專利名稱：基于rfm模型的多源星載sar影像自動匹配方法
技術(shù)領(lǐng)域：
本發(fā)明涉及星載合成孔徑雷達(Synthetic Aperture Radar, SAR)影像處理技術(shù)領(lǐng)域，更具體涉及一種基于有理函數(shù)模型(Rational Function Model，RFM)的多源星載SAR 影像自動匹配方法，該方法可以解決匹配過程中錯誤匹配點無法有效刪除的問題，實現(xiàn)多源星載SAR影像的自動可靠匹配。
背景技術(shù)：
隨著SAR傳感器技術(shù)的發(fā)展，利用多種SAR傳感器在不同時刻、不同位置獲取的同一地區(qū)的星載遙感影像越來越容易，多源遙感影像的目標聯(lián)合定位已成為攝影測量與遙感領(lǐng)域的重要研究方向之一。然而，無論是單點三維定位還是區(qū)域網(wǎng)平差，均需要快速而準確地找尋同名像點，并量測其影像坐標。目前，對于不同源SAR遙感影像的量測，多采用人工觀測方法，既耗時又費力，且無法滿足大量點量測的需求。對于多源遙感影像自動匹配，相關(guān)學者進行了大量研究，具有一定參考意義。2007 年Markuns利用邊緣特征進行多源影像匹配；2008年Yong構(gòu)建了一種顧及灰度和邊緣方向信息的信息熵測度，將其用于多源遙感影像匹配；同年，Kim等人也綜合利用邊緣的灰度和方向信息進行邊緣匹配來獲取同名點。但是，對于星載SAR影像，由于斑點噪聲的影響， 往往無法提取比較完整的邊緣特征，極大限制了邊緣匹配的成功率和可靠性。近年來，Lowe 提出了尺度不變線性變換算子(Scale-Invariant Feature Transform，SIFT)，并在近景攝影測量和計算機視覺領(lǐng)域中取得巨大成功，但是將其用于大容量星載SAR影像匹配有待進一步研究。此外，多源影像匹配中錯誤結(jié)果的有效刪除往往十分困難。2006年Keller利用方向信息來刪除錯誤匹配點，2008年刑帥首先利用影像各自的嚴格幾何模型，通過投影軌跡法建立近似核線來縮小匹配搜索空間約束匹配，然后利用地形連續(xù)的相容性約束刪除錯誤匹配點，并取得較好結(jié)果。該算法的優(yōu)點在于將影像的幾何信息引入到匹配過程中，但其缺點主要由如下兩個方面1)嚴格幾何模型涉及較多的物理參數(shù)，而多源影像的嚴格幾何模型又各不相同， 更加大了計算的復雜程度；2)對于非密集點匹配情況，相容性約束基于相鄰點具有相同或者相似的視差的假設(shè)不一定成立，這極大限制了其發(fā)現(xiàn)錯誤匹配的能力?；赗FM模型的區(qū)域網(wǎng)平差模型，能準確表達同名點間需要滿足的空間幾何約束關(guān)系，可用于檢測和刪除錯誤的匹配點，為此，本發(fā)明將RFM模型引入到多源星載SAR影像匹配，并將RFM模型區(qū)域網(wǎng)平差融入到各層金字塔影像匹配過程中，以解決目前多源星載 SAR影像同名點獲取過程中存在的匹配成功率低、匹配可靠性差等問題。

發(fā)明內(nèi)容
本發(fā)明的目的是在于提供了一種基于RFM模型的多源星載SAR影像自動匹配方法，可在匹配過程中自動發(fā)現(xiàn)并剔除錯誤匹配點，實現(xiàn)同名點的自動、可靠、精確匹配，大大提高了同名點獲取的自動化程度和工作效率，極大降低了人工工作量。為了達到上述目的，本發(fā)明采用如下技術(shù)措施A、求解多源SAR遙感影像的有理函數(shù)模型參數(shù)(Rational Polynomial Coefficient, RPC)；B、在每個金字塔影像層，利用影像RPC參數(shù)進行待匹配點初始點位的預測、近似核線幾何建立約束匹配、匹配窗口影像幾何粗糾正，并對每層金字塔影像匹配結(jié)果采用基于RFM模型區(qū)域網(wǎng)平差刪除錯誤的匹配點；C、在每層金字塔影像，進行基于RFM模型的區(qū)域網(wǎng)平差，實現(xiàn)影像RPC參數(shù)的精化和匹配點物方坐標的計算。D、逐層金字塔匹配直到原始影像層，最后利用最小二乘影像匹配方法精化匹配結(jié)果到子像素級別，最終實現(xiàn)多源星載SAR影像同名點的自動可靠匹配，其結(jié)果可滿足多源 SAR聯(lián)合定位的要求。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下顯著優(yōu)點和效果(1)將RFM模型引入到多源星載SAR影像同名點匹配中，充分利用了 RFM模型與傳感器無關(guān)性，形式簡單、解算方便等優(yōu)點；(2)將RFM模型區(qū)域網(wǎng)平差融入到各級金字塔影像匹配過程中，可以自動發(fā)現(xiàn)并刪除各層匹配結(jié)果中的錯誤匹配點，具有更好的匹配可靠性；(3)多源SAR影像的RPC參數(shù)在匹配過程中得到不斷精化，可以提供準確的同名點初始位置，建立精確的核線幾何約束方程，具有更高的匹配成功率。對于某組多源SAR影像，Radarsat-I和Envisat影像存在近20度的旋轉(zhuǎn)角度，傳統(tǒng)匹配方法無法匹配出同名點，采用本方法可成功匹配出同名點并滿足多源SAR聯(lián)合定位的要求。本發(fā)明為多源星載SAR影像的自動匹配提供了一種可靠的匹配方法，創(chuàng)新性的將 RFM模型引入多源星載SAR影像同名點匹配，并將RFM模型區(qū)域網(wǎng)平差融入到各層金字塔匹配中，可有效刪除匹配結(jié)果中的錯誤匹配點，實現(xiàn)同名點的自動、可靠和精確匹配，大大減少同名點量測的工作量。


圖1為一種建立的虛擬控制點格網(wǎng)示意圖。圖2為一種基于RFM模型的多源星載SAR影像自動匹配方法的流程圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明做進一步詳細描述。實施例1 以下結(jié)合附圖對本發(fā)明做進一步詳細描述。一種基于RFM模型的多源星載SAR影像自動匹配方法，各步驟詳細闡述如下步驟1多源星載SAR影像的RPC參數(shù)計算1 采用與地形無關(guān)的方法(可參考張永生、鞏丹超等著的《高分辨率遙感衛(wèi)星應用——成像模型、處理算法及應用技術(shù)》)，利用星載SAR影像的嚴格幾何模型，基于不同高程面生成的密集且均勻分布的虛擬控制格網(wǎng)，如圖1所示，利用虛擬控制點按最小二乘原理進行解算，得到各影像的RPC參數(shù)。步驟2數(shù)據(jù)預處理2 步驟2. 1金字塔影像生成采用實用、簡單的3X3像元平均法，將多源星載SAR影像生成3級金字塔影像。首先對原始影像的每3X3個像元計算其平均灰度值，并賦給第一級金字塔影像的對應像元，生成第一級金字塔影像。依此類推，直至生成第三級金字塔影像。步驟2. 2特征點提取將影像劃分為均勻的格網(wǎng)，格網(wǎng)點數(shù)可以依據(jù)影像大小給定，一股將影像劃分為40 X 40以內(nèi)的格網(wǎng)即可，采用攝影測量中常用的Forstner特征提取算子(可參考張祖勛、張劍清編著的《數(shù)字攝影測量學》)在每個格網(wǎng)內(nèi)提取一個最佳特征點。如果某格網(wǎng)內(nèi)的特征信息不明顯，則將網(wǎng)格中心點作為特征點，并存儲為文件形式，供后繼影像匹配使用。步驟2. 3基準影像待匹配影像的確定首先利用步驟1得到的影像RPC參數(shù)，計算每張影像四個角點所對應的近似物方坐標。對每張基準影像，遍歷其他所有影像，計算其四個角點在基準影像上的像素坐標，如果位于基準影像范圍內(nèi)，則認為該影像與基準影像存在重疊區(qū)域，加入到基準影像的待匹配影像鏈表中，便可以得到基準影像各自關(guān)聯(lián)的所有待匹配影像。步驟3特征點初始點位的預測3 為了減少同名點的搜索時間，提高影像匹配的成功率，利用影像RPC參數(shù)和已知的空間坐標信息進行特征點初始點位的預測。在最高層金字塔影像，首先利用基準影像RPC 參數(shù)，將待匹配點投影到測區(qū)平均高程面的物方坐標，然后利用待匹配影像的RPC參數(shù)，計算其在待影像匹配上的像素坐標，完成初始點位的預測。在其他金字塔影像層，直接利用上層匹配結(jié)果所獲得的該特征點的物方坐標計算其在待匹配影像上的坐標，實現(xiàn)初始點位的計算。步驟4帶幾何粗糾正和核線幾何約束的相關(guān)系數(shù)法匹配4 為了加快匹配速度，同時減少影像旋轉(zhuǎn)角度和幾何變形的不利影響，利用相關(guān)系數(shù)搜索同名點之前，建立核線幾何約束方程并對匹配窗口影像進行幾何粗糾正步驟4. 1核線幾何約束方程的建立以特征點的高程值Ztl為中心建立不同的高程平面，高程平面的高程為Z1和Z2，分別為Z1 = Ztl- Δ Z、Z2 = Ztl+ Δ Z，其中Δ Z的取值可任意， 本實施例中取為100米。利用基準影像的RPC參數(shù)，分別計算特征點投影到高程面Z1, Z2上的物方點坐標，分別記為(Lat1, Lon1, Z1)和(Lat2, Lon2, Z2)，然后利用待匹配影像的RPC參數(shù)，計算對應的投影像素坐標(Xl，Y1)和(x2，y2)。在小范圍內(nèi)星載SAR影像的核線可近似認為是直線，利用(U1)和(x2，y2)可建立該特征點在待匹配影像上對應的核線幾何約束方程。所述的Z1 = Z0-AZ為低高程面的高程。所述的Z2 = Ztl+ Δ Z為高高程面的高程。步驟4. 2匹配窗口影像的幾何粗糾正經(jīng)過上層金字塔影像匹配，申請人可以得到各特征點的物方坐標和各多源SAR影像精化后的RPC參數(shù)。以特征點高程Ztl作一小面元Γρ，利用基準影像精化后的RPC參數(shù)，將特征點所在基準影像上匹配窗口 ξ ,的四個角點投影到面元Γ ρ，得到對應的四個物方空間坐標，再利用待匹配影像精化的RPC參數(shù)，投影計算像素坐標，得到四邊形ξ2。利用上述兩個四邊形€工和ξ 2四個角點的像素坐標，可解算出 6個仿射變換參數(shù)，利用該變換參數(shù)，將待匹配影像中的四邊形ξ 2重采樣為新的影像窗口 ξ 3，完成匹配窗口影像的幾何粗糾正。最后，使用影像窗口 I3與影像窗口 I1實施匹配。所述的Ztl為高程。所述的高程小面元。所述的ξ工為所在基準影像上匹配窗口。所述的ξ 2為所在基準影像上匹配窗口投影到搜索影像對應的四邊形。所述的ξ 3為經(jīng)幾何粗糾正、重采樣后的影像窗口。步驟4. 3相關(guān)系數(shù)法匹配在建立核線幾何約束方程后，對搜索窗口影像的每個像素遍歷，首先計算該像素到核線方程的距離，當小于給定的閾值時，以其為中心開辟匹配窗口。當變形超過指定閾值時，按步驟4. 2中方法進行匹配窗口影像的幾何粗糾正，然后利用相關(guān)系數(shù)法進行其相似性測度。最后，選取搜索窗口中相關(guān)系數(shù)值最大且大于指定閾值的像素點為該特征點的同名點。步驟5基于RFM模型區(qū)域網(wǎng)平差刪除錯誤匹配點5 本發(fā)明采用像方仿射變換模型進行衛(wèi)星影像區(qū)域網(wǎng)平差，模型定義如下
\FX = px0 + PX1 . Sample + px2 . Line + Sample - χ = 0\(1) \Fy = py0 + Pyl ■ Sample + py2 ■ Line + Line = 0式中，(χ, y)為點在影像上真實坐標的列號和行號，(Sample, Line)為對應物方點利用RPC參數(shù)投影到影像上的坐標列號和行號，(pXi，Pyi) (i = 0,1,2)是待求的仿射變換系數(shù)。輔之于選權(quán)迭代法，在平差過程中，利用合理的調(diào)整各觀測值的權(quán)值，保證錯誤匹配點不影響平差結(jié)果，并實現(xiàn)其自動檢測和定位。具體實施步驟如下步驟5. 1平差初始值的確定在最高金字塔影像層，每張影像的仿射變換系數(shù)的初始值為缺省值，PX1 > Py2為1，其他系數(shù)均為0，特征點的物方坐標利用影像的RPC參數(shù)通過前方交會技術(shù)計算得到。在其他金字塔影像層，每張影像的仿射變換系數(shù)初始值為上層匹配區(qū)域網(wǎng)平差的結(jié)果，特征點的物方坐標利用其在當前金字塔層匹配得到的同名點影像行列號坐標和上一級金字塔層平差精化后的影像定向參數(shù)通過前方交會技術(shù)計算得到。所述的pXl、py2為公式(1)中所述的仿射變換系數(shù)。步驟5. 2觀測值權(quán)值的計算第一次平差時，每個連接點行列坐標觀測值的權(quán)為 1，在后面的平差計算中，觀測值的權(quán)按照從驗后方差估計原理導出的選擇權(quán)迭代法進行計算。首先按公式(2)計算各個觀測值的統(tǒng)計量Ti,
ν2T1 =^ (i = 1,2,3, Λ,η) (2)
^or,式中，Vi為觀測值i的殘差，^為對應的多余觀測量，么為單位權(quán)中誤差，η為觀測
值總數(shù)。然后按公式(3)更新該觀測值在下次迭代平差中的權(quán)值A(chǔ)(t+1)，具體為
權(quán)利要求
1. 一種基于RFM模型的多源星載SAR影像自動匹配方法，其步驟是A、多源星載SAR影像的RPC參數(shù)計算(1):采用與地形無關(guān)的方法，利用星載SAR影像的嚴格幾何模型，基于不同高程面生成的密集且均勻分布的虛擬控制格網(wǎng)，利用虛擬控制點按最小二乘原理進行解算，得到各影像的RPC參數(shù)；B、數(shù)據(jù)預處理(2)1)金字塔影像生成采用3X3像元平均法，將多源星載SAR影像生成3級金字塔影像，首先對原始影像的每3X3個像元計算其平均灰度值，并賦給第一級金字塔影像的對應像元，生成第一級金字塔影像，依此類推，直至生成第三級金字塔影像；2)特征點提取將影像劃分為均勻的格網(wǎng)，格網(wǎng)點數(shù)依據(jù)影像大小給定，將影像劃分為40X40以內(nèi)的格網(wǎng)，在每個格網(wǎng)內(nèi)提取一個點，供后繼影像匹配使用；3)基準影像待匹配影像的確定首先利用步驟(1)得到的影像RPC參數(shù)，計算每張影像四個角點所對應的近似物方坐標，對每張基準影像，計算四個角點在基準影像上的像素坐標，加入到基準影像的待匹配影像鏈表中，得到基準影像各自關(guān)聯(lián)的所有待匹配影像；C、特征點初始點位的預測(3)利用影像RPC參數(shù)和已知的空間坐標信息進行特征點初始點位的預測，在最高層金字塔影像，首先利用基準影像RPC參數(shù)，將待匹配點投影到測區(qū)平均高程面的物方坐標，然后利用待匹配影像的RPC參數(shù)，計算其在待影像匹配上的像素坐標，完成初始點位的預測，在金字塔影像層，直接利用上層匹配結(jié)果所獲得的該特征點的物方坐標計算其在待匹配影像上的坐標，實現(xiàn)初始點位的計算；D、帶幾何粗糾正和核線幾何約束的相關(guān)系數(shù)法匹配(4)建立核線幾何約束方程并對匹配窗口影像進行幾何粗糾正1)核線幾何約束方程的建立以特征點的高程值Ztl為中心建立不同的高程平面，高程平面的高程為Z1和Z2,分別為Z1 = Ztl- Δ Z、Z2 = Ztl+ Δ Z，其中Δ Z的取值可任意，利用基準影像的RPC參數(shù)，分別計算特征點投影到高程面Z1, Z2上的物方點坐標，分別記為(Lat1, Lon1, Z1)和(Lat2, Lon2, Z2),然后利用待匹配影像的RPC參數(shù)，計算對應的投影像素坐標(U1) 和(x2，y2)，利用U1, Y1)和(x2，I2)建立該特征點在待匹配影像上對應的核線幾何約束方程；2)匹配窗口影像的幾何粗糾正經(jīng)過上層金字塔影像匹配，得到各特征點的物方坐標和各多源SAR影像精化后的RPC參數(shù)，以特征點高程Ztl作一小面元Γ ρ，利用基準影像精化后的RPC參數(shù)，將特征點所在基準影像上匹配窗口 I1的四個角點投影到面元Γρ，得到對應的四個物方空間坐標，再利用待匹配影像精化的RPC參數(shù)，投影計算像素坐標，得到四邊形ξ 2，利用上述兩個四邊形“和ξ 2四個角點的像素坐標，解算出6個仿射變換參數(shù)，利用該變換參數(shù)，將待匹配影像中的四邊形ξ 2重采樣為新的影像窗口 ξ 3，完成匹配窗口影像的幾何粗糾正，最后，使用影像窗口 ξ 3與影像窗口 I1實施匹配；3)相關(guān)系數(shù)法匹配在建立核線幾何約束方程后，對搜索窗口影像的每個像素遍歷， 首先計算該像素到核線方程的距離，當小于給定的閾值時，以其為中心開辟匹配窗口，按步驟(4.2)中方法進行匹配窗口影像的幾何粗糾正，利用相關(guān)系數(shù)法進行其相似性測度，最后，選取搜索窗口中相關(guān)系數(shù)值最大且大于指定閾值的像素點為該特征點的同名點；⑴E、基于RFM模型區(qū)域網(wǎng)平差刪除錯誤匹配點(5) 采用像方仿射變換模型進行衛(wèi)星影像區(qū)域網(wǎng)平差，模型定義如下 (Fx = px0 + pxx . Sample + px2 . Line
全文摘要
本發(fā)明公開了一種基于RFM模型的多源星載SAR影像自動匹配方法，首先計算影像各自的RPC參數(shù)，然后，在每個金字塔影像層，利用影像RPC參數(shù)進行待匹配點初始點位的預測、近似核線幾何建立約束匹配、匹配窗口影像幾何粗糾正，并對每層金字塔影像匹配結(jié)果采用基于RFM模型區(qū)域網(wǎng)平差刪除錯誤的匹配點，同時實現(xiàn)影像RPC參數(shù)的精化和匹配點物方坐標的計算。逐層精化匹配結(jié)果直到原始影像層，最后利用最小二乘影像匹配方法精化匹配結(jié)果，實現(xiàn)多源星載SAR影像同名點的自動可靠匹配。本發(fā)明將RFM模型引入到多源星載SAR影像自動匹配，并將RFM模型區(qū)域網(wǎng)平差融入到各層金字塔影像匹配過程中，可以有效刪除匹配中錯誤的匹配點，有效降低同名點人工量測的工作量。
文檔編號G01S13/90GK102213762SQ20111009175
公開日2011年10月12日 申請日期2011年4月12日 優(yōu)先權(quán)日2011年4月12日
發(fā)明者余紹淮, 吳穎丹, 張霄, 明洋, 李海亮, 王麗園, 陳楚江 申請人:中交第二公路勘察設(shè)計研究院有限公司