1.1.1 金字塔影像的生成

由于机载三线阵影像分辨率高、数据量大, 为了提高影像匹配结果的可靠性, 采用由粗到精的金字塔影像匹配策略, 一方面保留影像大的整体结构特征, 增大影像的拉入范围, 从而在高层影像上提高匹配的可靠性; 另一方面, 在匹配过程中, 高一层影像上的匹配结果可以作为下一层影像的参考, 从而使得下一层影像上匹配的搜索范围变小, 以提高匹配的效率。本文采用2× 2的平均金字塔方法来生成金字塔影像。

1.1.2 影像增强

机载三线阵影像前视、下视和后视的航摄角度不同, 影像之间的颜色和纹理存在一定的差异, 因此在顶层影像提取SIFT特征点之前对影像进行Wallis滤波, 以增强和锐化影像的纹理信息, 增加影像的信噪比, 从而提高影像匹配的精度和可靠性^{[11, 12, 13]}。

根据SIFT算法原理, 特征点表示为

f=(x, s, o, d)14, (1)

式中: x为特征点坐标; s为尺度; o为方向; d为128维描述符。在进行匹配时, 采用K-d树对搜索影像的SIFT特征描述符建立空间索引^[15], 之后利用欧氏距离作为相似性度量, 找出参考影像与搜索影像中欧式距离最近的前2个特征点, 计算最近与次近距离之间的比值, 当比值小于某个阈值时, 则认为是一对同名点, 阈值越小, 则匹配的同名点数量越少, 但是匹配正确率越高, 为了兼顾匹配点数量和正确率, 本文将阈值设为0.6。

假设f={f_i|i=1, 2, …, n}, f '={f '_j|j=1, 2, …, n}分别为参考影像和搜索影像上对应的SIFT特征点集。传统的SIFT特征匹配是单向匹配, 即在f '中寻找f的同名点, 在遇到纹理重复等区域时, 难以保证匹配结果的可靠性, 因此本文在匹配过程中采用双向匹配, f '与f匹配完成后, f重新匹配f ', 2次匹配结果一致的点被认为是正确同名点。

多条带三线阵顶层金字塔影像连接点匹配过程主要包括条带内匹配和条带间匹配, 如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 条带影像匹配示意图Fig.2 Illustration of strips images matching

条带内匹配以条带1为例, 下视影像1_N分别与前视影像1_F和后视影像1_B进行匹配, 对得到的2个匹配结果以1_N为基准进行连接串点, 即提取出在3张影像上的匹配点, 以减少因遮挡等导致的误匹配问题, 提高匹配的可靠性, 条带1中的匹配点包括: p1-p4-p7, p2-p5-p8, p3-p6-p9, 称其为3度重叠点。通过条带内匹配成功的匹配点再进行条带间匹配, 以条带1和2为例, 以条带1的下视影像1_N为基准, 先双向匹配条带2的下视影像2_N, 匹配成功的点再传递给条带1的1_F和1_B以及条带2的2_F和2_B。由于机载三线阵影像条带间重叠度为30%左右, 所以条带间重叠部分的匹配点会出现在6张影像上, 即为6度重叠点(如p3-p6-p9-p10-p13-p16)。以此类推便可得到金字塔顶层影像上多条带上的连接点。

将连接点向下传递, 直至原始影像。连接点传递到下一层金字塔影像时, 高一层影像上的匹配结果作为下一层影像上的连接点初始值, 因此下一层影像匹配只需要在小范围内搜索。以图2中的连接点p1-p4-p7为例来说明连接点的传递流程(图3)。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 连接点传递流程Fig.3 Flowchart of tie points propagating

由图3可知, p1-p4-p7为顶层金字塔影像上匹配的连接点。由于在生成金字塔影像时采用了4像元平均法, 所以将p1, p4和p7坐标值的2倍作为第2层金字塔影像上连接点坐标的初始值, 初始连接点分别记为p1_2, p4_2和p7_2。以p1_2为基准, 在点p4_2和p7_2附近寻找点p1_2的最优匹配点, 分别记为p4_2'和p7_2', 并以该层的最优匹配点p1_2-p4_2'-p7_2'为基准, 继续向下一层金字塔影像传递, 直至原始影像。

采用相关系数法匹配约束连接点的传递, 搜索邻域范围设置为3像元× 3像元, 相关系数窗口大小设置为11像元× 11像元, 具体计算过程如图4所示。p1_2, p4_2和p7_2分别与图3相对应, 是由上一层金字塔影像传递而来。在该层金字塔影像的下视影像上读取121个像元(11× 11)的灰度值, 前视和后视影像上分别读取169个像元(13× 13)的灰度值, 以p1_2为基准, 在前视后视影像上p4_2和p7_2附近3× 3邻域内分别计算9个相关系数, 以相关系数最大且大于给定阈值(由于L0级三线阵影像存在较大几何变形, 为了保证同名点可靠性, 本文相关系数阈值取经验值0.7)的点为该层金字塔前视后视影像上的最优匹配点。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 连接点传递过程中的约束匹配Fig.4 Constraint matching in tie points propagating

条带之间的6度连接点传递是以条带1的下视影像1_N(图2)为基准, 约束前视影像1_F、后视影像1_B以及条带2的下视影像2_N重叠部分连接点的传递, 然后再以2_N为基准, 约束条带2的前视影像2_F和后视影像2_B连接点的传递, 其余条带以此类推。

经过以上步骤提取的原始影像上的连接点难免会有错误匹配点存在, 需要进行粗差剔除。另外, 提取的连接点分布不均匀, 不利于自动空三工作。

1.4.1 粗差剔除

由于机载三线阵系统的POS数据一般具有较高的精度, 因此利用几何条件来进行误匹配的剔除, 如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 几何约束剔除错误匹配点Fig.5 Error match pairs elimination based on geometric constraint

将同一条带内3张影像上的连接点tp1-tp2-tp3进行多视前方交会得到对应的地面点坐标P, 再将地面点坐标P分别反投影到下视、前视和后视影像上得到tp'₁, tp'₂, tp'₃, 计算tp₁与tp'₁, tp₂与tp'₂, tp₃与tp'₃坐标差d, 即

d=13∑i=13(xtpi-xtp'i)2+(ytpi-ytp'i)2, (2)

式中: xtpi, ytpi为提取的连接点坐标; xtp'i, ytp'i为反投影坐标。设坐标差阈值为δ , 当d> δ 时, 剔除该连接点。δ 的设定由数据处理精度和POS数据的精度而定, 本文将δ 设为5个像元。

1.4.2 分布优化

为了便于后续的平差计算, 需要保证影像上有一定数量连接点的同时, 还要尽量让这些连接点均匀分布于影像。连接点分布优化逐条带进行, 首先根据条带内下视影像上所有连接点的坐标计算外包盒, 然后根据需要的连接点数, 将外包盒自动划分规则格网, 每个格网内只保留距离格网中心最近的点。本文将3度连接点划分200个格网, 6度连接点划分100个格网。由于划分的是规则格网, 每个条带重叠区域大小可能不同, 所以自动划分的格网数目可能会稍多于或者少于所设置的格网数目。

试验采用3个条带共9张L0级ADS40影像。3个条带影像大小分别为12 000像元× 79 056像元、12 000像元× 80 912像元、12 000像元× 88 752像元, 前视、下视和后视影像的航摄角分别为27° , 0° 和14° 。试验中所用计算机处理器为i5(3.20GHz)四核, 内存为8 GB, 程序采用C++实现。

对3个条带影像自动提取连接点, 人工逐点检查匹配点的正确性, 连接点自动提取结果如表1和表2所示。

表1

Tab.1

表1(Tab.1)

表1 3度连接点自动提取结果 Tab.1 Results of 3 overlap tie points extracting 试验数据 匹配点数 误匹配点数 条带1 202 1 条带2 202 0 条带3 201 1

表1 3度连接点自动提取结果 Tab.1 Results of 3 overlap tie points extracting

表2

Tab.2

表2(Tab.2)

表2 6度连接点自动提取结果 Tab.2 Results of 6 overlap tie points extracting 试验数据 匹配点数 误匹配点数 条带1, 2 101 2 条带2, 3 115 2

表2 6度连接点自动提取结果 Tab.2 Results of 6 overlap tie points extracting

本文方法提取的连接点分为条带内的3度连接点和条带间的6度连接点2类。由表1和表2可以看出, 本文方法提取的连接点误匹配数较少, 且连接点总数可以满足后续的平差计算。经过POS数据几何约束剔除错误匹配点后, 结果中仍然会含有少量错误匹配点, 主要原因是机载三线阵系统提供的初始POS数据精度不足以将全部错误匹配点剔除。

条带1中3度连接点结果如图6所示, 从上到下依次为前视、下视和后视影像。图上不同影像上的连接点用不同颜色来显示, 且同名点用彩色线条连接, 可以看出, 本文方法提取的连接点在影像上分布较为均匀, 利于后续的平差计算。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 条带1中3度连接点提取结果Fig.6 3 overlap tie points extracting result of strips 1

为了进行对比分析, 本文还利用常规方法提取影像连接点, 同样采用由粗到精的金字塔影像匹配策略, 通过初始视差确定下视影像与前视后视影像间的3度重叠区域^[16], 在顶层金字塔影像上, 将重叠区域均匀划分200个格网, 并在每个格网内提取Harris特征点^[17], 采用相关系数法进行同名点匹配, 经过逐层金字塔影像匹配直至原始影像, 相关系数阈值设为0.7。常规方法连接点提取结果如表3所示。

表3

Tab.3

表3(Tab.3)

表3 常规方法3度连接点提取结果 Tab.3 3 overlap tie points extracting results of conventional method 试验数据 匹配点数 误匹配点数 条带1 185 12 条带2 182 13 条带3 190 16

表3 常规方法3度连接点提取结果 Tab.3 3 overlap tie points extracting results of conventional method

通过人工逐点检查, 分别对3个条带影像内提取的3度连接点进行匹配正确率和格网匹配率评价, 其中格网匹配率是指落入匹配点的格网数目与划分格网总数的比值。由于在分布优化时, 每个格网内保留了距格网中心最近的点, 该点通常在该格网内, 但也可能会在附近的另一个格网内, 使得该格网内并没有落入匹配点, 因此存在落入匹配点的格网数目少于划分格网总数的情况。连接点提取结果对比如表4所示。

表4

Tab.4

表4(Tab.4)

表4 连接点提取结果对比 Tab.4 Results comparison of tie points extracting 试验 数据 方法 正确率/ % 划分格 网数 落入匹配 点格网数 匹配率/ % 条带1 本文方法 99.5 202 199 98.5 常规方法 93.5 185 91.6 条带2 本文方法 100.0 202 196 97.0 常规方法 92.9 182 90.1 条带3 本文方法 99.5 201 198 98.5 常规方法 91.6 190 94.5

表4 连接点提取结果对比 Tab.4 Results comparison of tie points extracting

由表4可知, 本文方法明显优于常规影像连接点提取方法, 主要原因是L0级ADS40 影像变形较大, 而且非等倾斜摄影产生的影像角度、光照等差别较大, 常规方法难以适用, 容易造成错误匹配。另外, 本文方法的格网匹配率要高于常规方法, 可以看出对于变形较大的L0级ADS40影像, 常规提取方法难以匹配出分布均匀的连接点, 不利于后续的平差计算。