遙感衛(wèi)星條帶影像自適應拼接算法研究

劉保成，程家勝，張 喬，王鵬波

(航天測繪遙感信息處理中心，北京102102)

一、引 言

我國“天繪一號”傳輸型立體測繪衛(wèi)星搭載的全色相機焦面上共有8片線陣TDICCD(時間延遲積分電荷耦合器件)，采用視場中心線兩側分上下兩行交錯排列的視場拼接方式分兩排安裝，拍攝的影像成果是8個條帶狀的影像，相鄰條帶間搭接X個像元。為了得到高分辨率、寬幅面的影像，在后期影像處理中，必須將8個條帶的影像進行拼接。研究可靠的、高效的影像拼接算法，對于提高“天繪一號”衛(wèi)星全色影像的質量和生產效率，具有重要意義。

拼接的前提是在相鄰的條帶間能夠實現(xiàn)影像間的匹配，影像匹配是指同一場景在兩幅影像中的對應關系，目前常見的影像間匹配方法主要有基于影像灰度的配準方法和基于影像特征的配準方法兩類?；诨叶鹊挠跋衽錅史椒ㄒ话憷谜跋竦幕叶刃畔ⅲ⒂跋耖g的相似性度量，然后采用適當?shù)乃阉鞣椒?，尋找使相似性度量值最大或最小的變換模型的參數(shù)值?；谔卣鞯挠跋衽錅史椒ㄒ话阆忍崛∮跋竦牟蛔兲卣鳎賹@些特征進行匹配以得到最終的影像配準。本文通過對基于灰度信息的相關算法及基于影像特征的SIFT算法進行大量的生產試驗，提出了適合該測繪衛(wèi)星的有效自適應拼接算法，試驗表明，該自適應拼接算法能有效解決“天繪一號”衛(wèi)星全色影像條帶間的拼接問題。無論采用何種拼接方法，都需要在拼接處進行亮度調整，使拼接處的亮度能夠逐漸過渡。

二、算法設計

1．基于灰度相關的拼接算法

基于灰度信息的相關算法的主要思路是：選擇左邊影像為參考圖像，右邊影像為浮動影像。在浮動圖像可能的重疊區(qū)內，選擇若干個小的特征區(qū)域作為模板，然后將這些模板分別在參考圖像中進行匹配，每個模板得到一個匹配參數(shù)和相似性測度。如果相似性測度大于某一設定值，表示該特征區(qū)域匹配成功。對每個行周期范圍內的相似性測度進行分析，如果匹配成功的特征區(qū)域個數(shù)大于某個設定值，則去除匹配不成功的參數(shù)后，取匹配參數(shù)的均值作為該行周期最終的拼接參數(shù);否則認為兩幅圖像沒有重疊區(qū)域，拼接參數(shù)采用默認值代替。算法流程如圖1所示。

圖1 相關算法匹配流程

當特征區(qū)域與其參考圖像的對應區(qū)域匹配得越好時，其圖像內容越一致，它們間的相關性越強，否則相關性弱，這種相關性的強弱可用相關系數(shù)來表示，故引入相關系數(shù)作為相似性測度。用M·N表示特征區(qū)域的大小;fR(i，j)表示參考圖像上匹配區(qū)域點(i，j)的灰度;fF(i，j)表示浮動圖像特征區(qū)域內點(i，j)的灰度;參考圖像(式1)和浮動圖像(式2)的方差分別為

相關系數(shù)的計算公式為

初步設定相似性測度大于99．9%時，特征區(qū)域匹配成功。在每個行周期內，當匹配不成功特征區(qū)域個數(shù)大于3個時，認為該行周期內圖像沒有重疊區(qū)域;如果有超過2個行周期圖像沒有重疊區(qū)域，則認為兩片CCD圖像之間沒有重疊區(qū)，需進入無重疊區(qū)域拼接進行處理。上述兩個參數(shù)可在算法實現(xiàn)后，根據(jù)運行結果進行微調。

2．基于SIFT的拼接算法

一幅圖像的尺度空間被定義為函數(shù)L(x，y，δ)，它是尺度變化的高斯函數(shù)G與圖像I的卷積

式中，(x，y)為像素坐標;δ為尺度空間因子;L為尺度空間。δ大小決定圖像的平滑程度，大尺度對應圖像的概貌特征，小尺度對應圖像的細節(jié)特征。

由于篇幅原因，SIFT算法的詳細介紹見文獻[3]，本文SIFT算法的具體實現(xiàn)過程如下：

1)尺度空間極值檢測。首先建立圖像的DOG(difference of gaussian)金字塔，在DOG尺度空間中的26個領域中檢測極值，D(x，y，δ)是兩個相鄰尺度圖像之差，即

2)如果一個點在DOG尺度空間本層以及上下兩層的26個領域中是最大或最小值時，則認為該點是圖像在該尺度下的一個特征點。利用特征點鄰域像素的梯度方向分布特性，為每個特征點指定方向參數(shù)，使算子具備旋轉不變性

公式(7)、(8)分別為特征點(x，y)處梯度的模值和方向公式。其中，L所用的尺度為每個特征點各自所在的尺度。依次求出每個特征點對應的特征向量。

3)特征匹配。當兩幅圖像的SIFT特征向量生成后，采用歐式距離作為兩幅圖像中特征點的相似性判定度量，當此距離小于某個閾值時，就認為這兩個點為同名點。

4)利用 RANCAC算法[7]對匹配點集進行提純，將誤匹配點剔除。

在試驗中，把全色影像的每景影像條帶數(shù)據(jù)平均分為10個匹配區(qū)，在每個匹配區(qū)分別運用SIFT算法進行影像特征點提取，每個匹配區(qū)根據(jù)得到的匹配參數(shù)分別進行影像匹配，若某個區(qū)未找到任何特征點，則匹配參數(shù)由另外其他區(qū)的平均匹配參數(shù)代替。在該算法實現(xiàn)過程中發(fā)現(xiàn)，有的情況下全色影像條帶數(shù)據(jù)10個匹配區(qū)都無法提取特征點，從而得不到匹配參數(shù)，這種情況下，匹配參數(shù)采用默認值。

3．自適應拼接算法

通過大量的試驗發(fā)現(xiàn)，基于灰度相關的匹配算法在以下兩種情況下進行全色影像拼接后，依然存在錯位現(xiàn)象。這兩種情況分別為：無法找到特征區(qū)域、相關峰位置不準確。

在以下兩種情形下基于SIFT算法的全色影像拼接依然存在錯位現(xiàn)象：① 當10個分區(qū)中某個分區(qū)無法提取特征點，該分區(qū)的匹配參數(shù)采用其他分區(qū)的匹配參數(shù)平均值代替;②10個分區(qū)都無法提取特征點，整景條帶數(shù)據(jù)的匹配參數(shù)都采用相同的默認值代替。上述情況下全色影像拼接后錯位現(xiàn)象很明顯，嚴重影響了后期全色影像圖的運用。

而且在試驗中發(fā)現(xiàn)，基于灰度相關的匹配算法和基于SIFT的匹配算法在匹配地形類型上有一定的互補性，具體表現(xiàn)在基于灰度相關的匹配算法在平原地形下匹配性能較好，而基于SIFT的匹配算法性能較差;基于SIFT的匹配算法在高山、雪地等地形匹配性能較好，基于灰度相關的匹配算法性能較差?；诖爽F(xiàn)象，筆者結合了基于灰度相關的匹配算法和基于SIFT的匹配算法。提出了自適應拼接算法的實現(xiàn)思路，自適應拼接算法的實現(xiàn)流程如圖2所示。

圖2 自適應拼接算法實現(xiàn)流程

自適應拼接算法中，首先用SIFT算法尋找特征點，如果10個分區(qū)中找到特征點的分區(qū)數(shù)大于閾值，則利用SIFT算法計算拼接參數(shù);如果10個分區(qū)中找到特征點的分區(qū)數(shù)小于閾值，則該景全色影像條帶間拼接轉入基于灰度相關的匹配算法;如果基于灰度相關的匹配算法失敗，則采用默認的匹配參數(shù)，最后輸出匹配結果。在聯(lián)合算法中，SIFT算法能提取到特征點的分區(qū)數(shù)需要與閾值比較，以此決定接下來采用何種匹配算法，所以在自適應拼接算法中，閾值的選擇關系到整個自適應拼接算法的性能。筆者經(jīng)過大量試驗，找到了合理的閾值，并經(jīng)過試驗驗證了閾值的有效性。

三、試驗分析

為了驗證基于灰度相關的匹配算法和基于SIFT的匹配算法在全色影像條帶間的拼接性能，筆者基于C++語言做了大量試驗，對比較典型的地形，分別用上述兩種算法作了分析對比，最后對在單獨的基于相關的匹配算法和基于SIFT的匹配算法下拼接失敗的地形，利用自適應拼接算法進行了重新生產。下面的結果中是大量的試驗中比較典型的實例。圖3為利用相關算法和SIFT算法分別對山地地形進行的拼接試驗，圖4為利用相關算法和SIFT算法分別對平原地形進行的拼接試驗，圖5為利用自適應拼接算法對山地地形和平原地形進行的拼接試驗。

從圖3中可以看出，在山地地形中，基于SIFT的匹配算法拼接性能優(yōu)于基于灰度相關的匹配算法;從圖4中可以看出，在平原地形中，基于灰度相關的匹配算法拼接性能優(yōu)于基于SIFT的匹配算法;從圖5可以看出自適應拼接算法在山地地形和平原地形匹配性能都有了很大的改善。

圖3 山地地形拼接試驗(左為相關算法，右為SIFT算法)

圖4 平原地形拼接試驗(左為相關算法，右為SIFT算法)

圖5 聯(lián)合算法拼接試驗(左為平原地形，右為山地地形)

四、結束語

本文針對我國“天繪一號”傳輸型立體測繪衛(wèi)星下傳全色條帶影像，分別運用基于灰度相關的匹配算法和基于sift的匹配算法進行了大量的拼接試驗，得出了這兩種算法在不同地形中的拼接性能分析，最后提出了自適應拼接算法的思想，并基于C++語言對自適應拼接算法的性能進行了大量的試驗，結果表明自適應拼接算法在拼接性能上有了很大的改善，雖然拼接速度有所降低，但從折中的角度考慮，自適應拼接算法能夠在日常生產中運用，有很高的實用價值。

[1]賈世杰，王鵬翔，姜海洋，等．基于SIFT的圖像匹配算法[J]．大連交通大學學報，2010，31(4)：17-21．

[2]朱虹．數(shù)字圖像處理基礎[M]．北京：科學出版社，2005：31-55．

[3]TONG L．Scale-Space Theory：A Basic for Analyzing Stuctures at Different Scales[J]．Journal of Applied Statistics，1994，21(2)：224-270．

[4]劉立，彭復員，趙坤，等．采用簡化SIFT算法實現(xiàn)快速圖像匹配[J]．紅外與激工程，2008，37(1)：181-184．

[5]曹楠，王萍．基于SIFT特征匹配的圖像無縫拼接算法[J]．計算機與運用化學，2011(2)：242-244．

[6]FISHCHLER M A，BOLLESR C．Random Sample Consensus：A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography[J]．Communication Association Machine，1981，24(6)：381-395

[7]LOWE D G．Object Recognition from Local Scale-Invariant Features[C]∥The 7th International Conference on Computer Vision，Kerkyra：[s．n．]，1999

[8]徐亞明，刑誠，陳曉東．一種基于拼接線的無人機序列影像拼接方法[J]．武漢大學學報：信息科學版，2011，36(11)：1265-1269．