专利名称：一种获取均匀分布匹配点的遥感影像并行自适应匹配方法
技术领域：
影像匹配的目标是构建两幅或多幅影像间最佳的几何变换关系。影像匹配理论和方法不仅有助于单幅影像的分析，而且有助于多幅影像的比较和信息集成分析。因此，影像匹配是数字图像处理和遥感领域的一个基础而核心课题。其方法在遥感、地图更新、医学影像、计算机视觉等诸多领域得到广泛的应用，针对不同的应用领域，衍生出多种适用于不同需求的匹配方法。本发明针对不同分辨率的遥感影像匹配问题，以SIFT匹配算法为基础，实现了不同分辨率遥感影像并行自适应获取均勻分布的匹配点，具有很强的应用价值。
背景技术：
遥感影像匹配的方法根据不同的角度有不同的分类方法，下表按四种分类依据列举了八类影像匹配方法。表1遥感影像匹配方法分类。基于灰度相关的方法是公认的较成熟、稳定的匹配算法，其定位精度高且可以得到密集的视差表面，相关系数和最小二乘法常应用于灰度相关的方法。基于灰度相关的方法对图像旋转及光强和对比度的变化非常敏感，当影像中存在重复结构的纹理特征或相关像素领域内存在遮挡时容易出错，其运算量较大。基于特征相关的方法先进行影像特征提取，影像特征包括点特征、线特征、轮廓特征等，在已提取特征的基础上，再根据多幅影像的特征进行影像匹配。特征匹配在摄影测量中应用受限，特征的精度难以达到摄影测量子象素的要求，成功匹配的特征往往只占总特征数的一小部分，造成空间分布的特征稀少，内插的表面失真。空间域匹配方法在影像域上针对影像灰度或特征信息进行匹配。频率域匹配方法则首先将待匹配影像经过一定的算法(如快速傅里叶变换)转换到频率域，然后在频率域进行影像间的匹配。线性匹配方法包括平移、旋转、缩放及其他的仿射变换，线性模型是全局的，故不能构建影像间可能存在的局部差异。非线性模型又称为非刚性模型或橡皮模型，可以实现影像的局部重排，但计算复
ο交互匹配方法需要在匹配运算前进行一些人工干预，包括影像排列、确定起始种
4子点、人工剔除粗差等等。自动匹配方法则不用用户干预且能自动完成匹配工作。当前，国内外对尺度差异较大影像匹配多采用SIFT(Scale Invariant Feature Transform)算法。SIFT算法由D. G. Lowe 1999年提出，2004年完善总结。后来Y. Ke将SIFT 描述算子部分用PCA代替直方图的方式，对SIFT算法进行了改进。SIFT算法的思想是首先通过影像的多尺度表达，提取出尺度空间上的极值点(DoG空间的最大值或最小值)，然后将极值点进行精确定位，达到子像素级的水平，再针对这些特征点提取出SIFT特征，最后通过SIFT特征在高维空间的比较实现影像的匹配。经过上面步骤提取的SIFT特征是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。SIFT匹配算法具有如下优点SIFT特征是图像的局部特征，其对旋转、尺度缩放、 亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；信息量丰富， 适用于在海量特征数据库中进行快速、准确的匹配，即使少数的几个物体也可以产生大量 SIFT特征向量；经优化的SIFT匹配算法甚至可以达到实时的要求；可以很方便的与其他形式的特征向量进行联合。遥感影像匹配是遥感影像信息集成与分析的最重要环节之一，也是影像融合、变化检测、超分辨率成像的重要步骤和手段。尽管很多问题已经得以解决，但是遥感影像自动匹配仍是遥感领域的重要基础研究课题。其中，较大尺度差异遥感影像匹配、获取均勻分布匹配点的匹配算法、复杂的非线性及局部变形匹配理论和方法、N维(N》)影像的匹配均是影像匹配领域具有挑战性的课题。开发具有自动识别匹配任务并自主决定匹配算法的匹配专家系统，是影像匹配领域的发展趋势。匹配专家系统应能整合各种匹配方法，并就各种应用需求寻求一致性解决方案。本发明提出的方法可以很好的解决不同分辨率的遥感影像的匹配问题，而且匹配出的同名点在两幅影像重合部分能够均勻分布，本发明的另一优势在于可以通过将重合区域分块，实现针对每个分块的并行提取影像特征点，从而大幅度提高遥感影像匹配的效率。按相似度量来源分，本发明属于基于特征相关的匹配方法；按作用域分，本发明属于空间域匹配方法；按转换模型分，本发明属于非线性匹配方法；按自动化程度分，本发明属于自动匹配方法。
发明内容
本发明提供了一种获取均勻分布匹配点的遥感影像并行自适应匹配方法，包括以下步骤
第一步，获得待匹配的遥感影像的重合区域； 第二步，对重合区域按照从左到右，从上到下的顺序进行分块； 第三步，基于高斯影像塔，对每个分块进行匹配，如果该分块获取的匹配点数达到预先设定的每个分块匹配点的数量要求，则该分块匹配完毕；
第四步，对于达不到匹配点数量要求的分块，增加高斯影像塔或高斯差分影像层，仍然对每个分块并行进行匹配，直到满足匹配点的数量要求或者完成三组高斯影像塔的匹配算法为止。
图1是本发明确定待匹配的两幅遥感影像重合区域的示意图； 图2是本发明进行重合区域分块的示意图3是本发明中基于SIFT算法的高斯影像塔；
图4是本发明中对不同分辨率遥感影像获取均勻分布匹配点的并行自适应匹配方法的详细流程图。
具体实施例方式本发明的优选实施方式由以下步骤实现
第一步，获得待匹配遥感影像的重合区域。根据遥感影像的元文件信息，获得遥感影像的地理范围，再将待匹配的两幅遥感影像的地理范围进行比较，获得重合区域，如附图1所示；
第二步，对重合区域进行分块。在重合区域内，按照从左到右、从上到下的顺序以 256X256的固定大小进行分块，重合区域末尾不足256行(列)的部分按剩余大小分块，如附图2所示；
第三步，利用SIFT算法，对每个分块并行进行匹配，此时匹配仅基于原始大小的高斯影像塔的前三层高斯差分影像进行(如附图3所示，原始大小的高斯影像塔、扩大一倍的高斯影像塔、缩小一倍的高斯影像塔各有5层，基于高斯影像塔生成的高斯差分影像(DoG) 各有4层，进行匹配时，又可以针对高斯差分影像的前3层和后3层分别进行特征运算) ，如该分块获取的匹配点数达到预先设定的每个分块匹配点的数量要求，则该分块匹配完毕；
第四步，对于达不到匹配点数量要求的分块，仍对每个分块并行进行匹配，如附图4所示，自适应增加高斯影像塔和高斯差分影像层，直到满足对匹配点位的数量要求或全部完成三组高斯影像塔的SIFT算法为止。其中，SIFT匹配方法按照以下步骤和参数进行
第一步，在尺度空间上生成高斯影像和高斯差分影像。首先将原始影像进行升采样，使用参数为ο =1. 5的高斯模板进行卷积处理。在此基础之上建立3个高斯影像塔，每个高斯影像塔包含5层影像。对每个高斯影像塔的5层影像进行高斯差分运算，即同组的2个相邻的影像之间相减(上层减下层)，这样每个高斯影像塔就可以生成4层高斯差分影像，3 个高斯影像塔可以生成3组高斯差分影像。第二步，进行极值检测、极值点精确定位并去除低对比度点和边缘响应点。极值点的检测工作在同尺度的连续3张高斯差分影像之间进行。每个待检测点和它同尺度的8 个相邻点以及上下相邻尺度对应的9X2个点(共沈个点)进行比较。如果检测点的灰度值为最大或是最小，就把该点作为是一个后备特征点保留下来。SIFT算法通过拟和三维二次函数以精确确定关键点的位置和尺度(达到亚像素精度)，同时去除低对比度点和不稳定的边缘响应点，以增强匹配稳定性、提高抗噪声能力。对已检测出来的特征点来说，通过泰勒展开并求极值完成特征点的精确定位，通过计算极值点的Hessian矩阵剔除边缘响应点ο
第三步，为特征点分配方向，使算子具备旋转不变性。在特征点的周围取一个邻域，计算邻域内每一个像素的梯度模及其权值，然后将它们归化到直方图中去，根据直方图中直方图柱能量的大小来确定特征点的方向，能量最高的直方图柱代表特征点的主方向， 能量为主方向能量80%以上的直方图柱作为特征点的辅方向。第四步，SIFT特征点描述子的生成。以SIFT特征点为中心取一个16X16的窗口， 在每4X4的小块上计算8个方向的梯度直方图，获得每个方向的梯度累加值，即可形成一个种子点，共有16个种子点上，每个种子点有8个方向，组成一个1 维的向量，即为该特征点的描述子。第五步，基于特征点描述子的影像匹配。采用特征点描述子之间的欧式距离作为其相似性的判定度量。取图像A中的某个特征点的描述子，并找出其与图像B中欧式距离最近的前两个特征点的描述子，在这两个关键点中，如果最近的距离除以次近的距离小于某个阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定， 可将这个阈值设为0.6。本发明能够实现并行高效的遥感影像匹配，并且能够实现匹配点的均勻分布。此外，本发明也适用于相同分辨率遥感影像的匹配。
权利要求
1.一种获取均勻分布匹配点的遥感影像并行自适应匹配方法，包括以下步骤 第一步，获得待匹配的遥感影像的重合区域；第二步，对重合区域按照从左到右，从上到下的顺序进行分块； 第三步，基于高斯影像塔，对每个分块进行匹配，如果该分块获取的匹配点数达到预先设定的每个分块匹配点的数量要求，则该分块匹配完毕；第四步，对于达不到匹配点数量要求的分块，增加高斯影像塔或高斯差分影像层，仍然对每个分块并行进行匹配，直到满足匹配点的数量要求或者完成三组高斯影像塔的匹配算法为止。
2.如权利要求1所述的方法，其特征在于，第一步是根据遥感影像的元文件信息，获得遥感影像的地理范围，再将待匹配的两幅遥感影像的地理范围进行比较，从而获得重合区域。
3.如权利要求1所述的方法，其特征在于，第二步中可以将重合区域分为256X256个分块，重合区域末尾不足的部分按剩余大小分块。
4.如权利要求1所述的方法，其特征在于，第三步中的匹配是基于原始大小的高斯影像塔、扩大一倍的高斯影像塔、缩小一倍的高斯影像塔这三组高斯影像塔进行的。
5.如权利要求4所述的方法，其特征在于，每组高斯影像塔都包含η层影像，由此生成的高斯差分影像有(η-1)层，进行匹配时，可针对高斯差分影像的前m层或后m层进行特征运算，其中m，n都为自然数，且m < η。
6.如权利要求1所述的方法，其特征在于，第三步中的进行匹配具体分为以下步骤 第一，在尺度空间上生成高斯影像和高斯差分影像；第二，进行极值检测、极值点精确定位并去除低对比度点和边缘响应点；第三，为特征点分配方向，使算子具备旋转不变性；第四，生成特征点描述子；第五，基于特征点描述子进行遥感影像的匹配。
7.如权利要求6所述的方法，其特征在于，第一步骤中首先将原始影像进行升采样，使用参数为ο =1. 5的高斯模板进行卷积处理，在此基础之上建立3组高斯影像塔，每组高斯影像塔包含5层影像，对每组高斯影像塔的5层影像进行高斯差分运算，即同组中相邻的上层影像与下层影像相减，这样每个高斯影像塔就可以生成4层高斯差分影像。
8.如权利要求6所述的方法，其特征在于，第二步骤中极值点的检测工作在同尺度的连续3张高斯差分影像之间进行的，每个待检测点和它同尺度的8个相邻点以及上下相邻尺度对应的9X2个点进行比较，如果检测点的灰度值为最大或是最小，就把该点作为是一个后备特征点保留下来；对已检测出来的特征点来说，通过泰勒展开并求极值完成特征点的精确定位，通过计算极值点的Hessian矩阵剔除边缘响应点。
9.如权利要求6所述的方法，其特征在于，第三步骤中的分配方向是在特征点的周围取一个邻域，计算邻域内每一个像素的梯度模及其权值，然后将它们归化到直方图中去，根据直方图中直方图柱能量的大小来确定特征点的方向，能量最高的直方图柱代表特征点的主方向，能量为主方向能量80%以上的直方图柱作为特征点的辅方向。
10.如权利要求6所述的方法，其特征在于，第四步骤中以特征点为中心取一个16X 16 的窗口，在每4 X 4的小块上计算8个方向的梯度直方图，获得每个方向的梯度累加值，即可形成一个种子点，共有16个种子点上，每个种子点有8个方向，组成一个1 维的向量，即为该特征点的描述子。
11.如权利要求6所述的方法，其特征在于，第五步骤中的匹配是采用特征点描述子之间的欧式距离作为其相似性的判定度量，取欧式距离最近的前两个特征点的描述子作为匹配对象，如果最近的距离除以次近的距离小于某个阈值，则接受这一对匹配点。
12.如权利要求11所述的方法，其特征在于，所述阈值越小，匹配点数目越少，但匹配更加稳定，该阈值可设为0.6。
全文摘要
本发明提供了一种获取均匀分布匹配点的遥感影像并行自适应匹配方法，首先将不同分辨率遥感影像的重合区域进行分块，然后针对每个分块并行提取匹配影像特征，在提取过程中，通过不同层级高斯影像塔和高斯差分影像的分级自动实现对匹配点对数量的控制，从而达到并行自适应获取遥感影像均匀分布的匹配点，实现不同分辨率遥感影像的匹配。本发明能够实现并行高效的遥感影像匹配，并可实现匹配点的均匀分布。
文档编号G06T7/00GK102446356SQ201110286100
公开日2012年5月9日 申请日期2011年9月24日 优先权日2011年9月24日
发明者吴宏安, 孙钰珊, 宁晓刚, 张俊辉, 杨景辉, 谢文寒 申请人:中国测绘科学研究院