静止轨道卫星海上遥感影像控制点自动获取方法

设计了以下流程，解决了控制点区域持续获取的问题。

获取上一次匹配成功的超像素块区域，在此区域内进行模板匹配，若匹配成功则判断控制点是否符合要求，若遇到因为移动云层遮挡、陆地亮度变化等原因导致匹配不成功则移除此匹配超像素块区域。继续判断剩余控制点数量和分布，若数量过少或者分布过于集中，则重新搜寻匹配区域，若数量足够且分布比较均匀则匹配得到的控制点进行几何精校正。下一幅影像重复以上步骤，直至完成所有凝视序列影像的校正。完整的方法流程如图2所示。

2 实验结果与分析

2.1 实验结果

实验数据为高分四号全色影像，影像区域为琉球群岛，岛屿极其稀疏，云覆盖率大约为40%。通过训练数据得到以下决策树分类模型。

决策树直观地反映了各个特征值的分类情况，通过分析决策树结构可得知：岛屿陆地和云的水体指数较低，较大程度区分了水体和非水体。纹理特征中熵值很大程度反映了影像的信息量，厚云由于是包含大面积随机无序的纹理因此，其熵值较大。稀疏云由于其分布极其不均匀，其纹理内部相关性较小，因此相关性值较小。岛屿影像内部具有一定相关性，但其分布不均匀，因此岛屿影像纹理相关性值较大能量值较低。

得到的晴空岛屿区域如图3所示。

2.2 精度评价

将本提出的决策树分类模型与朴素贝叶斯分类方法和K-Means聚类方法进行对比，评价指标为分类得到的晴空岛屿超像素分类数量和错误分类超像素数量。

以下分别为朴素贝叶斯模型和K-Means分类方法的结果。如表1所示。

其中贝叶斯分类得到的晴空岛屿数量较多，但大部分被云所覆盖，因此用模板匹配方法匹配这些超像素会发生较多错误匹配，K-Means方法得到的晴空岛屿数量较少，导致控制点数量较少，无法覆盖整幅影像，影响最终几何精校正的精度。

3 结语

通过研究和实验，本文提出的利用决策树分类提取云量较多的海上岛屿的超像素块，极大程度地搜寻出影像中能够与基准图进行匹配的区域，实现了海上岛屿较少的影像自动精校正。

然而，需要在下一步研究的中解决的问题还有，模板匹配的适应性较差，容易受到少量亮度较大的云的干扰，岛屿匹配方法需要改进。

参考文獻

[1] 陈振炜，张过，宁津生，唐新明.资源三号测绘卫星自动云检测[J].测绘学报，2015（3）：292-300.

[2] 刘鹏宇.基于内容的图像特征提取算法的研究[D].吉林大学，2004.

[3] 常学立.静止轨道高分辨率面阵相机几何处理关键技术研究[D].武汉大学，2015.

[4] Breiman L，Friedman JH，Olshen RA，etal.Classification and Regression Tree[M].Wadsworth，Inc119841.

[5] 刘勇洪，牛铮，王长耀.基于MODIS数据的决策树分类方法研究与应用[J].遥感学报，2005，9（4）：405-412.

[6] 吴际通，谭伟，喻理飞. 基于TM/ETM+影像的不同水体指数对比研究[J].测绘科学，2013，38（4）：193-195.

[7] 李智峰，朱谷昌，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J].地质与勘探，2011，47（3）：456-461.

Abstract：The geometric correction of ocean remote sensing image is a prerequisite for its data application. With the increasing number of data， an automatic geometric correction technology needs to be researched. In this paper， to solve the problem that the sea island is sparse， cloud interference is great， the control point is difficult to obtain， an automatic correction technique based on decision tree classification is proposed. Through the experiment of GF4 image， compared with the classification results of the other two classification methods， the final precision is better than the other two methods. Therefore， the technical process proposed in this paper can be applied to the geometric correction of complex sea condition remote sensing images.

Key words：super-pixel segmentation； decision tree； gray-level co-occurrence matrix； geometric correction

推荐访问:遥感 静止 轨道 海上 影像