靜止軌道衛星海上遙感影像控制點自動獲取方法

付宏博

摘要：靜止軌道衛星影像能有效應用于海上目標實時監測和跟蹤，但其定位精度較差，需要利用影像上的島礁控制點進行幾何精校正。通常情況下，海上島嶼較為稀疏，受云霧干擾較大，控制點難以自動獲取，為解決海上序列遙感影像控制點自動獲取問題，本文提出一種基于決策樹分類方法的控制點自動獲取方法。通過對國產衛星高分四號影像進行試驗，對比其他兩種島礁控制點提取方法的結果，最終精度優于其他方法。因此本文提出的技術流程能夠較好的應用于海洋遙感影像的幾何精校正。

關鍵詞：海上遙感；決策樹；靜止軌道衛星；幾何校正

中圖分類號：TP751 文獻標識碼：A 文章編號：1007-9416（2019）01-0104-03

隨著我國對地觀測技術的不斷發展，靜止軌道衛星影像的應用越來與廣泛，其中海洋遙感廣泛應用于航道、漁業、氣象等領域。遙感影像的幾何精校正是其能夠應用的前提，人工選擇控制點進行匹配已經無法滿足數據生產的需求。在海洋環境中，由于海水覆蓋范圍大，島嶼稀疏，云霧的干擾較大，導致精校正匹配點無法獲取，精校正無法自動完成。

幾何精校正需要獲取遙感影像中特征較為明顯的控制點。為了在云量較多且島嶼較少的影像中獲取控制點，首先需要消除云的干擾，其次需要搜尋到特征較為明顯的島嶼或者海岸線，最后利用特征明顯島嶼和海岸線與基準影像進行匹配，從而完成一幅遙感影像的精校正。為了消除云的干擾，陳振煒[1]等利用樹狀判別結構對提取子塊圖像的特征進行云地分類，只適用于某一種遙感影像的去云的操作；劉鵬宇[2]采用了灰度共生矩陣和Gabor濾波器提取出了影像的紋理特征，較為全面地描述了圖像的內容。

本文以國產衛星高分四號影像為代表進行靜止軌道衛星影像的相關自動控制點獲取以及幾何精校正實驗。

1 方法介紹

本文方法分為以下幾個步驟：首先針對第一幀影像提取出控制點區域，進行超像素分割，將圖像細分為多個圖像子區域。利用了海洋遙感影像亮度和紋理的特征，對已知影像超像素分割塊進行決策樹分類訓練，將決策樹訓練集用于測試影像的分類，從分類結果中獲取到測試影像島嶼或海岸線特征明顯的超像素分割塊，將其與基準影像進行模板匹配，從而得到一系列海上控制點。

1.1 海上遙感影像超像素分割

對海上遙感影像進行初步統計，影像中主要存在以下4類情況：晴空島嶼、薄云干擾、厚云干擾、晴空海洋。

其中能與基準影像良好配準的是晴空島嶼，因為這種情況不受云的干擾或者受到云霧的干擾較小，有豐富的海岸線特征，這也是本文要提取出的控制點區域。

提取出晴空島嶼的過程也就是對影像進行分割和分類的過程。其中對于自適應的分割方法，本文采用了超像素分割，超像素分割方法采用簡單線性迭代聚類方法。將每個像素點距離周圍的聚類中心進行比較，標記綜合距離測度最小的超像素的標簽。

1.2 分類特征選擇

針對圖像的光譜特征，島嶼與海水的區分關鍵因素在水體和陸地區分。本文首先選取了歸一化和差異水體指數NDWI[6]作為光譜分類特征。

針對圖像的紋理特征，由于云的影像在紋理上特點突出，本文采用灰度共生矩陣來描述其紋理特征。

本文選取了灰度共生矩陣的紋理3個測度分別為能量（Energy）、熵（Entropy）、相關性（Correlation）。3個測度的計算方法如下，令G表示灰度共生矩陣：

能量為圖像均勻性的測度，圖像越均勻，其值越大：

1.3 決策樹分類

決策樹是由Breiman[4]等人提出的一種簡單但是廣泛使用的分類器，通過訓練數據構建決策樹，可以高效的對數據進行分類。決策數有兩大優點：（1）決策樹模型可以讀性好，具有描述性，有助于人工分析；（2）效率高，決策樹的構建是一次性的，預測階段的計算量極小。

本文采用的分類回歸樹算法來實現決策樹。利用決策樹將各個超像素塊進行分類，最終獲取到晴空島嶼的超像素塊，即控制點區域。

1.4 序列影像控制點區域獲取

利用決策樹分類出島嶼晴空的結果與基準影像進行匹配，獲取控制點。

由于晴空島嶼的遙感影像特征比較明顯，水體亮度較低，到與陸地亮度較高，因此采用模板匹配能夠較為準確的對應像素點。

選取分類為晴空島嶼的超像素塊與基準影像去匹配，超像素影像與基準圖之間差別采用相關性度量，匹配越好，匹配值越大。相關性度量計算方法如下：

H1，H2代表待匹配影像的超像素塊和基準影像。

獲取到匹配點之后利用二次多項式模型對待校正影像進行幾何精校正。

當獲取到第1幀晴空島礁區域時，可一直利用此區域來校正整幅影像，但隨著時間推移，海上的云可能會覆蓋島礁區域，導致控制點區域失效，如圖1所示。

因此本文設計了以下流程，解決了控制點區域持續獲取的問題。

獲取上一次匹配成功的超像素塊區域，在此區域內進行模板匹配，若匹配成功則判斷控制點是否符合要求，若遇到因為移動云層遮擋、陸地亮度變化等原因導致匹配不成功則移除此匹配超像素塊區域。繼續判斷剩余控制點數量和分布，若數量過少或者分布過于集中，則重新搜尋匹配區域，若數量足夠且分布比較均勻則匹配得到的控制點進行幾何精校正。下一幅影像重復以上步驟，直至完成所有凝視序列影像的校正。完整的方法流程如圖2所示。

2 實驗結果與分析

2.1 實驗結果

實驗數據為高分四號全色影像，影像區域為琉球群島，島嶼極其稀疏，云覆蓋率大約為40%。通過訓練數據得到以下決策樹分類模型。

決策樹直觀地反映了各個特征值的分類情況，通過分析決策樹結構可得知：島嶼陸地和云的水體指數較低，較大程度區分了水體和非水體。紋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積隨機無序的紋理因此，其熵值較大。稀疏云由于其分布極其不均勻，其紋理內部相關性較小，因此相關性值較小。島嶼影像內部具有一定相關性，但其分布不均勻，因此島嶼影像紋理相關性值較大能量值較低。

得到的晴空島嶼區域如圖3所示。

2.2 精度評價

將本提出的決策樹分類模型與樸素貝葉斯分類方法和K-Means聚類方法進行對比，評價指標為分類得到的晴空島嶼超像素分類數量和錯誤分類超像素數量。

以下分別為樸素貝葉斯模型和K-Means分類方法的結果。如表1所示。

其中貝葉斯分類得到的晴空島嶼數量較多，但大部分被云所覆蓋，因此用模板匹配方法匹配這些超像素會發生較多錯誤匹配，K-Means方法得到的晴空島嶼數量較少，導致控制點數量較少，無法覆蓋整幅影像，影響最終幾何精校正的精度。

3 結語

通過研究和實驗，本文提出的利用決策樹分類提取云量較多的海上島嶼的超像素塊，極大程度地搜尋出影像中能夠與基準圖進行匹配的區域，實現了海上島嶼較少的影像自動精校正。

然而，需要在下一步研究的中解決的問題還有，模板匹配的適應性較差，容易受到少量亮度較大的云的干擾，島嶼匹配方法需要改進。

參考文獻

[1] 陳振煒，張過，寧津生，唐新明.資源三號測繪衛星自動云檢測[J].測繪學報，2015（3）：292-300.

[2] 劉鵬宇.基于內容的圖像特征提取算法的研究[D].吉林大學，2004.

[3] 常學立.靜止軌道高分辨率面陣相機幾何處理關鍵技術研究[D].武漢大學，2015.

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

[5] 劉勇洪，牛錚，王長耀.基于MODIS數據的決策樹分類方法研究與應用[J].遙感學報，2005，9（4）：405-412.

[6] 吳際通，譚偉，喻理飛. 基于TM/ETM+影像的不同水體指數對比研究[J].測繪科學，2013，38（4）：193-195.

[7] 李智峰，朱谷昌，董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類應用[J].地質與勘探，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