分辨率差異較大的遙感圖像自動(dòng)配準(zhǔn)算法研究

郎博，劉彥君，桂維振，蔣雯

（北京工業(yè)職業(yè)技術(shù)學(xué)院，北京100042）

分辨率差異較大的遙感圖像自動(dòng)配準(zhǔn)算法研究

郎博，劉彥君，桂維振，蔣雯

（北京工業(yè)職業(yè)技術(shù)學(xué)院，北京100042）

本文在研究了已有配準(zhǔn)算法的基礎(chǔ)上，針對(duì)兩個(gè)分辨率差異較大的遙感圖像，提出了自動(dòng)配準(zhǔn)的改進(jìn)方法，自動(dòng)獲取基準(zhǔn)影像，并對(duì)每個(gè)波段的圖像做直方圖均衡化增強(qiáng)，最后，構(gòu)建影像金字塔，運(yùn)用SIFT算法提取特征點(diǎn)。

自動(dòng)配準(zhǔn)；圖像特征點(diǎn)；SIFT算法

圖像配準(zhǔn)是遙感圖像鑲嵌、圖像融合的重要步驟之一，配準(zhǔn)的精度對(duì)后續(xù)圖像處理產(chǎn)生重要的影響，而當(dāng)前遙感圖像自動(dòng)配準(zhǔn)的主要困難，在于遙感圖像特征點(diǎn)提取的自動(dòng)化程度不高，而且計(jì)算速度較慢。本文提出了運(yùn)用改進(jìn)的SIFT算法提取特征點(diǎn)，首先自動(dòng)獲取基準(zhǔn)影像，其次，對(duì)每個(gè)波段的圖像做直方圖均衡化增強(qiáng)，再構(gòu)建影像金字塔，并逐波段、逐層運(yùn)用SIFT算法提取特征點(diǎn)，剔除錯(cuò)誤的匹配點(diǎn)，用三次多項(xiàng)式實(shí)現(xiàn)精確配準(zhǔn)。

1 基本原理

1.1 SIFT特征匹配算法

SIFT特征匹配算法包括兩個(gè)階段，第一階段是SIFT特征的生成；第二階段是SIFT特征向量的匹配，總共包括4步。

①尺度空間極值檢測(cè)，主要是為了尋找到尺度空間的極值點(diǎn)，首先將圖像進(jìn)行高斯金字塔分解，然后逐層進(jìn)行差分，得到DOG金字塔，最后在DOG金字塔的基礎(chǔ)上檢測(cè)尺度空間的極值點(diǎn)，如圖1所示。

圖1 在DOG尺度空間檢測(cè)極值點(diǎn)

②精確定位特征點(diǎn)和確定主方向，由上一步驟找到的極值點(diǎn)是非常粗略的，需要經(jīng)過進(jìn)一步檢驗(yàn)提高精度。這里，利用三維二次函數(shù)擬合精確確定特征點(diǎn)位置和尺度，刪除低對(duì)比度的點(diǎn)和邊緣點(diǎn)，提高特征點(diǎn)的精度，同時(shí)匹配穩(wěn)定性和抗噪聲能力也得到了一定程度的增強(qiáng)。

確定了關(guān)鍵點(diǎn)的位置后，利用特征點(diǎn)鄰域像素點(diǎn)的梯度方向分布特性來計(jì)算特征點(diǎn)的方向。公式如下：

式中一m(二 x, y三)表示在坐標(biāo)一(x, 三y)位置上像素梯度的模值，一(二x, y三)則表示其梯度的方向，L為所用的尺度。實(shí)際計(jì)算中，鄰域像素點(diǎn)梯度的模值一m 和方向一用直方圖來表示（如圖2）。

③SIFT特征向量的生成：通過以上步驟，獲得了特征點(diǎn)的位置、所處尺度和方向，由此可以確定一個(gè)SIFT特征區(qū)域。

圖2 由關(guān)鍵點(diǎn)鄰域梯度信息生產(chǎn)特征向量

首先，將坐標(biāo)軸調(diào)整至與關(guān)鍵點(diǎn)方向一致，以確保旋轉(zhuǎn)不變性。如圖2左圖所示，中心紅色點(diǎn)為關(guān)鍵點(diǎn)，以其為中心取8×8的窗口，黑色箭頭為該像素點(diǎn)的梯度方向（箭頭長短表示梯度模值的大小），紅色圈代表高斯加權(quán)的范圍（離紅色關(guān)鍵點(diǎn)越近的像素點(diǎn)，其梯度信息的作用越大）。

④SIFT特征點(diǎn)匹配，經(jīng)過上述三個(gè)步驟之后生成了兩幅影像的SIFT特征向量，隨即須進(jìn)行相似性程度的判斷。本文用特征點(diǎn)的歐氏距離的最近距離和次近距離比作為特征點(diǎn)匹配的判定標(biāo)準(zhǔn)。

1.2 參考影像的自動(dòng)搜索

一般的遙感影像配準(zhǔn)系統(tǒng)是通過人工選擇待配準(zhǔn)影像的參考影像，這種方法自動(dòng)化的程度不高，本文系統(tǒng)實(shí)現(xiàn)基準(zhǔn)影像的自動(dòng)尋找。首先，建立參考影像的數(shù)據(jù)庫，將已經(jīng)糾正好的全國環(huán)境星數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中，并且建立全國環(huán)境星的索引，在索引中包括每景環(huán)境星影像的四個(gè)角點(diǎn)經(jīng)緯度坐標(biāo)和中心點(diǎn)的經(jīng)緯度坐標(biāo)，其算法的基本思想是：

①輸入待配準(zhǔn)影像，計(jì)算其中心點(diǎn)坐標(biāo)，設(shè)為一R(二 x, 三y )。

②計(jì)算一R( 二x, 三y)到影像的四個(gè)角點(diǎn)的距離，分別記為為圓心，以一D為半徑做圓。

③遍歷數(shù)據(jù)庫中所有參考影像的中心坐標(biāo)，找到中心點(diǎn)落在②中所述的圓中影像，記為

④計(jì)算待配準(zhǔn)影像中心點(diǎn)一R( x二, y)三和③中遍歷所得參考影像中心點(diǎn)坐標(biāo)

歐式距離最小的影像就是最佳的基準(zhǔn)影像。

2 特征點(diǎn)提取關(guān)鍵技術(shù)

在單個(gè)波段內(nèi)，像素間灰度值的差異小，對(duì)于特征信息的表達(dá)不充分。遙感圖像尺寸大，而且存儲(chǔ)方式不局限于單字節(jié)，同時(shí)，如果單純的切分圖像，容易造成圖像有效信息的割裂，降低特征信息的表達(dá)能力。針對(duì)遙感影像以上特點(diǎn)，對(duì)于兩張獨(dú)立的遙感圖像，特別是兩張分辨率差異較大的圖像，對(duì)本文特征點(diǎn)提取的算法的分析如下。

首先，依據(jù)地理坐標(biāo)信息，搜索出同一個(gè)區(qū)域，獲取兩張遙感圖像的處理范圍。

其次，各個(gè)對(duì)應(yīng)波段運(yùn)用直方圖均衡化對(duì)圖像增強(qiáng)，然后獨(dú)立的提取同名點(diǎn)，分別用SIFT算法獲取各對(duì)應(yīng)波段的同名點(diǎn)對(duì)，再合并所有同名點(diǎn)對(duì)，本文加載的是影像的RGB以及紅外四個(gè)波段。

3 圖像配準(zhǔn)技術(shù)流程

本文主要是利用SIFT算法提取特征點(diǎn)，首先輸入待配準(zhǔn)的影像，通過自動(dòng)搜索基準(zhǔn)影像功能系統(tǒng)自動(dòng)加載基準(zhǔn)影像，然后進(jìn)行特征點(diǎn)的提取、粗匹配、錯(cuò)誤匹配點(diǎn)剔除以及精匹配，最后，將本文算法配準(zhǔn)后的結(jié)果和Erdas的配準(zhǔn)結(jié)果做比較分析，如果精度合格，將配準(zhǔn)后的結(jié)果存儲(chǔ)到數(shù)據(jù)庫中，如圖3所示。

圖3 配準(zhǔn)結(jié)果流程

4 實(shí)驗(yàn)結(jié)果及分析

分辨率，所用的無人機(jī)遙感影像是該地區(qū)的0.1m的海南影像，以geoeye影像為基準(zhǔn)影像，無人機(jī)影像為待配準(zhǔn)影像。分別用本文算法和ERDAS軟件進(jìn)行配準(zhǔn)分析。

圖4 特征點(diǎn)分布

圖5 配準(zhǔn)后拼接

圖6 Erdas提取的特征點(diǎn)分布

圖7 配合后拼接

視覺結(jié)果：

圖8 本文算法配準(zhǔn)結(jié)果

圖9 ERDAS軟件配準(zhǔn)結(jié)果

均方差比較：

表1 均方差分析

配準(zhǔn)時(shí)間分析：

表2 時(shí)間分析表

5 總結(jié)

通過上述實(shí)驗(yàn)分析，本文所用的遙感圖像自動(dòng)配準(zhǔn)算法和其他的圖像軟件相比提高了圖像配準(zhǔn)的精度，對(duì)不同時(shí)相、分辨率差異較大的兩幅影像實(shí)現(xiàn)較好的配準(zhǔn)。

［1］張祖勛，張劍清，廖明生.遙感影像的高精度自動(dòng)配準(zhǔn)［J］.武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1998（4）:320-323.

［2］Zhang Jixian,Li Guosheng,Zeng Yu.The Study on Automatic and High-precision Rectification and Registration of Multisource Remote Sensing Imagery［J］.Journal of Remote Sensing,2005,9(1):73-77.

［3］Lowe D G.Distinctive Image Features from Scale Invariant Keypoints［J］.International Journal of Computer Vision, 2004,60(2):91-110.

［4］張祖勛，張劍清.數(shù)字?jǐn)z影測(cè)量學(xué)［M］.武漢：武漢測(cè)繪科技大學(xué)出版社，1996:144-174.

［5］Lowe D G.Object recognition from local scale-invariant features［C］.In ICCV,1999:1150-1157.

［6］張繼賢，李國勝，曾鈺.多源遙感影像高精度自動(dòng)配準(zhǔn)的方法研究［J］.遙感學(xué)報(bào)，2005，9（1）：73-77.

P237;TP751

A

10.3969/j.issn.1001-0270.2014.04.21

2014-03-03