静止轨道卫星海上遥感影像控制点自动获取方法

付宏博

摘要：静止轨道卫星影像能有效应用于海上目标实时监测和跟踪，但其定位精度较差，需要利用影像上的岛礁控制点进行几何精校正。通常情况下，海上岛屿较为稀疏，受云雾干扰较大，控制点难以自动获取，为解决海上序列遥感影像控制点自动获取问题，本文提出一种基于决策树分类方法的控制点自动获取方法。通过对国产卫星高分四号影像进行试验，对比其他两种岛礁控制点提取方法的结果，最终精度优于其他方法。因此本文提出的技术流程能够较好的应用于海洋遥感影像的几何精校正。

关键词：海上遥感；决策树；静止轨道卫星；几何校正

中图分类号：TP751 文献标识码：A 文章编号：1007-9416（2019）01-0104-03

随着我国对地观测技术的不断发展，静止轨道卫星影像的应用越来与广泛，其中海洋遥感广泛应用于航道、渔业、气象等领域。遥感影像的几何精校正是其能够应用的前提，人工选择控制点进行匹配已经无法满足数据生产的需求。在海洋环境中，由于海水覆盖范围大，岛屿稀疏，云雾的干扰较大，导致精校正匹配点无法获取，精校正无法自动完成。

几何精校正需要获取遥感影像中特征较为明显的控制点。为了在云量较多且岛屿较少的影像中获取控制点，首先需要消除云的干扰，其次需要搜寻到特征较为明显的岛屿或者海岸线，最后利用特征明显岛屿和海岸线与基准影像进行匹配，从而完成一幅遥感影像的精校正。为了消除云的干扰，陈振炜[1]等利用树状判别结构对提取子块图像的特征进行云地分类，只适用于某一種遥感影像的去云的操作；刘鹏宇[2]采用了灰度共生矩阵和Gabor滤波器提取出了影像的纹理特征，较为全面地描述了图像的内容。

本文以国产卫星高分四号影像为代表进行静止轨道卫星影像的相关自动控制点获取以及几何精校正实验。

1 方法介绍

本文方法分为以下几个步骤：首先针对第一帧影像提取出控制点区域，进行超像素分割，将图像细分为多个图像子区域。利用了海洋遥感影像亮度和纹理的特征，对已知影像超像素分割块进行决策树分类训练，将决策树训练集用于测试影像的分类，从分类结果中获取到测试影像岛屿或海岸线特征明显的超像素分割块，将其与基准影像进行模板匹配，从而得到一系列海上控制点。

1.1 海上遥感影像超像素分割

对海上遥感影像进行初步统计，影像中主要存在以下4类情况：晴空岛屿、薄云干扰、厚云干扰、晴空海洋。

其中能与基准影像良好配准的是晴空岛屿，因为这种情况不受云的干扰或者受到云雾的干扰较小，有丰富的海岸线特征，这也是本文要提取出的控制点区域。

提取出晴空岛屿的过程也就是对影像进行分割和分类的过程。其中对于自适应的分割方法，本文采用了超像素分割，超像素分割方法采用简单线性迭代聚类方法。将每个像素点距离周围的聚类中心进行比较，标记综合距离测度最小的超像素的标签。

1.2 分类特征选择

针对图像的光谱特征，岛屿与海水的区分关键因素在水体和陆地区分。本文首先选取了归一化和差异水体指数NDWI[6]作为光谱分类特征。

针对图像的纹理特征，由于云的影像在纹理上特点突出，本文采用灰度共生矩阵来描述其纹理特征。

本文选取了灰度共生矩阵的纹理3个测度分别为能量（Energy）、熵（Entropy）、相关性（Correlation）。3个测度的计算方法如下，令G表示灰度共生矩阵：

能量为图像均匀性的测度，图像越均匀，其值越大：

1.3 决策树分类

决策树是由Breiman[4]等人提出的一种简单但是广泛使用的分类器，通过训练数据构建决策树，可以高效的对数据进行分类。决策数有两大优点：（1）决策树模型可以读性好，具有描述性，有助于人工分析；（2）效率高，决策树的构建是一次性的，预测阶段的计算量极小。

本文采用的分类回归树算法来实现决策树。利用决策树将各个超像素块进行分类，最终获取到晴空岛屿的超像素块，即控制点区域。

1.4 序列影像控制点区域获取

利用决策树分类出岛屿晴空的结果与基准影像进行匹配，获取控制点。

由于晴空岛屿的遥感影像特征比较明显，水体亮度较低，到与陆地亮度较高，因此采用模板匹配能够较为准确的对应像素点。

选取分类为晴空岛屿的超像素块与基准影像去匹配，超像素影像与基准图之间差别采用相关性度量，匹配越好，匹配值越大。相关性度量计算方法如下：

H1，H2代表待匹配影像的超像素块和基准影像。

获取到匹配点之后利用二次多项式模型对待校正影像进行几何精校正。

当获取到第1帧晴空岛礁区域时，可一直利用此区域来校正整幅影像，但随着时间推移，海上的云可能会覆盖岛礁区域，导致控制点区域失效，如图1所示。

因此本文设计了以下流程，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