海量國產(chǎn)高分辨率衛(wèi)星影像優(yōu)化處理研究

張金盈，崔靚，徐鳳玲，王宏昌，林琳

(1.山東省國土測繪院，山東 濟南 250013；2.山東華峰地理信息科技有限公司，山東 濟南 250101；3.山東省水利科學研究院，山東 濟南 250014)

0 引言

隨著衛(wèi)星技術(shù)的高速發(fā)展，國產(chǎn)高分辨率衛(wèi)星影像的獲取能力及影像質(zhì)量大幅度提高，其成果在國土資源普查、土地利用調(diào)查、地理國情監(jiān)測、地理信息測繪、自然災害與公共安全應急響應、全球地理信息資源建設、國防安全建設等方面有巨大的應用效益[1]。遙感影像數(shù)據(jù)實時快速處理與高分辨率遙感影像信息提取應用是“十四五”測繪地理信息領(lǐng)域的重要內(nèi)容[2-3]。

國產(chǎn)衛(wèi)星影像相對國外較成熟的衛(wèi)星影像數(shù)據(jù)，處理難度大。影像分辨率大幅度提高使得影像獲取受衛(wèi)星平臺波動影響更大。國產(chǎn)衛(wèi)星影像存在的有理函數(shù)模型(RPC)參數(shù)精度不穩(wěn)定、控制點匹配難度大、空三加密處理無效冗余大等問題。有效解決高分辨率國產(chǎn)衛(wèi)星影像處理難的問題，對于提高國產(chǎn)衛(wèi)星影像的廣泛應用具有十分重要的意義。

1 國產(chǎn)衛(wèi)星影像及處理平臺

歐美在傳統(tǒng)光學衛(wèi)星領(lǐng)域一直處于領(lǐng)先地位。繼IKONOS、QuickBird之后，Geoeye、WorldView系列衛(wèi)星成功發(fā)射，全色商用影像空間分辨率達到0.3m[1]。近幾年，國產(chǎn)高分辨率遙感衛(wèi)星取得突破性進展，天繪系列衛(wèi)星、資源三號衛(wèi)星、高分一號、二號衛(wèi)星、北京二號、高景一號衛(wèi)星、歐比特系列衛(wèi)星等以不斷提高的影像空間分辨率、逐步增強的影像獲取能力、較好的影像現(xiàn)勢性等特點逐步打破了國外商業(yè)衛(wèi)星的主導地位，開始廣泛服務于各行業(yè)用戶[4-6]。海量數(shù)據(jù)、大時空數(shù)據(jù)、海量計算等需求對遙感數(shù)據(jù)處理系統(tǒng)提出了新的挑戰(zhàn)[7]，出現(xiàn)了包括基于GPU集群、分布式計算、云計算平臺、云格計算等海量遙感數(shù)據(jù)處理系統(tǒng)[8]。例如，法國空客集團的PixelFactory(像素工廠)、加拿大PCI公司的GXL系統(tǒng)；中國武漢大學張祖勛院士領(lǐng)銜研制的DPGrid、中國測繪科學研究院的PixelGrid以及北京吉威時代軟件公司的CIPS系統(tǒng)等[9-12]。

2 國產(chǎn)衛(wèi)星處理關(guān)鍵技術(shù)流程

衛(wèi)星影像數(shù)據(jù)提供的原始數(shù)據(jù)一般是Level 1級產(chǎn)品數(shù)據(jù)，包括影像數(shù)據(jù)和影像的RPC參數(shù)及元數(shù)據(jù)等文件，需要進行處理才能得到正射影像成果。處理流程主要包括影像預處理、空三加密、影像糾正、影像融合、鑲嵌拼接、勻光勻色、數(shù)據(jù)分幅等。

2.1 影像預處理

主流的商用衛(wèi)星影像處理軟件均采用基于有理函數(shù)模型的區(qū)域網(wǎng)平差的方法。有理函數(shù)模型RFM(Rational Function Model)是利用有理函數(shù)來描述衛(wèi)星影像傳感器模型，采用比值的方式將像點坐標和物方點坐標的關(guān)系進行關(guān)聯(lián)[13]。對于遙感影像，可定義為比值多項式形式的有理函數(shù)模型，將像點坐標(Line，Sample)分別表示以對應地面坐標(Latitude，Longitude，Height)為自變量的多項式的商，多項式的最高階數(shù)通常為3階。

(1)

式中：Y，X—歸一化像點坐標;P，L，H—歸一化物方點坐標;NL,DL,NS,DS—一般多項式。將公式中的地面坐標和像點坐標進行歸一化，這樣可以增強參數(shù)求解的穩(wěn)定性。

2.2 基于RMF的區(qū)域網(wǎng)平差

區(qū)域網(wǎng)平差，又稱區(qū)域網(wǎng)空中三角測量，是利用少量的地面控制點和像方同名點坐標，計算出地面上加密點大地坐標的方法[14]。衛(wèi)星數(shù)據(jù)采用線陣推掃方式成像，通常采用一定的模型對衛(wèi)星影像進行模擬，然后按照傳統(tǒng)區(qū)域網(wǎng)平差的方法計算出影像的定向參數(shù)[15]。由于RPC參數(shù)存在較大的系統(tǒng)性誤差[16]，可以通過像方約束關(guān)系對其進行補償，以提高定位精度[17]。目前應用較為成熟的像方平差模型是仿射變換模型。在影像上定義變換:

(2)

式中:x，y—控制點的像方量測坐標;s，l—地面控制點利用RPC投影到影像面的投影值，該仿射變換參數(shù)和RPC模型參數(shù)一起等同嚴格成像幾何模型的衛(wèi)星系統(tǒng)參數(shù)。

2.3 影像正射校正

正射校正通過在像片上選取一些地面控制點，利用該像片范圍內(nèi)的數(shù)字高程模型(DEM)數(shù)據(jù)，消除因傳感器成像側(cè)視角和地形起伏引起的像點位移的誤差，并將影像重采樣成正射影像的過程[18]。

由于糾正后的影像像素陣列中像元坐標一般不為整數(shù)，需對影像進行重采樣。重采樣的像素值是根據(jù)其周圍原像素像素值按一定的權(quán)函數(shù)內(nèi)插而來[19]。在實際應用中，最常用的雙線性內(nèi)插法，該法的重采樣函數(shù)是一個三角形線性函數(shù)：

W(x)=1-(x),0≤│x│≤1

(3)

重采樣點P的灰度值是周圍4個像元灰度值的距離加權(quán)和：

(4)

2.4 影像融合

遙感影像融合是將空間、時間、波譜上冗余或者互補的多源遙感數(shù)據(jù)按照一定算法進行處理，得到比任何單一數(shù)據(jù)更精確、更豐富的信息，生成具有新的空間、波譜、時間特征的合成影像數(shù)據(jù)[20]。根據(jù)需要和融合目的選擇合適的融合方法，并在融合過程中對一系列參數(shù)進行選擇?？蓪Σ煌诤纤惴ㄟM行試驗比較，對比后確定最適當?shù)娜诤戏椒皡?shù)。

2.5 鑲嵌與輸出

影像融合完成后，經(jīng)過勻光勻色后可進入集群鑲嵌線自動匹配工序。鑲嵌線自動匹配后，就需要人工進行干預，對自動匹配效果不好的鑲嵌線進行編輯，避免鑲嵌線橫穿明顯地物。其中建筑區(qū)鑲嵌線人工編輯工作量稍大。鑲嵌線人工編輯完畢，將編輯后的鑲嵌線導入工程中，分幅輸出，即可輸出標準DOM成果。這時需要對DOM成果進行圖面檢查和修復，彌補之前工序中個別無法修復的圖面問題。

以部分變流器退出運行為擾動,對本文所提控制策略的有效性進行驗證,仿真結(jié)果如圖8所示。初始狀態(tài)下無通信故障。

3 優(yōu)化處理方法

根據(jù)上述生產(chǎn)關(guān)鍵生產(chǎn)流程，進行以下四方面優(yōu)化方法，主要包括：預處理優(yōu)化、空三優(yōu)化、DEM數(shù)據(jù)優(yōu)選及成果整理優(yōu)化(圖1)。

圖1 國產(chǎn)高分衛(wèi)星影像優(yōu)化流程

3.1 預處理優(yōu)化

從海量多期數(shù)據(jù)中快速篩選無云數(shù)據(jù)、有效時相并較少冗余的生產(chǎn)數(shù)據(jù)。衛(wèi)星影像原始數(shù)據(jù)產(chǎn)品提供的元數(shù)據(jù)中包含了原始數(shù)據(jù)的許多信息，包括數(shù)據(jù)的文件名、衛(wèi)星名稱、傳感器名稱、云覆蓋量、拍攝日期、軌道號、景號等。制定篩選原則，先以影像填充算法[21]進行原始數(shù)據(jù)的快速篩選，然后進行有效數(shù)據(jù)自動拷貝整理。從無云數(shù)據(jù)中優(yōu)先挑選時相較新的數(shù)據(jù)，將其覆蓋范圍面從目標區(qū)域中去除，最終得到目標區(qū)域剩余覆蓋面(圖2)：

圖2 影像填充算法示意圖

3.2 區(qū)域網(wǎng)平差優(yōu)化

根據(jù)數(shù)據(jù)存儲機制提出一種DOM匹配優(yōu)化方法：假設分塊左上角坐標為(X1，Y1)，影像分辨率為R，則分塊右下角坐標為(X2，Y2)，不足20000像素分塊按20000像素計算。其中：

X2=X1+20000*R

Y2=Y1-20000*R

(5)

判斷(X1，Y1)(X2，Y2)是否在待處理影像覆蓋面內(nèi)，若結(jié)果為True，則為有效匹配分塊，若False，則為無效匹配分塊。將結(jié)果為True的子塊文件名列表保存為新的索引文件Ortho.S，將原始索引文件改名為OrthoOriginal.S，然后使用Ortho.S進行控制點匹配即可在不增加數(shù)據(jù)冗余的情況下精確化影像匹配范圍。

3.3 DEM數(shù)據(jù)優(yōu)選

在正射校正過程中，利用DEM數(shù)據(jù)的高程信息可以有效消除地形起伏引起的投影誤差。因此，DEM的質(zhì)量必然對校正結(jié)果有影響。研究發(fā)現(xiàn)，使用高分辨率的DEM進行正射糾正反而會加大橋梁等影像的扭曲變形[21]。

3.3.1 DEM對正射校正精度影響研究

采用不同分辨率的DEM對正射校正精度的影響進行實驗。將5m分辨率DEM進行抽稀得到15m、30mDEM成果，并進行正射校正試驗分析，并對試驗區(qū)均勻分布的30個野外控制點對正射校正影像進行精度檢測，對比結(jié)果如表1：通過結(jié)果可以看出，在一定分辨率范圍內(nèi)，使用抽稀后DEM進行正射校正對成果精度影響不大。

表1 不同分辨率DEM對影像數(shù)學精度結(jié)果

3.3.2 DEM對正射校正扭曲變形影響

(1)選擇中低分辨率對正射校正變形影響小。選取5m，15m，30mDEM進行正射校正試驗，經(jīng)對比圖3發(fā)現(xiàn)，在同樣情況下，DEM分辨率越低，成果的變形越少。因此在正射校正時可以對DEM進行抽稀使用。

圖3 不同分辨率DEM糾正變形

(2)利用LiDAR點云數(shù)據(jù)減少正射校正圖形變形。常規(guī)采用的DEM數(shù)據(jù)中橋梁等人工構(gòu)筑物的高程信息缺失，造成影像中的橋梁等平移和變形。因此嘗試從LiDAR點云數(shù)據(jù)中提取出橋梁等構(gòu)筑物的點云信息并柵格化生成專門的構(gòu)筑物DEM，將橋梁信息補償?shù)紻EM成果中。 利用補償高程值后的DEM對衛(wèi)星影像進行糾正處理，生產(chǎn)得到的DOM成果橋梁、高架路等扭曲變形得到有效的解決，成果精度得到較大的改善，減少后期人工圖面修復的工作圖4。

圖4 精度效果圖

3.4 成果整理優(yōu)選

成果附件的整理也是影像生產(chǎn)工作中的重要一環(huán)，針對其中較為繁瑣的元數(shù)據(jù)文件的制作、成果目錄的組織以及控制點影像制作等均通過ArcEngine開發(fā)、EXCEL宏工具開發(fā)對應的軟件，減少人工工作量和錯誤以提高效率。

4 結(jié)果及分析

以2019年3月—7月期間499景衛(wèi)星數(shù)據(jù)，主要包含高分一號、高分二號、北京二號和資源三號等衛(wèi)星影像數(shù)據(jù)生產(chǎn)為例，以新舊2種生產(chǎn)流程進行生產(chǎn)實驗。最后將2組試驗耗時不同環(huán)節(jié)進行對比，得出優(yōu)化效率提升結(jié)果。實驗耗時對比如表2：

表2 實驗結(jié)果對比

從結(jié)果可以看到，采用了該文所設計的優(yōu)化處理流程和開發(fā)自動處理軟件，大大提高了數(shù)據(jù)生產(chǎn)的自動化程度、減輕了人工工作量，避免了重復勞動造成人為錯誤的出現(xiàn)，提高了國產(chǎn)高分辨率衛(wèi)星影像處理的效率。

5 結(jié)論

從國產(chǎn)高分辨率衛(wèi)星影像處理的全局角度出發(fā)，設計從數(shù)據(jù)預處理、數(shù)據(jù)生產(chǎn)到成果規(guī)范化整理的全流程優(yōu)化方案，極大提高了處理的自動化程度。通過將整個生產(chǎn)環(huán)節(jié)進行了系統(tǒng)的整合優(yōu)化，部分解決了制約國產(chǎn)衛(wèi)星影像生產(chǎn)效率的問題，結(jié)果證明得到了較好的效果。優(yōu)化后進一步提升了集群式影像處理系統(tǒng)的生產(chǎn)效率，對作業(yè)單位產(chǎn)生了較高的生產(chǎn)和社會效益，高效快速的衛(wèi)星影像處理使得用戶在最短時間內(nèi)接受到最新的遙感衛(wèi)星數(shù)據(jù)。目前該優(yōu)化方案在山東省第三次國土調(diào)查、松線蟲監(jiān)測防治、冬小麥估產(chǎn)、地理省情監(jiān)測、天地圖季度衛(wèi)星影像等重點任務生產(chǎn)進行了廣泛應用，取得了良好的效果。