異源多分辨率衛(wèi)星影像匹配算法研究

霍門婕，范大昭，董 楊

(信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001)

在遙感和對地觀測領(lǐng)域，隨著對地觀測技術(shù)的發(fā)展，人類對地球的綜合觀測能力達(dá)到空前水平[1]。多平臺、多傳感器、多時相的海量遙感衛(wèi)星影像，為我國及世界提供了日益豐富的數(shù)據(jù)資源。然而，海量規(guī)模的大數(shù)據(jù)已遠(yuǎn)超出傳統(tǒng)信息處理系統(tǒng)的處理能力，并且各型號遙感衛(wèi)星未能兼顧其他衛(wèi)星型號的技術(shù)要求。因此，有必要發(fā)展可行、高效的針對遙感衛(wèi)星影像的大數(shù)據(jù)處理技術(shù)[2]。現(xiàn)階段，針對多型號遙感衛(wèi)星探測獲取的海量大差異遙感數(shù)據(jù)缺乏高效聯(lián)合處理手段，難以真正實現(xiàn)基于多星影像數(shù)據(jù)的異源匹配。如何充分利用多星影像自身特點，結(jié)合可編程圖形硬件，設(shè)計高效影像匹配算法，實現(xiàn)多星影像數(shù)據(jù)高精度聯(lián)合定位是當(dāng)前面臨的重大挑戰(zhàn)。開展異源遙感衛(wèi)星影像匹配技術(shù)研究具有較為重要的現(xiàn)實意義和應(yīng)用價值。

基于此，本文設(shè)計了一套面向異源多分辨率衛(wèi)星影像的匹配流程，并在異源多分辨率遙感衛(wèi)星影像數(shù)據(jù)集的支持下，進(jìn)行多組特征提取與匹配算法的對比試驗，得到較好的匹配方案[3]。

1 異源多分辨率衛(wèi)星影像匹配流程

1.1 特征提取與匹配算法

衛(wèi)星影像上存在的灰度不連續(xù)的點，或局部影像上灰度出現(xiàn)突然變化的點，稱為特征點。將這些有較大信息量的特征點從影像中提取出來稱為特征提取。現(xiàn)階段常用的幾種特征提取算法有：SIFT(scale invariant feature transform)[4]、SURF(speeded up robust features)[5]、KAZE[6]、AKAZE(accelerated KAZE)[7]、ORB(oriented fast and rotated BRIEF)[8]、BRISK(binary robust invariant scalable key-points)[9]等特征提取與描述算子。

得到影像特征后，即可進(jìn)行特征匹配。特征匹配算法一般分為兩個步驟：一是相似性測度確定；二是搜索策略確定。相似性測度是度量特征描述符間相似性程度的定量指標(biāo)，常用的相似性測度有歐氏距離、漢明距離、曼哈頓距離等。針對空間尺度描述符的復(fù)雜性，現(xiàn)多采用暴力搜索算法(brute force，BF)[10]、近似最近鄰算法(approximate nearest neighbor，ANN)[11]等策略進(jìn)行影像特征的匹配搜索。

衛(wèi)星影像匹配特征通常存在一定數(shù)量的噪聲，因此特征點對的匹配提純至關(guān)重要，本文主要介紹RANSAC匹配提純算法[3]。RANSAC算法可以從一組數(shù)據(jù)集中通過迭代的方式獲取最合適的數(shù)學(xué)模型參數(shù)，其基本假設(shè)是：數(shù)據(jù)集的分布可以用一些模型參數(shù)來解釋，滿足該模型的點稱為內(nèi)點，因噪聲極值等原因不能適應(yīng)該模型的外點將被剔除。RANSAC改進(jìn)算法主要針對兩個方面進(jìn)行優(yōu)化：一是提純速度優(yōu)化，如R-RANSAC(randomized RANSAC)[11-12]等；二是匹配提純率優(yōu)化[13]，如M-RANSAC(multi RANSAC)[14]等。

1.2 ROC曲線

為進(jìn)行客觀有效的算法對比，本文設(shè)計了一種基于RANSAC閾值變化的ROC曲線評判方法，對每種算法的適用情況進(jìn)行評估。ROC曲線是以FPR(false positive rate)為橫坐標(biāo)，TPR(true positive rate)為縱坐標(biāo)所繪制的曲線。ROC曲線越靠近左上角越準(zhǔn)確，最靠近左上角的點就是正確率最高的閾值選擇。ROC曲線參數(shù)見表1。

表1 ROC曲線參數(shù)

TPR、FPR計算公式分別為

(1)

(2)

傳統(tǒng)的ROC曲線取值是以每點的概率值為基礎(chǔ)，變換不同的閾值得到多組ROC曲線點對。針對衛(wèi)星影像匹配結(jié)果，設(shè)計利用不同的RANSAC閾值，從而得到不同的ROC曲線點，用于表征匹配算法的性能。

1.3 異源多分辨率衛(wèi)星影像匹配流程

基于以上的特征提取、匹配與提純算法，本文設(shè)計了一套衛(wèi)星影像的匹配流程，實現(xiàn)了較為豐富的特征點對穩(wěn)健提取。具體流程如下：①利用多種特征提取算子分別對衛(wèi)星影像進(jìn)行特征提取，并整合多種算子的特征提取結(jié)果，為隨后的影像匹配提供豐富的特征點；②利用衛(wèi)星影像的輔助參數(shù)進(jìn)行匹配約束；③進(jìn)行衛(wèi)星影像的匹配提純優(yōu)化，提取出正確、豐富的匹配點對，得到較好的衛(wèi)星影像匹配結(jié)果。具體匹配流程如圖1所示。

2 異源多分辨率衛(wèi)星影像匹配算法分析

2.1 特征點提取與匹配試驗

本次試驗的數(shù)據(jù)集為異源4顆衛(wèi)星的全色影像和多光譜影像兩組數(shù)據(jù)，具體的試驗數(shù)據(jù)信息介紹見表2和表3。

表2 試驗所用數(shù)據(jù)集

表3 試驗方法

本試驗在全色數(shù)據(jù)集中選取高分一號衛(wèi)星和資源三號02星的兩張同一地區(qū)、不同分辨率的典型異源影像進(jìn)行上述多種算法的匹配試驗，記錄不同算法的試驗耗時，并根據(jù)試驗的結(jié)果統(tǒng)計匹配的正確率，具體試驗數(shù)據(jù)見表4。

表4 試驗結(jié)果信息統(tǒng)計

在本次試驗范圍內(nèi)，以上算法在得到匹配點數(shù)量方面依次是：SURF+ANN、SURF+BF、KAZE+ANN、KAZE+BF，匹配結(jié)果正確率方面依次是：AKAZE+BF、KAZE+BF、KAZE+ANN、SIFT+BF；計算速度方面依次是：ORB+BF、AKAZE+BF、KAZE+BF、SURF+BF。

2.2 特征點對匹配提純試驗

本次試驗使用的是高分一號衛(wèi)星和資源三號02星的兩張同一地區(qū)、不同分辨率的典型異源影像。KAZE+BF算法經(jīng)過匹配提純后的效果如圖2所示。

不同的RANSAC閾值對后期匹配的正確率有較大的影響，對不同的8種組合算法分別試用不同的閾值，試驗檢測出每種組合算法對于不同閾值的適用情況，得到適用于異源多分辨率衛(wèi)星影像匹配的優(yōu)化組合算法和閾值。部分試驗結(jié)果如圖3所示。

由上述試驗結(jié)果可知，RANSAC閾值越小匹配的正確率越高，但是由于RANSAC濾除了較多的匹配點，因此匹配得到的總點數(shù)不夠豐富，需要綜合考慮后決定RANSAC的閾值選擇。

基于RANSAC閾值的ROC曲線越接近于左上角，說明直接匹配得到的特征點對具有較好的穩(wěn)健性，能夠適用于不同閾值下的RANSAC提純，表征出特征提取與匹配算法的優(yōu)良特性。

本次試驗分別設(shè)置RANSAC閾值為：1.0、2.0、3.0、4.0，記錄并計算每種組合算法在對應(yīng)閾值下的TPR、FPR值，由本試驗數(shù)據(jù)得到的ROC曲線如圖4所示。

ROC曲線直觀地反映了每種算法的閾值適用情況，從上至下分別為AKAZE+BF、KAZE+ANN、KAZE+BF、SIFT+BF這4種組合算法。將ROC曲線的效果按照從優(yōu)到劣的順序分別從8到1進(jìn)行打分，并綜合每種組合算法的匹配點數(shù)量、計算耗時、匹配的正確率這3種檢測指標(biāo)的統(tǒng)計結(jié)果，可以得到本次試驗的綜合性能評估情況，見表5。

在本次試驗范圍內(nèi)，綜合評估后得出匹配結(jié)果較好的算法有：AKAZE+BF、KAZE+BF、KAZE+ANN。

表5 8種算法綜合評判

2.3 異源多分辨率衛(wèi)星影像匹配試驗與分析

本文在傳統(tǒng)特征提取與匹配算法的基礎(chǔ)上，綜合了SIFT、SURF、ORB這3種特征提取算子，將這3種算法分別提取的特征點整合后進(jìn)行匹配并提純，得到了相較原來更為豐富的匹配點對。本試驗在多光譜數(shù)據(jù)集中選取高分一號衛(wèi)星和資源三號02星的兩張同一地區(qū)、不同分辨率的典型異源影像進(jìn)行上述的匹配試驗，具體試驗結(jié)果如圖5所示。

本次試驗將SIFT、SURF、ORB 3種算子的特征提取結(jié)果整合后，利用BF算法進(jìn)行匹配搜索計算。由兩張異源遙感衛(wèi)星影像的特征點整合前后匹配效果對比可知，整合后得到的匹配點數(shù)量比僅利用一種特征提取算子得到的匹配點數(shù)量更多，效果更好。

如圖6所示，由4張異源遙感衛(wèi)星影像的特征點整合前后匹配效果對比可知，整合后得到的多張異源影像匹配點數(shù)量也較僅使用一種特征提取算子得到的匹配點數(shù)量更多，試驗結(jié)果得到了有效的改進(jìn)。

3 結(jié) 語

本文主要針對異源多分辨率衛(wèi)星影像的匹配技術(shù)進(jìn)行研究，著力于實現(xiàn)多平臺、多傳感器、多時相、多角度衛(wèi)星影像的聯(lián)合匹配處理，以提高海量影像數(shù)據(jù)的利用率[15]。通過實現(xiàn)多種特征檢測與匹配算法的交叉組合，對比選擇得出適用于異源影像匹配的解決方案，針對多張異源多分辨率衛(wèi)星影像匹配點對較為稀疏的問題，設(shè)計了一套衛(wèi)星影像匹配流程，得到了較為豐富的匹配結(jié)果。對匹配提純后的多組異源匹配方案結(jié)果進(jìn)行綜合分析，設(shè)計了一種基于RANSAC閾值的ROC曲線匹配性能評判方式，利用多種檢測指標(biāo)，對匹配結(jié)果進(jìn)行綜合評估。本文對于異源多分辨率衛(wèi)星影像匹配技術(shù)進(jìn)行了一定的基礎(chǔ)性研究，但是研究內(nèi)容依然有待深化，應(yīng)進(jìn)一步提高匹配算法的適用性，使影像匹配點的分布更加均勻，優(yōu)化匹配計算速度，更高效地完成異源多分辨率衛(wèi)星影像的匹配。