程 紅,仇榮超,孫文邦
?
遙感圖像目標(biāo)的定位算法
程 紅,仇榮超,孫文邦
(空軍航空大學(xué),吉林 長春 130022)
為了快速準(zhǔn)確地完成遙感圖像目標(biāo)的定位,提出了一種可靠的目標(biāo)定位算法:在基準(zhǔn)圖像確定和遙感圖像預(yù)處理之后,對圖像進(jìn)行小波分解,在低分辨率圖像中利用SIFT算法檢測斑點特征和小波高頻系數(shù)檢測角點特征,并采用SIFT描述子描述特征;特征匹配時加入方向約束,分別匹配兩種類型的點特征;對于特征匹配后得到的兩個圖像變換模型進(jìn)行相似性判斷,以此保證配準(zhǔn)結(jié)果的可靠性,若是結(jié)果可靠則解算出遙感圖像目標(biāo)在基準(zhǔn)圖像中的位置。實驗結(jié)果表明,本文的目標(biāo)定位算法擁有良好的實時性、可靠性和可行性。
目標(biāo)定位;小波分解;SIFT;方向約束;相似性判斷
遙感圖像作為戰(zhàn)場情報保障的重要來源[1],其信息直觀豐富,在戰(zhàn)場目標(biāo)的發(fā)現(xiàn)、定位、跟蹤以及監(jiān)視過程中發(fā)揮著巨大作用,及時準(zhǔn)確地獲取目標(biāo)的位置信息是作戰(zhàn)指揮員和攻擊武器實施目標(biāo)快速精確打擊的前提[2],因此,研究遙感圖像目標(biāo)的定位技術(shù)對于提高信息化戰(zhàn)爭中的目標(biāo)精確打擊能力具有非常重要的意義。
目前,遙感圖像目標(biāo)定位技術(shù)的一個主要研究方向是利用光電傳感器記錄的狀態(tài)參數(shù)和相應(yīng)的成像模型直接解算出目標(biāo)的位置信息[3],由于受傳感器定位、角度等多種測量誤差的影響,該類方法的定位誤差一般較大,難以滿足目標(biāo)精確打擊的要求。而另一個主要的研究方向則是基于圖像配準(zhǔn)的目標(biāo)定位方法,該類方法雖然能夠提供高精度的目標(biāo)位置信息,但是計算量大、實現(xiàn)困難、配準(zhǔn)結(jié)果的可靠性難以得到保證,對圖像配準(zhǔn)算法的性能要求比較高。當(dāng)前,SIFT算法[4]是公認(rèn)的性能非常出色的圖像配準(zhǔn)算法,其擁有良好的光照不變性、抗噪聲性以及部分仿射不變性等,場景適應(yīng)能力強(qiáng),在眾多領(lǐng)域得到了成功應(yīng)用。
本文結(jié)合小波變換理論[5]和SIFT算法[6],提出了一種可靠的、快速準(zhǔn)確的遙感圖像目標(biāo)的定位算法,并通過實驗驗證了本文算法的有效性。
結(jié)合光電傳感器記錄的多種參數(shù)和成像模型從基準(zhǔn)圖像庫中確定出遙感圖像大致對應(yīng)的基準(zhǔn)圖像(基準(zhǔn)圖像標(biāo)有精確的地理坐標(biāo)信息),再對遙感圖像作垂直變換處理(又稱平地處理),并以基準(zhǔn)圖像的空間分辨率為基礎(chǔ)對兩幅圖像進(jìn)行空間分辨率一致化處理,降低遙感圖像與基準(zhǔn)圖像之間的幾何差異;另外,通過直方圖規(guī)定化處理降低遙感圖像與基準(zhǔn)圖像之間的灰度差異,以預(yù)處理后的遙感圖像作為待配準(zhǔn)圖像來進(jìn)行后續(xù)的圖像配準(zhǔn)定位工作。
遙感圖像一般數(shù)據(jù)量比較大,通過小波分解基準(zhǔn)圖像(待配準(zhǔn)圖像)后在低分辨圖像上進(jìn)行配準(zhǔn)運算,可以大大降低特征搜索空間,保證算法的實時性。為了防止小波分解層數(shù)過多導(dǎo)致低分辨率圖像中特征信息不足,后續(xù)無法提取到足夠的特征完成圖像配準(zhǔn),本文規(guī)定小波分解層數(shù)如下:
=floor[log2(min(1,1,2,2)-7)] (1)
式中:floor表示向下取整;1,1(2,2)表示基準(zhǔn)圖像(待配準(zhǔn)圖像)的行列數(shù)。
對基準(zhǔn)圖像(待配準(zhǔn)圖像)進(jìn)行第層小波分解后可以得到1幅低頻圖像LL1(LL2)和3幅高頻圖像HL1、LH1、HH1(HL2、LH2、HH2)。
1.3.1 SIFT斑點特征檢測
由于低頻圖像LL1、LL2去除了大量的高頻噪聲,保留了圖像中主要的低頻能量信息,因而兩幅低頻圖像在整體上更加相似[7]。本文采用性能出色的SIFT算法在低頻圖像中檢測SIFT斑點特征,檢測到的斑點特征由于受高頻噪聲的影響降低,因此質(zhì)量更好。
1.3.2 角點特征檢測
為了充分利用小波分解后的高頻信息,本文提出了一種基于小波高頻系數(shù)的角點特征檢測方法:
1)借鑒Harris角點檢測算法[8],首先依據(jù)水平子帶HL和垂直子帶LH構(gòu)建一個二階自相關(guān)矩陣:
式中:(,)為高斯加權(quán)函數(shù),可以有效降低噪聲的影響。
2)計算所有點的角點響應(yīng)值,角點響應(yīng)函數(shù)定義如下:
式中:Det()=×-2,Tr()=+,eps取一個很小的數(shù)值,為的是避免Tr()為0的情況。
3)將所有點的角點響應(yīng)值由大到小排序,取排序靠前的一定比例的點作為候選角點。
4)將每個候選角點的角點響應(yīng)值與周圍8個方向上的相鄰點的響應(yīng)值進(jìn)行比較,若為局部極大值則將其作為最終檢測到的角點。
1.3.3 特征描述
考慮到基準(zhǔn)圖像和待配準(zhǔn)圖像之間的旋轉(zhuǎn)角度很小,因此無需計算特征的主方向,均假設(shè)為0°即可。采用SIFT特征描述子在低頻圖像LL1(LL2)中對斑點特征和角點特征進(jìn)行描述。SIFT特征描述子采用梯度統(tǒng)計方法構(gòu)造,擁有良好的光照不變性,魯棒性出色,能夠降低基準(zhǔn)圖像和待配準(zhǔn)圖像之間的灰度差異給特征匹配帶來的困難。
首先采用最近鄰特征匹配策略完成初始匹配,得到兩個匹配點對集與;然后利用方向一致性約束剔除明顯錯誤的匹配點對;最后采用RANSAC算法完成對匹配點對集與的提純。
雖然RANSAC算法容錯能力較好,但是由于基準(zhǔn)圖像和待配準(zhǔn)圖像之間的灰度差異通常較大,誤匹配較多,此時,RANSAC算法的性能可能會受到影響[9]??紤]到兩幅圖像之間的旋轉(zhuǎn)角度近似為0°,縮放比例近似為1,圖像中正確匹配點對的運動方向應(yīng)該趨于一致(近似平行關(guān)系),因此可以利用匹配點對之間的空間幾何關(guān)系在RANSAC算法提純之前先進(jìn)行一次正確匹配點對篩選。以初始匹配點對集為例,具體步驟如下:
1)計算所有匹配點對的運動方向:
式中:=1, 2, …, num,num為匹配點對集中的匹配點對數(shù)目;D=2()-1(),D=2()-1(),(1(),1())和(2(),2())表示匹配點對集中第對匹配點對的行列坐標(biāo)。1,2分別為低頻圖像LL1、LL2的列數(shù),則D+max(1,2)一定大于0,避免了式中分母為0的情況。
2)將所有匹配點對的運動方向移動到區(qū)間[0°, 180°]:
3)建立運動方向直方圖:
式中:ceil表示向上取整。以5°為一個區(qū)間,運動方向的直方圖共36個區(qū)間,當(dāng)Theta()落入某個區(qū)間時,該區(qū)間對應(yīng)的統(tǒng)計值加1。
4)保留運動方向直方圖峰值所在的區(qū)間和左右相鄰的區(qū)間內(nèi)對應(yīng)的匹配點對,至此完成了利用匹配點對的空間幾何關(guān)系剔除錯誤匹配點對的過程,得到新的匹配點對集與。
對于2個匹配點對集與,利用最小二乘法計算出2個投影變換矩陣1=[1,2,1;3,4,1;5,6, 1]、2=[1,2,2;3,4,2;5,6, 1]。為了保證配準(zhǔn)結(jié)果的可靠性,本文算法要求兩個變換模型中的位移分量(x,y),=1, 2必須相同或相似才能認(rèn)為配準(zhǔn)結(jié)果是正確的,利用下式衡量位移分量的相似性:
式中:為閾值,考慮到低分辨率圖像的尺寸,本文中取值5。當(dāng)2個變換模型的位移分量滿足式(7)時,判定配準(zhǔn)結(jié)果是可靠的,此時合并匹配點對集與,計算出新的投影變換矩陣;否則,判定為配準(zhǔn)結(jié)果無效,需要重新獲取遙感圖像并進(jìn)行目標(biāo)定位計算。
通過低分辨率圖像之間的變換矩陣計算基準(zhǔn)圖像和遙感圖像之間的變換矩陣0:
0=**-1(8)
式中:為小波分解的層數(shù),=[2, 0, 0; 0, 2, 0; 0, 0, 1]。
依據(jù)變換矩陣0解算出遙感圖像中的目標(biāo)在基準(zhǔn)圖像中的位置,完成目標(biāo)定位。
為了驗證本文算法的可行性,在內(nèi)存2.00GB、處理器2.00GHz的平臺上,在Matlab2014a的環(huán)境下進(jìn)行了仿真實驗并進(jìn)行了實驗結(jié)果對比分析。
遙感圖像為CCD航空圖像,基準(zhǔn)圖像來自于谷歌地球,空間分辨率為0.44m。圖1顯示的是遙感圖像、航空圖像以及預(yù)處理后的遙感圖像。
2.2.1 角點檢測算法中比例的確定
考慮到圖像中的角點基本分布在圖像的邊緣上,為此候選角點的數(shù)目不應(yīng)比圖像邊緣部分對應(yīng)的像素點數(shù)目多。本文采用sobel邊緣檢測算子檢測圖像邊緣并作圖像二值化處理,計算出邊緣像素個數(shù)占整幅圖像像素個數(shù)的比例,通過對大量遙感圖像的實驗統(tǒng)計,取所有的平均值作為,本文取0.03。
2.2.2 與其他算法的對比分析
參與實驗對比分析的有SWT+SIFT算法[10]、SWT+Harris算法、小波模極大值檢測特征點算法,實驗中均采用SIFT特征描述子,并且小波分解層數(shù)和特征匹配策略相同。
圖2顯示的各算法的匹配結(jié)果,目視觀察SWT+SIFT算法和本文角點檢測算法得到的正確匹配點數(shù)相對較多。從表1中可以看出本文的角點檢測算法雖然獲得的正確匹配點對數(shù)目上僅比SWT+SIFT算法少,但是在單個匹配點對的耗費時間上卻是最優(yōu)的。SWT+Harris算法雖然檢測到的角點質(zhì)量好,但角點檢測時間是本文角點檢測算法的2倍多,且角點數(shù)目少、算法中的參數(shù)不易設(shè)置;小波模極大值算法速度快,但是檢測到的點是邊緣點,數(shù)目多但穩(wěn)定性較差,最終得的匹配點對數(shù)目比本文角點檢測算法少;SWT+SIFT算法性能良好,但是計算復(fù)雜,速度較本文角點檢測算法慢許多。
圖1 實驗圖像
圖2 匹配結(jié)果
表1 實驗結(jié)果數(shù)據(jù)對照表
以本文角點特征的匹配為例,圖3(a)顯示的角點特征匹配點對集的運動方向直方圖,圖中可以明顯看出有3對匹配點對的運動方向偏離了主方向,認(rèn)為是3對錯誤匹配點對,對應(yīng)的是圖3(b)中的3條紅色線段,圖3(b)中的白色線段為方向約束后保留的匹配點對,可以看出本文的方向約束策略可以有效剔除明顯錯誤的匹配點對。
實驗中基于SIFT斑點特征匹配和基于角點特征匹配得到的圖像投影變換模型依次為:
計算得|y1-y2|=1.2637<e,|x1-x2|=2.4969<e,據(jù)此判斷出兩種特征得到的配準(zhǔn)結(jié)果是相似的,即配準(zhǔn)結(jié)果均是可靠的,本文保證算法配準(zhǔn)結(jié)果可靠性的策略有效避免了單一特征匹配可能導(dǎo)致錯誤配準(zhǔn)結(jié)果的問題。
本文算法合并了不同特征的匹配結(jié)果,可以提高特征分布的均勻性,改善配準(zhǔn)結(jié)果的精度[11]。
為了驗證本文算法的定位精度,假設(shè)原始遙感圖像中的某個建筑頂點為目標(biāo)點,其定位結(jié)果如圖4所示,左圖中紅色的點表示選定的目標(biāo)點在遙感圖像局部放大圖像中的位置,右圖中紅色的點表示本文算法計算出的目標(biāo)點在基準(zhǔn)圖像局部放大圖像中的位置,而藍(lán)色點表示目標(biāo)點在基準(zhǔn)圖像中對應(yīng)的真實位置。
由圖4的定位結(jié)果示意圖可以明顯看出本文算法的目標(biāo)定位結(jié)果準(zhǔn)確。本文算法確定的目標(biāo)點在基準(zhǔn)圖像中的坐標(biāo)為(393.07, 709.23),基準(zhǔn)圖像中真實目標(biāo)點的坐標(biāo)為(392, 708),計算兩者實際距離相差約為0.7174m,由此得出本文算法的目標(biāo)定位精度可以達(dá)到米級,但是尚不能實現(xiàn)亞像素精度的目標(biāo)定位。
圖4 定位結(jié)果示意圖
Fig.4 Positioningresults map
本文提出的遙感圖像目標(biāo)的定位算法,首先依據(jù)小波高頻系數(shù)檢測圖像中的角點特征和SIFT算法檢測圖像中的斑點特征,匹配時加入方向約束剔除誤匹配,另外還提出了一種保證配準(zhǔn)結(jié)果可靠性的策略。實驗結(jié)果表明,本文算法的匹配效率高,性能良好,實時性可以滿足實際需要,目標(biāo)定位精度可以達(dá)到米級,是一種可靠實時準(zhǔn)確的目標(biāo)定位方法。但是由于算法涉及小波下采樣處理,并未實現(xiàn)目標(biāo)點的亞像素定位精度,如何實現(xiàn)目標(biāo)的亞像素精度定位是下一步研究的方向。
[1] 趙濱. 基于機(jī)載光電測量系統(tǒng)的目標(biāo)定位精度研究[D]. 南京: 南京航空航天大學(xué), 2012.
Zhao Bin. Research on Positioning Technology of Target in Airborne Photo-electricity Measuring System[D]. Nanjing university of Aeronau- tics and Astronautics,.2012.
[2] 葉禮邦, 付海波. 美軍戰(zhàn)術(shù)目標(biāo)瞄準(zhǔn)網(wǎng)絡(luò)技術(shù)分析與啟示[J]. 飛航導(dǎo)彈, 2014, 8(8):30-45
Ye Libang, Fu Haibo. U.S. military tactics targeting network technology analysis and enlightenment[J]., 2014, 8(8):30-45.
[3] 郭博雷, 薛東彬. 基于單幀圖像的無人機(jī)目標(biāo)定位誤差分析[J].中國電子科學(xué)研究院學(xué)報, 2014, 9(4):344-347.
Guo Bolei, Xue Dongbin. Single-frame-image Based UAVs Target Locating Error Analysis[J]., 2014, 9(4): 344-347.
[4] 劉立, 詹茵茵, 羅揚, 等. 尺度不變特征變換算子綜述[J].中國圖象圖形學(xué)報, 2013, 18(8): 885-892
Liu Li, Zhan Yinyin, Luo Yang et al. Summarization of the scale invariant feature transform[J]., 2013, 18(8): 885-892
[5] 左毅, 陳勇, 游華. 一種基于小波變換的快速SIFT圖像拼接算法[J]. 重慶師范大學(xué)學(xué)報: 自然科學(xué)版, 2014, 31(3): 77-81.
Zuo Yi, Chen Yong You Hua. A Fast SIFT Image Mosic Algorithm Based on Wavelet Transformation[J].. 2014, 31(3): 77-81.
[6] Lowe D G. Distinctive image features from scales-invariant keypoints[J]., 2004, 60(2): 91-110.
[7] 劉佳嘉, 何小海, 陳為龍. 種結(jié)合小波變換的SIFT特征圖像匹配算法[J]. 計算機(jī)仿真, 2011, 28(1): 257-260.
Liu Jiajia, He Xiaohai, Chen Weilong. Image Matching Algorithm by Wavelet Transform Combined with SIFT Characteristics[J]., 2011, 28(1): 257-260.
[8] 張波, 王天召, 李科, 等. 一種改進(jìn)的Harris特征點匹配算法[J]. 計算機(jī)系統(tǒng)應(yīng)用, 2013(7):100-103.
Zhang Bo, Wang Tianzhao, Li Ke, et al. Improved Algorithm of Harris Feature Point Matching[J]., 2013(7): 100-103.
[9] 白廷柱, 侯喜報. 基于SIFT算子的圖像匹配算法研究[J]. 北京理工大學(xué)學(xué)報, 2013, 33(6): 622-627.
Bai Tingzhu, Hou Xibao. An Improved Image Matching Algorithm Based on SIFT[J]., 2013, 33(6): 622-627.
[10] 梁棟, 顏普, 朱明, 等. 一種基于NSCT和SIFT的遙感圖像配準(zhǔn)算法[J].儀器儀表學(xué)報, 2011, 32(5): 1083-1088.
Liang Dong, Yang Pu, Zhu Ming, et al. Remote sensing image registration algorithm based on SIFT and NSCT[J]., 2011, 32(5): 1083-1088.
[11] 孫彬, 嚴(yán)衛(wèi)東, 張彤等. 良分布的多特征遙感圖像自動配準(zhǔn)算法[J]. 光電工程, 2012, 39(8):38-45.
Sun Bin, Yan Weidong, Zhang Tong. Remote Sensing Image Automated Registration Algorithm Based on Multi-feature and Well-distribution[J]., 2012, 39(8):38-45.
Location Algorithm of the Target in Remote Sensing Image
CHENG Hong,QIU Rong-chao,SUN Wen-bang
(,130022,)
In order to locate the target in the remote sensing image fast and accurately, a credible target location algorithm is proposed: After the reference image determined and remote sensing image preprocessed, the wavelet decomposition of the two images was completed firstly. Then a SIFT algorithm was used to detect spots and wavelet coefficients of high-frequency energy to detect corner points. Further, two types of characteristics were described by SIFT feature descriptor and matched by adding direction constraints. When two transformation models were obtained, their similarity was judged in order to ensure the reliability of the registration result. If the result was reliable, then the target was located in the reference image. Finally, the experimental results show good real-time performance, reliability and feasibility of the algorithm.
target location,wavelet decomposition,SIFT,direction constraint,similarity judgment
TP391
A
1001-8891(2015)10-0831-05
2015-05-21;
2015-09-08.
程紅(1969-),女,博士,教授,碩士研究生導(dǎo)師,主要從事遙感圖像信息處理。E-mail:1024239651@qq.com.
全軍軍事類研究生資助課題項目,編號:2013JY514。