[发明专利]基于浮动控制点的高分辨率遥感影像正射校正方法

说明书

技术领域

本发明涉及遥感影像识别校正的技术领域，尤其涉及一种基于浮动控制点的高分辨率遥感影像正射校正方法。

背景技术

航道更新是航运管理中的重要内容。传统的基于野外测量的更新方式需要耗费大量的人力物力，基于卫星高分辨率多光谱遥感影像的更新方法能够快速更新航道边界并且成本较低。但是部分地区的地面控制点比较稀少，无法实现影像的高精度正射校正。给该方法在航道更新中的应用带来的困难，很难满足需求，需进一步加以改进。

发明内容

有鉴于现有技术的上述不足，本发明提出一种可完成无地面控制点区域的高分辨率遥感影像校正的基于浮动控制点的高分辨率遥感影像正射校正方法。

为实现上述目的，本发明提供了一种基于浮动控制点的高分辨率遥感影像正射校正方法，包括以下步骤：

步骤S101，基于高分辨率遥感影像进行水陆边界提取，选取水域中的小型目标作为船只识别的候选目标。

步骤S102，利用纹理和反射率指标对所述候选目标进行描述，构建特征向量。

步骤S103，在同类型影像中选取船只和伪船只构建训练和测试样本库。

步骤S104，利用SVM或ANN（神经网络）方法，基于训练和测试样本库训练分类器，完成船只识别，获取船只的影像坐标。

步骤S105，对识别得到的船只，利用形态学细分获得其几何中心线，并利用所述几何中心线完成与所述船只的AIS航迹的切线方向进行匹配，从而获取船只的精确GPS定位信息。

步骤S106，基于船只的影像坐标、地理坐标构成控制点，优化卫星有理多项式纠正模型，获得高精度正射影像。

较佳的，步骤S102中构建的特征向量包括灰度共生矩阵统计量、Gabor滤波器响应和光谱反射率（像素灰度）。

较佳的，步骤S104中获取的船只的影像坐标为船只的质心所处的坐标。

较佳的，在步骤S103中对样本库中的样本图像计算步骤S102中所述的特征向量，并为特征向量添加输出值：船只输出值为1，伪船只输出值为-1。

较佳的，在步骤S104中获取分类决策函数，决策函数的自变量为目标特征向量，决策函数变量为船只识别预测值，值域为{-1，1}，其中-1代表伪船只、1代表船只。

支持向量机（Support Vector Machine,SVM）在目标识别领域具有非常广泛的应用，并且已经被证明具有非常好的推广能力和鲁棒性。

本发明将水上的船只作为浮动控制点从影像中提取出来，并利用船只自带的AIS系统获取准确的地理坐标，通过利用船只作为移动控制点，实现无地面控制点区域的影像校正，还可利用曲线拟合技术实现船只AIS信息与影像信息的精确对应。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本实施例基于浮动控制点的高分辨率遥感影像正射校正方法的流程示意图。

具体实施方式

本实施例提出一种基于浮动控制点的高分辨率遥感影像正射校正方法，包括以下步骤：

步骤S101，基于高分辨率遥感影像进行水陆边界提取，选取水域中的小型目标作为船只识别的候选目标。

步骤S102，利用纹理和反射率指标对所述候选目标进行描述，构建特征向量；示例性的，本实施例构建的特征向量包括灰度共生矩阵统计量、Gabor滤波器响应和光谱反射率。

步骤S103，在同类型影像中选取船只和伪船只构建训练和测试样本库，对样本库中的样本图像计算步骤S102中所述的特征向量，并为特征向量添加输出值：船只输出值为1，伪船只输出值为-1。

步骤S104，利用SVM或ANN方法，基于训练和测试样本库训练分类器，完成船只识别（识别和提取所述候选目标中的船只），获取船只的影像坐标和分类决策函数，决策函数的自变量为目标特征向量，决策函数变量为船只识别预测值，值域为{-1，1}，其中-1代表伪船只、1代表船只，具体的，获取的船只的影像坐标为船只的质心所处的坐标。

步骤S105，对识别得到的船只，利用形态学细分获得其几何中心线，并利用所述几何中心线完成与所述船只的AIS航迹的切线方向进行匹配，从而获取船只的精确GPS定位信息；

步骤S106，基于船只的影像坐标、地理坐标构成控制点，优化卫星有理多项式纠正模型，利用RPC、多项式、小面元等方法完成影像纠正，获得高精度正射影像。