摘 要

针对国产光学卫星影像的特点，该文介绍一种适用于超大规模立体/单景覆盖的多源高分辨率卫星影像的全自动连接点、参考控制点匹配及精准几何信息（DSM/DEM）提取方法。该方法引入精度已知/精度可验证的参考地理数据作为几何约束，采用由粗到精的多层金字塔逐级影像匹配策略进行影像连接点和参考控制点的自动提取，并实现超大规模影像整体联合区域网平差处理，精化定向参数；结合半全局匹配算法（SGM）与基于物方几何约束的多影像相关匹配算法（GC3）完成多角度多视影像匹配及密集点云的自动提取，并利用已有DEM对密集匹配的DSM中的云遮挡区域和大面积水域进行修补，完成精准几何信息提取并自动生成高精度DSM/DEM/DOM影像产品。最后，利用多组典型实验区的国产高分辨率光学卫星影像数据验证了本文方法的适用性、可靠性和精度，结果满足卫星影像几何定位精度及DSM/DEM/DOM生产要求。

引用格式

张力，孙钰珊，杜全叶，等． 多源光学卫星影像匹配及精准几何信息提取［Ｊ］． 测绘科学，２０１９，４４（６）：９６-１０４，１３２．

正文

0 引言

目前，我国自主全球多尺度地理数据产品比较匮乏，覆盖全球的高精度自主位置服务能力严重不足。因此，如何在缺少地面控制点、无地面实证资料的情况下，解决几千景、乃至上万景超大规模测区国产高分辨率卫星影像的高精度定位、真实性检验等问题，为境外目标区域的地形图测绘提供合格的影像数据成为正在开展的全球地理信息资源建设的一个难点之一。近年来，系列国产卫星的相继成功发射为地理国情监测、土地调查、全球地理信息资源建设等重大工程提供了几何精度高、现势性强的海量遥感影像数据，制作的专题地理信息产品已有效服务于政府部门的决策分析、应急灾害响应、位置服务等应用中。另外，随着影像数据源的不断扩充和自动化处理技术的长足进步，测绘地理信息相关部门经过多年的生产实践，获取了大量的基础地理信息数据（如数字影像图、数字高程模型等），公众地理信息数据（如谷歌地球、SRTM等）的精度也越来越高，数据处理过程中有效利用这些已有的基础数据作为控制或辅助，满足精度指标的前提下，既能提高生产作业效率又能降低成本，得到了相关部门越来越多的重视，实际生产实践验证了其精度与可行性[1-2]。

影像匹配是基于遥感影像制作地理信息产品的自动化处理过程中不可或缺的关键环节，可为后续区域网平差提供加密所必需的像点观测数据，直接影响区域网平差结果的精度与可靠性，进而影响数字高程模型（digital elevation model，DEM）、数字影像图（digital image graph，DOM）等产品的制作[3-10]。根据不同的应用需求以及国产卫星传感器多样性的特点，包括不同传感器的卫星影像及参考地理信息数据的大规模多源影像数据相互补充联合处理研究与运用越来越普遍。这里需要考虑的问题包括：不同数据源姿轨精度的差异影响特征匹配搜索范围的选取；获取时相的不同引起相同的地物表现出不同的纹理特性，增大匹配的不确定性；不同地形地貌条件、弱纹理、云雪覆盖等都在一定程度上干扰影像匹配及后续的DSM/DEM/DOM生成。因此，上述多种因素的存在导致连接点匹配及几何信息提取的难度大大提高，甚至失败，这就要求算法在保证匹配精度、点位分布合理的同时，还应具有极强的适应性、稳健性。而在近年来众多的密集匹配算法中，双视密集匹配的算法尤其以半全局匹配算法（semi-global matching，SGM）[11-12]算法最为著名。该算法能够有效地保留视差断裂，对参数依赖性低稳定性高，但是由于SGM是一种双像影像匹配算法，其基本算法并不能很好地利用多视影像带来的优势，且需要消耗大量的内存用于存储代价矩阵，在优化过程中需要与代价矩阵同样大小的内存，因而对处理大场景的数据有着极大的限制（对于影像大小为9 782 × 14 580个像素的一像对，搜索范围为512个像素时，将需要272 GB的内存）。另外，比较常用的还有基于影像空间的多视匹配算法[13-15]，该算法为了增加最终结果的可靠性和精度，需要将每个像对的视差估计图融合成一个最终的深度图或点云。目前已经有大量的学者对视差图融合方法进行了研究，经过与经典的SGM算法的对比实验，发现两种算法各有优缺点。

针对以上问题，本文提出一种适用于超大规模立体/单景覆盖的多源国产高分辨率光学卫星影像的全自动连接点、参考控制点匹配及精准几何信息提取方法。该方法引入精度已知/精度可验证的参考地理数据（Google Earth影像、SRTM数字高程数据、已有DEM/DOM等）作为带权弱几何约束，首先采用基于影像显著边缘的整体匹配策略，实现初始姿态与轨道精度异常影像系统误差的快速消除。然后采用由粗到精的多层金字塔逐级影像匹配策略，并在匹配策略中引入定向质量控制，动态改正由地形起伏引起的影像几何畸变，实现影像连接点和参考控制点的自动提取，以交替趋近法和基于RFM的最小二乘整体平差为基础，进行影像超大规模整体联合区域网平差[16]，完成大规模法方程的解算从而精化定向参数；最后，结合半全局匹配算法（semi-global matching，SGM）与基于物方几何约束的多影像相关匹配算法（GC3）[17]完成多角度多视影像匹配及密集点云的自动提取，最后以已有DEM的坡度信息作为辅助，采用局部渐进优化的方式自动滤波DSM以获取DEM，并通过与已有DEM的配准和比较分析识别和确定云/水区域，采用已有DEM对密集匹配的DSM中由于云遮挡区域和大面积水域造成的匹配空洞进行必要的修补；最终完成精准几何信息提取，从而自动生成高精度DSM/DEM/DOM影像产品。本文利用多组典型实验区域的国产高分辨率光学卫星影像数据对方法进行实验，结果验证了该方法的适用性、可靠性和精度。

1 影像连接点及参考控制点的全自动提取

1.1基于影像显著性边缘特征的整体匹配

在数据获取过程中，因星载GPS/IMU系统时间或信号跳变等原因会直接影响姿轨精度，原始卫星影像中可能存在初始无控定位精度“异常”的数据（可达到几百个像素，极端情况下可能达到上千个像素）。一般情况下，为了提高匹配的成功率，常规的匹配算法对影像的初始定位精度有一定的限制条件，即要求参考与目标间匹配的搜索范围尽可能地小，搜索范围过大会带来匹配算法效率的降低、误匹配率显著提高和成功率明显下降等问题。因此本文参照并改进文献[2，4]中提出的方法，即基于影像显著性边缘特征的整体匹配算法[16]，首先利用较低分辨率的金字塔影像，在已有DOM的辅助下，根据参考和搜索影像上分别提取的显著性边缘特征[5]可能存在的对应关系在参数空间直接进行影像间匹配（图1），从而快速可靠地对定位精度“异常”数据的系统误差进行预先修正，保证后续影像匹配过程不受初始定位精度的影响。

该算法的基本原理来源于数字图像处理中的Hough变换。①采用Wallis变换来增强影像的纹理信息[18]，分别提取待匹配的卫星影像和搜索影像（这里指DOM）中的显著性边缘特征[19]，利用卫星影像的初始RPC将DOM上的边缘变换至像方空间，这样得到分别包含m和n个端点的边缘集A和B，同时记录端点的像方坐标和边缘的方向信息，如图1(a)所示；②以最显著的系统误差吸收项a0（列方向）和b0（行方向）为坐标轴建立投票的参数空间，即仅计算RPC定向模型的两个平移参数，卫星影像初始定位精度决定参数空间的大小，本文选用200个像素作为阈值,如图1(b)所示，相当于解决缩小8倍的2 m原始分辨率影像初始4.5 km的定位误差）；③参数整体匹配（投票过程），边缘集A、B中最多存在m×n种对应关系，利用端点的像方坐标计算每个对应关系的平移向量，同时在参数空间的对应位置累加1，投票结束后，累计峰值对应的平移向量即为匹配参数a0和b0，如图1(c)所示。另外，为了加快整体匹配的效率并抑制噪声干扰，边缘方向信息作为限制条件，如果一对可能的边缘方向相差太大，就不允许它们参与投票，方向差异可选取5~10°作为阈值（本文选取10°）。确定两个平移参数(a0, b0)就可以基本消除卫星原始定向参数中最主要的系统误差，从而使相对于已有DOM的定位精度达到几十像素左右。该方法仅在最顶层的金字塔影像（分辨率最低）上进行，主要目的在于修正参考和搜索影像的相对几何关系，减小初始拉入范围，提高匹配的成功率。

1.2顾及地形约束的影像连接点及参考控制点的全自动获取

本文采用Harris算子[20]在每张卫星影像上提取分布均匀的特征点，选用归一化相关系数（normalization cross correlation,NCC）[21]作为相似性测度消除影像灰度值的差异。在基于灰度相关的影像匹配方法中，成像角度和方向的变化、地形坡度变化造成的影像几何畸变都会严重影响灰度相关的匹配结果。因此，本文采用Image-Reshaping过程（图2）来消除几何畸变的影响。方法:首先假设特征点p0为参考影像上的点，以p0为中心定义匹配窗口W（x0，y0）；然后假设影像成像范围内的近似高程已知，近似高程可以是一个平均高程面或者是已有概略DEM（可公开获取的SRTM等），通过参考影像定向参数将匹配窗口W（x0，y0）投影到近似高程面上，获得与W（x0，y0）相对应的物空间上的面元；最后，再将小面元投影到搜索影像上获得相应的匹配窗口W（xi，yi）。本文选取参考影像中的匹配窗口为矩形窗口，而在Image-Reshaping过程中，搜索影像中的窗口一般为非矩形窗口，因此通过搜索影像匹配窗口和参考影像匹配窗口的局部自由区域网平差计算可以将搜索影像上的匹配窗口重新采样为矩形，完成搜索影像上非矩形窗口和参考影像上矩形窗口的相关性计算，自动补偿由成像角度和方向的变化、地形坡度变化及成像比例尺造成的影像几何畸变。

在参考控制点匹配过程中，为了消除卫星轨道方位及角度、地形高差起伏引起的影像几何畸变，本文在影像的匹配过程中将卫星影像的像空间投影到参考DOM的物方空间上进行匹配（图3）：①以参考DOM上提取的特征点P为中心选取匹配窗口W，根据卫星影像的成像模型和在参考DEM上内插出的高程值将匹配窗口W投影到卫星影像上，得到非矩形窗口W’； ②根据参考DOM上的窗口W与卫星影像上投影窗口W’建立仿射变方程并求解仿射变换参数;③将卫星影像上窗口W’内的点进行重采样，采样后的矩形窗口再与W进行匹配并计算匹配点在卫星影像上的像方坐标。

同时，在影像金字塔匹配策略中进行几何质量控制[2]，在每级金字塔匹配后，将匹配的连接点及参考控制点进行区域网平差计算，在各级金字塔平差过程中进行粗差的自动检测与剔除，保证了定位参数的准确行与可靠性，从而可以获得精度逐级提高的定位参数和参考控制点。

1.3超大规模卫星影像整体联合区域网平差方法

超大规模影像区域网平差计算量巨大、且实际数据中存在局部低重叠度、短基线、弱连接、不规则区域网结构等影响区域网平差计算的效率和稳定性的问题，因此，本文综合使用交替趋近法[22-23]和整体最小二乘平差方法，分两步来实现超大规模卫星影像的整体平差。第一步用交替趋近法来实现并行处理平台基础上的待平差未知数初值的解算、中等尺度以上粗差的自动检测与剔除，并根据计算结果赋予所有未知数一定的先验权值；第二步通过最小二乘法实现超大规模改化法方程的解算精化定向参数。如果平差时有一定数量的地面控制点，控制点的地面坐标在迭代过程中保持不变。

立体区域网平差具体步骤详见文献[24]，但是对于弱交会条件下单景覆盖卫星影像[25]，需要引入成像区域已有的DEM数据并采用平面区域网平差方式。在此情况下，文献[24]中的①、4步骤需要分别修改为：①假设所有影像的仿射变换参数已知，根据连接点在多景影像（大于2景）上的像方坐标，通过已知DEM（可以视作一种“高程约束”）和单光线交会法计算出连接点的地面坐标（φk, λk, hk）；如果连接点在多景影像中，该点平面坐标（φ, λ）取（φk, λk）的平均值，高程h则通过平面坐标（φ, λ）在DEM数据中内插得到；4利用影像的仿射变换参数，利用步骤③迭代结束后获得的物方坐标计算出相关影像上的像点坐标残差(vx, vy)i,i=1,…,n，其中n为该连接点的“光线束”，即该点出现在n景影像中。令vi=sqrt(v2x+v2y)，vmax=max(vi,i=1,…,n)，对每个连接点设定先验权p=1.0/ v2max。[26]

从平差过程可以看出，立体区域网平差和平面区域网平差各步骤基本上是一致的。如果在引入高程约束（高精度DEM或公开的30 m SRTM DEM数据）的前提下，使用步骤①~步骤5）则可适用于立体和单景卫星影像联合区域网平差。在立体卫星影像和单景覆盖卫星影像混合数据的联合区域网平差中，整体最小二乘平差迭代计算时，需要自动区分“弱交会”连接点和具有良好交会角的连接点，即根据连接点的像点坐标和相应的“成像光线”计算其交会角，对于交会角小于10°的连接点，在平差迭代过程中不直接解算其地面高程，其高程值由引入的DEM数据内插得出。

2 影像高密度点云自动提取及DSM/DEM/DOM生成

2.1多角度多视影像匹配及密集点云的自动提取技术

本文选用半全局匹配算法（semi global matching，SGM）（最高两级金字塔影像）与基于物方几何约束的多影像相关匹配算法（GC3）（剩余分辨率更高级金字塔影像）作为核心算法，有机结合多种匹配基元（特征点、特征线和格网点），采用由粗到精的金字塔匹配策略进行多视影像、多重匹配特征的影像匹配，生成高密度点云及DSM结果，具体步骤见图4。

1）输入多视遥感影像及其精化后的定向参数，对参加匹配的影像进行预处理，减少影像噪声和其他的影像瑕疵，自适应增强对匹配至关重要的影像纹理和线状特征，自适应增强影像阴影和少纹理区域的影像反差，生成金字塔影像（本文金字塔级数设为4，相邻金字塔分辨率比值为3）。

2）在最高级的两级金字塔中对经典的SGM算法进行代码局部改进，首先选用Census相似性测度匹配获得稳健的初始视差图，然后将SGM方法的8个方向独立优化的方式集成在两次循环中以降低在此步骤的内存消耗,并以动态获取视差搜索范围的方式降低内存的使用，进而提高算法的适用性，最后各影像对的SGM匹配结果经融合处理后形成该级金字塔级别上的DSM。

3）以此DSM为初值，基于GC3算法完成分辨率更高级金字塔影像的多角度多视匹配，利用影像局部信息和全局信息的组合，使得自动匹配的特征点线可以充分表达地形地貌的重要特征，并且在无纹理或少纹理区域通过对密集格网点的基于影像全局几何约束的概率松弛法匹配进行有效过渡。

4）在各级金字塔影像配准结束后，所有的匹配特征形成TIN结构的DSM数据（在TIN中，所有的点特征形成节点，线特征构成TIN的结构边），该DSM又作为高一级金字塔影像匹配的匹配初值和进行匹配参数自适应调整的条件进入到较高分辨率金字塔影像中进行配准。

由影像匹配自动获取的密集点云数据不可避免会含有一定数量的误匹配（粗差），为后续内插出高精度的DSM/DEM数据，对这些粗差的定位和自动剔除非常必要。在完成密集点云数据提取的基础上，本文首先利用一种多尺度大范围点云匹配算法[27]，通过将点云分成一块块具有重叠的小块分块构网，再将分块构网得到的三角网进行融合进行滤波；然后采用自适应的点云噪声去除算法去除大量的孤立噪声和小的簇状噪声，同时使用顾及可见性信息的三维构网方法去除残留的噪声点。为解决三角网的多尺度表达问题，使用建立点云金字塔的方法，一方面解决多尺度的地形表达问题，另一方面也有助于上一步噪声的逐步去除。

2.2基于已有DEM的云/水区域自动提取及修补技术

卫星影像上大面积的云/水区域会导致密集匹配的DSM中出现大量粗差或者空洞。因此，本文提出了一种基于地形配准的云/水区域自动识别方法，密集匹配获得的DSM（M-DSM）与已有DEM（R-DEM）配准和比较提取出疑似云/水区域的基础上通过影像分析识别和确定云/水区域，同时尽量采用R-DEM对M-DSM中由于云遮挡区域和大面积水域造成的匹配空洞进行必要的修补。

为了实现地形数据间的可靠匹配，本文引入了一种基于地形特征线的匹配算法，即首先分别在R-DEM与M-DSM上采用基于地形表面流水物理模拟分析的方法提取地形特征线（山脊线和山谷线）；然后通过投票算法[2]实现两者的地形特征线的整体套合；最后为了进一步提高地形匹配的精度，可以将待匹配的地形数据类比为栅格图像，即在M-DSM上提取特征点并按照初值匹配获得的视差值预测到R-DEM上，在一定的搜索范围内进行相关匹配，使用最小二乘方法得到高精度的匹配结果。由于M-DSM相对于R-DEM具有较高的地面分辨率，因此地形匹配后地形数据的比较一般以M-DSM为参考。这就需要将R-DEM相对于M-DSM进行空间相似变换得到校准后的RC-DEM。

疑似云/水区域种子点可以通过比较M-DSM与RC-DEM之间的差值提取。因为不同地形的高程范围变化很大，所以用统一的阈值会出现误判断。一种可取的自适应算法是把M-DSM与RC-DEM进行比较，首先根据输入的一个初始高程阈值剔除误差较大的点，根据剩下的空间点统计出单位权中误差。

式中：N为总点数；Zi为第i个点的高程；Zref为第i个点在RC-DEM上对应的高程；Zthreshold为输入的初始高程阈值，新的自适应阈值则按照式（2）确定。

l

在密集匹配的过程中，由于云覆盖或者大面积水域区域纹理缺乏，不仅会有误匹配区域，还有匹配失败的区域。这些匹配失败的区域内点云稀疏，形似空洞。如果仅更新误匹配点的高程，会造成三角网内插的规则格网DSM中匹配空洞区高程过渡生硬，因此在实际数据处理的过程中，需要首先按照式（3）更新原始点云中误匹配点的高程值，然后根据自适应阈值（式（2））检测M-DSM中高程差超限的格网点，将这些格网点的高程值同样按照式（3）修正后添加到匹配点云中，最后使用三角网内插得到输出的DSM产品。

通过比较M-DSM和RC-DEM提取出来的种子点并不都是由于云/雪区域造成的，影像中的低亮度纹理缺乏区域（如水和阴影）也会造成误匹配，所以云/雪区域的自动提取首先要根据影像前景分析方法对种子点进行分类，确定低亮度纹理缺乏区域并进行相应修补，在去除了低亮度纹理缺乏区域中的种子点后，剩下的种子点基本上就可以确定为云/雪区域中的种子点。

3 实验与结果

3.1实验环境

为了验证本文提出超大规模多源国产卫星影像匹配及精准几何信息提取算法的精度、稳定性及实际生产性能，特别针对算法在大范围高精度DSM/DEM/DOM影像图生产中的适用性，本文选取3组影像数据，以团队依托全球地理信息资源建设与维护项目自主研发的高分辨率卫星影像测图软件系统——PixelGrid-GlobalMapping为基础，对多源卫星影像连接点及参考控制点全自动匹配放法、联合区域网平差放法、密集点云自动提取及DSM生成方法、云/雪区域自动修补方法的可靠性、精度及实际生产性能等问题进行验证。

在实际数据处理过程中，为验证所研发算法的处理效率，团队搭建了包括4个高性能计算节点组成的集群计算环境，其中每个计算节点均配置了一个8核Intel Xeon E5-4650L的CPU 和64 GB的内存，存储系统为SAS接口的500 G×2硬盘系统。

3.2应用实验与分析

实验1：ZY-3与GF1单景覆盖影像连接点与参考控制点自动提取与联合区域网平差

实验区面积约8×105 km2，包含1 766景ZY-3 2.1 m分辨率直下视影像和2 598景GF1 PMS1/2 2 m分辨率影像，影像成像时间为2015-01―2016-08，实验区影像数据分布情况（图5）。该组实验数据为典型的弱交会条件的单景覆盖影像数据，主要用来满足测区2 m分辨率DOM数据的生产。

实验中使用的平面约束为15 m分辨率ETM+ DOM数据；高程约束为30 m分辨率ASTER DEM数据。使用自主研发的卫星影像连接点全自动匹配算法在上述集群环境下花费19.2 h自动提取了573万个分布均匀的连接点，从作为平面和高程约束的参考数据中自动匹配了38万个“参考控制点”；联合区域网平差后单位权中误差为0.35个像素(图6)。

作为利用卫星影像数据生产DOM时的一项关键指标，DOM拼接精度表征了相邻DOM同名地物之间几何定位精度的一致性，因此，利用相邻影像间的同名连接点进行DOM的自动接边检查，其接边中误差为0.41个像素，最大接边误差2.1个像素。图7中从“目视检查的角度”直观给出了相邻DOM产品的几何拼接精度。这组实验数据较好地验证了本文算法在大范围区域DOM实际生产中的效率和精度。

实验2：ZY-3影像DSM/DEM全自动生成

实验数据为两轨相邻轨道的ZY-3卫星三线阵全色影像数据（共8景ZY-3三线阵标准景数据。其中，前、后视影像分辨率为3.6 m，直下视为2.1 m）。两轨ZY-3三线阵立体条带数据有30%的重叠区域，覆盖范围约120×188 km2。实验数据成像质量较好，仅有小部分区域被云雪覆盖，实验区地貌为干旱地区切割破碎的山地/丘陵夹杂断陷盆地地貌，断陷盆地四周为发育良好的冲/洪积扇裙（图8（a）），北部和中部为山间盆地，南部发育典型的雅丹地貌。实验中使用高程约束为SRTM DEM（90 m），全自动获取7 331个连接点，自由网平差中误差为0.33个像素。

ZY-3三线阵立体影像条带的基高比约为0.8（前后视影像之间），且在整个条带中基本上是一常数。0.8的基高比可以很好地满足平原、丘陵、山地等大多数情况下的DEM数据采集作业，但在山地/高山地等地形高差特别大的地区，0.8的基高比会对DEM数据采集带来很多不便，主要表现在自动提取的DEM粗差较多，人工后处理工作量极大。实际上ZY-3三线阵立体数据包含相邻的两个立体条带，每个立体条带的基高比为0.4，因此采用多角度多视匹配算法同时匹配ZY-3三线阵立体影像可以较好地解决固定的0.8的基高比对DEM数据采集带来的不便，大大减少自动生成的DEM中存在的粗差和人工后处理的工作量。

全区20.0 mDEM在实验程序运行约3.2 h后自动生成（图8(b)，部分区域DEM彩色晕渲见图9）。自动获得的DEM不但很好地表达了成像地区的总体地形，也清晰准确地表达了实验区破碎丘陵/山地、冲/洪积扇等地形的微细地貌，由于实验区有小部分区域影像中有云雪覆盖，且部分区域影像纹理较差（主要在断陷盆地中央和小片湖泊区域），因此生成的DEM数据经过了少量人工编辑（用时约45 min），在区内1:50 000的图幅有41幅，在自动DEM匹配过程中，每景影像中匹配特征点和格网点1.4×107~2.1×107个，特征线数目为2×106~8×106个，且所有的点线特征都同时匹配到3景影像中，有利于高精度20 m间隔DEM的生成。

由于在实验区参考资料较为缺乏，无法得到该区精确的DEM数据作为精度评定，因此本文采取了如下的两种方法：①将自动匹配的DEM换算为影像坐标并在立体显示条件下将其叠加到ZY-3立体影像对上进行人工目视检查，检查结果显示所提取的DEM与ZY-3立体影像套合极好，除小部分区域云雪覆盖和湖泊水面区域外（占整个实验区的0.3%），几乎不需要对自动生成的DEM进行人工编辑；②利用半自动和人工量测的均匀分布在实验区成像范围内的近600个连接点对所提取的DEM进行精度检测。利用这些连接点得到的DEM高程精度可能包括摄影测量建模误差、量测误差和表面建模误差，3种误差来源的影响，直接反映了利用ZY-3卫星影像获取DEM的精度，其中误差为2.7 m。

实验3：自动提取DSM中云/雪区域自动识别及修补

本文选取3组云雪区域自动提取的DSM数据进行识别修补，实验采用SRTM DEM（90 m）与原始DSM进行配准，原理上同样可以采用其他高分辨率高精度的DEM数据。由图10可以看出使用基于已有DEM的云/水区域自动识别及修补算法获得的结果。由图10（a）、图10（c）、图10（e）自动提取的DSM晕渲图可看出，由于大片浓云、分散状卷云和大面积水域造成的误匹配区域较大且边界不规律，由人工进行相应的编辑会耗费大量时间，使用自动修补算法可以自动由SRTM DEM中获取（低分辨率）的数据对匹配结果进行修补，从目视效果来看至少对于后续的正射纠正作业是可以满足要求的。

4 结束语

针对地面缺少控制信息的情况下，超大规模测区国产高分辨率卫星影像的高精度定位是技术难点，本文提出一种适用于超大规模立体/单景覆盖的多源高分辨率卫星影像的全自动连接点、参考控制点匹配及精准几何信息提取方法，并选取3组影像数据验证了该算法的精度、稳定性及在大范围高精度DSM/DEM/DOM影像图生产中的适用性。实验表明：①本文提出的全自动连接点及参考控制点提取方法解决了卫星影像与已有DEM/DOM间的连接点自动匹配，联合区域网平差处理可以充分地发挥其对初值的依赖性小、计算速度快、精度分布均匀一致的优势，且方法稳定可靠；② SGM算法与GC3算法相结合的影像匹配及密集点云自动提取方法，有效地保留视差断裂、降低参数依赖性的同时，充分利用多视影像的优势，完成多角度、多重匹配特征的影像匹配，生成满足实际生产需求的高密度点云及DSM/DEM结果；③云/水区域自动识别及修补算法对大多数数据具有较好的适用性，可以准确地提取出影像中孤立的云区域；如果已有DEM数据比较精确，也可以排除大多数水域的问题（精确DEM已经进行了必要的水域处理），但是使用该方法提取的区域准确性和可靠性还有待进一步提高，目前由此获得的DEM/DSM还仅仅可用于近似直下视卫星影像的正射影像纠正。综上所述，该方法可以广泛应用于困难地区和境外地区超大规模高分辨率卫星影像高精度几何定位及DSM/DEM/DOM生产，为全球地理信息资源建设工程提供技术保障。

参考文献（略）

关于《测绘科学》

主管：中华人民共和国自然资源部

主办：中国测绘科学研究院

邮箱：chkx@casm.ac.cn

网站：