异源影像匹配技术助力多源遥感影像融合新应用
    来源:  时间:2018/09/12

    1 影像自动匹配是异源遥感综合应用的基础

        
    异源影像自动匹配技术是通过一定的匹配算法在两幅或多幅不同类型影像之间识别同名点的过程,它是一项较为关键的技术,是区域网平差、影像配准、图像融合、目标识别、目标变化检测等问题中的一个重要前期步骤。
        随着社会信息化的到来,计算机技术与电子信息技术的发展带来了遥感探测器的不断更新换代,传感器设计、分辨率、数据传输与存储速度的大大提高,使得卫星遥感技术获得史无前例的大发展。但是从理论上讲,不可能在同一传感器上同时实现高空间分辨率、高光谱分辨率和高时间分辨率的成像,也难把光学、微波和激光传感器融为一体。因此,对于一个具有多类目标的复杂区域(例如城市或军事基地),需要利用多种传感器数据进行融合,才能获取足够的信息。


    异源遥感信息的融合的综合应用是未来遥感应用领域发展的新方向,深度挖掘遥感数据每个像素的价值仅靠单一类型的数据源已成为天方夜谭,必须通过两种或者两种以上的传感器数据才能为更多的遥感应用方向带来新的契机,如借助LIDAR数据可以提高其他卫星影像的高程定位精度;可见光和SAR以及高光谱的融合可以监测到更多肉眼无法识别的地物特征;机载普通数码相机和LIDAR融合可获得带有纹理的三维点云;影像与矢量地图自动配准以全自动获取并训练深度学习样本等等。 而异源信息的融合前提条件则是需要将异源数据配准在一起。
        海量数据的遥感综合应用如果用人工加点的方式必然会严重影响到工作效率,因此,研究异源影像自动匹配并工程化应用到批量化、自动化的影像数据生产中,是目前急需函待解决的问题。

    2影像匹配成为异源遥感综合应用技术瓶颈                         

    近年来陆续发射的卫星不仅仅局限于可见光的陆地观测卫星,还有雷达卫星(GF3)、高光谱卫星(GF5)、未来还有激光雷达的卫星(GF6)等。非可见光类型的影像与可见光卫星影像成像机理差异很大,不仅传统的自动匹配技术已无法满足这些卫星数据大规模、批量化地生产,就连人工选控制点也非常困难。
        影像匹配技术从上个世纪到现在先后经历了纯人工加点、人机辅助加点、同源影像全自动匹配到异源影像自动匹配等阶段,每个阶段都在引领着摄影测量与遥感学科技术的发展,当然,其发展历程也离不开计算机视觉技术的发展。 国土二调时期的数据处理都是靠大量的人工选点,例如ERDAS软件和ENVI软件的早期版本,耗时耗力且精度也无法保证。随着影像空间分辨率和数据量的提高,自动化匹配、数据几何定位模型精度对于配准技术的影响越来越大。影像通过自动匹配获取大量同名点,计算影像的数学模型,从而实现遥感影像配准成为主要的配准技术流程。
        目前常用的影像匹配方法包括基于区域的方法和基于特征的方法。
        基于区域的方法一般采用模板匹配的策略,以某种特征相似性测度为准则,在影像间进行同名点识别,从而实现影像的配准;常用的方法有相关系数、互信息等。虽然相关系数已经被广泛地应 用于遥感影像的配准,但是它对于灰度只具有线性不变性,不能很好地适用于影像间灰度差异较大的情况,尤其是非线性的灰度差异。互信息能够比较有效地抵抗影像间的灰度差异,已经被成功地应用于多传感器、多光谱遥感影像的配准,但互信息对于影像间的几何形变适应性较弱。
        基于特征的方法首先在影像间提取特征,然后利用特征间的相似性进行匹配。常用的基于特征的方法包括了基于点特征的方法、基于线特征的方法和基于面特征的方法。近年来,具有旋转和尺度不变性的SIFT特征被广泛地应用于遥感影像的配准。虽然SIFT描述符能够很好地抵抗影像间的旋转和尺度差异,但其基于影像局部邻域的梯度分布,当影像间辐射差异较大时,梯度信息不能提供稳定的特征,所以SIFT描述符难以适用于辐射差异较大的影像。
        总之,由于异源遥感影像间的灰度关系非常复杂,现有的影像匹配方法都不能很好的解决非线性的辐射差异问题。

        3 突破技术瓶颈 当好排头兵

    现有的影像匹配方法表明,影像的几何结构可以通过梯度信息进行表达,但梯度对于影像间的辐射变化较为敏感。相比而言,相位一致性特征具有更好的光照和对比度不变性。这一性质可以使它更好适应于影像间的辐射变化。目前虽然相位一致性模型已经应用于多传感器遥感影像的配准,但这些方法只使用了相位一致性的强度信息,忽略了该模型的方向信息,其配准效果还不够稳健。
        为此,航天宏图研究团队尝试利用图像相位一致性的强度和方向信息,并借助于梯度方向直方图(Histogram of Orientated Gradient,HOG)的思想,构建相位一致性方向直方图(histogram of orientated phase congruency,HOPC)特征描述符,再采用 HOPC 描述符间的欧式距离作为相似性测度(该测度称为 HOPCn) 进行同名点匹配。
                                                                
    输入影像或模板   相位一致性特征值和方向   HOPC基本结构    计算每个单元的方向直方图   收集所有单元的直方图输出HOP

                                              

                                                                                     图 1 HOPC的计算过程

    为了验证该方法的可行性,航天宏图研究团队采用了不同的数据进行试验。

    4 数据试验与结论

        实验一 光学和SAR影像
        验证光学与SAR的匹配效果。以1:50000的DOM为基准,采用京津冀地区GF1/2的108景光学(全色+多光谱)数据、GF3的29景SAR数据(分辨率5/10米)进行自动匹配试验。共匹配76608个连接点,连接点中误差为12.3米(1.2像素),匹配96440个控制点,控制点中误差为15.8米(1.5像素);布设1000个检查点,检查点的中误差为16.4米(1.6像素)。


    图 2 连接点缩略图                        图 3 控制点缩略图


    图 4 连接点匹配效果

    图 5 控制点匹配效果

    图 6 正射校正卷帘图

    实验二 光学和机载LIDAR
        将机载LIDAR数据栅格化采样为1米空间分辨率的DSM影像,用来校正2米GF1光学(全色)影像,地形数据也采用该DSM影像数据,也就是说控制点的平面坐标和高程数据全部取自于LIDAR数据。试验共匹配211个控制点,控制点中误差为1.81像素。


    图 7 控制点匹配效果
            
    图8 正射校正卷帘图

    实验三,影像和矢量地图
        将矢量地图数据自动栅格化为1米分辨率的影像数据作为参考基准数据,来纠正高分一号影像。试验共匹配141个控制点,控制点中误差为1.52像素。


    图 9 控制点匹配效果
        

    图 10正射校正效果

    以上试验表明,该方法能够很好地抵抗异源影像的辐射差异,实现异源影像间自动匹配;但是还需要做大量数据的验证测试,以完成成熟度、适应度的考验和产品化、工程化、集群化的改造。
        遥感应用正面临着前所未有的新机遇,航天宏图研究院经过了十年的先进技术研发,攻克了一项项技术难关,已经做好了充分的准备来迎接这一新机遇同时也是新挑战的到来。