CN104167003A - 一种遥感影像的快速配准方法 - Google Patents

Abstract

本发明涉及一种遥感影像的快速配准方法，包括以下步骤：步骤S1：分别对待配准遥感图像和参考遥感图像提取ORB特征点；步骤S2：对提取的ORB特征点进行初始匹配，对初始匹配的特征点剔除错误匹配的特征点；步骤S3：对所述待配准遥感图像进行参数求解；步骤S4：对所述待配准遥感图像进行重采样，完成图像配准。该方法有利于提高图像配准的速度和精度。

Description

一种遥感影像的快速配准方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种对不同时间、不同视角以及不同传感器的两幅以上的遥感影像进行快速配准的方法。

背景技术

图像配准是图像处理技术里的一门重要课题，目前图像配准已广泛用于各个领域，如遥感图像分析、医学图像分析、图像融合、机器视觉以及其他领域。

图像配准作为遥感影像处理的一个基本问题，是影像数据融合，动态变化监测等遥感影像集成分析和应用的前提和基础。为了及时、准确的监测被测区变化，需要将获得的遥感影像进行实时配准。常用的影像配准方法通常分为两类：基于灰度的配准方法、以及基于特征（如特征点、特征曲线）的配准方法。基于灰度的配准方法利用图像灰度值度量图像之间的相似度，该类方法实现简单，但速度慢，并且由于遥感影像由不同的传感器、不同的视角以及不同天气等情况下获取，会出现尺度、旋转、光照等变化，将导致该类算法无法正确配准影像，而基于局部不变特征的方法不易受到影响。基于特征的配准方法根据需要配准图像间重要特征的几何关系确定配准参数，这类方法可以减少处理的数据量，而且对于图像的畸变、噪声等具有一定的鲁棒性。因此匹配性能的好坏在很大程度上取决于特征描述的方法和特征提取的质量。

目前针对图像存在尺寸缩放，旋转，平移的情况，主要使用SIFT提取特征点作为配准特征。而SIFT特征需要建立特征点向量的维数高，计算量大，因此无法满足遥感影像的实施配准。

Fast角点基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点，即：

其中I(x)为圆周上任意一点的灰度，I(p)为圆心的灰度，ε _d 为灰度值差的阈值，如果N大于给定阈值，一般为周围圆圈点的四分之三，则认为p是一个特征点。

BRIEF描述子是在图像平滑后大小为31×31像素块内，选取服从N（N=128，256，512）组高斯分布随机点像素对，通过比较像素对的大小，遵循大为1，小为0 的准则，组成二进制串。

二进制检测定义为：

其中，p(x ₁)、p(x ₂)分别为像素块p中在x ₁和x ₂位置的像素灰度值。

则BRIEF特征定义为n维二进制串向量，即：

ORB算法具有很好的旋转不变性，以Fast角点提取特征点，Fast角点是一种非常快速的角点提取方法，由于Fast不具备旋转不变性，因此ORB用质心法为ORB的角点添加方向信息，使得特征具备了旋转不变性。另外，为了使特征适用于尺寸缩放的情况，通过建立图像金字塔的方法，可以在图像大小不一致的情况下进行特征提取。另外，在建立特征点描述子时，采用Brief描述子进行描述，Brief描述子是一种二进制描述子，可以非常快速的进行匹配。因此基于ORB特征的图像配准适用于实时配准。

发明内容

本发明的目的在于提供一种遥感影像的快速配准方法，该方法有利于提高图像配准的速度和精度。

为实现上述目的，本发明的技术方案是：一种遥感影像的快速配准方法，包括以下步骤：

步骤S1：分别对待配准遥感图像和参考遥感图像提取ORB特征点；

步骤S2：对提取的ORB特征点进行初始匹配，对初始匹配的特征点剔除错误匹配的特征点；

步骤S3：对所述待配准遥感图像进行参数求解；

步骤S4：对所述待配准遥感图像进行重采样，完成图像配准。

进一步的，在步骤S1中，分别对待配准遥感图像和参考遥感图像建立图像金字塔，对每层图像金字塔提取ORB特征点。

进一步的，在步骤S1中，提取ORB特征点的方法为：首先进行FAST角点检测，进行Harris角点检测，选取前N个最好的点，然后用非极大值抑制来验证角点，剔除伪边缘点，以使特征点分布均匀。

进一步的，在步骤S2中，对提取的ORB特征点采用基于双阈值的汉明距离特征点匹配方法进行初始匹配，对初始匹配的特征点采用角点方向夹角为约束条件，剔除错误匹配的特征点，具体方法为：

特征点的角点方向通过灰度质心法求得，即通过计算角点圆形邻域像素灰度的质心，由角点和质心形成的向量方向表征角点方向；

定义角点圆形邻域矩为：，所述角点圆形邻域的质心为：，则角点与质心形成的向量方向即为特征点的角点方向：；

其中，m_pq表示p+q阶矩，I(x, y)表示角点圆形邻域里像素点(x, y)的灰度值，(x, y)表示角点圆形邻域里的像素点坐标，m₀₀表示零阶矩，m₁₀和m₀₁均表示一阶矩；

Δθ _i 为待配准遥感图像中一特征点的角点方向，Δθ _i ’为参考遥感图像中对应特征点的角点方向，则角点方向夹角为Δθ _i  =Δθ _i  -Δθ _i ’；

然后按如下步骤对提取的ORB特征点进行初始匹配，并剔除错误匹配的特征点：

a、对待配准遥感图像与参考遥感图像提取的角点建立rBRIEF描述子，设待配准遥感图像的特征点集合为{a1, a2, …, an1}，参考遥感图像的特征点集合为{b1, b2, …, bn2}；

b、分别将待配准遥感图像的特征点a1的描述子与参考遥感图像的所有特征点b1, b2, …, bn2的描述子进行比较，计算a1的描述子与b1, b2, …, bn2的描述子的汉明距离，从b1, b2, …, bn2中选择出汉明距离最短的点，并算出最短汉明距离与次短汉明距离的比值，如果所述比值小于设定的较大阈值，则将汉明距离最短的点与a1保留为初始配对点，并计算其角点方向夹角Δθ ₁，否则舍弃；

c、按照上述方法，依次求出待配准遥感图像的特征点a2, …, an1在参考遥感图像中的初始配对点，并计算相应的角点方向夹角Δθ ₂, …, Δθ _n ；

d、对初始配对点按照最短汉明距离与次短汉明距离的比值从大到小进行排序，即特征点匹配质量从好到差进行排序，提取出最短汉明距离与次短汉明距离的比值小于设定的较小阈值的初始配对点；

e、将步骤d提取出的初始配对点通过最小二乘法求出最佳角点方向夹角Δθ _m ；

f、将步骤b和c求出的所有初始配对点的角点方向夹角，以最佳角点方向夹角Δθ _m 为约束条件，将偏离Δθ _m 一定范围的初始配对点剔除。

进一步的，在步骤S3中，对所述待配准遥感图像进行参数求解的方法为：

设参考遥感图像的像素点为f(x, y)，待配准图像的像素点为g(x’, y’)，假设参考遥感图像上点的坐标为(x _i , y _i )，与之相对应的待配准遥感图像上点的坐标为(x _i ’, y _i ’)，则(x _i , y _i )和(x _i ’, y _i ’)之间的仿射变换表示为：

式中，s为尺度因子，θ为旋转角度，Δx和Δy分别为两坐标轴的平移量；

在获取m个特征点以后，根据RANSAC算法求出最佳变换矩阵，即确定了配准参数s、θ、Δx，Δy；

根据配准参数对待配准遥感图像进行重采样，即完成图像配准。

本发明的有益效果是针对遥感影像间存在不同形变、光照等情况，为了及时反映监测区动态变化，提出了一种遥感影像的快速配准方法，该方法可以有效剔除误配点，保证了图像配准的精度，具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明实施例的实现流程图。

图2是本发明实施例中的参考遥感图像。

图3是本发明实施例中的待配准遥感图像。

图4是本发明实施例中的初始特征点匹配图。

图5是本发明实施例中的误配点剔除后的特征点匹配图。

图6是本发明实施例中待配准遥感图像配准后和参考遥感图像融合后的图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明遥感影像的快速配准方法，如图1所示，包括以下步骤：

步骤S1：分别对待配准遥感图像（图3）和参考遥感图像（图2）建立图像金字塔，对每层图像金字塔提取ORB特征点。提取ORB特征点的方法为：首先进行FAST角点检测，由于FAST提取的角点数目太多，并且包含边缘点及伪角点，Harris角点检测算法是一个稳定的角点检测器，进行Harris角点检测，选取前N个最好的点，然后用非极大值抑制来验证角点，剔除伪边缘点，以使特征点分布均匀。

步骤S2：为了得到尽量多的匹配正确的特征点，对提取的ORB特征点采用基于双阈值的汉明距离特征点匹配方法进行初始匹配，对初始匹配的特征点采用角点方向夹角为约束条件，剔除错误匹配的特征点。具体方法为：

特征点的角点方向通过灰度质心法求得，即通过计算角点圆形邻域像素灰度的质心，由角点和质心形成的向量方向表征角点方向；

定义角点圆形邻域矩为：，所述角点圆形邻域的质心为：，则角点与质心形成的向量方向即为特征点的角点方向：；

其中，m_pq表示p+q阶矩，p、q分别为一系数，I(x, y)表示角点圆形邻域里像素点(x, y)的灰度值，(x, y)表示角点圆形邻域里的像素点坐标，m₀₀表示零阶矩，m₁₀和m₀₁均表示一阶矩；

Δθ _i 为待配准遥感图像中一特征点的角点方向，Δθ _i ’为参考遥感图像中对应特征点的角点方向，则角点方向夹角为Δθ _i  =Δθ _i  -Δθ _i ’；

然后按如下步骤对提取的ORB特征点进行初始匹配，并剔除错误匹配的特征点：

a、对待配准遥感图像与参考遥感图像提取的角点建立rBRIEF描述子，设待配准遥感图像的特征点集合为{a1, a2, …, an1}，参考遥感图像的特征点集合为{b1, b2, …, bn2}；

b、采用Brute-Force算法，分别将待配准遥感图像的特征点a1的描述子与参考遥感图像的所有特征点b1, b2, …, bn2的描述子进行比较，计算a1的描述子与b1, b2, …, bn2的描述子的汉明距离，从b1, b2, …, bn2中选择出汉明距离最短的点，并算出最短汉明距离与次短汉明距离的比值，设定较大阈值为0.8，如果所述比值小于设定的较大阈值，则将汉明距离最短的点与a1保留为初始配对点，并计算其角点方向夹角Δθ ₁，否则舍弃；

c、按照上述方法，依次求出待配准遥感图像的特征点a2, …, an1在参考遥感图像中的初始配对点，如图4所示，并计算相应的角点方向夹角Δθ ₂, …, Δθ _n ；

d、对初始配对点按照最短汉明距离与次短汉明距离的比值从大到小进行排序，即特征点匹配质量从好到差进行排序，设定较小阈值为0.5，提取出最短汉明距离与次短汉明距离的比值小于设定的较小阈值的初始配对点；

e、将步骤d提取出的初始配对点通过最小二乘法求出最佳角点方向夹角Δθ _m ；

f、将步骤b和c求出的所有初始配对点的角点方向夹角，以最佳角点方向夹角Δθ _m 为约束条件，将偏离Δθ _m 一定范围的初始配对点剔除，如图5所示。

步骤S3：对所述待配准遥感图像进行参数求解。

考虑到待配准遥感图像与参考遥感图像之间存在旋转、尺寸等变换，确定图像之间的变换矩阵为H，H表示为：

采用RANSAC算法求出最佳变换参数，过程如下：

1）在匹配的特征点对中随机抽取m个样本，由这m个样本求出变换矩阵H，再根据变换矩阵H求出待配准遥感图像中的特征点在参考遥感影像中的同名点，再求出由变换矩阵H得到的同名点和由汉明距离匹配得出的匹配点的距离，将距离小于阈值的点作为内点；

2）将上述步骤重复k次，选择包含内点数目最多的一个点集；

3）用选取的点集中的样本重新计算变换矩阵H，从而得到符合大多数匹配点的最佳变换模型。

设参考遥感图像的像素点为f(x, y)，待配准图像的像素点为g(x’, y’)，假设参考遥感图像上点的坐标为(x _i , y _i )，与之相对应的待配准遥感图像上点的坐标为(x _i ’, y _i ’)，则(x _i , y _i )和(x _i ’, y _i ’)之间的仿射变换表示为：

式中，s为尺度因子，θ为旋转角度，Δx和Δy分别为两坐标轴的平移量；

在获取m（m≥4）个特征点以后，根据RANSAC算法求出最佳变换矩阵，即确定了配准参数s、θ、Δx，Δy。

步骤S4：根据配准参数对所述待配准遥感图像采用双线性插值进行重采样，完成图像配准。

对待配准遥感图像用求出的变换矩阵H进行缩放、旋转等变换，并采用双线性插值进行重采样，两幅图像按0.5×参考图像+0.5×待配准图像的方式融合，如图6所示，完成图像配准。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种遥感影像的快速配准方法，其特征在于，包括以下步骤：

步骤S1：分别对待配准遥感图像和参考遥感图像提取ORB特征点；

步骤S2：对提取的ORB特征点进行初始匹配，对初始匹配的特征点剔除错误匹配的特征点；

步骤S3：对所述待配准遥感图像进行参数求解；

步骤S4：对所述待配准遥感图像进行重采样，完成图像配准。

2.根据权利要求1所述的一种遥感影像的快速配准方法，其特征在于，在步骤S1中，分别对待配准遥感图像和参考遥感图像建立图像金字塔，对每层图像金字塔提取ORB特征点。

3.根据权利要求1所述的一种遥感影像的快速配准方法，其特征在于，在步骤S1中，提取ORB特征点的方法为：首先进行FAST角点检测，进行Harris角点检测，选取前N个最好的点，然后用非极大值抑制来验证角点，剔除伪边缘点，以使特征点分布均匀。

4.根据权利要求1所述的一种遥感影像的快速配准方法，其特征在于，在步骤S2中，对提取的ORB特征点采用基于双阈值的汉明距离特征点匹配方法进行初始匹配，对初始匹配的特征点采用角点方向夹角为约束条件，剔除错误匹配的特征点，具体方法为：

特征点的角点方向通过灰度质心法求得，即通过计算角点圆形邻域像素灰度的质心，由角点和质心形成的向量方向表征角点方向；

定义角点圆形邻域矩为：，所述角点圆形邻域的质心为：，则角点与质心形成的向量方向即为特征点的角点方向：；

其中，m_pq表示p+q阶矩，I(x, y)表示角点圆形邻域里像素点(x, y)的灰度值，(x, y)表示角点圆形邻域里的像素点坐标，m₀₀表示零阶矩，m₁₀和m₀₁均表示一阶矩；

Δθ _i 为待配准遥感图像中一特征点的角点方向，Δθ _i ’为参考遥感图像中对应特征点的角点方向，则角点方向夹角为Δθ _i  =Δθ _i  -Δθ _i ’；

然后按如下步骤对提取的ORB特征点进行初始匹配，并剔除错误匹配的特征点：

a、对待配准遥感图像与参考遥感图像提取的角点建立rBRIEF描述子，设待配准遥感图像的特征点集合为{a1, a2, …, an1}，参考遥感图像的特征点集合为{b1, b2, …, bn2}；

b、分别将待配准遥感图像的特征点a1的描述子与参考遥感图像的所有特征点b1, b2, …, bn2的描述子进行比较，计算a1的描述子与b1, b2, …, bn2的描述子的汉明距离，从b1, b2, …, bn2中选择出汉明距离最短的点，并算出最短汉明距离与次短汉明距离的比值，如果所述比值小于设定的较大阈值，则将汉明距离最短的点与a1保留为初始配对点，并计算其角点方向夹角Δθ ₁，否则舍弃；

c、按照上述方法，依次求出待配准遥感图像的特征点a2, …, an1在参考遥感图像中的初始配对点，并计算相应的角点方向夹角Δθ ₂, …, Δθ _n ；

d、对初始配对点按照最短汉明距离与次短汉明距离的比值从大到小进行排序，即特征点匹配质量从好到差进行排序，提取出最短汉明距离与次短汉明距离的比值小于设定的较小阈值的初始配对点；

e、将步骤d提取出的初始配对点通过最小二乘法求出最佳角点方向夹角Δθ _m ；

f、将步骤b和c求出的所有初始配对点的角点方向夹角，以最佳角点方向夹角Δθ _m 为约束条件，将偏离Δθ _m 一定范围的初始配对点剔除。

5.根据权利要求1所述的一种遥感影像的快速配准方法，其特征在于，在步骤S3中，对所述待配准遥感图像进行参数求解的方法为：

设参考遥感图像的像素点为f(x, y)，待配准图像的像素点为g(x’, y’)，假设参考遥感图像上点的坐标为(x _i , y _i )，与之相对应的待配准遥感图像上点的坐标为(x _i ’, y _i ’)，则(x _i , y _i )和(x _i ’, y _i ’)之间的仿射变换表示为：

式中，s为尺度因子，θ为旋转角度，Δx和Δy分别为两坐标轴的平移量；

在获取m个特征点以后，根据RANSAC算法求出最佳变换矩阵，即确定了配准参数s、θ、Δx，Δy；

根据配准参数对待配准遥感图像进行重采样，即完成图像配准。