一种基于方向相位一致性的多源遥感影像特征匹配方法与流程

本发明属于遥感影像处理领域，尤其是涉及一种基于方向相位一致性的多源遥感影像特征匹配方法。

背景技术：

影像匹配就是通过一定的匹配算法在两幅或者多幅影像之间识别同名点的过程，它是图像配准、图像融合、目标识别和变化检测的一个重要前期步骤。在遥感领域，影像匹配可以分为两种类型，一种是连接点匹配，用于获取两张或多张具有一定重叠度的影像之间的同名像点，根据像点坐标和一定的数学模型建立平差方程，修正影像的成像模型参数(如rpc模型系数和严格成像模型系数)，实现影像间的配准，提高影像的相对定位精度；另一种是控制点匹配，用于获取数字正射影像(dom)与卫星影像之间的同名像点，利用物方空间坐标已知的dom影像上的像点坐标和一定的数学模型建立平差方程，修正影像的成像模型参数，提高卫星影像的绝对定位精度。

在异源遥感图像匹配过程中，由于不同传感器的成像特性不同，影像间通常存在显著的非线性辐射差异，这使得传统的基于灰度相关性或梯度特性的匹配算法很难获取可靠的同名点。传感器成像特性的差异同时也会导致特征在不同影像上发生偏移和缺失，这使得基于点特征和线特征的匹配算法很难在两张影像上提取得到相同的点线特征，这同样降低了匹配的可靠性。因此，为了满足多源遥感影像高精度匹配需求，本发明提出了一种基于方向相位一致性的多源遥感影像特征匹配方法。

技术实现要素：

本发明所要解决的问题是，针对异源遥感影像间匹配困难的问题，提出了一种基于方向相位一致性能量组合特征的多源遥感影像匹配方法，具有匹配精度高、结果可靠的特点。

本发明提供一种基于方向相位一致性的多源遥感影像特征匹配方法，基于方向相位一致性的实现多源遥感影像高精度匹配，包括以下步骤，

步骤1，对参考影像和目标影像进行影像正射纠正；

步骤2，只对参考影像进行分块和特征点提取；

步骤3，分别计算参考影像和目标影像的多个方向的方向相位一致性能量图，得到每个像素点的方向相位一致性向量；

步骤4，基于方向相位一致性向量的密集组合，构建特征点的特征描述向量；

步骤5，影像匹配，包括通过滑动窗口搜索和特征描述向量的相关系数确定各特征点的同名点，提取匹配点对；

步骤6，进行粗差剔除，去掉错误匹配点。

而且，步骤2的实现方式为，首先将参考影像划分为大小一致的格网区域，然后分别在每个格网区域内进行非极大值抑制，保留响应值大于预设阈值且最大的若干个点作为特征角点，这些特征角点被当作待匹配的特征点。

而且，步骤3中，所述每个像素点的方向相位一致性向量，是由各方向上的相位一致性能量组成的一维向量。

而且，构建特征描述向量的实现方式如下，

在以待描述点(x0,y0)为中心设定半径的范围内，在行方向和列方向上按照间距d选点，设一共选取得到s个点，将这组点记为[(x0,y0),(x1,y1),…,(xs-1,ys-1)]；

以这组点的每一个点为中心，分别确定一个大小为t×t的累加域，累加范围内每个像素对应的方向相位一致性向量，共得到s个累加向量，最后用这s个向量组合成一个一维的向量vf，作为点(x0,y0)的特征描述向量。

而且，步骤5中，确定特征点的同名点后，进行峰值拟合得到目标影像上子像素级的匹配点坐标。

而且，步骤6中，通过最小二乘平差方法剔除错误匹配点。

本发明以两张不同类型传感器获取的遥感影像作为输入，通过影像预纠正，消除影像间的旋转、尺度差异以及成像角度不同带来的几何变形，通过对基准影像进行分块和特征点提取，控制匹配点的数量、位置和分布，分别对目标影像和参考影像计算方向相位一致性能量图，构建特征点和搜索范围内所有像素的特征向量，通过归一化互相关系数确定同名点，最后通过仿射变换模型的最小二乘平差方法剔除粗差点，得到正确的匹配点。本发明提供了一种有效的多源遥感影像匹配方法，能够在光学、红外、多光谱和sar等影像之间获取可靠和高精度的同名点，实践表明该方法可行、有效，匹配过程效率较高、精度可靠。本发明的优点在于：

1.异源遥感影像之间普遍存在特征的偏移和缺失问题，这使得在两张影像上提取相同特征点存在困难，使用特征点匹配容易造成匹配失败。本发明只针对对参考影像进行特征点提取，不仅减少了计算量，而且不会因为特征点复现率的问题导致在部分影像上无法获取同名像点，极大地提高了匹配的可靠性。

2.对影像进行预纠正，可以克服异源遥感影像之间存在的尺度和旋转差异，提高匹配的效率和可靠性。

3.方向相位一致性通过不同方向的滤波器对图像进行计算，可以直接得到图像在不同方向的相位强度，图像的特征得到了更好的保存，并且相比于用相位一致性方向加权构建的特征描述子来说，省去了对各方向能量加权和求取梯度方向的步骤，计算速度更快。

4.现有的特征算子如(如sift和surf算子)等稀疏描述算子信息损失较大，不适用于特征差异较大的异源影像间的匹配，本发明采用的密集的特征描述可以很好地克服匹配区域之间的轻微几何形变和特征偏移带来的匹配问题。

附图说明

图1为本发明实施例的流程示意图。

图2为本发明实施例的构建特征描述向量过程中选点示意图。

具体实施方式

以下结合附图和实施例详细说明本发明具体实施方式。

本发明提出一种基于方向相位一致性的多源遥感影像特征匹配方法，包括在匹配前对影像先进行预纠正；在特征点提取过程中，仅对参考影像(基准影像)进行分块和特征点提取；计算各个方向的相位一致性能量图；构建特征点的特征向量；影像匹配通过滑动窗口搜索和相关系数来确定同名点；剔除错误匹配点。

参见图1，实施例所提供基于方向相位一致性的多源遥感影像特征匹配方法的流程包括以下步骤：

步骤1.对参考影像和目标影像进行预纠正。这一步的主要目的是消除影像间的旋转、尺度差异以及成像角度带来的显著几何畸变。这一步亦可称为影像正射纠正，利用遥感影像的成像模型参数和已有dem数据或平均高程数据，将影像从像方空间投影到物方空间来消除影像间的旋转和成像角度差异，通过影像重采样消除影像分辨率不同带来的尺度差异。

在匹配对影像进行预纠正，消除了影像间的旋转和尺度差异，加强了匹配约束。

步骤2.对参考影像进行分块和特征点提取。

本发明克服现有技术偏见，提出特征点提取过程中，仅对参考影像进行分块和特征点提取，不需要进行目标图像的特征点提取。

实施例选择harris算法提取特征角点。harris算法认为一个特征角点在任意方向上滑动窗口都应该有较大的灰度变化。其算法原理如下：

其中，ex,y代表图像坐标(x,y)处像素的harris响应值；wu,v是高斯权函数；u,v分别表示图像上x方向和y方向的偏移量；i表示图像矩阵，ix+u,y+v表示图像坐标为(x+u,y+v)处的图像灰度，iu,v表示图像坐标为(u,v)处的图像灰度；gx,gy分别表示图像在x方向和y方向的梯度值；o(x²,y²)是关于x,y的二阶极小量。

其计算式为：

r＝det-ktr²

其中，分别表示原图像在x和y方向的梯度；w是一个高斯卷积模版，用于抑制图像噪声的影响；r即为求得的图像的harris响应值，它由自相关矩阵的行列式det和迹tr计算得到，r的大小代表了角点的强度；k为一个固定常数，经验取值为0.04。

为了保证特征点分布的均匀特性，首先将参考影像划分为一定数量大小一致的格网区域，然后分别在每个区域内进行非极大值抑制，保留响应值大于阈值且最大的z个点作为特征角点，这些特征角点被当作待匹配的特征点。具体实施时，可以预设格网区域的数量、阈值取值和z的取值，格网的数量和z的大小根据平差模型和精度的需要进行确定，一般采用5×5格网，每个格网内保留3～5个特征点进行匹配，阈值可以设置为r最大值的0.7倍。

步骤3.分别计算参考影像和目标影像的多个方向的方向相位一致性能量图，得到每个像素点的方向相位一致性向量。

方向相位一致性就是在某个方向o上计算相位一致性，其计算式如下：

其中，pco(x,y)即是图像坐标(x,y)处的像素点在方向o上的相位一致性能量，它的值域是0到1；n表示尺度，一般取3个或以上尺度；wo是高斯权函数；ano是用方向为o的log-gabor滤波器在尺度n上滤波得到的振幅值；δφno是一种相位差分函数；to是噪声估计值；ε是为了避免除数接近0而设置的一个极小的常数。

实施例中优选采用的尺度n方向o下的相位差分函数表示如下：

其中，φno(x,y)是尺度n方向o下图像坐标(x,y)处的相位值，是图像坐标(x,y)处方向o所有尺度下的加权平均相位值。

对于一副大小为m×n的输入图像，分别计算输入图像在每个方向上的相位一致性能量，方向数量一般优选取四个，即方向o分别为0，π/4，π/2和3π/4，得到一组方向相位一致性能量图，其中每张图的大小亦为m×n，这样对于图像上任意一点(x,y)，可以用一个各方向上的相位一致性能量pco(x,y)组成的一维向量vp(x,y)对其进行描述，即方向相位一致性向量，向量的长度等于方向数量。

实施例中，vp(x,y)＝(pc0(x,y),pcπ/4(x,y),pcπ/2(x,y),pc3π/4(x,y))。

利用多个方向的相位一致性能量图的特征组合来进行影像匹配，充分考虑了影像不同方向上的几何结构特征，特征维数更少、计算效率更高。

步骤4.构建特征点的特征描述向量。对参考影像上提取得到的所有特征点，分别作为待描述点进行以下处理：

在以待描述点(x0,y0)为中心，预设值rad为半径的范围内，在行方向和列方向上按照间距d选点，参见图2，设一共选取得到s个点(包括待描述点本身)，将这组点记为[(x0,y0),(x1,y1),…,(xs-1,ys-1)]。

分别以这组点的每一个点为中心，以该点为中心确定一个大小为t×t的累加域，累加t×t范围内每个像素对应的方向相位一致性向量，共得到s个累加向量，最后用这s个向量组合成一个一维的向量vf作为点(x0,y0)的特征描述向量，特征描述向量的长度为s×方向数量。

具体实施时，可以预设rad、d和t的取值。半径过大会降低匹配效率，过小匹配精度无法保证，建议根据影像类型设定rad取值，一般在30～60像素之间。d和t的建议取值分别为2,3。

利用方向相位一致性能量的密集组合向量来表示特征点，充分利用了匹配区域内的几何结构信息，能够在很大程度上克服异源遥感影像成像差异性带来的特征变化及微小的几何畸变，能够极大地提高匹配的准确率。

步骤5.影像匹配，包括通过滑动窗口搜索和特征描述向量的相关系数确定各特征点的同名点，提取匹配点对。根据预纠正得到的两张影像的经纬度关系直接确定每个特征点在预纠正目标影像上的坐标，然后根据影像初始定位精度确定一个大概的搜索半径，具体实施时用户可以自行设定搜索半径，原则上搜索半径应尽量小且保证可能的同名点落入搜索半径所确定的搜索范围内。计算特征点的特征描述向量与目标影像上搜索范围内每一点的特征描述向量的归一化互相关系数，把相关系数最大点作为同名点，设对参考影像上某特征点匹配得到的同名点在目标影像上的行列号坐标记为x0。目标影像上搜索范围内每一点的特征描述向量构建方式与步骤4一致，分别作为待描述点进行相应处理即可，本发明不予赘述。

设参考影像上某特征点的特征描述向量为vf，目标影像上相应搜索范围内某点的特征描述向量为vf’，两个特征描述向量vf,vf’之间的归一化互相关系数由如下公式确定:

其中，sno是特征描述向量vf的长度；ve是与特征描述向量长度相等且值全为1的行向量。归一化互相关系数的值域是[-1,1]，其值越大表示两个特征描述向量的相似度越高。

为了使定位精度达到子像素，本发明进一步提出需要对相关系数匹配结果进行峰值拟合，这里使用泰勒级数展开式作为拟合函数，在x0处采用泰勒级数二阶展开得(高阶项已舍去)：

其中x0是插值中心的坐标，即匹配得到的同名点在目标影像上的行列号坐标；f(x)是相似性测度函数，即归一化互相关系数函数。极大值点对应的x处的导数应该为0(x是图像坐标组成的长度为2的列向量)，所以令然后对求导并令导数等于0可得：

此即为峰值点相对于插值中心x0的偏移量，最终得到的匹配点的坐标为：

因此，x'为目标影像上子像素级的匹配点坐标。根据该匹配点坐标，确定匹配点对，进入步骤6进行下一步处理。

步骤6.粗差点剔除。实施例通过最小二乘平差方法剔除错误匹配点。

对步骤2所得参考影像上每个特征点，通过步骤4得到了分别在目标影像上相应的匹配点，根据这些匹配点对，可以在两张影像间构建仿射变换模型，如下式所示：

x'＝ax+by+c

y'＝dx+ey+f

其中(x,y),(x',y')分别是匹配点对在参考影像和目标影像上的坐标，a、b、c、d、e、f是模型系数。然后通过最小二乘平差方法来剔除残差大于粗差阈值的匹配点(具体实施时可预设粗差阈值的取值，一般设为3个像素)，最终保留下来的匹配点对认为是正确的匹配点，用于后续的平差处理。

具体实施时，可采用计算机软件技术实现以上流程的自动运行。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。