[发明专利]基于神经网络的遥感影像处理的有理函数模型拟合方法

说明书

本发明属于遥感影像处理技术领域，公开了一种基于神经网络的遥感影像处理的有理函数模型拟合方法；根据遥感影像成像满足共线方程原理，构建虚拟格网点数据；划分虚拟格网点数据为训练数据集和测试数据集；对虚拟格网点数据进行归一化处理；虚拟格网点训练数据插值处理；搭建神经网络模型，设置其隐含层层数、激活函数、训练函数、目标函数、学习率；使用虚拟格网点训练数据集对神经网络模型进行训练，调整其内部参数；使用虚拟格网点测试数据集对神经网络模型进行检核，根据模型输出与测试数据集输出之间的均方误差评价神经网络模型的拟合精度。本发明神经网络模型建模简单、易于实现，能较快速的获得拟合结果；能够更有效的保护卫星参数。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种基于神经网络的遥感影像处理的有理函数模型拟合方法。

背景技术

目前，最接近的现有技术：随着对地观测技术的发展，高分辨率卫星影像在国土资源普查、立体测图及正射影像生产等方面得到了越来越广泛的应用。当前高分辨率卫星影像几何定位模型主要采用两种方式：物理成像模型和通用成像模型。物理模型直接基于共线条件方程，通过影像内外方位元素和畸变参数描述像点与地面点间的几何关系。通用成像模型目前采用有理函数模型，一般由两个多项式的比值确定，是对严格成像模型的一种数学近似。物理模型的优点在于几何关系严密，精度最高，但通用性较差。通用成像模型用两个多项式比值的形式代替严格模型，成像模型与传感器无关，通用型强，极大增强了影像处理与应用的便利性。同时，通用成像模型可以隐藏卫星轨道姿态信息以及其它细节信息，国外的SPOT、IKONOS、Worldview等供应商都基于通用成像模型提供卫星影像产品。

有理函数模型(RFM)由包含78个有理多项式系数(RPC)的两个三次多项式的比值构成，是当前高分辨率卫星影像最通用成像模型。国内外大量研究文献表明采用RFM可以实现卫星影像的高精度定位。求解RPC参数主要有地面相关和地面无关两种方法。由于地面相关方法需要大量的地面控制点，所以当前在RPC参数解算过程中主要采用地面无关的方法。该方法首先利用严格成像模型，建立地面虚拟格网与像点之间的几何关系，然后采用直接或迭代最小二乘方法解算78个RPC参数。由于卫星轨道、姿态以及传感器在轨标定误差等，解算出来的RPC参数，往往存在几个到几十个像素的系统偏差。如何消除RPC参数存在的系统误差从而提高定位精度，一直是高分辨率卫星遥感影像的热点问题。对于RPC参数存在的系统误差，当前主要采用直接或迭代最小二乘来进行RPC参数解算，然后利用地面控制点改正的方法。C.V.Tao和Y.Hu对RPC参数的具体解算方法进行了详细的阐述，通过将有理函数模型作为数学原型，经过Taylor多阶微分项展开，依据观测量与真实值之间的关系构建误差方程，以误差值最小化为目标，采用直接最小二乘法对RPC参数进行求解。Yongjun Zhang在前者基础上采用散度矩阵的方法用来消除RPC参数过参数化的问题，精度较传统的算法更高；Tengfei Long采用l₁范数规则化约束来求解RPC参数，能改善RPC参数的系统误差。这些方法都是基于Gauss-Markov模型的常规光束法平差，该方法的前提是假定函数模型已知且观测值中仅含有随机误差。但是RFM观测向量以及函数模型的系数矩阵均由观测值构成，且两者均含有随机误差，此时Gauss-Markov模型并不严格成立，常规的RPC参数解算方法在理论上还存在不严密的地方。

综上所述，现有技术存在的问题是：传统有理函数模型存在的系统误差，导致对遥感影像成像模型的拟合精度低。

解决上述技术问题的难度：

由于传统有理函数模型通用形式较为固定，所以，上述技术问题的难度之一是要对传统有理函数模型的通用形式进行改进，使其系统误差得到改善。

另外，由于RFM观测向量以及函数模型的系数矩阵均由观测值构成，且两者均含有随机误差，此时Gauss-Markov模型并不严格成立，所以，上述技术问题的难度之一是要寻求一种更优的RPC参数解算方法，使得解算后确定的有理函数模型系统误差减小，进一步提高定位解算精度。

解决上述技术问题的意义：