森林動(dòng)態(tài)監(jiān)測中基于多傳感器低空遙感影像配準(zhǔn)的空間坐標(biāo)校正

背景

森林管理可以有效地改變森林生境的結(jié)構(gòu)并影響其生物多樣性。然而，人類活動(dòng)、土壤侵蝕、蟲害和自然災(zāi)害正在導(dǎo)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(dòng)態(tài)監(jiān)測技術(shù)，以實(shí)現(xiàn)不同時(shí)間尺度上的森林動(dòng)態(tài)監(jiān)測。

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

雖然利用小型UAV進(jìn)行樹種多樣性監(jiān)測具有靈活性強(qiáng)、效率高、操作方便、成本低等優(yōu)點(diǎn)。但仍存在以下問題，阻礙了進(jìn)一步的研究：（1）機(jī)載推掃式高光譜成像儀與機(jī)載可見光相機(jī)相比，成像范圍小，分辨率低，難免導(dǎo)致影像拼接效率低，成本高，最終結(jié)果幾何誤差大；（2）由于成像視角容易受到風(fēng)速、方向、復(fù)雜地形、電池容量、飛機(jī)姿態(tài)、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(diǎn)。這些視點(diǎn)直接用于拼接，會(huì)造成拼接影像拉伸和幾何形變；（3）小型無人機(jī)高光譜成像系統(tǒng)出于重量和成本的考慮，往往無法搭載高精度、高采樣頻率的定位系統(tǒng)；（4）高光譜影像拍攝時(shí)的高度重疊，容易導(dǎo)致工作效率低下。上述問題導(dǎo)致小型UAV捕捉的高光譜影像難以提供精確的森林動(dòng)態(tài)監(jiān)測。

本研究提出了一種將低空可見光和高光譜影像精確對齊到地理坐標(biāo)系中的方法，以減小高光譜影像的位置誤差。該方法首先利用可見光圖像和地面控制點(diǎn)拼接出一個(gè)地理坐標(biāo)系統(tǒng)作為參考值。然后，采用一種新穎的圖像配準(zhǔn)方法將高光譜影像配準(zhǔn)到拼接后的可見光影像上。最后，利用上述參考值將高光譜影像的空間坐標(biāo)更新到合適的位置。本研究可大大提高高光譜影像采集效率，避免了高度重疊數(shù)據(jù)的采集。

試驗(yàn)設(shè)計(jì)

研究區(qū)域位于上海辰山植物園的1300 m2森林地塊。云南師范大學(xué)楊揚(yáng)教授團(tuán)隊(duì)利用小型無人機(jī)DJI Phantom4 Pro獲取了20張可見光影像（Visible light image, UVI），并將拼接后影像的地理坐標(biāo)系統(tǒng)作為參考值。并且利用搭載有Gaiasky-Mini2-VN高光譜成像系統(tǒng)（江蘇雙利合譜公司）的大疆M600 pro無人機(jī)獲取了對應(yīng)森林的高光譜影像（Hyperspectral images, UHI）。其波段范圍為400-1000 nm，通道數(shù)為176。

空間坐標(biāo)校正的過程包括三個(gè)主要步驟：（1）地理坐標(biāo)系確定；（2）圖像配準(zhǔn)；（3）空間坐標(biāo)校正（圖1）。

首先，利用高分辨率的UVI和地面控制點(diǎn)來拼接一個(gè)地理坐標(biāo)系作為參考值，并根據(jù)拼接后的UVI中的高光譜圖像選擇合適的區(qū)域（UVR）。

其次，在獲取參考值后，利用UVR對UHI進(jìn)行圖像配準(zhǔn)。圖像配準(zhǔn)的目的是對高光譜影像進(jìn)行變換，使其與目標(biāo)影像UVR對齊。將UHI在更精確的地理坐標(biāo)上對齊，以實(shí)現(xiàn)樹種的定位。主要分為以下三步：（1）特征點(diǎn)提取。在基于特征的方法中，特征提取是點(diǎn)集配準(zhǔn)的關(guān)鍵。本研究采用基于SIFT-like scale space（EOH-SIFT）的Edge Oriented Histogram descriptor（EOH）進(jìn)行特征點(diǎn)集提取；（2）特征點(diǎn)集配準(zhǔn)。采用期望*大化（Expectation maximization, EM）算法來完成圖像配準(zhǔn)過程，該過程在兩步之間交替進(jìn)行。EM算法的這兩步分別對應(yīng)于對應(yīng)估計(jì)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(diǎn)描述符，用于在同一場景的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，然后用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。

文中提出了自動(dòng)調(diào)整高斯核，通過控制特征點(diǎn)集的位移距離，將變換函數(shù)從剛性逐步更新為非剛性。這個(gè)內(nèi)核的思想是發(fā)揮從粗到細(xì)的搜索策略。具體算法流程如下所示。

最后，經(jīng)過圖像變換，可以將UVR的空間坐標(biāo)精確地疊加在UHI上。然后，對于UHI的每個(gè)像素，我們可以得到它的地理坐標(biāo)。

為了驗(yàn)證所提出的配準(zhǔn)方法的優(yōu)越性，將本研究的方法與相干點(diǎn)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(yīng)和變換估計(jì)（GLCATE）以及保存全局和局部結(jié)構(gòu)（PRGLS）這四種方法進(jìn)行比較。

圖1 空間坐標(biāo)校正的過程

圖2 EOH-SIFT描述符的說明

結(jié)論

每種方法在25對影像上的RMSE、MAE和MAD如表1所示。5個(gè)典型配準(zhǔn)示例如圖3所示。判定配準(zhǔn)失敗的方法有兩種：（1）變換后的影像失真嚴(yán)重，無法人工識(shí)別；（2）RMSE大于160像素。我們的方法在所有影像配準(zhǔn)實(shí)驗(yàn)中提供了*好的性能，特別是當(dāng)這些影像在不同的成像傳感器間有較大的強(qiáng)度變化時(shí)。CPD通過使用均勻分布以拒絕異常值來緩解這個(gè)問題。GLMDTPS性能很差，因?yàn)樗鼜?qiáng)制一一匹配，這很容易受到異常值的影響。PRGLS受到類似幾何鄰域結(jié)構(gòu)產(chǎn)生的錯(cuò)誤匹配。與其他三種方法相比，GLCATE算法性能較好，但對多時(shí)相影像不敏感。本研究方法優(yōu)于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(zhǔn)確地識(shí)別兩個(gè)特征點(diǎn)；（2）利用識(shí)別出的特征點(diǎn)在重疊區(qū)域和非重疊區(qū)域通過粗到細(xì)變換對彎曲網(wǎng)格進(jìn)行近似整形。

表1 不同圖像配準(zhǔn)方法的定量比較

圖3 不同配準(zhǔn)方法示例。（i）為每個(gè)示例的10 × 10校準(zhǔn)板，其中使用紅色矩形突出顯示配準(zhǔn)錯(cuò)誤；（ii）為重疊面積

UHI和校正后的坐標(biāo)的平均距離誤差為2.92 m，但采用本研究方法后，單個(gè)UHI的誤差減少到約1米（表2）。由于每個(gè)UHI只有一個(gè)地理坐標(biāo)，當(dāng)我們拼接大量的高光譜影像時(shí)，這些誤差會(huì)累積起來，對單個(gè)樹木分析的準(zhǔn)確性影響很大。

UHI中的坐標(biāo)是從PHOTOMOD軟件拼接后的高光譜影像中獲得的，其誤差具有累積效應(yīng)。如表3所示，UHI坐標(biāo)與實(shí)際坐標(biāo)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(yàn)結(jié)果表明，該方法能夠在大多數(shù)時(shí)間內(nèi)成功地解決基于小UAV的多傳感器影像的空間坐標(biāo)校正問題，為監(jiān)測物種多樣性提供了巨大的可能。

表2 校正后的坐標(biāo)與實(shí)際坐標(biāo)的對比結(jié)果

表3 單棵樹在UHI中的坐標(biāo)與實(shí)際坐標(biāo)的比較結(jié)果。DE表示偏離誤差

作者信息

楊揚(yáng)，博士，云南師范大學(xué)信息學(xué)院教授，博士生導(dǎo)師。

主要研究方向：遙感影像配準(zhǔn)。

參考文獻(xiàn)：

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