本文内容来源于《测绘学报》2024年第4期（审图号GS京(2024)0714号）
王密1, 郭贝贝1, 皮英冬1, 张致齐2, 肖晶3, 戴荣凡1, 项韶1
1.武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079
2.湖北工业大学计算机学院，湖北 武汉 430068
3.武汉大学计算机学院，湖北 武汉 430072
基金资助: 国家重点研发计划（2022YFB3902804）；国家自然科学基金（42192583）
摘要：遥感卫星在轨处理技术是推动遥感技术实现实时智能服务的核心环节。针对星上资源受限环境引起的系列处理难题及遥感数据实时处理与信息提取需求，本文首先构建了任务驱动的卫星遥感数据在轨处理框架，以任务需求为核心并协同星地资源建立基于感兴趣区域的星上处理技术体系；然后，面向不同任务层级和应用场景，给出了以位置信息为驱动的基础在轨处理模式、以目标/场景内容和变化事件为驱动的智能处理模式；最后，论述了适配星上资源受限环境的在轨处理关键算法，基于珞珈三号01星星上处理应用程序，验证了典型算法的在轨处理效果。在任务驱动和星地协同机制下，实现了在轨高精度定位、多类型影像产品快速生成、静动态目标信息实时提取及静态和动态影像高倍率近实时压缩。在轨处理显著提高了传统地面处理的效率，能够有效支撑后续卫星遥感实时智能服务。
关键词：在轨处理 ; 任务驱动 ; 星地协同 ; 实时智能服务 ; 珞珈三号01星
引文格式：王密, 郭贝贝, 皮英冬, 张致齐, 肖晶, 戴荣凡, 项韶. 珞珈三号01星在轨处理技术及验证. 测绘学报[J], 2024, 53(4): 599-609 doi:10.11947/j.AGCS.2024.20230357WANG Mi. On-orbit processing technology and verification of Luojia-3 01 satellite. Acta Geodaetica et Cartographica Sinica[J], 2024, 53(4): 599-609 doi:10.11947/j.AGCS.2024.20230357
阅读全文：http://xb.chinasmp.com/article/2024/1001-1595/1001-1595-2024-04-0599.shtml卫星遥感依托天基平台位置优势，可不受领土、领空限制对地观测，是获取全球地理空间信息的重要手段[1-2]。自1957年发射第一颗人造地球卫星至今，世界范围内军用、民用和商业遥感卫星蓬勃发展，在轨遥感卫星数量近千颗，卫星性能不断提高且星座组网协同观测，实现了高分辨率的精细成像、短重访周期和大范围的观测覆盖，为国土资源普查、应急快速响应、区域动态监测等提供丰富数据支撑[3-4]。当前遥感卫星系统的探测效能已显著提升，但数据处理和应用大多以标准景为核心，星上成像的原始数据经地面固定接收站下传至地面处理中心进行数据分析和信息提取，原始数据量较大，数据下传存在延迟且应用链路较长，导致用户所需数据和信息难以及时处理和传送，严重制约在轨遥感卫星的实用化和大众化发展[5-8]。近些年在人工智能和空间信息网络的发展下，国内外学者和机构对遥感卫星数据处理与信息服务的新模式展开了众多有益的探索，相继提出了多种卫星遥感信息实时智能服务的发展思路[9-10]。文献[11]提出未来智能遥感卫星系统，通过遥感数据获取、分析和通信系统的在轨集成和多种卫星传感器的综合利用进行智能化观测。文献[12-14]提出通信遥感一体的SeeMe计划，规划了地面移动终端直接指挥有效载荷操作并接收图像的蓝图。文献[15-16]提出卫星通信、导航、遥感一体的天基信息实时服务系统，通过多载荷集成、多星协同、天地网络互联，解决通信、导航与遥感卫星自成体系、信息分离和服务滞后的问题。文献[17]提出的空间信息网络环境下对地观测脑的理念，通过赋予通导遥卫星系统类似于脑的智能感知、认知和决策能力，提升天基信息服务的智能水平。实现卫星遥感实时智能服务需要解决从数据获取到终端接收全过程的一系列技术问题，包括成像任务规划、星上在轨处理、星地链路传输、地面移动网络、用户终端接收等，涉及卫星测控、运控、成像、处理及应用服务等多个环节。在轨处理技术是其中的核心环节，主要负责完成卫星获取数据的星上快速处理功能，在轨生成多类型影像产品并提取有用遥感信息，缩短空间信息网络环境下的数据处理链并减少数据传输量，为遥感卫星实时智能服务提供数据支撑。在上述发展理念的基础上，国内外相继发展了一些具备智能特征的遥感卫星，并针对特定应用需求开展了在轨处理技术验证。国外自20世纪90年代开始基于数字信息处理器、现场可编程门阵列、片上系统等多种技术构建星上处理系统，实现了星上数据压缩、分类、特征检测、变化检测等处理算法。如美国的TacSat-3卫星实现了在轨高光谱检测分类[18]；德国的TET-1卫星实现了影像在轨预处理和多光谱分类[19]；新加坡的X-SAT卫星具备在轨自动消除无效数据的功能[20]；法国的Pleiades卫星通过多片星上处理器的并行组合实现了图像处理与压缩的在轨处理[21]。近几年，国内卫星遥感技术发展迅猛，研制星上处理系统和发射了多颗具备在轨智能处理功能的遥感卫星。北京理工大学和武汉大学研制了在轨特定目标实时检测和定位系统，在我国某颗卫星上实际应用，并取得了显著成效[9]。2019年发射的吉林一号光谱01和02星在轨验证了舰船、火点识别等处理技术[22]；同年发射的高分多模卫星采用星地一体化快速响应系统，完成了热点区域的目标快速提取及2级图像产品的快速生成[23]。2020年发射了主要用于在轨实时遥感信息提取技术验证的新技术试验卫星G星[24]。为充分验证空间信息网络环境下天基信息的综合集成与在轨试验验证，武汉大学与航天工业部门合作，自2017年开始着手研制互联网智能遥感科学试验卫星珞珈三号01星[7]，历经5年多的技术攻关，于2023年1月15日成功发射。珞珈三号01星结合多模式成像系统、在轨处理系统和测运控一体化应用服务系统，能够提供卫星端与地面移动终端互联的遥感数据服务，开创了“在轨处理＋实时信息服务”的模式[25]。在大温差、高辐照的太空环境下，宇航级处理器性能及卫星功耗和成本等严格受限，星上计算、存储和传输等资源十分有限，卫星在轨处理难以直接适用传统地面以标准景为核心的数据处理模式及依靠大量控制点和训练样本的定位处理和信息提取算法。因此，需要发展适配受限资源环境的在轨处理框架和模式，并研究合适的在轨处理算法，以实现遥感数据信息的星上快速处理。基于此，本文首先结合珞珈三号01星的实践经验，构建任务驱动的卫星遥感数据在轨处理框架，以任务需求为核心并协同星地资源建立基于感兴趣区域(regions of interest，ROI)的星上处理技术体系；然后，论述面向不同任务层级的在轨处理应用模式，包括以位置信息为驱动的基础模式、以目标/场景内容和变化事件为驱动的智能模式，为后续遥感卫星智能化发展提供参考；最后，介绍在轨高精度定位、影像产品处理、目标信息提取及影像压缩等在轨处理关键算法，并基于珞珈三号01星星上智能处理平台预装的在轨处理应用程序对典型算法进行星上验证，处理精度、速度及目视结果表明珞珈三号01星能够实现遥感数据的多类型影像产品在轨快速处理、静动态目标信息近实时提取及影像高倍率近实时压缩。智能遥感卫星在轨处理是实现空间信息网络环境下快速、准确、灵活的遥感信息智能服务目标的重要环节。通过星上配置可重构可扩展的智能处理单元实现遥感数据的边获取边处理边分析，直接获得支持任务决策所需的信息[7]。与传统的地面处理方式相比，卫星遥感数据在轨处理能缩短数据处理和传输链路，降低地面接收系统的数据规模，有效提升任务执行的时效性。然而，由于宇航级处理器往往受低功耗、高可靠性和抗辐射等要求，其算力相对有限[26]。同时，卫星的体积、质量、功耗和成本等也限制了星上计算、存储、传输等资源[27]。因此，无法简单地采用地面的数据加工流程和处理方法，必须转变以传统标准景为核心的数据处理方式，建立适合星上受限资源下的处理机制和数据处理模式，以满足遥感数据的高时效性信息服务需求。1.1 任务驱动的在轨处理框架
卫星与地面构成的星地空间信息网络是一个集数据采集、处理、传输、应用的完整体系，为了实现星上受限环境下的高时效处理和应用，需将星地视为一个完整的处理体系，通过星地不同功能资源的通信与协作来实现面向任务的快速响应[9,28]。其中地面功能单元主要完成任务管控和资源协同，以及历史数据累积、参数统计、系数解算、模型训练等需要存储大量数据、消耗大量计算资源的耗时处理，为星上模型参数的优化和星上数据库的更新提供支撑；星上功能单元使用地面上注的算法、配置、算法参数和任务指令，根据任务需求智能规划数据获取和处理流程，动态调整处理算法与参数，完成高质量实时成像、任务区域精准处理和信息提取，得到任务所需的有效数据，实现可配置的遥感数据星地协同实时智能处理。在星地协同机制下，任务驱动的在轨处理框架如图1所示。流入数据为来自卫星成像系统的原始数据及姿态轨道测量系统的平台原始数据，成像系统的原始数据包括原始影像和相机成像辅助数据。数据处理时首先根据任务信息，在数据流入的同时，解析原始数据，确定任务ROI数据在原始数据中的范围，从原始数据中裁切和提取ROI区域数据；根据任务所需的数据类型(产品影像、目标信息等)完成ROI区域的数据处理。当任务需要产品影像时，则根据上注的辐射定标系数、几何定标参数、算法配置参数、地球自转参数，以及预装的全球数字高程模型(DEM)，对原始影像数据进行相对辐射校正、传感器校正、系统几何校正等高精度处理，输出带有地面编码的ROI区域二级影像。还可根据需求对影像进行正射纠正、全色多光谱融合等处理，实现多类型影像产品的在轨生成。当任务需要目标信息时，则根据上注的智能模型参数，对高精度处理后的影像进行静态目标检测、动态目标跟踪、地物分类、变化分析等智能解译，识别ROI区域内的目标类型、大小、位置、运动轨迹和态势变化，获取用户所需的有效信息。ROI区域影像切片或目标信息处理结果经过高倍压缩与编码处理，实时传送到星上数传系统，再经星地通信链路直接传输给用户终端。该处理框架改变了传统以影像产品为核心的处理模式，转向以用户需求为核心的星地协同处理模式，通过星地资源协同调度与优化，提升受限环境下遥感数据处理和信息提取效率，使空间信息网络的有限带宽资源传输用户任务最需要的数据和信息。图1 任务驱动的在轨处理框架
Fig. 1 Task-driven on-orbit processing framework
1.2 任务驱动的在轨处理模式
根据任务的不同性质，遥感卫星的在轨处理工作模式可以划分为3种主要类型，即位置感知、内容感知和变化感知。这些模式以任务提供的位置信息、目标或场景特征及地物变化情况为驱动，实现待处理ROI数据筛选、处理流程的规划和自主执行，以满足各种不同应用场景下对遥感数据高效处理的需求。1.2.1 基于位置感知的在轨处理模式
基于位置感知的在轨处理模式根据任务指令中提供的地理位置信息(如经纬度)，在星上处理平台不断流入数据的同时，通过几何定位计算实时定位ROI在原始影像中的覆盖范围(起止行列号)，之后根据任务需求进行ROI的影像处理和信息提取等。几何定位计算是该模式的关键环节，主要基于成像几何模型，将像点与对应物点坐标进行映射计算。光学遥感卫星对地观测是一个复杂过程，涉及成像、测姿、定轨等环节。成像几何模型基于共线方程原理，需要考虑姿态、轨道、行时等实时测量参数。然而，每帧或每扫描行影像的成像几何模型各不相同，物方的经纬度坐标到图像像点坐标的反算需要多次迭代[29]，耗时较长，难以适配较快的数据流入速率，从而容易给星上处理平台的数据缓存带来负担。因此，需要构建适用于星上处理的成像几何模型，以满足ROI区域的快速几何定位需求。该模式主要依据任务给定的位置范围，需要人工干预确定ROI位置，适合用户实时监测感兴趣或热点区域的动态，但其处理的自主性和智能化水平有限，可以视为在轨处理的基础应用模式。1.2.2 基于内容感知的在轨处理模式
在基于内容感知的在轨处理模式中，任务指令提供目标类型和地物场景等语义信息，ROI区域应包括特定的目标类型或地物场景(如飞机、船舶、机场、火车站等)。在卫星持续成像过程中，星上处理平台利用地面上注的智能解译模型，对原始影像数据流进行目标检测或场景分类，一旦识别到所需目标场景，ROI数据范围就被确定，之后便可对ROI数据进行提取和处理。此外，云检测也可作为筛选条件，用于在原始影像数据流中辨识云区域，从中筛选出不包含云的ROI区域以供后续处理。这一模式要求目标检测、场景分类和云检测等影像解译算法具备高时效性和稳定性，并对星上系统的算力水平有一定要求。为实际工程化的实现，需要选取适应星上环境的高效解译算法。基于内容感知的模式具备自主感知目标或场景类型的能力，可为用户提供专用化定制服务，是一种事件驱动的在轨处理模式。
1.2.3 基于变化感知的在轨处理模式
在基于变化感知的在轨处理模式中，任务指令更关注目标或场景是否发生变化的语义信息(如房屋是否坍塌)。依赖于星上预装、上注或累积的历史影像或先验信息，结合遥感影像变化检测技术，实时对原始影像数据流进行分析，以识别地物变化的区域，并因此确定ROI数据范围，用于后续处理。当前遥感影像的变化检测可分为“是否变化”的二值变化检测和“属性是否发生变化”的一般变化检测[30]。前者只需定位变化区域，后者需要判定地物类型，更为复杂。然而，在变化感知的模式中，只需关注是否变化，关于具体变化的信息可以在后续处理步骤中获取。因此，可以采用更高效的二值变化检测方法来自主感知变化的ROI。此外，还可以建立包括重点区域(如潜在灾害易发区域)的土地覆盖类型、历史影像的星上动态比对知识库，以存储重点区域的历史态势信息，为星上自主监测和数据处理提供支撑。在轨处理旨在提高遥感数据的处理和信息提取的实时性，除了任务驱动的在轨处理框架与模式，还需要研究适配星上受限资源环境的在轨高精度定位、影像产品快速生成、遥感信息实时提取及影像高倍压缩等算法支撑。基于此，本节重点阐述在轨处理关键算法，并基于珞珈三号01星星上智能处理平台预装的在轨处理APP对典型算法进行星上验证。2.1 星地协同在轨高精度定位
在轨高精度定位主要基于成像几何模型完成像点对应物方地理坐标的计算，为后续处理提供准确的位置信息。定位精度与姿态、轨道参数(外方位元素)及相机参数(内方位元素)的精度紧密相关。姿态和轨道数据精度由星上搭载的姿态测量和轨道测量传感器的量测精度决定的。相机参数由卫星发射前的实验室检校测定，但发射和在轨过程中空间环境改变等因素会使得星上载荷结构和状态发生变化，导致实验室检校参数失真，直接影响在轨定位精度。卫星在轨运行后通常需定期开展系统的几何定标，消除影响卫星定位精度的系统误差，并确定卫星真实相机参数[31]。目前光学卫星几何定标一般基于空间后方交会原理，结合姿轨观测数据，利用地面控制点解求相机参数。为精确拟合各项误差，通常从高精度的DOM和DEM上识别密集且均匀分布的控制点进行参数解算[32]。然而，资源有限的星上无法存储大数据量的参考影像和控制点数据，使得星上无法开展几何定标工作。因此，需要协同地面资源，在地面完成几何定标，并建立参数上注与星上参数更新机制，修正及优化星上成像几何模型，实现星上在轨高精度定位。珞珈三号01星发射后，利用山东定标场数据进行了几何定标。将拍摄的影像下传至地面处理中心，与定标场的参考DOM和DEM匹配了23 738个控制点(图2)，用于相机参数解算，定标精度为0.812像素。之后将定标确定的新相机参数文件上注至星上处理系统，更新星上相机参数。进一步基于新相机参数，结合姿态和轨道测量数据，测试在轨生成的其他测试景的定位精度。珞珈三号01星多模式成像的定位精度结果如图3所示，由于姿态和轨道等随机误差的影响，36个视频影像和13个推扫影像的无控定位精度有一定的波动，但均优于30 m，实现了较高的在轨定位精度。图2 几何定标控制点分布
Fig. 2 Distribution of control points for geometric calibration
图3 测试影像的几何定位精度
Fig. 3 Geometric positioning accuracy of test images
2.2 面向ROI的影像产品在轨处理
影像产品处理主要采用遥感影像相对辐射校正、传感器校正和系统几何校正处理等技术，消除由于探元响应不一致引起的系统噪声，以及由于光学镜头、探元变形、主点主距误差等引起影像内部几何畸变问题，生成带有地理信息的高质量和高精度影像，为遥感卫星实时智能服务提供基础影像产品。传统处理方式以遥感卫星分景编目后的标准景为核心，处理数据量和计算量较大，也需要较多的存储和传输资源。在轨处理若采用这种方式会给星上处理平台性能和星地数传带来巨大压力；同时，由于所需数据通常占比较小，标准景的处理模式会造成大量无用数据被处理，导致资源浪费。因此，需要发展面向ROI的影像产品处理方法，通过筛选ROI的原始数据，减少数据处理量，实现对任务所需区域的影像产品的在轨实时生成。在获得ROI的数据范围后，从原始数据流中解析并提取该数据段，用于0~2级影像产品在轨处理。首先，星上处理单元根据地面上注的辐射定标系数查找表对原始影像进行相对辐射校正，消除影像中的系统噪声，获得经辐射校正后的0级影像产品；然后，根据上注相机参数、星上姿轨测量数据，对影像进行传感器校正处理，改正原始影像的几何畸变，计算严密成像几何模型的有理函数模型(RFM)并输出标准格式的RPC文件，得到1级标准影像产品；进一步基于平均高程面，采用分块间接法几何纠正，生成带地理坐标的2级经纬度投影产品。图4为珞珈三号01星原始影像到2级影像。由于珞珈三号01星采用Bayer格式成像，获得的原始图像为单波段图像(图4（a）)，较常规卫星多一个Bayer插值的处理步骤，插值处理后即可得到RGB彩色图像(图4（c）)。基于广义噪声法测试了相对辐射校正前后影像辐射质量，校正后影像的广义噪声水平显著下降，辐射精度提升至优于3%(表1)；并测试了传感器校正后影像内部几何定位精度，影像内部畸变精度优于1.5像素(表2)，表明影像中几何畸变得以有效消除和补偿。图像辐射精度和内部畸变精度均达到了地面处理的同等水平。图4 原始影像及0~2级产品影像
Fig. 4 Original image and 0~2 level product images
表1 相对辐射校正精度测试结果
Tab. 1 Test results of relative radiation correction accuracy
表2 内部几何精度测试结果
Tab. 2 Test results of internal geometric accuracy
进一步地，利用珞珈三号01星推扫成像数据，对比传统方法和面向ROI方法的影像产品处理耗时。传统方法将原始数据流分景编目成相同宽高的标准景，计算标准景的地理范围，与ROI位置信息对比得到ROI数据范围，并进行后续处理；而面向ROI方法根据提供的位置信息定位和筛选ROI区域在原始数据流的数据范围，仅处理包含ROI区域的数据，所处理数据量极大减少[33]。表3为两种方法的耗时结果，面向ROI的方法生成2级产品处理耗时为4.3 s，比传统方法快了129.7倍。表3 影像产品处理耗时对比
Tab. 3 Comparison of processing time for image products
此外，珞珈三号01星视频成像数据受成像期间卫星定轨测姿等误差的影响，相邻两帧间存在明显抖动，还需要利用视频稳像技术获得高精度的视频数据。采用了一种带有地理编码的卫星视频物方稳像方法[34]，通过逐帧运动估计和补偿的策略，并对视频序列进行地理编码，实现卫星视频物方稳像处理。图5对比了稳像前后的帧间相对几何精度，稳像前帧间几何误差最大近6像素，稳像后帧间误差保持在0.3像素以内，帧间几何精度得到了明显提升。图5 视频稳像前后的帧间相对几何精度
Fig. 5 Relative geometric accuracy between frames before and after video image stabilization
2.3 静动态目标信息在轨实时提取
遥感影像目标信息提取是利用目标检测与跟踪技术自动提取及分析理解影像中包含的高价值目标属性、位置和轨迹信息，为感兴趣目标位置确定、信息快速应用提供支撑。近些年，由于卷积神经网络的有效特征提取、良好的泛化能力，已被广泛应用于图像目标识别领域。但是高分辨率遥感影像存在背景复杂、目标尺度小、同类目标尺度变化大和影像尺寸大等特点，给高可靠目标识别带来了挑战，且传统模式将数据下传至地面再进行目标识别的策略难以满足卫星遥感数据应用的时效性需求[8]。需要发展星上目标检测与跟踪方法，在轨动静态目标信息的实时提取，为卫星遥感智能化应用提供支撑。然而，受到卫星资源的限制，星上难以选择过于复杂的目标识别算法且无法开展模型参数的训练更新。为此，构建星地联动在轨信息提取框架来解决上述问题，通过“地面训练-星上检测-反馈更新”，提升深度学习模型的在轨目标识别精度和迁移能力。利用珞珈三号01星星上目标检测和目标跟踪APP验证静动态目标信息在轨提取的效果。目标检测的处理流程是：首先，收集珞珈三号01星目标样本库，在地面利用无监督聚类确定各类目标的最佳分块尺度并完成模型参数的训练；然后，在星上进行顾及高分辨率遥感影像目标尺度特征的卷积神经网络检测[35]。目标跟踪的处理流程是：首先，在卫星采集到的原始YUV视频数据中单独提取出Y分量数据；然后，通过基于背景模型的运动检测和关键帧目标类别检测得到动目标检测结果；最后，通过基于相关滤波的目标跟踪和动态位置信息提取得到最终的运动目标信息。基于星上处理APP，对飞机、船舶等典型目标进行了在轨检测与跟踪。在目标检测方面，目标平均发现率优于95%，平均虚警率低于5%(表4)，平均耗时0.05/s，优于20帧每秒(frame per second，FPS)(表5)；在目标跟踪方面，平均精度(mean average precision，mAP)优于85%，平均耗时0.041 s，优于24 FPS(表6)。目标检测和跟踪的速度均超过了珞珈三号01星实时输出的码数据流(15 FPS)，达到了在轨实时静动态目标信息提取的指标。图6为飞机、船舶目标的检测与跟踪结果，在轨部署的目标检测软件对常规目标的检测达到了较好的检测结果。表4 目标检测精度
Tab. 4 Object detecting accuracy
表5 目标检测耗时
Tab. 5 Object detecting time
表6 动目标跟踪精度及效率
Tab. 6 Moving object tracking accuracy and efficiency
图6 典型目标检测与跟踪结果
Fig. 6 Typical target detection and tracking results
2.4 影像高倍率智能压缩
星地传输带宽有限，数据下传能力难以匹配遥感数据获取速率，导致星上获取数据无法及时下传，制约用户获取遥感数据信息的时效性。影像压缩通过去除遥感影像冗余信息并编码为二进制码流文件，降低在轨数据传输量，缓解有限带宽下的数据传输压力[36]。针对于图像(静态影像)与视频(动态影像)压缩方法，目前的主流技术通常为了处理效率与泛用性，没有利用卫星遥感图像的高分辨率、信息丰富、纹理复杂特点进行压缩，且卫星遥感图像的这些特点也引起压缩倍率低、重构质量差的问题。因此，需要针对卫星遥感图像的特点，研究高倍率、失真小的影像在轨压缩方法。为实现静态和视频影像的高倍智能压缩，构建了基于“稀疏表征-任务驱动”的遥感数据高倍率压缩框架，通过获取影像的高阶稀疏特征，实现复杂遥感图像纹理的有效表示和高精度重构，并利用基于场景分类的快速编码单元划分、基于影像内容的自适应多核变换和面向任务的率失真优化策略[37-38]，进一步降低在轨压缩算法的复杂度和数据率，从而解决带宽受限导致的传输延迟问题。为了验证珞珈三号01星图像和视频数据的高倍率压缩精度，对在轨动态压缩方法的压缩效果和实时性能进行星上验证，采用压缩速度、压缩倍数、峰值信噪比(peak signal-to-noise ratio，PSNR)和结构相似度(structural similarity，SSIM) 4种指标，对测试结果进行评估。结果见表7和表8，静态图像压缩倍率大于30倍、动态图像压缩倍率大于200倍、压缩质量PSNR优于36 dB、动态图像压缩速度近实时(优于15 FPS)。图7和图8分别为珞珈三号01星静态图像和视频图像在轨压缩结果，从压缩前后的局部放大图能看出，压缩前后影像基本一致。定量评价指标和可视化结果综合表明珞珈三号01星可以实现近实时、高保真的动静态遥感影像的压缩。表7 静态图像压缩测试结果
Tab. 7 Test results of static image compression
表8 视频图像压缩测试结果
Tab. 8 Test results of video image compression
图7 静态图像在轨压缩结果
Fig. 7 Static image on-orbit compression results
图8 视频图像在轨压缩结果
Fig. 8 Video image on-orbit compression results
遥感卫星在轨处理是推动遥感技术实现实时智能服务的核心环节。珞珈三号01星是全球首颗互联网智能遥感科学试验卫星，探索了空间信息网络环境下卫星遥感信息在轨处理与实时信息服务的新模式。本文聚焦于遥感卫星在轨处理技术，构建了以任务为驱动的星地协同在轨处理框架，给出了面向不同任务层级的在轨处理应用模式，论述了适配星上资源受限环境的在轨处理关键算法，为未来的遥感卫星在轨处理平台设计、系统集成及算法研究提供有益参考。基于珞珈三号01星星上处理APP，对典型算法的在轨处理效果进行了验证。通过地面参数上注与修正，在星上实现了高精度的几何定位，影像产品处理精度达到地面处理水平，而面向ROI星上处理显著提高了传统地面处理效率，此外，飞机、船舶等目标的动静态信息能够在轨实时提取，同时，能够实现静态和动态影像的高倍率、低失真、近实时压缩，达到了遥感卫星数据的星上快速处理和目标信息实时提取的目标，为后续卫星遥感实时智能服务提供支撑。作者简介:王密（1974—），男，博士，教授，博士生导师，主要研究方向为高分辨率光学遥感卫星数据处理与智能服务。E-mail：wangmi@whu.edu.cn
通讯作者: 郭贝贝 E-mail：gbb_whu@whu.edu.cn
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
