基于有向线段的遥感图像配准方法及系统与流程

本发明涉及图像处理
技术领域：
，特别涉及一种基于有向线段的遥感图像配准方法及系统。
背景技术：
：图像配准是遥感图像处理、目标识别、图像重建、机器人视觉等领域中的关键技术之一，是图像拼接技术的基础。目前遥感图像配准主要分为两类：基于区域灰度的配准方法和基于特征的配准方法。其中，基于区域灰度的常用图像配准方法有：互相关法、基于FFT的相位相关法和互信息法等。一般采取的技术手段为：基于图像特征的方法首先从图像中提取边缘、角点、轮廓和区域中心等特征，然后对特征点进行描述并找到他们之间对应的关系。现有技术中，通常采用BRISK算法(BinaryRobustInvariantScalableKeypoints)在局部图像邻域内随机选取点对，用点对的灰度关系建立特征描述子。但传统的BRISK算法虽然具有速度优势，但其鲁棒性差、误匹配率较高，往往不能满足图像配准的精度要求。技术实现要素：本发明旨在克服现有BRISK算法误匹配率较高的技术缺陷，提供一种基于有向线段的遥感图像配准方法，包括以下步骤：S1、输入参考图像I及待配准图像I’；S2、利用BRISK算法对所述参考图像I及所述待配准图像I’进行粗匹配，并获取粗匹配点对，形成两组匹配点集V＝{a1,a2…,an}和V'＝{b1,b2…,bn}；S3、根据所述两组匹配点集分别在参考图像I及待配准图像I’中构造有向线段集，并利用所述有向线段集匹配得到精匹配点对；S4、利用得到的所述精匹配点对，求解配准参数；利用所述配准参数对待配准图像进行几何变换，得到配准结果。一些实施例中，所述步骤S2包括以下步骤：S21、分别在所述参考图像I及所述待配准图像I’提取特征点；S22、为所提取的特征点建立BRISK特征描述符；S23、通过汉明距离度量匹配程度，得到粗匹配点对。一些实施例中，所述步骤S3包括以下步骤：S31、根据参考图像I及待配准图像I'的特征点，分别构造两组定向图形G＝(V,E)和G'＝(V',E')；S32、从所述两组定向图形G和G'中分别构造m条有向线段，并计算每条有向线段的特征差异矩阵；S33、使用F-范数准则作为邻近线段匹配的方法进行有向线段匹配，获得匹配的有向线段；S34、对于所述匹配的有向线段，根据概率统计模型获得精确匹配点对。一些实施例中，所述步骤S31中，对于G＝(V,E)和G'＝(V',E')，定义V＝{a1,a2…,an}和V'＝{b1,b2…,bn}分别是参考图像I与待配准图像I'匹配的特征点，E和E'是定向图形G和G'的端点，这里E＝{(ai,aj),i<j}，E'＝{(bi,bj),i<j}，其中，j≤n。一些实施例中，所述步骤S32包括以下步骤：在所述参考图像I和所述待配准图像I'中各构造m条有向线段，分别表示为L＝[l1,l2,…lm]和L'＝[l'1,l'2,…l'm]；计算每条有向线段的特征描述，记有向线段li的特征描述为Si，有向线段l'i的特征描述为S'i，其中i≤m。一些实施例中，采用以下方式构造有向线段，对于有向线段eij，线段起点ai，终点aj，取三个采样点(p1,p2,p3)，计算公式如下：p1＝ai；p2＝(ai+aj)/2；p3＝aj；提取所述三个采样点的BRISK特征差异矩阵S＝(s1,s2,s3)，作为有向线段的特征差异矩阵，S中的每一列为BRISK描述子。一些实施例中，所述步骤S33包括以下步骤：S331，计算所述有向线段特征差异矩阵所述F-范数：d(li,l'i)＝||Si-S'i||F，得到d为m维向量；S332，对d进行归一化，当d小于给定的阀值TF时，l'即为l的邻近匹配线段，两条邻近匹配的有向线段的起点和终点分别是两对匹配点。一些实施例中，所述步骤S34通过遍历所述邻近匹配线段，统计每对匹配点对。此外，本发明还提出了一种基于有向线段的遥感图像配准系统，包括以下模块：输入模块，用于输入参考图像I及待配准图像I’；粗匹配模块，用于利用BRISK算法对所述参考图像I及所述待配准图像I’进行粗匹配，并获取粗匹配点对，形成两组匹配点集；精匹配模块，用于根据所述两组匹配点集分别在参考图像I及待配准图像I’中构造有向线段集，并利用所述有向线段集匹配得到精匹配点对；输出模块，用于利用得到的所述精匹配点对，求解配准参数，并利用所述配准参数对待配准图像进行几何变换，输出配准结果。一些实施例中，所述精匹配模块还包括以下模块：定向图形构造模块，用于根据参考图像I及待配准图像I'的特征点，分别构造两组定向图形G＝(V,E)和G'＝(V',E')；有向线段构造模块，用于从所述两组定向图形G和G'中分别构造m条有向线段，并计算每条有向线段的特征差异矩阵；有向线段匹配模块，用于使用F-范数准则作为邻近线段匹配的方法进行有向线段匹配，获得匹配的有向线段；精准匹配点对获取模块，用于根据概率统计模型，获得精确匹配点对。本发明的有益效果在于：本发明基于有向线段进行图像匹配，构造有向线段特征时，充分考虑图像的纹理信息，达到了使得获得的匹配点对更精确，误匹配率大大降低的有益效果。更加地，由于采用BRISK特征作为有向线段的描述，明显缩短了运行时间，具有速度优势。附图说明图1示出了本发明基于有向线段的遥感图像配准方法的流程图；图2示出了本发明基于有向线段的遥感图像配准方法一个具体实施例的流程图；图3示出了本发明特征点检测方法；图4示出了本发明BRISK特征描述子60点采样模型；图5为本发明基于有向线段的遥感图像配准方法构造有向线段的一个具体实施例示意图；图6为根据本发明基于有向线段的遥感图像配准方法进行仿真实验对遥感图像的配准结果图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。本发明的主要构思为：通过设计一种基于有向线段的遥感图像配准方法，对参考图像和待配准图像进行粗匹配和精匹配，采用现有的BRISK算法对参考图像和待配准图像进行粗匹配，再采用有向线段进行精匹配。下面结合附图对本发明具体实施方式进行详细说明。请参阅图1和图2，为本发明基于有向线段的遥感图像配准方法的流程图及一个具体实施方式的流程图，包括以下步骤：执行步骤S1：输入参考图像I和待配准图像I'。执行步骤S2：使用BRISK算法进行粗匹配，获得粗匹配点对，形成两组粗匹配点集，记参考图像I的特征点集为V＝{a1,a2…,an}，待配准图像I'匹配的特征点集为V'＝{b1,b2…,bn}。具体地，步骤S2通过以下步骤实现：S21、分别在所述参考图像I及所述待配准图像I’提取特征点。请参阅图3，示出了本发明所采用的图像特征点检测过程。下面对参考图像I的特征点提取过程，进行描述。对于特征点的提取，采用以下方式进行：S211、为输入的参考图像I构建尺度空间金字塔。金字塔包含n个表层ci和n个内层di，其中n为一个设定参数，本发明中n取4，i＝{0,1,...,n-1}。其中，c0为参考图像I。对原图像c0连续半采样得到所有表层，内层d0通过对原图像c0降采样1.5倍得到，其他内层连续半采样得到di。从而构建一个2n层金字塔；S212、利用FAST/AGAST角点检测算法在金字塔的每一层进行特征点检测，本发明中角点检测阈值参数取值为30，并对所得特征点进行3D最大值抑制；S213、通过内插法对每个角点进行最小二乘拟合及一维抛物线拟合，从而获得具有像素级定位精度和精确尺度的特征点。通过步骤S211-S213从而了获取参考图像I具有像素级定位精度和精确尺度的特征点；同理，通过同样的方式可以获取待处理图像I’对应的特征点，此处不再赘述。S22、分别为所获取的参考图像I及所述待配准图像I’的特征点建立BRISK特征描述符。下面介绍建立BRISK特征描述符的过程：请参阅图4，示出了本发明所采用的特征描述60点采样模型。通过以下步骤来实现：S221、以特征点为中心，在其周围获取n个采样点，从而构建多个同心圆，采样点等间距的分布在离散化Breaenham同心圆上。对每个采样点进行高斯滤波(标准差为δi)，δi与特征点到采样点的距离成正比。S222、计算得到Ω(采样点集)，通过欧氏距离定义ΩL(长距离点对子集)和Ωs(短距离点对子集)，计算公式如下：Ω＝{(pi,pj)∈R2×R2|j<i<N∧i,j∈N}，(1)；ΩL={(pi,pj)∈Ω|||pj-pi||>δmin}⊆Ω,---(2);]]>ΩS={(pi,pj)∈Ω|||pj-pi||δmax}⊆Ω,---(3);]]>其中，(pi,pj)为采样点对；δmin、δmax是距离阈值，分别取13.67t和9.75t；S223、计算每一点对的局部梯度，计算公式如下：g(pi,pj)=(pj-pi)·I(pj,σj)-I(pi,σi)||pj-pi||2,---(4);]]>S224、由长距离点对子集ΩL的点计算得出特征点的方向，计算公式如下：g=gxgy=1L·Σ(pi,pj∈ΩL)g(pi,pj),---(5);]]>S225、将图像旋转至主方向，即以特征点为中心将采样旋转α＝arctan2(gy,gx)角度，在Ωs(短距离点对子集)中对比采样点对(pαi,pαj)的强度，最后形成512bit特征描述子，每个比特定义如下式所示：S23、最终得用汉明距离度量匹配程度，得到粗匹配点集V＝{a1,a2…,an}和V'＝{b1,b2…,bn}。执行步骤S3：根据所述两组匹配点集分别在参考图像I及待配准图像I’中构造有向线段集，并利用所述有向线段集匹配得到精匹配点对。具体地，步骤S3通过以下步骤实现：S31：根据参考图像I及待配准图像I'的特征点，分别构造两组定向图形G＝(V,E)和G'＝(V',E')。其中，V＝{a1,a2…,an}，(7)V'＝{b1,b2…,bn}，(8)E和E'是定向图形G和G'的端点，即:E＝{(ai,aj),i<j}，(9)E'＝{(bi,bj),i<j}。(10)其中，j≤n。S32：分别从定向图形G和G'中构造m条有向线段，并计算每条有向线段的特征差异矩阵。请参阅图5，示出了从定向图形G中构造有向线段eij的过程。具体地，对于有向线段eij(有向线段eij起点为ai，终点为aj)，取三个采样点(p1,p2,p3)，其中p1＝ai，p2＝(ai+aj)/2，p3＝aj，也即分别选取G的起点、中点及终点作为三个采样点。然后提取这三个采样点的BRISK特征差异矩阵，记作S＝(s1,s2,s3)，作为有向线段的特征差异矩阵，S中的每一列为该点的BRISK描述子，即s1、s2、s3分别为p1、p2、p3的BRISK描述子。采用上述同样的方法从定向图形G’中构造有向线段eij’，并获得有向线段eij’的特征差异矩阵S’。通过执行步骤S32，在参考图像I和待配准图像I'中各构造m条有向线段，分别表示为L＝[l1,l2,…lm]和L'＝[l'1,l'2,…l'm]；同时记有向线段li的特征描述为Si，有向线段l'i的特征描述为S'i，其中i≤m。S33：使用F-范数准则作为邻近线段匹配的方法进行有向线段匹配，获得匹配的有向线段。具体地，执行步骤S331,计算有向线段特征差异矩阵的F-范数，公式如下：d(li,l'i)＝||Si-S'i||F，(11)得到d为m维向量，执行步骤S332，对d进行归一化，当d小于给定的阀值TF时，l'即为l的邻近匹配线段，且两条匹配的有向线段的起点和终点分别是两对匹配点。优选地，本发明中阈值TF取值为0.6。S34、对于所述匹配的有向线段，根据概率统计模型获得精确匹配点对。具体地，首先，定义一个长度为m的向量K，K中元素值计算方法如下：其次，建立一个空的统计矩阵G∈R2×m，用来统计对应点的匹配次数，G的计算过程如下所示：初始化空矩阵G∈R2×m；i＝1,2,...,m，若K(i)＝1，有向线段li是ap→aq，对应的邻近有向线段l'i是bp→bq，则G(1,i)表示对应点(ap,bp)，G(2,i)表示对应点(aq,bq)，G(1,i)＝G(1,i)+1，G(2,i)＝G(2,i)+1；输出矩阵G；矩阵G中元素为每对匹配点出现的频数，由此得到每对匹配点的频率矩阵F，计算方法如下式：F(p,q)=G(p,q)Σi=12Σj=1mG(i,j),---(13)]]>式中，p＝1,2，q＝1,2...,m。给定频率阀值TP，如果某对匹配点对的F>TP，即选取该匹配点对为精匹配点对。TP值取值越小，则保留匹配点对数越多，同时可能保留误匹配点对；TP值取值越大越能够有效的剔除误匹配点对，但是匹配点对数会相对减少。优选地，本发明采用TP＝0.0025。这是由于TP＝0.0025时，能够有效的剔除误匹配点，同时能够保留足够的匹配点。执行步骤S4：利用得到的精确匹配点对，由下式图像变换关系可以求解出变换矩阵H，将待配准图像I’通过H进行变换后与参考图像I进行叠加，就可得到拼接图像。xy1=Hx′y′1=h0h1h2h3h4h5h6h7h8x′y′1---(14)]]>式中，(x,y)和(x’,y’)是步骤S3中所获取的参考图像I和待配准图像I’的精匹配点对的坐标。本发明还提出了一种基于有向线段的遥感图像配准系统，采用上述基于有向线段的遥感图像配准方法来进行遥感图像的配准。具体地，本发明基于有向线段的遥感图像配准系统包括以下模块：输入模块，用于输入参考图像I及待配准图像I’。粗匹配模块，用于利用BRISK算法对所述参考图像I及所述待配准图像I’进行粗匹配，并获取粗匹配点对，形成两组匹配点集。精匹配模块，用于根据所述两组匹配点集分别在参考图像I及待配准图像I’中构造有向线段集，并利用所述有向线段集匹配得到精匹配点对。输出模块，用于利用得到的所述精匹配点对，求解配准参数，并利用所述配准参数对待配准图像进行几何变换，输出配准结果。优选地，精匹配模块还包括以下模块：定向图形构造模块，用于根据参考图像I及待配准图像I'的特征点，分别构造两组定向图形G＝(V,E)和G'＝(V',E')；有向线段构造模块，用于从所述两组定向图形G和G'中分别构造m条有向线段，并计算每条有向线段的特征差异矩阵；有向线段匹配模块，用于使用F-范数准则作为邻近线段匹配的方法进行有向线段匹配，获得匹配的有向线段；精准匹配点对获取模块，用于根据概率统计模型，获得精确匹配点对。本发明基于有向线段进行图像匹配，构造有向线段特征时，充分考虑图像的纹理信息，达到了使得获得的匹配点对更精确，误匹配率大大降低的有益效果。下面结合仿真图对本发明的效果做进一步的说明。1.仿真条件与参数硬件平台为：Intel(R)Core(TM)i5-4570CPU3.20GHz；软件平台为：Windows7.0，Matlab2012b。仿真实验参数：BRISK算法角点检测阈值为60，邻近线段匹配阀值TF为0.6，概率统计模型中的阀值TP为0.0025。2.仿真实验内容：图6(a)是参考图像，大小为306×386像素；图6(b)是特配准图像，大小为335×472像素；图6(c)为配准后的图像。从图6(c)可见，配准后的图像完全对齐，没有移位，说明本发明对遥感图像能够很好的配准。3.仿真实验结果对比：将本发明与现有的BRISK算法和SIFT算法的匹配正确率及运行时间进行比较，结果如表1：表1示出了本发明与现有算法对比：方法CMRTime(s)BRISK71.42％0.1023SIFT81.58％1.7813本发明100％0.1146其中，CMR表示匹配正确率，Time为运行时间。从表1可见，本发明较现有的BRISK算法和SIFT算法匹配正确率都有提高，同时相较于SIFT算法，本发明的运行时间明显缩短。综上所述，本发明在兼顾匹配正确率和运行时间两方面性能优越，能够对遥感图像进行实时有效的配准。以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。当前第1页1 2 3