CN105261014A - 一种多传感器遥感影像匹配方法 - Google Patents

Abstract

本发明公开了一种多传感器遥感影像匹配方法，属于卫星影像处理技术领域，它能有效地解决多传感器影像间的几何形变和辐射差异问题。首先建立影像的高斯差分尺度空间，并在此空间中进行特征点检测。然后引入具有光照和对比度不变性的相位一致性模型，并对其进行扩展构建相位一致性方向信息，同时借助SIFT描述符的思想，利用相位一致性特征值和特征方向构建一种的局部特征描述符—局部相位一致性方向直方图。最后利用描述符间的欧式距离作为相似性测度进行同名点识别，并剔除误匹配点，从而实现遥感影像的精确匹配。相比于传统的匹配方法，本发明能更有效地克服遥感影像间的几何形变和辐射差异，提高影像匹配的正确率。主要用于卫星影像处理。

Description

一种多传感器遥感影像匹配方法

技术领域

本发明属于卫星影像处理技术领域，特别涉及遥感影像的匹配技术。

背景技术

影像匹配实质是在两幅或多幅影像之间识别同名点的过程，广泛应用于遥感影像配准、影像拼接和变化检测等方面。由于成像机理和光谱特性的不同，多传感遥感影像间往往存在显著几何和辐射差异，从而导致在影像间进行同名点自动识别的难度较大。

最近在计算机视觉领域，局部特征描述符得到了快速的发展，并广泛地应用于影像匹配。其中最著名的局部特征描述是ScaleInvariantFeatureTransform(SIFT)算子，由于具有旋转和尺度不变性，SIFT已经在遥感影像匹配中得到了广泛的应用。尽管如此，SIFT描述符对影像间的辐射差异较为敏感，因此SIFT难以较好地应用于多传感器遥感影像的匹配。在SIFT的基础上，有学者相继提出了SpeededUpRobustFeatures(SURF)、OrientedFASTandRotatedBRIEF(ORB)等描述符。它们在计算效率方面得到了较大的提升，但是这些描述对于影像间的辐射差异依然很敏感。考虑到多传感器遥感影像间不仅具有几何形变，而且还存在较大的辐射差异，这里将利用相位一致性(phasecongruency)对遥感影像进行匹配。相位一致性是一种特征提取算法，具有光照和对比度不变性，在遥感影像匹配领域得到了较为广泛的应用，但是目前基于相位一致性的方法对于影像间尺度和旋转差异的适用性较弱，而且只使用了相位一致性的特征值，而没有利用相位一致性的方向信息，未能充分地挖掘出相位一致性在特征提取和描述方面的潜力，性能还不够稳健，因此本发明将对相位一致性计算模型进行扩展，利用其奇对称滤波器构建相位一致性特征方向，然后采用其特征值和特征方向，借助于SIFT描述符的思想，构建一种局部特征描述符—局部相位一致性方向直方图(localhistogramoforientatedphasecongruency,LHOPC)，使其能够较好地抵抗影像间的尺度、旋转和辐射差异，从而实现多传感器遥感影像的精确匹配。

发明内容

本发明的目的是提供一种多传感器遥感影像匹配方法，它能有效地解决多传感器影像间的几何形变和辐射差异问题，能够自动地在影像间获取大量分布均匀、稳定的同名点对，实现影像的精度匹配。

本发明的目的是通过以下技术方案来实现的：一种多传感器遥感影像匹配方法。包括下列步骤：

步骤一、利用不同尺度的高斯核函数对参考影像I₁和待匹配影像I₂，分别进行卷积运算，建立影像的高斯尺度空间，并通过高斯尺度空间的相邻两层影像做差生成高斯差分尺度空间，然后，在此空间中进行极值检测，提取出具有尺度不变性的特征点PointI_i(i＝1,2,3,….,N)；

步骤二、对相位一致性计算模型进行扩展，构建相位一致性特征方向，然后计算高斯尺度空间中每一层影像上的每个像素点的相位一致性特征值和特征方向。

步骤三、利用相位一致性特征值和特征方向构建局部特征描述，记为LHOPC，具体包括主方向和特征描述向量两个部分：

(1)提取特征点PointI_i(i＝1,2,3,….,N)中的一个点PointI_i，以它为中心取大小为5×5个像素的邻域，计算邻域内的相位一致性特征值和特征方向，形成相位一致性方向直方图，并选择直方图的峰值方向作为特征点的主方向，使描述符具有旋转不变性。

(2)根据主方向建立坐标系，并以特征点PointI_i为中心取大小为20×20个像素的邻域。然后把该邻域划分为4×4个子区域，将每个子区域内划分为8个方向，并统计每个方向的相位一致性特征值，构成相位一致性方向直方图，最后将每个子区域内的相位一致性方向直方图链接在一起，形成最终的特征描述向量—局部相位一致性方向直方图(localhistogramoforientatedphasecongruency,LHOPC)。

步骤四、分别计算参考影像I₁上特征点PointI_1i(i＝1,2,3,….,N)和待匹配影像I₂上特征点PointI_2i(i＝1,2,3,….,N)的LHOPC特征向量，并通过欧氏距离作为相似性测度，采用特征向量间的最近邻和次近邻距离之比d_ratio来进行匹配，当d_ratio小于或等于给定的阈值时，该点则被视为匹配点；

步骤五、为了使匹配更加稳健，这里采用双向的匹配策略，即对于参考影像I₁上的某一个特征点PointI_1i，利用LHOPC进行匹配，获得它在待匹配影像I₂上的同名点PointI_2i，然后以同样的匹配方式，获得PointI_2i在参考影像I₁上对应的同名点PointI’_1i。若PointI_1i和PointI’_1i是同一个点，则认为PointI_1i和PointI_2i是一对同名点；

步骤六、根据步骤四，遍历PointI_1i(i＝1,2,3,….,N)的每一个点，得到对应的同名点PointI_2i(i＝1,2,3,….,N)，即获得同名点对记为{PointI_1i，PointI_2i}(i＝1,2,3,….,N)。

步骤七、采用随机采样一致性算法，以投影变换作为几何约束提出错误匹配点，获得最终的正确同名点对{PointID_1i，PointID_2i}(i＝1,2,3,….,N)，实现影像的精确匹配。

本发明与现有技术相比的有益效果在于：

1、针对多传感器遥感影像间几何形变和辐射差异造成的匹配困难问题，本发明提出了一种基于局部相位特征的匹配方法，通过利用相位一致性构建一种具有尺度、旋转和辐射不变性的局部特征描述符进行同名点匹配，弥补了传统匹配方法(如SIFT、SURF)主要针对影像间几何形变进行设计，而对辐射差异较为敏感的不足，提高了影像匹配的效率。

2、在整个匹配过程中，无需手工干预，能全自动地识别多传感器遥感影像间的同名点，提高了匹配的实际生产效率。大量的实验结果表明，影像匹配的正确率达到90％以上，精度可达到1个像素以内。

附图说明

图1为本发明的整体流程图

图2为本发明logGabor函数的奇对称滤波器形状

图3为本发明相位一致性特征方向的示意图

图4为本发明局部相位一致性特征描述向量的示意图

图5为本发明局部相位一致性特征描述向量插值示意图

图6为本发明双向匹配示意图

具体实施方式

下面结合附图对本发明做进一步描述：

一种多传感器遥感影像匹配方法，其实现的具体步骤为：

步骤一、利用不同尺度σ的高斯核函数对参考影像I₁和待匹配影像I₂进行滤波形成高斯尺度空间，通过高斯尺度空间的相邻两层影像做差生成DoG尺度空间。

在DoG空间中，将中间层(最底层和最顶层除外)的每个像素点与同一层的相邻8个像素以及上下两层的18个相邻像素，总共26个像素点进行比较，若该点的DoG值最大或最小，则被认为是候选的特征点，然后去除对比度较低，并且位于边缘上的点，得到最终的特征点PointIi(i＝1,2,3,….,N)。

步骤二、对相位一致性计算模型进行扩展，构建相位一致性的特征方向，同时计算高斯尺度空间中每一层影像上每个像素点的相位一致性特征值和特征方向，具体分为两步：

(1)利用logGabor小波计算影像的相位一致性特征值。

其中，PC(x,y)为相位一致性的特征值，(x,y)为图像的坐标，W_o(x,y)为频率扩展的权重因子，A_no(x,y)为像点(x,y)在logGabor滤波器尺度n和方向o上的振幅，符号表示值为正时取本身，否则取0，T为噪声阈值，ε是一个避免除零的常数，A_no(x,y)ΔΦ_no(x,y)是通过logGabor小波的偶对称滤波器e_no(x,y)和奇对称滤波器o_no(x,y)来计算：

其中，E(x,y)是局部能量函数，为各尺度各方向偶对称滤波器e_no(x,y)和奇对称滤波器o_no(x,y)响应结果的矢量之和，定义为：

(2)利用logGabor奇对称滤波器计算影像的相位一致性特征方向。

在传统的相位一致性计算过程中，只能获得相位一致性特征值，而特征值的描述性能不够稳健。鉴于此，这里对相位一致性的计算模型进行扩展，利用LogGabor函数的奇对称滤波器o_no(x,y)构建相位一致性的特征方向，特征方向表示影像特征变化最剧烈的方向(类似于梯度方向)，对于局部特征描述符的构建非常重要(图2)。logGabor函数的奇对称滤波器o_no的卷积结果表示影像在某个方向的能量变化。这里将多个方向的奇对称滤波器结果分别投影到水平方向(X轴)和垂直方向(Y轴)，可分别获得水平方向的能量a和垂直方向的能量b，然后计算它们之间的反正切值，即获得相位一致性特征方向Φ。如图3所示，(a)为原始影像，(b)为水平方向能量，(c)为垂直方向能量，(d)为相位一致性特征方向。

Φ＝arctan(b,a)

其中，o_no(θ)表示在方向θ上的奇对称滤波器卷积结果。

步骤三、计算PointIi(i＝1,2,3,….,N)的LHOPC局部特征描述符，LHOPC包括特征点主方向和特征描述向量两个部分(图3)，具体为

1、LHOPC主方向：提取PointI_i(i＝1,2,3,….,N)中的一个点PointI_i，以它为中心取一定大小的邻域，计算邻域内的相位一致性特征值和特征方向，形成相位一致性方向直方图。把这个直方图均匀的划分为36等份，每一等份为10°，统计每一等份的相位一致性特征值，并利用高斯权重圆窗口进行距离加权，使邻域中心附近的像素所占的比重更大。然后选择直方图的峰值方向作为特征点的主方向，若存在另一个相当于主峰值80％的峰值时，该方向被认为是该点的辅方向。最终利用峰值邻近的3个直方图进行二次多项式拟合，内插出精确的主方向，如图4(a)所示。

2、LHOPC特征向量：在获取特征点主方向之后，根据主方向建立坐标系，并以特征点为中心取20×20像素的邻域。然后把该邻域划分为4×4个子区域，将每个子区域内划分为8个方向，并统计每个方向的相位一致性特征值，构成相位一致性方向直方图，最后将每个子区域内的相位一致性方向直方图链接在一起，形成4×4×8＝128维的特征向量，如图4(b)所示。

3、为了避免边界效应，在计算LHOPC的过程中，采用三线性内插法将每个采样点的相位一致性特征值分配到相邻的直方图中，每一个直方图分量(bin)都乘以一个1-d的权重，d是以bin所占空间为单位所量测的采样点到bin中心之间的距离。如图3所示。图中的4个黑色格网表示LHOPC的4个平面bin，bin中心分别为b(0,0)、b(0,1)、b(1,0)和b(1,1)，每个平面bin又被划分为8个角度bin，红色线条表示bin的中心线，黑色原点表示采样点，dr和dc分别表示采样点到b(0,0)中心的行方向和列方向距离，do则表示采样点到角度bin中心的距离。根据三线性内插法的原理，该采样点分配给b(0,0)的权重为(1-dr)·(1-dc)·(1-do)，b(0,1)的权重为(1-dr)·(dc)·(1-do)，b(1,0)的权重为(dr)·(1-dc)·(1-do)，b(1,1)的权重为(dr)·(dc)·(1-do)。图5为LHOPC描述向量插值示意图，(a)为平面bin，(b)为角度bin。

4、为了进一步消除光照变化的影响，把LHOPC特征向量中大于0.2的成分赋值为0.2，并利用下面公式进行归一化处理，形成最终的LHOPC特征描述符。

其中，v为特征向量，ε是一个避免除零的数

步骤四、根据步骤三，分别计算参考影像I₁上特征点PointI_1i(i＝1,2,3,….,N)和待匹配影像I₂上特征点PointI_2i(i＝1,2,3,….,N)的LHOPC特征向量。

步骤五、提取PointI_1i(i＝1,2,3,….,N)的一个点PointI_1i的LHOPC特征向量，计算它与PointI_2i(i＝1,2,3,….,N)中每个点的LHOPC特征向量的欧式距离d_1i(i＝1,2,3,.....,N)，并获取其中最近的距离d1f和次近的距离d1s，计算它们的比值d_ratio＝d_1f/d_1s，若d_ratio＜0.8，则认为该点是PointI_1i的同名点，记为PointI_2i。

其中，v_1k为PointI_1i(i＝1,2,3,….,N)中某一点的LHOPC特征向量，v_1k为PointI_2i(i＝1,2,3,….,N)的某一点的LHOPC特征向量

步骤六、进行双向匹配，根据步骤7的方法，寻找点PointI_2i的同名点PointI’_1i，若点PointI1i和点PointI’1i是同一个点，则将(PointI1i，PointI2i)视为最终的同名点对。由图6所示,(a)为参考影像，(b)为待匹配影像。

根据以上步骤，遍历PointI_1i(i＝1,2,3,….,N)的每一个点，得到对应的同名点对PointI_2i(i＝1,2,3,….,N)。

步骤七、采用随机采样一致性算法，以投影变换作为几何约束条件，迭代地剔除误差较大的同名点，得到最终正确的同名点对{PointID_1i，PointID_2i}(i＝1,2,3,….,N)，实现影像的精确匹配。

该方法可有效弥补了SIFT、SURF等传统匹配方法对影像间辐射差异较为敏感的不足，通过利用具有光照和对比度不变性相位一致特征构建局部特征描述符进行同名点匹配，有效地解决了可见光、红外等多传感器遥感影像的匹配难题。

Claims (1)

1.一种多传感器遥感影像匹配方法，包括下列步骤：

步骤一、利用不同尺度的高斯核函数对参考影像I₁和待匹配影像I₂，分别进行卷积运算，建立影像的高斯尺度空间，并通过高斯尺度空间的相邻两层影像做差生成高斯差分尺度空间，然后，在此空间中进行极值检测，提取出具有尺度不变性的特征点PointI_i；

步骤二、对相位一致性计算模型进行扩展，构建相位一致性特征方向，然后计算高斯尺度空间中每一层影像上的每个像素点的相位一致性特征值和特征方向；

步骤三、利用相位一致性特征值和特征方向构建局部特征描述，记为LHOPC，具体包括主方向和特征描述向量两个部分：

(1)提取特征点PointI_i中的一个点，以它为中心取大小为5×5个像素的邻域，计算邻域内的相位一致性特征值和特征方向，形成相位一致性方向直方图，并选择直方图的峰值方向作为特征点的主方向，使描述符具有旋转不变性；

(2)根据主方向建立坐标系，并以特征点PointI_i为中心取大小为20×20个像素的邻域，然后把该邻域划分为4×4个子区域，将每个子区域内划分为8个方向，并统计每个方向的相位一致性特征值，构成相位一致性方向直方图，最后将每个子区域内的相位一致性方向直方图链接在一起，形成最终的特征描述向量—局部相位一致性方向直方图；

步骤四、分别计算参考影像I₁上特征点PointI_1i和待匹配影像I₂上特征点PointI_2i的LHOPC特征向量，并通过欧氏距离作为相似性测度，采用特征向量间的最近邻和次近邻距离之比d_ratio来进行匹配，当d_ratio小于或等于给定的阈值时，该点则被视为匹配点；

步骤五、为了使匹配更加稳健，这里采用双向的匹配策略，即对于参考影像I₁上的某一个特征点PointI_1i，利用LHOPC进行匹配，获得它在待匹配影像I₂上的同名点PointI_2i，然后以同样的匹配方式，获得PointI_2i在参考影像I₁上对应的同名点PointI’_1i；若PointI_1i和PointI’_1i是同一个点，则认为PointI_1i和PointI_2i是一对同名点；

步骤六、根据步骤四，遍历PointI_1i的每一个点，得到对应的同名点PointI_2i，即获得同名点对记为{PointI_1i，PointI_2i}；

步骤七、采用随机采样一致性算法，以投影变换作为几何约束提出错误匹配点，获得最终的正确同名点对{PointID_1i，PointID_2i}，实现影像的精确匹配。