一种光学测绘相机辐射性能指标的量化方法
【技术领域】
[0001] 本发明属于航天光学测绘领域，涉及一种测绘相机辐射性能指标的量化方法，具 体涉及一种基于最小二乘匹配的测绘相机辐射性能指标量化方法，适用于指导测绘相机指 标的合理量化与优化设计。
【背景技术】
[0002] 航天测绘为全球地理空间信息获取、更新提供基础数据，高精度的航天测绘能够 为精确打击武器装备效能提升提供重要保障。航天光学测绘以其具有的高分辨率、高精度 特点在航天测绘领域被广泛应用，其实现手段是以测绘卫星搭载的光学测绘相机立体拍摄 地面场景，并根据获取的影像进行立体匹配与几何定位，以获取地物的三维空间信息。
[0003] 光学测绘相机的性能制约着测绘精度，因此，针对光学测绘相机完善相应的性能 表征指标，并研究指标合理量化的方法在实际应用中具有重要意义。目前，在测绘相机几何 指标研究方面已开展了大量工作，建立了较完善的几何指标分析与量化方法。相对而言，在 相机辐射指标方面，如传递函数(MTF)、信噪比（SNR)的量化一直沿用侦察相机辐射性能指 标体系及要求，与测绘精度之间的关联缺乏理论依据，指标的提出依据不强，很少依据测绘 需求提出对辐射指标的量化要求(无法根据测绘需求确定合理的设计指标与量化要求）。然 而这些指标决定成像质量，它们在影像上产生的物理效应，包括模糊、噪声、灰度偏差等，均 会降低立体量测的精度，特别是在高精度立体量测中更为明显。因此，研究相机辐射指标与 测绘精度之间的关联关系，并以此为依据提出指标量化方法对高精度测绘具有重要意义。
【发明内容】
[0004] 本发明针对目前测绘相机的辐射性能指标的提出与量化缺乏理论依据的问题，提 出一种测绘相机辐射性能指标的量化方法，通过最小二乘匹配的理论推导得出影响高精度 测绘的相机辐射性能指标，并针对这些指标与匹配精度间的复杂非线性关系及与成像场景 的耦合问题，将匹配误差建模问题转换为非线性逼近函数的优化问题，并采用基于遗传算 法参数优化的小波网络构建指标与匹配精度间的关系模型，利用该模型可为测绘相机辐射 性能指标的量化与优化设计及性能预估提供理论依据。
[0005] 本发明的目的是通过以下技术方案实现的：
[0006] -种测绘相机辐射性能指标的量化方法，包括如下步骤：
[0007] 步骤1:基于最小二乘影像匹配，推导得出影响测绘精度的相机辐射性能指标；
[0008] 步骤2:在步骤1基础上，分析各指标对测绘匹配精度的影响规律；
[0009] 步骤3:以实现相机辐射指标与场景信息去相关解耦为目的，提出场景信息表征参 数；
[0010] 步骤4:在步骤2和3基础上，构建相机辐射指标与测绘精度之间的关联模型；
[0011] 步骤5:结合步骤4所建模型，提出相机辐射指标量化方法。
[0012] 本发明具有如下优点：
[0013] 1、该方法建立了相机辐射性能指标与测绘精度之间的关联关系，能够根据测绘实 际应用需求，合理提出测绘相机的传递函数、信噪比等辐射性能指标的量化要求，并进行指 标的匹配优化设计。
[0014] 2、从最小二乘匹配出发，从理论上推导得出相机传递函数、信噪比和相对辐射畸 变是影响测绘精度的关键指标，并分析得出了匹配精度随上述指标的变化规律。
[0015] 3、为了解决场景信息与相机辐射性能指标之间的相互耦合问题，采用数学空间变 换的三维内积空间降维思想，提出了与相机辐射指标去相关解耦的场景信息表征参数，可 为匹配误差建模提供去相关的模型输入参数。
[0016] 4、鉴于匹配精度与辐射性能指标间复杂的非线性关系以及场景的复杂多变性，将 匹配误差建模问题转换为非线性逼近函数的优化问题，并利用基于遗传算法的小波网络模 型建立它们之间的关系模型。该模型既发挥了小波网络的非线性逼近能力、自学习、自适应 与泛化能力，又使网络具有很快的收敛性及较强的全局寻优能力，可为测绘相机辐射性能 指标的量化与优化设计及性能预估提供理论指导与技术支撑。
【附图说明】
[0017] 图1为影像匹配误差随MTFn变化曲线；
[0018] 图2为影像匹配误差随SNR变化曲线；
[0019] 图3为影像匹配误差随RRD变化曲线；
[0020] 图4为加入不同MTFn前后变差函数曲线的比较；
[0021]图5为加入不同SNR前后变差函数曲线的比较；
[0022]图6为加入不同RRD前后变差函数曲线的比较；
[0023]图7为同一场景影像(a、b、c)随MTFn的变化；
[0024]图8为(a、b、c)投影变换至场景空间结构面上的坐标(Χλ，Υλ )随MTFn的变化；
[0025] 图9为典型场景影像图（密集城镇、稀疏城镇与平原水田场景）；
[0026] 图10为小波神经网络GAWNN的程序流程；
[0027]图11为模拟生成的Cartosat-1卫星立体影像图（前视影像）；
[0028]图12为模拟生成的Cartosat-Ι卫星立体影像图（后视影像）；
[0029] 图13为模拟立体影像的匹配结果(前视影像）；
[0030] 图14为模拟立体影像的匹配结果(后视影像）；
[0031] 图15为相机辐射性能指标量化流程。
【具体实施方式】
[0032] 下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本 发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖 在本发明的保护范围中。
[0033] 最小二乘影像匹配算法(LSHO是摄影测量处理中公认、可靠、高精度的匹配算法， 精度可达到亚像素级，本发明在固定LSIM的前提下，针对航天测绘相机辐射指标的提出和 量化科学依据不强这一问题，从理论上分析了影响匹配精度的主要因素，并研究匹配精度 随各因素的变化规律，建立匹配误差模型，据此提出基于匹配误差模型的相机辐射指标量 化方法。具体实施步骤如下：
[0034] 步骤一:基于最小二乘影像匹配，推导得出影响测绘精度的相机辐射性能指标。
[0035] 现假设立体影像中右影像的灰度分布82与左影像的灰度分布81中仅存在随机噪 声，则有：
[0036] gi(x,y)+ni(x,y) = ho+hig2(ao+aix+a2y,bo+bix+b2y) +Π2(x,y) (1) 〇
[0037]式中，11()，111分别表不左、右影像间的福射畸变参数;3()，31，32，13()，131>分别为左、右 影像间的几何变形参数;ηι，Π 2分别为左、右影像灰度中存在的随机噪声;X，y为影像灰度坐 标值。
[0038] LSIM算法的目的即为求解参数0=(11()，111，3()，31，32，13()，131，匕2)1'，目标函数如式(2) 所示：
[0039]
⑵。
[0040] 式中，Γ为匹配窗口。
[0041 ]设fx,y(0) =ho+hig2(ao+aix+a2y，bo+bix+b2y)，F(P)为{fx,y(0) }x,yer组成的影像灰 度分布序列，Η(β)为F(i3)对邱勺偏导矩阵。
[0042] 令护=(1^，111、()、1、/，1^，1^，13 27为第1次迭代结果，61，62分别为窗口「中 左右影像灰度分布序列，则根据一阶Taylor近似，有：
[0043] β ? (Gi-FCP1)) (3)。
[0044] 式(3)迭代若干次后可得到参数邱勺估计值I。
[0045] 在忽略非线性模型线性化误差及重采样误差后，参数邱勺估计误差为：
[0046]
(4 九
[0047]其中，cov = 〇2表示影像的方差，〇为标准差，diag( ·)表示矩阵的对角元素。
[0048]由此可得出匹配误差为：
[0049]
(5)〇
[0050] 式中，〇(1)，〇(7)分别为像素(1，7)处1和7方向的匹配误差(口1161);〇