Методы автоматизации пространственной привязки данных ДЗЗ, анализ изменений по разновременным изображениям

В последние годы космические съемочные системы получили бурное развитие. Запуск новых съемочных систем, рассчитанных на коммерческое использование, снижает стоимость данных для конечного потребителя. Широкая доступность как архивных, так и оперативных данных позволяет использовать космическое дистанционное зондирование в огромном числе отраслей, как традиционных (картография, экология, и др.), так и сравнительно новых (туризм, строительное проектирование, и др.). Следствием увеличивающегося объема доступных данных является рост объема работ по первичной обработке, выполнить которую необходимо прежде, чем изображения можно будет непосредственно использовать в задачах оперативного реагирования, анализа изменений, мониторинга, и других. С появлением новых высокопроизводительных спутников высокого разрешения, запланированных на конец 2007 – начало 2008 года, эта проблема только усугубится.
Одной из задач первичной обработки получаемых изображений является геометрическая коррекция: устранение искажений различной природы и приведение к заданной системе координат. Часто в качестве базовой (также называемой опорной или референсной) информации используются ортофотопланы или ортофотомозаики, созданные на ту же территорию ранее. Для автоматизации и ускорения процесса геометрической коррекции изображения к изображению разработаны алгоритмы и программные средства, позволяющие минимизировать работу оператора. Примером может служить модуль AutoSync программного пакета ERDAS Imagine.

Этот модуль позволяет автоматически создавать связующие точки на космических снимках, полученных в разное время и различными сенсорами, и на их основе рассчитывает геометрическую модель для точной привязки изображения к изображению. Данный процесс может быть использован для увеличения точности привязки ранее трансформированных наборов данных (например, в области перекрытия смежных снимков) или для быстрой привязки новых, «сырых», снимков.
Процесс автоматического поиска связующих точек состоит из нескольких последовательных этапов.
1. Определение точек интереса на каждом снимке фотограмметрического блока. Точки интереса ищутся в центре скользящего шаблона и отражают значительное изменение яркости и контраста.
2. Идентификация обнаруженных точек интереса на двух и более перекрывающихся изображениях блока. Идентификация осуществляется с помощью скользящих окон: окна корреляции на базовом изображении и окна поиска на перекрывающихся изображениях. Поскольку для каждой точки интереса может быть обнаружено несколько соответствующих точек на смежных изображениях, для каждой из них расчитывается коэффициент взаимного коррелирования. Чем выше коэффициент взаимного коррелирования, являющийся статистической величиной, тем более схожа найденная точка с точкой интереса.
Математические модели трансформирования изображений разделяются на две группы: “снимок к снимку (2Д)” и “земля к снимку (3Д)”. Модели “снимок к снимку” не используют цифровую модель рельефа для геометрической коррекции изображения и представлены методом «резинового листа» (rubber sheeting) и полиномиальной.
Метод резинового листа представляет собой двумерный метод, основанный на кусочном трансформировании треугольников, формируемых между связующими точками. Наиболее успешно метод применяется для областей с умеренно выраженным рельефом в случае отсутствия информации о модели сенсора и о рельефе.
Полиномиальный метод представляет собой двумерный метод, где координаты X и Y вычисляются по следующим формулам:

Математические методы трансформирования «земля к снимку (3Д)» моделируют преобразование координат с использованием цифровой модели рельефа в качестве модели земной поверхности. Группа включает в себя следующие модели:
• строгая модель сканирующего сенсора (ROP) (включая сенсоры SPOT 5, EROS 1A/1B, ASTER, QuickBird и др.)
• модель коэффициентов рациональных полиномов (RPC), позволяющая обрабатывать данные со спутников IKONOS, QuickBird, OrbView, для которых точная модель камеры производителями не раскрывается.
• прямое линейное преобразование (DLT), позволяющее подобрать параметры кадровой камеры, характеристики которой неизвестны.
Ряд проведенных работ по геометрической коррекции разновременных снимков показал высокую степень автоматизированности и высокую точность получаемых результатов. В работе использовались снимки, полученные со спутников Ikonos, QuickBird, Ресурс-ДК. Точное геометрическое совпадение изображений позволяет успешно использовать автоматизированные алгоритмы анализа изменений по разновременным изображениям (change detection). В случае выраженного рельефа (горная местность) точность геометрического совмещения изображений зависит от точности используемой цифровой модели рельефа. Применение глобальной модели рельефа, полученной в ходе мисcии SRTM, для обработки снимков высокого разрешения (1 метр и лучше) обеспечивает хорошие результаты (точность совмещения лучше одного пиксела) для равнинных территорий и удовлетворительные результаты (точность совмещения 2-4 пиксела) для горных участков.
Таким образом, использование алгоритмов для автоматического поиска связующих точек и воссоздания геометрической модели трансформирования изображения к ортофотоплану обеспечивает эффективные и производительные инструменты для геометрической коррекции разновременных снимков, тем самым облегчая и ускоряя первичную обработку данных дистанционного зондирования и расширяя области их применения.