森林動態監測中基於多傳感器低空遙感影像配準的空間坐標校正

背景

森林管理可以有效地改變森林生境的結構並影響其生物多樣性。然而，人類活動、土壤侵蝕、蟲害和自然災害正在導致樹種多樣性急劇下降。因此迫切需要采用輕量化、低成本的動態監測技術
，以實現不同時間尺度上的森林動態監測。

隨著航空遙感技術的不斷進步
，利用航空影像對樹種多樣性進行動態監測是一種有效的方法。與使用飛機或衛星相比，小型無人機（Unmanned aerial vehicle, UAV）可以更便宜和更快速地獲取目標信息，特別是在需要更高的時間分辨率的情況下。為獲得更多的樹種理化信息，通常會在UAV上搭載RGB或多/高光譜傳感器。

雖然利用小型UAV進行樹種多樣性監測具有靈活性強、效率高、操作方便、成本低等優點。但仍存在以下問題，阻礙了進一步的研究：（1）機載推掃式高光譜成像儀與機載可見光相機相比，成像範圍小
，分辨率低，難免導致影像拚接效率低，成本高
，最終結果幾何誤差大
；（2）由於成像視角容易受到風速、方向、複雜地形、電池容量
、飛機姿態、飛行高度等因素影響
，拍攝的同一場景影像往往伴有多視點。這些視點直接用於拚接，會造成拚接影像拉伸和幾何形變；（3）小型無人機高光譜成像係統出於重量和成本的考慮，往往無法搭載高精度、高采樣頻率的定位係統；（4）高光譜影像拍攝時的高度重疊



，容易導致工作效率低下。上述問題導致小型UAV捕捉的高光譜影像難以提供精確的森林動態監測。

本ben研yan究jiu提ti出chu了le一yi種zhong將jiang低di空kong可ke見jian光guang和he高gao光guang譜pu影ying像xiang精jing確que對dui齊qi到dao地di理li坐zuo標biao係xi中zhong的de方fang法fa，以yi減jian小xiao高gao光guang譜pu影ying像xiang的de位wei置zhi誤wu差cha。該gai方fang法fa首shou先xian利li用yong可ke見jian光guang圖tu像xiang和he地di麵mian控kong製zhi點dian拚pin接jie出chu一yi個ge地di理li坐zuo標biao係xi統tong作zuo為wei參can考kao值zhi。然ran後hou，采cai用yong一yi種zhong新xin穎ying的de圖tu像xiang配pei準zhun方fang法fa將jiang高gao光guang譜pu影ying像xiang配pei準zhun到dao拚pin接jie後hou的de可ke見jian光guang影ying像xiang上shang。最zui後hou
，利li用yong上shang述shu參can考kao值zhi將jiang高gao光guang譜pu影ying像xiang的de空kong間jian坐zuo標biao更geng新xin到dao合he適shi的de位wei置zhi。本ben研yan究jiu可ke大da大da提ti高gao高gao光guang譜pu影ying像xiang采cai集ji效xiao率lv，避bi免mian了le高gao度du重zhong疊die數shu據ju的de采cai集ji。

試驗設計

研究區域位於上海辰山植物園的1300 m2森林地塊。雲南師範大學楊揚教授團隊利用小型無人機DJI Phantom4 Pro獲取了20張可見光影像（Visible light image, UVI），並將拚接後影像的地理坐標係統作為參考值。並且利用搭載有Gaiasky-Mini2-VN高光譜成像係統（江蘇雙利合譜公司）的大疆M600 pro無人機獲取了對應森林的高光譜影像（Hyperspectral images, UHI）。其波段範圍為400-1000 nm，通道數為176。

空間坐標校正的過程包括三個主要步驟：（1）地理坐標係確定；（2）圖像配準
；（3）空間坐標校正（圖1）。

首先，利用高分辨率的UVI和地麵控製點來拚接一個地理坐標係作為參考值
，並根據拚接後的UVI中的高光譜圖像選擇合適的區域（UVR）。

其次，在獲取參考值後
，利用UVR對UHI進行圖像配準。圖像配準的目的是對高光譜影像進行變換，使其與目標影像UVR對齊。將UHI在更精確的地理坐標上對齊，以實現樹種的定位。主要分為以下三步：（1）特征點提取。在基於特征的方法中，特征提取是點集配準的關鍵。本研究采用基於SIFT-like scale space（EOH-SIFT）的Edge Oriented Histogram descriptor（EOH）進行特征點集提取；（2）特征點集配準。采用期望*大化（Expectation maximization, EM）算法來完成圖像配準過程，該過程在兩步之間交替進行。EM算法的這兩步分別對應於對應估計和變換更新
；（3）圖像變換。為了解決圖像的幾何畸變和非剛性畸變，我們利用薄板樣條插值（Thin plate spline, TPS）來模擬更廣泛的變換。

文中使用的EOH-SIFT算法是一種特征點描述符，用於在同一場景的RGB圖像上匹配特征集。首先，通過類似SIFT的尺度空間表示法檢測特征集

，然後用EOH來表示這些特征集，得到80維的向量作為EOH-SIFT描述符，如圖2所示。

文(wen)中(zhong)提(ti)出(chu)了(le)自(zi)動(dong)調(tiao)整(zheng)高(gao)斯(si)核(he)
，通(tong)過(guo)控(kong)製(zhi)特(te)征(zheng)點(dian)集(ji)的(de)位(wei)移(yi)距(ju)離(li)，將(jiang)變(bian)換(huan)函(han)數(shu)從(cong)剛(gang)性(xing)逐(zhu)步(bu)更(geng)新(xin)為(wei)非(fei)剛(gang)性(xing)。這(zhe)個(ge)內(nei)核(he)的(de)思(si)想(xiang)是(shi)發(fa)揮(hui)從(cong)粗(cu)到(dao)細(xi)的(de)搜(sou)索(suo)策(ce)略(lve)。具(ju)體(ti)算(suan)法(fa)流(liu)程(cheng)如(ru)下(xia)所(suo)示(shi)。

最後
，經過圖像變換，可以將UVR的空間坐標精確地疊加在UHI上。然後
，對於UHI的每個像素，我們可以得到它的地理坐標。

為了驗證所提出的配準方法的優越性，將本研究的方法與相幹點漂移（CPD）、用薄板樣條變換的全局和局部混合距離（GLMDTPS）
、全局-局部對應和變換估計（GLCATE）以及保存全局和局部結構（PRGLS）這四種方法進行比較。

圖1 空間坐標校正的過程

圖2 EOH-SIFT描述符的說明

結論

每種方法在25對影像上的RMSE
、MAE和MAD如表1所示。5個典型配準示例如圖3所示。判定配準失敗的方法有兩種：（1）變換後的影像失真嚴重，無法人工識別；（2）RMSE大於160像素。我們的方法在所有影像配準實驗中提供了*好的性能，特別是當這些影像在不同的成像傳感器間有較大的強度變化時。CPD通過使用均勻分布以拒絕異常值來緩解這個問題。GLMDTPS性能很差
，因為它強製一一匹配，這很容易受到異常值的影響。PRGLS受到類似幾何鄰域結構產生的錯誤匹配。與其他三種方法相比，GLCATE算法性能較好，但對多時相影像不敏感。本研究方法優於其他四種方法的主要原因是：（1）采用雙特征描述子組合，能夠更準確地識別兩個特征點；（2）利用識別出的特征點在重疊區域和非重疊區域通過粗到細變換對彎曲網格進行近似整形。

表1 不同圖像配準方法的定量比較

圖3 不同配準方法示例。（i）為每個示例的10 × 10校準板

，其中使用紅色矩形突出顯示配準錯誤
；（ii）為重疊麵積

UHI和校正後的坐標的平均距離誤差為2.92 m，但采用本研究方法後

，單個UHI的誤差減少到約1米（表2）。由於每個UHI隻有一個地理坐標，當我們拚接大量的高光譜影像時
，這些誤差會累積起來，對單個樹木分析的準確性影響很大。

UHI中的坐標是從PHOTOMOD軟件拚接後的高光譜影像中獲得的，其誤差具有累積效應。如表3所示，UHI坐標與實際坐標之間的平均距離誤差為2.35 m。本文方法可以有效地將校正率提高到62.97%。試驗結果表明
，該方法能夠在大多數時間內成功地解決基於小UAV的多傳感器影像的空間坐標校正問題，為監測物種多樣性提供了巨大的可能。

表2 校正後的坐標與實際坐標的對比結果

表3 單棵樹在UHI中的坐標與實際坐標的比較結果。DE表示偏離誤差

作者信息

楊揚，博士
，雲南師範大學信息學院教授

，博士生導師。

主要研究方向：遙感影像配準。

參考文獻：

Yu, R., Lyu, M., Lu, J., Yang, Y., Shen, G., & Li, F. (2020). Spatial Coordinates Correction Based on Multi-Sensor Low-Altitude Remote Sensing Image Registration for Monitoring Forest Dynamics. IEEE Access, 8, 18483-18496

https://ieeexplore.ieee.org/document/8964383