陳楊

遙感圖像配準(zhǔn)，是針對(duì)兩幅或多幅圖像重疊區(qū)存在幾何畸變或空間坐標(biāo)位置不一致而進(jìn)行的最佳匹配處理過程。圖像配準(zhǔn)是圖像鑲嵌和圖像融合中最為重要的步驟，也是圖像處理的重要內(nèi)容之一。1996年，微軟研究院的Szeliski提出了一種2D 空間八參數(shù)投影變換模型，采用Levenberg-Marquardt 迭代非線性最小化方法（簡稱L-M 算法）求出圖像間的幾何變換參數(shù)來進(jìn)行圖像配準(zhǔn);張祖勛等利用多級(jí)影像概率松弛法有效地解決了不同時(shí)相、不同傳感器獲取的不同分辨率遙感影像之間的配準(zhǔn)問題。無論采用何種方法配準(zhǔn)，都需要大量的同名點(diǎn)。同名點(diǎn)數(shù)量足夠且分布均勻是圖像精確配準(zhǔn)的保證。傳統(tǒng)的圖像配準(zhǔn)需要人工選擇同名點(diǎn)，不但極其耗費(fèi)時(shí)間，而且難以保證配準(zhǔn)精度。為了克服這個(gè)缺點(diǎn)，一些人提出了自動(dòng)配準(zhǔn)方法。但在實(shí)際應(yīng)用中，一般都存在提取的特征點(diǎn)數(shù)量不夠、特征點(diǎn)分布不均勻或同名點(diǎn)對(duì)應(yīng)不夠精確等缺點(diǎn)。

配準(zhǔn)中最常用的方法是：先提取參考圖像中一些有突出特征的像素，稱為特征點(diǎn);然后搜索這些特征點(diǎn)在輸入圖像中的對(duì)應(yīng)點(diǎn)（稱為同名點(diǎn)），生成一組同名點(diǎn)對(duì)，最后利用這些相互匹配的同名點(diǎn)對(duì)計(jì)算兩幅圖像的變換關(guān)系或映射函數(shù).在實(shí)際應(yīng)用中，映射函數(shù)通常選擇一階、二階或三階多項(xiàng)式，多項(xiàng)式系數(shù)通常是利用同名點(diǎn)對(duì)，通過最小二乘擬合的方法求得.我們稱這種方法為“ 點(diǎn)匹配”，它是一種從微觀細(xì)節(jié)入手、以點(diǎn)帶面的方法.目前大多數(shù)的遙感圖像處理系統(tǒng)都采用點(diǎn)匹配的方法，以交互的方式選擇特征點(diǎn)，但這些系統(tǒng)不能很好地適用于自動(dòng)處理大量的數(shù)據(jù)，原因就是多項(xiàng)式的計(jì)算要么需要少量十分精確的特征點(diǎn)，要么需要大量次精確但分布均勻的特征點(diǎn)，顯然，在這兩種情況下，特征點(diǎn)的選取都是一項(xiàng)耗時(shí)、耗力的工作，無法適應(yīng)大數(shù)據(jù)量的需求.在要求實(shí)時(shí)處理的應(yīng)用（如導(dǎo)航）中，這種方法也是不現(xiàn)實(shí)的。同時(shí)自動(dòng)配準(zhǔn)要考慮的是精度問題.因?yàn)樵谛l(wèi)星遙感圖像中自動(dòng)地確定有效的、精確的特征點(diǎn)是困難的，太少的點(diǎn)、不準(zhǔn)確的點(diǎn)或者分布不均勻的點(diǎn)被選取都可能導(dǎo)致配準(zhǔn)的誤差，而且這種情況是經(jīng)常發(fā)生的.至今對(duì)自動(dòng)化配準(zhǔn)技術(shù)的研究是熱門的，對(duì)基于特征點(diǎn)的自動(dòng)配準(zhǔn)研究較少。

一.幾種常用的遙感圖像自動(dòng)配準(zhǔn)的方法

1.常用軟件自帶的配準(zhǔn)工具

比如在ERDAS IMAGINE 9.1中是使用APM工具來進(jìn)行控制點(diǎn)的自動(dòng)匹配。

影像配準(zhǔn)的流程為：

2.興趣算子

我們可以用興趣算子的方法快速得到我們想要的控制點(diǎn)。提取特征點(diǎn)的算子稱為興趣算子，即運(yùn)用某種算法從影像中提取我們感興趣的、有利于某種目的的點(diǎn).目前常用的興趣算子有Moravec 算子、Forstner 算子和Hannah 算子。以Moravec 算子、Forstner 算子為例，1）將參考圖像分解為若干個(gè)子圖，子圖之間不互相重疊，所有子圖可以覆蓋整幅圖像;2）利用Moravec或Forstner 興趣值算子在每塊子圖上提取一定數(shù)量的特征點(diǎn)。采用分塊策略獲取的特征點(diǎn)分布均勻，完全滿足圖像配準(zhǔn)對(duì)特征點(diǎn)分布的要求。利用這兩種算子大大提升了獲取控制點(diǎn)的速度。Moravec 算子時(shí)間復(fù)雜度低，提取速度較快，但準(zhǔn)確度較低;而Forstner 算子準(zhǔn)確度較高，但提取速度比Moravec 算子低。在參考圖像中獲取了數(shù)量足夠且分布均勻的控制點(diǎn)之后，如何正確、快速地在待配準(zhǔn)圖像上搜索與之相匹配的同名點(diǎn)，進(jìn)而建立參考圖像與待配準(zhǔn)圖像的對(duì)應(yīng)關(guān)系是最終準(zhǔn)確配準(zhǔn)的關(guān)鍵。

傳統(tǒng)的同名點(diǎn)匹配方法是遍歷整幅圖像，手工把相似度最大的點(diǎn)作為同名點(diǎn)，這也是我們操作的一般步驟。而我們可以首先根據(jù)已知的同名點(diǎn)對(duì)擬合變換方程，將待配準(zhǔn)點(diǎn)代入變換方程得到粗匹配點(diǎn)坐標(biāo)，然后在以粗匹配點(diǎn)為中心的一個(gè)較小的范圍內(nèi)搜索，根據(jù)相似性測(cè)度來確定正確的同名點(diǎn)位置，這樣大大提高了獲取同名點(diǎn)的速度。

基于初始點(diǎn)的同名點(diǎn)匹配的步驟如下。

1）建立同名點(diǎn)集。根據(jù)預(yù)先指定的初始同名點(diǎn)對(duì)建立一個(gè)同名點(diǎn)集。這個(gè)點(diǎn)集必然滿足變換方程，用最小二乘法解算出方程系數(shù)。

2）更新同名點(diǎn)集。將特征點(diǎn)提取步驟中得到的第一個(gè)待配準(zhǔn)點(diǎn)代入變換方程，計(jì)算得到一個(gè)圖像坐標(biāo)，以此圖像坐標(biāo)為中心開一個(gè)窗口（如：11 ×11），然后在此窗口中搜索，選擇和第一個(gè)待配準(zhǔn)點(diǎn)相似性測(cè)度最大的點(diǎn)作為其匹配點(diǎn)，并將它們作為同名點(diǎn)對(duì)添加到同名點(diǎn)集中，得到更新過的同名點(diǎn)集。

3）優(yōu)化方程系數(shù)。對(duì)更新過的同名點(diǎn)集用最小二乘法重新解算方程，得到新的方程系數(shù)。

4）繼續(xù)更新同名點(diǎn)集和優(yōu)化方程系數(shù)。將第二個(gè)待配準(zhǔn)點(diǎn)代入系數(shù)優(yōu)化后的變換方程，計(jì)算得到一個(gè)圖像坐標(biāo)，在以此圖像坐標(biāo)為中心的窗口中搜索，選擇相似性測(cè)度最大的點(diǎn)作為其匹配點(diǎn)，然后和第二個(gè)待配準(zhǔn)點(diǎn)作為同名點(diǎn)對(duì)添加到同名點(diǎn)集中，并重新解算方程，優(yōu)化方程系數(shù)。

5）依此類推，直到為所有的待配準(zhǔn)點(diǎn)都找到了同名點(diǎn)。在同名點(diǎn)匹配中，利用相似性測(cè)度為待配準(zhǔn)點(diǎn)尋找同名點(diǎn)。常見的相似性測(cè)度有相關(guān)系數(shù)、差絕對(duì)值和、誤差橢圓等。其中相關(guān)系數(shù)是精度和可靠性最高的測(cè)度，也是最常用的。

二.幾種改進(jìn)后的遙感圖像自動(dòng)配準(zhǔn)方法

1.基于金字塔結(jié)構(gòu)的大幅面遙感圖像自動(dòng)配準(zhǔn)方法

根據(jù)圖像大小自動(dòng)判斷金字塔層數(shù)，將計(jì)算量最大的初始點(diǎn)匹配在最低分辨力圖像上完成，有效降低計(jì)算開銷。而采用的由粗到精的初始點(diǎn)匹配保證了建立的初始變換的準(zhǔn)確性，使最初估計(jì)的變換參數(shù)就已較接近最佳參數(shù)，逐層地增加匹配點(diǎn)對(duì)的數(shù)量、優(yōu)化參數(shù)，進(jìn)一步保證了配準(zhǔn)的精度。

2.基于SIFT算法的大幅面多光譜遙感圖像快速自動(dòng)配準(zhǔn)

SIFT特征點(diǎn)是Lowe提出的一種局部不變量特征提取方法。（Lowe D G 2004）該特征點(diǎn)具有較高的重復(fù)率，對(duì)圖像的旋轉(zhuǎn)、縮放以及亮度變化具有不變性，且對(duì)仿射變換、視角變換及噪聲有一定程度的魯棒性.因而已被廣泛應(yīng)用于圖像拼接、目標(biāo)跟蹤及三維重建等多個(gè)領(lǐng)域。SIFT特征點(diǎn)提取方法主要分為3步：（1）特征點(diǎn)檢測(cè)及定位;（2）生成特征描述符;（3）特征點(diǎn)初匹配。

三.圖像自動(dòng)配準(zhǔn)的新進(jìn)展

上述介紹的圖像配準(zhǔn)方法都是基于圖像像素模型的，認(rèn)為圖像是一系列離散點(diǎn)的無規(guī)律的組合。隨著圖像理解研究的進(jìn)一步深入.一幅數(shù)字圖像可以理解為一個(gè)連續(xù)的物理模型陽的采樣：這個(gè)物理模型可以是彈性材料、流體材料等;三維圖像可以看作一個(gè)矢量場(chǎng)。它具有剛度、彈性模量等物理參數(shù)。在圖像變形比較復(fù)雜的情況下，特征描述會(huì)隨變形發(fā)生變化，按傳統(tǒng)的基于像素模型的匹配難以建立對(duì)應(yīng)關(guān)系，而基于物理模型的方法可以很好地解決這一問題。在基于物理模型的配準(zhǔn)方法中。特征匹配和圖像變換可以同時(shí)完成。對(duì)局部的變形敏感，是近年來圖像配準(zhǔn)技術(shù)研究的熱點(diǎn)方向。

1）彈性模型

彈性模型是上述物理模型中的一種.原理是把圖像視為受力后會(huì)發(fā)生位移的彈性材料。1981年，Briot首次把彈性模型引入醫(yī)學(xué)圖像配準(zhǔn)。在此基礎(chǔ)上，Bajcsv提出了多分辨率彈性體匹配模型冽。蔡志鋒提出了用混合彈性模型解決圖像匹配問題剛。有限元法圖像配準(zhǔn)是一種典型的彈性模型方法。有限元模型的思想來源于彈性力學(xué)中的能量最小化原理。Ferrant最早提出了圖像配準(zhǔn)的有限元模型。并在后來的研究中提出了基于活動(dòng)表面的迭代算法。有限元算法配準(zhǔn)的關(guān)鍵是邊界條件的計(jì)算和迭代算法，對(duì)數(shù)據(jù)量大的遙感圖像配準(zhǔn)而言。如何實(shí)現(xiàn)上述問題尚需進(jìn)一步研究。

2）光流場(chǎng)模型

光流場(chǎng)的概念來源于計(jì)算機(jī)視覺的研究。物體運(yùn)動(dòng)時(shí)，會(huì)在視網(wǎng)膜上形成連續(xù)變化的圖像，好像一種光的“流”，稱為光流。光流包含了運(yùn)動(dòng)的信息.如果把圖像的變形看作一種運(yùn)動(dòng)，則可以使用光流模型進(jìn)行圖像配準(zhǔn)。光流場(chǎng)的計(jì)算有多種模型，包括差分類模型、基于能量的模型、基于相位的模型等。Barron使用不同的圖像特征，對(duì)9種計(jì)算模型從速度、可靠性和對(duì)速度測(cè)量性能3個(gè)方面進(jìn)行了比較。Cooper將光流應(yīng)用到醫(yī)學(xué)圖像配準(zhǔn)中。張澤旭提出了一種基于光流的紅外圖像自動(dòng)配準(zhǔn)方法，具有較好的魯棒性網(wǎng)。與傳統(tǒng)的基于像素的配準(zhǔn)方法相比，基于物理模型的配準(zhǔn)技術(shù)尚不成熟。如何建立合理的變形模型模擬傳感器的成像機(jī)理，如何提高配準(zhǔn)的計(jì)算速度、配準(zhǔn)精度以及對(duì)配準(zhǔn)的評(píng)估都需要進(jìn)一步的研究。

在本文中，著重介紹了遙感圖像自動(dòng)配準(zhǔn)的發(fā)展現(xiàn)狀，作為我們分析圖像的基本步驟，研究快速、有效、高精度的自動(dòng)圖像配準(zhǔn)算法成為遙感信息獲取中迫切需要解決的問題。本文簡單介紹了幾種常用的方法，并結(jié)合了最新的研究成果提出了自己的期待。

圖像自動(dòng)配準(zhǔn)的研究已取得大量成果，但仍有許多問題尚未解決。例如多維配準(zhǔn)的計(jì)算復(fù)雜性如何度量，如何利用彈性圖像模型消除圖像間非線性的局部變形。多傳感器間圖像配準(zhǔn)，大數(shù)據(jù)量圖像的并行計(jì)算，以及并行算法的最優(yōu)設(shè)計(jì)等問題，尚需進(jìn)一步研究。（作者單位：中山大學(xué)地信2班）