论文部分内容阅读
随着月球大量工作的进行以及深空探测的研究,人类对其地表构造与内部机制产生的好奇心愈来愈大。本文主要是基于更高精度的嫦娥二号和嫦娥三号的数据为研究对象,系统地研究了从嫦娥数据处理、图像匹配到月面DEM重建的相关理论与技术。对于嫦娥二号数据来说,由于所获取线阵CCD影像数据的分辨率为7米的特点,其精度明显高于嫦娥一号,因此本文对嫦娥二号影像数据做了大量的研究。首先利用嫦娥二号数据建立月面DEM重建,在此研究过程中,通过使用改进的Forstner算子方法对特征进行提取,此后利用金字塔匹配方法对特征点进行粗匹配。最后用最小二乘算法达到精匹配的效果。最终目的能够获取较精确的同名像点坐标,从而为后续的控制点选取打下基础。由于嫦娥三号具有精度更高的优点,但同时又缺乏高程值,无法实现高精度的月面DEM重建。针对这一问题本文提出了一种嫦娥三号高程值的估计方法。首先,使用嫦娥二号数据样本进行BP神经网络模型训练,其次,用成熟的模型对嫦娥三号数据进行高程值估计。在此基础上,最终能够实现嫦娥三号的DEM重建。本文创新点有以下几点:1.在利用嫦娥二号数据建立月面DEM过程中,为了得到图像坐标系下的三维坐标,本文需要匹配后的同名像点与激光高度计数据结合成控制点。然后在月面坐标系下,将这些数据进行坐标转换,形成三维坐标点(x,y,z)。针对匹配方法,本文采用Forstner方法提取算子,然后用金字塔匹配的算法对算子进行由粗匹配,将粗匹配的结果使用最小二乘算法进行精匹配。在实验过程中,本文针对于Forstner、Moravec、Harris算子的影像匹配方法进行了详细的比较和分析。得出基于Forstner算子的匹配方法在月面影像匹配中错误率降低到10.38%。2.针对嫦娥三号数据缺乏高程值的特点,为了获得更高及高度的月面DEM,本文在嫦娥三号数据上做了大量的工作。利用相同地理位置的嫦娥二号影像数据进行训练BP神经网络模型,用训练得到的BP神经网络模型对嫦娥三号影像数据进行高程值估计,得到的结果与嫦娥二号的高程值进行插值比较,得出一个相对误差值。实验证明,本文提出的改进方法在时间与结果方面得到了很好的效果。3.在上述方法过程中,通过BP神经网络估计得到的嫦娥三号的高程与同名像点相结合形成月面控制点。采用反距离加权插值法,对月面点进行插值,最终实现月面DEM重建。