分辨率差異大的多源遙感圖像之間的配準應(yīng)用越來越廣，然而傳統(tǒng)的基于點特征的配準算法往往達不到實際應(yīng)用的高精度要求。針對高分辨率差距的全色圖像與高光譜圖像，提出一種基于典型面元特征的圖像配準算法。算法首先分別對全色圖像和高光譜圖像采用閾值比例數(shù)學(xué)形態(tài)學(xué)分割算法和基于混合像元分解的圖像分割算法提取典型面元特征。其次采用基于區(qū)域鏈碼多相似性測度和仿射不變距最小距離算法進行面元特征匹配，構(gòu)建面元關(guān)系矩陣和輪廓相似性矩陣提取最優(yōu)匹配面元對，最后以面元重心為特征點帶入仿射變換模型，通過最小二乘求解模型參數(shù)，完成全色圖像與高光譜圖像配準。實驗結(jié)果表明算法在分辨率極大的圖像配準應(yīng)用中的優(yōu)越性。

關(guān)鍵詞：圖像配準；圖像分割；面元特征；仿射不變距；高光譜圖像；多相似性測度

中圖分類號：TP79 文獻標識碼：A 文章編號：1009-3044（2016）14-0170-04

Automatic Registration Algorithm for Remote Sensing Images Based on Typical Regional Features

YU Ting

（Zhejiang University of Finance and Economics DongFang College，Department of Computer Science and Technology， Haining 314408，China）

（College of Electrical Engineering，Zhejiang University，Hangzhou 310027，China）

The registration of multi-source remote sensing images with largely different resolution is more and more common， however， the traditional point-feature based image registration algorithm can not meet the requirements of practical applications. In view of this situation， an image registration algorithm based on the characteristic of typical surface is proposed. Firstly， the panchromatic image features are extracted by Using the threshold percentage and mathematical morphology segmentation algorithm， and hyperspectral image extraction characteristics of typical surface element based on the decomposition of mixed pixels of image segmentation algorithm. Secondly， based on the principle of multi similarity measure and affine invariant distance criterion， the facial feature matching is carried out， and the surface element relation matrix and the contour similarity matrix are constructed. Finally， the surface element is used as the feature point， and then the model is solved by the least square solution. Experimental results show the superiority of the algorithm in the application of image registration with great resolution.

Key words： image registration； image segmentation； surface feature； affine invariant distance； hyperspectral image multi-similarity measure

多源遙感圖像配準是指將同一場景下不同波段、不同傳感器、不同拍攝視角獲得的兩幅或多幅遙感圖像進行匹配和疊加，通過最優(yōu)圖像空間變換方法實現(xiàn)待配準圖像與參考圖像坐標的統(tǒng)一，最大程度減少或消除圖像的幾何形變。近年來遙感技術(shù)迅猛發(fā)展，圖像配準技術(shù)得到廣泛的應(yīng)用，如遙感數(shù)據(jù)分析、圖像融合、圖像異常檢測、目標檢測等。由于不同應(yīng)用領(lǐng)域的差異性，對配準算法的精度、自動化程度、時間空間復(fù)雜度都提出了不同的要求，圖像配準技術(shù)日益成為幾年來研究的熱點。

常見的配準算法可以概括為三類，分別是基于灰度的算法、基于特征的算法和灰度特征綜合算法?；诨叶鹊膱D像配準算法[1]在配準前無需對圖像進行復(fù)雜的預(yù)處理，直接將圖像的灰度信息作為相似性測度來度量圖像之間的相似程度，易于實現(xiàn)卻對灰度特性過于依賴，通常不單獨使用 ?；谔卣鞯乃惴╗2]通過提取輸入圖像的幾何特征（主要是特征點、特征線、特征面三大類，其中特征點研究最多），在特征空間里提取控制結(jié)構(gòu)進行特征匹配，最優(yōu)化求解空間變換參數(shù)實現(xiàn)圖像配準。近年來，分辨率差異大的多源遙感圖像之間的配準應(yīng)用越來越廣，然而針對大分辨率差距的全色圖像與高光譜圖像之間的配準，傳統(tǒng)的基于點特征的配準算法往往達不到實際應(yīng)用的高精度要求。

針對分辨率差異較大的全色與高光譜遙感圖像[3]，提出一種高效的自動配準算法，如圖1，該算法首先對全色高光譜圖像進行圖像分割，提取典型區(qū)域特征；其次根據(jù)區(qū)域的幾何形狀特征，采用基于區(qū)域鏈碼和仿射不變距的匹配算法對典型區(qū)域進行預(yù)配準；最后，在預(yù)匹配的基礎(chǔ)上通過傳統(tǒng)的點特征實現(xiàn)圖像精配準。實驗結(jié)果表明此算法能夠有效的實現(xiàn)分辨率差異比較大的圖像之間的配準。

1 算法描述

1.1 典型面元特征提取

全色圖像與高光譜圖像數(shù)據(jù)特性的差異性要求采用不同的圖像分割方法來提取面元特征，前者通過直方圖閾值分割與數(shù)學(xué)形態(tài)學(xué)的圖像分割方法來實現(xiàn)面元的提??；后者通過基于混合像元分解[4]的高光譜圖像分割方法提取區(qū)域特征。

1.1.1全色圖像分割與特征提取

遙感圖像的灰度統(tǒng)一性表明圖像中的典型的明亮區(qū)域與圖像背景的灰度有明顯差異，這些典型區(qū)域易于分割。為此，首先采用直方圖比例閾值分割方法進行面元提取，有效的分割全色圖像。

假設(shè)待配準全色圖像為[L×C]，比例閾值[P0]，根據(jù)最大互信息理論[3]統(tǒng)計圖像的灰度直方圖[Fii=0，1，...，255]，[Fi]是指灰度值是[i]的像素的個數(shù)；根據(jù)[P0]得到灰度閾值[k0]，如式1：

[k0≤i<256FiL×C≥P0>k0

根據(jù)圖像灰度閾值選擇面元特征，在此基礎(chǔ)上對全色圖像進行二值化處理，如式2：

[I（x，y）=1ifI（x，y）≥k00else] （2）

由于處理過程中會產(chǎn)生雜點噪聲，二值化后的圖像亮區(qū)通常會有大量孤立的細碎面元和空洞現(xiàn)象，為此采用數(shù)學(xué)形態(tài)學(xué)[3]的開閉運算對圖像進行腐蝕和膨脹，消除噪聲和空洞，提取閉合連通區(qū)域。腐蝕和膨脹作為數(shù)學(xué)形態(tài)學(xué)的基本運算，前者有收縮圖像的功能，能夠刪除圖像中微小無意義的碎片；后者能夠擴大圖像，擴張面元邊界，有效填補面元空洞。由此獲得的是一系列的閉合面元。最后，為了方便特征匹配，需要選取大小合適的面元作為典型區(qū)域（去掉過小與過大的面元）。獲得合適的面元后帶入特征匹配機制進行配準。

1.1.2高光譜圖像分類與特征提取

在充分分析高光譜圖像數(shù)據(jù)特征的基礎(chǔ)上，通過混合像元分解算法對圖像進行分割，如圖2。以高光譜圖像的已知特定端元信息為依據(jù)對圖像進行分類，以類為單位對圖像進行典型區(qū)域的提取，最后合并所有類的面元特征作為高光譜圖像最終的匹配區(qū)域。

基于混合像元分解的高光譜圖像分割算法首先采用HFC[5]算法確定光譜端元個數(shù)，首先計算圖像數(shù)據(jù)的相關(guān)矩陣和協(xié)方差矩陣，然后分別求解相應(yīng)矩陣的特征值，按照二元假設(shè)理論逐步推導(dǎo)求解比較確定其端元個數(shù)。

線性光譜混合模型表示如式3：

[r=MS] （3）

線性光譜模型中的[r]表示高光譜圖像的已知像元光譜，[M]表示端元，端元通?？梢酝ㄟ^實測的方法或者通過查光譜庫獲得，本文通過手動方法提取端元。[S]表示豐度值，指的是每個端元M在混合像元譜中所占據(jù)的比例，它是線性光譜解混過程所要求解的未知量，通常由最小二乘分解算法來求得。根據(jù)豐度值S對高光譜圖像進行分類，提取典型區(qū)域特征。

1.2典型面元特征匹配

對于全色圖像與高光譜圖像分割得到的典型面元，首先采用基于區(qū)域鏈碼的多相似性測度算法對面元進行粗匹配，通過面元的周長、面積、長短比值作為約束構(gòu)建關(guān)系矩陣。區(qū)域關(guān)系矩陣采用二進制編碼，滿足約束條件則表示為1。其次，通過仿射不變距最小距離算法對符合約束條件的典型面元進行精匹配，構(gòu)建面元輪廓相似性矩陣。通過輪廓相似性矩陣可以獲得最佳匹配面元。

1.2.1 基于區(qū)域鏈碼的多相似性測度粗匹配

對于待匹配面元，首先需要提取出面元輪廓特征，然后采用一系列的描述子描述他們，建立相應(yīng)的相似性測度。針對全色圖像和高光譜圖像分割后的面元特征，選擇面元周長、面元面積和面元輪廓彎曲程度的多相似性測度為準則進行特征匹配。（標記區(qū)域像素點個數(shù)）、輪廓周長（區(qū)域鏈碼長度）和中心距邊界最大最小距離比（衡量區(qū)域邊界的彎曲程度）。其中，面積[S]通過計算面元像素點個數(shù)可以獲得，輪廓彎曲程度用面元中心距邊界最長最短距離比例來表示，而面元周長[P]的求解則需先計算區(qū)域鏈碼[6]，用鏈碼來表示輪廓，將邊界跟蹤方向東、東北、西北、西、西南、南、東南八個方向來表示，每一個方向分別用數(shù)字 0、1、2、3、4、5、6、7 表示。周長P和區(qū)域鏈碼長度[N]之間的換算關(guān)系可以表示為式4。

[P=N×1.11072] （4）

如全色圖像通過特征提取得到[m]個典型面元，面元的面積，面元周長，輪廓彎曲程度分別表示為[RSi]、[RPi]和[Rdri][（i=1，...，m）]。高光譜圖像提取出[n]個面元，面元面積，面元周長，輪廓彎曲程度表示為[ISi]、[IPi]和[Idri（i=1，...，n）]。全色圖像和高光譜圖像的分辨率比例為[kratio]。如果這兩幅輸入圖像的面元特征要完全匹配，理論上來說面元面積比、面元周長比應(yīng)該嚴格與圖像分辨率比例相等，同時面元的彎曲程度應(yīng)當一致。實際配準過程中存在一定的噪聲干擾，因此定義匹配準則如式 匹配的面元的面積、周長、彎曲程度應(yīng)滿足下列相似性。

[ε1≤RSiISi×kratio≤ε2] （5）

[ε3≤RPiIPi×kratio≤ε4] （6）

[ε5≤RdriIdri≤ε6] （7）

上式中，[ε1]、[ε2]、[ε3]、[ε4]、[ε5]、[ε6]的約束條件為[0≤ε1]、[ε3]、[ε5≤1]，[1≤ε2]、[ε4]、[ε6≤2]。根據(jù)上述匹配準則構(gòu)建面元關(guān)系矩陣[SPDij（m，n）]，[SPDij]為1表示相應(yīng)的面元滿足約束條件。

1.2.2 基于仿射不變距最小距離精匹配

基于區(qū)域鏈碼多相似測度建立的面元關(guān)系矩陣能夠?qū)γ嬖M行粗匹配，然而匹配精度并不高，因此引入仿射不變距[7]，構(gòu)建面元不變距矩陣，對待匹配面元進行精細匹配。在面元關(guān)系矩陣[SPDij（m，n）]的基礎(chǔ)上，對面元特征的相似性進行度量，獲得最終匹配面元。取七個不變距的前三個不變距作為依據(jù)，定義如式 。

[?1=η20+η02] （8）

[?2=η20-η022+4η112] （9）

[?3=η30-3η122+3η21-η032] （10）

[ηpq=μpqμ00γ，p=0，1，2，3，q=0，1，2，3，p+q≤3] （11）

[dij=k=13?iR（k）-?jI（k）2] （12）

上式中[μpq]為[p+q]階中心距，[γ=（p+q）/2+1]，[?iR（k）]是指輸入圖像的第[i]個面元[k]階仿射矩，[?jI（k）]是指待配準圖像的第[j]個面元[k]階仿射矩，仿射不變距距離[dij]越小面元特征越相似。

2 實驗仿真與分析

本次實驗選取的待配準圖像是大小為[326×352]的某一高光譜圖像的第65個波段的圖像，選取的參考圖像則是[2592×2800]的全色圖像。

首先采用直方圖比例閾值分割方法進行面元提取，采用數(shù)學(xué)形態(tài)學(xué)的開閉運算對圖像進行腐蝕和膨脹，消除噪聲和空洞，提取閉合連通區(qū)域。最后，為了方便特征匹配，去掉過小與過大的面元，選取合適的面元從而完成特征的提取。全色圖像分割圖如圖3所示。

對高光譜圖像，采用基于混合像元分解方法對圖像進行分割，手動提取到三種植被、房屋、平原、山地六種端元，以這六種端元信息為依據(jù)對高光譜圖像進行分類， 如圖4。以類為單位對圖像進行典型區(qū)域的提取，對提取出的區(qū)域進行數(shù)學(xué)形態(tài)學(xué)腐蝕和膨脹，去除噪聲和空洞，標記圖像如圖5，最后綜合六類的面元提取結(jié)果作為高光譜圖像最終的區(qū)域特征，如圖6所示。

對于全色圖像與高光譜圖像分割得到的典型面元，首先采用基于區(qū)域鏈碼的多相似性測度算法對面元進行粗匹配，利用面元的周長、面積、長短比值作為約束構(gòu)建關(guān)系矩陣。其次，通過仿射不變距最小距離算法對符合約束條件的典型面元進行精匹配，構(gòu)建面元輪廓相似性矩陣，獲得最佳匹配面元對，如圖7。最后計算各個面元的重心（圖7中用圓圈標記），以區(qū)域重心為特征點帶入仿射變換模型，利用最小二乘法[8]求解模型并通過插值重采樣完成配準。

3 配準評價

配準算法優(yōu)劣與否需要通過評價標準來衡量，常用的評價標準有基于鑲嵌圖[9]的主觀評價標準和基于均方根誤差[4]的客觀評價標準。本文采用筆者《基于特征的遙感圖像配準技術(shù)研究》[3]中提出的基于聯(lián)合熵的新型評價標準對算法進，引入聯(lián)合直方圖，較均方根誤差在視覺上更直觀，較鑲嵌圖，直方圖統(tǒng)計灰度特性在數(shù)據(jù)上更具有客觀性。配準結(jié)果圖和評價結(jié)果圖如圖8、9所示。由直方圖可見本算法的配準精度低于1個像素的誤差，表明算法在分辨率大差異的圖像配準應(yīng)用中的有效性。

4 結(jié)論

本文提出的針對分辨率差異較大的全色與高光譜遙感圖像的配準算法是基于典型面元特征的由預(yù)匹配到精匹配的自動配準算法。整個算法分為大步驟，圖像分割和區(qū)域匹配。首先分別對全色圖像和高光譜圖像采用閾值比例數(shù)學(xué)形態(tài)學(xué)分割算法和基于混合像元分解的圖像分割算法提取典型面元特征。其次特征匹配采用基于區(qū)域鏈碼多相似性測度準則和仿射不變距最小距離算法，構(gòu)建面元關(guān)系矩陣和輪廓相似性矩陣，由粗到精最終獲得最優(yōu)匹配面元對。最后，計算各個面元的重心，以區(qū)域重心為特征點帶入仿射變換模型，求解模型并通過插值重采樣完成配準。

通過對全色與高光譜圖像實驗仿真證明了本文算法的有效性，與傳統(tǒng)的基于點特征自動配準算法相比，本算法在分辨率差異極大的圖像配準的應(yīng)用更具優(yōu)勢，配準精度更高；其次，本算法同樣能應(yīng)用于普通圖像之間的配準。綜上所述，本文基于典型面元特征的全色高光譜圖像自動配準算法具有優(yōu)越性。

參考文獻：

[1] Broehan A M. Multimodal Registration Procedure for the Initial Spatial Alignment of a Retinal Video Sequence to a Retinal Composite Image[J].

[2] IEEE Transactions on Biomedical Engineering，2010，57（8）：1991.

[3] Tzimropoulos， Georgios. Robust FFT-Based Scale-Invariant Image Registration with Image Gradients[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（10）：1899.

[4] 余婷.基于特征的遙感圖像配準技術(shù)研究[D].浙江大學(xué)，2013.

[5] 呂金建.基于特征的多源遙感圖像配準技術(shù)研究[D].國防科學(xué)技術(shù)大學(xué)，2008.

[6] 伍小明.基于核方法的高光譜遙感圖像解混技術(shù)研究[D].浙江大學(xué)，2011.

[7] Hui Li.A Contour-Based A pproach to Multisensor Image Registration[J]. IEEE Transations on Image Processing，1995，3（4）：1809-1813.

[8] Xiaolong Dai.A Feature-Based Image Registration Algorithm Using Improved Chain-code Representation Combined with Invariant Moments[J]. IEEE Transations on Geoscience and Remote Sensing，1999.

[9] 余婷，厲小潤. 基于SIFT的全自動遙感圖像配準算法[J].機電工程，2012，30（1）：111-115.

[10] 溫紅艷.遙感圖像拼接算法研究[D].華中科技大學(xué)，2009.