Procesamiento de datos

4.3.1.1 Datos de imágenes de satélite

La fuente de datos de este proyecto son los datos de imágenes de resolución SPOT 5_2,5 m 2005-2007 proporcionados por el Centro de Información de el Ministerio de Tierras y Recursos. Los datos de imágenes satelitales SPOT 5 tienen 79 escenas que cubren el área de trabajo (Figura 4-2), y las imágenes recibidas tienen un área de superposición de más de 4, la información de la imagen es rica, sin ruidos obvios, puntos ni líneas malas; la tasa de cobertura de nubes y nieve es inferior a 10. Las áreas clave, como la franja urbana-rural, no están cubiertas; la mayoría de las imágenes en las llanuras orientales están cubiertas con diversos grados de niebla o neblina, pero se puede distinguir la información general del terreno; El ángulo del extremo receptor de datos de imagen es generalmente inferior a 15, en áreas planas es inferior a 25 y en áreas montañosas es inferior a 20. Básicamente cumple con los requisitos de las especificaciones técnicas de recepción de imágenes.

Figura 4-2 Diagrama esquemático de la distribución de datos de imágenes de SPOT 5 en la provincia de Henan

Figura 4-3 Distribución del tiempo de recepción de imágenes

Debido al largo SPOT 5 Lapso de tiempo de recepción de imágenes de satélite, la diferencia de fase de recepción es grande y las 79 imágenes se concentran principalmente en primavera y otoño (Figura 4-3). de un tipo u otro, como se muestra en la Tabla 4-1:

Tabla 4-1 Información de recepción de datos de imágenes y tabla de revisión de la calidad de los datos

Continuación

4.3. 1.2 Datos DEM

La provincia de Henan tiene 464 modelos de elevación digitales (DEM), que cubren 1:50000.

En primer lugar, comprobar exhaustivamente la integridad y el estado actual del DEM. En segundo lugar, verifique si los DEM enmarcados adyacentes tienen áreas superpuestas, si las alturas de las áreas superpuestas son consistentes, si aparecen grietas después del empalme de los bordes y otra información. En tercer lugar, el equipo del proyecto llevó a cabo una inspección exhaustiva para ver si cada DEM tenía metadatos completos y si la base geográfica, la precisión y el tamaño de la cuadrícula de los datos estaban completos.

Debido a que los datos originales de 1:50000 DEM están en formato estándar de cuadrícula, la base matemática es el sistema de coordenadas Xi'an de 1980, el datum de elevación nacional de 1985 y 6 divisiones. En vista del formato de datos anterior y los requisitos de implementación del proyecto, el equipo del proyecto realizó la conversión del sistema de coordenadas y mosaico del 464 DEM relacionado con el área de trabajo de acuerdo con las 19 y 20 bandas respectivamente, y luego realizó el empalme, el cambio de banda y la conversión de proyección. Obtenido 1:50000 DE(M de la provincia de Henan, que cubre toda la provincia de Henan, cumpliendo con los requisitos de ortorrectificación de imágenes del área del proyecto, longitud central 114, sistema de coordenadas de Beijing 1954 y datum de elevación nacional 1985 (M Figura 4-4) .

Figura 4-4 Provincia de Henan 1: 50000 DEM

Después de una inspección exhaustiva del DEM empalmado, los datos DEM utilizados en este proyecto cubren toda la provincia de Henan. y no faltan elementos ni bordes negros. Básicamente satisface las necesidades de ortorectificación de datos de imágenes en este proyecto.

Registro de datos

En la actualidad, la tecnología de registro de imágenes se puede dividir aproximadamente en dos. categorías, métodos basados ​​​​en escala de grises y métodos basados ​​​​en características. La mayoría de los métodos basados ​​​​en escala de grises se implementan mediante correlación cruzada o transformada de Fourier. El módulo de registro automático (AutoSync) en ERDAS 9.1 se utiliza para el registro de imágenes. del trabajo antes de la referencia. Encuéntrelo en la imagen. Si la coincidencia no se puede lograr de forma completamente automática, si el área que necesita encontrarse y ajustarse con precisión se puede calcular de manera aproximada, este problema se puede resolver calculando de manera aproximada la correspondencia entre los dos. p>

De acuerdo con los requisitos del sistema ERDAS, necesitamos al menos tres puntos para establecer una correspondencia aproximada entre las dos imágenes de satélite. Después de usar al menos tres puntos para establecer un modelo polinómico directo, el control se detecta automáticamente. Los puntos se pueden mapear rápidamente en la imagen de referencia, solo necesita ajustar dentro de un rango pequeño para marcar con precisión sus posiciones en la imagen de referencia. El lado izquierdo de la Figura 4-5 es el punto de detección automática en la imagen original. El lado derecho es el punto de posicionamiento aproximado en la imagen de referencia.

Figura 4-5 Registro

Aunque la introducción de computadoras puede ahorrar mucho trabajo, debido a limitaciones técnicas. no puede resolver todos los problemas en todos los aspectos del registro de corrección, liberando así por completo a los trabajadores de topografía y cartografía.

Durante el proceso de producción de este proyecto, los datos multiespectrales de SPOT 5_10 m se remuestrearon a intervalos de 2,5 m, y el método de remuestreo fue la interpolación bilineal. Utilizando la escena como unidad de registro y los datos pancromáticos del SPOT 5_2,5 m como base de registro, se registran los datos multiespectrales del SPOT 5. Seleccione aleatoriamente puntos con el mismo nombre en los datos pancromáticos y multiespectrales registrados. El error de registro en llanuras y áreas montañosas no debe exceder los 0,5 píxeles, y el error de registro en áreas montañosas debe reducirse adecuadamente a 1 píxel. El archivo de punto de control de registro lleva el nombre de "número de escena multi y panorámica", como "287267MULTI". El archivo de registro lleva el nombre de "coincidencia de número de escena", como "coincidencia 287267".

El módulo de registro automático (AutoSync) en ERDAS 9.1 se utiliza para el registro de imágenes. Primero, seleccione manualmente cuatro puntos de control de registro con el mismo nombre en las cuatro esquinas de una sola imagen de escena, y luego el software genera puntos de control de registro automático y elimina los puntos de control con grandes errores para el registro automático (Figura 4-6). Una vez completado el registro, utilice el método "tirar de la cortina" proporcionado por el software para verificar la precisión del registro de toda la imagen de arriba a abajo y de izquierda a derecha (Figura 4-7).

Para resumir el trabajo de registro, puede ver que se divide básicamente en los siguientes pasos: ① Marcar al menos tres puntos de control coincidentes aproximados; (2) Establecer parámetros de detección ③ Detección automática; y guardar Punto de control; (5) Registro. El cuarto paso aún requiere participación manual. Los principales problemas radican en dos puntos: primero, existe el problema de si la precisión es realmente un punto característico de los sentidos humanos; segundo, los puntos de control en la imagen de referencia solo están marcados de manera aproximada y no pueden; ajustarse manualmente a la posición correspondiente precisa. Por lo tanto, el trabajo de registro temporal solo reduce parcialmente la carga de trabajo manual y es imposible completar completamente el trabajo de registro mediante computadoras.

Figura 4-6 Registro de imágenes

Figura 4-7 Inspección "Cortina abierta" de la precisión del registro de imágenes

4.3.3 Fusión de datos

Preprocesamiento de datos antes de la fusión

Al obtener datos de imágenes satelitales del área completa del proyecto, debido al largo período de tiempo de recepción, la gran diferencia de fase de los datos, la interferencia de nubes aéreas, niebla o neblina y la iluminación del suelo. Debido a las irregularidades y otras razones, las características espectrales y de textura de las imágenes varían mucho entre escenas. Para aclarar la textura de la imagen, resaltar los detalles y mejorar la precisión de la interpretación visual, los datos deben procesarse previamente antes de la fusión.

El propósito del procesamiento de datos de banda pancromática SPOT 5 es mejorar el contraste local en escala de grises mediante filtrado, resaltar texturas, mejorar la energía de las texturas y mejorar los detalles de las texturas.

(1)Transformación lineal. Los datos de imagen procesados ​​mediante estiramiento lineal no solo mejoran el contraste de grises local, sino que también mantienen la relación relativa entre los niveles de grises originales.

Figura 4-8 Transformación lineal

Supongamos que A1 y A2 son los valores de control incrustados de la imagen de entrada, y B1 y B2 son los valores de brillo mínimo y máximo de la imagen transformada (Figura 4-8), estirando el valor de brillo de la imagen de entrada al rango de B1 ~ B2, donde el brillo de entrada es 0 ~ a1 y a2 ~. El desplazamiento A1 se convierte a 0 mediante estiramiento lineal, y A2 se convierte a 255; esto no cambia la relación relativa entre A1 y A2, expande el rango dinámico del histograma y mejora la información de mutación sutil de la estructura de la imagen.

(2) Mejora de textura. Actualmente, la mejora de la energía de la textura se logra principalmente mediante el filtrado de paso alto, y la selección del filtro es la clave para la mejora espacial. Diferentes imágenes, accidentes geográficos y características tienen diferentes núcleos de filtro. En general, en áreas con terreno más alto, las unidades geográficas son macroscópicas y los filtros utilizados generalmente son más grandes y pueden reflejar las características macroscópicas de las unidades geográficas. Elegir un núcleo de filtro más pequeño destruirá el paisaje general. La distribución de las unidades geográficas es fina y las formas del relieve son delicadas, por lo que el filtro es relativamente pequeño; de lo contrario, la estructura de textura fina no se puede expresar. Al mejorar la energía de la textura, se debe evitar la mejora excesiva; de lo contrario, los detalles de la imagen se sobresaturarán y la textura se perderá, sin lograr el propósito de mejorar los detalles. El siguiente núcleo de filtro es el operador de filtro de mejora de bordes utilizado esta vez y el efecto de la aplicación es bueno. Como se muestra en la Figura 4-9.

Figura 4-9 Mejora del filtro

(3) Procesamiento de datos multiespectrales. En la imagen fusionada, la contribución de los datos multiespectrales es su información espectral.

Antes de la fusión, la mejora del color se utiliza principalmente para ampliar el contraste de color entre diferentes tipos de terreno mediante ajustes de brillo, croma y saturación. Los requisitos para las texturas locales no son altos y, a veces, se permite debilitar parte de la información de la textura para garantizar el color espectral. .

4.3.3.2 Fusión de imágenes

Actualmente, existen muchos métodos para la fusión de datos de detección remota de múltiples fuentes, que técnicamente se pueden dividir en tres niveles: fusión a nivel de píxeles, función Fusión a nivel y fusión a nivel de decisión. La fusión a nivel de píxel incluye transformación HIS, transformación de componente principal, síntesis de color falso, transformada wavelet y fusión ponderada. Los métodos de fusión a nivel de características incluyen bayesiano, toma de decisiones, redes neuronales, operaciones de proporción, análisis de conglomerados y otros métodos. La fusión a nivel de decisión incluye la fusión basada en el conocimiento, la red neuronal y la fusión de filtros. Desde la perspectiva del algoritmo de fusión, se puede dividir en tres métodos, como el método de fusión ponderada, el método de fusión de productos, el método de fusión por transformada de Brovey, etc. El segundo método se basa en varias transformaciones espaciales, como el método de fusión por transformada HIS, el método de fusión por transformada PCA, el método de fusión por transformada Lab, etc. El tercer tipo es el método de fusión basado en la descomposición y reconstrucción de la pirámide, como el método de fusión de la pirámide laplaciana y el método de fusión por transformada wavelet.

Los datos utilizados en este proyecto son datos SPOT5, que carecen de banda azul multiespectral. Los datos utilizan el método de simulación de color natural. En los estudios de recursos de uso de la tierra, la información multiespectral puede resaltar la información esencial de los tipos de uso de la tierra, mejorar la interpretabilidad de las imágenes y facilitar la discriminación y el análisis integrales a partir de gráficos, texturas y características espectrales. Generalmente, el rango espectral de los sensores multiespectrales de los satélites de teledetección cubre toda la parte de luz visible, es decir, las tres bandas azul, verde y roja. La cobertura multiespectral de la serie SPOT de satélites de teledetección sólo cubre las bandas verde a roja en luz visible y carece de la banda azul. Cuando se utilizan imágenes satelitales de teledetección para realizar estudios de recursos de uso de la tierra, la información multiespectral debe expresarse en colores naturales visibles para el ojo humano, y los investigadores que no utilizan sensores remotos no pueden utilizar simulaciones de pseudocolores ni de colores infrarrojos para la interpretación y los estudios de campo. . Para el método habitual de simulación de color natural de los satélites de detección remota de la serie SPOT, el tono a menudo se ajusta únicamente mediante la combinación de diferentes bandas de ondas y la discriminación visual y la percepción del ojo humano. El conocimiento previo del operador se utiliza para la sintonización. Cuando el operador carece de experiencia, la distorsión de sintonización es muy grande; en segundo lugar, es difícil cuantificar un estándar unificado debido a las diferencias percibidas causadas por diferentes tiempos de ajuste, personal e imágenes de la escena. es difícil alcanzar estándares iguales o similares. Al analizar las características de los datos SPOT5 de la provincia, este proceso de fusión de imágenes utiliza principalmente la fusión de transformación de productos y la fusión de Andorra.

Andorre Fusion utiliza el método de fusión Andorre proporcionado por Shibao Company. Los pasos específicos son los siguientes:

El paso 1 primero normaliza la imagen a todo color. Equivalente al filtrado de Wallis, que mejora el contraste local (mejora de textura) y global.

Paso 2: Fusión según la siguiente fórmula (P es la imagen pancromática normalizada, B1 es la banda verde, B2 es la banda roja y B3 es la banda del infrarrojo cercano).

Fórmula de cálculo del módulo en ERDAS:

Fórmula Uno (canal azul):

Ecuación 2 (canal verde):

Ecuación 3 (canal rojo):

El paso 3 completa la conversión de color pseudonatural según la siguiente fórmula:

Fórmula de cálculo del módulo en ERDAS:

Coche de Fórmula 1 ( canal rojo):

Ecuación 2 (canal verde):

Ecuación 3 (canal azul):

Paso 4: Realice el estiramiento del histograma en cada canal generado en paso 3. Por lo general, el estiramiento del histograma lineal puede cumplir con este ajuste de imágenes en color y el umbral debe definirse de acuerdo con el efecto visual de la imagen. El umbral debe elegirse para evitar la sobresaturación de píxeles debido al equilibrio de otros colores. O ajuste el tono, el brillo y el contraste de la imagen en Photoshop hasta que cumpla con los requisitos.

Este algoritmo se implementa a través del modelo en ERDAS (Figura 4-10).

4.3.3.3 Postprocesamiento de imágenes fusionadas

El posprocesamiento utiliza principalmente los siguientes cinco métodos:

(1) Ajuste de histograma.

Para imágenes de fusión con bajo contraste y brillo oscuro, ajuste el rango de entrada y salida y cambie el coeficiente de contraste para el estiramiento lineal de modo que el histograma de cada color alcance una distribución cercana a la normal. El rango de salida generalmente se establece en 0 ~ 255, pero al seleccionar el rango de entrada, el extremo de bajo brillo debe cortarse con cuidado para eliminar parte del ruido.

(2)Afilado USM. Mejore las características de los bordes de los objetos terrestres cambiando el umbral, el radio y la nitidez. Tenga en cuenta que los ajustes de umbral y radio no deben ser demasiado grandes y que el grado de nitidez se puede seleccionar adecuadamente de acuerdo con las características de la imagen de diferentes áreas. Si la selección de parámetros es apropiada se puede juzgar a través de la función de vista previa del software. La franja urbano-rural, las áreas residenciales, las carreteras y los límites de las tierras agrícolas son características que deben resaltarse y deben identificarse claramente para mejorar aún más el efecto general.

(3) Equilibrio de color. La imagen después de la operación de fusión tendrá un cierto grado de matiz de color, que debe corregirse ajustando el balance de color.

(4) Ajuste de croma y saturación. Dado que hay una gran cantidad de magenta en la imagen SPOT 5 fusionada, que no coincide con el color real, puede cambiarlo a amarillo terroso cambiando el tono, la saturación y la luminosidad para acercarlo más al color real.

(5) Mejora del contraste. Al ajustar el brillo y el contraste, puede mejorar el contraste entre los objetos terrestres, lo que facilita la distinción de diferentes tipos de terreno.

Al integrar el posprocesamiento de la imagen, el efecto visual de la imagen se mejora aún más, haciendo que toda la imagen de la escena tenga un color verdadero y uniforme, un brillo moderadamente claro y mejore la información temática, especialmente la textura. información.

Figura 4-10 Algoritmo de procesamiento de fusión

4.3.4 Selección y procesamiento del modelo de corrección ortográfica

4.3.4.1 Modelo básico de corrección ortográfica

p>

Generalmente existen dos tipos de ortorrectificación de imágenes satelitales de teledetección con escoba: modelo de corrección estricta y modelo de corrección de relación de transformación. Basado en los parámetros de la órbita del satélite, las características de la cámara y las características de la imagen, el modelo de corrección estricta establece la relación de línea * * * entre el punto de la imagen y el suelo al obtener la posición y orientación del sensor en el momento de la imagen, resuelve la línea * * * ecuación y realiza la operación en el punto de la imagen o en el punto de tierra Corrección. El modelo de corrección de la relación de transformación es un método de corrección geométrica tradicional que no considera las características de las imágenes. Calcula los coeficientes de transformación de diferentes transformaciones a través de puntos de control terrestre y puntos de imagen del mismo nombre, ajustando así la imagen original deformada a las coordenadas del terreno.

Los modelos de corrección estricta incluyen ecuaciones lineales basadas en polinomios, métodos de corrección basados ​​en parámetros de órbita de satélite y métodos de nivelación de redes regionales basados ​​en métodos de haz. El modelo de corrección de la relación de conversión incluye corrección polinómica, polinomio de función racional, nivelación de red de área de polinomio de función racional y otros métodos. Entre ellos, el ajuste de la red de área es un método de corrección que utiliza menos puntos de control e imágenes de múltiples escenas para formar una red de área.

(1) Basado en polinomios * *Método de corrección de ecuaciones lineales. La imagen original se corrige por distorsión geométrica, utilizando la transformación de coordenadas de píxeles para hacer que las coordenadas de la imagen se ajusten a un determinado método de proyección de mapa y representación gráfica, y volviendo a muestrear el valor de brillo del píxel. En el momento de la fotografía, la ecuación lineal entre el sensor, la imagen y el suelo refleja la correspondencia uno a uno entre los puntos del suelo y los puntos de la imagen durante la toma de imágenes.

Debido a que las imágenes con escoba son el método de imágenes principal utilizado actualmente por la mayoría de los satélites de detección remota, toda la imagen de la escena es una proyección multicéntrica y cada línea de escaneo es una proyección central. Representado como * * * ecuación de línea

Los elementos de azimut fuera de cada línea de escaneo de imágenes de barrido son diferentes y el valor de y siempre es 0. En ortorectificación, se debe resolver el elemento de orientación exterior de cada línea. Las coordenadas del punto de la imagen correspondiente al punto del suelo se pueden obtener utilizando la ecuación de línea * * * Después de agregar el DEM, la imagen se puede corregir.

En términos generales, se puede considerar que después de que un satélite de teledetección ha estado en órbita durante un cierto período de tiempo, los cambios en la actitud espacial son estables, por lo que los cambios en los seis elementos externos del acimut son un función del tiempo.

Dado que la coordenada Y de la imagen de la escoba tiene una correspondencia fija con el tiempo, es decir, el tiempo de escaneo de cada fila es el mismo, el elemento de orientación exterior de la fila I se puede expresar como el elemento de orientación exterior inicial (φi, wi, ki ) y la función de número de fila Y, esta función se puede expresar como una función polinómica cuadrática, es decir,

Los elementos de orientación externa iniciales requeridos por este método se pueden obtener de archivos de efemérides, como efemérides de imágenes SPOTS archivos en formatos DIM y CAP.

(2) Método de corrección polinomial. El método de corrección polinomial es un método tradicional de corrección de relaciones de transformación. El polinomio utiliza puntos de control terrestre bidimensionales para calcular la relación de transformación con los puntos de la imagen. Las coordenadas de cualquier píxel en la imagen original y las coordenadas del punto terrestre correspondiente se establecen en (x, y) y (x, y) respectivamente. Utilice la expresión matemática x= Fx(x, y) e y=Fy(x, y) para representar. Si esta expresión matemática está representada por una función polinómica, las coordenadas del punto de la imagen son (x, y).

Donde (: a0, a1, a2, a3, ..., an) (, b0, b1, b2, b3, ..., BN) - coeficiente de transformación.

Generalmente, el orden del polinomio es de 1 a 5 y la expresión es 3. La relación entre el número de puntos de control N y el orden polinomial N es N(=n 1)(n 2)/2, es decir, el orden de 1 requiere 3 puntos de control, el orden de 2 requiere 6 puntos de control y el orden de 3 requiere 10 puntos de control.

La corrección polinómica tiene en cuenta las diferencias en planos bidimensionales, por lo que los errores de proyección causados ​​por las ondulaciones del terreno no se pueden corregir en áreas con grandes diferencias de altura y la precisión después de la corrección no es alta. Además, considerando la influencia del ángulo de incidencia, la corrección polinómica no es adecuada para áreas con grandes ondulaciones del terreno.

(3) Método de corrección de funciones racionales. El método de corrección de función racional es un modelo de corrección geométrica de relación de transformación. El punto de tierra P (La, Lb, Hc) está conectado al punto (pIi, s a) en la imagen a través del coeficiente de función racional. Para el punto terrestre P, el cálculo de sus coordenadas de imagen (pIi, Sa) parte de la regularización de latitud y longitud, es decir,

las coordenadas de imagen normalizadas (x, y) son

Las coordenadas de la imagen obtenidas son

La corrección de la función racional no solo realiza la transformación espacial de objetos e imágenes con alta precisión, sino que también tiene en cuenta la elevación del suelo en comparación con el método de corrección polinomial y en comparación con el modelo basado en * * * ecuaciones lineales. El complejo modelo de sensor real es simplificado y fácil de implementar.

(4) Método de corrección del ajuste de la red regional. Ajuste de la red de área: primero simplifique el modelo espacial tridimensional al espacio de la imagen mediante transformación de similitud, luego use luz paralela para proyectar en el plano horizontal que pasa por el centro de la imagen original y finalmente transforme la imagen oblicua original, y establezca la ecuación de error mediante transformación afín, incluyendo Los parámetros de cada imagen de escena y las coordenadas de la imagen del suelo se corrigen para formar una ecuación normal para el cálculo y la corrección del ajuste. El ajuste de la red regional basado en modelos compensa el error sistemático del modelo de función racional mediante la relación de restricción entre imágenes. En el ajuste de la red regional, los puntos de control deben organizarse de manera razonable, debe haber una cierta cantidad de puntos de conexión entre escenas y la cantidad de puntos de control requeridos debe ser pequeña.

4.3.4.2 Ortorectificación

Esta vez, el módulo de ortoimagen LPS proporcionado por el software profesional de procesamiento de imágenes de teledetección ERDAS se utiliza para realizar la ortorectificación de imágenes de teledetección. Se muestra el proceso de corrección. en la Figura 4. -11 mostrado.

Proceso de corrección de proyección ortográfica en la Figura 4-11

Para conectarse con la base de datos de uso de suelo a nivel de condado anterior, el sistema de coordenadas del plano todavía utiliza el sistema de coordenadas de Beijing 1954, y el sistema de elevación utiliza el dato de elevación nacional de 1985. El método de proyección es la proyección de Gauss-Kruger y el método de partición es de 3 particiones.

Este proyecto involucra 79 piezas consecutivas de datos de imágenes homólogas, por lo que se adopta la corrección de área completa como unidad de corrección y se utiliza el módulo LPS con la función de corrección de red de área en ERDAS. para realizar ajustes de red de área Distribuya y establezca archivos de red regionales de acuerdo con la imagen para generar rápidamente ortofotos perfectas con empalmes precisos, como se muestra en la Figura 4-12. Dado que esta área de trabajo involucra tres distritos: 37, 38 y 39, y considerando el problema de empalme de datos en toda la provincia, todo el proyecto utiliza el distrito 38, cuyo meridiano central es 114.

Esta corrección utiliza el modelo físico SPOT 5. Los puntos de control se distribuyen uniformemente en toda la imagen de la escena. Hay un total de 25 puntos de control en el área superpuesta. Imágenes de escenas adyacentes.

La distribución de los puntos de control en el espacio de trabajo se muestra en la Figura 4-13.

La ortorectificación de imágenes se basa en puntos de control medidos y DEM 1:50.000, con el espacio de trabajo como unidad de corrección, y el intervalo de muestreo es de 2,5 m.

Si los puntos de control y conexiones Si los puntos están fuera de tolerancia, se deben verificar y eliminar. Si se encuentra un punto donde el error excede la tolerancia, se debe volver a calcular estableciéndolo como punto de control. Si los cálculos pasan, deberían resolverse mediante ajustes. Si la precisión excede el límite y se encuentra el motivo, debe considerar cambiar o agregar puntos cerca del punto con un error mayor para resolver el problema y realizar el retrabajo necesario hasta que cumpla con los requisitos. La recopilación de puntos de control se muestra en la Figura 4-14.

Para toda la escena, utilizamos los datos DEM para seleccionar el modelo de sensor SPOT de 5 órbitas en LPS, Gauss Kruger en proyección y Krasovsky en elipsoide para ortorrectificación. La precisión de la corrección cumple con los requisitos de precisión de la corrección de las ortoimágenes digitales SPOT 5_2,5 m. Los errores de puntos del mapa corregidos se muestran en la Tabla 4-2.

Figura 4-12 Diagrama esquemático de la selección del punto de control de corrección de área completa

Figura 4-13 Dibujo de ingeniería de corrección y ajuste de la red regional

Figura 4-14 Adquisición de puntos de control

Tabla 4-2 Error de los puntos de control de corrección de ortofoto

Continuación

Mosaico

En unidad de área de proyección, Verificar la precisión de unión de bordes de ortofotos de escenas adyacentes. Después de verificar que la precisión de la unión de los bordes esté calificada, las imágenes de ortofoto se empalmarán en unidades de áreas de proyección.

Dado que el área del proyecto utiliza el ajuste y la corrección de la red de superficie del módulo de ortofoto LPS proporcionado por ERDAS, dos imágenes adyacentes recopilan más de dos * * * puntos de control, lo que en consecuencia mejora la precisión del empalme de la calidad de la imagen.

En las áreas superpuestas de imágenes de paisajes adyacentes en el área del proyecto, se seleccionaron aleatoriamente 30 pares de puntos de control distribuidos uniformemente de llanuras, colinas y montañas para verificar la precisión del empalme de bordes de las imágenes. Según las coordenadas del punto de control, se calcula el error punto a punto del punto de control. Consulte la Tabla 4-3.

Tabla 4-3 Error de empalme de imágenes

En este proyecto, el empalme de imágenes se basa en el área de trabajo, y las líneas de empalme entre escenas deben ser elementos lineales o límites de trama tanto como sea posible. posible y otros límites obvios, intente eliminar las uniones de empalme en la imagen empalmada y trate de evitar áreas con una calidad relativamente pobre, como nubes y niebla, para que no haya grietas, borrosidades ni fantasmas en el área de empalme. , de modo que la transición de color de la imagen sea natural y garantice diferentes La consistencia de las características de textura dentro del mismo gráfico durante la unión temporal de la imagen facilita la interpretación de categorías y el dibujo de límites. La imagen del mosaico se muestra en la Figura 4-15.