多元遥感数据的配准

3.4.2　多元遥感数据的配准

遥感成像时，不同的卫星姿态、高度、速度、地球自转等因素造成图像相对于地面目标发生畸变。因此，遥感数据应用的先决条件是实现同一区域、不同时相的遥感资料空间坐标的统一。

图像配准是对取自不同时间、不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。图像配准是图像融合、变化检测的基本要求。

由于多元影像的几何和光谱分辨率等特性有所不同，为了将多元数据有效融合，必须对多元影像数据进行精确的配准。例如，10m分辨率的SPOT影像与30m分辨率的TM影像进行融合，必须首先分别选择两图中对应的同名控制点，以SPOT影像为标准，将TM影像插值到10m，配准到SPOT影像。

除了通常使用的人工选择同名地物点用多项式法进行配准外，基于特征提取和模式识别技术的较为先进的和自动化的方法也正在被国内外学者发展出来，一般称为图像匹配。图像匹配可看作下面几种要素的结合（贾永红等，2004）。

特征空间：定义特征集用于实现匹配，特征集是从参考影像和输入影像中提取出来的；

搜索空间：可以在输入特征与参考特征之间建立对应关系的可能的变换的集合；

搜索策略：用于选择可计算的变换模型以使匹配在处理过程中逐步达到精度要求；

近似性度量标准：用来评估对从搜索空间中获得的一个确定的变换所定义的输入数据与参考数据之间的匹配。

从整体上说，图像匹配算法分为两大类：基于灰度的影像匹配和基于特征的影像匹配。在基于灰度的影像匹配中首先从参考图像中提取目标区作为匹配的模板，然后用该模板在待配准图像中滑动，通过相似性度量（如相关系数法）来寻找最佳配准点。这类影像配准可以用一维窗口、二维窗口在空域或频率域进行处理。各种算法的主要差异在于相关度量标准的选择不同。由于基于灰度匹配算法把匹配点周围区域的点的灰度都考虑来进行计算，故匹配时具有算法简单、计算速度快、变形估算精度高、抗干扰性强等优点，但只有当采用辐射特性相似（即两幅待配准图像的辐射值只存在仿射变换）的同质图像时，才能取得比较好的配准效果（朱运海等，2004）；而对于辐射特性差异较大，尤其是来自不同类型传感器（如 TM和 SPOT）的异质遥感图像的配准问题，相关系数法很难达到某些应用的配准精度要求，适用性很差。

基于特征的算法由于提取了图像显著特征，大大压缩了图像信息的数据量，同时保持了图像的位移、旋转、比例方面的特性。基于特征的影像匹配通常为点、线、区域，算法的过程通常分为两步：特征提取和特征匹配（Z.Mao et al，1998）。在特征匹配前，首先要从两幅图像中提取出灰度变化明显的点、线、区域等特征形成的区域集，然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在匹配关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应关系，从而实现两幅图像之间逐像素的配准。

由于多源影像数据的几何、光谱、分辨率等特性有所不同，为了将多源信息有效融合，提取更多信息，必须对多源影像数据进行有效的配准（孙家柄，舒宁，关泽群，1997）。图像与图像间的配准，例如10m分辨率的SPOT影像与30m分辨率的TM影像之间融合，采用相对配准的方式。对于既有图像信息源，又有非图像信息源的多源信息融合来说，这种相对配准的方式是不可行的，必须根据一个绝对的地理坐标，分别将不同的信息源与这个地理坐标系进行配准，只有经过与地理坐标系进行配准的多源信息才能够进行分类融合。经过前面对遥感图像的预处理，可以得到具有统一的以地理坐标系为基准的图像信息源，但对于非图像信息源必须首先根据一定的规则对其进行量化，然后将量化后的信息根据图像信息源所在的地理坐标系，将这些非图像信息源以地理坐标系的方式表示出来。这样，所有的待融合信息源的信息都处在同一个坐标系中，也就是说多源信息在以地理坐标为基准的基础上，得到了完全配准。

空间配准，一般以高分辨率影像为参考影像，对低分辨率影像进行几何校正并重采样，使之与高分辨率影像的地面分辨率匹配。一般要求配准误差限制在高分辨率影像1个像素范围内，或低分辨率多光谱影像像素大小的10％～20％内。在本次实验中采用二次多项式（最低6个控制点）进行几何校正和双线性内插法进行重采样。分别在LANDSAT TM影像和SPOT Pan影像中选取9个同名点作为控制点，另选取6个同名点作为检查点，实验结果表明其配准误差在1个像素范围内可以进行重采样，图像可以进行进一步的融合、分类等处理。