简介一份遥感图像几何校正专题的实习报告PDF内容覆盖原理、方法与实验操作面向遥感、GIS及测绘专业学生和入门开发者。资源包内仅包含1个PDF文件整体大小为3.48MB目前已有98人浏览/学习。整份文档按实验报告形式组织先从几何畸变的系统性与非系统性来源入手厘清校正的必要性再介绍利用卫星自带地理定位文件、Image to Image、Image to Map和自动图像配准四类常用方法并逐一说明适用场景随后讲解控制点从栅格、矢量、文本及键盘输入的多种选取方式。在核心原理部分重点区分直接法与间接法两种坐标变换方案对比最近邻法、双线性内插法、三次卷积内插法在灰度重采样中的效果差异。文末还包含基于ENVI的Image to Image实操示例与结果分析可以帮助读者把理论知识转化为软件操作能力。掌握这些内容有助于提升遥感影像预处理与定量分析能力是一份实用的遥感实验参考资料。1. 几何畸变没你想的那么规则先把系统误差和非系统误差分开做了几年遥感影像处理的人都会有同感一景影像拿到手里最闹心的不是云遮了多少而是地物位置对不上。很多教程开篇就讲几何校正步骤却很少讲清楚一个前提——几何畸变分两类一类是传感器自身结构带来的系统性变形比如扫描镜摆动速度不均、CCD 排列误差这类误差有规律、可预测地面站一般已经用传感器模型做过一次校正另一类是非系统性变形来自平台高度漂移、姿态角变化、地形起伏、地球曲率和大气折射它不规则、不可预测恰恰是我们在实验室里常说的“几何校正”要解决的东西。这篇文章不会按教科书顺序复述概念而是结合我拆 ENVI 4.8 项目时的实际经验把多项式拟合、控制点选择、重采样、RMS 控制、GLT 校正这一整套流程串起来落到能直接复现的参数与操作上。2. 多项式拟合做坐标变换从控制点到系数的完整推导2.1 直接法与间接法先想清楚你要从哪个方向算几何校正的第一步是确定原始图像和校正后图像之间的坐标变换关系。这里有两个方向直接法从原始图像像元出发逐个计算它在输出图像中的位置间接法则反过来从输出图像的每个像元出发找到它在原始图像中的位置然后取灰度值回填。实际生产中几乎都用间接法原因很简单——直接法算完的输出像元位置往往不是整数会出现空洞和重叠还得再做一次插值排布而间接法每次都是定点取数输出图像天然是完整的网格。不管是哪个方向最终都要用一个映射函数把 (x, y) - (X, Y) 的关系描述出来。最常用的就是二元多项式X a0 a1·x a2·y a3·x² a4·xy a5·y² ...Y b0 b1·x b2·y b3·x² b4·xy b5·y² ...一次多项式是 6 个系数a0-a2, b0-b2二次是 12 个系数三次是 20 个系数。理论上阶数越高拟合能力越强但超过三次以后高次项会把控制点本身的误差放大导致外推区域扭曲得没法看。我一般只用一次或二次除非影像内部有明显的大范围非线性畸变。2.2 最小二乘求解多项式系数别手算用代码一次跑完控制点对 (x_i, y_i) 和 (X_i, Y_i) 给定以后求解系数就是一个标准的最小二乘问题。下面这段 Python 代码可以直接用来算一次和二次多项式的系数也能顺便给出每个控制点的残差我在做校验时经常这么干import numpy as np def poly_coeff(gcp_pairs, order2): gcp_pairs: list of ((src_x, src_y), (dst_X, dst_Y)) order: 1 或 2对应一次/二次多项式 n len(gcp_pairs) if n 6 and order 2: raise ValueError(二次多项式至少需要6个控制点) if n 3 and order 1: raise ValueError(一次多项式至少需要3个控制点) A [] bX [] bY [] for (x, y), (X, Y) in gcp_pairs: if order 1: row [1, x, y] else: # order 2 row [1, x, y, x*x, x*y, y*y] A.append(row) bX.append(X) bY.append(Y) A np.array(A, dtypefloat) bX np.array(bX, dtypefloat) bY np.array(bY, dtypefloat) coeff_X, _, _, _ np.linalg.lstsq(A, bX, rcondNone) coeff_Y, _, _, _ np.linalg.lstsq(A, bY, rcondNone) # 计算每个控制点的残差像素 pred_X A coeff_X pred_Y A coeff_Y rmse_x np.sqrt(np.mean((pred_X - bX) ** 2)) rmse_y np.sqrt(np.mean((pred_Y - bY) ** 2)) rmse_total np.sqrt(rmse_x ** 2 rmse_y ** 2) return coeff_X, coeff_Y, rmse_total, np.sqrt((pred_X - bX) ** 2 (pred_Y - bY) ** 2) # 示例3个控制点一次多项式 gcp [ ((10, 20), (100.5, 200.3)), ((30, 40), (300.2, 400.1)), ((50, 60), (500.7, 600.4)), ] coeff_X, coeff_Y, rmse, errors poly_coeff(gcp, order1) print(RMSE:, rmse) print(单点误差:, errors)这段代码里lstsq是最小二乘求解器A的每一行是根据控制点坐标构造的多项式基函数。rmse_total是 X 和 Y 方向误差的平方和开根也就是 ENVI 里 GCP List 显示的 RMS 值。注意一点np.linalg.lstsq求解的是使误差平方和最小的系数它会把所有控制点都纳入计算因此个别误差很大的点会“拖拽”整个多项式这就是为什么我们要在 ENVI 里先按 RMS 排序删点。2.3 重采样三兄弟最近邻、双线性、三次卷积怎么选坐标变换完成后输出像元落在输入图像的浮点位置必须通过重采样插值获得灰度值。ENVI 提供三种方法它们的取舍很直接方法邻域点数计算量灰度保真度几何结构保持适用场景最近邻1低高保持原始像元值差易出现锯齿和偏移分类后影像、原始 DN 值分析双线性4中中平滑处理较好改善块状化多光谱合成、目视解译三次卷积16高低破坏原始像元值好边缘增强高精度定量反演、波段运算最近邻法输出图像仍然保留原始 DN 值不会引入新的像元值但可能让地物边界产生半个像元的位置偏移。双线性内插是中间选择对道路、水系这类线状地物的连续性有改善代价是灰度值被邻域平均边缘轻微模糊。三次卷积用 16 个邻点拟合连续内插函数对边缘有增强效果看起来更“锐”但计算量大而且会改变像元值分布做温度反演这类定量分析时要慎用。我在做土地利用分类时习惯用最近邻做影像融合前的配准则用双线性大家根据下游用途倒推选择即可。3. Image to Image 校正实战控制点、RMS 与输出参数3.1 控制点采集数量、分布和自动预测的三个原则Image to Image 是最常用的方法核心是用一幅已经校正好的影像作基准把待校正影像配准到它的坐标系上。操作入口在 ENVI 主菜单的 Map → Registration → Select GCPs: Image to Image然后分别指定基准影像Base Image和待校正影像Warp Image。这里最容易翻车的不是操作而是控制点质量。控制点数量有硬下限一次多项式至少 3 点二次至少 6 点三次至少 10 点。但这只是数学上的最低要求实际经验是一次多项式至少 710 点二次至少 1520 点并且控制点在影像四角和中心均匀分布不能挤在某一侧。ENVI 的 Predict 功能会在你选够最低数量后启用——在基准影像上定位一个特征点它会自动预测待校正影像上的同名点位置。用 Predict 可以快速增加控制点但要注意它本质上是在用当前多项式外推预测位置本身就有误差所以每个预测点都得人工微调后再添加。另外当控制点达到一定数量时可以在 Ground Control Points Selection 的 Options → Auto Predict 打开自动预测之后点击基准影像任一点待校正影像会自动跳到预测位置。我用这个功能时有个习惯先均匀采 10 个左右的手动控制点然后再用自动预测加密到 20 个以上而不是一上来就开自动否则前几个点误差还没收敛预测位置会偏到离谱。3.2 RMS 排序与剔除策略让误差高的点滚出方程控制点采完后打开 Show List 可以看到所有点的坐标和误差。ENVI 的 Image to Image GCP List 有 Option → Order Point by Error按 RMS 从高到低排序。这时我会先看最高误差的点和周围点的空间关系如果它是孤立的高误差点直接删除如果它附近几个点误差都偏高说明那个区域的地物选取有问题可能是边界选偏了也可能是建筑投影阴影造成同名点不准确我会回到 Zoom 窗口重新定位。这里有一个关键参数的理解RMS 的单位是像素但它不是单点误差而是多项式拟合后该点的残差。删除一个高误差点后多项式系数会变化其他点的 RMS 也会跟着变所以不能只看排序删一次就完事要交替执行“排序 → 删点 → Update”循环直到整体 RMS 降到你的目标。目标值怎么定我一般要求整体 RMS 小于 0.5 个像元做高精度融合时压到 0.3 以下。注意这是针对 TM 30 米影像的像元尺寸越大同样像素数的 RMS 对应的地面误差越大所以要结合影像分辨率去理解。下面这段代码展示如何用前面算出的单点误差来辅助决策# 假设 errors 是 poly_coeff 返回的每个控制点的总误差像素 def mark_outliers(errors, threshold1.0): 返回误差超过阈值的控制点索引供人工复核 outliers [] for i, e in enumerate(errors): if e threshold: outliers.append(i) return outliers # 实际使用 # coeff_X, coeff_Y, rmse, errors poly_coeff(gcp_pairs, order2) # bad mark_outliers(errors, threshold1.0) # print(需要检查的控制点序号:, bad)这个阈值要参考 RMS 的整体水平。比如整体 RMS 已经 0.3 了有个点误差 1.2 像素那它大概率是错误匹配如果整体 RMS 是 1.5阈值设成 1.0 会把所有点都标记出来没有意义。我通常把阈值设为当前整体 RMS 的 23 倍。3.3 Warp File 与 Warp File as Image Map输出参数决定坐标系控制点验收通过后执行 Options → Warp File选择待校正影像。此时有两种输出方式Warp File 和 Warp File as Image Map。它们的差别很多人没搞清其实就一句话Warp File 直接在数据文件层面做几何变换不生成地图投影信息Warp File as Image Map 则会写入投影参数相当于在几何校正的同时做一个“地理编码”。以 TM 对 SPOT 的校正为例我在参数框里会这样设置校正方法选 Polynomial次数选 2。为什么不用 1因为 TM 影像内部可能仍有地形引起的高阶变形一次多项式只适合平坦地区且两个影像坐标轴近似平行的时候。重采样选 Bilinear。因为 TM 和 SPOT 分辨率不同双线性内插可以避免最近邻带来的块状感。背景值填 0。如果目标区域有云或无效值建议填 -999 或者用掩膜但 ENVI 4.8 里直接填 0 最省事前提是影像本身没有 0 值有效像元。Output Image Extent 默认取基准影像的范围但我会手动改成两幅影像的公共区域避免输出影像比需要的大一圈。Warp File as Image Map 多了一个像元大小选项这里有个常见坑不要直接沿用基准影像的像元大小而要根据待校正影像的真实分辨率来填。比如基准是 SPOT 10 米全色待校正是 TM 30 米如果输出像元改成 10 米相当于对 TM 做了放大重采样数据量增大但信息量没有增加反而让重采样误差被放大。我一般保留原始 TM 的 30 米像元只做几何变换不上采样。如果你后续要和 SPOT 做融合那另说但也要在融合阶段统一分辨率而不是在校正这一步就升采样。4. Image to Map 校正投影参数与控制点来源4.1 投影参数和像元大小坐标系选错全盘皆输Image to Map 和 Image to Image 的思路不太一样它不依赖基准影像而是直接通过控制点把影像坐标映射到地图坐标。启动时选择主菜单 Map → Registration → Select GCPs: Image to Map然后指定影像窗口就会弹出 Image to Map Registration 对话框。这里要设置输出影像的投影参数包括投影类型如 UTM、Gauss-Kruger、基准面如 WGS84、中央经线和像元大小。很多人在这里会忽略一个细节ENVI 4.8 的投影设置对话框里“像元大小”默认单位是米但如果你选择的投影是 Geographic (经纬度)单位就变成了度。我曾经见过有人把 30 米误填成 0.0003 度结果输出影像拉伸到整个地球。所以设置好投影后第一件事是看“Pixel Size”旁边的单位确认它和你的投影坐标系Coordinate System以下简称 CS匹配。我的习惯是做国产卫星数据时选 UTM 或 Albers 等积投影做全球拼接才用 Geographic。4.2 控制点的四种来源键盘、栅格、矢量、文本的取舍Image to Map 最大的优势是控制点来源灵活ENVI 支持四种方式来源操作方式优点缺点适用场景键盘输入在 GCP Selection 里手输 x, y灵活什么数据都行慢且坐标精度受限于目视识别控制点坐标已测好如 GPS 点栅格文件打开已校正栅格右键 Pixel Locator → Export直观和 Image to Image 类似基准栅格本身带误差有地形图或校正好的影像矢量数据打开 USGS DLG 等矢量右键 Export Map Location点坐标精确来源可靠矢量数据可能不覆盖全景区有道路网、行政边界矢量文本文件File → Save GCPs to ASCII / Restore可复用适合批量处理需要外部测量数据无人机 POS、RTK 测量点我从矢量数据中取控制点时会优先选道路交叉口、水库坝角、农田边界拐点这类“永久性地物”避免选季节性变化明显的河漫滩或草地边界。从栅格中取点时则要注意基准影像的时相——如果基准影像和待校正影像差了几个月植被和水体边界已经变了用这些边界做同名点会把误差带进多项式。4.3 校正结果检验地理链接的真实用法Image to Map 校正完成后不要急着收工。我会把校正后的 TM 影像和基准矢量或已校正的 SPOT 影像分别打开用 Display → Geographic Link 建立地理链接。这时两个窗口的视图会同步移动点击任一窗口的影像另一个窗口自动跳到对应地理位置。然后找一个明显的地物比如道路交叉口或建筑物角点交替闪烁对比看两幅影像上这个点是否精确重叠。如果发现局部不重合但整体 RMS 指标又很好多半是控制点分布不均导致的局部残差。这时应该回到 GCP 列表查看残差最大的那几个点所在的区域补采控制点后重新 Warp。比较隐蔽的问题是当控制点分布均匀但影像边缘地形起伏大时多项式拟合无法表达地形投影差这时就需要考虑引入 DEM 做正射校正而不是继续增加多项式阶数。但这是另一个话题不在 Image to Map 的范围内。5. GLT 校正与 Google Earth 验证已知几何信息图像的最后一块拼图5.1 GLT 文件用两个波段记录行列映射有些影像自带几何信息字段比如带 RPC 的高分影像或通过外部测量得到的位置查找表这时可以直接构建 GLTGeographic Lookup Table。GLT 是一个二维图像文件包含两个波段一个记录校正后图像每一像元对应的原始图像行号另一个记录列号。它的存储类型是有符号整型符号含义很关键——正值表示该输出像元是从原始图像真实位置上取数负值表示该输出像元没有对应的真实像元是用邻近像元填充的0 表示周围 7 个像元内都没有有效值相当于空值。在 ENVI 中构建 GLT 的入口是 Map → Georeference from input Geometry → Build GLT。你需要指定 X 几何波段和 Y 几何波段通常就是 IGM 文件里名为 IGM Input X Map 和 IGM Input Y Map 的波段。投影信息可以直接从 IGM 文件读取也可以手动设置。这里要注意输出像元大小对 GLT 精度的影响如果设置得比原始 IGM 分辨率粗多个原始像元会落到同一个输出像元上GLT 会取其中某一个位置造成地物位置偏移。5.2 从 GLT 到校正影像一次参数化几何变换生成 GLT 之后执行 Map → Georeference from input Geometry → Geometry from GLT选择 GLT 文件和待校正影像设置背景值和输出路径就能得到校正后的影像。整个过程不涉及控制点选择也不做多项式拟合而是逐个像元查找 GLT 中的映射关系。这种方法的优点是能表达逐像元的非全局变形特别适合带有扫描行畸变的高光谱数据或无人机视频帧。我在使用 GLT 校正后会做一个快速检查把输出影像的负值区域高亮显示看是否大量集中。如果负值像元分布稀疏且零散属于正常插值如果一大片区域全是负值说明 GLT 的范围与待校正影像不匹配通常是 IGM 文件与影像空间范围错位需要重新检查几何信息的坐标定义。5.3 一个实用验证技巧透明卷帘看重合最后分享一个比来回切换窗口高效得多的验证方法。校正完成后将基准影像和校正影像在两个 Display 中打开选择 Link Display然后把其中一个 Display 设置成透明叠加。具体做法是在 Layer Manager 中选中校正影像图层调整 Transparency 属性到 50% 左右再启用 Link Display 的卷帘模式——按住鼠标中键画一个矩形框然后用左键拖动矩形框内外会显示不同影像。这样就能像翻书一样对比两层影像任何线状地物的错位都会在矩形边界上露出马脚。这个技巧对 SPOT 和 TM 这类分辨率差异较大的影像特别有效因为直接叠图的话30 米像元会盖住 10 米细节而卷帘能让你分区域逐块检查。配合 Geographic Link 随机选点基本可以覆盖整个影像范围的配准质量检查。本文还有配套的精品资源点击获取 
长河君 · 2026/9/19 15:19:50 · 阅读 1.2k 遥感影像几何校正完全指南：从控制点到多项式拟合与重采样
简介一份遥感图像几何校正专题的实习报告PDF内容覆盖原理、方法与实验操作面向遥感、GIS及测绘专业学生和入门开发者。资源包内仅包含1个PDF文件整体大小为3.48MB目前已有98人浏览/学习。整份文档按实验报告形式组织先从几何畸变的系统性与非系统性来源入手厘清校正的必要性再介绍利用卫星自带地理定位文件、Image to Image、Image to Map和自动图像配准四类常用方法并逐一说明适用场景随后讲解控制点从栅格、矢量、文本及键盘输入的多种选取方式。在核心原理部分重点区分直接法与间接法两种坐标变换方案对比最近邻法、双线性内插法、三次卷积内插法在灰度重采样中的效果差异。文末还包含基于ENVI的Image to Image实操示例与结果分析可以帮助读者把理论知识转化为软件操作能力。掌握这些内容有助于提升遥感影像预处理与定量分析能力是一份实用的遥感实验参考资料。1. 几何畸变没你想的那么规则先把系统误差和非系统误差分开做了几年遥感影像处理的人都会有同感一景影像拿到手里最闹心的不是云遮了多少而是地物位置对不上。很多教程开篇就讲几何校正步骤却很少讲清楚一个前提——几何畸变分两类一类是传感器自身结构带来的系统性变形比如扫描镜摆动速度不均、CCD 排列误差这类误差有规律、可预测地面站一般已经用传感器模型做过一次校正另一类是非系统性变形来自平台高度漂移、姿态角变化、地形起伏、地球曲率和大气折射它不规则、不可预测恰恰是我们在实验室里常说的“几何校正”要解决的东西。这篇文章不会按教科书顺序复述概念而是结合我拆 ENVI 4.8 项目时的实际经验把多项式拟合、控制点选择、重采样、RMS 控制、GLT 校正这一整套流程串起来落到能直接复现的参数与操作上。2. 多项式拟合做坐标变换从控制点到系数的完整推导2.1 直接法与间接法先想清楚你要从哪个方向算几何校正的第一步是确定原始图像和校正后图像之间的坐标变换关系。这里有两个方向直接法从原始图像像元出发逐个计算它在输出图像中的位置间接法则反过来从输出图像的每个像元出发找到它在原始图像中的位置然后取灰度值回填。实际生产中几乎都用间接法原因很简单——直接法算完的输出像元位置往往不是整数会出现空洞和重叠还得再做一次插值排布而间接法每次都是定点取数输出图像天然是完整的网格。不管是哪个方向最终都要用一个映射函数把 (x, y) - (X, Y) 的关系描述出来。最常用的就是二元多项式X a0 a1·x a2·y a3·x² a4·xy a5·y² ...Y b0 b1·x b2·y b3·x² b4·xy b5·y² ...一次多项式是 6 个系数a0-a2, b0-b2二次是 12 个系数三次是 20 个系数。理论上阶数越高拟合能力越强但超过三次以后高次项会把控制点本身的误差放大导致外推区域扭曲得没法看。我一般只用一次或二次除非影像内部有明显的大范围非线性畸变。2.2 最小二乘求解多项式系数别手算用代码一次跑完控制点对 (x_i, y_i) 和 (X_i, Y_i) 给定以后求解系数就是一个标准的最小二乘问题。下面这段 Python 代码可以直接用来算一次和二次多项式的系数也能顺便给出每个控制点的残差我在做校验时经常这么干import numpy as np def poly_coeff(gcp_pairs, order2): gcp_pairs: list of ((src_x, src_y), (dst_X, dst_Y)) order: 1 或 2对应一次/二次多项式 n len(gcp_pairs) if n 6 and order 2: raise ValueError(二次多项式至少需要6个控制点) if n 3 and order 1: raise ValueError(一次多项式至少需要3个控制点) A [] bX [] bY [] for (x, y), (X, Y) in gcp_pairs: if order 1: row [1, x, y] else: # order 2 row [1, x, y, x*x, x*y, y*y] A.append(row) bX.append(X) bY.append(Y) A np.array(A, dtypefloat) bX np.array(bX, dtypefloat) bY np.array(bY, dtypefloat) coeff_X, _, _, _ np.linalg.lstsq(A, bX, rcondNone) coeff_Y, _, _, _ np.linalg.lstsq(A, bY, rcondNone) # 计算每个控制点的残差像素 pred_X A coeff_X pred_Y A coeff_Y rmse_x np.sqrt(np.mean((pred_X - bX) ** 2)) rmse_y np.sqrt(np.mean((pred_Y - bY) ** 2)) rmse_total np.sqrt(rmse_x ** 2 rmse_y ** 2) return coeff_X, coeff_Y, rmse_total, np.sqrt((pred_X - bX) ** 2 (pred_Y - bY) ** 2) # 示例3个控制点一次多项式 gcp [ ((10, 20), (100.5, 200.3)), ((30, 40), (300.2, 400.1)), ((50, 60), (500.7, 600.4)), ] coeff_X, coeff_Y, rmse, errors poly_coeff(gcp, order1) print(RMSE:, rmse) print(单点误差:, errors)这段代码里lstsq是最小二乘求解器A的每一行是根据控制点坐标构造的多项式基函数。rmse_total是 X 和 Y 方向误差的平方和开根也就是 ENVI 里 GCP List 显示的 RMS 值。注意一点np.linalg.lstsq求解的是使误差平方和最小的系数它会把所有控制点都纳入计算因此个别误差很大的点会“拖拽”整个多项式这就是为什么我们要在 ENVI 里先按 RMS 排序删点。2.3 重采样三兄弟最近邻、双线性、三次卷积怎么选坐标变换完成后输出像元落在输入图像的浮点位置必须通过重采样插值获得灰度值。ENVI 提供三种方法它们的取舍很直接方法邻域点数计算量灰度保真度几何结构保持适用场景最近邻1低高保持原始像元值差易出现锯齿和偏移分类后影像、原始 DN 值分析双线性4中中平滑处理较好改善块状化多光谱合成、目视解译三次卷积16高低破坏原始像元值好边缘增强高精度定量反演、波段运算最近邻法输出图像仍然保留原始 DN 值不会引入新的像元值但可能让地物边界产生半个像元的位置偏移。双线性内插是中间选择对道路、水系这类线状地物的连续性有改善代价是灰度值被邻域平均边缘轻微模糊。三次卷积用 16 个邻点拟合连续内插函数对边缘有增强效果看起来更“锐”但计算量大而且会改变像元值分布做温度反演这类定量分析时要慎用。我在做土地利用分类时习惯用最近邻做影像融合前的配准则用双线性大家根据下游用途倒推选择即可。3. Image to Image 校正实战控制点、RMS 与输出参数3.1 控制点采集数量、分布和自动预测的三个原则Image to Image 是最常用的方法核心是用一幅已经校正好的影像作基准把待校正影像配准到它的坐标系上。操作入口在 ENVI 主菜单的 Map → Registration → Select GCPs: Image to Image然后分别指定基准影像Base Image和待校正影像Warp Image。这里最容易翻车的不是操作而是控制点质量。控制点数量有硬下限一次多项式至少 3 点二次至少 6 点三次至少 10 点。但这只是数学上的最低要求实际经验是一次多项式至少 710 点二次至少 1520 点并且控制点在影像四角和中心均匀分布不能挤在某一侧。ENVI 的 Predict 功能会在你选够最低数量后启用——在基准影像上定位一个特征点它会自动预测待校正影像上的同名点位置。用 Predict 可以快速增加控制点但要注意它本质上是在用当前多项式外推预测位置本身就有误差所以每个预测点都得人工微调后再添加。另外当控制点达到一定数量时可以在 Ground Control Points Selection 的 Options → Auto Predict 打开自动预测之后点击基准影像任一点待校正影像会自动跳到预测位置。我用这个功能时有个习惯先均匀采 10 个左右的手动控制点然后再用自动预测加密到 20 个以上而不是一上来就开自动否则前几个点误差还没收敛预测位置会偏到离谱。3.2 RMS 排序与剔除策略让误差高的点滚出方程控制点采完后打开 Show List 可以看到所有点的坐标和误差。ENVI 的 Image to Image GCP List 有 Option → Order Point by Error按 RMS 从高到低排序。这时我会先看最高误差的点和周围点的空间关系如果它是孤立的高误差点直接删除如果它附近几个点误差都偏高说明那个区域的地物选取有问题可能是边界选偏了也可能是建筑投影阴影造成同名点不准确我会回到 Zoom 窗口重新定位。这里有一个关键参数的理解RMS 的单位是像素但它不是单点误差而是多项式拟合后该点的残差。删除一个高误差点后多项式系数会变化其他点的 RMS 也会跟着变所以不能只看排序删一次就完事要交替执行“排序 → 删点 → Update”循环直到整体 RMS 降到你的目标。目标值怎么定我一般要求整体 RMS 小于 0.5 个像元做高精度融合时压到 0.3 以下。注意这是针对 TM 30 米影像的像元尺寸越大同样像素数的 RMS 对应的地面误差越大所以要结合影像分辨率去理解。下面这段代码展示如何用前面算出的单点误差来辅助决策# 假设 errors 是 poly_coeff 返回的每个控制点的总误差像素 def mark_outliers(errors, threshold1.0): 返回误差超过阈值的控制点索引供人工复核 outliers [] for i, e in enumerate(errors): if e threshold: outliers.append(i) return outliers # 实际使用 # coeff_X, coeff_Y, rmse, errors poly_coeff(gcp_pairs, order2) # bad mark_outliers(errors, threshold1.0) # print(需要检查的控制点序号:, bad)这个阈值要参考 RMS 的整体水平。比如整体 RMS 已经 0.3 了有个点误差 1.2 像素那它大概率是错误匹配如果整体 RMS 是 1.5阈值设成 1.0 会把所有点都标记出来没有意义。我通常把阈值设为当前整体 RMS 的 23 倍。3.3 Warp File 与 Warp File as Image Map输出参数决定坐标系控制点验收通过后执行 Options → Warp File选择待校正影像。此时有两种输出方式Warp File 和 Warp File as Image Map。它们的差别很多人没搞清其实就一句话Warp File 直接在数据文件层面做几何变换不生成地图投影信息Warp File as Image Map 则会写入投影参数相当于在几何校正的同时做一个“地理编码”。以 TM 对 SPOT 的校正为例我在参数框里会这样设置校正方法选 Polynomial次数选 2。为什么不用 1因为 TM 影像内部可能仍有地形引起的高阶变形一次多项式只适合平坦地区且两个影像坐标轴近似平行的时候。重采样选 Bilinear。因为 TM 和 SPOT 分辨率不同双线性内插可以避免最近邻带来的块状感。背景值填 0。如果目标区域有云或无效值建议填 -999 或者用掩膜但 ENVI 4.8 里直接填 0 最省事前提是影像本身没有 0 值有效像元。Output Image Extent 默认取基准影像的范围但我会手动改成两幅影像的公共区域避免输出影像比需要的大一圈。Warp File as Image Map 多了一个像元大小选项这里有个常见坑不要直接沿用基准影像的像元大小而要根据待校正影像的真实分辨率来填。比如基准是 SPOT 10 米全色待校正是 TM 30 米如果输出像元改成 10 米相当于对 TM 做了放大重采样数据量增大但信息量没有增加反而让重采样误差被放大。我一般保留原始 TM 的 30 米像元只做几何变换不上采样。如果你后续要和 SPOT 做融合那另说但也要在融合阶段统一分辨率而不是在校正这一步就升采样。4. Image to Map 校正投影参数与控制点来源4.1 投影参数和像元大小坐标系选错全盘皆输Image to Map 和 Image to Image 的思路不太一样它不依赖基准影像而是直接通过控制点把影像坐标映射到地图坐标。启动时选择主菜单 Map → Registration → Select GCPs: Image to Map然后指定影像窗口就会弹出 Image to Map Registration 对话框。这里要设置输出影像的投影参数包括投影类型如 UTM、Gauss-Kruger、基准面如 WGS84、中央经线和像元大小。很多人在这里会忽略一个细节ENVI 4.8 的投影设置对话框里“像元大小”默认单位是米但如果你选择的投影是 Geographic (经纬度)单位就变成了度。我曾经见过有人把 30 米误填成 0.0003 度结果输出影像拉伸到整个地球。所以设置好投影后第一件事是看“Pixel Size”旁边的单位确认它和你的投影坐标系Coordinate System以下简称 CS匹配。我的习惯是做国产卫星数据时选 UTM 或 Albers 等积投影做全球拼接才用 Geographic。4.2 控制点的四种来源键盘、栅格、矢量、文本的取舍Image to Map 最大的优势是控制点来源灵活ENVI 支持四种方式来源操作方式优点缺点适用场景键盘输入在 GCP Selection 里手输 x, y灵活什么数据都行慢且坐标精度受限于目视识别控制点坐标已测好如 GPS 点栅格文件打开已校正栅格右键 Pixel Locator → Export直观和 Image to Image 类似基准栅格本身带误差有地形图或校正好的影像矢量数据打开 USGS DLG 等矢量右键 Export Map Location点坐标精确来源可靠矢量数据可能不覆盖全景区有道路网、行政边界矢量文本文件File → Save GCPs to ASCII / Restore可复用适合批量处理需要外部测量数据无人机 POS、RTK 测量点我从矢量数据中取控制点时会优先选道路交叉口、水库坝角、农田边界拐点这类“永久性地物”避免选季节性变化明显的河漫滩或草地边界。从栅格中取点时则要注意基准影像的时相——如果基准影像和待校正影像差了几个月植被和水体边界已经变了用这些边界做同名点会把误差带进多项式。4.3 校正结果检验地理链接的真实用法Image to Map 校正完成后不要急着收工。我会把校正后的 TM 影像和基准矢量或已校正的 SPOT 影像分别打开用 Display → Geographic Link 建立地理链接。这时两个窗口的视图会同步移动点击任一窗口的影像另一个窗口自动跳到对应地理位置。然后找一个明显的地物比如道路交叉口或建筑物角点交替闪烁对比看两幅影像上这个点是否精确重叠。如果发现局部不重合但整体 RMS 指标又很好多半是控制点分布不均导致的局部残差。这时应该回到 GCP 列表查看残差最大的那几个点所在的区域补采控制点后重新 Warp。比较隐蔽的问题是当控制点分布均匀但影像边缘地形起伏大时多项式拟合无法表达地形投影差这时就需要考虑引入 DEM 做正射校正而不是继续增加多项式阶数。但这是另一个话题不在 Image to Map 的范围内。5. GLT 校正与 Google Earth 验证已知几何信息图像的最后一块拼图5.1 GLT 文件用两个波段记录行列映射有些影像自带几何信息字段比如带 RPC 的高分影像或通过外部测量得到的位置查找表这时可以直接构建 GLTGeographic Lookup Table。GLT 是一个二维图像文件包含两个波段一个记录校正后图像每一像元对应的原始图像行号另一个记录列号。它的存储类型是有符号整型符号含义很关键——正值表示该输出像元是从原始图像真实位置上取数负值表示该输出像元没有对应的真实像元是用邻近像元填充的0 表示周围 7 个像元内都没有有效值相当于空值。在 ENVI 中构建 GLT 的入口是 Map → Georeference from input Geometry → Build GLT。你需要指定 X 几何波段和 Y 几何波段通常就是 IGM 文件里名为 IGM Input X Map 和 IGM Input Y Map 的波段。投影信息可以直接从 IGM 文件读取也可以手动设置。这里要注意输出像元大小对 GLT 精度的影响如果设置得比原始 IGM 分辨率粗多个原始像元会落到同一个输出像元上GLT 会取其中某一个位置造成地物位置偏移。5.2 从 GLT 到校正影像一次参数化几何变换生成 GLT 之后执行 Map → Georeference from input Geometry → Geometry from GLT选择 GLT 文件和待校正影像设置背景值和输出路径就能得到校正后的影像。整个过程不涉及控制点选择也不做多项式拟合而是逐个像元查找 GLT 中的映射关系。这种方法的优点是能表达逐像元的非全局变形特别适合带有扫描行畸变的高光谱数据或无人机视频帧。我在使用 GLT 校正后会做一个快速检查把输出影像的负值区域高亮显示看是否大量集中。如果负值像元分布稀疏且零散属于正常插值如果一大片区域全是负值说明 GLT 的范围与待校正影像不匹配通常是 IGM 文件与影像空间范围错位需要重新检查几何信息的坐标定义。5.3 一个实用验证技巧透明卷帘看重合最后分享一个比来回切换窗口高效得多的验证方法。校正完成后将基准影像和校正影像在两个 Display 中打开选择 Link Display然后把其中一个 Display 设置成透明叠加。具体做法是在 Layer Manager 中选中校正影像图层调整 Transparency 属性到 50% 左右再启用 Link Display 的卷帘模式——按住鼠标中键画一个矩形框然后用左键拖动矩形框内外会显示不同影像。这样就能像翻书一样对比两层影像任何线状地物的错位都会在矩形边界上露出马脚。这个技巧对 SPOT 和 TM 这类分辨率差异较大的影像特别有效因为直接叠图的话30 米像元会盖住 10 米细节而卷帘能让你分区域逐块检查。配合 Geographic Link 随机选点基本可以覆盖整个影像范围的配准质量检查。本文还有配套的精品资源点击获取