简介:这份PPT课件面向遥感、测绘与地理信息相关专业的学生及初学者,系统讲解遥感图像处理中辐射校正与几何校正的核心原理与方法,帮助读者理解如何消除传感器特性、太阳位置、大气条件与地形起伏等因素造成的图像失真,为后续地理信息提取与分析打下基础。资源包内仅含1个PPT文件,大小约3.24MB,以图文并茂的幻灯片形式组织内容,便于课堂讲授与自学翻阅。课件围绕辐射误差成因、光学系统边缘减光与cosnθ校正、光电变换系统特性校正、条带噪声与斑点噪声去除、太阳高度角与地形坡度引起的辐射误差校正等知识点展开,并结合Landsat卫星MSS与TM数据的最小、最大辐射亮度参数给出具体算例,配有原始影像与校正后影像的对比示意。目前已有84人学习,适合需要梳理校正流程、对照公式与实例理解遥感图像预处理的中高级学习者参考。
1. 遥感图像处理中的几何校正:从一张“歪掉”的影像说起
拿到一景新下传的卫星影像,打开一看,河流是斜的,道路是弯的,和底图叠加怎么都对不上——这不是数据坏了,而是传感器成像时受到平台姿态、地球曲率、地形起伏和投影方式共同作用,像素坐标和真实地理坐标之间产生了系统性偏移。几何校正要做的,就是建立像素坐标到大地坐标的映射关系,把这张“歪掉”的影像重新摆正到统一的地理参考系里。它解决的是遥感数据能不能和 GIS 矢量、DEM、其他时相影像套合使用的问题,是后续变化检测、定量反演、制图分析的前置环节。做遥感应用、GIS 开发、测绘和资源环境监测的人,几乎绕不开这一步。标题里的“几何校正”不是简单拉伸一下图片,它涉及控制点选取、变换模型、重采样三个核心决策,每一个都直接影响最终精度。
2. 几何校正的原理与变换模型选型
2.1 从像素坐标到地理坐标:几何校正到底在算什么
遥感影像的几何变形分两类。一类是系统性变形,来源明确、规律稳定,比如传感器扫描方式、地球自转、投影方式带来的整体偏移,这类可以用传感器成像模型直接改正。另一类是非系统性变形,来源随机,比如平台姿态抖动、地形起伏引起的像点位移,这类必须靠地面控制点来拟合。
几何校正的数学本质是求解一个映射函数:
(x, y) = F(X, Y)
其中 (X, Y) 是原始影像的像素坐标, (x, y) 是校正后地理参考系下的坐标。实际计算中通常反过来做,对校正后影像的每个像素,反算它在原始影像中的位置,再取灰度值,这叫间接法,能避免校正后出现空洞。
变换模型决定了 F 的形式。模型越简单,需要的控制点越少,但拟合复杂变形的能力越弱;模型越复杂,精度上限越高,但对控制点数量和分布要求也越苛刻。选型不是越复杂越好,而是要和影像的变形特征、可用控制点条件匹配。
2.2 多项式变换、有理函数与薄板样条:三种模型的适用边界
常见做法里,多项式变换是使用最广的一类。一次多项式只能改正平移、旋转、缩放,适合变形很小的影像;二次多项式能吸收部分弯曲变形;三次及以上对控制点误差非常敏感,容易过拟合。一般平地影像用二次多项式就够了。
有理函数模型(RFM)用两个多项式之比来逼近严格成像几何,适合高分辨率卫星影像,很多商业卫星会随数据提供 RPC 参数,直接代入即可,不需要自己选控制点。薄板样条(TPS)属于插值型方法,能穿过每一个控制点,适合地形起伏大、变形不规则的情况,但控制点有粗差时会把误差带进结果。
| 模型 | 最少控制点 | 适用场景 | 主要风险 |
|---|---|---|---|
| 一次多项式 | 3 | 变形极小的平地影像 | 无法吸收弯曲变形 |
| 二次多项式 | 6 | 常规卫星影像、航空影像 | 控制点分布不均时边缘外推差 |
| 三次多项式 | 10 | 变形较复杂的中低分辨率影像 | 对控制点误差敏感,易震荡 |
| 有理函数 | 依赖 RPC | 高分辨率商业卫星 | 无 RPC 时无法使用 |
| 薄板样条 | 与点数相关 | 地形起伏大、变形不规则 | 控制点粗差直接污染结果 |
提示:控制点数量不是越多越好。多项式模型下,控制点数量远超最低要求时,应关注残差分布而不是一味增加点数,残差大的点要检查是不是选错了位置。
2.3 控制点选取:精度的一半在这里
控制点(GCP)的质量直接决定校正上限。选取原则是:位置在影像上可精确定位、在地理参考上有准确坐标、分布均匀覆盖整个影像范围。
常见做法是选道路交叉口、桥梁端点、建筑物角点、水坝边缘这类人工地物,避免选山顶、河岸、植被边界这类位置模糊的目标。控制点要尽量分散,不要挤在一角,否则模型在无控制点区域只能外推,误差会放大。
用 Python 读取控制点并检查分布,可以这样写:
import numpy as np
# 控制点:影像像素坐标 (col, row) 与地理坐标 (x, y)
gcps_pixel = np.array([[120, 340], [880, 350], [900, 1020],
[150, 1050], [520, 690], [300, 200]])
gcps_geo = np.array([[500000, 3200000], [508000, 3200100],
[508200, 3192000], [500100, 3191800],
[504000, 3196000], [502000, 3202000]])
# 检查控制点覆盖范围,避免全部集中在一侧
col_min, col_max = gcps_pixel[:, 0].min(), gcps_pixel[:, 0].max()
row_min, row_max = gcps_pixel[:, 1].min(), gcps_pixel[:, 1].max()
print(f"列方向覆盖: {col_min} ~ {col_max}")
print(f"行方向覆盖: {row_min} ~ {row_max}")
# 计算控制点重心,判断分布是否均衡
centroid = gcps_pixel.mean(axis=0)
print(f"控制点重心: {centroid}")
这段代码先定义控制点的像素坐标和对应地理坐标,然后输出行列方向的覆盖范围和控制点重心。如果重心明显偏向影像某一侧,说明控制点分布不均,需要补充另一侧的点。实际项目中,控制点数量建议在最低要求的两到三倍,留出剔除粗差点的余量。
3. 用 Python 和 GDAL 跑通一次几何校正
3.1 环境准备与影像读取
工程上做几何校正,GDAL 是最常用的底层库,Python 绑定成熟,支持多种变换模型和重采样方法。先确认环境:
pip install gdal numpy
python -c "from osgeo import gdal; print(gdal.__version__)"
读取影像的基本信息和地理变换参数:
from osgeo import gdal
dataset = gdal.Open("raw_image.tif", gdal.GA_ReadOnly)
if dataset is None:
raise RuntimeError("影像打开失败,检查路径和格式")
cols = dataset.RasterXSize
rows = dataset.RasterYSize
bands = dataset.RasterCount
print(f"影像尺寸: {cols} x {rows}, 波段数: {bands}")
# 原始地理变换参数,六元组
gt = dataset.GetGeoTransform()
print(f"原始地理变换: {gt}")
GetGeoTransform() 返回的六元组依次是左上角 x 坐标、x 方向分辨率、旋转项、左上角 y 坐标、旋转项、y 方向分辨率。如果旋转项不为零,说明影像本身带有旋转,校正时要一并处理。读取后要检查 dataset 是否为 None ,这是最常见的打开失败原因。
3.2 用 gdal.Warp 做多项式校正的完整命令
GDAL 的 Warp 函数封装了变换和重采样,最省事。下面用二次多项式配合地面控制点做校正:
from osgeo import gdal
# 控制点格式:GDAL_GCP(像素坐标, 行坐标, 地理x, 地理y, 高程, 名称)
gcps = [
gdal.GCP(500000, 3200000, 0, 120, 340, "GCP1"),
gdal.GCP(508000, 3200100, 0, 880, 350, "GCP2"),
gdal.GCP(508200, 3192000, 0, 900, 1020, "GCP3"),
gdal.GCP(500100, 3191800, 0, 150, 1050, "GCP4"),
gdal.GCP(504000, 3196000, 0, 520, 690, "GCP5"),
gdal.GCP(502000, 3202000, 0, 300, 200, "GCP6"),
]
src = gdal.Open("raw_image.tif")
dst = gdal.Warp(
"corrected.tif",
src,
format="GTiff",
outputBounds=(499000, 3190000, 509000, 3203000),
tps=False,
polynomialOrder=2,
resampleAlg=gdal.GRA_Bilinear,
GCPs=gcps,
)
dst = None
polynomialOrder=2 指定二次多项式, tps=False 表示不用薄板样条。 resampleAlg 控制重采样方法, GRA_Bilinear 是双线性内插,适合连续型数据;分类数据用 GRA_NearestNeighbour 保持类别值不变。 outputBounds 指定输出范围,不指定时 GDAL 会自动计算,但可能包含大量无效区域。
3.3 重采样方法怎么选:最近邻、双线性与三次卷积
重采样决定了校正后每个像素取什么灰度值,选错会引入系统性偏差。
| 方法 | 原理 | 适用数据 | 代价 |
|---|---|---|---|
| 最近邻 | 取最近原始像素值 | 分类图、土地利用 | 图像有锯齿,连续数据不推荐 |
| 双线性 | 周围 4 像素加权 | 多光谱、连续影像 | 轻微平滑 |
| 三次卷积 | 周围 16 像素加权 | 需要锐度的影像 | 计算量大,可能过冲 |
注意:对 NDVI、地表温度这类定量产品做校正时,重采样会改变像元值分布,后续反演前要确认重采样方法不会引入超出容差的偏差。
3.4 校正结果验证:残差、叠加与目视检查
校正完不能直接交付,要验证。第一步看控制点残差:
# 用 gdal.Warp 后可通过 gdal.Info 查看,或单独计算残差
import numpy as np
# 假设校正后控制点地理坐标已知,计算与目标坐标的偏差
target = np.array([[500000, 3200000], [508000, 3200100],
[508200, 3192000], [500100, 3191800],
[504000, 3196000], [502000, 3202000]])
corrected = np.array([[500012, 3199995], [507988, 3200108],
[508210, 3191988], [500095, 3191805],
[504010, 3195992], [501990, 3202010]])
residual = corrected - target
rmse = np.sqrt((residual ** 2).sum(axis=1).mean())
print(f"控制点 RMSE: {rmse:.2f} 米")
RMSE 是衡量校正精度的核心指标,一般要求小于一个像元的地面分辨率。如果 RMSE 偏大,先检查是不是某个控制点选错了,逐个剔除后重算,而不是直接接受结果。第二步把校正后影像和参考底图叠加,看道路、水系是否套合。第三步目视检查边缘区域,多项式模型在无控制点区域容易外推失真。
4. 几何校正的进阶技巧与常见坑
4.1 控制点粗差剔除:从 RMSE 异常到逐点诊断
控制点里混入一个粗差点,二次多项式下 RMSE 可能从 0.5 个像元跳到 3 个像元。诊断方法是逐点计算残差,把残差明显偏大的点标记出来,剔除后重新拟合,观察 RMSE 是否显著下降。如果剔除后 RMSE 变化不大,说明这个点不是主要误差源,可以保留。常见做法是设定一个阈值,比如残差大于 2 倍 RMSE 的点进入待剔除列表,人工确认后再删。
4.2 地形起伏区域的校正策略:正射校正与 DEM 引入
平地影像用多项式校正足够,但山区不行。地形起伏引起的像点位移在陡坡区域可达几十米,多项式模型吸收不了。这时要用正射校正,引入 DEM 做逐像元的高程改正。GDAL 的 Warp 支持传入 DEM:
dst = gdal.Warp(
"ortho.tif",
src,
format="GTiff",
rpc=True,
transformerOptions=["RPC_DEM=dem.tif"],
resampleAlg=gdal.GRA_Bilinear,
)
rpc=True 启用有理函数模型, RPC_DEM 指定 DEM 文件。前提是影像自带 RPC 参数,没有 RPC 就只能靠控制点加 DEM 做近似正射。山区项目里,正射校正和多项式校正的套合精度差距往往在一个数量级以上,不能省。
4.3 批量校正时的参数模板与自动化脚本
单景校正跑通后,批量处理要把参数固化成模板。常见做法是把控制点、输出范围、重采样方法写进配置文件,脚本读取后循环处理。控制点可以按景单独维护,也可以从参考底图自动匹配。自动化时要注意每景影像的 RPC 或控制点是否齐全,缺参数的景要单独标记,不能静默跳过。批量跑完后统一输出 RMSE 报表,逐景检查,异常景回退人工处理。这样一套流程下来,几何校正从单次操作变成可复现的工程环节,后续换数据、换区域都能快速复用。
408



被折叠的 条评论
为什么被折叠?



