多源遥感数据测绘应用关键技术分析

张晓凤

（内蒙古自治区测绘地理信息局，内蒙古 呼和浩特 010010）

随着我国L 波段差分干涉SAR 卫星的成功发射，以SAR 数据为主导的多源遥感数据测绘技术将迎来重大突破。特别是在增强信息自动化处理和多源异构数据处理能力方面，以及地理信息智能化解译与变化提取等方面将会发挥重要价值。在多源遥感数据应用中需要解决两个关键问题：其一是如何从卫星图像中自动识别和智能提取地物要素，其二是如何将同一目标区域内不同时间、不同成像条件下获得的多幅图像，变换到同一个坐标系统中。为解决上述两个问题，本文分别提出了基于纹理特征的半自动提取技术和面向地理对象的图像配准技术，这两项关键技术的应用将进一步提高多源遥感数据的应用价值，为地理国情监测工作的更好开展提供了技术支撑。

1 地物要素智能化提取技术

1.1 基于纹理特征的半自动提取

图像纹理是图像灰度在空间上的变化和重复，其本质是描述像素领域灰度的空间分布规律。由于纹理特征具有旋转不变性、较强的噪声抵抗能力，因此在图像特征提取中有着广泛应用。获取纹理特征的基本流程为：在纹理图像中寻找一些具有较强辨识力的特征像素点，每一个像素点即为一个纹理单元。将检测得到的所有纹理单元进行统一处理，寻找纹理单元的基本排列信息，并在此基础上构建纹理单元模型。利用此模型，对整个纹理图像做进一步的分析处理，从而得到该图像的纹理特征。获得纹理特征后，还需要使用特定的方法工具进行提取和分析，常用的有结构法、频谱法等。

区域生长法是近几年出现的一种特征提取新技术，其原理是基于目标的同质性，把纹理相似或一致的像素集合起来，形成区域。在待提取地物的范围内人工选择一个种子点，将其作为生长的起点。以种子点为核心，将图像内所有与种子点具有相似或相同性质的像素，按照距离的远近依次合并到种子点所在的区域中，直到该图像内不再有符合性质相同或相似的像素，则区域生长完毕。该区域即可作为地物边界。基于区域生长法的地物要素智能化提取流程如图1 所示。

图1 基于种子点的区域生长法提取流程

1.2 基于Gabor 变换的区域生长法

1.2.1 算法原理

遥感图像中除了地物信息外，还有背景信息、噪声信息，以及其他周期或非周期成分，这些信息相互掺杂，直接分析具有较大的难度。可以使用傅里叶变换将遥感影像转化成包括幅度、相位的复函数，然后在频域中展开分析即可降低难度。但是常规的二维图像频谱分析，只能表达全域的信号频率特征，而不能对频域内某个局部的信号展开选择性分析，这不利于居民地遥感影像中房屋、道路、河流等特征信息的提取和分析。为解决这一缺陷，本文提出了一种基于Gabor 变换的居民地局部地物要素提取方法。由Gabor 滤波器发出的小波，对光照变化不敏感，但是对于图像边缘较为敏感，有着良好的方向选择性和尺度选择性，因此可以在地物的局部空间和频域信息等方面表现出较强的适应性。另外，考虑到居民地遥感影像具有地物要素多、纹理特征不明显的特点，因此使用多个Gabor 滤波器组成一个多通道滤波器组。其优点在于处理速度快、特征向量包含纹理信息丰富、纹理特征不易丢失等。

1.2.2 基于Gabor 变换的居民地提取流程

基于多通道Gabor 滤波器的居民地提取方法如下：（1）按照传统区域生长法确定种子点、候选点，并通过区域内搜索确定出居民地滤波影像。（2）对遥感影像做傅里叶变换，并确定滤波器的方向参数θ。由于居民地坐南朝北，因此滤波去的方向参数设定为2，对应居民地的行列方向。（3）在傅里叶变换幅度谱上，可以观察到纹理的粗细和周期的强弱。在幅度谱上找出波峰，并确定波峰频率。由于峰值的大小和原始图像周期性的好坏呈正相关，所以幅度谱中波峰所在位置，即为滤波器的中心频率。对应滤波器的两个主方向θ1和θ2，相应的得到两个中心频率f1和f2。（4）滤波器的标准差g 直接影响遥感影像中地物要素的提取。如果g 值偏高，则难以展示图像的局部特性。反之，若g 值偏低，则会受到噪声干扰，结合设备参数和地物提取需要，这里的g1和g2取值均为0.3。（5）在确定了滤波器组两个主方向上的中心频率、标准差后，分别以滤波影像的直方图为特征，以直方图相交距离为纹理相似性测度，完成居民地提取。整个流程如图2 所示。

图2 基于Gabor 变换的居民地提取流程

1.3 半自动提取实验分析

实验中分别选择了两副不同的SAR 图像，一副为A 市的农村，截取的影像大小为1850×2033；另一幅为A市的市区，截取的影像大小为1050×871。数据来源、成像时间等相关信息如表1 所示。

表1 居民地提取实验图像参数

在A 市农村的居民地影像中，由于房屋建筑以平房为主，分布相对密集。外部轮廓整体较为清晰，但是由于村庄附近有几家养殖场、工厂，与居民住房难以精确区分，因此地物制图精度稍差，为93.08%；背景制图精度较高，达到了99.50%；总体精度98.96%，Kappa 系数为0.932。在A 市市区的居民地影像中，新建的公寓楼房较多，同时也有较多的学校、商场等建筑物。整体来看内部排列和外部轮廓较为清晰。同时市区内有一条河流穿越，因为水面反射等原因导致河流两侧的轮廓较为模糊。地物制图精度为96.35%，背景制图精度为96.48%，总体精度为96.43%，Kappa 系数为0.925。实验结果表明，基于Gabor滤波器的地物要素提取方法，具有较强的方向选择性和抗干扰能力，可以较为清晰地表达纹理的细部特征，在纹理分析上存在明显优势。同时，该方法在有较强光照反射的河流处会损失大量细节，导致抽取的地物特征不能精确表达居民地信息。

综上，基于纹理特征的半自动提取方法优缺点如下：优点在于算法比较简单，数据处理速度快，定位精度高。支持自定义种子点，理论上可以将遥感图像中任意一点确定为种子点，因此可以精确显示某一点的细部特征，具有较强的针对性。缺点在于算法适应能力偏弱，只能针对特定图像，容易受到地物、噪声的影响。例如在反射较强的水域，地物信息的表达精度会有明显降低。

2 地物要素的变化检测

本文基于面向地理对象的图像配准方法，对A 市的水体变化进行检测。实验数据分别来源于SAR 图像和光学图像。其中，SAR 图像的获取时间为2021 年6 月11 日，采样间隔为4.2m，图像大小为1600×800；光学图像的获取时间为2021 年6 月15 日，重采样后像元大小为8.0m，图像大小为1250×750。变化检测实验图像提取的水体轮廓如图3 所示。

图3 变化检测实验图像提取水体轮廓

使用面向地理对象的图像配准方法，首先从上述两幅图像提取的水体轮廓，分别得到了地物要素（水体）的形状曲线。然后进行两幅图像的地物匹配，匹配前提出地物形状的细小毛刺，缩小同一地物不同形状间的差异，完成形状匹配后保存地物要素。最后进行几何变换，使用最小二乘法解算坐标转换参数，完成图像之间的坐标配准。变化检测精度如表2 所示。

表2 变化检测精度

由于该区域内存在较多的水产养殖场，受到养殖规律的影响，这些地方有时有水、有时无水，因此水体边界提取结果可能存在差异，如图4 所示。

图4 提取结果不一致的变化区域

排除水体变化部分，对比两幅图像中水体为发生变化部分，可以发现图像配准精度较高，符合地物要素变化检测的精度要求，说明面向地理对象的图像配准方法能够进一步提高多源遥感数据的测绘应用价值。

3 结论

在我国航空航天遥感技术不断发展背景下，多源异构遥感数据在智能化测绘应用方面发挥了重要价值。地物要素提取和图像配准是多源遥感数据处理和应用的两项关键技术。本文提出的一种基于纹理特征的地物要素提取方法，以及面向地理对象的图像配准方法，可以精确获得遥感图像中的地物要素，并且保证了轮廓精度，为地形图的修测和地理国情监测等工作的开展提供了帮助。