \sqrt \sigma $ (12)

(12) 式中,K为常数,通过在实验过程中试验得到,改变K值以获得最优模拟影像。

2 正射影像生成

通过配准建立模拟GF-3影像与真实GF-3影像的映射关系,进而建立DEM影像与真实GF-3影像的对应关系,从而将GF-3影像校正到DEM所在的地理空间完成间接校正。具体流程如图 3

图 3 正射影像生成流程图 Fig.3 Flow chart of orthoimage generation
2.1 配准

将模拟GF-3影像与真实GF-3影像配准,以建立模拟GF-3影像与真实GF-3影像的映射关系。由于已建立了DEM数据与模拟GF-3影像的映射关系,所以可以间接建立DEM与真实GF-3影像之间的映射关系,从而完成校正。

常采用的特征点提取算法主要包括Moravec算子、Forstner算子及Harris算子等。Moravec算子利用灰度方差提取特征点,计算灰度方差,并设定阈值,将灰度值大于阈值的点作为候选点,选取每个窗口内最大灰度值的候选点作为特征点。该算法简单,运行速度快,但对边缘和噪声敏感且精度较低,对于不同的图像需要不断实验来设定阈值。Forstner算子通过计算各个像素Robert梯度和以像素为中心的窗口灰度协方差矩阵,选为特征点的都是误差最接近圆的椭圆点。该算法精度高且运算速度较快,但算法较为复杂,也需要不断实验来确定阈值的范围。Harris算子为Moravec算子的改进,该算法给定与自相关函数相联系的M矩阵,其特征值为自相关函数的一阶曲率,如果2个曲率值都很高,就认定该点位特征点。Harris算子相比前2种算子,只用到灰度一阶差分,不需要设定阈值,自动化程度较高,不受噪声、旋转的影响,提取的特征点分布较为均匀。缺点在于运行时间较长。

本文采用Harris算子进行特征点匹配,提取真实GF-3影像与模拟GF-3影像的Harris特征点,在2幅影像中以每一个特征点为中心取(2N+1)×(2N+1)大小的相关窗,以真实GF-3影像中每个特征点为参考,寻找模拟GF-3影像中对应的特征点,可以通过(13)式计算特征点相关窗间相关系数,从而得到匹配后的特征点对。

$ R = \frac{{\sum\limits_i {({I_1}(} {x_i}, {y_i}) - {u_1})({I_2}({x_i}, {y_i}) - {u_2})}}{{\sqrt {\sum\limits_i {({I_1}(} {x_i}, {y_i}) - {u_1}{)^2}{{({I_2}({x_i}, {y_i}) - {u_2})}^2}} }} $ (13)

(13) 式中:I1I2分别代表 2幅影像的灰度值;u1u2分别代表 2幅影像中所有像素点的灰度平均值。

使用最小二乘法将得到的特征点对进行拟合,得到模拟GF-3影像与真实GF-3影像之间的转换关系

$ \left( {\begin{array}{*{20}{l}} X\\ Y \end{array}} \right) = \left( {\begin{array}{*{20}{l}} A&B&C&D\\ E&F&G&H \end{array}} \right)\left( {\begin{array}{*{20}{c}} 1\\ x\\ y\\ {xy} \end{array}} \right) $ (14)

(14) 式中:XY为真实GF-3影像像元坐标;xy为模拟GF-3影像像元坐标;A, B, C, D, E, F, G, H为拟合系数。

2.2 生成正射影像

建立了DEM与模拟GF-3影像之间的关系,又建立了模拟GF-3影像与真实GF-3影像之间的关系,根据以上2个变换关系即可确定DEM与真实GF-3影像之间的关系如(15)式。其中,tR可根据(1)式中RD模型迭代求解。从而将GF-3影像校正到DEM所在的地理空间,完成正射影像生成。

$ \left( {\begin{array}{*{20}{l}} X\\ Y \end{array}} \right) = \left( {\begin{array}{*{20}{l}} A&B&C&D\\ E&F&G&H \end{array}} \right)\left( {\begin{array}{*{20}{c}} 1\\ {\frac{{t \cdot PRF}}{N}}\\ {\frac{{R - {R_0}}}{M}}\\ {\frac{{t \cdot PRF \cdot M}}{{N(R - {R_0})}}} \end{array}} \right) $ (15)
3 实验结果 3.1 实验数据

为了验证本文方法,采用GF-3影像和NASA网站下载的30 m分辨率的ASTER-GDEM V2 DEM数据进行实验,并对实验结果进行定性和定量的精度评价,输入影像如图 4

图 4 输入影像 Fig.4 Input image

图 4a为GF-3影像,拍摄时间为2017年9月20日,地点为北京地区,HH极化,单视复数据(single-look complex, SLC)影像,包含5 960×6 663个像元,雷达入射角度为37.471 7°,分辨率为2.248 448 m(方位向)×4.728 293 m(距离向)的全极化条带影像(quad-polarization strip I,QPSI)。

图 4b为该地区对应的DEM数据,即分辨率为30 m×30 m的ASTER-GDEM V2数据。由于其分辨率远小于GF-3影像,为了生成正射影像,将真实GF-3影像灰度值赋值到DEM影像的需求,对DEM进行重采样,使其具有5 960×6 663个格网点。

3.2 实验结果与分析

根据(1)式,(2)式和(9)式计算出DEM每个像元所对应模拟GF-3影像的像元坐标,由(10)—(12)式计算得到每个像元所对应的灰度值。从而得到输出影像如图 5,其中,模拟GF-3影像见图 5a。从影像上可以看出,模拟GF-3影像在整体上与真实影像较为相似,地形起伏较大区域,模拟影像的纹理较为明显,地形起伏小的平坦地区,模拟影像的纹理信息较弱。

根据匹配的特征点,采取最小二乘法建立真实GF-3影像与模拟GF-3影像之间的映射关系。

由(16)式可建立(x, y)与(X, Y)之间的映射关系,即可确定DEM数据像元位置(i, j)与真实GF-3影像之间的位置关系,将真实GF-3影像的灰度值赋值到DEM影像,完成正射校正,得到的正射GF-3影像见图 5b

$ \left( {\begin{array}{*{20}{l}} X\\ Y \end{array}} \right) = \left( {\begin{array}{*{20}{c}} {0.074{\kern 1pt} {\kern 1pt} {\kern 1pt} 99}&{0.999{\kern 1pt} {\kern 1pt} {\kern 1pt} 96}&{ - 1.206{\kern 1pt} {\kern 1pt} {\kern 1pt} 26{\rm{E}} - 05}&{6.918{\kern 1pt} {\kern 1pt} {\kern 1pt} 37{\rm{E}} - 09}\\ {0.207{\kern 1pt} {\kern 1pt} {\kern 1pt} 17}&{ - 3.809{\kern 1pt} {\kern 1pt} {\kern 1pt} 77{\rm{E}} - 06}&{0.999{\kern 1pt} {\kern 1pt} {\kern 1pt} 96}&{9.495{\kern 1pt} {\kern 1pt} {\kern 1pt} 05{\rm{E}} - 10} \end{array}} \right)\left( {\begin{array}{*{20}{c}} 1\\ x\\ y\\ {xy} \end{array}} \right) $ (16)
图 5 输出影像 Fig.5 Output image

为了得到正射校正影像,需要建立模拟GF-3影像与真实GF-3影像之间的映射关系,采用Harris算子,对生成的模拟GF-3影像与真实GF-3影像进行特征点检测及匹配,在建立映射关系的同时,也检验了模拟影像的精度。

匹配点精度及误差如表 1,由表 1可知,x方向像元精度为0.107 5个像元,y方向的精度为0.128 2个像元,均小于1个像元,说明模拟GF-3影像精度较高,可以用于建立映射关系,完成正射校正。

表 1 匹配点精度及误差 Tab.1 Accuracy and error of feature point pairs

为了进一步验证本文方法的可行性、适用性及校正的准确性,对多幅不同模式且包含不同地形特征的GF-3影像进行校正。GF-3系统包含12成像模式,选取最具代表性的超精细条带模式(unique fine strip,UFS)和精细条带模式(fine strip I,FSI)影像作为实验数据,进行深入研究,结果如图 6~图 11。其中,图 6为精细条带模式影像,分辨率为3 m,影像中包含较为明显的地形起伏地区、平坦的城市地区及湖泊等。得到的校正结果如图 7,由图 7可见,正射校正得到了较好的结果。为了突出体现不同区域的校正效果,截取几个有代表性的地形特征区域。图 8a为影像中的山区,通过与光学影像图 8c对比,可以看出,由于GF-3斜距成像,导致其产生了一定程度的几何形变。通过正射校正得到图 8b,与光学影像接近一致。图 9a10a分别为田地与平坦城市地区的局部影像,对比光学影像,可以看到图 9图 10中各小块的圆形田地及圆形转盘由于GF-3影像的斜距成像特点,在真实GF-3影像中表现为椭圆形,而在校正影像中,很好地恢复了其形态,见图 9b图 10b图 11a为真实SAR影像中的湖泊,经过校正同样复原了其真实形态。

图 6 GF-3影像 Fig.6 GF-3 image
图 7 正射校正影像 Fig.7 Orthophoto image
图 8 地形起伏地区影像 Fig.8 Image of relief
图 9 平坦田地影像 Fig.9 Image of field
图 10 平坦城市地区影像 Fig.10 Image of city
图 11 湖泊地区影像 Fig.11 Image of lake

为了证明本文算法的优越性,选用RD模型中直接校正方法与RPC校正方法作为对比算法,进行试验,通过目视判别,可以看出对比算法的校正效果低于本文算法的校正效果,因为仅通过模型计算参数完成校正,所以RPC校正的效果最差,可以从图 10e中看出,圆形转盘未得到较好的校正,从图 11e中看出,上半部分湖面仍然可以根据目视确定形变的存在。直接校正算法优于RPC模型,但整体校正效果仍然低于间接校正,图 9d中麦田区域及图 10d城市区域,仍然可以看出形变的存在。同时结合DEM影像进行精度评价,结果如表 2。可以证明本文算法的校正精度远高于2种对比算法的精度。但由于本文算法需要经过一次配准的过程,因此,算法耗时高于2种对比算法。

实验结果如图 12~图 15图 12为精细条带模式影像,分辨率为5 m。影像整体为平坦区域,包含河流、海岸线及城市地区等,由图 13可见,本文方法在平坦地区也获得了较好的校正结果。截取两处有代表性的地形特征区域,图 14a为弯曲的河道,通过与光学影像14c对比,可以看出,由于斜距成像,河道产生了一定程度的变形。通过正射校正得到图 14b恢复了其形态,与光学影像接近相同。图 15a为GF-3影像中一处海岸区域,可以看出,海岸与其中一处半圆形建筑变形明显。通过本文算法校正,恢复了海岸与半圆形建筑的形状,与光学影像图 15c对比基本一致。

表 2 校正精度 Tab.2 Rectification accuracy
图 12 GF-3影像 Fig.12 GF-3 image
图 13 正射校正影像 Fig.13 Orthophoto image
图 14 河流地区影像 Fig.14 Image of river
图 15 海岸地区影像 Fig.15 Image of coast
3.3 正射校正精度检验

针对GF-3影像的正射校正精度评价采用粗检验和精检验2种方式。

使用DEM渲染图与正射校正影像进行对比,判断校正影像是否存在明显差异。如图 16,对比DEM渲染图与校正后GF-3影像,二者在山脉区域走势一致,初步验证了校正结果基本正确。

图 16 正射影像与DEM影像 Fig.16 Orthoimage and DEM image

精检验分别在正射影像与DEM影像中选取8个同名点,计算二者坐标误差,统计结果如表 3XY方向中误差分别为6.038 m和7.845 m。对本文选取的另一景影像使用此精度检验方法进行检验,生成的正射影像地形走势与DEM影像一致,坐标与DEM影像比较,XY方向误差分别为5.892 m和6.328 m。说明本文校正算法均取得了较好的结果。

表 3 正射校正精度 Tab.3 Ortho rectification accuracy
4 结论

本文采用基于DEM与RD模型的方法对GF-3影像进行间接校正,解决了由于GF-3影像问世时间较短、参数不足、现有软件未针对GF-3数据添加传感器支持、软件无法校正等问题。

采用RD模型以DEM为基础模拟待校正区域的GF-3成像过程,生成模拟GF-3影像,根据模拟GF-3影像通过配合配准,建立DEM与真实GF-3影像之间的位置关系。利用DEM数据的正射影像特性,将真实GF-3影像的灰度值赋值到DEM数据像元位置即可完成正射校正。

此方法更注重了对地形细节的处理,得到的正射影像效果较好。地形起伏较大的区域,正射影像的纹理较为明显,可以较好地反应真实地表信息。地形起伏较小的区域纹理信息较弱。总体与真实GF-3影像较为相似。匹配的过程也相当于一次精度的优化,所以得到精度较高的正射影像。分别对全极化模式、精细条带模式、超精细条带模式3种成像模式的影像进行校正,体现了本文算法针对GF-3多成像模式的适用性。此外,为简单起见,本文在对模拟影像与真实影像配准过程中选用Harris算法进行特征点匹配,提高算法稳定性的同时牺牲了一部分时间,配准的过程相当于一次精度优化,因此,将在今后研究更有效的配准方法。

参考文献
[1]
靳生洪, 辛兵厂, 史磊, 等. 基于高分三号全极化数据的西宁市城区地表地物变化检测[J]. 青海大学学报, 2019, 37(01): 79-86.
JIN S H, XIN B C, SHI L, et al. Detection of surface feature changes in Xining city based on GF-3 full polarized data[J]. Journal of Qinghai University, 2019, 37(01): 79-86.
[2]
WAN Z, SHAO Y, XIE C, et al. Ortho-rectification of high-resolution SAR image in mountain area by DEM[C]//2010 18th International Conference on Geoinformatics: GIScience in Change, Geoinformatics 2010. Beijing: Peking University, 2010: 18-20.
[3]
YANG B, WANG C, ZHANG H, et al. Application and comparison of resolving methods in SAR image ortho-rectification based onG.Konecny model[C]//Multispectral Image Processing.New York: SPIE, 2007: 67871P1-67871P8.
[4]
陈尔学.星载合成孔径雷达影像正射校正方法研究[D].北京: 中国林业科学研究院, 2004.
CHEN E X. Study on ortho-rectification methodology of space-borne Synthetic Aperture Radar imagery[D]. Beijing: Chinese Academy of Forestry, 2004.
[5]
LEBERL F. Radargrammetry for image interpretation[R]. Enschede: ITC Technical Report, 1978.
[6]
KONECNY G, SCHUHR W. Reliability of radar image data[C]//16th ISPRS Congress, B9, Kyoto. Vienna: International Society for Photogrammetry and Remote Sensing, 1988: 92-101.
[7]
TIMO B, ZHANG L, LIAO M S. Fast geocoding of spaceborne synthetic-aperture radar images using graphics processing units[J]. Journal of Applied Remote Sensing, 2012, 6(1): 063553.
[8]
WIVELL C E, STEINWAND D R, KELLY G G, et al. Evaluation of terrain models for the geocoding and terrain correction of Synthetic Aperture Radar (SAR) images[J]. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(6): 1137-1144.
[9]
尤红建, 丁赤飚, 吴一戎. 基于DEM的星载SAR图像模拟以及用于图像精校正[J]. 中国空间科学技术, 2006(01): 65-71.
YOU H J, DING C B, WU Y R. Image simulation of spaceborne SAR based on DEM and for image precision correction[J]. Chinese Space Science and Technology, 2006(01): 65-71.
[10]
陈继伟, 曾琪明, 焦健, 等. 利用轨道参数修正的无控制点星载SAR图像几何校正方法[J]. 测绘学报, 2016, 45(12): 1434-1440.
CHEN J W, ZENG Q M, JIAO J, et al. The geometric correction method of spaceborne SAR images without control points is used to correct orbit parameters[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(12): 1434-1440.
[11]
张过, 李贞. 基于RPC的TerraSAR-X影像立体定向平差模型[J]. 测绘科学, 2011, 36(06): 146-148, 120.
ZHANG G, LI Z. RPC-based adjustment model forTerraSAR-X stereo orientation[J]. Science of Surveying and Mapping, 2011, 36(06): 146-148, 120.
[12]
李艳艳, 唐娉, 胡昌苗, 等. 基于轨道参数修正的PALSAR-2影像正射校正技术[J]. 国土资源遥感, 2018, 30(02): 53-59.
LI Y Y, TANG P, HU C M, et al. PALSAR-2 image ortho-rectification based on orbit parameters modulation[J]. Remote Sensing for Land & Resources, 2018, 30(02): 53-59.
[13]
王超.星载InSAR影像配准及正射校正技术研究[D].西安: 长安大学, 2018.
WANG C. Research on registration and Orthorectification for Space-borne InSAR Image[D]. Xi'an: Chang'an University, 2018. http://cdmd.cnki.com.cn/Article/CDMD-10710-1018790868.htm