针对星载校正后的推扫式影像，评估最佳的扫描线搜索/确定方法

《Geocarto International》：Evaluation of best scanline search/determination methods for spaceborne rectified pushbroom images

地理参考纠正图像的原始几何恢复与最佳扫描线搜索方法研究。提出基于多投影中心（MPC）模型的时间依赖参数化方法，将已纠正图像转换回原始成像状态，并集成最优扫描线搜索（BSS/BSD）技术，实验表明其RMSE为0.24-0.28像素，计算效率提升98%以上，适用于近实时遥感应用。

　　本文探讨了如何从高分辨率卫星图像中提取准确信息，并提出了基于多重投影中心（Multiple Projection Center, MPC）模型的一种方法，以解决不准确几何参考的校正图像中的最佳扫描线确定问题。在高分辨率卫星图像处理中，准确的图像几何信息是实现精确的空间转换和摄影测量任务的关键因素。然而，大多数卫星数据提供商并不公开其传感器模型，这给基于物理参数的建模带来了挑战。本文的方法旨在通过恢复图像的原始几何结构，利用MPC模型，实现对校正图像中最佳扫描线的高效确定，从而显著提高处理精度并减少计算时间。

卫星图像的几何特性决定了其在摄影测量和遥感任务中的应用价值。例如，线阵列推扫式传感器因其能够以高频重访和大范围覆盖的特点，成为高分辨率遥感图像的重要来源。这类传感器在成像过程中，每个扫描线的外方位元素（Exterior Orientation Parameters, EOPs）会因时间变化而有所不同，这与帧式传感器形成鲜明对比。因此，针对推扫式图像的几何恢复和最佳扫描线确定，必须考虑时间相关的参数变化。在实际应用中，由于原始数据的不可获取，已校正图像成为常见选择，而这些图像通常存在几何失真，这使得空间重建和参数提取变得更加复杂。

为了实现从校正图像到原始图像几何的恢复，本文提出了一种基于MPC模型的方法。该方法通过将校正图像重新转换为原始格式，再结合多项式模型进行参数估计，从而得到准确的EOPs。在这一过程中，需要将校正图像中的坐标点转换为原始图像中的坐标，这一转换涉及对图像尺寸、行列数以及像素偏移的重新定义。通过引入位移参数和缩放系数，可以有效调整图像的行列分布，使得校正图像在恢复后能够与原始图像几何保持一致。这种方法不仅简化了参数估计过程，还避免了传统方法中复杂的轨道参数转换，从而提高了效率。

在实际操作中，为了评估模型的精度和可靠性，本文采用了两种类型的计算控制点（Computed Control Points, CCPs）和计算控制点对（Computed Control Point Pairs, CCOPs）。CCOPs主要用于训练阶段，用于建立模型参数和优化空间转换过程，而CCPs则用于测试阶段，以验证模型的准确性。这种方法确保了模型在训练和测试过程中都能保持一致性，并且能够有效评估不同扫描线的参数精度。同时，由于校正图像的几何信息可能受到多种因素的影响，如传感器动态变化、成像时的偏移和缩放，因此必须在模型设计中充分考虑这些因素。

为了进一步提升模型的性能，本文还引入了人工神经网络（Artificial Neural Network, ANN）进行最佳扫描线确定（Best Scanline Determination, BSD）。ANN模型能够通过非迭代方式快速估算EOPs，同时保持较高的精度。在实验中，通过调整CCOPs的数量（200、400、1000和2000个点），评估了不同配置下的模型性能。结果显示，使用200个CCOPs的ANN模型能够在保持精度的同时大幅减少计算时间，而增加CCOPs数量虽然能略微提高精度，但会显著增加训练时间，导致计算复杂度上升。因此，对于大多数应用场景，选择适当数量的CCOPs能够在精度和效率之间取得良好平衡。

此外，本文还比较了其他常用的最佳扫描线搜索方法，如顺序搜索（Sequential Search, SS）、双窗口搜索（Bisecting Window Search, BWS）和牛顿-拉夫森法（Newton-Raphson, NR）。结果表明，BWS和NR方法虽然在精度上表现优异，但计算时间较长，限制了其在实时或大规模应用中的适用性。相比之下，ANN BSD方法在精度和效率之间取得了显著的平衡，其RMSE值在0.24到0.28像素之间，计算时间仅为几秒，远低于其他方法。这种高效性使其在实际应用中更具优势，特别是在需要快速处理和实时响应的场景中。

实验中使用的数据集包括五组来自不同传感器的推扫式图像，如SPOT3、IKONOS和RapidEye。这些图像在成像过程中可能受到不同的几何失真影响，因此需要根据不同的传感器特性调整模型参数。例如，在某些情况下，仅需使用一阶姿态参数和二阶位置参数，而在其他情况下，可能需要包括所有18个未知参数。这种灵活性使得MPC模型能够适应多种传感器类型和成像条件，从而实现更广泛的应用。

本文的方法不仅适用于已校正图像，还能处理原始图像，并通过多项式模型对图像几何进行有效重建。在实验过程中，通过对校正图像和原始图像的对比分析，验证了MPC模型在空间重建和最佳扫描线确定中的有效性。结果表明，该方法在减少计算时间的同时，能够保持较高的精度，这使其在实际工程应用中具有重要意义。

进一步分析表明，该方法在不同图像和数据集上的表现均保持稳定，尤其是在高精度要求的场景下。同时，实验还发现，对于某些特定图像，如RSH1，使用2000个CCOPs可能导致模型过拟合，从而影响精度。因此，在实际应用中，需要根据图像的特性选择合适的CCOPs数量，以确保在精度和效率之间的最优平衡。

总体而言，本文提出的方法为处理已校正图像中的最佳扫描线确定问题提供了一种高效、准确且具有广泛应用前景的解决方案。通过将MPC模型与ANN技术相结合，不仅能够恢复图像的原始几何，还能显著提升空间重建和扫描线确定的效率。这使得该方法在摄影测量和遥感领域具有重要的实用价值，尤其是在需要实时处理和大规模数据应用的场景中。此外，该方法的非迭代特性使其能够避免传统方法中复杂的计算过程，从而在实际操作中更加便捷和高效。