基于高分辨率遥感影像地形三维重建关键技术研究精要.pptxVIP

基于高分辨率遥感影像地形三维重建关键技术研究 一、研究意义： 高分辨率卫星影像及其立体像对具有获取周期短、影像覆盖范围大、全天候获取、不受地区限制等传统航测不具有的优势。而且高分辨率卫星不断提高的分辨率、更短的重访周期、更灵活的获取方式和更低的价格使其在测绘生产中体现出了巨大的应用潜力，为测绘发展提供了新的研究领域。 1、三维重建简介 三维重建是以射影几何为基础，从单幅图像(加上景物约束)、二幅或多幅图像(类似人的双目定位)来恢复空间点三维坐标的过程。 三维重建主要包括：图像获取、建立传感器成像几何模型、影像匹配、DEM提取四个部分。其中传感器成像几何模型、影像匹配是三维重建的关键步骤。 二、高分辨率遥感影像三维重建 2、图像获取 二维图像对是双目立体视觉的处理对象，三维重建常采用两幅与多幅遥感图像，从不同方位对同一地区摄取的两幅影像构成为立体像对，其实质是传感器模拟人的双眼，构造人体立体视觉，一般立体像对的重叠度至少在60%以上。 3、传感器成像几何模型 传感器成像几何模型的建立是进行摄影测量立体定位处理的基础，目的是为了建立像点在像平面坐标系中二维坐标与相应地面点三维空间坐标之间的数学关系。 一般分为物理传感器模型和广义传感器模型两类。前者需要考虑成像过程中造成影像变形的物理因素如地表起伏、大气折射、相机透镜畸变及卫星的位置、姿态等等，再利用这些物理条件来建构成像几何模型； 广义传感器模型建立时，则不考虑传感器成像的物理意义，直接采用数学函数如多项式、直接线性变换、仿射变换及有理多项式等形式描述地面点和相应像点之间的几何关系。 3、传感器成像几何模型 物理传感器模型的建立需要传感器物理构造及成像方式等信息，理论上非常严密，但为了保护技术秘密，一些传感器的参数并未被公开，用户不可能建立这些传感器的严格成像模型。 通用传感器模型与具体的传感器无关，更能适应传感器成像方式多样化的发展要求，所以通用传感器模型的研究成为当前摄影测量与遥感领域的一个重要研究方向。 多项式法 共线方程式法 直接线性变换法 仿射变换法 有理函数模型(Rational Function Model ,RFM)法 4.常用建模方法 多项式法 共线方程式法 4.常用建模方法 4.常用建模方法 直接线性变换法 仿射变换法 8参数法 严密仿射变换公式 有理函数(RFM)法 有理函数定义： 有理函数是将像点坐标(r , c)表示为以相应地面点空间坐标 (X,Y,Z)为自变量的多项式的比值，公式如下： 有理函数模型 (RFM) RFM传感器优点如下： ①、 一般性：形式简单，适用于大多数传器； ②、保密性：RFM中隐含了传感器信息； ③、高效性：便于实时处理。 基于有理函数(RFM)的通用传感器模型 有理函数模型系数（RPC）的解算方法 从前面叙述可知，有理函数模型的精度受RPC系数的解算质量直接影响。其中，RPC系数可通过严密传感器模型直接拟合计算得到，也就是地形无关解算，也称独立于地形解算；当传感器未知时，也可以通过地形信息反解出RPC，称之为地形相关解算。 空间格网 地形无关解算 传感器的严密物理模型已知 空间格网+最小二乘法 地形相关解算 传感器的严密物理模型未知 GCP选点+最小二乘法 直接优化法 利用新增GCPs对RPC系数重新解算 有理函数模型的优化 根据优化过程是否改变原始的RPC参数可分为直接优化法和间接优化法，前者指的是不改动有理函数模型本身，通过不同的计算模型和计算步骤，直接作用于RPC参数以得到一组新的RPC参数。后者是在像空间或物方空间进行补偿或者联合变换，并不对原始的RPC参数进行修改。 有理函数模型的优化 对于直接优化模型来说，在优化解算的过程中往往需要严密传感器模型参数。而对于间接优化模型来说，虽然不需要严密传感器模型参数，但是其并不改变原始的RPC参数，因此其构建的联合优化模型往往不能直接被商业软件所接受。 间接优化法 利用新增GCPs计算仿射变换系数，改变像方空间坐标值 5、影像匹配 影像匹配是指在影像的重叠区自动识别和量测同名点。由于影像数据非常大，有的平台如ERDAS LPS在匹配过程中采用金字塔影像来减少运行的时间，增加匹配的可信度。匹配过程是在每一个分辨率级别上执行，首先从最低分辨率级别开始，依次在每一个更高级别分辨率上执行匹配。 按照匹配基元影像匹配方法可以分为三类：基于区域的影像匹配(根据两影像的灰度值的相似性决定两影像间的相关性)