戴激光,宋偉東,李 玉

遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院,遼寧阜新 123000

漸進(jìn)式異源光學(xué)衛(wèi)星影像SIFT匹配方法

戴激光,宋偉東,李 玉

遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院,遼寧阜新 123000

針對(duì)異源光學(xué)衛(wèi)星影像SIFT算法匹配率低的問(wèn)題,基于SIFT匹配方法,以特征點(diǎn)相對(duì)主方向、相對(duì)尺度為約束條件提取初始匹配點(diǎn),并利用初始匹配點(diǎn)構(gòu)建Delaunay三角網(wǎng),采用點(diǎn)擴(kuò)散方式來(lái)獲取局部幾何約束模型,基于特征點(diǎn)主方向約束、特征向量歐氏距離及局部RANSAC誤差剔除方法,漸進(jìn)式地實(shí)現(xiàn)了對(duì)異源光學(xué)衛(wèi)星影像的高精度匹配。與其他匹配算法對(duì)比試驗(yàn)結(jié)果表明,在異源影像存在較大尺度、旋轉(zhuǎn)差異的情況下,本文算法具有匹配數(shù)量大、精度高的優(yōu)勢(shì)。

漸進(jìn)式;異源影像;SIFT;匹配;點(diǎn)擴(kuò)散

1 引 言

異源影像間由于存在成像機(jī)理、尺度、時(shí)相等差異,使得其匹配問(wèn)題長(zhǎng)期以來(lái)一直未能得到很好的解決[1-2]。SIFT算法[3]具備較好的抗尺度、旋轉(zhuǎn)及光照變換能力,在影像匹配中得到了廣泛的應(yīng)用。例如文獻(xiàn)[4]采用SIFT算法對(duì)同源光學(xué)影像進(jìn)行了匹配,取得了較好的試驗(yàn)結(jié)果。但作為一種局部描述子,當(dāng)影像中存在重復(fù)或相似場(chǎng)景(城市中相似的樓房與道路及山區(qū)中的梯田等地物)時(shí),以特征向量距離為相似性測(cè)度將會(huì)降低匹配的成功率[5]。因此需要選取恰當(dāng)?shù)膸缀渭s束方式來(lái)限定特征點(diǎn)匹配范圍,以此來(lái)降低相似地物對(duì)于匹配的影響。針對(duì)這一問(wèn)題,一種匹配策略是直接對(duì)特征點(diǎn)進(jìn)行幾何約束,例如文獻(xiàn)[6]通過(guò)提取特征點(diǎn)異源核線,限定了特征點(diǎn)匹配的范圍,提高了匹配的成功率。文獻(xiàn)[7]通過(guò)對(duì)影像進(jìn)行粗校正,采用改進(jìn)主方向的SIFT算子匹配光學(xué)和SAR影像。文獻(xiàn)[8]對(duì)SIFT算子中的尺度和方向進(jìn)行約束,克服了不同影像間由于梯度和方向所引起的誤差。文獻(xiàn)[9]改進(jìn)SFIT特征提取方式,通過(guò)特征點(diǎn)角度、尺度約束實(shí)現(xiàn)了對(duì)異源影像的匹配。文獻(xiàn)[10]提出了一種顧及影像幾何特征的角點(diǎn)特征提取算法,以經(jīng)過(guò)該點(diǎn)的線數(shù)目及線之間的夾角作為描述子對(duì)不同光學(xué)影像進(jìn)行了匹配。

另外一種匹配策略是基于可靠的初始匹配結(jié)果,采用動(dòng)態(tài)傳播幾何約束的方式來(lái)漸進(jìn)式獲取更多的匹配點(diǎn)。如文獻(xiàn)[11]利用初始匹配點(diǎn)構(gòu)建三角網(wǎng),以此來(lái)動(dòng)態(tài)細(xì)化獲取更多的匹配點(diǎn),但問(wèn)題在于匹配結(jié)果依賴(lài)初始同名點(diǎn)的分布,并且其特征匹配測(cè)度很難適用于不同分辨率的影像。文獻(xiàn)[12]在此基礎(chǔ)上進(jìn)一步引入了梯度方向限制及仿射不變標(biāo)準(zhǔn)互相關(guān)測(cè)度,但仍然無(wú)法解決對(duì)于初始匹配點(diǎn)分布上的依賴(lài)。文獻(xiàn)[13—15]也采用SIFT初始匹配點(diǎn)進(jìn)行影像粗變換分析,利用分析結(jié)果及特征點(diǎn)尺度等特征對(duì)未匹配特征點(diǎn)進(jìn)行相似性判斷迭代匹配傳播獲取更多同名點(diǎn)集,但該方法中的測(cè)度函數(shù)很難適用于不同分辨率的衛(wèi)星影像。

相對(duì)而言,第2種匹配策略匹配點(diǎn)數(shù)量更多,精度更高。因此本文基于第2種匹配策略,以異源光學(xué)衛(wèi)星影像為研究目標(biāo),提出一種基于SIFT特征的漸進(jìn)式匹配算法。算法首先利用SIFT匹配算法和角度、尺度約束模型獲取初始匹配點(diǎn),并基于隨機(jī)抽樣幾何模型(random sample consensus,RANSAC)剔除誤匹配。接著基于初始匹配點(diǎn)構(gòu)建三角網(wǎng),通過(guò)點(diǎn)擴(kuò)散方法建立局部幾何約束模型,實(shí)現(xiàn)對(duì)待匹配影像上所有特征點(diǎn)的約束匹配。

2 特征提取

由于受到傳感器觀測(cè)角度、時(shí)相、尺度不一致等因素影響,異源影像對(duì)地物目標(biāo)的刻畫(huà)往往存在一些差異,這使得角點(diǎn)、拐點(diǎn)、極值點(diǎn)等特征在匹配中受到限制,而SIFT算法能夠在一些影像灰度漸變區(qū)域獲得穩(wěn)定的特征點(diǎn),更加適宜于異源影像的匹配[12]。SIFT算法通過(guò)構(gòu)建影像尺度空間的方式尋找對(duì)尺度、旋轉(zhuǎn)、光照變換保持不變的興趣點(diǎn),并利用梯度方向向量來(lái)對(duì)特征點(diǎn)進(jìn)行描述,其步驟包括:尺度空間構(gòu)建、特征點(diǎn)主方向確定、描述符生成及特征匹配4個(gè)步驟[3]。根據(jù)SIFT原理,特征點(diǎn)表達(dá)為f＝(x,σ,θ,d),其中,x表示為特征點(diǎn)坐標(biāo);σ表示為平滑尺度因子;θ表示為特征點(diǎn)主方向;d表示為SIFT特征描述符。

3 特征匹配

漸進(jìn)特征匹配方法包括初始匹配和漸進(jìn)式幾何約束匹配兩個(gè)階段。

3．1 初始匹配階段

假定fi和分別為參考影像上和待匹配影像上的特征點(diǎn),定義特征點(diǎn)之間的相對(duì)尺度δσ＝相對(duì)主方向δθ＝θi－其具體匹配步驟如下:

(1)依次計(jì)算匹配點(diǎn)對(duì)描述子之間的歐氏距離,將最近鄰與次近鄰比值小于閾值ratio設(shè)定為候選匹配點(diǎn),同時(shí)記錄匹配點(diǎn)對(duì)之間的相對(duì)尺度δσ和相對(duì)主方向δθ。

(2)隨機(jī)抽取3對(duì)匹配點(diǎn)。兩兩判斷相對(duì)尺度之差和相對(duì)主方向之差是否低于閾值h1,滿足要求則直接進(jìn)入(3),否則重新抽取3對(duì)匹配點(diǎn)。

(3)利用3對(duì)匹配點(diǎn)構(gòu)建影像仿射轉(zhuǎn)換模型,基于該模型對(duì)候選匹配點(diǎn)進(jìn)行分析,當(dāng)距離低于h2時(shí),保留該匹配點(diǎn),否則該匹配點(diǎn)被剔除。

(4)采用基于單應(yīng)矩陣的RANSAC算法對(duì)匹配點(diǎn)進(jìn)行誤差剔除,獲取最終的初始匹配點(diǎn)集。

3．2 漸進(jìn)式匹配階段

作為計(jì)算幾何中非常重要的概念,Delaunay三角網(wǎng)在遙感影像局部糾正中起到關(guān)鍵的作用[16]。本文首先利用初始匹配點(diǎn)Delaunay三角網(wǎng)構(gòu)建幾何約束模型。假設(shè)f＝{fi|i＝1,2, …,n},f′＝{|j＝1,2,…,m}分別為參考影像和待匹配影像上的三角網(wǎng)內(nèi)對(duì)應(yīng)特征點(diǎn)。依據(jù)攝影測(cè)量與遙感及計(jì)算機(jī)視覺(jué)理論,如果點(diǎn)fi與是一對(duì)同名點(diǎn),根據(jù)局部連續(xù)性約束,fi的變形參數(shù)要受到3個(gè)頂點(diǎn)的影響[17-18]。同樣在三角網(wǎng)外影像特征點(diǎn)要受到鄰域像素變形因素的影響。因此本文首先建立針對(duì)特征點(diǎn)的局部幾何約束模型,在此基礎(chǔ)上對(duì)特征點(diǎn)進(jìn)行約束匹配。

3．2．1 局部幾何約束模型的構(gòu)建

依據(jù)小面元原理,三角網(wǎng)影像范圍內(nèi)的特征點(diǎn)利用3個(gè)頂點(diǎn)構(gòu)建仿射模型,均可將其作為該點(diǎn)的局部幾何約束模型。而對(duì)于不在三角網(wǎng)范圍內(nèi)的特征點(diǎn),無(wú)法直接獲得局部幾何約束模型。針對(duì)這一問(wèn)題,根據(jù)Voronoi剖分理論,本文提出了一種點(diǎn)擴(kuò)散的方法。

如圖1所示,O為影像中心點(diǎn)(初始匹配點(diǎn)的重心),R為點(diǎn)擴(kuò)散半徑,F為擴(kuò)散區(qū),紅色直線為三角網(wǎng)。隨著R值的擴(kuò)大,以O(shè)為中心點(diǎn),F形成3×3、5×5、7×7、…、m×n影像矩陣,逐漸覆蓋整幅影像,以此方式通過(guò)逐層對(duì)邊緣點(diǎn)分析來(lái)獲取整幅影像像素點(diǎn)的幾何約束模型。

如圖1所示,其中K1和K2分別為在擴(kuò)散半徑為R時(shí)兩種不同的邊緣點(diǎn),通過(guò)對(duì)局部放大圖進(jìn)行分析:

(1)K1點(diǎn)與影像三角網(wǎng)不相鄰,但由于本文采用的是點(diǎn)擴(kuò)散方法,在其八鄰域內(nèi)必有已獲得局部幾何約束模型的點(diǎn)。尋找鄰域內(nèi)已獲取局部幾何約束模型的點(diǎn),將其參數(shù)賦予該點(diǎn)。如果出現(xiàn)多點(diǎn)幾何約束模型不同,則將多點(diǎn)幾何約束模型參數(shù)平均后賦予K1點(diǎn),以此避免對(duì)單一約束模型的依賴(lài)。

(2)K2為臨近影像三角網(wǎng)邊緣點(diǎn),因此在其八鄰域中必有一點(diǎn)在三角網(wǎng)內(nèi)或幾個(gè)點(diǎn)在三角網(wǎng)內(nèi)。出現(xiàn)前者情況時(shí),將該點(diǎn)的幾何約束模型直接賦予K2點(diǎn)。當(dāng)出現(xiàn)后者情況時(shí),尋找最多同一幾何約束模型點(diǎn)的參數(shù)模型,將該模型參數(shù)賦予K2點(diǎn)。

3．2．2 約束窗口下提取匹配點(diǎn)

本文對(duì)待匹配影像構(gòu)建局部幾何約束模型后,建立針對(duì)特征點(diǎn)的約束窗口,在該窗口中利用特征點(diǎn)的主方向約束、特征向量信息進(jìn)行匹配。

如圖2所示,其中,點(diǎn)PTsrc為待匹配點(diǎn);紅色交叉點(diǎn)PTthe為利用局部幾何約束模型計(jì)算得到的理論匹配點(diǎn);dr為約束窗口半徑,窗口內(nèi)黑點(diǎn)為特征點(diǎn),箭頭方向?yàn)樘卣鼽c(diǎn)主方向。首先計(jì)算待匹配點(diǎn)與窗口內(nèi)特征點(diǎn)的相對(duì)主方向,通過(guò)與初始匹配中記錄的相對(duì)主方向δθ差值,判斷是否符合閾值h1,符合要求方可作為候選匹配點(diǎn),其次通過(guò)計(jì)算其特征向量歐氏距離的方法來(lái)提取同名點(diǎn)。本文利用統(tǒng)計(jì)特征點(diǎn)的最近次近距離來(lái)進(jìn)行同名點(diǎn)的提取。通過(guò)對(duì)比分析,比值設(shè)定為0．5。

3．3 誤差剔除模型

上述初始匹配策略?xún)H能得到初始同名點(diǎn),匹配精度較低,需要進(jìn)行初始同名點(diǎn)的粗差剔除。通常情況下,粗差剔除方法常選用RANSAC算法,利用RANSAC算法優(yōu)化仿射不變特征匹配,當(dāng)樣本中存在50%以上的誤匹配時(shí),依然可以有效獲取正確的匹配[19-20]。但本文通過(guò)多組試驗(yàn)發(fā)現(xiàn)RANSAC算法受到同名點(diǎn)空間分布密度的制約。其原因在于RANSAC在構(gòu)建幾何轉(zhuǎn)換模型時(shí),以適應(yīng)該模型同名點(diǎn)的數(shù)量作為模型構(gòu)建的判斷標(biāo)準(zhǔn)。這使得同名點(diǎn)密集區(qū)域構(gòu)建的轉(zhuǎn)換模型權(quán)重必然較大,該區(qū)域同名點(diǎn)得以最大程度保留下來(lái),反之同名點(diǎn)稀疏區(qū)域由于權(quán)重較小,不能適應(yīng)RANSAC算法所構(gòu)建的單應(yīng)矩陣而被誤認(rèn)為是偽同名點(diǎn)被剔除掉。

針對(duì)存在的問(wèn)題,為提高同名點(diǎn)對(duì)的匹配精度,本文采用一種從整體到局部分步式的RANSAC誤差剔除方法。核心思想是:首先進(jìn)行一次全局式的RANSAC處理,設(shè)定較高的閾值δ1,其目的是避免不同局部區(qū)域間幾何轉(zhuǎn)換參數(shù)差異過(guò)大;其次在不同區(qū)域內(nèi)進(jìn)行RANSAC粗差剔除,設(shè)定較小的閾值δ2,目的是為了提高局部區(qū)域內(nèi)同名點(diǎn)的精確度。這種算法不僅保證了大范圍上同名點(diǎn)的精度,同時(shí)保證位于同名點(diǎn)稀少區(qū)域的控制點(diǎn)不被剔除。

4 試驗(yàn)與分析

4．1 試驗(yàn)數(shù)據(jù)及評(píng)價(jià)標(biāo)準(zhǔn)

選取如圖3所示3組測(cè)試數(shù)據(jù)進(jìn)行算法測(cè)試。圖3中每組影像((a)—(c))中按照從左到右順序的第1幅為參考影像,第2幅為待匹配影像,相關(guān)數(shù)據(jù)描述見(jiàn)表1。由于所選取的影像像對(duì)覆蓋區(qū)域地形復(fù)雜,不同同名點(diǎn)之間變形參數(shù)不一致,不能簡(jiǎn)單地通過(guò)構(gòu)建如仿射、多項(xiàng)式、單應(yīng)矩陣等模型檢測(cè)同名點(diǎn)精度,因此本文首先在ENVI軟件中利用人工來(lái)對(duì)影像均勻選取20對(duì)測(cè)試點(diǎn),然后根據(jù)匹配結(jié)果利用小面元微分法對(duì)影像糾正計(jì)算測(cè)試點(diǎn)坐標(biāo),最后按照式(1)來(lái)計(jì)算匹配精度

式中,σ(x)、σ(y)為分別為x、y方向誤差;N為檢測(cè)點(diǎn)數(shù)量;Pix、Piy為人工實(shí)測(cè)點(diǎn)x、y方向坐標(biāo);T (Pix′)、T(Piy′)為解算出來(lái)點(diǎn)x、y方向坐標(biāo)。

表1 測(cè)試數(shù)據(jù)描述Tab．1 Description of the test data

4．2 試驗(yàn)參數(shù)分析

由于本文算法在不同處理階段均涉及參數(shù)的設(shè)定問(wèn)題,因此需要對(duì)這些參數(shù)進(jìn)行分析。

4．2．1 初始匹配階段參數(shù)設(shè)定

4．2．1．1 閾值h1設(shè)定

`在初始匹配階段,閾值h1主要作用是提取3對(duì)精確匹配點(diǎn),并以此來(lái)建立影像仿射轉(zhuǎn)換模型匹配后續(xù)同名點(diǎn),因此其精度要求較高。如表2所示,本文對(duì)閾值h1值為0．01～0．1時(shí)的匹配結(jié)果進(jìn)行分析。其中,σ(x/y)表示同名點(diǎn)在像方x向和y向的誤差,單位為像素。

表2 h1值對(duì)匹配結(jié)果的影響Tab．2 Impact on matching result due to h1value

如表2所示,閾值h1變化對(duì)精度、時(shí)間影響較小。故從匹配數(shù)量的角度考慮,設(shè)定h1值為0．1。

4．2．1．2 閾值h2設(shè)定

閾值h2是對(duì)初始匹配階段全局性影像仿射轉(zhuǎn)換模型的精度分析,由于異源影像存在局部變形,并且后續(xù)匹配過(guò)程中采用RANSAC算法進(jìn)行誤差剔除,因此其精度要求較低,故論文僅對(duì)閾值h2為10～20之間的匹配結(jié)果進(jìn)行分析。

如表3所示,匹配點(diǎn)提取時(shí)間和精度相差不大,依據(jù)匹配數(shù)量結(jié)果,本文設(shè)定h2值為15。

表3 h2值對(duì)匹配結(jié)果的影響Tab．3 Impact on matching result due to h2value

4．2．2 漸進(jìn)式匹配階段參數(shù)設(shè)定

在漸進(jìn)式匹配階段,窗口半徑dr值過(guò)大固然可以避免誤匹配點(diǎn)的引入,但也加大了匹配的復(fù)雜度。反之較小則有可能導(dǎo)致誤匹配問(wèn)題的出現(xiàn)。

4．2．2．1 點(diǎn)PTsrc在三角網(wǎng)內(nèi)dr的設(shè)定

由于點(diǎn)PTsrc位于影像三角網(wǎng)范圍內(nèi),距同名點(diǎn)較近。一般來(lái)說(shuō),距同名點(diǎn)越近,其局部幾何約束模型參數(shù)精度越高。因此對(duì)于dr的設(shè)定不宜過(guò)大,本文分別對(duì)dr值為1～10之間進(jìn)行匹配結(jié)果對(duì)比。

通過(guò)表4對(duì)dr的統(tǒng)計(jì)分析發(fā)現(xiàn),隨著dr值的增大,提取同名點(diǎn)時(shí)間在不斷擴(kuò)大,這符合隨著dr的增大,約束窗口擴(kuò)大使得特征點(diǎn)增多,加大計(jì)算復(fù)雜度的規(guī)律。綜合同名點(diǎn)精度和數(shù)量來(lái)看,在dr值為3時(shí)算法具有較高的匹配率與匹配精度。雖然dr值低于3時(shí),同名點(diǎn)提取匹配數(shù)量較高,但存在精度差的問(wèn)題。因此本文設(shè)定dr值為3。

表4 dr值對(duì)匹配結(jié)果的影響Tab．4 Impact on matching result due to drvalue

4．2．2．2 點(diǎn)PTsrc不在三角網(wǎng)內(nèi)dr的設(shè)定

由于點(diǎn)PTsrc不在影像三角網(wǎng)范圍內(nèi),其局部幾何約束模型是利用中心點(diǎn)蔓延來(lái)構(gòu)建的,其幾何約束模型精度必定較低。在這種情況下,對(duì)dr的設(shè)定數(shù)值不宜太小,因此論文分別對(duì)dr為 6～15之間進(jìn)行匹配點(diǎn)數(shù)量和精度對(duì)比分析。

由表5可以看到,隨著dr的增大,同名點(diǎn)提取時(shí)間不斷擴(kuò)大。對(duì)比同名點(diǎn)精度和提取數(shù)量,本文設(shè)定dr值為6。

表5 dr值對(duì)匹配結(jié)果的影響Tab．5 Impact on matching result due to drvalue

4．2．3 粗差剔除階段參數(shù)設(shè)定

4．2．3．1 閾值δ1的分析

閾值δ1適用于全局影像上的同名點(diǎn)幾何約束,取值不宜過(guò)小。故本文對(duì)δ1值在0．01～0．1之間同名點(diǎn)提取的數(shù)量和精度進(jìn)行分析。

從表6可以觀察到,隨著δ1值變大同名點(diǎn)數(shù)量也在逐漸增多,這表明約束條件的降低能夠獲取更多的同名點(diǎn),但同時(shí)匹配精度也在下降。因此從同名點(diǎn)的數(shù)量和精度綜合考慮,設(shè)定δ1值為0．03。

表6 閾值δ1對(duì)同名點(diǎn)的影響Tab．6 Control Point due to thresholdδ1

4．2．3．2 閾值δ2的分析

閾值δ2的設(shè)定是為了提高在局部區(qū)域影像上同名點(diǎn)的精度,故閾值δ2的設(shè)定不宜過(guò)大。本文對(duì)δ2值在0．000 5～0．005之間同名點(diǎn)提取的數(shù)量和精度進(jìn)行分析。

從表7可以觀察到,δ2值與δ1值對(duì)同名點(diǎn)的數(shù)量和精度影響趨勢(shì)近似,故本文設(shè)定δ2值為0．001。

表7 閾值δ2對(duì)同名點(diǎn)的影響Tab．7 Control Point due to thresholdδ2

4．3 試驗(yàn)結(jié)果與分析

本文中在初始匹配過(guò)程中,為避免正確點(diǎn)被過(guò)濾掉,根據(jù)文獻(xiàn)[3]的建議設(shè)定ratio為0．8。其中試驗(yàn)環(huán)境:操作系統(tǒng)為Windows7,CPU的主頻為2．93 GHz,試驗(yàn)軟件為vc6．0。

圖3給出了3對(duì)測(cè)試數(shù)據(jù)的匹配及糾正結(jié)果。其中紅色點(diǎn)為初始匹配結(jié)果,藍(lán)線為三角網(wǎng)連線,綠色點(diǎn)為漸進(jìn)式匹配獲取的結(jié)果,最終匹配點(diǎn)結(jié)果為紅色點(diǎn)與綠色點(diǎn)匹配數(shù)量總和,每組影像((a)—(c))中按照從左到右順序的第3幅為小面元糾正結(jié)果。表8給出了本文算法與經(jīng)典SIFT算法和文獻(xiàn)[9]匹配方法基于小面元糾正模型的糾正結(jié)果。其中,表中匹配點(diǎn)表示剔除粗差后剩余的正確匹配點(diǎn),計(jì)算時(shí)間以秒為單位。

表8 不同算法的匹配性能對(duì)比Tab．8 Comparison of matching performance of different algorithms

對(duì)表8結(jié)果分析后表明:

(1)本文方法的匹配精度均高于其他方法。但同時(shí)可以看到本文算法計(jì)算時(shí)間更長(zhǎng),考慮到匹配點(diǎn)和時(shí)間的對(duì)比,表明本文所提算法具有更高的效率。

(2)對(duì)3組數(shù)據(jù)的測(cè)試結(jié)果表明,在高分辨率影像中測(cè)試數(shù)據(jù)精度較低,這表明在同樣的變形情況下,高分辨率使得影像變形細(xì)節(jié)被放大,進(jìn)而導(dǎo)致匹配精度下降;同樣對(duì)(b)和(c)對(duì)比可以看到,雖然(c)相對(duì)于(b)存在較大的旋轉(zhuǎn)變形,但由于(b)覆蓋區(qū)域地形更加復(fù)雜,地面起伏更加劇烈,這使得匹配精度進(jìn)一步下降。

(3)通過(guò)對(duì)3組數(shù)據(jù)匹配點(diǎn)數(shù)量對(duì)比分析,本文所提算法的匹配數(shù)量是SIFT算法的近8倍,這驗(yàn)證了SIFT算法通過(guò)特征向量作為匹配測(cè)度匹配率低的論斷,而文獻(xiàn)[9]的算法雖然有初始的粗匹配引導(dǎo),但由于粗匹配精度太低使得匹配結(jié)果仍然不能令人滿意。而本文算法由于采用了初始匹配點(diǎn)建立Delaunay三角網(wǎng)作為幾何約束模型的基礎(chǔ),通過(guò)點(diǎn)位擴(kuò)展的方式提高了特征點(diǎn)幾何約束的能力,較大程度上避免了由于相似地物造成的誤匹配現(xiàn)象,大幅度提高了影像匹配的能力。

(4)從匹配點(diǎn)的影像分布可以看到,本文方法在3組影像的漸進(jìn)匹配點(diǎn)均彌補(bǔ)了起始匹配點(diǎn)分布上的不合理性,使得同名點(diǎn)的分布更趨于均勻,驗(yàn)證了本文所提算法的穩(wěn)定性。

綜合上述分析,以數(shù)據(jù)采集區(qū)域?yàn)榈匦螐?fù)雜的山區(qū)、城區(qū),存在不同局部變形幅度的3對(duì)異源衛(wèi)星影像為研究對(duì)象,通過(guò)與經(jīng)典SIFT算法和文獻(xiàn)[9]算法的匹配結(jié)果比較表明,本文算法在同名點(diǎn)數(shù)量、精度、分布合理性及匹配效率上均表現(xiàn)出一定的優(yōu)勢(shì),從而有效地證明本文算法具有良好的穩(wěn)健性。

5 結(jié) 論

本文基于SIFT特征點(diǎn),提出了一種漸進(jìn)式的SIFT匹配方法,試驗(yàn)結(jié)果表明可以較好地適用異源影像的匹配任務(wù)。但由于本文算法在運(yùn)行過(guò)程中需要建立局部幾何約束模型,因此本文算法計(jì)算量較大,運(yùn)算時(shí)間偏長(zhǎng)。后續(xù)的研究應(yīng)該是如何提高算法的計(jì)算速度,以進(jìn)一步提高算法的效率。

圖1 點(diǎn)擴(kuò)散示意Fig．1 The schematic of point spreading

圖2 約束窗口Fig．2 Constraint window

圖3 各組數(shù)據(jù)的匹配結(jié)果Fig．3 Matching results of each experimental data set

[1] YU L,ZHANG D,HOLDEN E J．A Fast and Fully Automatic Registration Approach Based on Point Features for Multi Source Remote Sensing Images[J]．Computers& Geosciences,2008,34(7):838-848．

[2] WONG A,CLAUSI D A．ARRSI:Automatic Registration of Remote Sensing Images[J]．IEEE Transactions on Geoscience and Remote Sensing,2007,45(5):1483-1493．

[3] LOWE D G．Distinctive Image Features from Scale-invariant Keypoints[J]．International Journal of Computer Vision, 2004,60(2):91-110．

[4] LI Xiaoming,ZHENG Lian,HU Zhanyi．SIFT Based Automatic Registration of Remotely Sensed Imagery[J]．Journal of Remote Sensing,2006,10(6):885-892．(李曉明,鄭鏈,胡占義．基于SIFT特征的遙感影像自動(dòng)配準(zhǔn)[J]．遙感學(xué)報(bào),2006,10(6):885-892．)

[5] YUAN Xiuxiao,LI Ran．A SIFT Image Match Method with Match-support Measure for Multi-source Remotely Sensed Images[J]．Geomatics and Information Science of Wuhan University,2012,37(12):1438-1442．(袁修孝,李然．帶匹配支持度的多源遙感影像SIFT匹配方法[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2012,37(12):1438-1442．)

[6] DAI Jiguang,SONG Weidong,JIA Yonghong,et al．A New Automatically Matching Algorithm for Multi-source High Resolution Optical Satellite Images[J]．Acta Geodaetica et Cartographica Sinica,2013,42(1):80-86．(戴激光,宋偉東,賈永紅,等．一種新的異源高分辨率光學(xué)衛(wèi)星遙感影像自動(dòng)匹配算法[J]．測(cè)繪學(xué)報(bào),2013,42(1):80-86．)

[7] LüJinjian,WEN Gongjian,LI Deren,et al．A New Method Based on Spatial Relations for Feature Matching[J]．Acta Geodaetica et Cartographica Sinica,2008,37(3):367-373．(呂金建,文貢堅(jiān),李德仁,等．一種新的基于空間關(guān)系的特征匹配方法[J]．測(cè)繪學(xué)報(bào),2008,37(3):367-373．)

[8] YUE Chunyu,JIANG Wanshou．An Automatic Registration Algorithm for SAR and Optical Images Based on Geometry Constraint and Improved SIFT[J]．Acta Geodaetica et Cartographica Sinica,2012,41(4):570-576．(岳春宇,江萬(wàn)壽．幾何約束和改進(jìn)SIFT的SAR影像和光學(xué)影像自動(dòng)配準(zhǔn)方法[J]．測(cè)繪學(xué)報(bào),2012,41(4):570-576．)

[9] LI Q L,WANG G Y,LIU J G．Robust Scale-invariant Feature Matching for Remote Sensing Image Registration [J]．IEEE Geoscience and Remote Sensing Letters,2009, 6(2):287-291．

[10] ZHANG Qian,JIA Yonghong,HU Zhongwen．An Improved SIFT Algorithm for Mutli-source Remote Sensing Image Registration[J]．Geometrics and Information Science of Wuhan University,2013,38(4):455-459．(張謙,賈永紅,胡忠文．多源遙感影像配準(zhǔn)中的SIFT特征匹配改進(jìn)[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2013,38(4):455-459．)

[11] JIANG S H,WANG C,XU X J,et al．Fast Algorithm for Multi-Source Image Registration Based on Geometric Feature of Corners[C]∥Proceedings of the 6th International Conference on Intelligent Computing．Changsha:Springer, 2010:438-446．

[12] ZHU Qing,WU Bo,ZHAO Jie．A Reliable Image Matching Method Based on Self-adaptive Triangle Constraint[J]．Chinese Journal of Computers,2005,28(10):1734-1739．(朱慶,吳波,趙杰．基于自適應(yīng)三角網(wǎng)約束的可靠影像匹配方法[J]．計(jì)算機(jī)學(xué)報(bào),2005,28(10):1734-1739．)

[13] WU B,ZHANG Y,ZHU Q．A Triangulation-based Hierarchical Image Matching Method for Wide-Baseline Images [J]．Photogrammetric Engineering&Remote Sensing, 2011,77(7):695-708．

[14] YANG Huachao,ZHANG Shubi,ZHANG Qiuzhao．Least Squares Matching Methods for Wide Base-line Stereo Images Based on SIFT Features[J]．Acta Geodaetica et Cartographica Sinica,2010,39(2):187-194．(楊化超,張書(shū)畢,張秋昭．基于SIFT的寬基線立體影像最小二乘匹配方法[J]．測(cè)繪學(xué)報(bào),2010,39(2):187-194．)

[15] YANG Huachao,YAO Guobiao,WANG Yongbo．Dense Matching for Wide Base-line Stereo Images Based on SIFT [J]．Acta Geodaetica et Cartographica Sinica,2011,40(5): 537-543．(楊化超,姚國(guó)標(biāo),王永波．基于SIFT的寬基線立體影像密集匹配[J]．測(cè)繪學(xué)報(bào),2011,40(5):537-543．)

[16] YANG Huachao,ZHANG Lei,YAO Guobiao,et al．An Automated Image Registration Method with High Accuracy Based on Local Homography Constraint[J]．Acta Geodaetica et Cartographica Sinica,2012,41(3):401-408．(楊化超,張磊,姚國(guó)標(biāo),等．局部單應(yīng)約束的高精度圖像自動(dòng)配準(zhǔn)方法[J]．測(cè)繪學(xué)報(bào),2012,41(3):401-408．)

[17] LI Fangfang,JIA Yonghong．Improved SIFT Algorithm and Its Application in Automatic Registration of Remotelysensed Imagery[J]．Geomatics and Information Science of Wuhan University,2009,34(10):1245-1249．(李芳芳,賈永紅．SIFT算法優(yōu)化及其用于遙感影像自動(dòng)配準(zhǔn)[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2009,34(10):1245-1249．)

[18] POLLARD S,PORRILL J,MAYHEW J,et al．Disparity Gradient,Lipschitz Continuity Binocular Correspondence [C]∥Proceedings of Robotics Research:The Third International Symposium．Gouvieux:MIT Press,1986:189-210．

[19] WU B,ZHANG Y,ZHU Q．Integrated Point and Edge Matching on Poor Textural Images Constrained by Selfadaptive Triangulations[J]．Journal of Photogrammetry and Remote Sensing,2012(68):40-55．

[20] CHUM O．Two-view Geometry Estimation by Random Sample and Consensus[D]．Prague:Czech Technical University,2005．

[21] ZHANG Dengrong,CAI Zhigang,YU Le．Study on Image Automatism Registration Methods Based on Matching[J]．Journal of Zhejiang University:Engineering Science, 2007,41(3):402-406．(張登榮,蔡志剛,俞樂(lè)．基于匹配的遙感影像自動(dòng)糾正方法研究[J]．浙江大學(xué)學(xué)報(bào):工學(xué)版, 2007,41(3):402-406．)

(責(zé)任編輯:陳品馨)

Progressive SIFT Matching Algorithm for Multi-source Optical Satellite Images

DAI Jiguang,SONG Weidong,LI Yu
School of Geomatics,Liaoning Technical University,Fuxin 123000,China

Considering the low matching rate of SIFT for multi-source optical satellite images,based on SIFT matching method,initial controlling points constrained by the relative scale and main orientation of SIFT features are extracted in this paper．Then,Delaunay triangulation is built by initial matching points．Local geometrical constraint model is built through point spreading．Finally,on the basis of the main orientation of features,minimum Euclidean distance criterion and local RANSAC algorithm,the matching of multi-source optical satellite images is progressively achieved with high accuracy．Compared with other matching algorithms,in the case of large scale and rotate images,the proposed algorithm has significant advantages in terms of matching amount and precision．

progressive;multi-source;SIFT;matching;point spreading

DAI Jiguang(1978—),male,PhD,lecturer, majors in remote sensing image processing and application．

P237

A

1001-1595(2014)07-0746-07

2013-07-01

戴激光(1978—),男,博士,講師,研究方向?yàn)檫b感圖像處理與應(yīng)用。

E-mail:daijg03＠163．com

DAI Jiguang,SONG Weidong,LI Yu．Progressive SIFT Matching Algorithm for Multi-source Optical Satellite Images[J]．Acta Geodaetica et Cartographica Sinica,2014,43(7):746-752．(戴激光,宋偉東,李玉．漸進(jìn)式異源光學(xué)衛(wèi)星影像SIFT匹配方法[J]．測(cè)繪學(xué)報(bào),2014,43(7):746-752．)

10．13485/j．cnki．11-2089．2014．00

國(guó)家自然基金(41271374;41101452);遼寧工程技術(shù)大學(xué)校基金(SCDY2013016)

修回日期:2014-05-25