面向ROI的高分辨率光学卫星遥感影像快速处理方法研究

王 艳，赵薇薇，朱 映，刘 鹏，张致齐

(1.北京市遥感信息研究所，北京 100011;2.武汉工程大学 电气信息学院，武汉 430074;3.湖北工业大学 计算机学院，武汉 432200)

0 引言

近年来，遥感对地观测技术飞速发展，已步入数据获取手段多样化和信息海量化的新时代。我国高分辨率对地观测(遥感)系统重大专项现已全面启动，到2020年，我国新研制数十颗高分辨率遥感卫星，实现30～50 颗遥感卫星同时在轨工作，保守估计每天获取的数据量将达到数百个TB[1]。为了不断提升遥感卫星应用效能，高分辨率、宽覆盖、多光谱成像是当今和未来遥感对地观测发展的主要目标之一，其显著特点是获取的数据量呈几何级数增长[2]。以我国正计划研制的空间分辨率为1 m、幅宽为100 km的高分辨率光学遥感卫星为例，其获取的单景影像的数据量将达到20 GB。

随着遥感卫星空间分辨率和成像幅宽的不断提升，海量遥感影像快速处理一直是国内外学者及高时效用户关注的热点问题。众多学者在遥感影像如何快速处理的理论和方法上开展了研究。目前，国际上解决海量数据计算和实时处理算法时主要采用以图形处理单元(GPU)为主的并行处理器方案，CPU/GPU异构系统作为当今高性能计算平台的典型代表具有很大的发展潜力[3]。方留杨[4]基于CPU/GPU异构处理环境探讨光学卫星遥感数据高性能处理理论和方法；薄涛[5]基于GPU实现了雷达影像加速处理；张哲[6]采用CPU+GPU的架构实现了归一化差分植被指数(NDVI)快速提取。随着对实时处理能力及时效性要求不断提高，遥感卫星要实现实时服务，除了提高处理能力和优化处理算法外，在服务模式上也要不断创新[7]。

对于光学遥感卫星地面处理系统，传统的核心数据处理流程主要按标准景方式组织产品生产，随着高分辨率卫星空间分辨率的不断提高，单景目标产品数据量通常可以达到几十GB，其大侧摆大俯仰条件下的融合产品甚至达到上百GB，受计算资源、存储设备IO、网络带宽、用户终端单机性能等方面的限制，数据量过大所带来的问题日益凸显。因此，传统方法从原始数据接收、分景编目、标准景产品生产到裁切出感兴趣目标区域(Region of Interest，ROI)耗时过长，无法满足高时效用户日常工作需求。

针对海量遥感数据处理不及时,难以满足高时效用户应用需求的问题，本文开展面向ROI的高分辨率光学卫星遥感影像快速处理方法研究，对用户应用感兴趣区域进行快速定位，确定其在原始数据中的位置，进一步对ROI原始数据进行相对辐射校正、传感器校正、系统几何纠正处理，并基于GPU对处理算法进行并行加速，高效地完成具有地理编码的高质量遥感影像输出。

1 面向ROI的高分影像快速处理方法

1.1 ROI快速定位

ROI定位需要根据任务指令中指定的ROI中心的经纬度和尺寸，反算整个ROI在原始影像上的覆盖范围，从而对该区域进行后续处理。高分辨率光学卫星通常采用时间延迟积分(Time Delay Integration，TDI)CCD作为成像器件，通过线阵推扫获取条带数据。由于每一行成像数据所对应的姿态和轨道数据不同，导致每一行影像的严密成像几何模型各不相同，通过经纬度坐标反算图像坐标需要迭代进行[8,12]。为了保证定位效率，本文采用三维放射变换模型替代严密成像模型，如下式：

s=a0+a1B+a2L+a3H

l=b0+b1B+b2L+b3H

(1)

式中，(a0,a1,a2,a3,b0,b1,b2,b3)为仿射变换系数，(s,l)为图像坐标，对应列号和行号，(B,L,H)为经纬度坐标和高程。

ROI快速定位以原始影像条带数据持续输入，从T0时刻开始，每隔Δt时间，对当前成像区域位置进行实时计算，算法原理及流程如图1所示。

图1 ROI快速定位示意图

具体步骤包括：

(1)建立当前成像行的严格成像模型；

(2)计算当前行首尾端点的地理坐标，得到点p0,q0；

(3)T1=T0+Δt时刻，重复上述1、2步骤，得到点p1,q1；

(4)判断ROI中心点是否位于矩形(p0,q0,p1,q1)内，如不是，则Δt时间后继续重复上述计算；

(5)如ROI中心点位于矩形(pi,qi,pi+1,qi+1)内，进一步计算该点准确图像坐标和ROI区域范围(起止行号、起止列号)。

1.2 ROI影像相对辐射校正处理

相对辐射校正是利用相对辐射校正系数消除影像中的系统条带噪声。由于在轨环境变化，实验室积分球数据不再有效，通常相对辐射校正系数根据在轨统计法获取，并建立相对辐射校正系数查找表。面向ROI的相对辐射校正，即根据ROI快速准确定位结果，获取ROI区域对应图像的探元成像范围，并依据成像增益、级数信息，查找对应相对辐射校正系数，然后根据下式计算校正后影像灰度：

(2)

式中，DNcali为相对辐射校正后第i号探元的DN值;DNrawi为原始图像第i号探元的DN值;Bi为第i号探元的偏移值;NGi为第i号探元的归一化増益。增益值在1.0左右，保证定标后的DN值范围与原始数值的范围基本一致。

1.3 ROI影像传感器校正

区别于传统以景为单位的影像传感器校正，ROI影像传感器校正在成像时间和成像空间范围上更加灵活，因此，对ROI影像进行传感器校正时，需要依据成像范围动态构建传感器模型。为了保证ROI传感器校正精度，在ROI成像范围内依然要考虑平台震颤引起的姿态抖动、影像变形问题[9]；在ROI覆盖多片CCD影像时需要考虑影像拼接问题；对于多光谱影像，还需要考虑多光谱影像配准问题[10]；镜头畸变和CCD变形引起的影像畸变问题[11]等。

为了校正这些因素带来的影响，本文采用基于虚拟CCD稳态重成像原理在ROI成像范围内动态建立高精度的传感器校正模型，利用原始严密成像模型和传感器校正模型的几何定位一致性，建立原始影像与虚拟稳态重成像的坐标映射关系，校正原始影像变形，并解决影像拼接、多光谱影像配准的问题，同时可获取ROI传感器校正影像的高精度有理函数模型(rational function model，RFM)[13]，便于后续处理与应用。

(1)全视场虚拟CCD几何成像模型构建。首先基于原始多片CCD建立覆盖整景影像范围的全视场虚拟CCD的内方位元素模型，并依据成像时间进一步建立其几何成像模型。

(2)动态ROI传感器校正模型建立。区别于全视场的传感器校正，动态ROI传感器校正是在ROI快速确定其成像时间范围和空间范围基础上，针对ROI成像区域进行传感器校正(如图2中红色区域)，避免对ROI范围外的数据进行处理，降低冗余数据处理。依据ROI地理范围，通过全视场虚拟CCD的几何成像模型反算得到ROI在全视场虚拟CCD的起始探元号，最后以全视场虚拟CCD的起始探元号对应的内方位参数作为动态虚拟CCD的内方位参数，建立传感器校正模型。

图2 动态ROI传感器校正模型构建示意图

(3)传感器校正处理。在校正模型建立的基础上，通过原始影像和校正后影像的坐标映射关系即可重采样得到传感器校正影像，即获取到ROI传感器校正影像及其精确的RPC文件。

2 基于GPU的ROI影像快速处理流程

GPU计算性能高、功耗低、软硬件架构通用，可在受限环境下提供高性能计算能力，成为国际上解决大数据计算和实时处理问题的主流方案[14]。遥感影像具有天然的并行计算优势，可使用GPU进行并行加速处理，进一步提高ROI影像处理效率。本文实验平台的GPU都为NVIDIA系列GPU，因此选择CUDA作为通用计算模型。为了避免传统处理基于分景编目再根据分景信息处理影像产品标准生产模式不灵活，难以满足快速处理需求的问题，直接基于原始0级数据进行处理，根据ROI位置信息，在原始数据中解析和定位，有针对性地进行数据处理，同时对于其中涉及的辐射校正、传感器校正以及系统几何校正等具有并行特点的环节进行GPU加速处理。面向ROI快速处理具体流程如图3所示。

图3 面向ROI的快速处理流程

3 实验与分析

该方法采用Microsoft Visual Studio 2012 C++实现，在Linux 3.10.0操作系统下实现编译和执行。实验计算机CPU为Intel Core i7-8750H、6C12T，主频2.20 GHz，内存264 GB，显卡NVIDIA Tesla K40m。为了验证文本提出方法的可行性与可靠性，对四型光学卫星数据ROI影像处理效率进行统计，得到了不同类型ROI影像处理平均时间，如表1所示。

表1 不同类型ROI影像处理平均时间统计结果

本项目提出的方法是按照ROI来组织产品生产的，统计的耗时是从ROI区域定位到ROI大小影像生成的时间，传统方法是按照标准景方式组织产品生产的。统计的耗时是从标准产品生产到ROI影像生成的时间，将两种方法处理耗时进行比较，分析效率、提升水平。对比结果如表2所示。

表2 产品生产环节效率对比分析

实验结果表明，本文处理方法可以有效提升ROI影像处理效率，ROI影像处理时间最少仅为传统方法的1/5，效率提升百分比最高可达83.22%，最低可达59.38%。

4 结束语

本文针对海量光学卫星遥感影像难以满足高时效用户需求的问题，设计了一种面向ROI的高分辨率遥感影像快速处理方法。基于GPU加速平台，通过ROI快速定位、辐射校正、传感器校正和系统几何校正多个环节处理，快速得到具有地理编码的高质量图像。通过多颗高分辨率遥感卫星数据对比分析，本文提出的方法最高可将处理效率提升5倍。基于该处理模式，以后继续研究针对不同成像设计卫星数据优化处理方法，以期进一步提高处理效率，满足更加快速的应用需求。