低空攝影測(cè)量遙感影像特征點(diǎn)提取算法研究

田方

摘 要：特征點(diǎn)提取作為影像匹配的基礎(chǔ)環(huán)節(jié)，直接決定著低空攝影測(cè)量遙感影像的精確程度。文章通過(guò)研究5種特征點(diǎn)提取算法，目的在于檢測(cè)不同特征點(diǎn)提取算法的優(yōu)劣性，從而有助于提高低空攝影測(cè)量遙感影像特征點(diǎn)提取的效果。實(shí)驗(yàn)結(jié)果表明，基于灰度信息豐富的低空遙感影像，F(xiàn)orstner特征點(diǎn)提取算法的精度最高，而檢測(cè)時(shí)間最長(zhǎng);SIFT具有尺度不變性;另外Harris特征點(diǎn)提取的時(shí)間最快。因此這3種方式在低空攝影測(cè)量影像的特征點(diǎn)提取上具有較好的應(yīng)用效果。

關(guān)鍵詞：低空攝影測(cè)量;特征點(diǎn)提取;算法

中圖分類(lèi)號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ?文章編號(hào)：1001-5922（2020）10-0082-05

Abstract： Feature point extraction， as the basic link of image matching， directly determines the accuracy of remote sensing images in low-altitude photogrammetry. By studying five kinds of feature point extraction algorithms， the purpose of this paper is to detect the advantages and disadvantages of different feature point extraction algorithms， thereby helping to improve the effect of feature point extraction of low-level photogrammetric remote sensing images. The experimental results show that based on the low-level remote sensing images with rich gray information， the Forstner feature point extraction algorithm has the highest accuracy and the longest detection time; SIFT has scale invariance; in addition， Harris feature point extraction has the fastest time. Therefore， these three methods have good application effects on the feature point extraction of low-altitude photogrammetry images.

Key words：low altitude photogrammetry; feature point extraction; algorithm

0 引言

影像特征主要有3個(gè)方面的表達(dá)，其中有面特征、點(diǎn)特征和線(xiàn)特征。這3個(gè)特征中，點(diǎn)屬于圖像中的基本組成元素，所以對(duì)點(diǎn)特征進(jìn)行提取相對(duì)而言會(huì)比較簡(jiǎn)單，且點(diǎn)易于表示，于是人們?cè)谘芯坑跋裉卣魈崛r(shí)會(huì)更加青睞于對(duì)點(diǎn)特征進(jìn)行提取研究。特征點(diǎn)提取方式有2種，第1種為提取像素灰度值，第2種方式為搜索圖像邊緣部分提取曲率，由于第1種方式提取點(diǎn)特征的點(diǎn)類(lèi)別較多，其中還包含交叉點(diǎn)、角點(diǎn)等，并且這種方式操作比較簡(jiǎn)單，有助于提高精確度，所以具有更好的應(yīng)用效果[1-2]。

特征點(diǎn)提取算法非常多，每種算法將會(huì)有其各自的特點(diǎn)，文章將對(duì)Moravec特征點(diǎn)提取算法、SIFT特征點(diǎn)提取算法、SUSANA特征點(diǎn)提取算法、Harris特征點(diǎn)提取算法和Forstner特征點(diǎn)提取算法進(jìn)行研究，這幾個(gè)算法屬于影像特征點(diǎn)提取中比較常用的算法[3]。由于每種算法的適應(yīng)環(huán)境不一樣，于是文章將對(duì)這5個(gè)算法進(jìn)行分析，分析其優(yōu)劣性和適應(yīng)環(huán)境，從而有利于低空攝影測(cè)量遙感影像特征點(diǎn)提取的準(zhǔn)確性和高效性。

1 特征點(diǎn)提取算法

1.1 Moravec特征點(diǎn)提取算法

該算法主要是對(duì)感興趣的特征點(diǎn)進(jìn)行提取，其中需要使用到影像恢復(fù)方差，首先計(jì)算出4個(gè)不同方向的灰度值方差，然后對(duì)4個(gè)值進(jìn)行比較之后，選擇最小值作為興趣值，還需要將其與閥值進(jìn)行比較。該算法判斷特征點(diǎn)的方式就是一個(gè)點(diǎn)具有最小或最大的灰度方差[4]。在提取過(guò)程中每個(gè)方向會(huì)發(fā)生較大的變化，所以需要對(duì)其進(jìn)行處理，該算法的步驟如下所示。

1）計(jì)算每個(gè)不同的像素興趣值IV，還需要對(duì)計(jì)算出4個(gè)不同方向相鄰像素的灰度差平方和，這4個(gè)方向分別為0°、45°、90°和135°。其計(jì)算公式如下所示，最后將最小值作為興趣值，即：

2）再確定閥值T，在確定時(shí)需要考慮到多方面的因素，也可以根據(jù)經(jīng)驗(yàn)值進(jìn)行選擇，然后和興趣值進(jìn)行比較，當(dāng)興趣值小于T值，則需要將該候選點(diǎn)刪除，當(dāng)興趣值大于T值時(shí)，則保留該候選點(diǎn)。

3）計(jì)算出興趣值之后，然后只需要保留最大的興趣值的所有像素點(diǎn)，特征點(diǎn)就是興趣值最大的點(diǎn)。

1.2 Forstner特征點(diǎn)提取算法

該算法中被視為特征點(diǎn)的是包含精確視差并且分布均勻的點(diǎn)，更為簡(jiǎn)單的說(shuō)法是在匹配過(guò)程中，需要找到一個(gè)點(diǎn)盡量接近圓并且誤差橢圓非常小的點(diǎn)[5]。在該算法中具有一個(gè)最為核心環(huán)節(jié)，直接影響著算法的效果，就是需要計(jì)算窗口中Forstner梯度和灰度協(xié)方差矩陣，然后最終得到準(zhǔn)確的興趣值。Forstner特征點(diǎn)提取算法的實(shí)際操作方式如下所示：

1）首先計(jì)算出窗口中的Forstner梯度，其公式如下所示：

2）在l×l一個(gè)為的窗口中，其中中心點(diǎn)為（x，y），需要計(jì)算出其灰度協(xié)方差矩陣，其公式如下所示：

3）根據(jù)上面的公式，能夠計(jì)算出矩陣跡tr（N）和行列式det（N），于是既可以根據(jù)下述公式計(jì)算出像元興趣值，公式中w為權(quán)重，q為誤差橢圓的圓度闕值。

4）通過(guò)上述公式計(jì)算出興趣值之后，即可將其與閥值T進(jìn)行比較，刪掉小于或者等于T的候選點(diǎn)，然后將大于T的點(diǎn)保留下來(lái)作為候選點(diǎn)。

5）上一步中已經(jīng)求得候選點(diǎn)，當(dāng)其w最大時(shí)，其為特征點(diǎn)。

1.3 SUSAN特征點(diǎn)提取算法

該算法提取特征點(diǎn)的方式是使用一個(gè)圓形模板進(jìn)行檢測(cè)，這個(gè)模板圍繞著區(qū)域內(nèi)核點(diǎn)進(jìn)行移動(dòng)，從而達(dá)到監(jiān)測(cè)的目的。在這個(gè)移動(dòng)過(guò)程中，會(huì)將內(nèi)部點(diǎn)和中心點(diǎn)的灰度值進(jìn)行比較，然后確定出核值相似區(qū)USAN，它的確定方式即灰度值相等或者相似。USAN面積為其像素個(gè)數(shù)[6]。當(dāng)圓心處于不同位置時(shí)，其USAN面積也就不一樣。特征點(diǎn)就是USAN面積最小的情況下，其模板中心點(diǎn)。這種方式能夠計(jì)算出原始影像，其操作方式如下所示：

1）首先計(jì)算出像元個(gè)數(shù)，其公式為：

2）模板內(nèi)存在很多像素，其中有些像素和灰度值相似，然后檢測(cè)出這樣的像素，對(duì)其進(jìn)行求總，其公式為：

3）設(shè)置角點(diǎn)相應(yīng)函數(shù)R，其公式如下所示，其中闕值為g，一般情況下將其取值為，n為像素點(diǎn)總數(shù)，公式中為能夠達(dá)到的最大值。

1.4 Harris特征點(diǎn)提取算法

該算法是對(duì)窗口內(nèi)的角點(diǎn)特征進(jìn)行觀察，觀察點(diǎn)在移動(dòng)過(guò)程中其曲率或者灰度變化是否非常明顯。這種算法提取特征點(diǎn)主要依據(jù)圖像自相關(guān)矩陣M進(jìn)行判斷。其主要的操作方式如下所示。

1）首先確定出一個(gè)窗口，然后以該窗口為研究對(duì)象，對(duì)其內(nèi)部的全部像素點(diǎn)進(jìn)行一階差分處理，目的在于能夠計(jì)算出所有像素在不同方向上的梯度。

2）確定自相關(guān)矩陣M。在確定過(guò)程中需要使用到高斯函數(shù)G濾波，其公式如下所示，公式中g(shù)表示梯度，x和y表示不同方向，分別為水平和豎直方向，G（S）代表的高斯模板。

3）得到矩陣M之后，需要求出其兩個(gè)特征值，于是可以對(duì)點(diǎn)進(jìn)行分類(lèi)，其分類(lèi)方式有3種情況，第1種為當(dāng)兩個(gè)特征點(diǎn)都比較小時(shí)，窗口進(jìn)行移動(dòng)時(shí)不管是什么方向其灰度不會(huì)發(fā)生變化，于是可以將其劃分為平坦區(qū)域;第2種為當(dāng)兩個(gè)特征值相等且都比較大時(shí)，發(fā)生了灰度變化，于是可以將其點(diǎn)劃分為角點(diǎn);第3種為當(dāng)兩個(gè)特征點(diǎn)差值非常大時(shí)，灰度沒(méi)有顯著變化，于是將其劃分為邊緣區(qū)域。通過(guò)這3種情況，于是可以得出所有候選特征點(diǎn)。

4）最后計(jì)算出角點(diǎn)相應(yīng)函數(shù)R，其公式如下所示，k為常數(shù)，然后比較R值和T值，當(dāng)R>T，則該點(diǎn)為特征點(diǎn)。

1.5 SIFT特征點(diǎn)提取算法

這種算法具備尺度不變形，屬于一種具有代表性的特征點(diǎn)提取方式，這種算法首先在空間中提取特征點(diǎn)，再將影像匹配變?yōu)樘卣飨蛄科ヅ洹Ｔ撍惴ǖ木唧w操作方式如下所示：

1）首先構(gòu)建尺度空間。需要對(duì)原始圖像進(jìn)行卷積處理，其中需要使用到高斯差分函數(shù)，目的在于得到高斯尺度差分空間DOG，其公式如下：

2）精確定位極值點(diǎn)。需要對(duì)不同的點(diǎn)進(jìn)行比較，然后將極值點(diǎn)進(jìn)行保留，再對(duì)候選點(diǎn)進(jìn)行擬合，其中需要使用到三維二次函數(shù)，完成擬合之后，再對(duì)候選點(diǎn)的位置和尺度進(jìn)行精確，由于能夠得到精確的定位極值點(diǎn)，于是可以將低對(duì)比度特征點(diǎn)進(jìn)行刪除，更有利于特征點(diǎn)提取的效率。

3）確定特征點(diǎn)方向。首先在360°范圍內(nèi)進(jìn)行平均劃分，然后將其分為36個(gè)方向的直方圖，特征點(diǎn)的主要方向判斷方式是觀察直方圖的最高峰。

4）描述特征點(diǎn)。將1個(gè)像素窗口將其劃分為16個(gè)子窗口，然后計(jì)算出梯度防線(xiàn)，于是有128個(gè)數(shù)據(jù)作為特征點(diǎn)的128維向量，再對(duì)其進(jìn)行歸一化處理，從而可以減去光照變化的影響。

SIFT特征點(diǎn)提取算法在分析過(guò)程中，獲取的特征點(diǎn)不一定都是穩(wěn)定，所以容易收到其他因素的影響，比如噪音和紋理變化，受到影響后的特征點(diǎn)應(yīng)用于影像中將會(huì)降低匹配的精度。于是有相關(guān)學(xué)者對(duì)其進(jìn)行改進(jìn)，比如利用了Harris特征點(diǎn)提取算法遴選SIFT特征點(diǎn);還有學(xué)者使用Harris-Laplace算法檢測(cè)關(guān)鍵點(diǎn)，從而使使其尺度和光照不會(huì)改變[7]。

2 實(shí)驗(yàn)結(jié)果

文章通過(guò)使用上述5種算法對(duì)3幅圖像進(jìn)行實(shí)驗(yàn)，3幅圖的特點(diǎn)都不一樣，第1幅為幾何圖形，其中存在較多的角點(diǎn)，第2幅為檸條塔礦區(qū)域的遙感衛(wèi)星影像，第3幅同樣是對(duì)檸條塔礦區(qū)域?yàn)榕臄z地，只是使用動(dòng)力三角翼遙感拍攝的影響。5種算法拍攝的圖像結(jié)果如圖1所示。

需要對(duì)每種算法進(jìn)行評(píng)價(jià)其精度，采用的方式為將檢測(cè)的特征點(diǎn)坐標(biāo)（xi ，yi）和實(shí)際坐標(biāo)（xi ，yi）的整體均方根誤差RMSE評(píng)定精度，其中N為特征點(diǎn)總數(shù)，計(jì)算公式為：

表1即為實(shí)驗(yàn)結(jié)果，其中包含5種算法的檢測(cè)時(shí)間、檢測(cè)點(diǎn)數(shù)和RMSE。從表中可以看出，對(duì)于實(shí)驗(yàn)1，檢測(cè)時(shí)間最快的是Harris，因?yàn)槠錂z測(cè)點(diǎn)數(shù)最少。檢測(cè)點(diǎn)數(shù)最多的是SIFT，然而其檢測(cè)時(shí)間速度排名第3。Forstner的檢測(cè)時(shí)間最多，然而其檢測(cè)精度最高，精度排名第2的為SIFT。對(duì)于實(shí)驗(yàn)2，每種算法的檢測(cè)時(shí)間與實(shí)驗(yàn)1一致，而檢測(cè)點(diǎn)數(shù)最多的任然是SIFT，而其檢測(cè)點(diǎn)數(shù)最少發(fā)生了變化，檢測(cè)最少的是SUSAN，實(shí)驗(yàn)2種精確度最高的任然為Forstner。對(duì)于實(shí)驗(yàn)3，其中Harris的檢測(cè)時(shí)間最快，其次是SIFT，F(xiàn)orstner的精度任然最高，但是它的檢測(cè)時(shí)間最慢。

3 分析

3.1 Moravec特征點(diǎn)提取算法分析

相比于另外兩幅圖像，Moravec特征點(diǎn)提取算法能夠獲得精度更高的低空遙感影像特征點(diǎn)。從圖1（a）的左幅圖中可以看出，當(dāng)灰度反差比較大時(shí)，其提取效果將會(huì)更好。通過(guò)分析之后，這種算法具有操作簡(jiǎn)單、運(yùn)行速度快、圖像屬性穩(wěn)定、分辨率高等特點(diǎn)，另外其比較適合于提取灰度反差大的特征點(diǎn)，而且其邊緣信息少，使用該算法時(shí)對(duì)其定位精度要求比較低。

3.2? ?Forstner特征點(diǎn)提取算法分析

Forstner特征點(diǎn)提取算法不管在哪一個(gè)實(shí)驗(yàn)中，其檢測(cè)時(shí)間都是最長(zhǎng)的，實(shí)驗(yàn)3種時(shí)間最長(zhǎng)，出現(xiàn)這種現(xiàn)象的原因在于該算法在提取特征點(diǎn)時(shí)，需要經(jīng)過(guò)3個(gè)階段，首先是對(duì)初選點(diǎn)進(jìn)行提取，然后提取候選點(diǎn)，最后才是提取特征點(diǎn)，另外，其檢測(cè)點(diǎn)數(shù)也比較所，所以就會(huì)耗時(shí)較大。但是其精度非常高，可以達(dá)到子像素級(jí)別。這種算法的使用范圍為角點(diǎn)多、對(duì)比度和灰度變化比較明顯的影像。

3.3? ?SUSAN特征點(diǎn)提取算法分析

從圖1（c）中可以看出，在圖像邊緣處SUSAN特征點(diǎn)提取算法可以檢測(cè)到比較多虛假角點(diǎn)。在5種算法中，SUSAN特征點(diǎn)提取算法的檢測(cè)時(shí)間排名第2，所以相對(duì)而言，其檢測(cè)時(shí)間比較慢，主要原因在于其計(jì)算量比較大，所以降低了其效率。SUSAN在3個(gè)實(shí)驗(yàn)中第一個(gè)實(shí)驗(yàn)的精確度最高，遙感影像的精度比較低，因?yàn)檫b感獲取的圖片角點(diǎn)不明顯，并且存在比較少的拐點(diǎn)。所以這種算法比較適用于邊緣信息豐富、拐點(diǎn)明顯、構(gòu)造簡(jiǎn)單的幾何圖像。

3.4 Harris特征點(diǎn)提取算法分析

在低空航片中，相對(duì)于其他的算法，Harris算法的特征點(diǎn)數(shù)量比較多，然而對(duì)于衛(wèi)星遙感影像，其提取的效果不是很好。由于該算法的計(jì)算比較簡(jiǎn)單，并且操作步驟也容易，不管是何種影像，其檢測(cè)時(shí)間會(huì)非常快，具有較好的檢測(cè)效率。這種算法比較適合于在Matlab環(huán)境下檢測(cè)低空遙感影像特征點(diǎn)。

3.5 SIFT特征點(diǎn)提取算法分析

SIFT在低空影像中獲取相關(guān)特征點(diǎn)時(shí)，相比于其他的算法，這種算法的特征點(diǎn)會(huì)比較多，并且其精度也比另外兩個(gè)實(shí)驗(yàn)高。這種算法比較適用于低空遙感影像，因?yàn)樵诘涂窄h(huán)境下，其飛行姿勢(shì)就會(huì)存在不穩(wěn)定性，該算法能夠?qū)⑵淞炼群托D(zhuǎn)等保持不變。但是這種方式的計(jì)算過(guò)程會(huì)相當(dāng)復(fù)雜。

特征點(diǎn)會(huì)受到外界的影響，通過(guò)重復(fù)率可以對(duì)其穩(wěn)定性和不變性進(jìn)行檢測(cè)，當(dāng)重復(fù)率越大時(shí)，該算法的適應(yīng)性就會(huì)越好，計(jì)算重復(fù)率的方式是通過(guò)計(jì)算出圖像的單應(yīng)性矩陣[8]。于是文章將會(huì)計(jì)算出原始低空影像的重復(fù)率。首先將圖像順時(shí)針旋轉(zhuǎn)90°，在原始圖像中加入0到0.1濃度的噪音，調(diào)整圖像對(duì)比度，還需要調(diào)整圖像的亮度，在對(duì)原始圖像進(jìn)行改變時(shí)，每隔一段時(shí)間需要對(duì)重復(fù)率進(jìn)行統(tǒng)計(jì)1次。最后得到如圖2所示的5種算法重復(fù)率結(jié)果。

從圖中可以看出，當(dāng)亮度發(fā)生變化時(shí)，5種算法中重復(fù)率比較高的為SIFT和Harris，并且其重復(fù)率變化幅度相對(duì)比較平穩(wěn)，而其它3種算法的重復(fù)率變化非常明顯。當(dāng)旋轉(zhuǎn)角度發(fā)生變化時(shí)，其中SIFT的重復(fù)率最高，并且其變化較為穩(wěn)定，說(shuō)明其具有很好的抗旋轉(zhuǎn)性。當(dāng)對(duì)比度發(fā)生變化時(shí)，其中Harris的重復(fù)率最高，說(shuō)明其具有很好的穩(wěn)定性。當(dāng)噪音越來(lái)越大時(shí)，5種算法的重復(fù)率都發(fā)生了較大的下降，即可說(shuō)明每種算法對(duì)噪音的影響非常敏感，所以在提取特征點(diǎn)之前，為了獲得更好的應(yīng)用效果，需要將低空影像進(jìn)行去噪處理。

4 結(jié)語(yǔ)

綜上所述，5種算法中SIFT特征點(diǎn)提取算法的穩(wěn)定性最好，而且相比于其他4種算法，其具有一定的抗噪性，F(xiàn)orstner算法的精度最高，并且對(duì)旋轉(zhuǎn)的抵抗能力較好，Harris算法的速度最快，并且對(duì)亮度的抵抗能力比較好，所以通過(guò)分析，基于灰度信息豐富的低空遙感影像，使用這3種算法將會(huì)更加合適。

參考文獻(xiàn)

[1]柯濤，張永軍.SIFT特征算子在低空遙感影像全自動(dòng)匹配中的應(yīng)用[J].測(cè)繪科學(xué)，2009， 034（004）：23-26.

[2]李祿，范大昭，耿則勛，等.改進(jìn)相位相關(guān)算法的小基高比影像亞像素匹配[J].測(cè)繪科學(xué)， 2014，039（007）：118-121.

[3]丁雄飛，張春燕.基于Moravec算子和改進(jìn)的SIFT算法的圖像匹配[J].合肥學(xué)院學(xué)報(bào)（自然科學(xué)版）2013（03）：44-46.

[4]馬圣毅.基于SIFT算法的航攝影像匹配研究[D].天津：天津大學(xué)，2012.

[5]徐建斌，洪文，吳一戎.基于遺傳算法的遙感影像匹配定位的研究[J].測(cè)試技術(shù)學(xué)報(bào)， 2004（04）：71-74.

[6]齊苑辰.無(wú)人駕駛飛機(jī)航空遙感影像匹配及外方位元素解算方法研究[D].阜新：遼寧工程技術(shù)大學(xué)， 2008.

[7]徐秋輝，佘江峰，宋曉群，等.利用Harris-Laplace和SIFT描述子進(jìn)行低空遙感影像匹配[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2012（12）：61-65.

[8]張力，張祖勛，張劍清.Wallis 濾波在影像匹配中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 1999，024（001）：24-27.