建立非常高分辨率的卫星数据地表模型

数字地表模型(DSM)是一种通用的摄影测量产品，在测绘和地理信息系统(GIS)领域得到了广泛的应用。根据H. Hirschmüller在2005年发明的半全局匹配(SGM)算法，立体对是逐像素匹配的，导致了非常密集的DSM。非常高分辨率的卫星(VHRS)成像传感器提供高达0.3m地面采样距离(GSD)的立体图像。VHRS数据的主要优点是数据覆盖范围比传统机载数据大得多。因此，VHRS图像是一个很有前途的选择，以生成三维点云和dsm。最近的一项研究将其与ISPRS激光雷达基准数据进行了比较。

为了验证VHRS算法，ISPRS关于光学星载传感器几何和辐射建模的第I/4工作组提供了加泰罗尼亚(西班牙)一个地区的VHRS基准数据集。基准数据由加泰罗尼亚制图研究所(ICC)进行激光扫描，并作为参考数据集。

斯图加特大学摄影测量研究所使用他们自己的处理算法，将0.5m GSD的Worldview-1 (WV-1)数据集应用到ISPRS基准。该数据采集于2008年8月29日，立体声角度为35对。该数据集包含三个不同的区域:La Mola、Terrassa和Canarisses。对于每个区域，立体图像的大小大约为8,000 x 8,000像素。这些地区包括农村、城市、森林、平原和山区。所有数据都是在1B级提供的，该级别提供了大气顶部(TOA)辐射亮度值和传感器几何形状的辐射校正图像。数据包含相应的有理多项式系数(RPC)文件，该文件描述了卫星轨道的外部方向。

处理vhr数据

所使用的算法被实现为一个自动管道来生成点云和dsm。通常，第一个过程是基于RPC的bundle块调整，但是，因为基准测试数据集的RPC文件的方向已经可用，所以实际的第一个步骤是反向重采样。在极点重采样中，对应点位于文件的同一行，从而减少了计算时间和内存占用。在标准的航空相机几何结构中，外极点都在一条直线上。然而，在VHRS图像中，它们更像是双曲线。

为了逼近双曲线，我们采用了基于J. Oh研究的一种改进的分段极极重采样方法(图1)。在这种重采样方法中，需要执行很多步骤。第一步是定义立体外极图像的坐标系。左图像的中心点用于计算初始外极曲线及其正交线的方向。下一步是确定从左图像的底部边界生成外极曲线对的起点。根据VHRS图像外极曲线的特点，采用投影-轨迹法逼近局部外极曲线。对于图像内的外极线段，给定预定义的线段长度，如果达到预定义的长度，将生成一个新的外极线段。在最后一步中，立体图像沿着极线段重新采样。

稠密图像匹配现在是基于重采样的极线立体视觉对。将C/ c++库LibTsgm应用于逐像素匹配的处理流程中。LibTsgm采用了改进的SGM方法，由斯图加特大学摄影测量研究所开发，并于2013年外包给斯图加特的nFrames GmbH。稠密图像匹配完成后，计算三维点云;从这些点云中，以1m的GSD生成dsm。为了更好的可视化，CloudCompare对点云进行了网格化(图2)。

点云精度

为了研究三维重建管道的性能，我们从点云中提取了三种不同类型的地形(样本)以显示更详细的信息(图3):a)山地林区，b)平坦的乡村地区，c)城市地区。VHRS数据的点云总体上比参考激光雷达的点云粗。将提取的dsm与参考激光雷达点云进行比较。将处理后的WV-1 DSM与Lidar点云的高度进行比较，并据此创建差值图。

利用卫星数据很好地重建了山地森林的基本地形，大部分高差小于2.5m。在平坦的农村地区，一些细节特征在VHRS点云中缺失，但总体高度差在亚米水平。在城市地区，Lidar点云中的建筑比VHRS数据中的边缘更清晰，大部分细节缺失，尽管WV-1的点云可以重建屋顶上的一些细节。在城市地区，大多数高差小于2米。

对精度的进一步研究表明，总体精度受到景物阴影的影响。因此，在平坦的乡村地区的准确性是最好的，因为有最小的阴影。这些建筑产生了许多阴影，影响了它们的重建和准确性。山地林区的精度受树木阴影和陡峭的高度变化的影响。

DSM的准确性

将激光雷达点云处理成参考DSM，以便与VHRS的DSM进行比较。为了评估三维重建的准确性，根据dsm的高度差计算出均方根误差(RMSE)。由此可见，La Mola试验场的RMSE约为3.1m, Terrassa试验场的RMSE约为2.8m, canaris试验场的RMSE约为3.4m。Terrassa试验场有更好的均方根误差，因为它有更多的平坦区域。

对于稳健估计，计算了两个dsm之间的归一化中位数偏差(NMAD)。也取相应的68%和95%的绝对误差分位数。高度差的分布被描述为每个测试点的直方图。NMAD在0.8 - 1.4m之间变化，其中68%在1.4 - 1.9m之间变化，95%在7.0 - 8.3m之间变化(表1)。

测试网站	NMAD [m]	68% [m]	95% [m]	RMSE [m]
通勤	0．8	1．0	7．0	2．8
La翻车鲀	1．4	1．8	7．7	3．1
Canarisses	1．4	1．9	8．3	3．4

表1 DSM比较概述。

结论

对(V)HRS数据进行自动三维重建的方法进行了验证，结果表明该方法具有较好的准确性和鲁棒性。生成的三维点云和dsm非常密集，重建了测试点的主要纹理信息。由于阴影和低冗余度的影响，DSM存在一些异常值，建筑物边缘不清晰。如果在未来的工作中应用更高分辨率的数据(如0.3m GSD卫星图像)和多视角图像，可能会获得更好的结果。