基于低秩矩阵约束的稀疏有理多项式系数估计方法

《Remote Sensing》：Sparse Rational Polynomial Coefficient Estimation Method via Low-Rank Matrix Constraint

　　

有理函数模型（Rational Function Model，RFM）是遥感图像几何处理中重要的通用成像模型，由多个有理多项式系数（Rational Polynomial Coefficients，RPCs）构成。然而，由于高阶多项式间存在相关性，RPCs易出现过拟合且设计矩阵病态。现有方法或通过参数正则化缓解过拟合，或通过变量选择缓解设计矩阵病态，但两类问题并存，缺乏统一优化框架同时缓解二者。为此，研究人员提出一种基于低秩矩阵约束的稀疏RPC估计方法，称为LRMC-RFM。该方法假设由地面控制点（Ground Control Points，GCPs）观测构建的设计矩阵是潜在低秩几何设计矩阵受噪声扰动后的版本。在统一优化框架中，通过引入核范数（nuclear norm）与?1范数，联合估计潜在低秩几何设计矩阵与稀疏RPCs。为保障计算效率，推导了基于交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）的优化算法。大量实验表明，所提方法较现有对比方法取得更优性能。

研究背景方面，光学遥感卫星在气象监测、灾害预警、数字地图生成等地球观测应用中日益广泛，建立图像坐标与三维地面坐标间的几何映射至关重要。通用模型中的有理函数模型（RFM）通过拟合通常为三阶的有理多项式近似对象空间与图像空间映射，并由最小化地面控制点（GCPs）三维坐标与对应二维图像坐标间投影误差估计有理多项式系数（RPCs）。RFM含78个独立RPCs，因三阶多项式项高度相关且可用GCPs数常远小于未知参数数，RPC估计易病态甚至欠定。现有研究分两类：一是参数正则化，如Ridge/Tikhonov用?₂范数约束缓解法方程病态但无法显式剔除冗余RPCs，L1LS用?₁范数稀疏化但正则参数需经验选取，LPRFM用线性规划降参依赖；二是变量选择，如删立方项、散度矩阵消除、PCA类方法（PCA-RFM、APCA-RFM、ASPCA-RFM）做设计矩阵去噪但分离重建与估计且未对RPCs稀疏约束。两类局限在于未同时考虑设计矩阵污染与参数过拟合。

研究人员开展的研究为提出LRMC-RFM统一框架，将观测设计矩阵A分解为低秩几何设计矩阵B与随机噪声矩阵E（A=B+E），以核范数‖B‖_*约束B低秩、?₁范数‖x‖₁约束RPC向量x稀疏、Frobenius范数约束观测残差，构建联合目标函数并推导ADMM求解：含RPC更新（闭式Cholesky解）、稀疏辅助变量Z更新（软阈值）、低秩矩阵B更新（Sherman-Morrison简化）、核范数辅助Z更新（奇异值阈值SVT）、对偶变量更新及残差平衡停止准则；设计尺度归一化正则权（由设计矩阵元素均幅μ_A与每RPC二次能μ_x缩放全局常数λ₀=0.1），避免跨数据集调参。结论显示该方法在GCP稀疏下联合恢复低秩设计与稀疏参数，提升RFM稳定性，为无精确传感器元数据或丰富GCPs时的遥感几何处理提供优化方案，论文发表于《Remote Sensing》。

主要关键技术方法概括：研究人员采用七组真实遥感数据集（GF-1、EO-1、Sentinel-2、IKONOS，前六组GCPs由Landsat-8匹配+ASTER GDEM V3高程生成，IKONOS为126个野外勘测检查点），随机采样10/20/30/40/50个GCPs估参、余作独立检查点（ICPs）以图像空间RMSE（像素）评测；对比Ridge、L1LS、LPRFM、ASPCA-RFM；核心方法为低秩矩阵分解约束+?₁稀疏+ADMM迭代（含SVD阈值与软阈值），正则权由训练折矩阵尺度统计自动定标，初始化用PCA-RFM或Ridge回退。

研究结果部分，第4节实验如下：4.1数据集与指标中，七数据集覆盖山地、城市、农村、河湖、1m/IKONOS高分等，RMSE取ICPs线样残差均方根，五次重复取均值标准差。4.2参数设置中，竞争法按原文献最优设参，LRMC-RFM用λ₀=0.1与尺度归一权，无数据集特调。4.3比较实验在六数据集五GCP数共30场景，LRMC-RFM于30/35场景获最低RMSE；过定（40/50 GCPs）全数据集最低且RMSE<1像素；欠定（10/20/30）RMSE<1.5像素，优于Ridge（几近失效）、L1LS/LPRFM（部分缓解）、ASPCA-RFM（多数次优）；耗时略短于ASPCA-RFM。4.4模型分析中，4.4.1敏感性显示λ₀=0.1跨数据集最稳，过弱或过强均升RMSE；4.4.2消融表明去B（退化为纯?₁-LS）RMSE显著升、去稀疏（退化为PCA类低秩+最小二乘）次之、APCA+L1LS两阶段最差，证联合优化非顺序叠加；4.4.3初始化分析显示PCA-RFM或Ridge初值、B初值取A或PCA重建，GF1-A上终局精度近同，ADMM对初值低敏。

讨论与结论翻译：本研究提出基于低秩矩阵约束的稀疏RPC估计方法LRMC-RFM，在统一优化框架中联合估计低秩设计矩阵B与稀疏RPC向量x，有效缓解RPC估计中的病态与过参数化问题；推导高效ADMM求解器，以奇异值软阈值施低秩约束、元素软阈值施稀疏约束、闭式更新设计矩阵。实验显示在六数据集30场景中25次取得最优RMSE，消融证实联合低秩恢复与稀疏估计之必要。该方法在GCPs稀疏、设计矩阵病态且含测量误时，提升RFM参数估计稳定性，为缺传感器元数据或丰GCPs的遥感图像几何处理提供有效优化方案。