天绘一号卫星影像数据

合集下载

天绘一号数据立体影像DEM提取

天绘数据DEM提取本文以天绘一号01星数据为样例数据，以TitanImageV8.0版本为应用平台，使用DEM 提取工具实现基于天绘一号立体像对的DEM提取。

泰坦卫星影像DEM自动提取软件模块是集像点量测、平差定位解算、核线影像生产、立体影像密集匹配、点云构建DEM等功能为一体的DEM数据产品生产软件，该软件主要包括两大子模块：像点量测子模块和DEM自动提取子模块，该软件提供了有控制点模式和无控制点自动生成DEM的两种模式，并且匹配速度快、精度高，生成的DEM精度能够满足测绘应用的要求，是自动化、快速、大规模生产DEM数据的首选软件。

以一景完整的天绘一号卫星原始数据为例，参照当今主流单机硬件配置，进行DEM提取的时间不超过5分钟。

TitanImageV8.0版软件下载地址：/download.php数据操作前提说明：天绘一号1B级数据（三线阵影像），提供RPC文件。

1.打开TitanImageV8.0界面→软件工具箱→DEM提取。

图1 打开DEM提取2.进入DEM提取界面，加载影像。

注：一般左影像加载…_1B_SXZ_1_….tif影像；右影像加载…_1B_SXZ_3_….tif。

图2 加载天绘影像数据3.手动选择控制点，一般不少于6个。

4.加载连接点文件，显示连接点分布图。

图5 加载连接点文件5.单击“DEM自动提取→执行”，弹出AutoDEMExt对话框，进行参数设置。

图7 DEM自动提取参数设置对话框注意事项：左右影像的RPC文件为原文件的自带参数文件，一定要与加载的左右影像数据相一致；控制点文件（.tie），一般地在实际的应用中必须为外业采集的控制点文件（包含高程和平面坐标），如果没有，则是上一步选好的连接点保存文件；控制点的投影和DEM的投影一定要保持一致；一般地为了提高DEM精度，需要进行正射影像的生成，但会影响运行速度。

6.点击开始处理，生成DEM影像，可以在集成环境中打开。

图8 DEM 生成图。

天绘一号卫星三线阵影像的RPC模型外推定位_刘建辉

第36卷第9期测绘与空间地理信息GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGYVol．36，No．9收稿日期：2013－04－08作者简介：刘建辉（1986－），男，河南新乡人，摄影测量与遥感专业博士研究生，主要研究方向为航天摄影测量。

天绘一号卫星三线阵影像的ＲPC 模型外推定位刘建辉，贾博，姜挺，江刚武（信息工程大学地理空间信息学院，河南郑州450052）摘要：少量的地面控制点可以有效地补偿ＲPC 模型立体定位中的系统误差，提高定位精度。

本文介绍了ＲPC模型外推定位的基本思想，并利用天绘一号卫星同一轨不同扫描时间的两景三线阵影像进行实验验证，结果表明，对系统误差进行补偿后，外推影像的定位精度提升明显，验证了外推定位模型的正确性。

关键词：天绘一号卫星;ＲPC 模型;三线阵影像;外推定位;系统误差中图分类号：P228文献标识码：B文章编号：1672－5867（2013）09－0020－02Extrapolative Positioning of ＲPC Model of TH －1Satellite Three －Line ImageryLIU Jian －hui ，JIA Bo ，JIANG Ting ，JIANG Gang －wu（Institute of Geospatial Information ，Information Engineering University ，Zhengzhou 450052，China ）Abstract ：Few ground control points can compensate systematic error effectively in ＲPC model stereo positioning ，and improve the po-sitioning precision．This paper introduces the theories of ＲPC model ’s extrapolative positioning ，and uses the TH01three －line im-ageries on the same track to validate the positioning precision．The experiment shows that this extrapolative location method can im-prove the location accuracy greatly ，and verify the correction of extrapolative positioning model．Key words ：TH01Satellite ；ＲPC model ；three －line imagery ；extrapolative positioning ；systematic error0引言ＲPC 模型凭借其良好的通用性和保密性得到了广泛的关注和应用［1］，但是由于星上定轨测姿设备存在误差等因素的影响，使得直接定位误差会呈现明显的系统性。

基于RPC模型的天绘一号卫星影像高精度立体定位

【ｒ＝ＬＩＮＥ
—
代入
（１）中，整理得：
ＳＣＡＬＥ・Ｆ（Ｐ，Ｌ。Ｈ、＋ＬＩＮＥ０ＦＦ
ｆ４１
—
＼－Ｃ＝ｓＡＭＰｓＣＡＬＥ・Ｇ（Ｐ。Ｌ。Ｈ、）＋ｓＡＭＰｏＦＦ
将上式的两个方程按照Ｔａｙｌｏｒ公式展开至一
ＪｉａｎＪｉａｎｆｅｎｇ一，ＬｉＸｉｎｔａｏ一，ＨｕＹａｎ ’
１．Ｘｉ ’ ａｎＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ，Ｘｉ ’ ａｎ７１００５４，Ｃｈｉｎａ２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｅｏ — ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ ’ ａｎ７１００５４，Ｃｈｉｎａ
ｄ，
～
ＨＥＩＧＨＴＳＣＡＬＥ
１Ｊｒｌ
ＯＬｏｎ
Ｏｃ，
ＯＬａｔ
Ｏｃ，
ＯＨｇｔ
Ｏｃ７
ｃ—ｓＡＭＰ
—
ｏＦＦ
ｓＡＭＰｓＣＡＬＥｒ — ＬＩＮＥｏＦＦ
（３）
Ｖ＝
ｃｌ
，
ＯＬｏｎ
ＯＬａｔ
）、（Ｃ，，ｒｒ），由式（６）可得如下误差方程：
Ｌｏｎ
： —
－
ＬＯＮＧ
—

天绘一号三线阵相机在轨几何参数精化_耿弘毅

第４５卷　第３期测　绘　学　报Ｖｏｌ．４５，Ｎｏ．３　２０１６年３月Ａｃｔａ　Ｇｅｏｄａｅｔｉｃａ　ｅｔ　Ｃａｒｔｏｇｒａｐｈｉｃａ　Ｓｉｎｉｃａ　Ｍａｒｃｈ，２０１６引文格式：耿弘毅，龚志辉，高超，等．天绘一号三线阵相机在轨几何参数精化［Ｊ］．测绘学报，２０１６，４５（３）：２８２－２９０．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１６．２０１５０２０６．ＧＥＮＧ　Ｈｏｎｇｙｉ，ＧＯＮＧ　Ｚｈｉｈｕｉ，ＧＡＯ　Ｃｈａｏ，ｅｔ　ａｌ．Ｏｎ－ｏｒｂｉｔ　Ｇｅｏｍｅｔｒｉｃ　Ｐａｒａｍｅｔｅｒｓ　Ｒｅｆｉｎｅｍｅｎｔ　ｏｆ　Ｍａｐｐｉｎｇ　Ｓａｔｅｌｌｉｔｅ－１Ｔｒｉｐｌｅ　ＬｉｎｅＡｒｒａｙ　Ｃａｍｅｒａ［Ｊ］．Ａｃｔａ　Ｇｅｏｄａｅｔｉｃａ　ｅｔ　Ｃａｒｔｏｇｒａｐｈｉｃａ　Ｓｉｎｉｃａ，２０１６，４５（３）：２８２－２９０．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１６．２０１５０２０６．天绘一号三线阵相机在轨几何参数精化耿弘毅１，２，龚志辉１，高　超２，杨戬峰２，唐　可２１．信息工程大学地理空间信息学院，河南郑州４５０００１；２．中国天绘卫星中心，北京１０２１０２Ｏｎ－ｏｒｂｉｔ　Ｇｅｏｍｅｔｒｉｃ　Ｐａｒａｍｅｔｅｒｓ　Ｒｅｆｉｎｅｍｅｎｔ　ｏｆ　Ｍａｐｐｉｎｇ　Ｓａｔｅｌｌｉｔｅ－１　Ｔｒｉｐｌｅ　ＬｉｎｅＡｒｒａｙ　ＣａｍｅｒａＧＥＮＧ　Ｈｏｎｇｙｉ　１，２，ＧＯＮＧ　Ｚｈｉｈｕｉ　１，ＧＡＯ　Ｃｈａｏ２，ＹＡＮＧ　Ｊｉａｎｆｅｎｇ２，ＴＡＮＧ　Ｋｅ２１．Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｇｅｏｇｒａｐｈｉｃａｌ　Ｓｐａｔｉａｌ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ　４５０００１，Ｃｈｉｎａ；２．Ｃｅｎｔｅｒ　ｏｆ　ＴＨ－Ｓａｔｅｌｌｉｔｅ　ｏｆ　Ｃｈｉｎａ，Ｂｅｉｊｉｎｇ１０２１０２，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｔｏ　ｆｉｎｄ　ｔｈｅ　ｍｏｄｅｌ　ａｎｄ　ｍｅｔｈｏｄ　ｏｆ　ｏｎ－ｏｒｂｉｔ　ｇｅｏｍｅｔｒｉｃ　ｒｅｆｉｎｅｍｅｎｔ　ｓｕｉｔａｂｌｅ　ｆｏｒ　ｔｈｅ　ｔｒｉｐｌｅ　ｌｉｎｅ　ａｒｒａｙｃａｍｅｒａ　ｏｆ　Ｍａｐｐｉｎｇ　Ｓａｔｅｌｌｉｔｅ－１，ｔｈｉｓ　ｐａｐｅｒ　ｆｉｒｓｔ　ａｎａｌｙｚｅｄ　ｔｈｅ　ｉｍｐａｃｔ　ｏｆ　ｔｈｅ　ｅｘｔｅｒｉｏｒ　ｏｒｉｅｎｔａｔｉｏｎ　ｌｉｎｅ　ｅｌｅｍｅｎｔｅｒｒｏｒ　ｏｎ　ｔｈｅ　ｇｅｏｍｅｔｒｉｃ　ｐａｒａｍｅｔｅｒｓ　ｒｅｆｉｎｅｍｅｎｔ，ｔｈｅｎ　ｅｌｉｍｉｎａｔｅｄ　ｔｈｅ　ｈｉｇｈ－ｆｒｅｑｕｅｎｃｙ　ｎｏｉｓｅ　ｂｙ　ｔｈｅｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｔｈｅ　ａｔｔｉｔｕｄｅ　ｄａｔａ，ａｎｄ　ｃｏｍｐｅｎｓａｔｅｄ　ｔｈｅ　ｌｏｗ－ｆｒｅｑｕｅｎｃｙ　ｆｌｕｔｔｅｒ　ｏｆ　ｓａｔｅｌｌｉｔｅ　ｐｌａｔｆｏｒｍ　ｉｎ　ｔｈｅｃｏｕｒｓｅ　ｏｆ　ｆｌｙｉｎｇ　ｂｙ　ｓｉｎｅ　ｆｕｎｃｔｉｏｎ　ａｎｄ　ｄｅｓｉｇｎｅｄ　ｔｈｅ　ｃｏｎｓｔａｎｔ　ａｎｇｕｌａｒ　ｅｒｒｏｒ　ｍｏｄｅｌ　ｆｏｒ　ｔｈｅ　ｌｅｎｓ　ｏｆ　ｔｈｅ　ｔｒｉｐｌｅ　ｌｉｎｅａｒｒａｙ　ｃａｍｅｒａ．Ｉｎ　ａｄｄｉｔｉｏｎ，ａｎ　ｉｎｔｅｒｉｏｒ　ｏｒｉｅｎｔａｔｉｏｎ　ｍｏｄｅｌ，ｕｓｉｎｇ　ｄｉｒｅｃｔｌｙ　ｐｉｘｅｌ　ｃｏｏｒｄｉｎａｔｅｓ　ａｓ　ｏｂｓｅｒｖａｔｉｏｎｓ，ｗａｓ　ｃｏｎｓｔｒｕｃｔｅｄ　ｂａｓｅｄ　ｏｎ　ｃｏｎｖｅｎｔｉｏｎａｌ　ａｄｄｉｔｉｏｎａｌ　ｐａｒａｍｅｔｅｒ　ｍｏｄｅｌ　ａｎｄ　ｔｈｅ　ｃｏｍｂｉｎａｔｉｏｎ　ｏｆ　ｔｈｅ　ｂｅｓｔｒｅｆｉｎｅｍｅｎｔ　ｍｏｄｅｌ　ｐａｒａｍｅｔｅｒｓ　ａｎｄ　ｔｈｅ　ｓｏｌｕｔｉｏｎ　ｓｔｒａｔｅｇｙ　ｗｅｒｅ　ｄｅｔｅｒｍｉｎｅｄ　ｂｙ　ｔｈｅ　ｕｎｉｌａｔｅｒａｌ　ｃｏｎｔｒｏｌｅｘｔｒａｐｏｌａｔｉｖｅ　ｌｏｃａｔｉｏｎ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｌａｎａｒ　ａｃｃｕｒａｃｙ　ａｎｄ　ｖｅｒｔｉｃａｌ　ａｃｃｕｒａｃｙ　ａｒｅ　ａｂｏｕｔ　１ＧＳＤ　ａｎｄ０．８　ＧＳＤ　ｂｙ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｒｅｆｉｎｅｍｅｎｔ　ｐｌａｎ　ａｎｄ　ｔｈｅ　ｒａｔｉｏｎａｌ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｏｆ　ＧＣＰＳ．Ｋｅｙ　ｗｏｒｄｓ：Ｍａｐｐｉｎｇ　Ｓａｔｅｌｌｉｔｅ－１；ｇｅｏｍｅｔｒｉｃ　ｐａｒａｍｅｔｅｒｓ　ｒｅｆｉｎｅｍｅｎｔ；ｅｘｔｅｒｉｏｒ　ｏｒｉｅｎｔａｔｉｏｎ　ｅｌｅｍｅｎｔｓ；ｉｎｔｅｒｉｏｒｏｒｉｅｎｔａｔｉｏｎ　ｍｏｄｅｌ；ｓｔｅｒｅｏ　ｐｏｓｉｔｉｏｎｉｎｇ摘　要：为了找到适合天绘一号卫星三线阵相机在轨几何精化的模型和算法，首先分析了外方位线元素误差在几何参数精化中的影响，然后通过对定姿数据的预处理，消除了其中含有的高频噪声，并用正弦函数补偿了卫星平台飞行过程中的低频抖动，为三线阵相机每个镜头设计了姿态角常差模型。

天绘一号卫影像数据处理

北京揽宇方圆信息技术有限公司天绘一号卫影像数据处理1TH01卫星介绍天绘一号卫星（TH01）是中国第一颗传输型立体测绘卫星，搭载三线阵立体测绘相机、高分辨率相机、多光谱相机，可获取全球范围内立体、高分辨率、多光谱影像数据。

2数据2.1原始影像数据原始数据为广州市境内的2景全色影像和2景多光谱影像，产品级别为1A，多光谱影像拍摄时间为2011年05月05日，全色影像拍摄时间为2011年05月08日。

该数据不包含RPC参数文件。

2.2控制数据平面参考为UTM投影，WGS84坐标系的道路网图，高程参考为与平面参考数据相同坐标系统的30米分辨率的数字高程模型。

3数据生产3.1生产流程生产过程如图1所示，先对全色影像进行正射纠正，然后利用校正后的全色影像作为参考影像，对多光谱影像进行正射纠正。

再利用校正后的全色和多光谱影像进行融合、镶嵌、分幅。

利用Photoshop软件对色彩进行调整。

图1生产流程图3.2生产方法3.2.1正射纠正利用PCI Geomatica软件OrthoEngine模块对数据进行正射纠正。

OrthoEngine模块提供了三种校正方法：Toutin's Model、Rational Function（extract from image）和Rational Function（Compute from GCPs）。

由于该数据没有RPC模型，故采用Rational Function（Compute from GCPs）。

采用该模型不能采集连接点，但其它两种模型均能采集连接点。

1）建立工程启动OrthoEngine，点击file/NEW，在Math Modelling Method处选择Optical Satellite Modelling，并选择Rational Function（Compute from GCPs）。

如图2所示。

同时设置投影信息，如图3。

图2模型选择图3设置投影2）导入数据点击New image导入数据（图4）。

天绘一号

天绘一号
中国第一代传输型立体测绘卫星
天绘一号

中国第一代传输型立体测绘卫星，主要用于科学研究、国土资源普查、地图测绘等领域的科学试验任务。采用了CAST 2000卫星平台，一体化集成了三线阵CCD相机、 2米高分辨率全色相机和多光谱相机等3类5个相机载荷，是中国有效载荷比最高的高分辨率遥感卫星。中国第一个完全自主产权和国产化的集数据接收、运控管理、产品生产和应用服务为一体的地面应用系统。天绘一号01星、02星、03星分别于2010年8月24日和2012 年5月6日2015年10月26日发射成功并组网运行。

CAST 2000卫星平台

CAST2000平台是小型卫星平台，有着较高的性能、良好的扩展性和灵活性。该卫星平台采用了S波段及TT&C分系统、 X波段数据传输分系统及三轴稳定方式。该卫星平台拥有高精确度的控制能力、宽幅侧摆机动能力、灵活的轨道机动能力、高集成星务管理及高效的电力供应能力。该卫星平台拥有良好的性能及可靠性，已被成功用于多颗中国小卫星，包括海洋1A、1B及环境减灾星A、B。
性能数据
天绘一号卫星性能数据卫星名称发射时间轨道高度（km）轨道倾角（°）轨道偏心率天绘一号02星 2012年5月6日 500 97.3 0 2m分辨率全色相机、10m 2m分辨率全色相机、10m 米分辨率多光谱相机、5m 相机类型分辨率多光谱相机、5m分分辨率三线阵全色立体相辨率三线阵全色立体相机机全色2m、三线阵全色5m、全色2m、三线阵全色5m、星下点像元分辨率多光谱10m 多光谱10m 侧视角（°） ±10 0 幅宽（km） 60 60 蓝：0.43～0.52 蓝：0.43～0.52 绿：0.52～0.61 绿：0.52～0.61 光谱/波段范围（μm）红：0.61～0.69 红：0.61～0.69 近红外：0.76～0.90 近红外：0.76～0.90 回归周期/天摄影覆盖范围降交点地方时是否具备商业编程能力 58 南北纬80°之间 13:30 是 58 南北纬80°之间 13:30 是天绘一号01星 2010年8月24日 500 97.3 0

天绘一号卫星分辨率检测靶标的组成和布设

天绘一号卫星分辨率检测靶标的组成和布设鲁大尉;朱雷鸣;黄海乐;李五【期刊名称】《测绘与空间地理信息》【年(卷),期】2014(000)011【摘要】The image feature detection in orbit means dynamic detection of all kinds of cameras carried on the satellites , which pro-vides support for precision and reliability of the TH -1 image application .The resolution detection is an important part of the image feature detection .The composition and layout of resolution target are introduced briefly in this paper .%天绘一号卫星影像特性在轨检测是对卫星搭载的多种相机的主要性能指标进行动态检测，为天绘卫星影像产品的精度和可靠性提供保障。

分辨率检测是影像特性检测的重要组成部分，本文主要对分辨率检测靶标的结构组成、外业布设等方面进行简要介绍。

【总页数】2页(P166-167)【作者】鲁大尉;朱雷鸣;黄海乐;李五【作者单位】61618部队，北京102102;61618部队，北京102102;61618部队，北京102102;61618部队，北京102102【正文语种】中文【中图分类】P236【相关文献】1.基于辐射状靶标的天绘一号卫星CCD相机分辨率在轨检测 [J], 彭宇;黄海乐;朱雷鸣2.基于MTF的天绘一号卫星多光谱相机分辨率检测 [J], 李五;朱雷鸣;刘姜伟3.基于天绘一号卫星三线阵影像立体匹配的自动云检测 [J], 胡振龙;吴腾;张勇;4.天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法 [J], 郑凯;李建胜;杨戬峰;欧阳文;王高杰;张迅5.基于Deeplab V3+的天绘一号卫星多光谱影像的云雪检测方法研究 [J], 杨戬峰;郝向阳;叶宇;李朋月;郑凯因版权原因，仅展示原文概要，查看原文内容请购买。

天绘一号03星定位精度初步评估_王任享

ｗｈｉｃｈｔｈｅｈｏｒｉｚｏｎｔａｌａｃｃｕｒａｃｉｓ７２．ｍ，ａｎｄｔｈｅｖｅｒｔｉｃａｌｅｌｅｖａｔｉｏｎａｃｃｕｒａｃｉｓ２６．ｍ．ｙｙ：ｓ；ｃ；ｂ；ｌＫｅｗｏｒｄｓａｔｅｌｌｉｔｅｈｏｔｏｒａｍｍｅｔｒａｍｅｒａａｒａｍｅｔｅｒｓｃａｌｉｂｒａｔｉｏｎｕｎｄｌｅａｄｕｓｔｍｅｎｔｏｃａｔｉｏｎｙｐｇｙｐｊ；ａｃｃｕｒａｃｃｏｖｅｒａｅｏｎａｃｏｎｔｉｎｕｏｕｓｂａｓｉｓｌｏｂａｌｙｇｇ摘要：天绘一号卫星是我国第一颗传输型立体测绘卫星，主要用于无地面控制点条件下高精度定位及１ ∶ ５万、比例尺地形图测绘。０１０２星分别于２０１０年８月２４日及２０１２年５月６日成功发射，０３星于２０１５年１１月／／高目前３颗星在轨正常运行。定位精度为１平面２６日发射，０１星定位精度经过系统检测后，０．３ｍ５．７ｍ（，程）０２星定位精度与０１星精度相当。本文首先简要介绍了天绘一号卫星的总体概况及其地面处理系统中的关键技术，重点对０３星的无控定位精度进行初步试验评估。通过国内外３条航线的试验发现，０３星较０２星精度有较大提高，在无地面控制点条件下可实现平面７高程２２．ｍ、６．ｍ的定位精度。关键词：卫星摄影测量；相机参数标定；光束法平差；定位精度；全球连续覆盖（）中图分类号：Ｐ２２７Ａ文章编号：１００１１５９５２０１６１０１１３５０５文献标识码：－－－天绘一号卫星是我国第一颗传输型立体测绘卫星，其工程目标是在无地面控制点条件下，实现目标高精度定位及１∶５万比例尺地形图测绘。０１星于２０１０年８月２４日发射，０２星于２０１２年５月６日发射，目０３星于２０１５年１１月２６日发射，前３颗星在轨正常运行。０为了系统１星发射后，在国内外选定多个精度检测场，评估其定位精度，检测场分布于不同纬度，包含平地、山地及高山地等多种地形。相关单位组织进行精度检测，检测

卫星简介

Pleiades
空间分辨率重访周期全色0.5m、多光谱2m 1天（双星座模式）
光谱范围
全色 470-830nm 蓝 430-550nm 绿 500-620nm 红 590-710nm 近红外 740-940nm
20km（星下点）
幅宽
动态范围
产品
12bit、16bit
单片（0.5m全色、2m彩色、0.5m+2m捆绑、0.5米彩色）立体相对（二相对、三相对）存档数据、编程数据
SPOT-6和SPOT-7
卫星名称发射日期轨道高度重访周期幅宽空间分辨率 Spot-6 2012年 695km 1天（双星座模式） 60km 全色1.5m 多光谱6m Spot-7 2014年 695km 1天（双星座模式） 60km 全色1.5m 多光谱6m
辐射分辨率传感器波段
12-bits/piexl 12-bits/piexl 同spot-6 全色（455-745nm）多光谱（4波段）：蓝（455-525nm）绿（530-590nm）红（625-695nm）近红外（760-890nm）
SPOT-6和SPOT-7
SPOT-6与SPOT-7： 2012年9月9日 – 由欧洲领先的空间技术公司-Astrium-制造的对地观测卫星SPOT6由印度PSLV运载火箭搭载成功发射。2014 年 6 月 30 日，法国SPOT-7卫星从印度达万航天发射中心，用印度极轨运载火箭（PSLV）成功发射。SPOT-7 由欧洲空客防务与航天公司研制，其性能指标与 SPOT-6 相同。 SPOT-7轨道高度694km，发射质量 712kg。SPOT7具备很强的姿态机动能力，可在 14s 内侧摆 30° 。 SPOT-7 全色分辨率 1.5m，多光谱分辨率 6m，星上载有两台称为―新型 Astrosat 平台光学模块化设备‖ （NAOMI）的空间相机，两台相机的总幅宽为 60km。

天绘一号卫星影像数据

天绘一号卫星影像数据天绘一号卫星影像数据天绘一号是中国第一代传输型立体测绘卫星主要用于科学研究国土资源普查地图测绘等领域的科学试验任务，由航天东方红卫星有限公司研制，采用了CAST 2000卫星平台，一体化集成了三线阵CCD 相机、2米高分辨率全色相机和多光谱相机等3类5个相机载荷，是当时中国有效载荷比最高的高分辨率遥感卫星。

天绘一号实现了中国测绘卫星从返回式胶片型到CCD传输型的跨越式发展，在中国首次实现了影像数据经过地面系统处理，无地面控制点条件下与美国SRTM相对精度12m/6m（平面/高程1σ）同等的技术水平。

天绘一号还形成了中国第一个完全自主产权和国产化的集数据接收、运控管理、产品生产和应用服务为一体的地面应用系统。

截止2014年已经成功发射天绘一号01星、天绘一号02星，两颗卫星在轨组网运行稳定，对地球陆地有效覆盖59.35%，约8843.2万平方公里，对中国陆地有效覆盖97.2%，约933.3万平方公里，已具备规模化数据保障能力。

产品介绍1A级：原始数据经过相对辐射校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

2级：1A级数据产品利用系统参数经过几何校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

1B级：1A级数据产品经过摄影测量处理后得到的卫星影像产品，包括影像数据、元数据、RPC参数和浏览图。

3A级：1A级数据产品利用系统参数和地面控制点经过几何校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

正射影像（DOM）：1B级数据产品经过摄影测量纠正处理形成的卫星影像产品，包括影像数据、元数据和浏览图。

数字高程模型（DEM）：1B级三线阵数据产品经过摄影测量匹配与编辑处理形成的描述地球表面起伏的格网数据产品，包括栅格数据、元数据和浏览图。

数据应用地面应用系统地面应用系统是天绘一号卫星系统工程的重要组成部分，是发挥卫星应用效能的主要环节。

其主要功能是完成卫星摄影任务规划和卫星有效载荷运行管理；接收卫星下传数据；对卫星下传数据进行预处理，生成卫星影像产品；完成数据的存储、管理和分发；进行卫星摄影系统主要参数检测和影像特性的标定；进行应急测绘保障处理，生成应急测绘保障产品；完成卫星影像的平差定位；测制1∶5万比例尺数字地形图、数字高程模型数字和正射影像地图；修测1∶2.5万比例尺数字地形图。

卫星参数

GeoEye-1，美国，缩写GE，原始0.41，重采0.5简介2008年9月6日，该公司从美国加州范登堡空军基地发射了 GeoEye-1 号卫星。

GeoEye-1卫星拥有达到0.41米分辨率(黑白)的能力，简单来说这意味着，从轨道采集并由SGI Altix 350系统处理的高分辨率图像将能够辨识地面上16英寸或者更大尺寸的物体。

以这个分辨率，人们将能够识别出位于棒球场里放着的一个盘子或者数出城市街道内的下水道出入孔的个数。

GeoEye-1不仅能以0.41米黑白(全色)分辨率和1.65米彩色(多谱段)分辨率搜集图像，而且还能以3米的定位精度精确确定目标位置。

因此，一经投入使用，GeoEye-1将成为当今世界上能力最强、分辨率和精度最高的商业成像卫星。

GeoEye-1 照片产品和解决方案现在已经大量推出，其地面分辨率分别为0.5米、1米、2米和4米。

照片产品有彩色和黑白两种。

彩色照片包含四种波长的颜色：蓝色、绿色、红色和近红外。

商业客户可以通过多种途径购买 GeoEye-1 照片。

服务专家现在可在购买 GeoEye-1 照片产品和增值解决方案方面提供帮助。

包括GoogleEarth、GoogleMap、Tom Clancy's H.A.W.X等软件及游戏都使用了该卫星的地球照片。

GEOEYE-1 规格全色传感器：0.41 meters x 0.41 meters多普段传感器：1.65 meters x 1.65 meters光谱范围：450–800 nm450–510 nm (blue)510–580 nm (green)655–690 nm (red)780–920 nm (near IR)扫描宽度：15.2 kmOff-Nadir Imaging:Up to 60 degrees动态范围：11 bits per pixel任务寿命预期：大于10 yearsRevisit Time:Less than 3 days轨道高度：681 kmNodal Crossing:10:30 a.m.WorldView-I，美国，缩写WV1，原始0.5，重采0.5简介发射后在很长一段时间内被认为是全球分辨率最高、响应最敏捷的商业成像卫星。

其他卫星介绍

B01
0.43-0.52
B02
0.52-0.60
B03
0.63-0.69
B04
0.76-0.9
-
0.45-0.95 （110-128个谱）
B01
0.43-0.52
B02
0.52-0.60
B03
0.63-0.69
B04
0.76-0.9
B05
0.75-1.10
B06
1.55-1.75
B07
3.50-3.90
SPOT4
1993年9月26日
1997年11月14日停止运行
1998年3月24日在轨
全色10米 0.61 – 0.68um 多光谱 20米绿： 0.50 – 0.59um 红： 0.61 – 0.68um 近红外：0.78 – 0.89um 短波红外 1.58 – 1.75um
60公里
近极地近圆形太阳同步轨道
扫描仪、广角成像仪，由于提供了从20米-256米分辨率的11个波段不同幅宽的遥感数据
CBERS-1
中国、巴西
1999年10月14
2年
太阳同步轨道
778公里
98.5
26天，绕地球一圈时间为100．26分钟
上午10：30
4天
185公里
红外多光谱扫描仪波段数：4 覆盖宽度：119.50公里
B6：0.50 –1.10(um) B7：1.55 – 1.75(um) B8：2.08 – 2.35(um) B9：10.4 – 12.5(um)
10:30 AM
CCD: ≥47.7GB HR: ≥54GB
247 Gbit
HJ-1A/1B
650 km 97.95°

基于辐射状靶标的天绘一号卫星CCD相机分辨率在轨检测

（ＴＨＳａｔｅｌｌｉｔｅＣｅｎｔｅｒｏｆＣｈ２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｒｅｓｏｌｕｔｉｏｎｓｈｏｗｓａｎｉｍｐｏｒｔａｎｔｉｎｄｉｃａｔｏｒｏｆｔｈｅｐｈｏｔｏｇｒａｐｈｙｉｍａｇｉｎｇｓｙｓｔｅｍｓａｎｄｔｈｅｅｖａｌｕａｔｉｏｎｏｆｉｍａｇｅｑｕａｌｉｔｙ，ａｎｄａｃｃｕ — ｒａｔｅｒａｇｓｐｉｎｇｏｆｔｈｅｉｍａｇｅｓｙｓｔｅｍｒｅｓｏｌｕｔｉｏｎｉｎ—ｏｒｂｉｔｃｈａｎｇｅｓｉｓｃｏｎｃｅｒｎｅｄｗｉｔｈｔｈｅｅｆｆｉｃｉｅｎｔｕｓｅｏｆｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．Ｔｈｅ
评价的重要内容，也是卫星相机获取数据真实性检验必
１原理与方法
１．１像元分辨率设计指标计算
在航天遥感领域，目前光电成像系统逐渐取代了光学胶片成像系统Ｊ。对于光学胶片成像系统通常用地面
ＣＣＤｃａｍｅｒａｒｅｓｏｌｕｔｉｏｎｉｎ—ｏｒｂｉｔｉｓｄｅｔｅｃｔｅｄｗｉｔｈｔｈｅｍｅｔｈｏｄｏｆｌａｙｉｎｇｔｈｅｒａｄｉａｌｔａｒｇｅｔｓｏｎｔｈｅｇｒｏｕｎｄ，ａｎｄｈｅｔｒｅｓｏｌｕｔｉｏｎｏｆｔｈｅｉｍａ－ｇｉｎｇｓｙｓｔｅｍｓｂｏｔｈａｌｏｎｇｔｈｅｒａｉｌａｎｄｔｈｅｖｅｒｔｉｃａｌｒａｉｌｄｉｒｅｃｔｉｏｎｉｓｃａｌｃｕｌａｔｅｄｂｙｕｓｉｎｇｔｈｅｔａｒｇｅｔｉｍａｇｅａｃｑｕｉｒｅｄｂｙｔｈｅＴＨ一０１Ｓａｔｅｌｌｉｔｅ．Ｔｈｅｒｅａｓｏｎａｂｌｅｎｅｓｓｏｆｔｈｅｒｅｓｕｌｔｓｉｓｂｒｉｅｌｆｙａｎａｌｙｚｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｋｅｙｗｏｒｄｓ：ＴＨ一０１Ｓａｔｅｌｌｉｔｅ；ｒａｄｉａｌｔａｒｇｅｔ；ｒｅｓｏｌｕｔｉｏｎ

“天绘”一号卫星发射成功

为了更好地发挥中国航天科技集团公司和陕
西地方航天科技资源优势，进一步推动卫星应用
煤制天然气领域的合作，共同推进煤气化炉在煤制天
然气项目中的运用。这既有利于推进国电煤制气项目的实施，也有利于进一步提升航天气化炉的核心竞争力，为煤气化技术打破化开辟一条崭新道路。
一
河南省节能环保建设，促进河南基础件产业集群
的形成。
号卫星送入预定轨道。此次发射的 “ 天绘” 一号卫星是由中国空间
２１００年８月２７日，中国航天科工集团公司与中国工程物理研究院签署了战略合作框架协
议。根据合作协议，双方将在基础科研、对外贸易等领域开展更深层次的合作，共同推动国防科
用于这次发射的 “ 征 ” 三号乙运载火箭，长由中国运载火箭技术研究院研制生产。这是 “ 长征” 系列运载火箭的第１９次飞行。２
“ 绘 ” 一号卫星发射成功夭
２１００年８月２４日，我国在酒泉卫星发射中
心用 “ 征” 二号丁运载火箭成功地将 “ 绘” 长天
箭由上海航天技术研究院研制，首次应用了控制系统冗余技术，有效提高了火箭飞行的可靠性。此次发射是“ 长征” 系列运载火箭的第１８２次飞行，也是 “ 长征” 二号丁运载火箭的第１３次发射。
国电内蒙古电力有限公司签署了 “ 国电一兴安年０航天科技集团与西安共建卫星应用产业产２亿立方米煤制天然气项目” 的合作协议。据了解，航天科技集团与国电集团将重点推进示范基地

天绘卫星图像参数下载

北京中景视图科技有限公司 z j-view Inc.第1页·共1页天绘一号卫星采用CAST 2000卫星平台，搭载5米三线阵CCD 相机、2米高分辨率全色相机和10米多光谱相机3类5个相机载荷，实现了中国测绘卫星从返回式胶片型到传输型的跨越式发展，实现了影像数据经地面系统处理后，无地面控制点条件下绝对定位精度平面优于10米、高程优于6米。

天绘卫星参数项目参数卫星名称天绘一号01星天绘一号02星天绘一号03星发射时间 2010年8月24日 2012年5月6日 2015年10月26日轨道高度（km ）约500 约500 约500 轨道倾角（°） 97.3 97.3 97.3 轨道偏心率 0相机类型2 m 分辨率全色相机、 10 m 分辨率多光谱相机、 5 m 分辨率三线阵全色立体相机2 m 分辨率全色相机、 10 m 分辨率多光谱相机、 5 m 分辨率三线阵全色立体相机2 m 分辨率全色相机、10 m 分辨率多光谱相机、 5 m 分辨率三线阵全色立体相机星下点像元分辨率全色2 m 、三线阵全色5 m 、多光谱10 m全色2 m 、三线阵全色5 m 、多光谱10 m 全色2 m 、三线阵全色5 m 、多光谱10 m 侧视角（°） 0 ±10 ±10 幅宽（km ） 606060光谱/波段范围（μm ）蓝：0.43～0.52 绿：0.52～0.61 红：0.61～0.69近红外：0.76～0.90蓝：0.43～0.52 绿：0.52～0.61 红：0.61～0.69 近红外：0.76～0.90 蓝：0.43～0.52 绿：0.52～0.61 红：0.61～0.69 近红外：0.76～0.90 回归周期/天 585858摄影覆盖范围南北纬80°之间南北纬80°之间南北纬80°之间降交点地方时 13:30 13:30 13:30 是否具备编程能力是是是拍摄能力（km²/天） 100万 100万100万。

国产常用卫星影像数据参数

8
9
高分二号
普段范围 (um)
0.45 ~ 0.90 0.45 ~ 0.52 0.52 ~ 0.59 0.63 ~ 0.69 0.77 ~ 0.89 0.45 ~ 0.52 0.52 ~ 0.59 0.63 ~ 0.69 0.77 ~ 0.89
空间分辨率 (m) 2 8
16
幅宽 (km) 60 (2 台相机组合)
(2)法国：pleiades、spot1、spot2、spot3、spot4、spot5、spot6 (3)中国：资源三号、高分一号、高分二号、高景卫星 (4)德国：terrasar-x、rapideye
(5)加拿大：radarsat-2 四、卫星发射年份
(1)1960-1980 年：锁眼卫星(0.6 米分辨率至 10 米) (2)1980-1990 年：landsat5(tm)、spot1 (3)1990-2000 年：spot2、spot3、spot4、landsat(etm)、ikonos (4)2000-2010 年：quickbird、worldview1、worldview2、spot5、 rapideye、radarsat-2、alos (5)2010-：spot6、spot7、资源三号、高分一号、高分二号、 worldview3、worldview4、pleiades、高景卫星、planet 卫星优势： 1：北京揽宇方圆国内老牌卫星数据公司，经营时间久，行业口碑相传， 1800 个行业用户选择的实力见证。 2：北京揽宇方圆遥感数据购买专人数据查询一对一服务，数据查询网址是卫星公司网。 3：北京揽宇方圆拥有大型正版遥感处理软件，遥感数据处理工程师有 10 年以上遥感处理工作经验，并有国家大型项目工作经验自主卫星数据处理软件著作权，最大限度保持遥感卫星影像处理的真实度。 4：北京揽宇方圆国家高新技术企业，通过 ISO900 认证的国际质量管理操作体系，无论是遥感卫星品质和遥感数据处理质量，都能得到保障。 5：影像数据官方渠道：所有的卫星数据都是卫星公司授权的原始数据，全球公众数据查询网址公开查询，影像数据质量一目了然，数据反应客观公正实事求是，数据处理技术团队国标规范操作，提供的是行业优质的专业化服务。 6：签定正规合同：影像数据服务付款前，买卖双方须签订服务合同，提供合同相应的正规发票，发票国家税网可以详细查询，有增值税普通发票和增值税专用发票两种发票类型可供选择。以最有效的法律手段来保障您的权益。

高分卫星成像模型讲解

像点在本体坐标系下的坐标
14
2.2光学卫星影像的共线方程
SPOT-5 HRS影像严格成像模型

卫星本体坐标系与轨道坐标系之间的变换

轨道坐标系与WGS-84坐标系之间的变换
15
2.2光学卫星影像的共线方程
SPOT-5 HRS影像严格成像模型
16
2.2光学卫星影像的共线方程
资源三号卫星三线阵CCD影像严格成像模型扫描行成像时刻的确定
K-1 K K+1 K+2
K 2 t tk P(t j ) P(ti ) i K 1 k K 1 ti tk k i
K 2

P
定向片内插模型示意图
13
2.2光学卫星影像的共线方程
SPOT-5 HRS影像严格成像模型

扫描行成像时刻的确定
天绘一号卫星三线阵CCD影像严格成像模型
由精密定轨数据确定；为下视相机相对于CGCS2000坐标系的旋转角构成的旋转矩阵，由精密定姿数据确定；为前视相机、后视相机相对于下视相机的夹角所构成的旋转矩阵；为CCD在焦平面的旋转角所构成的旋转矩阵；为在CCD线阵上探元在方向的偏移误差，实验室共标定了线阵上30个探元的偏移误差；为像点在像空间坐标系下的坐标，以轴为飞行方向；

像点在本体坐标系下的坐标

卫星本体坐标系与J2000坐标系之间的变换
17
2.2光学卫星影像的共线方程
资源三号卫星三线阵CCD影像严格成像模型

J2000坐标系与WGS-84坐标系之间的变换

为极移矩阵，为地球自转矩阵，为岁差章动矩阵。资源三号卫星三线阵CCD影像的严格成像模型

天测一号

1．你想了解“天测一号”吗？两颗星组网运行共拍地面立体影像天绘一号卫星效果图“知天知地，胜乃可全。

”我国古代军事家孙子用简单八个字道出了取胜的秘诀——通晓天时，熟知地利。

然而，这八个字在古代却因为科学技术的落后，常常是难以完成的任务。

如今，伴随着现代航天测绘技术的发展，古人所期盼的“千里眼”终于变为现实。

2010年8月24日，我国首颗传输型立体测绘卫星天绘一号01星成功发射，实现了我国传输型立体测绘卫星零的突破。

巧合的是，两年后的8月24日，天绘一号02星圆满完成110天的在轨测试任务，和天绘一号01星一起，首次实现测绘卫星的组网运行。

双星影像经无缝拼接后，测绘覆盖宽达110公里，极大地提高了测绘效率和几何控制能力，加快了测绘区域影像获取速度。

这是我国航天领域的重大突破，对促进我国测绘事业具有里程碑意义，标志着我国已全面掌握传输型立体测绘卫星的关键技术，为我国后续航天测绘卫星的发展奠定了坚实基础。

银河添新秀，天绘写华章。

截至2012年9月底，天绘一号01星已获取全球区域立体影像21万余景，地理影像约8亿平方公里，有效覆盖全球陆地面积已达46%，我国陆地面积约95%。

在国防建设的大舞台上，天绘一号精确地理影像数据服务已经开始发挥效能，在上合组织“和平使命”军演、新疆反恐维稳、首都防空、盈江和彝良地震等重大事件应急保障中，天绘成果全面开花。

在如火如荼的国民经济建设大潮中，天绘更是大显身手，已经为国土测绘、水利电力、交通运输、城市规划、土地利用、资源普查、灾害监测等部门的90余家用户提供了2万余景、面积达7千万平方公里的各级各类遥感影像数据，广泛应用于土地、农业、林业、矿产、环境。

古人所盼望拥有的遥望千里、目观八方、万里之内、纤毫毕现的神通已经实现！今天，就让我们走近我国首颗传输型立体测绘卫星天绘一号，近距离了解一下这个神通广大的“千里眼”。

用途广泛，新一代测绘卫星贡献大如今，距我国发射第一颗人造地球卫星已经过去30余年，可卫星究竟能做什么，恐怕很多人还不清楚，特别是颇显神秘的测绘卫星。

浅谈天绘融合影像在青海地区测绘中的应用

浅谈天绘融合影像在青海地区测绘中的应用摘要：随着天绘一号卫星影像在青海地区地形图测制中的广泛应用，高质量的天绘融合影像是影像室内判绘的重点。

本文针对天绘卫星影像特点，介绍了天绘融合影像的制作方法，总结了提高天绘融合影像质量的方法，拓展了天绘融合影像在青海地区地形图测制中的应用。

关键词：天绘融合影像；复杂地区；室内判绘；实际应用1引言“天绘一号”卫星是中国首颗传输型立体测绘卫星，主要用于科学研究、国土资源普查、地图测绘等领域，具有覆盖范围广、分辨率高、可立体成像和重复摄影等特点，可同时获取同一地区10m分辨率多光谱数据、2m高分辨率数据和5m 分辨率三线阵数据，并且在无控制点测量技术的支持下，实现区域中小比例尺地形图的测制。

天绘融合影像是将2m分辨率全色影像进行正射纠正，然后将纠正后的全色影像和多光谱影像进行融合，生成天绘融合影像。

得到的融合影像具有清晰度高、光谱特征好、色彩接近实际地物等特点，分辨率高于三线阵立体影像，尤其在灰度值差异较小的地区，能够更好地显示地物的纹理特征。

在地形图的立体测图、修测、室内判绘等工作中正确使用天绘融合影像，可以进一步提高生产质量和效率。

2青海地区地形图测制的特点青海地区是受交通、自然条件、气候和境界的限制，进行野外测绘的数据会受到各种因素的影响地区。

例如，桥梁只能通过影像量测长度和宽度，而载重吨数和材质无法判别；森林在影像上无法辨别树种，树高和胸径无法精确测量；露天矿在影像上可根据特征判读出来，但无法判断出矿的种类。

收到季节影响，河流和湖泊的水位变化大，无法准确测绘河流的水涯线，影响地形图的成果质量。

不同季节拍摄的影像在接边时，水系的接边工作难度最大，影像上水系无法接边，需要参考相关水文资料，综合分析处理。

青海地区多为经济不发达地区，相关参考资料不易获得，且现实性不高，互联网下载的影像较现在相差五年左右，在一定程度上影响地形图测制的成果质量。

3制作天绘融合影像的技术流程天绘融合影像的制作过程包括：影像预处理、空中三角测量、DEM制作、影像融合、图像镶嵌和匀色等步骤。

DCLS-GAN利用生成对抗网络的天绘一号卫星高原地区影像去云方法

㊀㊀第５０卷㊀第２期测㊀绘㊀学㊀报V o l．５０,N o．２㊀２０２１年２月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a F e b r u a r y,２０２１引文格式:郑凯,李建胜,王俊强,等．D C L SＧG A N:利用生成对抗网络的天绘一号卫星高原地区影像去云方法[J]．测绘学报,２０２１,５０(２):２４８Ｇ２５９．D O I:１０．１１９４７/j．A G C S．２０２１．２０２０００２０．Z H E N G K a i,L I J i a n s h e n g,WA N GJ u n q i a n g,e t a l．D C L SＧG A N:c l o u d r e m o v a lm e t h o d f o r p l a t e a u a r e a o fT HＧ１s a t e l l i t e i m a g e [J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０２１,５０(２):２４８Ｇ２５９．D O I:１０．１１９４７/j．A G C S．２０２１．２０２０００２０．D C L SＧG A N:利用生成对抗网络的天绘一号卫星高原地区影像去云方法郑㊀凯１,李建胜１,王俊强２,欧阳文１,谷友艺３,张㊀迅１１．信息工程大学,河南郑州４５０００１;２．７８１２３部队,四川成都６１００００;３．北京市遥感信息研究所,北京１００１９２D C L SＧG A N:c l o u d r e m o v a lm e t h o d f o r p l a t e a ua r e ao f T HＧ１s a t e l l i t e i m a g e Z HE N GK a i１,L I J i a n s h e n g１,W A N GJ u n q i a n g２,O U Y A N G W e n１,G UY o u y i３,Z H A N GX u n１１．I n f o r m a t i o n E n g i n e e r i n g U n i v e r s i t y,Z h e n g z h o u４５０００１,C h i n a;２．７８１２３T r o o p s,C h e n g d u６１００００,C h i n a;３．B e i j i n g I n s t i t u t eo f R e m o t eS e n s i n g I n f o r m a t i o n,B e i j i n g１００１９２,C h i n aA b s t r a c t:I t h a s b e e na r e s e a r c hh o t s p o t t oa p p l y d e e p l e a r n i n g t o r e m o v ec l o u do ns a t e l l i t e i m a g e s．I n t h i s p a p e r,w e p r o p o s eac l o u dr e m o v a lm e t h o db a s e do n D C L SＧG A Nf o rt h e p l a t e a ui m a g eo fT HＧ１s a t e l l i t e．T h e g e n e r a t o r i sc o n s t r u c t e dw i t h t h es t r u c t u r eo f e n c o d e rＧd e c o d e r,a n d t w o t y p e so f f i x e da n d r e m o v a b l e c l o u d m a s k s a r e u s e di nt r a i n i n g．T h el e a s ts q u a r e r e c o n s t r u c t i o nl o s s a n d c r o s sＧe n t r o p y a d v e r s a r i a l l o s s a r e u s e d t o g e n e r a t e t h e p r e d i c t i o n i m a g e o f c l o u d c o v e r a g e a r e a,w h i l e l e a s t s q u a r e l o s s i s a l s o u s e d i n t h ed i s c r i m i n a t o r t o i d e n t i f y t h ea u t h e n t i c i t y o f t h e g e n e r a t e d i m a g e．J o i n t o p t i m i z a t i o no f g e n e r a t o r a n dd i s c r i m i n a t o r i s a c h i e v e db y c o n t i n u o u s i t e r a t i o n,a f t e rw h i c h,b i l i n e a r i n t e r p o l a t i o n i s u s e d t o i m p r o v e t h e r e s t o r a t i o na c c u r a c y o f c l o u dc o v e r a g ea r e a,a n dP o i s s o ne d i t i n g i su s e dt os m o o t h t h e p r e d i c t i o nb o u n d a r y a n d r e d u c e t h e i n f l u e n c eo f a r t i f a c t s．T h ee x p e r i m e n t a l r e s u l t so n t h e t e s t i n g d a t a s e t s h o wt h a t t h e c l o u d r e m o v a l e f f e c t o f p r o p o s e dm e t h o d e x c e e d s c l a s s i c a l m e t h o d s a n d t h e o r i g i n a l C o n t e x t E n c o d e r i n p e a k s i g n a lＧt oＧn o i s e r a t i oa n ds t r u c t u r e s i m i l a r i t y,a n de x p e r i m e n t so n i m a g e sw i t h r e a l c l o u d a r e aa l s o s h o w t h a t p r o p o s e dm e t h o d h a s l o w e r i n d i c a t o r s u n d e r b l i n d i m a g e q u a l i t y a s s e s s m e n t．F i n a l l y, t h e s p e e d i s f a s t e r t h a nc l a s s i c a lm e t h o d sa n de q u a l sC o n t e x tE n c o d e r,t h u s i th a sab e t t e r p r a c t i c a l a p p l i c a t i o n p r o s p e c t．K e y w o r d s:p l a t e a ua r e a;s a t e l l i t e i m a g e;c l o u d r e m o v a l;T HＧ１;D CＧG A N;t h e l e a s t s q u a r e摘㊀要:利用深度学习开展高原地区卫星影像去云是一个研究热点.本文提出了基于D C L SＧG A N的天绘一号卫星高原地区影像的去云方法,采用对抗学习的思想构建深度卷积对抗生成网络,自主学习影像中云覆盖部分的典型地表特征,从而恢复云覆盖下垫面形貌.基于E n c o d e rＧD e c o d e r结构生成网络,构建固定与可移动２种云区掩膜,在矩形固定中心掩模预训练之后进行随机位置云掩模迁移训练,使用最小二乘重建损失与交叉熵对抗损失的联合损失函数,用于精确修复云覆盖区域地表;基于C N N鉴别网络,判别生成影像的真实性.采用双线性插值提高云覆盖区域的修复精度,后处理使用泊松编辑处理平滑预测边界,减少伪迹的影响.在测试数据集上的试验结果表明,本文方法的总体去云效果在峰值信噪比㊁结构相似性与自然影像无参考质量评价算法指标上优于经典方法与原始C o n t e x tE n c o d e r,速度上较经典图像重建方法优势较大,具有较好的实际应用前景.关键词:高原地区;卫星影像;去云;天绘一号;深度卷积生成对抗网络;最小二乘中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２１)０２Ｇ０２４８Ｇ１２㊀㊀高原,地理上通常指海拔高度５００m以上的相对平坦或有一定起伏的地区,面积约占地球表面的４５％,其含氧量低㊁冰雪覆盖多的特点给人类活动带来诸多不便[１].由于地表约有６６．７％[２]被云层覆盖,连续无云影像难以获取,加之部分高原地区常年积雪㊁水汽多导致云覆盖程度较平原第２期郑㊀凯,等:D C L SＧG A N:利用生成对抗网络的天绘一号卫星高原地区影像去云方法更高,对其影像进行去云处理在应急救援等领域具有重大意义.当发生诸如泥石流㊁地震㊁山体滑坡等自然灾害或需要进行登山救援时,部分交通情况可能发生改变,无法应用已有历史影像分析判断受灾情况㊁规划救援道路,必须对现势性强的实时或近实时影像进行去云处理,实现应急地图的快速生产或应急路线的快速规划.近年来,学者们对影像去云进行了广泛研究,提出的方法大致可分为４类:多时相法㊁多光谱法㊁图像增强法及图像修复法.前３类方法的前置条件多㊁稳健性不强,比如多时相法需要不同时刻完全相同区域的影像,涉及图像配准操作并且时效性不强;多光谱法需要冗余的不同频段影像支持;图像增强法能提升可视效果,但对厚云去除收效甚微.图像修复法分传统的和基于机器学习的方法,传统的图像修复法直接利用本幅图像视觉真实和语义上合理的其余部分对云覆盖的部分进行替换,如文献[３]提出的基于样本块匹配算法,该算法结合了纹理合成和扩散填充,但只适用于背景以低频信息和重复性纹理为主的图像.另一类图像修复则基于机器学习,如文献[４]针对L a n d s a t影像提出了一种时空加权回归(s p a t i a l l y a n d t e m p o r a l l y w e i g h t e dr e g r e s s i o n,S TWR)模型,借助大量无云影像对不变相似像素的互补信息进行最优融合,从而生成连续的无云影像.近年来,深度学习技术为图像问题带来了新思路与新路径,可利用训练C N N网络学习到图像中缺失区域与其他部分之间复杂的函数关系.如文献[５]提出了一种基于深度卷积神经网络(s p a t i a l t e m p o r a l s p e c t r a lC N N,S T SＧC N N)的统一时空谱框架,采用统一的深卷积神经网络和时空谱补充信息相结合进行去云处理,能够对MO D I S和L a n d s a t卫星影像进行去云.２０１４年文献(I n t r i g u i n gp r o p e r t i e so f n e u r a l n e t w o r k s．a r X i v p r e p r i n t a r X i v:１３１２．６１９９,２０１３)首次提出深度学习对抗样本的概念,随后文献(h t t p s:ʊa r x i v．o r g/a b s/１５１１．０６４３４)提出一种无监督学习的网络模型生成对抗网络(G A N).该网络由生成网络和鉴别网络组成,生成网络用于合成缺失部分,而鉴别网络负责对图像质量进行判别,两个网络在与对方的对抗中提升自身的性能,实现影像数据特征分布的自主学习,很快成为国内外学者们的研究焦点[７Ｇ９].针对G A N训练过程不稳定的现实,２０１６年文献[１０]针对G A N进行了改进并利用C N N的优点,提出了深度卷积生成对抗网络(d e e p c o n v o l u t i o n a lＧg e n e r a t i v ea d v e r s a r i a ln e t w o r k s,D CＧG A N),将C N N引入生成网络与鉴别网络模型当中进行无监督训练,利用卷积网络强大的特征提取能力来提高生成网络的学习效果.在上述工作基础上,２０１６年文献[１１]提出上下文编码器Ｇ解码器语义修复网络(c o n t e x te n c o d e r),利用编码器中的C N N来学习图像中的语义特征,结合生成对抗网络学习样本数据的特征分布,从而生成图像的缺失部分,但该方法的修复结果缺乏精细的纹理细节,容易产生伪迹.目前图像修复法去云多是使用模拟云加云影像[１２]㊁低空无人机和地基摄影影像[１３],在真实卫星遥感影像上实现智能去云研究成果较少.本文数据集来自国产遥感卫星天绘一号[１４Ｇ１５],其影像比陆基获取的影像覆盖范围更广㊁目标结构特征更多样㊁纹理细节特征不明显.针对上述问题,本文提出了深度卷积最小二乘生成对抗网络(d e e p c o n v o l u t i o n a l l e a s t s q u a r eＧg e n e r a t i v ea d v e r s a r i a l n e t w o r k s,D C L SＧG A N)的遥感影像去云方法.试验证明,较传统方法而言,本文方法去云处理不依赖高光谱㊁不需要多时相,实时性㊁稳健性强,与文献[１１,１６Ｇ１７]方法的对比试验证明,本文方法从定性观察和定量分析上都能得到较优的云区修复效果,为卫星遥感影像的智能去云工作提供了新的途径.１㊀试验数据１．１㊀原始数据本文的研究对象是高原地区,研究数据来自天绘一号卫星２０１８２０１９年拍摄的中国高原地区R G B彩色遥感影像.考虑到不同地表类型㊁不同海拔高度以及不同时间段影像特征不同,为保证模型的泛化能力,选取涵盖不同下垫面㊁不同季节㊁不同时段的遥感影像共９００景.地理经纬度范围为２８ʎ３５ᶄE １２５ʎ３５ᶄE,８ʎ２５ᶄN ６５ʎ２５ᶄN,涵盖了高山㊁城镇㊁冰川㊁雪地等不同下垫面情况.典型的影像类型如图１所示.１．２㊀数据集建立(１)b m p影像生成.读取原始数据文件,将t i f格式四通道数据,保存为分辨率６０００ˑ６０００的．b m p 图像.(２)影像裁切.原始遥感影像幅面较大,网络训练时将影像裁切为４４８ˑ４４８大小,共选取９４２F e b r u a r y ２０２１V o l ．５０N o ．２A G C S h t t p :ʊx b ．s i n o m a ps ．c o m ８８２８张影像.图１㊀高原地区典型地表影像F i g ．１㊀T y p i c a l s u r f a c e o f p l a t e a ua r e a i nT H Ｇ１i m a ge (３)影像掩膜.在无监督预训练时使用白色矩形中心掩模模拟云覆盖区域[１３],掩膜大小为影像长宽的一半,训练模型修复影像中间部分的信息,如图２(b )所示;在迁移训练时使用可移动云掩膜(不超过影像面积的一半),重点提升模型修复图像边缘信息的能力,如图２(c)所示.图２㊀２种不同类型的云掩膜F i g．２㊀T w ok i n d s o f c l o u dm a s k (４)数据集划分.将裁切后的８８２８张影像按照１８ʒ３ʒ１的比例划分训练集㊁迁移训练集㊁测试集,得到训练集影像７１９５张,迁移训练影像１２１３张,测试集影像４２０张.２㊀基于D C L S ＧG A N 的去云网络设计针对传统图像修复的缺陷以及天绘一号遥感卫星影像的特征,本文基于D C ＧG A N 网络结构,设计最小二乘损失函数[１８]与交叉熵损失的联合损失函数,建立D C L S ＧG A N 遥感影像去云方法,实现对高原地区天绘一号卫星遥感影像的智能去云.首先在无云影像中使用矩形中心掩膜进行无监督预训练,而后使用可移动掩膜做迁移训练,提升训练的稳定性和生成结果的质量;同时,引入双线性插值和泊松编辑[１９]作为后处理消除生成区域与背景间的颜色差异和云区边缘修复时的伪迹,较好地保留了修复区域的细节特征.２．１㊀总体流程总体网络训练流程图３所示,生成网络G 的输入为有云影像z ,输出生成影像G (z ),G (z )与无云原图z ᶄ一起进入鉴别网络中进行对比,经过迭代训练,使得生成网络生成的影像逐渐逼近真实影像,最终使判别网络判断不出生成影像的真伪.利用训练好的模型进行去云的流程如图４所示,输入有云影像,寻找云区的最大外接矩形,矩形内部利用训练好的模型进行生成并经过双线性插值优化,无云部分利用原图进行替换,最后经过泊松图像编辑后处理得到预测结果.图３㊀D C L S ＧG A N 网络训练流程F i g ．３㊀F r a m e w o r ko fD C L S ＧG A Nn e t w o r k t r a i n i ng图４㊀训练完毕后去云操作流程F i g．４㊀C l o u d r e m o v a l f r a m e w o r kw i t h t r a i n e d g e n e r a t o r ０５２第２期郑㊀凯,等:D C L S ＧG A N :利用生成对抗网络的天绘一号卫星高原地区影像去云方法G A N 的网络训练是二元极小极大博弈的过程,鉴别网络D 不断学习真实无云影像和生成网络生成的假图像之间的区别并区分真假,而生成网络不断学习真实图像的特征分布从而产生逼真图像去欺骗鉴别网络,如(１)式所示㊀m i n G㊀m a x D{x ɪχ[l n (D (x ))]＋z ɪZ [l n (１－D (G (z )))]}(１)式中,z 为有云影像的集合;χ为对应的无云原图的集合;D (x )和D (G (z ))分别为鉴别网络对原图和修复图的分类标签值;为期望值.G A N 的训练过程即为对式(１)进行联合优化,目的是使D 将x 识别为真(值为１)而将G (z )识别为假(值为０),而G 努力阻止D 做出正确判断.在不断对抗学习下,G 和D 的性能都会得到提高,G 最终能生成人眼无法分辨的接近真实的无云影像.２．２㊀生成网络与鉴别网络生成网络基于编码器Ｇ解码器结构,编码器由５个卷积层组成,解码器由５个转置卷积层组成,负责提取原图特征并生成预测图.表１给出了生成网络的详细配置,其中c o n v ㊁d c o n v ㊁B N ㊁s t r i d e 和p a d d i n g 分别代表卷积㊁转置卷积㊁批标准化㊁卷积步长和卷积核填０,c o n v ４ˑ４表示卷积核的大小为４ˑ４,同理d c o n v ４ˑ４表示相同大小的核进行转置卷积,连接编码器与解码器的是与通道等宽的全连接层,并使用了步长为１的卷积模块,用于减少网络参数数量,其输入维度为８,输出维度为４０００,R e L u[２０]㊁t a n h 和L e a k y Re L u [２１]代表激活函数.表１㊀生成网络的结构T a b ．１㊀N e t w o r k s t r u c t u r e o f g e n e r a t o r模块参数设置编码器c o n v ４ˑ４,s t r ide ＝２,p a d d i n g＝１L e a k y R e L u ()ˑ１c o n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１B N ,L e a k yR e L u ()ˑ４全连接层i n p u t ＝８,o u t pu t ＝４０００解码器d c o n v ４ˑ４,s t r i de ＝１,p a d d i n g＝０B N ,R e L u()ˑ１d c o n v ４ˑ４,s t r i de ＝２,p a d d i n g＝１B N ,R e L u()ˑ３d c o n v ４ˑ４,s t r i de ＝２,p a d d i n g＝１B N ,t a n h()ˑ１鉴别网络基于C N N 结构,由６个卷积层组成,负责判断生成的图像真伪.考虑到池化操作会造成特征信息的丢失,本文在生成网络㊁鉴别网络中使用空洞卷积替换(M u l t i Ｇs c a l e c o n t e x t a g g r e ga t i o nb y d i l a t e dc o n v o l u t i o n s ．a r X i v p r e pr i n t a r X i v :１５１１．０７１２２,２０１５)池化,在扩大感受野的同时不丢失图像的细节信息;利用B N 操作使特征输出归一化,加速训练并使得网络训练更稳定,但是文献[１３]指出,在网络所有层都加上B N 会使训练过程震荡,在生成网络G 的输出层不使用B N 能有效避免该问题,本文采用了这一策略.鉴别网络中的激活函数L e a k y R e L u ,将输出层最后的S i g m o i d 激活函数[２２]结合到交叉熵损失中用防止梯度消失.鉴别网络的参数设置如表２所示.表２㊀鉴别网络的结构T a b ．２㊀N e t w o r k s t r u c t u r e o f d i s c r i m i n a t o r模块参数设置下采样co n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１L e a k yR e L u æèçöø÷ˑ１co n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１L e a k yR e L u æèçöø÷ˑ３co n v ４ˑ４,s t r i d e ＝３,p a d d i n g ＝１B N ,L e a k yR e L u æèçöø÷ˑ１c o n v ４ˑ４,s t r ide ＝２,p a d d i n g＝０()ˑ１２．３㊀损失函数针对G A N 训练过程过于自由而导致梯度消失或梯度爆炸等问题,许多学者提出了改进的方法.文献[２３]提出W G A N 模型,利用W 距离代替J S 散度并加入梯度惩罚来描述两个分布之间的距离,文献[１８]提出了L S ＧG A N ,利用最小二乘损失描述两个分布之间的距离,能够在两个数据分布距离较远的情况下仍能反映距离的远近程度,防止因为S i g m o i d 损失处于饱和状态以及J S 散度为常数而导致的梯度为０的情况,解决训练的稳定性问题,提高G A N 生成图像的质量.鉴别网络与生成网络的最小二乘损失函数如式(２)㊁式(３)所示㊀㊀m i n D J (D )＝m i n D １２E x ~P r [D (x )－b ]２＋１２E z ~P z [D (G (z ))－a ]２(２)m i n G J (G )＝m i n G １２E z ~P z [D (G (z ))－c ]２(３)式中,P r 是真实影像集的样本分布;P z 是生成网络产生的影像集样本分布;D (x )和D (G (z ))分别为鉴别网络对原图和修复图的分类标签值.常数a ㊁b 分别表示生成图片和真实图片的标记;c 是生成网络为了让判别网络认为生成图像是真实数据而定的值.文献[１８]指出,当b －c ＝１,b －a ＝２时,目标函数等价于皮尔森卡方散度１５２F e b r u a r y２０２１V o l．５０N o．２AG C S h t t p:ʊx b．s i n o m a p s．c o m(P e a r s o nχ２d i v e r g e n c e),一般取a＝－１,b＝１, c＝０或a＝－１,b＝c＝１.本文令a＝－１,b＝１,鉴别网络的损失函数如式(４)所示㊀m i n D J(D)＝m i n D１２E x~P r[D(x)－１]２＋１２E z~P z[D(G(z))＋１]２(４)令c＝０,生成网络的重建损失J(G)１为最小二乘损失,如式(５)所示J(G)１＝[(^M☉(x－G((１－^M)☉x))]２(５) ^M为代表缺失区域的二值的掩膜图(像素值为１表示丢弃,０表示输入);☉表示矩阵点乘;x表示真实图像像素;G(x)为生成网络的输出.由于最小二乘损失只能刻画云覆盖区域整体结构与背景的一致性,输出的结果表征多种数据模式的平均值,因此结果较模糊,无法精确还原细节,故加入对抗损失J(G)２用以还原细节信息,如式(６)所示㊀㊀J(G)２＝m a x D xɪP r[l n(D(x)＋l n(１－G((１－^M)☉x))](６)从而生成网络的联合损失函数如式(７)所示J(G)t o t＝λ J(G)１＋(１－λ) J(G)２(７)式中,λ为权值,文献[１３]经过交叉验证,λ取０．００１时效果最好,本文λ取０．００１,１－λ为０．９９９.２．４㊀双线性插值与泊松编辑后处理本文在云覆盖区域进行去云处理时,在输出像点像素前使用了双线性插值,利用待求点临近的４个像素点的像素值进行插值,得到待求像点的像素值,提高还原精度与可视效果.双线性插值公式如式(８)所示f(x,y)ʈf(Q１１)(x２－x１)(y２－y１)(x２－x)(y２－y)＋f(Q２１)(x２－x１)(y２－y１)(x－x１)(y２－y)＋f(Q１２)(x２－x１)(y２－y１)(x２－x)(y－y１)＋f(Q２２)(x２－x１)(y２－y１)(x－x１)(y－y１)(８)式中,Q１１㊁Q２１㊁Q１２㊁Q２２分别为像点(x,y)左下㊁右下㊁左上㊁右上相邻的４个像点.本文使用泊松图像编辑作为后处理改善修复部分边界的色彩差异,其主要思想是把原始含云影像的梯度信息赋予到生成影像上,使生成部分与整体影像更加相似.泊松方程如式(９)所示Δf＝Δ２u(９)式中,Δ为拉普拉斯算子;f为目标区域内的像素值;Δ２为散度;u为原始影像中的待修复区域.２．５㊀网络优化算法步骤在训练生成网络和鉴别网络时,先固定生成网络,训练鉴别网络,按照每训练１次生成网络㊁训练５次鉴别网络的策略,平衡最小二乘损失函数优化下的D C L SＧG A N训练的波动.网络优化的算法步骤如表３所示.２．５．１㊀参数设置A d a m优化器超参数＝(０．００２,０．９,０．９９９),批训练大小m＝８,生成网络迭代次数＝３００(２００＋１００),生成网络每迭代１次时判别网络的迭代次数＝５;输入:原始影像数据集X＝(x１,x２, ,x n),加入云掩膜的影像数据集Xᶄ＝(xᶄ１,xᶄ２, ,xᶄn)m,T g,T d,(α,β１,β２)t＝０,１, ,T d;输出:生成网络生成的影像.２．５．２㊀训练步骤初始化生成网络参数θ和判别网络参数ω;W h i l eθh a sn o t c o n v e r g e dd o;f o r t＝０, ,T d d o;s a m p l e{x i}m i＝１~rʊ从真实影像中取样;gωѳΔω[１mðm i＝１fω(X i)－１mðm i＝１fω(gθ(Xᶄi))];ωѳω＋l r A d a m(ω,gω);e n df o r;gθѳ－Δθ１mðm i＝１fω(gθ(Xᶄi));θѳθ－l r A d a m(θ,gθ);e n dw h i l e．３㊀试验与分析３．１㊀试验数据与平台训练数据集共８４０８张,划分情况如表３所示,影像大小均为４４８ˑ４４８;测试数据集４２０张,并额外使用５０张真实云覆盖的天绘一号卫星影像作为无参考试验数据.试验硬件为联想深度学习工作站,C P U主频为２．１G H z的英特尔X e o n 处理器,显卡为英伟达T i t a nx p图形处理器,使用P y T o r c h１．０框架搭建深度学习模型.表３㊀训练集划分T a b．３㊀T r a i n s e t p a r t i t i o n训练阶段影像总数雪山冰川居民地无监督训练７１９５２７８０２４２０１９９５迁移训练１２１３４６１４４８３０４３．２㊀训练过程与结果训练采取无监督训练＋迁移训练的策略进行,同时采取数据增强策略对输入影像进行随机上２５２第２期郑㊀凯,等:D C L SＧG A N:利用生成对抗网络的天绘一号卫星高原地区影像去云方法下翻转㊁水平翻转.无监督训练时,使用白色矩形中心掩膜影像进行,完成白色矩形中心掩膜影像数据的训练后,保存预训练模型,在此基础上采用随机位置矩形掩膜的数据集进行迁移训练,按相等概率将掩膜覆盖在迁移训练数据集的左上㊁右上㊁左下㊁右下位置,提高特征学习的泛化能力,无监督训练共进行了２００轮,迁移训练进行了１００轮.图５为无监督训练过程与结果,图５(a)为生成网络与鉴别网络的损失图,图５(b)为第１轮输入影像,图５(c)是第１轮训练的生成影像,图５(d)为第２００轮训练时的输入影像,图５(f)为第２００轮训练的生成影像.可见,训练初始阶段,影像修复质量较差;训练２００轮后,修复质量已明显提高,但此时网络倾向于学习中心掩膜边界附近的低层次特征,生成网络对影像四周的特征利用不够,仍具有边界伪迹.图５(g)为训练２００轮的结果局部放大(修复部分位于影像中央),此时人眼已难辨认生成影像与原始影像的真假.随着训练次数的增加,鉴别网络判别真假样本的能力越来越强而生成网络的预测结果越来越接近真实样本.图５㊀无监督训练过程与结果图F i g．５㊀P r o c e s s a n d r e s u l t s o f u n s u p e r v i s e dＧt r a i n i n g３５２F e b r u a r y２０２１V o l．５０N o．２AG C S h t t p:ʊx b．s i n o m a p s．c o m㊀㊀图６为迁移训练过程与结果,图６(a)为生成网络与鉴别网络的损失图,图６(b)为第１轮输入影像,图６(c)是第１轮训练的生成影像,图６(d)为第１００轮训练时的输入影像,图６(e)为第１００轮训练的生成影像.图６(c)可见,无监督中心掩膜训练完毕后,对影像边缘部分的特征学习还不够好,所以在迁移训练初始阶段,影像边缘修复质量较差;训练１００轮后,修复质量已明显提高.图６(g)为训练１００轮的结果局部放大,此时人眼已难辨认生成影像与原始影像的真假.随着迁移训练次数的增加,鉴别网络与生成网络的损失趋于平稳,且波动较小,说明网络已经学习到训练数据集的特征,预测结果更加接近真实样本.图６㊀迁移训练过程与结果F i g．６㊀P r o c e s s a n d r e s u l t s o f t r a n s f e rＧt r a i n i n g３．３㊀对比与分析将模拟加云的测试影像输入训练好的D C L SＧG A N模型,得到初步去云结果,但生成的去云影像会在背景和边界部分产生一些颜色差异４５２第２期郑㊀凯,等:D C L S ＧG A N :利用生成对抗网络的天绘一号卫星高原地区影像去云方法和伪迹.本文采用泊松图像编辑作为后处理方法,处理结果如图７所示.可见,泊松图像编辑可以有效去除重建区域内部的对比度不一致以及重建区域与原图拼接缝的伪迹问题.为验证本文方法的优越性,采用对比试验的方法,选取２种经典的非机器学习类图像修复方法[１６Ｇ１７]以及原始C o n t e x tE n c o d e r 网络[１１]与本文方法进行对比,其中,C o n t e x tE n c o d e r 网络训练条件与本文方法一致,文献[１６１７]方法参数设置与原作一致.首先使对测试集中的３类典型高原地表影像进行测试,本文方法与对比方法的去云结果如图８图１０所示.图７㊀泊松编辑后处理对比F i g ．７㊀C o m p a r i s o n r e s u l t s o fP o i s s o n i m a g e e d i t i ng图８㊀雪山的去云结果对比F i g ．８㊀C o m pa r i s o no f p r o c e s s e d r e s u l t s o f s n o w m o u n t a i n ㊀㊀观察图８图１０,可以发现传统方法在纹理平滑区域的修复效果视觉感受上较好,但修复结果不具备语义正确性,且效果稳健性差,另外在修复区域四周的伪迹十分明显,基于D C ＧG A N 方法在视觉真实性和语义正确性上都远远优于传统方法.为了定量分析本文方法的效果,采用峰值信噪比(P S N R )[２３]与结构相似性(S S I M )[２４]两类影像质量评价指标对１５０张测试集影像(３种地表各５０张)定量分析去云效果,结果如表４所示.P S N R 值越大㊁S S I M 值越接近１代表去云结果影像与原始影像越相似.从表４可知,本文方法的总体结果优于对比方法.虽然在居民地的修复上本文方法P S N R 值略低于C o n t e x tE n c o d e r,但C o n t e x tE n c o d e r 修复的图像纹理不正确(修复出的纹理属于雪山纹理,如图１０第３㊁第４张影像所示),与居民地纹理不符,总体色彩上本文方法更接近原图;在冰川修复上S S I M 值略低于传统方法,其原因是大部分冰川表面比较平滑,所以传统方法修复结果结构上与原图相似,但缺少纹理５５２F e b r u a r y ２０２１V o l ．５０N o ．２A G C S h t t p :ʊx b ．s i n o m a ps ．c o m 细节,且总体上白色伪迹较多(如图９所示).本文方法的总体修复结果在细节上优于C o n t e x tE n c o d e r.为进一步验证本文方法的有效性,在定量指标计算的基础上,对２０张真实云覆盖的测试影像(４４８ˑ４４８像素)进行对比试验,选取５张含不同大小㊁不同形状真云的影像对比如图１１所示.图９㊀冰川的去云结果对比F i g ．９㊀C o m pa r i s o no f p r o c e s s e d r e s u l t s o f g l a c i er 图１０㊀居民地的去云结果对比F i g ．１０㊀C o m pa r i s o no f p r o c e s s e d r e s u l t s o f r e s i d e n t a r e a ６５２第２期郑㊀凯,等:D C L S ＧG A N :利用生成对抗网络的天绘一号卫星高原地区影像去云方法表４㊀测试集去云效果对比值T a b ．４㊀C o m pa r i s o no f c l o u d r e m o v a l e f f e c t s 样本类型评价指标文献[１６]方法文献[１７]方法C o n t e x tE n c o d e r本文方法雪山P S N R １７．７３０１１６．６２７２６．５１９２６．９５７S S I M０．８５７０．８４９０．８９４０．８９７冰川P S N R １７．０５８㊀１７．１５５２１．５０４２１．６６１S S I M ０．８２１０．８２８０．８１６０．８２０居民地P S N R １７．２４１㊀１６．３７３２２．６８５２２．２８３S S I M ０．８１７０．８０８０．８３７０．８４１图１１㊀典型地表的真实去云结果对比图F i g ．１１㊀C o m p a r i s o no f c l o u d r e m o v a l r e s u l t s i n t y pi c a l a r e aw i t h r e a l c l o u d ㊀㊀由于测试数据集中真实含云影像无对应的无云原图作为参考,所以采用无参考的影像质量评价方法作为评价指标,本文采用自然影像无参考质量评价算法(N I Q E )[２５]指标作为评价依据,N I Q E 使用质量完好的与测试数据同一分布训练图像的图像块N S S 特征拟合得到多元高斯(m u l t i v a r i a t eG a u s s i a n )模型,进而利用训练好的模型对测试图像进行评价,指标越小代表与训练数据集的误差越小㊁质量越好.本文使用N I Q E模型参数为:图像块(b a t c h s i z e )＝１９２ˑ１９２,锐度阈值(s h a r pn e s st h r e s h o l d )＝０．７５,训练数据３６２张无云原图由训练集中随机抽取.试验结果见表５.由图１１与表５可知,本文方法不仅在主观目视效果上表现较好,且N I Q E 评价指标优于原始C o n t e x tE n c o d e r,验证了本文方法的优越性.另外,在５０张测试集上进行了时间开销对比,本文方法与对比方法对１张影像的平均去云时间开销７５２F e b r u a r y２０２１V o l．５０N o．２AG C S h t t p:ʊx b．s i n o m a p s．c o m 如表６所示.表５㊀无参考影像质量评价结果对比㊀T a b．５㊀C o m p a r i s o no f n o nＧr e f e r e n c e i m a g e q u a l i t ye v a l u a t i o n s评价指标对比方法雪山冰川居民地N I Q E C o n t e x tE n c o d e r６．１４７５．９３１４．５１６本文方法５．７０６５．０４３４．２０２表６㊀不同算法时间开销对比T a b．６㊀T i m e c o s t c o m p a r i s o no f d i f f e r e n t a l g o r i t h m s评价指标文献[１６]方法文献[１７]方法C o n t e x tE n c o d e r本文方法平均耗时/s１６５９．５１１６．４２．７３．１传统方法[１６Ｇ１７]未采用深度学习技术,无法学习到数据集的高级语义特征,其去云性能稳健性不强.文献[１６]采用的是图像金字塔重建修复法,耗时最长;文献[１７]采用的修复方法涉及特征点匹配,耗时也较长;本文方法由于加入了泊松图像编辑后处理,耗时略高于原始C o n t e x t E n c o d e r.另外,本文方法训练３５０轮总耗时３０h ３２m i n,但是利用事先训练好的模型进行去云处理时,处理速度远高于非深度学习方法,具有较高的去云效率.４㊀结㊀论长期以来,遥感影像去云是遥感图像处理的研究热点.本文针对高原高寒地区天绘一号卫星遥感影像的去云处理,提出了一种D C L SＧG A N 去云方法,将卫星影像去云和图像修复联系起来,基于深度卷积对抗生成网络对云覆盖区域进行修复.在原始的D CＧG A N中引入联合最小二乘与交叉熵对抗损失的联合损失函数,生成网络基于E n c o d e rＧD e c o d e r结构,鉴别网络基于C N N,生成的结果经过双线性插值处理后再经过泊松图像编辑后处理,在天绘一号卫星高原地区影像数据集上得到的去云结果在目视效果与定量评价指标与算法耗时上都取得了良好成绩.试验结果表明:相比传统非深度学习图像修复方法与原始C o n t e x tE n c o d e r网络,本文提出的D C L SＧG A N 模型能够有效学习数据集的特征分布,联合损失函数有助于提高去云重建的精度,泊松图像后处理有助于平滑图像,减少云区边缘的伪迹㊁调整色彩分布,为高原高寒地区云雪混杂影像的去云处理提供了新的路径.本文所提出的去云算法还有进一步改进的空间.比如,当影像中云覆盖的部分超过影像大小一半时,生成的去云结果不佳,原因是云覆盖了大部分影像信息,无法利用已知信息对其进行重建.另外,去云重建区域内的视觉真实性和语义一致性还有进一步提高的空间.下一步研究的方向包括将后处理过程融入端到端网络进行训练以及将基于深度学习的自动云检测算法融入去云算法框架中,满足实际工业生产需要.参考文献:[１]㊀葛均波,徐永健．内科学[M]．８版．北京:人民卫生出版社,２０１３:９２３Ｇ９２７．G EJ u n b o,X U Y o n g j i a n．I n t e r n a lm e d i c i n e[M]．８t he d．B e i j i n g:P e o p l e s H e a l t h P u b l i s h i n g H o u s e,２０１３:９２３Ｇ９２７．[２]㊀Z H UZ h e,W O O D C O C KCE．A u t o m a t e d c l o u d,c l o u d s h a d o w,a n ds n o w d e t e c t i o ni n m u l t i t e m p o r a l L a n d s a td a t a:a na l g o r i t h m d e s i g n e ds p e c i f i c a l l y f o r m o n i t o r i n g l a n dc o v e rc h a n g e[J]．R e m o t eS e n s i n g o fE n v i r o n m e n t,２０１４,１５２:２１７Ｇ２３４．[３]㊀C R I M I N I S IA,PÉR E ZP,T O Y A M A K．R e g i o n f i l l i n g a n d o b j e c t r e m o v a lb y e x e m p l a rＧb a s e di m a g ei n p a i n t i n g[J]．I E E E T r a n s a c t i o n so nI m a g eP r o c e s s i n g,２００４,１３(９):１２００Ｇ１２１２．[４]㊀C H E N B i n,HUA N GB o,C H E N L i f a n,e t a l．S p a t i a l l ya n dt e m p o r a l l y w e i g h t e dr e g r e s s i o n:an o v e l m e t h o dt op r o d u c e c o n t i n u o u s c l o u dＧf r e eL a n d s a t i m a g e r y[J]．I E E ET r a n s a c t i o n so n G e o s c i e n c ea n d R e m o t eS e n s i n g,２０１７,５５(１):２７Ｇ３７．[５]㊀Z HA N G Q i a n g,Y U A N Q i a n g q i a n g,Z E N G C h a o,e t a l．M i s s i n g d a t a r e c o n s t r u c t i o n i nr e m o t e s e n s i n g i m a g ew i t ha u n i f i e d s p a t i a lＧt e m p o r a lＧs p e c t r a l d e e p c o n v o l u t i o n a ln e u r a l n e t w o r k[J]．I E E E T r a n s a c t i o n so nG e o s c i e n c ea n dR e m o t eS e n s i n g,２０１８,５６(８):４２７４Ｇ４２８８．[６]㊀G O O D F E L L OWI J,P O U G E TＧA B A D I EJ,M I R Z A M,e t a l．G e n e r a t i v e a d v e r s a r i a l n e t s[C]ʊP r o c e e d i n g sof t h e２７t h I n t e r n a t i o n a l C o n f e r e n c e o nN e u r a l I n f o r m a t i o nP r oＧc e s s i n g S y s t e m s．M o n t r e a l:N I P S,２０１４:２６７２Ｇ２６８０．[７]㊀林懿伦,戴星原,李力,等．人工智能研究的新前线:生成式对抗网络[J]．自动化学报,２０１８,４４(５):７７５Ｇ７９２．L I N Y i l u n,D A IX i n g y u a n,L IL i,e t a l．T h e n e wf r o n t i e ro fA I r e s e a r c h:g e n e r a t i v ea d v e r s a r i a ln e t w o r k s[J]．A c t aA u t o m a t i c aS i n i c a,２０１８,４４(５):７７５Ｇ７９２．[８]㊀赵树阳,李建武．基于生成对抗网络的低秩图像生成方法[J]．自动化学报,２０１８,４４(５):８２９Ｇ８３９．Z HA O S h u y a n g,L I J i a n w u．G e n e r a t i v e a d v e r s a r i a ln e t w o r k f o r g e n e r a t i n g l o wＧr a n ki m a g e s[J]．A c t a A u t oＧm a t i c aS i n i c a,２０１８,４４(５):８２９Ｇ８３９．８５２。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

天绘一号卫星影像数据
天绘一号是中国第一代传输型立体测绘卫星主要用于科学研究国土资源普查地图测绘等领域的科学试验任务，由航天东方红卫星有限公司研制，采用了CAST 2000卫星平台，一体化集成了三线阵CCD相机、2米高分辨率全色相机和多光谱相机等3类5个相机载荷，是当时中国有效载荷比最高的高分辨率遥感卫星。

天绘一号还形成了中国第一个完全自主产权和国产化的集数据接收、运控管理、产品生产和应用服务为一体的地面应用系统。

产品介绍
1A级：原始数据经过相对辐射校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

2级：1A级数据产品利用系统参数经过几何校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

1B级：1A级数据产品经过摄影测量处理后得到的卫星影像产品，包括影像数据、元数据、RPC参数和浏览图。

3A级：1A级数据产品利用系统参数和地面控制点经过几何校正后得到的卫星影像产品，包括影像数据、元数据和浏览图。

正射影像（DOM）：1B级数据产品经过摄影测量纠正处理形成的卫星影像产品，包括影像数据、元数据和浏览图。

数字高程模型（DEM）：1B级三线阵数据产品经过摄影测量匹配与编辑处理形成的描述地球表面起伏的格网数据产品，包括栅格数据、元数据和浏览图。

数据应用
地面应用系统
地面应用系统是天绘一号卫星系统工程的重要组成部分，是发挥卫星应用效能的主要环节。

天绘一号卫星地面应用系统已具备了规模化生产的能力，生产了多类卫星影像产品和地理信息产品，多种卫星影像产品和地理空间信息产品。

由中国测绘科学研究院2011年发布“天绘一号卫星”的数据处理报告结论显示，天绘一号达到设计要求，可以为国民经济建设提供相应的数据支持：
（1）天绘一号可提供真正的5.0米分辨率同轨三线阵立体成像，前后视基线高度比约为0.6，且影像质量较好，有利于立体观察和自动影像匹配，须采用一定的影像预处理算法对原始影像进行增强处理。

（2）天绘一号数据存档情况较好，现势性较好；其中高分辨率影像分辨率为2.0米。

有利于进行1：50000数字高程模型（DEM）、数字线划图（DLG）的内业采集。

（3）天绘一号三线阵标准景影像（60×60km2），区域网平差精度应可以满足我国1：50000测图的要求。

（4）天绘一号三线阵影像数据的分辨率较高，可以获得更高分辨率的DEM数据（理论上最高可获得25.0米间隔DEM），从天绘卫星影像数据中得到的DEM对地貌细节的表达好，精度高，有利于1：50000 DEM数据的自动采集。

应用成果
截至2013年12月底，天绘一号卫星先后为各类用户提供数据913批次82995景29878.2万平方公里。

为国土测绘、交通运输、城市规划、资源普查、灾害监测等部门120家用户提供大量各级各类遥感影像数据，广泛应用于国土资源调查、农业估产、林业调查、地图测绘、海洋环境监测、城市土地利用等领域。

在应对重大自然灾害方面积极作为：2013年下半年为黑龙江萝北水灾、甘肃定西地震紧急启动应急响应机制，制定摄影计划并连夜接收处理数据，主动向水利部、国土资源部、国家应急办等相关部委提供天绘影像保障。