一种基于改进sift算子的低空多视角遥感影像匹配方法
【技术领域】
[0001] 本发明属于遥感影像处理技术领域，涉及一种遥感影像匹配方法，涉及一种基于 改进SIFT算子的低空多视角遥感影像匹配方法。
【背景技术】
[0002] 影像匹配一直是摄影测量和遥感领域中的研究重点和热点，是影像定向，正射影 像制作，影像自动配准以及拼接、三维重建的关键步骤之一，直接影响到后续产品制作的精 度和效果。与传统遥感影像相比，低空遥感影像的获取环境更加复杂，特别是从不同视角获 取的影像，存在着严重的几何畸变、相似纹理、纹理断裂、阴影、遮挡等问题，大大减小了同 一目标在具有重叠区域的不同影像上的相似性，给低空影像的匹配带来极大的困难。因此， 如何从具有严重几何畸变的低空多视角影像中获得稳定可靠的匹配点具有重大意义。
[0003] 影像匹配算法主要分为两类：基于影像灰度的匹配和基于影像特征的匹配。基于 影像灰度的匹配方法直接对影像上一定窗口范围内的像素进行操作，通过窗口范围内像素 的灰度相关性来进行同名点匹配，该类方法虽然在影像辐射和几何形变小的情况下能获得 较高的匹配精度，然而其对影像的灰度变化比较敏感，不适应于低空多视角影像中的几何 畸变、相似纹理、纹理断裂、阴影、遮挡等问题。基于影像特征的匹配方法通过提取影像中的 点、线、面等几何特征来进行匹配，能较好地补充基于灰度的匹配方法的不足。
[0004] 目前，基于特征的匹配方法中，应用最广泛的是Lowe提出的SIFT (Scale Invariant Feature Transformation)算法，能较好地处理影像几何变形中的旋转、尺度 缩放和平移变化的问题，但是在大视角影像对的问题上，仍然无法取得令人满意的效果。 为了改善针对不同视角影像的匹配效果，学者们对SIFT算子进行多种研究和改进，提出 了 ASIFT (Affine-SITT)，ISIFT(Iterative-SITT)以及 MM-SIFT (Multi-resolution MSER based SIFT)等多视角影像匹配方法。ASIFT根据相机仿射模型，对经度、炜度和尺度三个 参数进行采样，以模拟影像视角变换，从而建立仿射空间影像，然后在所有模拟影像的上进 行SIFT特征点检测和匹配，因而该方法具有完全仿射不变性，即使在较大的视角变化情况 下，也能获得较好的匹配结果，与此同时，其时间复杂度随之增加，限制了其应用范围。为了 平衡匹配结果和时间效率，ISIFT方法利用迭代估计的几何变换模型模拟其中一幅影像，然 后利用仅有的一幅模拟影像与另一幅影像进行SIFT匹配，大大提高了匹配效率。但是当影 像间几何畸变较大时，该算法会因几何模型求解失败而失效。MM-SIFT根据影像中对应局部 区域满足同一个仿射模型的理论，对两幅影像中的局部椭圆区域进行圆形归一化，然后在 归一化的椭圆区域内进行SIFT匹配。该方法大大提高了时间效率，而且在影像间存在大视 角变化的情况下，仍然能够得到一些正确的匹配点，然而其对提取的局部区域依赖性大，其 采用MSER算子提取局部区域时，并没有最佳阈值，且现有的区域分割算法用于多视角影像 尚不成熟。
【发明内容】
[0005] 针对现有影像匹配技术存在的不足，本发明的目的是提供一种时间效率高，且对 影像几何畸变较稳定的基于SIFT改进的低空多视角影像匹配方法。
[0006] 本发明所采用的技术方案是：一种基于改进SIFT算子的低空多视角遥感影像匹 配方法，其特征在于，包括以下步骤：
[0007] 步骤1 :使用自适应阈值的DoG算子检测第一影像和第二影像中的特征点；
[0008] 步骤2 :基于改进的SIFT描述子对特征点进描述；
[0009] 对于第一影像和第二影像上提取的特征点，在其邻域内分别采用基于圆形区域采 样和基于椭圆区域采样的灰度值对特征点进行描述，最终形成128维特征向量；
[0010] 步骤3 :基于特征点对应的特征向量之间的最近邻距离与次近邻距离的比值 (NNDR，Nearest Neighbor Distance Ratio)这一策略获取初始匹配点集；
[0011] 步骤4 :基于极几何约束的RANSAC算法对初始匹配点集进行提纯，得到最终匹配 点。
[0012] 作为优选，步骤1中所述的使用自适应阈值的DoG算子检测第一影像和第二影 像中的特征点，是根据以特征点为中心的一定窗口范围内的灰度信息自适应确定阈值T_ contrast，其表达式为：
[0014] 其中，（m, η)是特征点在影像中的坐标，N是窗口大小，Xk^像素在DoG尺度空间的 灰度值，％是窗口范围内像素的灰度平均值，r由影像的尺度来决定，可按如下公式计算：
[0016] 其中，S1为当前特征点所在的尺度，M1表示DoG尺度空间中影像的数量，。。表示 影像平滑的程度。
[0017] 作为优选，步骤2中所述的采用基于圆形区域采样的灰度值对特征点进行描述， 对于第一影像的任意特征点（ Xl，yi)，其邻域内的圆形区域采样点(YWi)的表达式为：
[0020] 其中，Γι]为采样半径，Θ k为采样角度。
[0021] 作为优选，步骤2中所述的采用基于椭圆区域采样的灰度值对特征点进行描述， 对于第二影像的任意特征点（X' i，太其邻域内的椭圆区域采样点（X'，，太的 表达式为：
[0024] 其中，&lj为椭圆采样长轴，b ^为椭圆采样短轴，b lj= a γ，γ彡1，Θ。为椭圆 方向，Gk为采样角度。
[0025] 作为优选，采样点的梯度计算表达式如下：
6
[0029] 其中，d (.，.）表示该点Θ和γ方向的梯度值，m(.，.）表示该点的梯度方向，采 样点的灰度值则采用双线性内插的方式求取，记为/(χΚ)。
[0030] 作为优选，采用迭代求解的策略确定椭圆参数γ和Θ。，具体步骤如下：
[0031] 步骤2. 1 :从第一影像中随机选取M个特征点，其特征向量记为
[0032] 步骤2. 2:在第二影像中进行椭圆采样时，设γ = γ% 0。=〇,获得所有特征点 特征向量，记为
.使用最邻近最小距离方法匹配第一影像和第二影像，记正确匹 配个数为η ;
[0033] 步骤2.3 :改变γ和Θ。值，其中γ e [γ s，γε]，θ。^ [0°，90° ]，获得多种 模拟情况下的D'和相应的正确匹配点η1;
[0034] 步骤2.4 :比较多种情况下的匹配结果，当获得Hiax(Ii1)时，对应的。和Θ唧为 最优解；
[0035] 步骤2. 5 :在第一影像中挑选max(Iii)时的特征点作为初始点，重新进行步骤 2.1-步骤2. 5,直到γ#和Θ *的值趋于稳定。
[0036] 作为优选，步骤2中完成邻近点采样后，采样点的灰度值由双线性内插方法求取。
[0037] 与现有技术相比，本发明具有如下特点和有益效果，
[0038] 1、在特征点提取阶段采用自适应阈值，使得DoG算子能够适应不同纹理的影像， 从而保证了后续匹配结果；
[0039] 2、在特征描述阶段，采用椭圆采样的方式去模拟视角变化，增加了同一目标在不 同视角影像上的相似性，大大改善了多视角及弱纹理区域的匹配效果；
[0040] 3、采用对局部区域进行模拟而不是对整幅影像进行处理，在提高匹配精度的同 时，兼顾了时间效率。
【附图说明】
[0041] 图1 :为本发明实施例的流程图；
[0042] 图2 :为本发明实施例中的圆形区域采样示意图；
[0043] 图3 :为本发明实施例中的椭圆区域采样示意图。
【具体实施方式】
[0044] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不 用于限定本发明。
[0045] 本发明提出的一种基于改进SIFT算子的低空多视角遥感影像匹配方法，首先采 用优化的DoG算子在参考影像和待匹配影像上分别提取特征点；其次采用基于局部区域模 拟的SIFT描述子进行特征描述；然后基于最近距离与次邻近距离的比值策略对特征点进 行匹配，并采用基于极几何的RANSAC对初始匹配结果进行提纯，得到最终匹配点。
[0046] 具体实施时，本发明可采用计算机软件技术实现自动运行流程。为详细说明本发 明技术方案，请见图1，本发明提供的一种基于改进SIFT算子的低空多视角遥感影像匹配 方法，包括以下步骤：
[0047] 步骤1 :使用自适应阈值的DoG算子检测第一影像和第二影像中的特征点；
[0048] 为了适应不同细节的影像，本发明不采用原始DoG中的固定阈值，而是根据以特 征点为中心的一定窗口范围内的灰度信息自适应确定阈值T_contrast，其表达式为：
[0050] 其中，（m, η)是特征点在影像中的坐标，N是窗口大小，Xk^像素在DoG尺度空间的 灰度值，是窗口范围内像素的灰度平均值，r由影像的尺度来决定，可按如下公式计算：
[0052] 其中，S1为当前特征点所在的尺度，M1表示DoG尺度空间中影像的数量，。。表示 影像平滑的程度。
[0053] 步骤2 :基于改进的SIFT描述子对特征点进描述；
[0054] 对于第一影像和第二影像上提取的特征点，在其邻域内分别采用基于圆形区域采 样和基于椭圆区域采样的灰度值对特征点进行描述，最终形成128维特征向量；
[0055] 本发明的研究对象是低空多视角遥感影像，由于成像条件的复杂性，不同视角影 像之间存在着严重的几何畸