鍍膜雙鏡頭多光譜相機(jī)的波段配準(zhǔn)方法*

鄭佳怡，方俊永，王瀟，張曉紅，劉學(xué)

(1 中國(guó)科學(xué)院空天信息創(chuàng)新研究院， 北京 100094； 2 中國(guó)科學(xué)院大學(xué)， 北京 100049) (2020年2月24日收稿； 2020年5月22日收修改稿)

多光譜相機(jī)具有可同時(shí)獲得地物目標(biāo)空間信息和光譜信息的優(yōu)勢(shì)，被廣泛應(yīng)用于地質(zhì)災(zāi)害評(píng)估、農(nóng)作物和環(huán)境監(jiān)測(cè)以及地圖測(cè)繪領(lǐng)域[1]。目前常見的多光譜相機(jī)根據(jù)分光原理可分為光路分光式、多鏡頭分離式和濾光片轉(zhuǎn)輪式，這些相機(jī)大多配備復(fù)雜的機(jī)械分光設(shè)備，靈活性低。鍍膜雙鏡頭多光譜相機(jī)利用探測(cè)器單元鍍膜的方式簡(jiǎn)化了多光譜相機(jī)結(jié)構(gòu)，獲取數(shù)據(jù)速度快且體積小重量輕，適合無人機(jī)平臺(tái)搭載或手持。

多光譜影像不同波段之間的配準(zhǔn)是航空遙感數(shù)據(jù)處理的關(guān)鍵步驟，影響著遙感數(shù)據(jù)產(chǎn)品的質(zhì)量。目前圖像配準(zhǔn)方法大致可分為基于灰度、基于特征2類。基于灰度的配準(zhǔn)方法對(duì)非線性灰度變換十分敏感，容易造成大的配準(zhǔn)誤差，因此波段配準(zhǔn)常用適應(yīng)度和通用度更強(qiáng)的基于特征的配準(zhǔn)方法。目前特征配準(zhǔn)領(lǐng)域應(yīng)用最多的是Lowe提出的SIFT(scale invariant feature transform)算法[2]，SIFT算法具有尺度、旋轉(zhuǎn)不變性，定位精度高且對(duì)噪聲和光照變化的容忍度高，但算法計(jì)算量較大。不少研究將SIFT算法進(jìn)行改進(jìn)[3-4],提高了配準(zhǔn)精度及效率，但仍無法滿足數(shù)據(jù)量大、時(shí)效性要求高的配準(zhǔn)場(chǎng)景。SIFT算法出現(xiàn)之后，涌現(xiàn)了一系列不同的局部特征配準(zhǔn)算法，Herbert Bay提出的SURF (speeded up robust features) 算法[5]繼承了SIFT算法的不變性，計(jì)算成本較SIFT減少3/4，學(xué)者們針對(duì)不同的應(yīng)用場(chǎng)景對(duì)SURF算法進(jìn)行了適應(yīng)性改進(jìn)，如利用顏色不變量邊緣特征及顏色直方圖提高SURF算法對(duì)彩色圖像的配準(zhǔn)效率[6]，利用全局匹配和像元局部配準(zhǔn)模型相結(jié)合提高SURF算法城市遙感影像配準(zhǔn)精度[7]等。在特征快速提取方面，Rosten等[8]提出FAST算子，效率很高但不變性較差。在特征點(diǎn)描述方面，Michael Calonder等提出二進(jìn)制描述子BRIEF(binary robust independent elementary features)算法[9]，一定程度上解決了主成分分析(principal componerots analysis,PCA)等降維方法[10]無法很好解決計(jì)算描述子耗時(shí)的問題。目前計(jì)算機(jī)視覺領(lǐng)域應(yīng)用最廣泛的ORB(oriented brief)算法[11]是在FAST、BRIEF算法的基礎(chǔ)上進(jìn)行了改進(jìn)，彌補(bǔ)了傳統(tǒng)FAST算法不具備旋轉(zhuǎn)不變性的缺點(diǎn)，效率較SIFT算法提高了100倍，但ORB不具備尺度不變性，不適用于涉及尺度變換的配準(zhǔn)場(chǎng)景。此外，Leutenegger等提出的BRISK(binary robust invariant scalable keypoints)算法[12]，Alahi等受視網(wǎng)膜啟發(fā)提出的FREAK(fast retina keypoint)算法[13]等都大大縮短了配準(zhǔn)時(shí)間。運(yùn)用二進(jìn)制描述子的ORB、BRISK、FREAK等算法雖能極大提高算法效率，但相對(duì)于傳統(tǒng)的浮點(diǎn)型SIFT、SURF描述子可區(qū)分性和魯棒性較差[14]，在圖像匹配的過程中易產(chǎn)生大量的誤匹配?？紤]到鍍膜雙鏡頭多光譜相機(jī)波段數(shù)目多光譜范圍廣，配準(zhǔn)時(shí)涉及尺度變換的特點(diǎn)，本文選擇對(duì)效率及魯棒性較高的SURF算法進(jìn)行改進(jìn)，完成波段配準(zhǔn)。

SURF算法能夠產(chǎn)生大量特征點(diǎn)，但由于波段影像之間差異較大，配準(zhǔn)時(shí)大規(guī)模的特征點(diǎn)中會(huì)存在很多無效特征點(diǎn)，拖慢匹配速度的同時(shí)造成誤匹配。針對(duì)上述問題，本文提出一種快速版的SURF算法(F-SURF)，在充分繼承SURF算法不變性與魯棒性的前提下剔除無效特征點(diǎn)與誤匹配，增強(qiáng)算法的實(shí)時(shí)性。本文將介紹鍍膜雙鏡頭多光譜相機(jī)成像原理，配準(zhǔn)前的畸變校正預(yù)處理，重點(diǎn)探討F-SURF算法配準(zhǔn)原理與流程并設(shè)計(jì)實(shí)驗(yàn)進(jìn)行分析。

1 相機(jī)成像原理

本文研究的多光譜相機(jī)利用在探測(cè)器單元上鍍不同中心波長(zhǎng)帶通薄膜的方式完成分光。不同中心波長(zhǎng)的帶通薄膜按不同規(guī)格的像素矩陣排列成一個(gè)濾光單元，整齊鍍?cè)谔綔y(cè)器上，兩種鍍膜陣列如圖1所示。相機(jī)擁有2套子探測(cè)系統(tǒng)，子探測(cè)器之間僅鍍膜濾光陣列單元大小不同，外觀如圖2所示。一套子探測(cè)器配備4×4型鍍膜陣列負(fù)責(zé)采集波長(zhǎng)465～630 nm范圍的可見光波段。另一套配備5×5型鍍膜陣列主要負(fù)責(zé)采集波長(zhǎng)683～975 nm范圍的近紅外波段。相機(jī)選用CMOSIS CMV2000型探測(cè)器，數(shù)據(jù)采集速度最高可達(dá)170 cubes/s，影像覆蓋可見光到近紅外波段范圍，可廣泛應(yīng)用于農(nóng)林業(yè)監(jiān)測(cè)、環(huán)境監(jiān)測(cè)、災(zāi)害評(píng)估等領(lǐng)域。

子探測(cè)器采集的原始影像的分辨率均為2 048像素×1 088像素，一幅原始影像包含所有波段信息，需要根據(jù)鍍膜陣列的規(guī)格，對(duì)原始影像進(jìn)行采樣得到單波段影像。4×4型探測(cè)器采樣步長(zhǎng)為4，采樣得到16個(gè)分辨率為512像素×272像素的單波段影像。5×5型探測(cè)器采樣步長(zhǎng)為5，采樣得到25個(gè)分辨率為409像素×217像素的單波段影像。

2 數(shù)字畸變模型采樣畸變校正法

該相機(jī)屬于非量測(cè)型相機(jī)，初始配備5 mm短焦鏡頭，內(nèi)方位元素與鏡頭畸變參數(shù)未知。在波段配準(zhǔn)前需對(duì)各波段影像畸變進(jìn)行校正，消除畸變對(duì)后續(xù)波段配準(zhǔn)的影響。鍍膜雙鏡頭多光譜相機(jī)畸變校正的對(duì)象是原始影像采樣后的單波段影像，不能直接利用原始影像的各項(xiàng)畸變參數(shù)，因此需要找到原始影像畸變與單波段影像畸變之間的關(guān)系，進(jìn)而完成各波段的畸變校正。

圖1 鍍膜陣列示意圖Fig.1 Coated array of the coated multispectral camera

圖2 相機(jī)外觀Fig.2 Appearance of the coated multispectral camera

本文采用的數(shù)字畸變模型采樣法是通過數(shù)字畸變模型建立各波段影像與原始影像畸變的關(guān)系，進(jìn)而實(shí)現(xiàn)單波段影像的校正。數(shù)字畸變模型(digital distortion model, DDM)是一種有起伏的三維幾何模型，與數(shù)字高程模型(digital elevation model,DEM)形制類似，其平面坐標(biāo)為數(shù)字影像行陣和列陣的編號(hào), 高程是相應(yīng)像素的總體畸變[15]。

建立單波段數(shù)字畸變模型完成畸變校正的步驟如下：

1)利用多片后方交會(huì)法[16]分別完成2個(gè)子探測(cè)器的檢校，得到各自的內(nèi)方位元素和畸變系數(shù)，根據(jù)式(1)的經(jīng)典畸變模型計(jì)算出子探測(cè)器原始影像每個(gè)像元的X、Y方向的畸變值大小，分別建立起原始影像的X方向和Y方向的DDM。

(1)

2)對(duì)各子探測(cè)器建立好的X，Y方向的2個(gè)DDM按各波段對(duì)應(yīng)的像元位置進(jìn)行采樣，并將畸變值按采樣比例縮小后即可得到各個(gè)波段影像的X方向和Y方向的DDM。4×4型子探測(cè)器從原始影像X，Y方向DDM模型中采樣出各波段對(duì)應(yīng)位置的畸變差，重新排列后將畸變差數(shù)值縮小為1/4得到各波段影像的X，Y方向畸變差模型，同理，5×5型子探測(cè)器單波段畸變差數(shù)值需要縮小為1/5。

3)利用各波段DDM的畸變差值計(jì)算出各波段去畸變影像與存在畸變的各波段原始影像之間的關(guān)系，反解法求得坐標(biāo)后選用雙線性內(nèi)插法得到畸變校正后的各波段影像。

3 SURF算法

3.1 特征點(diǎn)提取

SURF使用的是Hessian矩陣行列式近似值圖像，Hessian矩陣是SURF算法的核心[17]。設(shè)(x,y)為圖像I上某一點(diǎn)坐標(biāo)，Hessian矩陣在尺度σ上可以表示為

(2)

det(H)=DxxDyy-(0.9Dxy)2.

(3)

SURF算法用不斷增大的盒子濾波器與圖像卷積構(gòu)建出多組多層的尺度空間。在不同的尺度圖像上尋找特征點(diǎn)，當(dāng)待定點(diǎn)比周圍26個(gè)領(lǐng)域的Hessian矩陣行列式值都大或者都小時(shí)，將該待定點(diǎn)作為特征點(diǎn)，最后通過在尺度空間進(jìn)行三維二次函數(shù)擬合得到特征點(diǎn)的準(zhǔn)確位置。

3.2 特征點(diǎn)描述

確定特征的主方向。以特征點(diǎn)為中心，計(jì)算以6σ為半徑的領(lǐng)域內(nèi)的點(diǎn)在X,Y方向的Haar小波響應(yīng)，并對(duì)響應(yīng)值進(jìn)行高斯加權(quán)，使越靠近中心特征點(diǎn)的點(diǎn)貢獻(xiàn)率越大?；瑒?dòng)60°范圍的窗口，計(jì)算范圍內(nèi)的所有響應(yīng)組成的新矢量，以5°為步長(zhǎng)遍歷整個(gè)圓形鄰域，選擇最長(zhǎng)矢量的方向?yàn)樘卣鼽c(diǎn)主方向。

生成描述符。以主方向?yàn)樽鴺?biāo)軸基準(zhǔn)，在特征點(diǎn)周圍取一個(gè)邊長(zhǎng)為20σ的正方形區(qū)域。將該區(qū)域分為4×4個(gè)子區(qū)域，統(tǒng)計(jì)每個(gè)子區(qū)域水平方向和垂直方向的Haar小波響應(yīng)值，并對(duì)其進(jìn)行高斯加權(quán)。計(jì)算每個(gè)子區(qū)域所有響應(yīng)值的水平、垂直方向之和以及水平、豎直方向絕對(duì)值之和，作為4個(gè)描述向量。最后生成特征點(diǎn)周圍區(qū)域的64個(gè)向量。

3.3 特征匹配

首先對(duì)所有特征點(diǎn)Hessian矩陣跡進(jìn)行正負(fù)檢測(cè)，若異號(hào)則不進(jìn)行后續(xù)的相似性判斷，以此加快匹配速度。對(duì)同號(hào)的特征點(diǎn)計(jì)算歐式距離利用最近鄰比率法進(jìn)行匹配，即待匹配特征點(diǎn)到參考圖像特征點(diǎn)的最近距離與次近距離之比小于閾值(推薦閾值0.7)，則認(rèn)為該特征點(diǎn)與最小距離對(duì)應(yīng)的特征點(diǎn)是最佳匹配點(diǎn)。

4 改進(jìn)的SURF算法

4.1 優(yōu)化SURF算法組數(shù)

由SURF算法可知特征點(diǎn)匹配時(shí)需要計(jì)算64維向量之間的歐式距離，計(jì)算量龐大，因此在進(jìn)行特征點(diǎn)匹配之前，要盡可能多地提取出能夠參與最終正確匹配的有效特征點(diǎn)。SURF算法不同的尺度空間組數(shù)設(shè)置決定著特征點(diǎn)的尺度、數(shù)量規(guī)模，經(jīng)典SURF算法一般采用4組的參數(shù)設(shè)置。鍍膜雙鏡頭多光譜相機(jī)41個(gè)波段雖灰度差異稍大，但圖像的邊緣結(jié)構(gòu)等細(xì)節(jié)信息一致性較高，這些信息大多存在于圖像金字塔的小尺度空間中，因此可以適當(dāng)調(diào)整SURF算法的組數(shù)，盡可能多地保留待配準(zhǔn)波段影像穩(wěn)定的強(qiáng)特征點(diǎn)，剔除對(duì)正確匹配無用的特征點(diǎn)，提升算法效率。

利用各組特征點(diǎn)匹配貢獻(xiàn)度為基準(zhǔn)優(yōu)化組數(shù)。某組特征點(diǎn)匹配貢獻(xiàn)度定義為最終被判定為正確匹配的特征點(diǎn)中該組特征點(diǎn)所占比值。特征點(diǎn)匹配貢獻(xiàn)度越高，說明該組提取出的有效特征點(diǎn)越多。表1為配準(zhǔn)后統(tǒng)計(jì)出的該新型相機(jī)多組影像的各組特征點(diǎn)平均匹配貢獻(xiàn)度。實(shí)驗(yàn)使用組數(shù)為4的經(jīng)典SURF算法對(duì)波段影像進(jìn)行特征點(diǎn)提取，并利用RANSAC算法剔除誤匹配點(diǎn)的方法進(jìn)行配準(zhǔn)，此處將RANSAC算法剔除誤匹配后的匹配點(diǎn)對(duì)視為正確點(diǎn)對(duì)。由于2個(gè)子探測(cè)器獲得的波段圖像分辨率不同，因此波段配準(zhǔn)時(shí)涉及同分辨率配準(zhǔn)與異分辨率配準(zhǔn)2種匹配類型，參考波段選擇圖像分辨率高且圖像熵值最大的4×4子探測(cè)器的第7波段。

表1 各組特征點(diǎn)匹配貢獻(xiàn)度Table 1 The matching contribution of each octave %

從表1數(shù)據(jù)可以看出2種類型的圖像配準(zhǔn)均呈現(xiàn)出正確匹配點(diǎn)中第1組特征點(diǎn)占比最多，隨著尺度增大，特征點(diǎn)對(duì)正確匹配的貢獻(xiàn)越少的特點(diǎn)。同分辨率配準(zhǔn)第1組和第2組對(duì)正確匹配貢獻(xiàn)率合計(jì)超過95.6%，異分辨率第1組和第2組對(duì)正確匹配貢獻(xiàn)率合計(jì)超過98%，第3組與第4組特征點(diǎn)對(duì)正確匹配的貢獻(xiàn)率均不超過5%，因此可以根據(jù)新型相機(jī)圖像特征及圖像配準(zhǔn)呈現(xiàn)的規(guī)律將SURF算法組數(shù)設(shè)置為2組，保留小尺度第1、2兩組特征點(diǎn)。

4.2 舍棄旋轉(zhuǎn)不變性簡(jiǎn)化算法

同一子探測(cè)器各波段影像是從同一原始影像采樣而來的，圖像分辨率相同，涉及的旋轉(zhuǎn)角度可以忽略不計(jì)，2個(gè)子探測(cè)器安裝時(shí)嚴(yán)格平行且通過剛體連接，因此2個(gè)子探測(cè)器波段之間的旋轉(zhuǎn)角度同樣很小。由SURF算法原理可知特征點(diǎn)的旋轉(zhuǎn)不變性是由以主方向?yàn)榱惴较蛎枋鲫P(guān)鍵點(diǎn)來保證的，若配準(zhǔn)圖像之間旋轉(zhuǎn)角度很小(-15°～+15°)時(shí)，可以將SURF算子簡(jiǎn)化為不考慮旋轉(zhuǎn)不變性的版本，不計(jì)算特征點(diǎn)主方向，直接進(jìn)行后續(xù)的步驟，在提高特征點(diǎn)提取速度的同時(shí)不會(huì)降低匹配精度。

4.3 漸進(jìn)采樣一致性算法剔除誤匹配

引入漸進(jìn)采樣一致性算法(PROSAC)進(jìn)行精細(xì)配準(zhǔn)。最近鄰比率法匹配后會(huì)存在較多的誤匹配，大部分研究利用隨機(jī)一致性算法(RANSAC)剔除誤配準(zhǔn)[19-20]，能夠很好地提高配準(zhǔn)精度，但RANSAC算法穩(wěn)定性低耗時(shí)高。PROSAC算法[21]是對(duì)RANSAC算法的改進(jìn)，實(shí)驗(yàn)證明相比于RANSAC算法及其他改進(jìn)算法，PROSAC算法的精度及效率有了較大的提升[22-23]。

PROSAC算法步驟如下：

1)判斷當(dāng)前迭代次數(shù)是否大于設(shè)置的最大迭代次數(shù)，若是返回內(nèi)點(diǎn)數(shù)最多的點(diǎn)對(duì)集，若不是則進(jìn)行步驟2)。

2)將當(dāng)前匹配點(diǎn)對(duì)按匹配質(zhì)量(最近鄰比值越小質(zhì)量越高)從高到低排列。

3)選取排序在前的M個(gè)的匹配子集，從M個(gè)匹配子集中隨機(jī)選取K個(gè)匹配點(diǎn)計(jì)算變換矩陣。遍歷匹配集中所有的匹配點(diǎn)對(duì)，利用當(dāng)前變換矩陣計(jì)算投影誤差，設(shè)置投影誤差閾值，小于閾值的點(diǎn)對(duì)則判定為內(nèi)點(diǎn)。

4)判斷內(nèi)點(diǎn)數(shù)目是否大于設(shè)置的最大內(nèi)點(diǎn)數(shù)目，若是返回當(dāng)前的點(diǎn)對(duì)集，若不是返回步驟1)完成一次迭代。

通過PROSAC算法剔除誤匹配點(diǎn)計(jì)算變換矩陣，得到2幅圖像的投影關(guān)系，將待配準(zhǔn)圖像變換到參考圖像的坐標(biāo)系下。本文選擇單應(yīng)矩陣為變換模型，圖像I(x,y)與I(x′,y′)的投影關(guān)系如下

(4)

5 實(shí)驗(yàn)與分析

5.1 畸變校正實(shí)驗(yàn)

在相機(jī)相同的狀態(tài)和模式下從4個(gè)不同方向?qū)I(yè)級(jí)的室內(nèi)三維幾何標(biāo)定場(chǎng)進(jìn)行拍攝，分別獲得2個(gè)子探測(cè)器不同方位的影像。使用控制點(diǎn)提取軟件高精度地半自動(dòng)識(shí)別出原始影像的特征點(diǎn)坐標(biāo)，采用多片后方交會(huì)法對(duì)相機(jī)進(jìn)行檢校，獲取數(shù)字畸變模型采樣法所需的各類畸變參數(shù)，表2為多片后方交會(huì)檢校結(jié)果。

得到各子探測(cè)器的內(nèi)方位元素和畸變系數(shù)后，利用上文所選定的畸變模型，計(jì)算各子探測(cè)的原始影像各像素在X、Y方向上的畸變差，完成各探測(cè)器原始影像的X、Y方向DDM的構(gòu)建。對(duì)構(gòu)建好的原始影像DDM按各波段位置進(jìn)行采樣，對(duì)畸變值按子探測(cè)器類型進(jìn)行縮放，得到41個(gè)單波段影像的DDM，分別以每個(gè)子探測(cè)器的第一個(gè)波段為例展示單波段影像DDM如圖3。

表2 相機(jī)各子探測(cè)器檢校結(jié)果Table 2 Calibration results of each camera sub-detector

圖3 單波段示例影像DDMFig.3 The DDM of single band sample image

4×4型探測(cè)器單波段影像(以465 nm波段為例)X方向畸變?cè)?.4像素之內(nèi)，最大畸變?yōu)?.364 7像素；Y方向畸變?cè)?.3像素之內(nèi)，最大畸變?yōu)?.239 0像素。5×5型探測(cè)器單波段影像(以683 nm波段為例)X方向畸變?cè)?.4像素之內(nèi)，最大畸變?yōu)?.340 1像素；Y方向畸變?cè)?.2像素之內(nèi)，最大畸變?yōu)?.180 9像素。從單波段影像DDM數(shù)據(jù)中可以看出該相機(jī)鏡頭存在一定程度的畸變，畸變會(huì)造成一定程度的像點(diǎn)誤差，破壞正確的攝影光束形狀并且會(huì)對(duì)后續(xù)的影像配準(zhǔn)等流程產(chǎn)生影響。因此在處理本相機(jī)的影像時(shí)，首先利用數(shù)字畸變模型采樣法對(duì)相機(jī)影像進(jìn)行畸變校正，再進(jìn)行波段配準(zhǔn)的流程是合理的。

5.2 波段配準(zhǔn)實(shí)驗(yàn)

完成畸變校正后對(duì)去畸變的多光譜影像各波段進(jìn)行配準(zhǔn)。選擇一組無人機(jī)飛行影像如圖4(a)、4(b)，一組手持拍攝影像如圖4(c)、4(d)共90余對(duì)(40對(duì)同分辨率波段配準(zhǔn)，50對(duì)異分辨率波段配準(zhǔn))波段影像對(duì)提出的改進(jìn)的SURF算法進(jìn)行驗(yàn)證。

本文選擇高分辨率4×4型探測(cè)器的圖像熵最高的第7波段為基準(zhǔn)影像。利用F-SURF算法完成與基準(zhǔn)影像同分辨率4×4型剩余15個(gè)波段的配準(zhǔn)以及與基準(zhǔn)影像異分辨率的5×5型25個(gè)波段的配準(zhǔn)。為了驗(yàn)證改進(jìn)算法的有效性，進(jìn)行SURF-RANSAC算法、FAST-SURF[24]快速配準(zhǔn)方法與本文F-SURF算法的比較，由于SURF原算法沒有引入剔除誤匹配點(diǎn)的機(jī)制，導(dǎo)致在處理本相機(jī)多光譜波段影像時(shí)配準(zhǔn)平均誤差超過了3個(gè)像素，此處不作為實(shí)驗(yàn)比較對(duì)象。表3展示了幾種算法的配準(zhǔn)效率，圖5展示了以均方根誤差(root mean square error, RMSE)衡量的配準(zhǔn)結(jié)果。

由上述實(shí)驗(yàn)可看出：

1)圖5(a)、5(b)展示了手持拍攝影像與無人機(jī)拍攝影像2組數(shù)據(jù)在同分辨率維度下4×4型探測(cè)器剩余15個(gè)波段與基準(zhǔn)波段之間的配準(zhǔn)結(jié)果。地面數(shù)據(jù)SURF-RANSAC算法配準(zhǔn)平均RMSE為0.461，F(xiàn)AST-SURF算法為0.49，F(xiàn)-SURF算法為0.456；飛行數(shù)據(jù)SURF-RANSAC算法配準(zhǔn)平均RMSE為0.366，F(xiàn)AST-SURF為0.388，F(xiàn)-SURF為0.355。在4×4型同分辨率配準(zhǔn)時(shí)，F(xiàn)-SURF算法配準(zhǔn)精度最高。

圖4 畸變校正后的各子探測(cè)器示例單波段影像Fig.4 Single band image after distortion correction

表3 配準(zhǔn)效率表Table 3 Efficiency of registration

圖5 波段配準(zhǔn)RMSEFig.5 RMSE of band registration

2)圖5(a)、5(b)展示了2組數(shù)據(jù)在異分辨率維度下5×5型探測(cè)器25個(gè)波段與4×4型基準(zhǔn)波段之間的配準(zhǔn)結(jié)果。地面數(shù)據(jù)SURF-RANSAC算法配準(zhǔn)平均RMSE為0.57，F(xiàn)AST-SURF算法為0.614，F(xiàn)-SURF算法為0.555；飛行數(shù)據(jù)SURF-RANSAC算法配準(zhǔn)平均RMSE為0.531，F(xiàn)AST-SURF為0.61，F(xiàn)-SURF為0.515。對(duì)5×5型與4×4基準(zhǔn)波段配準(zhǔn)時(shí)，由于待配準(zhǔn)圖像與基準(zhǔn)影像分辨率不同涉及到尺度變換，因此尺度不變性較差的FAST-SURF算法的配準(zhǔn)精度較低。3種算法中F-SURF算法配準(zhǔn)精度最高。

3)對(duì)比2個(gè)類型的配準(zhǔn)結(jié)果可以看出同分辨率波段配準(zhǔn)精度略高于異分辨率波段配準(zhǔn)，這是由于參與同分辨率配準(zhǔn)的是4×4型探測(cè)器影像的15個(gè)波段(除基準(zhǔn)波段)，這15個(gè)波段與被選為基準(zhǔn)影像的4×4型第7波段是從同一原始圖像采樣得來的，特征一致性高更易配準(zhǔn)。而參與異分辨率配準(zhǔn)波段影像是5×5型探測(cè)器波段，這25個(gè)波段與基準(zhǔn)影像來自于不同的子探測(cè)器，波段差異較大，特征一致性較低。

從上述配準(zhǔn)誤差與配準(zhǔn)效率數(shù)據(jù)中可以看出本文提出的F-SURF算法的配準(zhǔn)精度優(yōu)于SURF-RANSAC算法與FAST-SURF算法，在配準(zhǔn)速度方面F-SURF算法相比于SURF-RANSAC有了較大提升，并與FAST-SURF快速配準(zhǔn)算法效率相當(dāng)。因此F-SURF算法能夠更好地適用于波段多、數(shù)據(jù)量龐大的多光譜相機(jī)，保證配準(zhǔn)精度的前提下增強(qiáng)數(shù)據(jù)處理及時(shí)性。

6 結(jié)論

本文介紹新型鍍膜雙鏡頭多光譜相機(jī)的原理，詳細(xì)探討了其波段配準(zhǔn)方法。首先利用數(shù)字畸變模型采樣法完成單波段影像校正，消除了影像畸變對(duì)波段配準(zhǔn)的影響；接著對(duì)畸變校正后的波段影像運(yùn)用F-SURF算法進(jìn)行圖像配準(zhǔn)。該算法主要從以下3個(gè)方面進(jìn)行改進(jìn)：特征提取方面，該算法結(jié)合相機(jī)影像特征，利用特征點(diǎn)匹配貢獻(xiàn)度優(yōu)化了尺度空間組數(shù)的設(shè)置；特征點(diǎn)描述方面，利用相機(jī)各波段影像之間旋轉(zhuǎn)角度極小的特點(diǎn)，舍棄了原SURF算法的旋轉(zhuǎn)不變性；特征點(diǎn)匹配方面，引入PROSAC算法剔除誤匹配。實(shí)驗(yàn)結(jié)果表明，本文提出的波段配準(zhǔn)處理流程和方法，在對(duì)同分辨率波段影像和異分辨率波段影像進(jìn)行配準(zhǔn)時(shí)，配準(zhǔn)精度均遠(yuǎn)高于SURF原算法，優(yōu)于經(jīng)典SURF-RANSAC算法與FAST-SURF快速配準(zhǔn)算法，并且配準(zhǔn)效率有了較大的提升，證明本文提出的流程與方法適用于新型鍍膜雙鏡頭多光譜相機(jī)的波段配準(zhǔn)。