为了更好且快速的提高单景高分三号影像的地理定位精度。提出了有理函数结合五参数变换方法的复合模型实现高分三号(Gaofen-3,GF-3)卫星一级影像产品的几何精纠正,所提5个参数均具有具体的物理意义。通过比较仅用影像附属的有理多项式参数,以及有理函数模型结合仿射变换方法的定位精度,表明在引入高分辨率数字高程模型且使用本文方法时,只用3~4个控制点便可有效提高GF-3号影像的定位精度。相比仿射变换模型,本文方法具有所需控制点数少且精度高的优点。并利用四景GF-3号合成孔径雷达(synthetic aperture radar,SAR)SAR影像对所提方法进行了实验验证,在引入高分辨率数字高程模型数据后,所提方法可将高分三号超精细条带(ultra fine strip,UFS)模式的影像定位精度纠正到约2个像素,精度要高于仿射变换的方法。
合成孔径雷达SAR(Synthetic Aperture Radar)是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0(SAR BUilding Dataset)。该数据集包含了覆盖中国不同区域的27景高分三号(GF-3)精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。
