Картографирование по снимкам IKONOS с использованием минимального количества опорных точек

Картографирование по снимкам IKONOS с использованием
минимального количества опорных точек
В статье описывается процедура уравнивания большого блока данных IKONOS. Осуществив в 1999 году
успешный запуск спутника IKONOS, компания Space Imaging (сейчас GeoEye) вошла в историю, как
компания, запустившая первый в мире коммерческий спутник дистанционного зондирования,
поставляющий снимки с разрешением один метр. На сегодняшний день снимки IKONOS покрывают свыше
275 млн. кв. км. и без проблем доступны в цифровом архиве.
Филипп Ченг, Франсиска Гомес, Микаэла Вебер и Кристин Флинджелли
Осуществив в 1999 году успешный запуск спутника IKONOS, компания Space
Imaging (сейчас Geoeye), вошла в историю, как компания, запустившая первый в мире
коммерческий спутник дистанционного зондирования, поставляющий снимки с
разрешением один метр. На сегодняшний день снимки IKONOS покрывают свыше 275
млн. кв. км. и без проблем доступны в цифровом архиве.
Перемещаясь над Землей со скоростью примерно семь километров в секунду,
IKONOS ведет съемку в черно-белом и мультиспектральном режиме, покрывая свыше
2000 кв. км в минуту. Космические снимки IKONOS обеспечивают доступ к любому
району Земного шара. Ежедневно совершая 15 облетов, каждый продолжительностью 98
минут, IKONOS собирает важную статистическую информацию о постоянно меняющихся
объектах земли – от изменений земной поверхности и водных ресурсах до застройки
новых городских районов. Области применения снимков разнообразны - от национальной
безопасности и оценки стихийных бедствий до градостроительства и мониторинга
сельхозугодий.
Чтобы использовать снимки IKONOS в таких областях, как ГИС, необходимо
выполнить их геометрическую корректировку. Для этого используются два метода:
строгий метод и метод RPC (Rational Polynomial Coefficients). В последние несколько лет
для корректировки снимков высокого разрешения более широко стал применяться метод
RPC, так как здесь требуется совсем небольшое количество опорных точек (GCP), в
некоторых случаях они вообще не нужны. Высокой точности геометрической
корректировки - в пределах 1-2 пикселей – можно добиться для небольших районов при
наличии нескольких опорных точек, а для значительных территорий при большом
количестве опорных точек. На практике дело обстоит иначе - количество точных опорных
точек может быть очень ограниченным. Сбор опорных точек может оказаться чрезмерно
дорогим, а иногда и просто невозможным, когда речь идет о недоступных районах. В
таком случае возникает вопрос, как выполнить точную корректировку большого блока
данных IKONOS при наличии ограниченного числа опорных точек. В этой статье мы
попытаемся ответить на него, исследовав большой блок данных IKONOS с разным
количеством и разными моделями распределения опорных точек.
Рисунок 1а: Мультиспектральный снимок с
разрешением 4м.
Рисунок 1b: Панхроматический снимок с
разрешением 1м.
Рисунок 1c: Снимок pan-sharpened с разрешением 1м.
RPC- метод и ПО
В методе RPC используется эмпирическая/статистическая модель, разработанная
GeoEye и приближенная к трехмерной физической сенсорной модели IKONOS. Редко
используемый в 1980-е гг., этот метод снова вызвал интерес после запуска спутника
IKONOS компанией Space Imaging, так как параметры сенсора IKONOS и параметры
орбиты не включаются в метаданные этих снимков. Метод RPC позволил бы отказаться от
создания трехмерных физических моделей, поскольку в этом случае пользователи, мало
знакомые с сенсором IKONOS, могли бы выполнять геометрическую корректировку без
опорных точек; для корректировки требуется только цифровая модель местности (ЦММ).
Поскольку после расчета коэффициентов RPC все же остаются смещения и погрешности,
результаты можно обработать ещё раз посредством сдвига (translation) и использования
нескольких точных опорных точек; или же исходные RPC-параметры уточняются с
помощью линейных уравнений и точных GCP. В ряде недавних статей и работ,
посвященных данным IKONOS, для снимков небольших районов были представлены
хорошие результаты совместного использования коэффициентов RPC и дополнительных
полиномов первого порядка с несколькими опорными точками (GCP). Более подробную
информацию о методе RPC можно найти в работе – Grodecki and Dial “Block Adjustment of
High-Resolution Satellite Images Described by Rational Functions” (“Блочное уравнивание
снимков высокого разрешения, описанных с помощью рациональных функций”),
Photogrammetric Engineering&Remote Sensing, January 2003.
Обычно исходные коэффициенты RPC, поставляемые со снимками, не являются
высокоточными по причине ограниченной точности бортовой системы спутника.
Точность повышается после нескольких уточнений, выполненных поставщиками
космических снимков. Аналогичная ситуация и со снимками IKONOS – в последнее время
точность RPC-данных значительно улучшилась благодаря уточнениям геометрической
калибровки сенсора. Так, например, для продукта GeoOrtho Kit плановая точность
позиционирования составила 15м CE90, а для продукта PrecisionPlus плановая точность
лучше 2.0м CE90.
В данном тестировании использовалась последняя версия программы OrthoEngine
компании PCI Geomatics. Эта программа поддерживает чтение данных, сбор опорных
(GCP)/связующих (TP) точек в ручном и автоматическом режиме, создание
геометрических моделей различных спутников с использованием строгой модели Toutin
или RPC-метода, автоматическое создание и редактирование цифровых моделей
местности (DEM), орторектификацию, а также ручное или автоматическое
мозаикирование. RPC-метод, реализованный в программе OrthoEngine, основан на методе
блочного уравнивания, разработанном Гродекки и Дайэлом (Grodecki and Dial) и
сертифицированном компанией Space Imaging
(www.pcigeomatics.com/support_center/tech_papers/rpc_pci_cert.pdf). С помощью этого
метода для каждого снимка рассчитывается математическая модель полиномиальной
корректировки.
P  A0  AS  Sample  AL  Line  ASL  Sample  Line  ...
R  B0  BS  Sample  BL  Line  BSL  Sample  Line  ...
Где A0 , AS , AL , ASL ... и B0 , BS , BL , BSL ... - параметры уравнивания снимка, Line и Sample –
координаты строк и столбцов точек снимка, а P и R - корректируемые функции,
выражающие разницу между рассчитанными и номинальными координатами строк и
столбцов. В случае с IKONOS, чтобы получить оптимальные результаты для снимка,
отображающего территорию протяженностью до 100км, достаточно выполнить
полиномиальную корректировку нулевого порядка ( A0 и B0 ). В программе OrthoEngine
реализована полиномиальная корректировка нулевого, первого и второго порядка.
Полиномиальная корректировка первого порядка подходит для снимков
QUICKBIRD, полиномиальная корректировка второго порядка с использованием метода
RPC – для снимков IRS AWiFS.
Несмотря на то, что в методе RPC требуется совсем небольшое количество
опорных (GCP) и связующих (TP) точек, возможность достижения высокой точности
определяется характером распределения опорных точек (GCP) в блоке. Для повышения
относительной точности можно использовать ЦММ, если таковая имеется. При каждой
итерации блочного уравнивания (bunch adjustment) каждой связующей точке
присваивается высота, взятая из ЦММ по рассчитанным координатам связующей точки X
и Y, аналогично тому, как плановые TP переводят в высотные. Этот метод позволяет
улучшить точность взаимного положения ортоснимков, что минимизирует расхождения в
процессе мозаикирования. В программе OrthoEngine такая опция доступна.
Рисунок 2а: Мультиспектральное изображение с
разрешением 4м.
Рисунок 2b: Панхроматическое изображение с
разрешением 1м.
Рисунок 2c: Пан-шарпенинговое изображение с разрешением 1м.
Тестовые данные
Компания European Space Imaging предоставила 12 сцен IKONOS Geo-Ortho Kit на
территорию Мадрида, Испания. Каждая сцена состояла из панхроматического (1м) и
мультиспектральных (4м) 11-битные изображений. Снимки получены в период с августа
2004г. по сентябрь 2005г., общая площадь покрытия примерно 50км в ширину и 88км в
длину. На участке с перепадом высот от 500м до 1400м расположены преимущественно
городская застройка и растительность. Региональное правительство Мадрида
предоставило векторные карты DGN масштаба 1:10000 и DEM с шагом 3 арк-секунды.
Авторы выражают признательность компании European Space Imaging и Региональному
правительству Мадрида за предоставленные материалы.
Пан-шарпенинг (pan-sharpening)
Доступность однометрового панхроматического канала, сопряженного с
четырехметровыми мультиспектральными каналами позволяет синтезировать полученные
снимки в мультиспектральное пан-шарпенинговое (pan-sharpened) изображение с
разрешением 1м. Концепция синтеза мультиспектральных изображений не нова.
Пространственное разрешение данных Landsat MSS (каналы 4, 6 и 7) было улучшено с
240м до 80м путем использования высокочастотной информации (weighted high-frequency
information) канала 5 с разрешением 80м. Прежние методики применяли разные весовые
коэффициенты для панхроматического и мультиспектральных каналов. Ещё одна
распространенная методика – преобразование RGB-IHS: панхроматический канал с
высоким разрешением заменяет канал яркости, выделенный из мультиспектральных
каналов с низким разрешением. Хотя эти альтернативные методики улучшают
изображение – делают его более четким (sharper), они уничтожают спектральные
характеристики данных.
Так как большинство спутников по исследованию ресурсов Земли (например,
SPOT, IRS, Landsat 7, IKONOS и QuickBird) поставляет мультиспектральные снимки с
низким пространственным разрешением и панхроматические снимки с высоким
пространственным разрешением, для них может быть выполнена процедура паншарпенинга. Однако, большинство существующих методов, которые дают
удовлетворительные результаты с изображениями среднего разрешения, не совсем
подходят для выполнения пан-шарпенинга мультиспектральных и панхроматических
снимков высокого разрешения.
На базе данных всестороннего исследования и анализа существующих алгоритмов
пан-шарпенинга и практических результатов доктор Юнь Джанг из Университета Нью
Брунсвика, Фредериктон,
Нью Брунсвик, Канада, разработал новый алгоритм
автоматического пан-шарпенинга. Новый метод решил две основные проблемы –
искажение цвета и зависимость от оператора. Для максимально реального отображения
цветов значения серого в каналах исходных изображений (мультиспектральных и
панхроматическом) и пан-шарпенингового, были оптимально согласованы по методу
наименьших квадратов. Для стандартизации и автоматизации процедуры пан-шарпенинга
применялся статистический подход. Новый алгоритм реализован в ПО PCI Geomatics.
Обычно панхроматические и мультиспектральные снимки приходится
обрабатывать отдельно, чтобы к процедуре пан-шарпенинга получить уже согласованные
изображения. Обработка включает чтение данных, сбор опорных точек (GCP) и
орторектификацию с использованием ЦММ. Поскольку сбор опорных точек (GCP) и
орторектификация выполняются отдельно для панхроматического и мультиспектральных
снимков, то может возникнуть небольшое расхождение между орторектифицированными
панхроматическим
и
мультиспектральными
изображениями,
обусловленное
местоположением и распределением опорных точек (GCP). Одним из преимуществ
продукта IKONOS Geo-Ortho Kit является то, что панхроматическое и
мультиспектральные изображения точно согласованы между собой. Поэтому для снимков
равнинных территорий процедура пан-шарпенинга может предварять основную
обработку. Таким образом, пользователю понадобилось бы только собрать опорные точки
(GCP) и выполнить орторектификацию готового пан-шарпенингового изображения. Эта
схема была апробирована на данных Geo-Ortho Kit. На рисунке 1а показан
мультиспектральный снимок городского района с разрешением 4м, на рисунке 1b –
соответствующий панхроматический снимок с разрешением 1м, а на рисунке 1с – паншарпенинговый снимок. На рисунках 2а, 2b и 2с показаны аналогичные снимки
пригородной территории. В обоих случаях процедура пан-шарпенинга прошла без
проблем, и была подтверждена возможность применения предложенной схемы к данным
Geo-Ortho Kit.
Рисунок 3: Орторектифицированный снимок, наложенный на векторную основу масштаба 1:10000.
Результаты теста
По предоставленной векторной карте масштаба 1:10000 было определено 79
опорных (GCP) и 40 связующих (TP) точек. Согласно стандартам точности национальных
карт США точность векторной карты масштаба 1:10000 составляет приблизительно 8.5м
CE90 (RMS равняется примерно 4м). В идеале точность опорных точек должна
находиться в субметровом диапазоне. Высоты опорных точек (GCP) брались из
предоставленной ЦММ. Кроме того, как уже упоминалось ранее, для улучшения точности
эту же самую ЦММ использовали для перевода плановых связующих точек в высотные
при блочном уравнивании.
Точность на опорных точках (GCP) и их распределение тестировались в
нескольких вариантах. Сначала все опорные точки (GCP) были переведены в независимые
контрольные точки (ICP), а затем часть ICP была переведена в GCP. Протестированы
следующие варианты: (1) без опорных точек (GCP), (2) одна опорная точка на снимок, (3)
две опорные точки на снимок, (4) три опорные точки на снимок, (5) 1 опорная точка на
одно угловое изображение в блоке, (6) две опорные точки на одно угловое изображение в
блоке, (7) одна опорная точка на одно нижнее угловое изображение в блоке и (8) две
опорные точки на одно нижнее угловое изображение в блоке. Полученные результаты
сведены в таблицу 1.
В таблице показано, как количество опорных точек (GCP) и их распределение
влияют на точность уравнивания. В целом, для одного изображения достаточно одной или
двух опорных точек. Бóльшее количество не дает значительного улучшения результатов.
Альтернативным вариантом при ограниченном количестве опорных точек (GCP) является
наличие хотя бы одной опорной точки для каждого углового изображения в блоке. В
обоих случаях RMS составила 4м, т.е. в пределах точности GCP. Для обеспечения
высокой точности не рекомендуется размещать опорные точки только с одной стороны
блока изображений.
Вариант
Количество Погрешность RMS для ICP Макс. погрешность ICP
ICP
X
Y
X
Y
Без GCP
79
6.7
7.6
11.7
16.7
1 GCP на снимок
67
1.8
2.4
4.5
5.8
2 GCP на снимок
55
1.5
1.6
3.2
4.8
3 GCP на снимок
43
1.4
1.4
3.0
4.5
1 GCP в каждом углу
75
2.2
4.1
5.6
8.7
2 GCP в каждом углу
71
2.1
4.0
5.1
8.8
1 GCP в нижнем углу
77
3.6
5.2
8.1
10.5
2 GCP в нижнем углу
75
3.3
5.9
7.5
11.3
Таблица 1: Сравнение погрешностей RMS для различного количества GCP и ICP.
Орторектификация
Все изображения прошли геометрическую корректировку, называемую
орторектификацией. Орторектификация выполняется на базе ЦММ. На машине Pentium
IV 3.0 GHz с установленной программой Window XP на создание каждого
орторектифицированного 4-канального пан-шарпенингового изображения с размером
файла около 5 Гб уходило примерно 25 минут. На рисунке 3 показан
орторектифицированный снимок, наложенный на векторную карту (векторы выделены
зеленым цветом).
Автоматическое мозаикирование
Рисунок 4: Мозаика, включающая 12
пан-шарпенинговых изображений.
После
орторектификации
полученные
изображения необходимо соединить (мозаикировать),
выполнив при этом цветовое выравнивание. Как
правило, это очень трудоемкий процесс, особенно
когда он выполняется вручную. Пользователю нужно
найти наиболее подходящие линии сшивки с
минимальными различиями. Если снимки были
получены в разное время, то для цветового
выравнивания
потребуется
надежный
метод.
Программа автоматического мозаикирования и
цветового выравнивания была разработана компанией
PCI Geomatics как составная часть программы
OrthoEngine. Программа автоматически находит
линии сшивки, выполняет мозаикирование
и
выравнивает цвета. При этом не требуется участие
оператора. На машине Pentium IV 3.0 GHz с
установленной
программой
Window
XP
на
автоматическое
мозаикирование
и
цветовое
выравнивание при размере файла около 40 Гб
потребовалось примерно 9 часов. На рисунке 4
показано мозаикированное изображение, а на рисунке
5 - часть снимка в полном разрешении, на котором
линия сшивки обозначена зеленым.
Рисунок 5: Фрагмент мозаики в полном разрешении. Линия сшивки выделена зеленым цветом.
Для оптимальных результатов …
Для снимков Geo-Ortho Kit равнинных территорий процедура пан-шарпенинга
может предварять основную обработку. RPC-метод можно применять как геометрическую
модель для корректировки снимков IKONOS. Для получения оптимальных результатов
предпочтительнее использовать, по крайней мере, по одной опорной точке (GCP) для
каждого снимка блока. Если количество GCP ограничено, то необходима, по крайней
мере, одна опорная точка (GCP) для каждого углового изображения в блоке. Для
повышения точности блочного уравнивания следует назначать связующим точкам
высоты. Автоматическое мозаикирование и цветовое выравнивание позволят снизить
трудозатраты.
Доктор Филип Ченг cheng@pcigeomatics.com – ведущий научный сотрудник компании PCI Geomatics
Франсиска Гомес franciscagomez@grupotecopy.es – глава департамента дистанционного зондирования
компании COTESA.
Микаэла Вебер mweber@euspaceimaging.com – директор отдела продаж и маркетинга компании European
Space Imaging.
Кристин Флинджелли tflingelli@euspaceimag.com – менеджер по продукции компании European Space
Imaging.