CN103268358B - 多源控制点影像数据库构建及更新方法 - Google Patents

Abstract

一种控制点影像数据库更新方法，包括：确定新采集影像的空间位置；从控制点影像数据库中检索出与之对应的控制点影像；将所述检索出的控制点影像与所述新采集影像进行比较；如果比较的结果表示需要进行数据更新，则对所述新采集影像进行控制点影像数据的采集，并更新所述控制点影像库。根据本发明的控制点影像数据库更新方法，通过数据库检索及变化检测技术确定控制点影像的图像变化及属性信息变化，从而实现对所构建的控制点影像数据库的更新。

Description

多源控制点影像数据库构建及更新方法

技术领域

本发明涉及一种数据库构建及更新方法，更具体而言涉及一种多源控制点影像数据库的构建及更新方法。

背景技术

随着遥感技术的发展，特别是遥感传感器技术的不断发展，通过遥感技术所获得的遥感影像或数据的用途越来越广。目前，遥感数据的应用范围已经扩展到社会信息服务领域，例如，广泛应用于测绘、农业、林业、地质矿产、水文与水资源、环境监测、自然灾害、区域分析与规划、军事、土地利用等方面。具有精确地理编码的遥感影像可以为土地、规划、环保、农业、林业、海洋等不同的领域提供各自需要的地物特征和信息。

在通过卫星或航空平台等飞行平台获取遥感图像数据或其他数据时，会受到天气、日光、遮挡等外在因素的影响，同时，在数据采集时飞行平台的高度、姿态会发生变化，因此，在进行遥感图像拍摄时往往会造成图像平移、旋转、缩放等问题。此外，根据光学成像原理，相机成像时是按照中心投影方式成像的，因此地面上的高低起伏在成像时就会导致投影差的存在。上述因素综合，会造成遥感影像的误差，例如倾斜误差、投影误差等。因此，在使用这些遥感影像/数据之前需要对所获得的原始遥感影像进行正射纠正。

传统的遥感影像正射纠正一般包括：首先获取地面控制点(Ground ControlPoint，GCP)及数字高程模型(Digital Elevation Model，DEM)信息；然后将这些信息导入专业的遥感或者数字摄影测量***；接下来由加载了GCP和DEM信息的***对遥感影像进行正射纠正。

由于在上述纠正方法的步骤中，需要将控制点信息导入到遥感或数字摄影测量***并通过调用这些信息来进行遥感影像的正射纠正，因此，构建及更新控制点信息数据库以对这些信息进行存储和调用，是遥感影像正射纠正的重要环节。

传统的摄影测量控制点是通过野外测量坐标结合刺点影像及点之记的形式来存储记录的，这给控制资源的有效利用带来困难，正如文献《图形图像控制点库及应用》(张继贤、马瑞金，图形图像控制点库及应用.测绘通报，2000-(1))所述，“虽然我们已经建立了许多，但是在使用后经常被丢掉，这实际上是一种资源的浪费，其关键是没有把这些有效地管理起来。”

此外，由于所要纠正的遥感影像来自不同的影像源，因此对于参考数据源有不同的要求，如其影像特征、坐标系、分辨率、时相等，这会给参考数据源信息的存储管理带来很大问题。

因此，建立既能有效管理控制点又能方便控制点获取的数据库是非常有必要的。它能够克服常规控制点获取技术中周期长、应用效率低、可重复利用率低的缺点，是实现高效、高精度几何纠正的基础。

发明内容

根据本发明的实施例，提供了一种控制点影像数据库更新方法，包括：确定新采集影像的空间位置；从控制点影像数据库中检索出与之对应的控制点影像；将所述检索出的控制点影像与所述新采集影像进行比较；如果比较的结果表示需要进行数据更新，则对所述新采集影像进行控制点影像数据的采集，并更新所述控制点影像库。

在根据本发明实施例的控制点影像数据库更新方法中，将检索出的控制点影像与新采集影像进行比较包括控制点影像配准和控制点影像变化检测。

在根据本发明实施例的控制点影像数据库更新方法中，控制点影像配准包括：基于同分辨率影像匹配点对间连线具有相同的距离及斜率、不同分辨率影像匹配点对间连线的延长线交于一点的几何约束条件，利用聚类分析方法快速剔除误匹配点，再运用RANSAC方法鲁棒地估计单应矩阵从而再次剔除错误匹配点，进一步利用空间位置关系约束再次确定配准点的精度。

在根据本发明实施例的控制点影像数据库更新方法中，控制点影像变化检测包括控制点影像的图像变化检测和控制点影像的属性变化检测，其中，通过图像比值法或者图像差值法来进行所述控制点影像的图像变化检测，所述控制点影像的属性变化检测包括通过计算变化区域的面积与检测区域的面积的差值及比值，来确定变化的变化率。

根据本发明实施例的控制点影像数据库更新方法，通过数据库检索及变化检测技术确定控制点影像的图像变化及属性信息变化，从而实现对所构建的控制点影像数据库的更新。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1(a)示意性地示出了栅格型的点类型控制点影像的一个例子；

图1(b)示意性地示出了矢量型的点类型控制点影像的一个例子；

图2(a)示意性地示出了栅格型的面类型控制点影像的一个例子；

图2(b)示意性地示出了矢量型的面类型控制点影像的一个例子；

图3示意性地示出了根据本发明实施例的控制点影像数据库的数据表表间关系的一个例子；

图4示出了遥感影像控制点对象的一个例子；

图5是根据本发明实施例的遥感影像控制点自动采集方法的流程图；

图6(a)和图6(b)分别示出了Wallis变换前的影像和Wallis变换后的影像；

图7是Moravec算子的示意图；

图8是尺度空间生成的示意图；

图9是空间极值点检测的示意图；

图10是特征描述符生成的示意图；

图11示意性地示出了在极值区域ε的MSER检测中拟合的椭圆区域；

图12示出了对于示例性图像的SIFT特征点描述；

图13示出了根据本发明实施例的控制点影像数据库的更新流程；

图14示出了利用直接比较法进行控制点影像的变化检测的例子。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

根据本发明的实施例，提供了一种多源控制点影像数据库的构建和更新方法。该方法涉及遥感影像控制点数据库的创建、遥感影像控制点信息采集、遥感影像控制点的变化检测、遥感影像控制点数据库的更新等技术内容。

控制点影像数据库

现代遥感技术的快速发展，遥感图像获取的周期与精度也逐渐得到了提高，这为控制点影像数据库的建立提供了可靠的资料基础。而计算机自动识别技术的发展，则为控制点数据库的高效使用提供了技术基础。根据本发明的实施例，建立了控制点影像数据库，将控制点的属性信息和影像信息进行统一建库管理，实现了“一次建库，部分更新，多次使用”的目标。

根据本发明的技术方案，多源是指数据来源于不同的飞行平台和传感器。控制点影像片，是指为了满足遥感影像的几何纠正处理，通过机器自动匹配或者辅之以人工选择，按照相应的规范要求，从已经经过精确几何纠正处理的正射影像上裁剪的具有地理坐标信息、纹理信息的影像块，该影像块的每个像素都可以具有地理坐标配合数字高程模型，都可以作为控制点使用。

控制点影像数据库是控制点影像片的集合。而控制点影像片是对于传统控制点的拓展，也就是说，用包含多个控制点的影像片(控制点影像片)取代单一的控制点作为数据库的数据单元，从而生成控制点影像数据库。

控制点影像数据库是遥感影像控制点数据的载体，控制点影像数据库的建立需进行控制点影像元数据表、控制源影像表、高程信息表、坐标转换参考信息表、传感器字典表、坐标系字典表、高程系字典表、精度分类字典表的设计以及遥感影像控制点的编码设计。

控制点影像编码

根据遥感影像控制点块上承载定位信息的像素分布，将遥感影像控制点分为：点类型、面类型。

①点类型

控制点影像块上某个特定像素具有精确定位信息外，其它像素均无精确定位信息，此类遥感影像控制点只有一个像素点可用于选择控制点，常规的像控点即为此类型。图1(a)中除影像中黑点位置有地理坐标外，其它像素均无定位信息；图1(b)中除了大车路与小路交叉点位置具有地理坐标外，其它位置均无定位信息。

②面类型

控制点影像块上每个像素均具有精确定位信息，此类影像控制点上每个像素点都可用于选择控制点。由于影像控制点数据源不同，面类型的遥感影像控制点有两种形态：

栅格型：面上每个点均可作为控制点候选点，如图2(a)所示；

矢量型：面上承载的线划图上的每个点均可作为控制点候选点，如图2(b)所示。

根据本发明实施例的控制点影像数据库是以控制点影像片为存储单元的。该控制点影像片可以是上述的点类型的控制点影像块也可以是上述的面类型的控制点影像块。

③控制点影像片编码规则

将控制点影像片编码为点类型和面类型两个大类，并分别细分为栅格型和矢量型两小类，在分类基础上加入区域码、等级码、索引码，构成控制点影像片编码，缺省为“0”。

根据本发明实施例的控制点影像片的编码规则如下所示：

其中：

大类码：点类型，用字母‘P’来代表，面类型，用字母‘F’来编码。

小类码：栅格类型，用字母‘R’来编码；矢量类型，用字母‘V’来编码。

区域码：用四位字符表达，如黑龙江编码为“1500”，外国省(州)可用四位英文缩写代替。

等级码：用两位字符表达，第一位为比例尺编码，第二位为分辨率编码。

索引码：缺省为六位数字，可变长。

例如，FR100056000001为面状、栅格类型、北京地区1：1万、1米分辨率、流水号为000001的控制点影像编码。

这种控制点影像片的编码方式可以提高对控制点影像数据的检索速度。

控制点影像片表

①表命名

表的命名应尽量采用直观、简洁的标识，命名上要包含表的类别及其名称，例如，可以加前缀“TB_”来表示其为某个表，类别和名称间可加“_”进行分割，例如：“TB_SYS_USERINFO”为名称为“USERINFO”的***表，它可能存储的是“用户信息”。根据本发明的实施例，例如，表的类型可参照如下表格来定义。

类型	标识符	前缀
			***表	SYS	TB_SYS_
基本表	BAS	TB_BAS_
			字典表	DIC	TB_DIC_

类型	标识符	前缀
			普通索引		IDX_
主键索引	PK_	IDX_PK_
			唯一索引	UK_	IDX_UK_
外键索引	FK_	IDX_FK_
			聚集索引	CL_	IDX_CL_

②视图

数据库的视图命名可加“V_”前缀进行视图命名。

③字段

数据库中表的字段命名应尽量采用直观、简短的内容表达，例如，可加前缀“F_”以区别其为字段定义。同时，字段名称可以用字母开头，采用有特征含义的单词或缩写，用英文字母、数字、下划线表示，尽量避免命名中包含特殊字符。

④索引

数据库中的索引命名可以用“前缀+表名+字段名”来命名，可以用“IDX_”作为前缀。如果复合索引的构成字段较多，则只可以包含第一个字段，并添加序号。表名可以去掉前缀。如IDX_PK_GCPINFO_GCPID是GCPINFO表GCPID字段的主键索引。

针对不同的索引类型，可以加入类别前缀来区分普通索引、主键索引、唯一索引、外键索引、聚集索引。

类型	标识符	前缀
			普通索引		IDX_
主键索引	PK_	IDX_PK_
			唯一索引	UK_	IDX_UK_
外键索引	FK_	IDX_FK_
			聚集索引	CL_	IDX_CL_

⑤主键与约束

数据库的表的主键与约束命名可以用“前缀+表名+字段名”来命名。其中：

主键用“PK_表名_字段名”来命名；

外键用“FK_外键表名_主键表名_外键字段名”；

CHECK约束用“CHK_表名_字段名”；

UNIQUE约束用“UNQ_表名_字段名”来命名。

⑥存储过程

数据库的存储过程可加前缀“PRC_”来进行命名。

⑦触发器

数据库的触发器命名可加前缀“TR_”来进行命名，触发器完整命名分三段：TR_[A|B]_[D|I|U]_表名，[A|B]表示触发条件(A|B表示after|before，之前/之后)，[D|I|U]表示操作项(D|I|U表示insert|update|delete，***/更新/删除)，无该项操作则去掉相应的字母。

数据库逻辑

数据库逻辑的设计，通常要结合应用环境和现实数据的具体情况合理地选择数据库模式。

遥感影像控制点数据库是基础性的支撑数据库，适宜按全国(全球)、省(州)、市(地区)为单元来组织数据。遥感影像控制点数据库可以包含遥感影像控制点元数据、遥感影像控制点影像数据、遥感影像控制点高程数据等主要表。表间关系如图3所示。

①数据库组织

根据数据库***的性能及数据量总和考虑数据库的组织，如果容量过大，可以建立子数据库，以便数据库的维护。对全国范围的遥感影像控制点数据库，可以分区建立子库，如按东北、华北、华东、西北、西南、华中、华南等进行分区建立数据库，交界子库可通过外扩一定范围转存相邻子库的部分控制点影像，来解决解决子库交界数据应用的问题。

②E-R设计

控制点影像对象是由影像数据及相应的属性数据构成的，其属性数据包含影像控制点的坐标、坐标***、分辨率、数据源情况。将遥感影像控制点对象的属性数据项分类组成元数据项、字典数据项，将这些数据项组织成表。

具体实现方式如下：

将遥感影像控制点对象实体表示为影像块，通过编码来唯一标识；

将遥感影像控制点高程数据表示为DEM影像块，通过编码来唯一标识；

将遥感影像控制点属性信息组成元数据信息表，通过编码来唯一标识；

将传感器、坐标系等信息建立字典表，通过编码来唯一标识数据项信息。

图4示出了遥感影像控制点对象的一个例子。其中，图4的左侧图示出了遥感影像控制点对象的实体，即影像数据；图4的右侧图示出了遥感影像控制点的属性信息。

③表逻辑

通过遥感影像控制点编码(如FR100056000001)来唯一标识控制点影像对象，并将对象及属性信息通过唯一编码建立逻辑关联。

数据库表

将用户信息、日志信息等与遥感影像控制点信息不直接相关的信息设计成***表；将遥感影像控制点影像信息及属性信息设计成元数据表及相应的字典表。对于表中字段连接查询的频率比较高的，分拆成单独列，有时为了更有效、精确检索数据，可增加冗余列来实现，但这样会需要更多的磁盘空间，同时因为完整性问题需要增加维护表的工作量。

①***信息表

对于遥感影像控制点影像库的***信息表可以包括：用户信息表、用户角色信息表、日志记录信息表等。

②影像控制点信息表

对于遥感影像控制点影像库的影像控制点信息表可以包括：影像控制点元数据表、影像控制点影像信息表、影像控制点高程信息表等。

③数据字典表

对于遥感影像控制点影像库的数据字典表可以包括：高程基准字典表、平面坐标系字典表、传感器类型字典表、国别代码字典表、区域代码字典表等。

控制点数据采集

为了实现控制点影像数据库的构建，在完成了数据库表、逻辑和编码的设计之后，需要实现的技术内容是控制点影像片数据的采集，从而将所需要的控制点数据导入到控制点影像数据库中。

根据本发明的实施例，例如，提供了一种多源遥感控制点影像片自动采集方案。通过多源遥感影像的数据源分析，综合影像格式、影像分辨率、坐标***、成图比例尺等属性信息，构建遥感影像特征点自动提取和描述算法，利用关键点的邻域像素的梯度模值和方向分布特性，自动采集遥感影像控制点，以解决遥感影像控制点人工采集费时费力、特征不适合机器匹配且实时性差的问题。

根据本发明的技术方案，从已经经过精确几何纠正处理的正射影像上裁剪的具有地理坐标信息、纹理信息的控制点影像片。

图5示出了根据本发明实施例的遥感图像控制点采集方法的流程。

如图5所示，在步骤S501，获取遥感图像采集数据，该数据来自于经过几何精纠正处理的多个数据源，这些数据源例如，航空影像、资源系列卫星影像、SPOT系列卫星影像、雷达卫星影像等。

在步骤S502，对在步骤S501获取的遥感影像进行分析归纳，统计其影像格式、影像分辨率、坐标***、成图比例尺、影像时相等属性信息，从而对原始采集数据(原始影像)进行综合信息分析。同时，这些信息也将作为遥感影像控制点的属性信息被输入到根据分发明的控制点影像数据库。

具体而言，尽管如前所述用于遥感影像控制点采集的经纠正影像是具有地理坐标的影像，但是，由于生产单位不同、数据源不同(传感器不同)、时相不同、坐标系信息不同，需要对这些属性信息进行归纳，并在采集的过程中将这些信息与所采集的控制点影像片相关联，以便于输入和更新控制点影像数据库。

在步骤S503，进行优化格网设计，根据影像的分辨率、幅宽等信息将影像分为不同尺寸的格网，例如，3×3、5×5或7×7等，从而可以提高所提取的遥感影像控制点的空间分布的合理性。

网格的设计尺寸主要是由具体应用的需求所确定的，一般按照理论要求一般选择3×3的既可以满足需求，但是根据测绘数据处理的要求一般会选择冗余条件，以便于检核，如有相关要求即需要选择大的格网；同时航空影像和航天影像也有不同的要求，一般航空影像处理需要的控制点较多。

在步骤S504，利用Wallis变换对每一个格网内的影像进行预处理。Wallis滤波器在计算影像的局部灰度方差和均值时使用平滑算子，所以其可以在增强影像有用信息的同时抑制噪声，提高影像的信噪比，使影像中存在的模糊的纹理模式得到增强，有利于特征提取。

Wallis变换可以表示为：

$f(x,y)=\[g(x,y)-m_g\]\frac{{\mathrm{cs}}_f}{{\mathrm{cs}}_g+(1-c)s_f}+{\mathrm{bm}}_f+(1-b)m_g---\left(1\right)$

式(1)中，g(x，y)为原始影像的灰度值；f(x，y)为Wallis变换结果影像的灰度值；m_g为原始影像的局部灰度均值；s_g为原始影像的局部灰度方差值；m_f为结果影像局部灰度均值的目标值；s_f为结果影像的局部灰度方差值的目标值；c∈[0，1]，为影像方差的扩展常数；b∈[0，1]，为影像的亮度系数，当b→1时，影像均值被强制到m_f，当b→0时，影像均值被强制到m_g。

式(1)也可表示为：

f(x，y)＝g(x，y)r₁+r₀ (2)

式(2)中，r₀＝bm_f+(1-b-r₁)m_g中的参数r₁，r₀分别为乘性系数和加性系数。

Wallis变换的实现过程如下：

1)对数字图像分为互不重叠矩形区域，每区域的尺度对应于要增强的纹理模式的尺度；

2)计算每一块的灰度均值和方差；

3)灰度均值和方差的目标值分别设定为127和40-70之间的数值，其中后者可以根据区域尺度的减小而减小以防止大量像素的灰度值被饱和(即落于[0，255]之外)；

4)计算出每一块的Wallis变换的乘性常数r₁和加性常数r₀。

5)由于各矩形区域不重叠，所以数字图像的任一像素的系数由双线性内插得到，并根据公式(2)计算变换后的灰度值f(x，y)。

图6(a)和图6(b)分别示出了Wallis变换前的影像和Wallis变换后的影像。

在步骤S505，对经Wallis变换处理后的影像进行增强。

在每一景影像上，由于获取该影像的传感器、分辨率、时相等均不同，所以影像反映出的特征点也不同(所谓特征点例如房屋角点、高亮点等)，这些特征点是后期人工刺点和进行机器自动匹配的基础，特征点的多少直接反应匹配点数量和成功率。为保证采集的控制点影像片内包含足够的影像特征点，即，既包含足够传统灰度匹配的特征点，又包含足够的满足光照、尺度、旋转等不变特征的特征点，综合运用Moravec算子、Harris算子、Forstner算子、SUSAN算子、尺度不变特征及最稳定区域检测等多种算法提取特征点，即是先利用Moravec算子、Harris算子、Forstner算子、SUSAN算子提取特征点，然后利用尺度不变特征及最稳定区域算法来检测所提取到的特征点，记录特征点个数，并且利用描述算法对提取出的特征点进行具体描述，以确定其特征的精确性和稳定性。

a.Moravec算子检测步骤：

首先，计算各格网区域影像的兴趣值IV。在以像素(c，r)为中心的w×w的影像窗口中(w限定窗口的大小，一般选用奇数，如5×5的窗口)，计算图7所示四个方向相邻像素灰度差的平方和：

$V_1=\underset{i=-k}{\overset{k-1}{\Σ}}{(g_{c+i,r}-g_{c+i+1,r})}^2$

$V_2=\underset{i=-k}{\overset{k-1}{\Σ}}{(g_{c+i,r+i}-g_{c+i+1,r+i+1})}^2$

$V_3=\underset{i=-k}{\overset{k-1}{\Σ}}{(g_{c,r+i}-g_{c,r+i+1})}^2$

$V_4=\underset{i=-k}{\overset{k-1}{\Σ}}{(g_{c+i,r-i}-g_{c+i+1,r-i-1})}^2---\left(3\right)$

其中k＝INT(w/2)，g表示灰度值。取其中最小者为该像素(c，r)的兴趣值，即

IV_c，r＝min(V₁，V₂，V₃，V₄) (4)

接下来，给定一个经验阈值，将兴趣值大于该阈值的点(即归一化后的兴趣值计算窗口的中心点)作为候选点。阈值的选择应该以候选点中包括所需要的特征点而又不含过多的非特征点为原则。

之后，选取候选点中的极值点作为特征点。在一定大小的窗口内(可不同于兴趣值计算窗口，例如5×5像元，7×7像元等)，将候选点中兴趣值不是最大者均去掉，仅保留兴趣值最大者，该像素即为一个特征点。通过该极值点筛选操作，可以抑制局部非最大。

b.Harris算子的计算步骤如下：

首先，求出影像上所有像素点在x，y方向的梯度g_x，g_y，即对每个像素点的灰度值进行一阶差分运算。

g_x＝g_i，j-g_i，j+1；g_y＝g_i，j-g_i+1，j (5)

接下来，确定一个n×n大小的窗口，利用上式(5)生成n×n大小的高斯卷积模板。其中，高斯模板的σ取0.3-0.9之间的值。

$G(x,y)=e^{\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}---\left(6\right)$

然后，利用生成的高斯模板对梯度值g_x，g_y进行高斯滤波，并计算强度值I。

之后，选取局部极值点为特征点，如果I大于阈值0.6，则将该点取为特征点，并且进行排序保存。

c.Forstner算子的计算步骤如下：

首先，计算各像素的Robert梯度：

$g_u=\frac{\mathrm{\δ}g}{\mathrm{\δ}u}=g_{i+1,j+1}-g_{i,j}$

$g_v=\frac{\mathrm{\δ}g}{\mathrm{\δ}v}=g_{i,j+1}-g_{i+1,j}---\left(7\right)$

接下来，计算l×l窗口中灰度的协方差矩阵：

$Q=N^{-1}={\left[\begin{array}{cc}{\mathrm{\Σg}}_u^2& {\mathrm{\Σg}}_u{g}_v\\ {\mathrm{\Σg}}_v{g}_u& {\mathrm{\Σg}}_v^2\end{array}\right]}^{-1}---\left(8\right)$

其中，

${\mathrm{\Σg}}_u^2=\underset{i=c-k}{\overset{c+k-1}{\Σ}}\underset{j=r-k}{\overset{r+k-1}{\Σ}}{(g_{i+1,j+1}-g_{i,j})}^2$

${\mathrm{\Σg}}_v^2=\underset{i=c-k}{\overset{c+k-1}{\Σ}}\underset{j=r-k}{\overset{r+k-1}{\Σ}}{(g_{i,j+1}-g_{i+1,j})}^2$

${\mathrm{\Σg}}_u{g}_v=\underset{i=c-k}{\overset{c+k-1}{\Σ}}\underset{j=r-k}{\overset{r+k-1}{\Σ}}(g_{i+1,j+1}-g_{i,j})(g_{i,j+1}-g_{i+1,j})$

然后，计算兴趣值q与w：

$w=\frac{1}{trQ}=\frac{\det N}{trN}$

$q=\frac{4\det N}{{\left(trN\right)}^2}---\left(9\right)$

其中，detN代表矩阵N的行列式；trN代表矩阵N的直迹。

之后，确定特征点：

如果兴趣值大于给定的阈值，则该像元为特征点。阈值为经验值，可使用下式(10)作为参考公式：

$\left.\begin{array}{c}{T}_q=0.5~0.75\\ T_w=\left\{\begin{array}{cc}f\stackrel{\‾}{w}& (f=0.5~2)\\ {\mathrm{cw}}_c& (c=5)\end{array}\right.\end{array}\right\}---\left(10\right)$

其中，为权的平均值；w_c为权的中值。

当q＞T_q且w＞T_w时，选该像元为特征点。

d.SUSAN(Small univalue segment assimilating nucleus)算子是一种基于灰度的特征点获取方法，适用于图像中边缘和角点的检测。所谓角点，是指二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，这些点在保留图像图形重要特征的同时，可以有效地减少信息的数据量。SUSAN角点检测的步骤如下：

首先，用SUSAN模板在图像上滑动，将模板内部每个图像像素点的灰度值分别与模板中心像素的灰度值作比较，用下式来计算模板中各点的相似度。

上式(11)中，为模板内属于USAN区域(即，吸收核同值区，UnivalueSegment Assimilating Nucleus,USAN)。)的相似比较函数，是模板中心在图像中的位置；是模板内除中心之外的任意一个点的位置；为的灰度；为的灰度；t为灰度差的阈值。通常采用更稳定可靠的指数函数形式，如下式(12)所示：

$c(\stackrel{\→}{r},\stackrel{\→}{r_0})=e^{-{\left(\frac{I\left(\stackrel{\→}{r}\right)-I\left({\stackrel{\→}{r}}_0\right)}{t}\right)}^6}---\left(12\right)$

接下来，用下式(13)计算图像中每一点的USAN区域大小。

$n\left({\stackrel{\→}{r}}_0\right)=\underset{\stackrel{\→}{r}\∈C\left({\stackrel{\‾}{r}}_0\right)}{\Σ}c(\stackrel{\→}{r},{\stackrel{\→}{r}}_0)---\left(13\right)$

然后，用下式(14)的角点响应函数来计算角点初始响应：

其中，几何阈值g控制角点的生成质量，一般取3×n_max/4，n_max是所能达到的最大值。g的大小主要影响特征点的尖锐性，g越小，所检测到的角度越尖锐。灰度差阈值t用来控制角点密度，t越小，检测的图像的细微差别越多，同样角点数越多。

之后，通过USAN区域的质心与模板中心的距离去除伪角点。对角点响应图像中的正值所对应的点，如果不满足以下(i)和(ii)两点要求，则剔除该点。

(i)对于那些与正确角点相关的USAN区域，其质心位置远离模板的中心位置，质心的计算公式为：

$\stackrel{\→}{r}\left({\stackrel{\→}{r}}_0\right)=\frac{\underset{\stackrel{\→}{r}}{\mathrm{\Σ}}\stackrel{\→}{r}c(\stackrel{\→}{r},{\stackrel{\→}{r}}_0)}{\underset{\stackrel{\→}{r}}{\mathrm{\Σ}}c(\stackrel{\→}{r},{\stackrel{\→}{r}}_0)}---\left(15\right)$

(ii)对模板内位于从模板中心指向USAN区域质心的直线上的所有像素都必须是USAN区域的一部分。

再后，通过非极大值抑制来寻找角点。

因为，在角点附近区域，响应函数可能都具有较高的值，而只有在局部有最大值的位置才是角点的正确位置，所以为了得出角点的正确位置必须进行非极大值抑制。

e.尺度不变特征变换(Scale Invariant Feature Transform，SIFT)，用于描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。由于SIFT特征与影像的大小和旋转无关，对于光线、噪声、微小视角改变的容忍度也相当高，因而利用少量的SIFT物体特征就足以计算出位置与方位，适合在海量数据库中快速准确匹配。

SIFT特征提取步骤主要包括：建立尺度空间，选取候选点，确定关键点精确位置，删除不稳定点，关键点方向分配以及关键点描述。

(1)尺度空间的生成

首先，如下式(16)定义二维高斯函数：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)}/2{\mathrm{\σ}}^2---\left(16\right)$

其中，σ代表了高斯正态分布的方差。

一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：

L(x，y，σ)＝G(x，y，σ)*I(x，y) (17)

为了有效地在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间(DoGscale-space)。利用不同尺度的高斯差分核与图像卷积生成：

D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ) (18)

由上可见，DoG算子计算简单，是尺度归一化的LoG算子的近似。

然后，构建图像金字塔，图像金字塔共O组，每组有S层，下一组的图像由上一组图像降采样得到。对尺度空间，原始影像经过多次高斯卷积运算，产生各阶(octave)设定的尺度空间的影像，如图8左侧所示。在图8右侧的DoG影像是通过临近的高斯滤波后的影像进行差分运算产生的。在每一阶差分运算之后，高斯影像做因子为2的降采样，并重复进行该过程(即对采样结果，再做因子为2的下采样)。

(2)空间极值点检测

为了寻找尺度空间的极值点，需要将每一个采样点与它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点的灰度值大或者小。例如，在一个实施例中，如图9所示，利用检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点，以确保在尺度空间和二维图像空间都检测到极值点。

(3)关键点位置确定

利用尺度空间函数D(x，y，σ)的泰勒二次展开式进行最小二乘拟合，通过计算拟合曲面的极值来进一步确定关键点的精确位置和尺度。关键点最终的坐标和尺度可以精确到子像素级。

用泰勒公式展开D(x，y，σ)，则采样点原点为：

(其中X＝(x，y，σ)^T)

对X求导，并令其为零，即：便可求得采样原点的位置为：

即为：

然后，进行低对比度剔除

由如果|D(X)|＜0.03，则该点对比度较低，将其剔除。

(4)边缘响应的去除

一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2x2的Hessian矩阵H求出：

$H=\left[\begin{array}{cc}{D}_{xx}& D_{xy}\\ D_{xy}& D_{yy}\end{array}\right]$

导数由采样点相邻差估计得到。

具体而言，在数字影像中，例如，导数的计算可以用差分予以近似估计，其中g表示灰度值，i，j表示像素的行列号)。

D的主曲率和H的特征值成正比，令α为最大特征值，β为最小的特征值，则：

Tr(H)＝D_xx+D_yy＝α+β

Det(H)＝D_xxD_yy-(D_xy)²＝αβ (21)

令α＝γβ，则：

$\frac{Tr{\left(H\right)}^2}{Det\left(H\right)}=\frac{{(\mathrm{\α}+\mathrm{\β})}^2}{\mathrm{\α}\mathrm{\β}}=\frac{{(r\mathrm{\β}+\mathrm{\β})}^2}{{\mathrm{r\β}}^2}=\frac{{(r+1)}^2}{r}---\left(22\right)$

(r+1)²/r的值在两个特征值相等的时候最小，随着r的增大而增大。因此，为了检测主曲率是否在某域值r下，只需检测：

$\frac{Tr{\left(H\right)}^2}{Det\left(H\right)}<\frac{{(r+1)}^2}{r}---\left(23\right)$

取r＝10。

对候选点进行筛选后，还要确定所确定的控制点的梯度模、方向及特征描述。

(5)关键点梯度模及方向计算

利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。

$m(x,y)=\sqrt{{\left(L\right(x+1,y)-L(x-1,y\left)\right)}^2+{\left(L\right(x,y+1)-L(x,y-1\left)\right)}^2}$

θ(x，y)＝αtan 2((L(x，y+1)-L(x，y-1))²+(L(x+1，y)-L(x-1，y)))² (24)

上式(24)为(x，y)处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。

(6)特征描述符生成

首先将坐标轴旋转为关键点的方向，以确保旋转不变性。例如，以关键点为中心取8×8的窗口，如图10左侧所示。每个小格代表关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，圆圈表示高斯加权的范围(越靠近关键点的像素梯度方向信息贡献越大)。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。由此，一个关键点的特征描述符由2×2共4个种子点组成，每个种子点有8个方向向量信息，如图10右侧所示。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

f.最稳定极值区域(Maximally Stable Extremal Region，MSER)检测

MSER是图像中的一些极值区域，而这样的极值区域ε有着一些非常好的特性。首先，图像本身灰度的单调变化并不会改变这些极值区域ε，因为极值区域是通过比较区域内像素点和区域边界上像素点的灰度值而生成的，只是一种相对关系的结果，而图像灰度的单调变化并不会改变像素点之间的相对灰度大小关系，因此也就不会改变生成的ε了。这种特性保证了在光照线性变化以后仍能检测出同样的极值区域ε，从而消除了光照变化对图像匹配的影响。其次，对图像进行连续的几何变换以后，图像中像素点的拓扑关系并没有改变，即像素点会从一个连通区域变换到同一个连通区域。因此即使对图像进行了仿射变换甚至连续的非线性扭曲以后，得到的变换以后的区域ε′仍然将会是与ε相匹配的极值区域。最后，由于所检测到的极值区域的数量总是小于图像中所有像素点的总数量(当且仅当每个像素点都是一个极值区域时极值区域的数量等于所有像素点的总数量)，这保证了整个检测过程不会有太高的运算复杂度。

极值区域ε的MSER检测的具体过程如下：

首先，检测出图像中所有的极值区域ε，这个过程分为以下几步：

(1)将所有的像素点按照灰度值进行排列。由于每个像素点的灰度值都是在0-255的范围内，因此可以使用O(n)复杂度的计数排序算法来实现(其中n为像素点总数，下同)。

(2)在将所有像素点排序好以后，按照升序或者降序将这些像素点在图像中标记出来，在标记的过程中，使用union-find算法将一系列不断增大或者出现的连通区域和它们的面积保存下来，并可以按照树的数据结构进行保存，这样的运算复杂度为O(nα(n))，其中α为反Ackerman函数且对于有限的n均有α(n)≤4，因此它十分接近线性复杂度。而这样的一系列连通区域就是极值区域ε了。

极值区域找到后，进行拟合将其拟合为一个近似的椭圆区域，然后寻找拟合的椭圆区域的重心，如图11所示。然后，以该重心点坐标作为虚拟特征点，利用SIFT匹配算法中的描述方法进行特征点描述。图12示出了对于示例性图像的SIFT特征点描述。

在根据本发明的实施例中，例如，首先根据设计要求设定遥感影像控制点采集的数量，即控制点片的尺寸，例如，待采集影像的影像分辨率为0.05-1.0m，采集控制点影像片为512×512个像素；影像分辨率为1.0-5.0m，采集控制点影像片为1024×1024个像素；影像分辨率大于5.0m，采集控制点影像片为2048×2048个像素。然后，如前所述，以此为窗口到构建的相应格网范围内进行遍历，并统计该范围内的所有特征点的数目，包括综合运用Moravec算子、Harris算子、Forstner算子、SUSAN算子、尺度不变特征及最稳定区域检测算法提取的所有特征点，记为数组Feature_NUM(i)，之后，对Feature_NUM(i)数据进行排序。

在步骤S506，以控制点影像片采集窗口来遍历统计特征点个数，选择特征点数量最大的窗口为采集区域。

在步骤S507，针对所选择的采集区域进行遥感控制点影像片的裁切保存，同时获取其对应区域的数字高程模型数据。于是，采集得到所需的遥感影像控制点数据及对应的数字高程模型数据。

通过对已有的经几何精确纠正的影像进行控制点影像片的采集，能够获得可供多次反复使用的控制点信息，从而解决野外测量的点位坐标无法重复使用的问题。

控制点影像数据库的更新

在控制点影像数据库建立后，必然面临着数据库的更新问题。与构建控制点影像库时的数据采集类似，更新控制点影像数据时的数据源也是经过了正射纠正的影像。具体而言，首先确定新采集影像(即新影像数据)的空间位置，然后从控制点影像库中检索出与之对应的控制点影像，之后将检索出的控制点影像与新采集影像进行比较，如果满足影像匹配精度，则进行影像的变化检测，如果检测的结果表示需要进行数据更新，则利用前述的控制点数据采集方法来对新采集影像进行控制点影像数据的采集，并更新控制点影像库。

与新采集影像进行对比的控制点影像具有与新采集影像相匹配的尺寸，可以是单位控制点影像片也可以是其它的尺寸。

图13示出了根据本发明实施例的控制点影像数据库的更新流程。如图13所示，在步骤S1301，进行基于控制点影像空间位置的检索；在步骤S1303，进行控制点影像配准；在步骤S1305，进行控制点影像变化检测；在步骤S1307，进行控制点影像数据的采集和数据库的更新。

控制点影像空间位置检索

基于新采集影像空间位置的检索即是基于该影像的概略位置的检索。该概略位置例如由经纬度信息来确定。控制点影像数据库记录表中的数据项L和B，为基于概略位置的控制点影像检索提供了基本条件。

首先根据新采集影像的范围提取其地理范围，其中设该范围的左上角点经纬度坐标为(L1，B1)，右下角点经纬度坐标为(L2，B2)。

然后建立“L＞＝L1 AND L＜＝L2 AND B＞＝B1 AND B＜＝B2”的检索表达式进行检索，检索出的库中控制点影像数据。

控制点影像配准

将检索出的控制点影像与新采集影像进行配准计算，并记录其配准精度，根据配准精度确定是否对其进行更新。

影像配准是控制点影像变化检测的前提，配准精度决定变化检测的精度。通过尺度不变特征的匹配算法，例如，SIFT(Scale Invariant Feature Transform，尺度不变特征转换)、SURF(speed up robust feature，快速鲁棒性特征提取)、MSER(Maximally StableExtremal Region，最稳定极值区域检测)等方法配准同名点的选取。

在配准点匹配中，由于分辨率、几何变形和光谱特性的差异，可能会发生误匹配。广义上将不同时相、不同传感器、不同分辨率影像划分为同分辨率和不同分辨率两类。基于同分辨率影像匹配点对间连线具有相同的距离及斜率、不同分辨率影像匹配点对间连线的延长线交于一点的几何约束条件，利用聚类分析方法快速剔除误匹配点，再运用RANSAC方法鲁棒地估计单应矩阵从而再次剔除错误匹配点，进一步利用空间位置关系约束再次确定配准点的正确性和精度。

控制点影像变化检测

将检索出的控制点影像与新采集影像进行变化检测计算，并记录其变化量。具体而言，该变化检测可以包括控制点影像的图像变化检测和控制点影像的属性变化检测。

控制点影像图像信息变化检测

根据本发明的实施例，例如，利用影像的直接比较法进行控制点影像的变化检测。直接比较法首先是对同一区域不同时相的影像的光谱特征差异进行比较，确定变化信息发生的位置，在此基础上，再采用分类的方法来确定发生变化的类型。该方法优点是首先确定了变化信息的位置，因此缩小了分类范围，提高了检测速度。具体的直接比较法可以是：图像比值法——将多时相遥感影像按波段逐像素的相除，在图像中未发生变化的像元其比值应接近1，反之比值将明显高于1或低于1，根据比值设定阈值，再确定变化范围；图像差值法——将两个时相的遥感影像按波段进行逐像素相减，从而生成一幅新的代表两时相光谱变化的差值图像。

图14示出了利用直接比较法进行控制点影像的变化检测的例子。图14(a)是进行比较的两幅图像，其中，上方图像为从控制点影像库中检索出的已有控制点影像，下方图像为新采集影像，从图中可以看出，新增了部分建筑物和道路，即影像发生了一定变化。

图14(b)呈现了图像变化检测的结果，其中，图14(b)的上方黑白图像是利用图像比值法得到的检测结果，下方灰度图像是利用图像差值法得到的检测结果。

控制点影像属性变化检测

在获取新采集影像时，提取新采集影像的传感器、分辨率、时相等属性信息，同时如前面采集方案中所述提取新采集影像范围内的控制点影像的属性信息，检测每个控制点影像的属性变化值，记录属性信息的变化评价信息。

属性变化评价信息可以用定量或者定性的方式来描述。例如，定量可以用1，-1和0来表示；定性可以用向好、向差、相近来描述。

经过上述的控制点影像图像信息变化检测，得到了图像的变化区域，通过计算变化区域的面积和检测区域的面积的差值及比值，确定变化的绝对值及变化率，从而根据变化的绝对值或者变化率是否超过阈值(例如，0.5)来确定是否进行更新。另一方面，在更新时同时更新控制点影像的属性信息，并且记录根据控制点影像属性变化检测得到的属性变化评价信息。

在根据变化检测的结果确定进行控制点影像数据的更新后，依照前述采集方案采集新采集图像的控制点影像数据，并输入控制点影像库进行更新。

控制点影像数据库的更新不仅涉及影像信息的更新，还可以涉及位置信息以及更新所产生的版本及局部差量信息。从数据记录的角度，控制点影像数据的更新可以不进行数据替代，即不是“以新换旧”的模式，而是“新老结合、同时并存”，以版本标识其不同即可。

根据本发明实施例的多源控制点影像数据库构建及更新方法，制定了多源遥感控制点影像数据库的编码方式、命名规则、表结构设计、表的组成、索引设计，涉及了遥感影像控制点的采集方案，通过数据库检索及变化检测技术确定控制点影像的图像变化及属性信息变化，从而实现对所构建的控制点影像数据库的更新。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (13)

1.一种控制点影像数据库更新方法，其特征在于，包括：

确定新采集影像的空间位置；

从控制点影像数据库中检索出与之对应的控制点影像；

将所述检索出的控制点影像与所述新采集影像进行比较；

如果比较的结果表示需要进行数据更新，则对所述新采集影像进行控制点影像数据的采集，并更新所述控制点影像数据库，

其中，所述对控制点影像数据的采集包括：

对所述新采集影像进行分析归纳，统计并分析其属性信息，该属性信息包括影像格式、影像分辨率、坐标***、成图比例尺、影像时相；

对所述新采集影像进行优化格网设计，根据影像分辨率、幅宽将影像分为不同尺寸的格网；

利用Wallis变换对每一个格网内的影像进行预处理；

对经Wallis变换处理后的影像进行增强，综合运用Moravec算子、Harris算子、Forstner算子、SUSAN算子、尺度不变特征及最稳定极值区域检测算法提取特征点；

以控制点影像片采集窗口来遍历统计所述特征点的个数，选择特征点数量最大的窗口为采集区域；

针对所述选择的采集区域进行遥感控制点影像片的裁切保存，同时获取其对应区域的数字高程模型数据。

2.根据权利要求1所述的控制点影像数据库更新方法，其特征在于，所述将检索出的控制点影像与新采集影像进行比较包括控制点影像配准和控制点影像变化检测。

3.根据权利要求2所述的控制点影像数据库更新方法，其特征在于，所述控制点影像配准包括：基于同分辨率影像匹配点对间连线具有相同的距离及斜率、不同分辨率影像匹配点对间连线的延长线交于一点的几何约束条件，利用聚类分析方法快速剔除误匹配点，再运用RANSAC方法鲁棒地估计单应矩阵从而再次剔除错误匹配点，进一步利用空间位置关系约束再次确定配准点的精度。

4.根据权利要求2所述的控制点影像数据库更新方法，其特征在于，所述控制点影像变化检测包括控制点影像的图像变化检测和控制点影像的属性变化检测，其中，

通过图像比值法或者图像差值法来进行所述控制点影像的图像变化检测，

所述控制点影像的属性变化检测包括通过计算变化区域的面积与检测区域的面积的差值及比值，来确定变化的变化率。

5.根据权利要求1所述的控制点影像数据库更新方法，其特征在于，所述Wallis变换包括：

将数字图像分为互不重叠矩形区域，每区域的尺度对应于要增强的纹理模式的尺度；

计算每一块区域的灰度均值和方差；

将灰度均值和方差的目标值分别设定为127和40-70之间的数值；

计算出每一块所述区域的Wallis变换的乘性常数和加性常数；

由双线性内插计算所述数字图像的任一像素的系数，并计算变换后的灰度值。

6.根据权利要求5所述的控制点影像数据库更新方法，其特征在于，所述对经Wallis变换处理后的影像进行增强，综合运用Moravec算子、Harris算子、Forstner算子、SUSAN算子、尺度不变特征及最稳定极值区域检测算法提取特征点包括：先利用Moravec算子、Harris算子、Forstner算子、SUSAN算子提取特征点，然后利用尺度不变特征变换及最稳定极值区域算法来检测所提取到的特征点，记录特征点个数，并且利用描述算法对提取出的特征点进行具体描述。

7.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述Moravec算子的计算包括：

计算各格网区域影像的兴趣值；

给定一个阈值，将所述计算的兴趣值大于该阈值的点作为候选点；

选取所述候选点中的极值点作为特征点。

8.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述Harris算子的计算包括：

求出影像上所有像素点的梯度，即对每个像素点的灰度值进行一阶差分运算；

确定一个n×n大小的窗口，生成n×n大小的高斯卷积模板，其中，高斯模板的σ取0.3-0.9之间的值；

利用生成的高斯模板对所述梯度进行高斯滤波，并计算强度值；

选取所述强度值的局部极值点为特征点，如果所述强度值大于阈值0.6，则将该点取为特征点，并且进行排序保存。

9.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述Forstner算子的计算包括：

计算各像素的Robert梯度；

根据所计算的Robert梯度值来计算l×l窗口中灰度的协方差矩阵；

利用所计算的协方差矩阵来计算兴趣值；

确定特征点，其中，如果兴趣值大于给定的阈值，则该像素为特征点。

10.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述SUSAN算子的计算包括：

用SUSAN模板在图像上滑动，将模板内部每个图像像素点的灰度值分别与模板中心像素的灰度值作比较，计算模板中各点的相似度；

基于所计算的相似度来计算图像中每一点的USAN区域大小；

基于所计算的USAN区域大小，用角点响应函数来计算角点初始响应；

通过所述USAN区域的质心与所述模板中心的距离去除伪角点；

在去除伪角点后，再通过非极大值抑制来寻找角点。

11.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述尺度不变特征变换包括：

建立尺度空间；

检测空间极值点作为候选点；

确定关键点位置；

去除边缘响应，删除不稳定点；

计算所述关键点的梯度模及方向；以及

生成特征描述符来描述所述关键点。

12.根据权利要求6所述的控制点影像数据库更新方法，其特征在于，所述最稳定极值区域算法检测包括：

检测图像中所有的极值区域ε，其中，将所有的像素点按照灰度值进行排列，在将所有像素点排序以后，按照升序或者降序将这些像素点在图像中标记出来，在标记的过程中，使用union-find算法将一系列不断增大或者出现的连通区域和它们的面积保存下来，这样的一系列连通区域就是所述极值区域ε；

检测出所述极值区域后，进行拟合将其拟合为一个近似的椭圆区域，然后确定拟合的椭圆区域的重心；

以所述重心的坐标作为虚拟特征点，利用尺度不变特征变换算法中的描述方法进行特征点描述。

13.根据权利要求1所述的控制点影像数据库更新方法，其特征在于，所述控制点影像数据库的更新进一步包括将空间位置信息以及更新所产生的版本及局部差量信息添加到所述控制点影像数据库中。