引用本文
刘善磊, 石善球, 张丽静, 赵银娣, 王光辉. 遥感图像几何纠正中GCP选取[J]. 国土资源遥感, 2014,26(3): 86-91
LIU Shanlei, SHI Shanqiu, ZHANG Lijing, ZHAO Yindi, WANG Guanghui. Selection of GCP in geometric correction of remote sensing images[J]. REMOTE SENSING FOR LAND & RESOURCES,2014,26(3): 86-91  
Permissions
Copyright©2014, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
遥感图像几何纠正中GCP选取
刘善磊1, 石善球1, 张丽静1, 赵银娣2, 王光辉3
1.江苏省基础地理信息中心,南京 210013
2.中国矿业大学环境与测绘学院,徐州 221008
3.国家测绘地理信息局卫星测绘应用中心,北京 100830

第一作者简介: 刘善磊(1984-),男,助理工程师,主要从事图像匹配方面的研究。Email:626761164@163.com。

收稿日期: 2012-11-20
摘要

为了降低人为因素对遥感图像几何纠正中地面控制点(ground control point,GCP)选取的影响,提高GCP的采集效率,在基准图像上采用2种方法选取GCP: ①改进的分水岭分割和加权邻域检测方法选取道路交叉点作为GCP; ②GrabCut分割和轮廓检测方法选取区域重心作为GCP。以0.5 m分辨率的航空图像作为基准图像,使用上述方法选取GCP,对2.5 m分辨率的ALOS图像进行几何纠正实验。结果表明,本次研究采用的GCP选取方法受人为因素影响小,精度在1个像元以内,并可实现半自动选取。这一技术成果已经应用于正射影像图(digital orthophoto map,DOM)生产中的GCP提取,在实现中小比例尺DOM更新中发挥了重要作用。

关键词: 分水岭分割; 加权邻域检测; GrabCut分割; 轮廓检测; 椭圆拟合
中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2014)03-0086-06 doi: 10.6046/gtzyyg.2014.03.14
Selection of GCP in geometric correction of remote sensing images
LIU Shanlei1, SHI Shanqiu1, ZHANG Lijing1, ZHAO Yindi2, WANG Guanghui3
1. Foundational Geography Information Center of Jiangsu Province, Nanjng 210013, China
2. College of Environment Science and Spatial Informatics, China University of Mining & Technology, Xuzhou 221008, China
3. Satellite Surveying and Mapping Application Center, National Administration of Surveying, Mapping and Geoinformation, Beijing 100830, China
Abstract

In order to improve the collection efficiency of GCP and reduce the influence of human factors,the authors used the improved watershed segmentation and weighted neighbor detection methods to select the cross point of roads as GCP,and employed GrabCut segmentation and contour detection methods to select the center of gravity of the region as GCP in the reference image. The ALOS image with 2.5 m resolution was geometrically corrected by the GCPs which were selected from aerial images with 0.5 m resolution. The results show that the GCP selection methods proposed in this paper for remote sensing image geometric correction are less affected by human factors,the precision is less than 1 pixel,and hence the semi-automatic extraction can be realized. The technical achievement in this paper has been applied to the GCP selection for the production of DOM,with an important role played in the renewal of DOM at middle and small scales.

Keyword: watershed segmentation; weighted neighborhood detection; GrabCut segmentation; contour detection; ellipse fitting
0 引言

地面控制点(ground control point, GCP)的选取是遥感图像几何纠正的重要步骤之一, 能否高效、准确地获取GCP已成为制约快速实现图像几何纠正的瓶颈。因此, 有必要研究一些新的GCP选取方法, 以辅助人工选点、减少人为因素的影响、提高GCP的采集效率。袁修孝等[1]采用边缘特征作为几何配准要素, 以2期图像上的边缘匹配点满足边缘梯度角之差与边缘点间距离的加权和最小为条件作为匹配策略; 张萍[2]采用归一化相关系数进行同名点的精确定位, 给出了精确的匹配结果, 实现了SAR图像GCP的自动匹配; 杨小冈等[3]设计了一种基于影像方差的检测模板, 提出了相应的检测准则及搜索方案, 并在畸变图像中利用归一化积相关影像匹配算法实现了与基准控制点相对应的畸变控制点的精确定位; 马灵霞等[4]利用FAST(features from accelerated segment test)算子在基准底图上快速选取均匀分布的候选特征点, 通过图像自身携带的地理定位信息确定初始同名点对, 经处理后获取亚像元的GCP; Goshtasby等借助影像区域细化技术寻找GCP; Ventura等借助影像结构相似性探测技术寻找GCP [5]; 林乘逸等[6]通过数学形态学方法选取道路交叉点作为GCP; 王永明等[7]综合SIFT(scale invariant feature transform)局部特征和Harris角点检测的优点实现了同尺度图像间的GCP自动选取。

已有研究的研究对象多为同源、同尺度遥感图像, 本文则以航空图像为基准图像、卫星遥感图像为待纠正图像, 研究不同尺度、异源图像间的GCP选取。针对遥感图像中的道路交叉口以及具有典型几何特征的永久性地物, 采用改进的分水岭分割和加权邻域检测方法选取道路交叉点作为GCP, 采用GrabCut分割和轮廓检测方法选取区域重心作为GCP, 并通过在遥感图像几何纠正中应用, 验证了本文方法的可靠性和精度。

1 基于道路交叉点的GCP选取

选取道路交叉点作为GCP的基本思想是: 首先利用具有目标自动识别功能的分水岭分割算法获取目标区域, 接着通过一系列图像形态学的预处理去除目标区域中的突刺; 然后利用Rosenfeld算法完成细化; 最后通过8邻域检测获取道路交叉点。当仅有一个交叉点时直接将其作为GCP, 当有多个交叉点时通过加权邻域检测的方法选取GCP。基于道路交叉点的GCP选取流程如图1所示。

图1 基于道路交叉点的GCP选取流程Fig.1 Flow chart of GCP selection based on road crossings

1.1 改进的分水岭分割和细化

分水岭分割算法是一种基于拓扑理论的数学形态学分割方法[8]。该方法对微弱边缘具有良好的响应, 但也容易导致图像中的噪声和物体表面发生细微的灰度变化, 从而产生过度分割的现象。为了消除分水岭算法产生的过度分割, 通常可以采用修改梯度函数和利用先验知识2种处理方法。

利用修改梯度函数方法在对梯度图像进行阈值处理时, 选取合适的阈值对最终分割的图像有很大影响, 大多数情况需要在人工参与下通过反复实验确定阈值[9]。而利用先验知识的分水岭分割只需简单的人工标记就可以取得良好的效果, 但没有目标的自动识别功能。

在进行标记分水岭分割时, 通过获取这些分水岭的点所在的区域号, 可以得到该区域的所有灰阶的点信息。因此, 要想实现具有目标自动识别的标记分水岭分割, 只需在进行标记时进行前景和背景的区分(例如左键红色标注前景, 右键白色标注背景, 如图2(a)所示)。在前景标记(目标区域)时, 每一次的标记都保存到同一个前景区域号, 而在每一次背景标记时, 既可保存到同一个背景区域号, 也可单独标号; 而且在前景、背景标记时, 总是让前景区域对应生成灰度图像中的特定灰度值, 然后进行二值化就可以直接得到目标区域(图2(b))。得到目标区域后, 根据参考文献[10]给出的Rosenfeld细化算法原理实现细化; 但二值化时因噪声会引起突刺, 故细化时会出现短小的“ 线头” (图2(c)), 为尽量减少短小“ 线头” 的出现, 在细化前先进行了数学形态学腐蚀运算和开运算预处理[11](图2(d)), 预处理后的细化结果如图2(e)所示。

图2 改进的分水岭分割和细化Fig.2 Improved partitioning and refinement of watershed algorithm

1.2 加权邻域检测

道路交叉点主要分为十字路口和丁字路口2大类。假设p为待检测的交叉点, n(p)表示p的8邻域内非0像元的个数, 对于细化后的图像要想检测出交叉点, 算法只需满足n(p)≥ 3。虽然图像细化前经过了数学形态学的腐蚀运算和开运算以及去除碎小区域等预处理, 大多数情况下检测出的交叉点如图3(a)和(b)中的数字标记处所示, 但仍会出现多点检测的问题(如图3(c)和(d)中的数字标记处)。

图3 道路交叉点类型Fig.3 Types of road crossings

为了确保道路交叉点检测结果的唯一性和正确性, 考虑从3个方面约束交叉点, 提出一种加权邻域检测的方法, 取权重最大的点作为要提取的交叉点。

1)交叉口类型约束。将十字路口权重设置为0.6, 丁字路口权重设为0.4, 可在一定程度上确保十字路口作为交叉点的优先性。

2)交叉点相关线段长度约束。将细化的图像在交叉点处打断, 从长到短排序得到的各线段长度l1, l2, …, ln, 再依次分配权重li/ ∑i=1nli, i=1, 2, …, n。由于突刺产生的“ 线头” 一般较短, 因此通过对长度的约束可以在一定程度上减少突刺区域检测出的交叉点。

3)交叉点距细化后图像重心的距离约束。假设重心位置为(xc, yc), 交叉点位置为(xi, yi), 通过

si= (xc-xi)2+(yc-yi)2(1)

获取交叉点距重心的距离si; 按距离从短到长排序得到s1, s2, …, sn, 然后依次分配权重si/ ∑i=1nsi, i=n, n-1, …, 1。重心距离的约束可以确保道路交叉点与细化后图像整体的一致性。

2 基于典型地物重心的GCP选取

选取典型地物重心作为GCP的基本思想是: 首先通过GrabCut分割算法得到典型地物(如圆形花坛、方形平台等); 接着通过灰度化、二值化得到二值图像, 通过数学形态学腐蚀运算和开运算, 填充内部斑点得到比较平滑的二值区域后进行轮廓检测; 然后将小轮廓背景化得到目标区域的轮廓, 并在此基础上对目标区域进行椭圆拟合; 最后获取椭圆中心(区域重心), 形成GCP。基于典型地物重心的GCP选取流程如图4所示。

图4 基于典型地物重心的GCP选取流程Fig.4 Flow chart of GCP selection based on center of gravity of typical ground objects

2.1 GrabCut分割

将图割理论用于计算机视觉领域是近年来发展起来的一种新方法。GrabCut 算法(综合利用纹理及边界2种信息进行图像分割)是对图割算法(graph cuts, 先将一幅图像映射成一个网络图, 并构造关于标号的能量函数, 然后利用组合优化技术使能量函数最小化)的改进: ①用高斯混合模型(Gaussian mixture model, GMM)取代灰度直方图, 实现彩色图像的分割; ②采用多次迭代方法取代一次估计GMM参数, 完成能量最小化, 提高分割精度; ③通过非完全标号降低用户的交互工作量[12]。

GrabCut分割的基本过程是: 首先在目标区域周围画一个矩形框(图5(a)), 对三元图T进行初始化, 即以非完全标号的方式将矩形框内标为未知区域Tu、矩形框外标为背景区域TB, 将Tu内的像元值标为1、TB内的像元值标为0, 同时设目标区域TF为空, 根据用户标定的像元标号值为0和1的集合, 分别进行目标和背景的GMM初始化; 然后将Tu划分为目标和背景2类, 对新划分的目标和背景像元点进行切割, 更新GMM参数, 在新的GMM参数下继续对Tu迭代, 直到满足迭代终止条件, 确定GMM参数; 最后根据确定的GMM对Tu进行一次切割, 得到目标区域[13](图5(b))。

图5 GrabCut分割Fig.5 GrabCut segmentation

2.2 轮廓检测和椭圆拟合

一般情况下, 图像中的物体不是一个点, 而是采用重心来表示物体的位置。对于目标区域(图6(a)), 虽然经过前期的数学形态学腐蚀运算和开运算等预处理得到了比较平滑的边界, 但是由于图像中物体的复杂性, 实际区域并非规则区域(而人眼处理时是基于规则区域的), 这样获取的区域重心和实际物体重心会有偏差; 所以, 完成轮廓检测后, 必须对其进行椭圆拟合(图6(b))。

图6 椭圆拟合Fig.6 Ellipse fitting

根据参考文献[7]可知, 一个区域形状结构的重要信息是它的位置、大小和方向, 椭圆能够比较有效地反映这3种信息, 椭圆中心即为区域重心, 椭圆的2个轴分别通过重心, 相对于2个轴的二阶中心矩在长轴和短轴方向分别达到最大和最小。

3 实验结果与分析

为了验证本文方法的可行性, 采用C#和ArcGIS Engine 9.3技术框架, 并结合开源计算机视觉库EmguCV, 对ALOS图像(空间分辨率为0.5 m, 采用Xian_1980_3_Degree_GK_Zone_40坐标系)进行了上述2种方法的GCP选取实验。以道路交叉点(图2(a))和典型地物重心(图5(a))选取GCP为例, 分别采用本文方法和常规的人工选取方法分5人次选取GCP, 以验证各自选取的精度。验证结果如表1和表2所示。

表1 基于道路交叉点的GCP选取结果对比 Tab.1 Comparison between different results of GCP selection based on road crossings(m)
表2 基于典型地物重心的GCP选取结果对比 Tab.2 Comparison between different results of GCP selection based on center of gravity of typical ground objects (m)

通过分析表1和表2中的平均值和均方差可以看出, 不同的作业员采用本文方法得到的GCP之间的误差一般不会超过1个像元, 而这1个像元以内的误差主要是由于人工获取待选取GCP的图像块时产生的。完全用人工选取GCP与本文采取的先用人工粗定位、后用算法自动选取的方法相比, 受作业员的经验、工作态度、判断力和反应能力等因素的影响较大, 容易出现较大误差(这时就需要重新定位, 甚至重新选取GCP), 在一定程度上会影响GCP的采集效率。本文方法的优点在于, 即使用不同的人选取, 得到的GCP也基本相同(误差在1个像元以内), 从而降低了对作业员的要求, 避免了GCP的重复定位, 相对提高了工作效率。通过分析表1和表2中的点位均方差可知, 当待选取地物面积较大时更能显示出本文方法选取GCP的精度和效率。

以总体误差在1个像元之内、单点残差一般不大于2个像元为标准, 利用本文提出的方法在空间分辨率为0.5 m的航空图像中选取GCP; 并采用人工方法在一景空间分辨率为2.5 m、大小为2 000像元× 2 000像元的ALOS图像(图7(a))中选取同名点。在选取的23对同名点对中, 最大RMS为1.980 3像元, 最小RMS为0.226 4像元, 总RMS为0.990 8像元。将这些GCP信息导入ENVI软件中完成几何纠正, 并用ENVI软件进行窗口连接检查(图7(b)和图7(c)之间为几何纠正前的窗口连接检查, 图7(c)和图7(d)之间为几何纠正后的窗口连接检查)。检查结果表明, 本文采用的GCP提取方法是可行的。

图7 实验图像和校正结果Fig.7 Experimental images and their correction results

为了定量评价采用本文方法选取GCP进行几何纠正的精度, 利用本文方法在几何纠正后图像和基准图像之间均匀选取10对同名点对, 经计算RMS可知, 利用本文方法选取的GCP进行几何纠正的精度可达到0.349 4像元; 通过ENVI软件人工选取20对同名点对完成几何纠正后, 再利用本文方法计算相同的10对同名点对, RMS为0.699 9像元。

4 结论

针对不同的选取对象, 本文探讨了2种遥感图像几何纠正中GCP的选取方法: 在道路交叉点的选取中, 采用了具有目标自动识别能力的分水岭分割方法, 而且为解决交叉点的多点检测问题提出了一种加权邻域检测方法; 在典型地物重心选取中, 采用GrabCut分割获取目标区域; 同时为了确保区域重心的精确性, 采用了椭圆拟合获取椭圆中心作为区域重心的方法。

实验结果表明, 本文提出的GCP选取方法在遥感图像几何纠正的实际生产中具有一定的参考意义和实用价值; 但本文的GCP选取目前还需要一定的人工参与, 完全自动化的GCP选取是今后研究的重点。

志谢: 感谢王圣尧、周佳、殷立琼和孟祥辉等同事在2组GCP选取对比试验中给予的帮助,特别感谢王圣尧同事提供的验证几何纠正精度的对比实验。

The authors have declared that no competing interests exist.

参考文献
[1] 袁修孝, 宋妍. 基于边缘特征匹配的遥感影像变化检测预处理方法[J]. 武汉大学学报: 信息科学版, 2007, 32(5): 381-384.
Yuan X X, Song Y. Image preprocessing method based on edge feature matching for change detection in multi-temporal remotely sensed imageries[J]. Geomatics and Information Science of Wuhnan University, 2007, 32(5): 381-384. [本文引用:1]
[2] 张萍. SAR图像GCP自动匹配方法的实现[J]. 测绘通报, 2008(1): 30-32.
Zhang P. Implementation of GCP auto-matching for SAR imagery[J]. Bulletin of Surveying and Mapping, 2008(1): 30-32. [本文引用:1] [CJCR: 0.661]
[3] 杨小冈, 缪栋, 付光远, 等. 图像几何校正控制点的自动确定方法[J]. 红外与激光工程, 2002, 31(3): 194-198.
Yang X G, Miao D, Fu G Y, et al. Auto-decisive method for control point of image geometric rectification[J]. Infrared and Laser Engineering, 2002, 31(3): 194-198. [本文引用:1] [CJCR: 0.883]
[4] 马灵霞, 邹同元, 徐京. 利用自动匹配与三角剖分进行遥感图像几何精校正[J]. 遥感学报, 2011, 15(5): 927-939.
Ma L X, Zou T Y, Xu J. Remote sensing image geometric accurate rectification based on automatic matching and triangulation[J]. Journal of Remote Sensing, 2011, 15(5): 927-939. [本文引用:1] [CJCR: 0.992]
[5] 毛志华, 黄海清, 朱乾坤, 等. 利用海岸线的海洋遥感影图像控制点(GCP)自动匹配法关[J]. 海洋学报, 2000, 22(5): 41-50.
Mao Z H, Huang H Q, Zhu Q K, et al. Automatic location of GCPs at sea[J]. Acta Oceanologica Sinica, 2000, 22(5): 41-50. [本文引用:1] [CJCR: 0.915]
[6] 林乘逸, 陈继潘. 高解析力卫星影像控制点之自动化萃取[J]. 航测及遥测学刊, 2003, 8(2): 1-11.
Lin C Y, Chen J P. Automated extraction of control points for high spatial resolution satellite images[J]. Journal of Photogrammetry and Remote Sensing, 2003, 8(2): 1-11. [本文引用:1] [JCR: 3.313]
[7] 王永明, 王贵锦. 图像局部不变性特征与描述[M]. 北京: 国防工业出版社, 2010: 182-186.
Wang Y M, Wang G J. Image local invariant feature and descriptor[M]. Beijing: National Defence Industry Press, 2010: 182-186. [本文引用:2]
[8] Chen S Y, Huang Y W, Chen L G. Predictive watershed: A fast watershed algorithm for video segmentation[J]. IEEE Transaction on Circuits and Systems for Video Technology, 2003, 13(5): 453-461. [本文引用:1] [JCR: 1.819]
[9] 曾荣周, 伏云昌, 童耀南. 一种改进的分水岭分割的研究[J]. 光电子技术, 2007, 27(1): 23-27.
Zeng R Z, Fu Y C, Tong Y N. A method of improved watershed segmentation algorithm[J]. Optoelectronic Technology, 2007, 27(1): 23-27. [本文引用:1] [CJCR: 0.2791]
[10] 孙燮华. 数字图像处理原理与方法[M]. 北京: 机械工业出版社, 2012: 169-175.
Sun X H. Digital image processing: Principles and methods[M]. Beijing: China Machine Press, 2012: 169-175. [本文引用:1]
[11] Soille P, 王小鹏. 形态学图像分析原理与应用[M]. 北京: 清华大学出版社, 2008: 77-103.
Soille P, Wang X P. Morphological image analysis: Principles and applications[M]. Beijing: Tsinghua University Press, 2008: 77-103. [本文引用:1]
[12] 徐秋平, 郭敏, 王亚荣. 基于分水岭变换和图割的彩色图像快速分割[J]. 计算机工程, 2009, 35(19): 210-212.
Xu Q P, Guo M, Wang Y R. Fast color image segmentation based on watershed transform and graph cuts[J]. Computer Engineering, 2009, 35(19): 210-212. [本文引用:1] [CJCR: 0.492]
[13] 王建青, 郭敏, 徐秋平. 结合小波变换与图像分割的快速目标提取[J]. 计算机工程与应用, 2010, 46(33): 215-217.
Wang J Q, Guo M, Xu Q P. Fast object extraction based on wavelet transform and graph cuts[J]. Computer Engineering and Applications, 2010, 46(33): 215-217. [本文引用:1] [CJCR: 0.457]