郭俊喜

(神華地質勘查有限責任公司，北京 100011)

多源高分辨率遙感影像自動匹配算法

郭俊喜

(神華地質勘查有限責任公司，北京 100011)

提出一種基于同名直線約束的多源高分辨率遙感影像自動匹配方法。對影像建立高斯濾波模型去噪，然后進行邊緣檢測，在邊緣影像上進行Hough變換，通過端點檢測的方法來獲取直線；通過粗匹配參數(shù)進行同名直線粗匹配，應用梯度模型對同名直線進行精匹配；對影像提取特征點，特征點經過同名直線約束后，在對應影像上利用同名直線約束建立匹配范圍。采用最小歐式距離準則在給定范圍內提取初始同名點；利用RANSAC算法剔除錯誤同名點對，以獲取最終的匹配結果。實驗結果表明，與傳統(tǒng)的SIFT匹配算法比較，方法具有可靠性好、提取同名點數(shù)量多的優(yōu)點。

多源；遙感影像; 匹配；約束

隨著遙感技術的快速發(fā)展，利用高分辨率立體像對建立高精度地面三維模型成為可能，并在一些領域中發(fā)揮作用[1-4]。但在實際應用過程中，由于衛(wèi)星拍攝影像視角不同，無法完全通過一種傳感器的遙感數(shù)據獲取地面足夠的信息。因此很多學者采用不同遙感衛(wèi)星獲取數(shù)據，對地面進行全面刻畫觀測[5]。因而需要將不同衛(wèi)星傳感器獲取的遙感影像進行綜合處理，得到更加豐富完整的信息。但是，由于不同傳感器影像的成像機理和成像條件不同，影像綜合處理必須在精確匹配的前提下進行，換言之，影像匹配是影像綜合處理的前提條件。

近年來，多源高分辨率遙感影像的匹配研究已取得較大的進展[6-8]。但從當前的研究熱點來看，大部分多源影像的研究著眼于較低分辨率影像間匹配，而面向多源高分辨率遙感影像間的匹配問題研究較少。有關研究也表明，基于特征點利用影像紋理信息進行匹配的方法不適用于多源高分辨率衛(wèi)星遙感影像[9]。在此基礎之上，本文通過分析多源高分辨率遙感影像的特點，提出一種基于同名直線約束的特征點匹配方法。

1 匹配原理

圖1為匹配方法的主要流程圖。首先對影像進行邊緣提取，通過Hough變換獲取影像特征直線，然后計算同名直線。其次提取特征點，采用同名直線對特征點進行約束，利用該同名直線確定特征點匹配范圍。在該范圍內，通過計算特征點間歐氏距離的方法進行同名點的尋找，最后采用RANSAC算法剔除誤匹配點，實現(xiàn)多源高分辨率遙感影像的自動匹配。

圖1 匹配方法流程

1.1 直線特征提取

線特征是影像灰度的一種集合特征，對影像間的灰度差異不太敏感。尤其是在灰度差異較大的多源影像上，線特征不僅便于提取(例如河道、農田、溝渠、房屋建筑物的四邊均可視為直線)，而且線特征相對于點特征更加穩(wěn)定，受到單像素變化影響不大，有利于陰影大小、方向變化問題的解決。

采用Canny算子提取影像邊緣，通過八鄰域的方法剔除孤立點。在Canny算子的高低閾值設定過程中，采用對梯度進行模糊分類的自適應方法來確定高低閾值[10]。

基于上述提取的影像邊緣點，利用傳統(tǒng)的Hough 變換方法進行直線的擬合，其基本思想是利用點-線在不同空間形成的對偶性。但在用于檢測直線時，Hough 變換計算量很大并且需要很大存儲空間[11]。因此本文采用一種分塊處理的方法，即將影像分割成一定大小的影像塊，然后對每塊影像進行Hough處理。通過這種分割算法，降低計算上的運算量，加快提取直線段的時間。但這種方式易使得處于不同影像塊之間或包含在兩塊影像內的直線段無法提取，并且相鄰影像塊之間共線直線段容易出現(xiàn)斷裂或者重疊問題。對于這些問題的處理方法是：首先對漏檢問題，在進行影像分塊時確保相鄰影像塊的重疊度，防止漏檢情況的出現(xiàn)；其次對于影像塊間直線容易斷裂、重疊問題，可進行直線連接。直線連接需要以下3個條件：①兩條直線的斜率一致，確保直線段平行；②在平行的基礎上，直線段之間垂直距離低于某一設定閾值，確保直線段共線；③兩條線段端點間最小距離應低于某一設定閾值，以此來保證是由于影像分塊提取直線導致的直線斷裂、重疊。通過滿足以上3個條件最終確保兩條直線可以進行連接，形成一條新的長直線段，同時剔除原有的兩條直線段。

1.2 同名直線提取

蘇娟等提出了新的基于直線匹配的多傳感器圖像配準方法[12],通過統(tǒng)計影像信息建立粗轉換模型配準模型，在此基礎上構建直線匹配模型獲取同名直線，其思路主要從直線的幾何特征進行考慮。但筆者經過多次實驗后發(fā)現(xiàn)，由于蘇娟等提出的算法中存在粗轉換模型誤差，這使得其無法解決在粗差范圍內相近平行的直線匹配問題。圖2中，直線AB、A′B′在影像上均為一條參考直線對應兩條候選待匹配同名直線，由于均在粗差范圍內，并且斜率保持一致，使得在這種情況下參考直線無法準確捕捉到真實的同名直線。通過圖2可以觀察到，兩條直線雖然平行，但存在灰度支持區(qū)域不同、梯度方向不同等差異。通過多次實驗對比分析發(fā)現(xiàn)，在相同分辨率的影像上可以進行支持區(qū)域的構建，但對于尺度不同的影像由于需要尺度調整，一部分影像信息出現(xiàn)損失，無法適用于非相同分辨率的影像。因此從直線匹配的通用性上考慮，筆者在蘇娟等方法的基礎上，利用直線梯度的方向對比來解決上述問題。

圖2 直線誤差示意圖

要想獲得好的直線梯度方向提取結果，就必須要求在檢測階段能濾除部分噪聲。因此，本文采用垂直Sobel算子來進行直線梯度的提取。由于所提取直線段在不同影像上長度不均一性，因此必須考慮構建與直線長度無關的直線梯度描述子。筆者通過逐點求取的方式獲取直線中所有點的梯度方向，對所有點梯度方向求取平均值α，以此來降低直線段長度變化對梯度方向的影響，采用式(1)來求取目標同名直線。

F(x)=|a′-a|-γ.

(1)

其中：F(x)為目標函數(shù)，其取值應小于預先設定的閾值η；a為待匹配直線梯度方向；a′為參考直線梯度方向；γ為粗配準模型中的旋轉角度，可通過文獻[12]方法求取。

1.3 影像的匹配策略

本文提出一種針對多源影像的匹配策略。首先利用SIFT算子提取影像特征點并進行特征描述，然后判斷待匹配特征點是否在同名直線范圍內，對在范圍內的特征點計算基準影像上的同名直線，通過該直線確定匹配范圍，在該范圍內對特征點進行搜索從而實現(xiàn)同名點的提取。圖3(a)中圓點為待匹配影像上SIFT算法提取的特征點，可以看到其在黑色直線(同名直線)上。圖3(b)中黑色直線為對應基準影像上同名直線。

(a) 待匹配特征點在同名線上

(b)確定搜索范圍內特征點集

對同名直線兩側建立同名點搜索范圍，即以同名直線為中心，處于范圍內的特征點構建針對待匹配影像特征點的特征點集，從而使得圖3(a)中圓點對應于參考影像上的特征點集。如圖3(b)所示，同名直線范圍內的點(圓點)均可被劃分為與圖3(a)中特征點對應的候選同名特征點集，通過對比計算最小歐氏距離的方法得到同名點。

為了提高多源影像匹配的精確度，采用一種隨機抽樣一致性算法 (RANdom SAmple Consensus,RANSAC)進行誤匹配點去除。

2 實驗結果與分析

2.1 實驗數(shù)據

圖4為兩組用于多源影像匹配實驗的遙感影像像對，圖4(a)為WorldView-IKONOS像對(a1)，拍攝影像區(qū)域為大連市某一山區(qū)，影像的獲取時間為2009年，IKONOS影像的獲取時間為2006年，兩幅影像之間的獲取時間間隔為3年。圖4 (b)為GeoEye- IKONOS像對(a2)，影像覆蓋區(qū)域為澳大利亞 Hobart 地區(qū)，GeoEye影像的獲取時間為2009年，IKONOS影像的獲取時間為2003年，像對影像間獲取時間間隔為6年。匹配實驗中，a1像對以WorldView影像作為參考影像，a2像對以GeoEye影像為參考影像，a1，a2像對中的IKONOS影像均為待匹配影像。其中，WorldView影像和GeoEye影像的空間分辨率是0.5 m，IKONOS影像空間分辨率為1 m。為利于影像分析，選取的WorldView 影像和GeoEye影像大小均為 1024像素×1024像素，IKONOS影像均為 512像素×512像素。

2.2 實驗結果與分析

考慮到多源高分辨率遙感影像間存在較大的空間分辨率差異，因此本文考慮采用SIFT算法進行特征點提取及描述。實驗結果表明：利用SIFT算子對像對中的影像進行特征點提取，在所有影像上均可得到數(shù)量較大的特征點，保證同名點提取上的數(shù)量性；對兩對影像，絕大部分待匹配影像特征點可利用影像中的同名直線來約束，即大部分特征點可利用同名直線來約束匹配。

SIFT算法在多源影像間存在旋轉、尺度、光照差異時表現(xiàn)相對穩(wěn)定。因此在對所提出方法進行分析評價時，以SIFT匹配方法為評價依據。為了提高影像匹配的效率和精度，采用一種瓦片分塊提高匹配效率，利用RANSAC算法剔除匹配中的錯誤點對。表1為本文方法和SIFT算法的影像匹配比較結果。其中，“匹配點”表示影像匹配初始結果,“正確點”表示采用RANSAC算法剔除粗差后剩余的正確匹配點，同時x，y方向像元精度計算依據均以像對中參考影像像元為基準。

圖4 實驗影像

表1 匹配方法比較

表1實驗結果表明，利用SIFT算法進行多源高分辨率遙感影像匹配時，其算法平均正確匹配得到20對匹配點,像對間旋轉超過90°的a1組僅能夠獲取到17對同名點，旋轉變形較小的a2組取得25對同名點，說明該算法的同名點匹配率較低；而在本文的方法中，通過建立直線約束模型，限定了搜索同名點的范圍，從而有效地提高了匹配點的成功率。實驗中對兩種像對平均獲取正確匹配點80對，其中a1組中獲取同名點67對，a2組中匹配同名點94對。

從影像匹配精度上來看，SIFT方法和本文方法匹配中誤差均在1～2像素之間，這說明本文算法和SIFT方法精度處于同一個數(shù)量級，表明本文算法在充分保證影像匹配精度的情況下，同時能夠提高同名點的數(shù)量。由于在兩對像對中多源影像間存在較為劇烈的幾何變形，其中尤以a1組影像像對最具有代表性，并且在影像匹配精度評定分析上是通過0.5 m高分辨率影像作為參考，因此，1～2像素表明地面誤差在0.5～1 m之間，說明本文算法從精度上能夠保證生產的需求。

對比本文算法與SIFT的匹配效率可以看到，SIFT算法和本文算法之間運算時間比值為5∶8，而獲取同名點的數(shù)量比值為1∶2.4，表明本文算法具有更高的匹配效率。

如圖5、圖6所示，通過對影像的局部區(qū)域分析表明，本文方法所取得的同名點分布更加均勻。其中，a1組影像像對中SIFT方法僅能夠獲取1個匹配點，而利用本文方法在影像中可以得到8個同名點；a2組的匹配點對比則是3對和28對，這充分說明本文所選用方法提取匹配點分布上的合理性。

圖5 第一組影像匹配點局部放大圖

圖6 第二組影像匹配點局部放大圖

3 結束語

針對多源高分辨率遙感影像存在匹配率低、可靠性差等問題，本文選取具有代表性的兩組多源高分辨率遙感影像像對作為研究對象，提出一種通過同名直線建立特征點搜索范圍的方法，減少同名點搜索范圍并最終實現(xiàn)多源高分辨率遙感影像的自動匹配。通過本算法與傳統(tǒng)的SIFT匹配算法比較，證明方法具有可靠性好，提取同名點數(shù)量高的優(yōu)點。

[1]E BALTSAVIAS, M PATERAKI, ZHANG L.Radiometric and geometric evaluation of IKONOS geo-images and their use for 3D building modeling[J]. Joint ISPRS Workshop on High Resolution Mapping from Space, Hannover, 2001:1-21.

[2]ZHANG L, GRUEN A. Multi-image Matching for DSM Generation from IKONOS Imagery[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2006,60:195-211.

[3]王赫, 徐克紅, 王永富. 廣義立體像對匹配方法研究[J]. 測繪工程, 2011, 20(4): 26-30.

[4]范興旺, 翁永玲, 胡伍生, 等. IRS-P5 立體像對提取 DEM 及精度評價[J]．遙感技術與應用, 2010, 25(4) :547-551.

[5]王瑞瑞,馬建文,陳雪.多源高分辨率遙感影像自動配準技術的研究進展[J]. 遙感信息，2011(3):121-127.

[6]袁修孝, 劉欣.基于有理函數(shù)模型的高分辨率衛(wèi)星遙感影像匹配[J]. 武漢大學學報：信息科學版，2009, 34(6): 671-674.

[7] 季順平,袁修孝. 基于RFM的高分辨率衛(wèi)星遙感影像自動匹配研究[J]. 測繪學報, 2010, 39(6): 592-598.

[8] 李芳芳,賈永紅,肖本林，等.利用線特征和 SIFT 點特征進行多源高分辨率遙感影像配準[J]. 武漢大學學報:信息科學版，2010,35(2):233-236.

[9] 戴激光,宋偉東,賈永紅,等.一種新的異源高分辨率光學衛(wèi)星遙感影像自動匹配算法[J]. 測繪學報, 2013, 42(1):80-86.

[10]李牧, 閆繼紅,李戈, 等.自適應Canny算子邊緣檢測技術[J]. 哈爾濱工程大學學報,2007，28(9):1002-1007.

[11]高雋, 張維勇, 韓江洪. 基于神經網絡的Hough 變換及其光電實現(xiàn)[J]. 電子學報, 1999，27(2): 37-39.

[12]蘇娟, 林行剛, 劉代志. 一種基于結構特征邊緣的多傳感器圖像配準方法[J]. 自動化學報, 2009 , 35 (3) :251-257.

[責任編輯：張德福]

Automatically matching method for multi-source high resolution remote sensing images

GUO Jun-xi

(Shenhua Geological Exploration Co.,Ltd, Beijing 100011,China)

It presents a matching method for multi-source high resolution remote sensing images based on corresponding lines. Firstly, Gaussian model is employed for image filtering, then line extracting is performed by Hough transform and Endpoint detection algorithm from the edge of the image; secondly, a coarse-to-fine line matching strategy is proposed based on coarse transformed parameters and gradient model; thirdly, feature points are extracted and restricted by corresponding lines, and the constraint model is built by corresponding lines; fourthly, the minimum Euclidean distance criterion is used to extract the initial homonymy points within the window constraint; at last, RANSAC is imbedded to eliminate mismatching points. Experimental results verify that the presented method has higher matching point than that resulted from SIFT matching method with the better reliability.

Multi-source; high resolution remote sensing images; matching; Constraint

2013-10-28

遼寧省教育廳創(chuàng)新團隊資助項目(2009T043)

郭俊喜(1963-)，男，高級工程師.

P237

：A

：1006-7949(2014)07-0017-05