一種基于相位一致性相關(guān)的多源遙感影像配準(zhǔn)方法

范登科，潘 勵(lì)，葉沅鑫

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

1 概述

圖像配準(zhǔn)作為一項(xiàng)基礎(chǔ)性的影像幾何處理技術(shù)，在醫(yī)學(xué)、計(jì)算機(jī)視覺等學(xué)科領(lǐng)域中發(fā)揮著重要作用。盡管它在遙感中的研究和應(yīng)用起步較晚，但是由于遙感影像在采集環(huán)境、觀測角、地形起伏等多方面因素作用下所體現(xiàn)出的復(fù)雜性遠(yuǎn)遠(yuǎn)大于其他圖像，再加上其本身海量及多源異構(gòu)的特性，對(duì)配準(zhǔn)技術(shù)在該領(lǐng)域的研究和應(yīng)用提出新的挑戰(zhàn)。目前，國內(nèi)外眾多學(xué)者針對(duì)遙感影像匹配問題的不同方面，提出了很多具有可行性和研究價(jià)值的配準(zhǔn)策略和方法，也因此產(chǎn)生了多種將配準(zhǔn)方法進(jìn)行分類的方式，包括基于配準(zhǔn)影像數(shù)據(jù)源類型的分類、基于影像間幾何畸變類型的分類等。最常見的是基于匹配時(shí)所使用影像信息類型的分類方式［1]，該方式將配準(zhǔn)分為特征匹配和區(qū)域匹配兩類。

特征匹配是當(dāng)前配準(zhǔn)技術(shù)研究的熱點(diǎn)方向，它通過計(jì)算影像的梯度、矩等強(qiáng)度或?qū)ο蟮膸缀涡螒B(tài)信息來描述局部范圍內(nèi)的顯著性特征，然后選擇適用于該特征匹配的相似性測度建立同名點(diǎn)的對(duì)應(yīng)關(guān)系，最終完成對(duì)幾何畸變的改正。常見的用于遙感影像配準(zhǔn)的點(diǎn)特征有:Harris、Forsterner、Morovac，線形或邊緣特征有:Canny、Sobel，面狀或區(qū)域特征有Hu不變矩、形狀上下文。SIFT［2]是近幾年圖像配準(zhǔn)研究領(lǐng)域興起的一種具有尺度和旋轉(zhuǎn)不變性描述的特征算子，它以其多尺度、穩(wěn)定的點(diǎn)特征表達(dá)特性贏得許多研究學(xué)者的青睞，并由此衍生出許多基于SIFT的配準(zhǔn)方法，如PCA-SIFT［3]、CSIFT［4]、SR-SIFT［5]等。然而，由于大多數(shù)特征算子都是以圖像梯度的強(qiáng)度和方向?yàn)榛A(chǔ)的，且很少顧及區(qū)域性信息，造成多源異構(gòu)遙感影像配準(zhǔn)的同名點(diǎn)匹配率和糾正精度不能滿足實(shí)際應(yīng)用生產(chǎn)的需要，因此特征匹配方法具有應(yīng)用局限性和問題針對(duì)性。

區(qū)域匹配作為一種早期發(fā)展成熟的、方便易用的圖像配準(zhǔn)方法，被廣泛應(yīng)用于各類商業(yè)化圖像處理軟件中。它通過統(tǒng)計(jì)運(yùn)算的方式對(duì)特定區(qū)域內(nèi)的圖像信息進(jìn)行描述，并借助相關(guān)關(guān)系模型度量彼此間的相似程度，相對(duì)于特征匹配需要穩(wěn)定且充足的特征作為配準(zhǔn)前提條件來說，區(qū)域匹配具有很強(qiáng)的通用性。目前研究和應(yīng)用最多的區(qū)域匹配方法有相關(guān)系數(shù)和互信息，它們分別是基于影像原始灰度和信息熵進(jìn)行計(jì)算和匹配的。Gao使用相關(guān)系數(shù)作為匹配策略［6]，借助影像金字塔和二次多項(xiàng)式實(shí)現(xiàn)對(duì)Landsat GeoCover數(shù)據(jù)子像素精度的自動(dòng)配準(zhǔn);Peter［7]同樣以相關(guān)系數(shù)為核心匹配手段，完成對(duì)HyMap、AIRSAR等24組同源和非同源影像對(duì)的幾何校正;Sahil［8]通過迭代計(jì)算TerraSAR-X和Ikonos影像間的互信息，研究分析了城鎮(zhèn)區(qū)域異構(gòu)圖像配準(zhǔn)的精度。由于非同源異構(gòu)影像間在原始灰度上通常是非線性變化的，且信息熵的計(jì)算量比較大，導(dǎo)致區(qū)域匹配方法的推廣應(yīng)用受到一定的制約。

本文綜合特征匹配和區(qū)域匹配的優(yōu)勢，提出一種適用于非同源異構(gòu)遙感影像的配準(zhǔn)方法，該方法以不同濾波尺度下位置穩(wěn)定不變的角點(diǎn)作為控制點(diǎn)，借助金字塔分層映射搜索策略，通過計(jì)算領(lǐng)域和搜索區(qū)域內(nèi)的相位一致性，引入相關(guān)系數(shù)作為相似性測度實(shí)現(xiàn)同名點(diǎn)的匹配。并最終給出利用可見光、近紅外及SAR影像對(duì)該方法進(jìn)行配準(zhǔn)實(shí)驗(yàn)的驗(yàn)證和分析。

2 配準(zhǔn)方法

2.1 控制點(diǎn)提取

為了保證提取足夠多且位置相對(duì)穩(wěn)定的控制點(diǎn)進(jìn)行匹配和模型參數(shù)估計(jì)，需要使用通用性強(qiáng)、可靠性高的角點(diǎn)特征提取算子在待配準(zhǔn)的輸入影像上執(zhí)行計(jì)算和檢測。當(dāng)前，Harris［9]和 FAST［10]被證明具有較高的角點(diǎn)提取重復(fù)率，適用于各類光譜組成結(jié)構(gòu)的影像。本文選擇Harris算子在輸入影像上提取特征控制點(diǎn)，Harris通過局部圖像信息的自相關(guān)方式，在各個(gè)方向都計(jì)算了灰度變化，其角點(diǎn)提取的原理是:首先使用標(biāo)準(zhǔn)偏離差為σ的高斯濾波模板與原始灰度影像I進(jìn)行卷積運(yùn)算，得到平滑后的影像ˉI，然后計(jì)算ˉI的一階梯度矩陣M，公式為

其中k為介于0.04～0.06的常數(shù)，如果2個(gè)特征值都比較大，說明在該點(diǎn)處沿任意方向運(yùn)動(dòng)會(huì)引起判別函數(shù)R的急劇變化，判斷為具有強(qiáng)響應(yīng)的角點(diǎn)，否則為弱邊緣或平滑域點(diǎn)，在使用閾值T對(duì)該值進(jìn)行局部非最大抑制后，可以獲得穩(wěn)定的特征點(diǎn)。

由于使用不同標(biāo)準(zhǔn)偏差σ的高斯卷積模板會(huì)使平滑處理后的影像ˉI變模糊，在特定濾波器尺度下檢測的角點(diǎn)可能會(huì)在其他尺度的濾波影像中發(fā)生位置偏移甚至消失。為了提取不受高斯濾波尺度影響的穩(wěn)定角點(diǎn)，需要使用臨近尺度的高斯模板重新提取角點(diǎn)進(jìn)行檢測和判斷。假設(shè)角點(diǎn)(x0，y0)是使用尺度(標(biāo)準(zhǔn)偏差值)為σ0的高斯濾波模板所提取的Harris特征點(diǎn)，構(gòu)造尺度為 σ1=σ0-δ×σ0和 σ2=σ0+δ×σ0的高斯濾波模板對(duì)原始影像I進(jìn)行卷積運(yùn)算，提取的角點(diǎn)分別為(x1，y1)和(x2，y2)，當(dāng)提取的角點(diǎn)滿足條件

并且

時(shí)，認(rèn)為(x0，y0)是一個(gè)不受卷積尺度影響的穩(wěn)定角點(diǎn)，選為控制點(diǎn)，否則被排除。公式(3)、(4)中D代表歐式距離，即以角點(diǎn)(x1，y1)和(x2，y2)相對(duì)于(x0，y0)的位置偏移作為特征點(diǎn)的判定依據(jù)。圖1展示了分別使用原始Harris算子和多尺度高斯濾波后Harris提取的特征點(diǎn)分布情況，可以看出，在加入了公式(3)、(4)的判別后，位于道路邊緣和開闊地中心的點(diǎn)受平滑尺度變化的影響，位置變化顯著，被判斷為不穩(wěn)定的特征點(diǎn)排除，保留的點(diǎn)為穩(wěn)定的不受平滑濾波干擾的特征點(diǎn)。

2.2 同名點(diǎn)匹配

圖1 Harris算子提取特征點(diǎn)分布示意

由于Harris特征算子提取的控制點(diǎn)為梯度變化顯著的角點(diǎn)，因此在其領(lǐng)域內(nèi)影像的紋理信息比較豐富，灰度變化顯著，相關(guān)系數(shù)在小范圍內(nèi)容易形成變化劇烈的極值，可以選擇作為同名點(diǎn)的匹配測度。然而，非同源異構(gòu)遙感影像間的光譜組成存在明顯差異，在灰度強(qiáng)度上呈現(xiàn)非線性變化，導(dǎo)致相關(guān)系數(shù)不能穩(wěn)定描述相似度高的同名區(qū)域。針對(duì)這一問題，本文引入相位一致性對(duì)影像進(jìn)行轉(zhuǎn)換，得到相關(guān)性程度高的特征圖像。

相位一致性是一種使用傅里葉諧波分量描述信號(hào)局部強(qiáng)度的特征，它利用特定方向θ不同尺度s的Log Gabor濾波器，將信號(hào)分解為頻率域下與θ和s相對(duì)應(yīng)的傅里葉諧波分量，通過加權(quán)疊合不同尺度的分量，獲得具有原始信號(hào)強(qiáng)弱特性描述的響應(yīng)。Morrone證明了相位一致性在描述圖像特征信息上與人類神經(jīng)視覺具有相一致的敏感度［11]。Wong指出，相位一致性特征具有抵抗圖像對(duì)比度和亮度變化的能力，并利用其構(gòu)造的最小和最大距特征，分別實(shí)現(xiàn)了遙感影像特征點(diǎn)的提取和同名點(diǎn)的匹配［12]。應(yīng)用于圖像二維離散信號(hào)，相位一致性的計(jì)算公式為

式中，PC(x，y)為點(diǎn)(x，y)處的相位一致性，θ為濾波方向，在區(qū)間［0，π]之間以固定步長變化，n為濾波器尺度s的最大值，Wθ(x，y)為頻率擴(kuò)展的權(quán)重系數(shù)，As，θ(x，y)代表使用沿 θ方向尺度為 s的 Log Gabor濾波器進(jìn)行分解后諧波分量的振幅值，」表示僅取正值的運(yùn)算，負(fù)值全部賦為0，T為噪聲閾值，ε是一個(gè)避免除零的常數(shù)，Δφs，θ(x，y)可由分解后諧波分量的相位角計(jì)算獲得，公式為

圖2 Landsat 5 TM影像及其相位一致性特征圖像

從圖2可以看出，邊緣和角點(diǎn)處的相位一致性明顯大于平坦開闊地區(qū)，通常在角點(diǎn)處取得極值。同時(shí)，相位一致性特征影像反映的并不是二值化的邊緣，而代表的是不同尺度和方向頻率域卷積運(yùn)算下傅里葉諧波分量的累積值。因此，以特征點(diǎn)為中心的窗口發(fā)生位置改變時(shí)，不會(huì)引起相關(guān)系數(shù)的劇烈變化，且由于角點(diǎn)處相位一致性的顯著特征，使得極值比較容易獲得。經(jīng)計(jì)算對(duì)應(yīng)圖像的相關(guān)系數(shù)，圖2中(a)與(c)之間的相關(guān)系數(shù)為-0.045，而(b)與(d)達(dá)到0.605，可見采用相位一致性特征度量影像間的相關(guān)性明顯優(yōu)于原始灰度。

遙感影像在采集過程中一般表現(xiàn)出大視角、寬視場的特性，成像的圖幅范圍大，使全局匹配的效率降低，計(jì)算復(fù)雜度增大，需要使用特定的搜索策略優(yōu)化同名點(diǎn)匹配過程?；诮鹱炙Y(jié)構(gòu)的同名區(qū)域預(yù)測與分層索引映射是目前最受歡迎的、應(yīng)用于遙感影像匹配中的搜索策略，方法是以一定比例逐級(jí)降低圖像空間分辨率，縮小圖幅范圍。首先，在輸入影像的頂層金字塔圖像上提取特征點(diǎn)，并搜索參考影像對(duì)應(yīng)尺度的金字塔，找出相關(guān)系數(shù)大的窗口中心作為匹配點(diǎn)，使用簡單的二維平面轉(zhuǎn)換關(guān)系模擬初始的幾何變形，根據(jù)最小二乘準(zhǔn)則刪除殘差大的誤匹配點(diǎn)對(duì);而后，利用不同尺度金字塔圖像的映射關(guān)系，在下一層更高分辨率尺度的金字塔圖像上獲取同名區(qū)域，執(zhí)行與上述一致的精確匹配，直到達(dá)到底層即原始分辨率影像為止。兩層金字塔結(jié)構(gòu)的同名區(qū)域映射關(guān)系及幾何變換模型估計(jì)如圖3所示。

2.3 模型參數(shù)估計(jì)與重采樣

利用匹配獲取的同名點(diǎn)對(duì)，依據(jù)最小二乘原理估計(jì)幾何畸變模型的參數(shù)，剔除殘差大的同名點(diǎn)對(duì)以保證模型估計(jì)精度在可接受的范圍內(nèi)，最終使用特定的插值方法實(shí)現(xiàn)對(duì)輸入影像的重采樣處理，輸出在地理位置上與參照影像配準(zhǔn)的校正影像。在這一過程中，全局性幾何畸變模型的選擇顯得十分重要。

圖3 基于金字塔結(jié)構(gòu)的遙感影像同名區(qū)域索引和搜索策略

由于傳感器姿態(tài)和側(cè)視角的差異，采集獲得的多源異構(gòu)遙感影像在全局幾何畸變上表現(xiàn)出不同形式。中分辨率光學(xué)影像的成像方式為推掃式，其傳感器所處軌道高度及線陣掃描方式?jīng)Q定了影像幾乎不受側(cè)視角和地形起伏的影響，在全局影像上僅存在平移、旋轉(zhuǎn)和尺度畸變，因此可以使用仿射模型描述待配準(zhǔn)光學(xué)影像間的幾何變形關(guān)系。仿射變換模型公式為

式中，(x，y)和(X，Y)分別為對(duì)應(yīng)同名點(diǎn)在輸入影像和參考影像的圖像坐標(biāo)，λ代表尺度縮放因子，θ表示影像的相對(duì)旋轉(zhuǎn)角，(c，r)是圖像在二維平面的相對(duì)平移量。因此僅需要兩對(duì)同名點(diǎn)即可以求解該模型參數(shù)。而同分辨率SAR影像的采集使用主動(dòng)傳感方式，雖然軌道高度避免了地形起伏的影響，但是其成像圖幅范圍較小，并且存在一定的側(cè)視角，因此對(duì)于光學(xué)影像與SAR影像以及不同時(shí)相SAR影像間的幾何畸變，通常采用投影變形模型來描述，一次項(xiàng)投影模型公式為

式中包括a～h總計(jì)8個(gè)模型參數(shù)，需要4對(duì)同名點(diǎn)進(jìn)行求解，分母部分描述了成像平面的傾斜變形。在最小二乘原理基礎(chǔ)上對(duì)模型參數(shù)進(jìn)行估計(jì)后，使用參考影像中的控制點(diǎn)坐標(biāo)反算輸入影像控制點(diǎn)的模型坐標(biāo)，并與真實(shí)坐標(biāo)求差后計(jì)算均方根誤差RMSE，RMSE值的大小代表了該同名點(diǎn)對(duì)偏離模型估計(jì)的程度，刪除RMSE值最大的多個(gè)點(diǎn)對(duì)，重新估計(jì)模型參數(shù)，迭代執(zhí)行這一過程直到同名點(diǎn)對(duì)集合中最大的RMSE值小于預(yù)先設(shè)定的閾值，以獲得滿足糾正精度要求的模型參數(shù)。最終，雙線性插值方法被用于重采樣過程輸出配準(zhǔn)結(jié)果。

2.4 總體配準(zhǔn)策略

本文提出的基于相位一致性相關(guān)的多源遙感影像配準(zhǔn)方法可概括為以下7個(gè)步驟:(1)根據(jù)影像大小，設(shè)定特定的分辨率比例，分別構(gòu)建輸入和參考影像的多級(jí)金字塔圖像;(2)在輸入影像的頂層金字塔上使用多尺度Harris提取控制點(diǎn)，并計(jì)算其領(lǐng)域內(nèi)窗口的相位一致性;(3)計(jì)算參照影像頂層金字塔的相位一致性特征圖像，使用相關(guān)系數(shù)作為匹配測度全局搜索最大相關(guān)的窗口，以其中心作為匹配同名點(diǎn);(4)用簡單二維平面變換模型估計(jì)畸變改正關(guān)系，預(yù)測下一級(jí)金字塔圖像的同名區(qū)域;(5)在下級(jí)金字塔圖像的子區(qū)域內(nèi)迭代執(zhí)行步驟(2)～(4)，直到完成原始分辨率影像上同名點(diǎn)的匹配;(6)根據(jù)待配準(zhǔn)影像的類型確定全局幾何變換模型，采用最小二乘原理迭代解算和修正模型精度;(7)重采樣輸出配準(zhǔn)后的結(jié)果影像。圖4展示了配準(zhǔn)策略的完整流程。

圖4 配準(zhǔn)方法流程

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)背景和數(shù)據(jù)

實(shí)驗(yàn)以Windows XP系統(tǒng)為平臺(tái)，在Visual C++2008集成開發(fā)環(huán)境中設(shè)計(jì)開發(fā)程序?qū)崿F(xiàn)上述配準(zhǔn)方法，程序運(yùn)行的硬件環(huán)境為Inter Core2 CPU 2.66 GHz，2 GB內(nèi)存。實(shí)驗(yàn)數(shù)據(jù)選用3組遙感影像，每一組中輸入影像和參考影像分別采集自異構(gòu)光譜范圍或不同傳感器。前2組數(shù)據(jù)均由光學(xué)遙感影像組成，采集的區(qū)域?yàn)楹笔〈髺|湖和梁子湖水域，其中第1組數(shù)據(jù)來自于同一傳感器，為了體現(xiàn)空間位置上的差異性，手工對(duì)輸入影像旋轉(zhuǎn)10°，第2組數(shù)據(jù)來自不同傳感器，存在微小旋轉(zhuǎn)及10～20像素的平移變形。第3組數(shù)據(jù)為光學(xué)影像與SAR影像之間的配準(zhǔn)，為了正確計(jì)算相關(guān)系數(shù)，對(duì)SAR影像進(jìn)行重采樣，確保其與光學(xué)影像的分辨率一致。3組實(shí)驗(yàn)數(shù)據(jù)的詳細(xì)信息如表1所示。

在進(jìn)行影像配準(zhǔn)運(yùn)算處理過程中，需要對(duì)相關(guān)參數(shù)進(jìn)行初始化，具體項(xiàng)目及其初始值為:金字塔各級(jí)比例1∶3，金字塔級(jí)數(shù)3，原始分辨率下搜索區(qū)域大小200像素，相關(guān)系數(shù)閾值0.75，相關(guān)系數(shù)計(jì)算窗口大小13像素，RMSE閾值1.5。

3.2 配準(zhǔn)精度分析

使用以上3組數(shù)據(jù)對(duì)本文配準(zhǔn)方法進(jìn)行實(shí)驗(yàn)驗(yàn)證，并對(duì)該方法的適用性和精度進(jìn)行評(píng)價(jià)。表2列出了經(jīng)實(shí)驗(yàn)獲得的配準(zhǔn)評(píng)價(jià)結(jié)果。

由表2可以看出，在配準(zhǔn)精度方面，第3組數(shù)據(jù)的效果最好，最大殘差和總體均方根誤差指標(biāo)都控制在1個(gè)像素以內(nèi)，然而同名點(diǎn)對(duì)的誤匹配率卻達(dá)到了95%以上，僅有5對(duì)正確匹配的同名點(diǎn)用于模型參數(shù)估計(jì)，且它們分布集中于圖5(e)、(f)中左下角的島嶼海岸線上，占影像中主體的陸地范圍內(nèi)并沒有正確匹配的同名點(diǎn)對(duì)，這是因?yàn)榇箨懼械匚镱愋拓S富而海島內(nèi)單一，SAR影像之于前者表現(xiàn)出更多的噪聲，而相位一致性的計(jì)算結(jié)果對(duì)噪聲十分敏感，造成陸地中相位一致性的相關(guān)程度并不是十分顯著;反之，海島在SAR影像中紋理結(jié)構(gòu)簡單，海岸線輪廓特征明顯，有利于相位一致性穩(wěn)定描述局部圖像信息。

表1 實(shí)驗(yàn)數(shù)據(jù)信息概覽

表2 配準(zhǔn)方法的實(shí)驗(yàn)評(píng)價(jià)結(jié)果

圖5 3組實(shí)驗(yàn)數(shù)據(jù)影像及同名點(diǎn)分布情況

前2組實(shí)驗(yàn)數(shù)據(jù)的配準(zhǔn)結(jié)果在精度和誤匹配率上達(dá)到一致水平，盡管第2組數(shù)據(jù)的總體均方根中誤差略微偏高，但其匹配得到的同名點(diǎn)對(duì)數(shù)目是第1組的3倍，是因?yàn)榈?組數(shù)據(jù)的影像對(duì)均由近紅外波段構(gòu)成，相對(duì)于第1組的可見光-近紅外組合，相關(guān)程度更高。然而，在匹配獲得大量同名點(diǎn)對(duì)的同時(shí)，發(fā)生誤匹配的點(diǎn)對(duì)數(shù)目也相應(yīng)提升，且從2組數(shù)據(jù)對(duì)比情況來看，這一比例水平并不受光譜組成結(jié)構(gòu)的影響，因此要進(jìn)一步降低誤匹配率，仍需要對(duì)匹配方法和策略進(jìn)行改進(jìn)。另一方面，由于第2組影像采集自不同時(shí)間，地物變化也會(huì)造成同名點(diǎn)的誤匹配。從圖5(a)～(d)中可以看出，正確匹配的同名點(diǎn)均勻分布于整個(gè)圖幅范圍內(nèi)，且在對(duì)比度高的局部區(qū)域內(nèi)相對(duì)集中，符合相位一致性描述亮度和對(duì)比度差異的不變特征。

綜合分析3組實(shí)驗(yàn)數(shù)據(jù)的配準(zhǔn)結(jié)果，本文方法更適用于對(duì)非同源異構(gòu)的兩景光學(xué)影像進(jìn)行配準(zhǔn)，對(duì)于光學(xué)與SAR影像的配準(zhǔn)有一定局限性和區(qū)域選擇性，同時(shí)將相關(guān)系數(shù)作為匹配測度引入到該方法中，對(duì)于全局仿射和投影變形有一定的抵抗能力。

3.3 對(duì)比驗(yàn)證

為了進(jìn)一步驗(yàn)證本文方法的配準(zhǔn)效果，引入傳統(tǒng)基于灰度的相關(guān)系數(shù)(NCC)、尺度不變特征(SIFT)、改進(jìn)尺度不變特征(SR-SIFT)3種方法分別對(duì)3組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行配準(zhǔn)實(shí)驗(yàn)，統(tǒng)計(jì)各項(xiàng)實(shí)驗(yàn)結(jié)果的誤匹配率和均方根中誤差(RMSE)，得到的對(duì)比情況如表3所示。

表3 3種常用方法實(shí)驗(yàn)結(jié)果對(duì)比(“—”表示配準(zhǔn)失敗)

實(shí)驗(yàn)過程中設(shè)定RMSE閾值為1.0像素，以保證幾何校正模型參數(shù)估計(jì)的準(zhǔn)確性和一致性。當(dāng)3種方法達(dá)到相同精度水平時(shí)，結(jié)果顯示實(shí)驗(yàn)2的誤匹配率最低，原因是兩景近紅外影像間灰度相關(guān)性程度最高，且與特征表述相關(guān)的梯度強(qiáng)度和方向變化較為穩(wěn)定，與此同時(shí)，NCC和SR-SIFT方法的誤匹配率明顯低于本文方法。相反，3種方法對(duì)實(shí)驗(yàn)1數(shù)據(jù)進(jìn)行配準(zhǔn)的誤匹配率高于或接近本文方法，可見，對(duì)于光譜組成差異越顯著的影像來說，本文方法的適用性更強(qiáng)，效果更好。3種方法不能完成對(duì)實(shí)驗(yàn)3數(shù)據(jù)配準(zhǔn)的事實(shí)更進(jìn)一步驗(yàn)證了這一結(jié)論。因此，與3種配準(zhǔn)方法進(jìn)行對(duì)比分析得出的結(jié)論是，基于相位一致性相關(guān)的配準(zhǔn)方法可以應(yīng)對(duì)傳統(tǒng)方法所不能解決的異構(gòu)遙感影像間難以配準(zhǔn)的問題。

4 結(jié)語

本文提出一種基于相位一致性相關(guān)的多源遙感影像配準(zhǔn)方法，該方法以多級(jí)圖像金字塔結(jié)構(gòu)為索引和搜索策略，首先使用多尺度高斯濾波判別和遴選穩(wěn)定的Harris特征點(diǎn)，在控制點(diǎn)領(lǐng)域和相關(guān)系數(shù)極值搜索區(qū)域內(nèi)，引入相位一致性特征進(jìn)行相似性度量，在降低誤匹配概率的同時(shí)獲得更多精確匹配的同名點(diǎn)對(duì)。經(jīng)實(shí)驗(yàn)分析和對(duì)比驗(yàn)證，該方法適用于中分辨率多源異構(gòu)光學(xué)-光學(xué)、光學(xué)-SAR遙感影像間的配準(zhǔn)，精度滿足實(shí)際生產(chǎn)過程中影像幾何校正處理的需要，且高于其他基于區(qū)域匹配的配準(zhǔn)方法。下一步的研究工作將專注于提高運(yùn)算效率，改進(jìn)算法以降低誤匹配率，并適用于不同分辨率、地形起伏等復(fù)雜條件下的多源遙感影像配準(zhǔn)。同時(shí)希望本文方法能為圖像配準(zhǔn)領(lǐng)域的學(xué)者提供研究基礎(chǔ)和借鑒。

［1]Zitová B，F(xiàn)lusser J.Image registration methods:A survey［J].Image and Vision Computing，2003，21(11):977-1000.

［2]Lowe D G.Distinctive image features from scale-invariant keypoints［J].International Journal of Computer Vision，2004，60(2):91-110.

［3]Ke Y，Sukthankar R.PCA-SIFT:A more distinctive representation for local image descriptors［C].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2004:506-513.

［4]Abdel-Hakim A E，F(xiàn)arag A A.CSIFT:A SIFT descriptor with color invariant characteristics［C].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006:1978-1983.

［5]Yi Z，Zhiguo C，Yang X.Multi-spectral remote image registration based on SIFT［J].Electronics Letters，2008，44(2):107-108.

［6]Gao F，Masek J，Wolfe R E.Automated registration and orthorectification package for Landsat and Landsat-like data processing［J].Journal of Applied Remote Sensing，2009，3(1).

［7]Bunting P，Labrosse F，Lucas R.A multi-resolution area-based technique for automatic multi-modal image registration［J].Image and Vision Computing，2010，28(8):1203-1219.

［8]Suri S，Reinartz P.Mutual-information-based registration of Terra-SAR-X and Ikonos imagery in urban area［J].IEEE Transactions on Geoscience and Remote Sensing，2010，48(2):939-949.

［9]Harris C，Stephens M K.A combined corner and edge detector［C].Proc.Alvey Vision Conf.，1988:147-152.

［10]Rosten E，Drummond T.Machine learning for high-speed corner detection［C].Proceedings of the European Conference on Computer Vision，2006:430-443.

［11]Morrone M C，Owens R A.Feature detection from local energy［J].Pattern Recognition Letters，1987，6(5):303-313.

［12]Wong A，Clausi D A.AISIR:Automated inter-sensor/inter-band satellite image registration using robust complex wavelet feature representations［J].Pattern Recognition Letters，2010，31(10):1160-1167.