一种高分卫星影像匹配方法与流程

1.本发明涉及一种高分卫星影像匹配方法。


背景技术：

2.图像匹配作为是图像分析的关键技术之一，在目标检测识别、导弹成像制导、卫星测量、地质调查领域中有着广泛的应用场景，通常卫星影像的信息量较大，且由于地貌形态复杂，存在一定程度的地面杂波、形状畸变和灰度差异等自身成像机理和外部成像环境多种因素对卫星影像匹配方法的相关研究增加了一定的难度。常见的卫星影像匹配方法主要分为基于灰度的方法和基于特征的方法这两类。基于灰度的图像匹配方法计算量较大，易受光照、噪声等干扰的影响。相比之下，基于特征的图像匹配方法对灰度、形状等变化具有一定的鲁棒性，且匹配运算量较小，逐渐成为卫星影像匹配研究的热点。
3.基于特征的图像匹配方法的匹配精度很大程度上由所选择和抽取的特征的质量决定，其中矩特征受关注较多，用于卫星影像匹配取得了较好的效果。近年来提出的franklin矩所依据的franklin函数仅由一次分段多项式组成，避免了高次多项式的计算，具有复杂度低、数值稳定的优点；而且franklin矩可以使得图像分解后的信息具有独立性，避免了冗余，可以很好的表征图像形状特征。此外，为了使图像描述更准确，提出旋转不变二值化gabor模式(bgp
ri
)来描述纹理特征，另外，为了改善匹配速度以及匹配的智能度，大多采取缩小搜索空间和引入优化算法两种途径。
4.使用“nsst、franklin矩、人工蜂群、卫星影像匹配”为关键词检索公开发表文献，未发现相关论文或专利。根据以上检索结果，在卫星影像匹配方面还没有令人满意的有效的算法。


技术实现要素：

5.发明目的：针对现有卫星影像匹配领域中存在的问题，进一步提高卫星影像匹配的精度和速度，本发明公开了一种基于nsst域franklin矩的卫星影像匹配方法。首先分别对基准卫星影像和待匹配卫星影像进行nsst变换；然后对两幅卫星影像分解后高尺度下的低频成分进行粗匹配；最后根据粗匹配结果反溯至低尺度下的低频成分，逐层求精，完成卫星影像的精匹配。在匹配过程中，以bgp
ri
特征作为纹理特征、franklin矩作为形状特征，融合形成匹配特征，以改进扰动蜂群优化算法作为智能优化策略搜寻最佳匹配点，最终实现卫星影像的匹配。大量实验结果表明，该方法表现出在匹配精度和速度上的优势，具有一定的抗噪声能力、抗亮度变化能力、抗尺度变化能力和抗旋转能力。
6.技术方案：本发明公开了一种基于nsst域bgp
ri
特征融合franklin矩的卫星影像匹配方法，包括如下步骤：
7.步骤1，对两幅待匹配卫星影像分别进行非下采样shearlet变换，提取两幅待匹配图像分解后高尺度下的低频成分；
8.步骤2，融合二值gabor模式(bgp
ri
)纹理特征和franklin矩形状特征，作为匹配特
征，采用改进的扰动蜂群优化算法作为智能优化策略搜寻最佳匹配点，实现基准卫星影像和待匹配卫星影像的粗匹配，根据粗匹配结果反溯至低尺度下的低频成分，最终实现卫星影像的精匹配。
9.步骤1包括：所述非下采样shearlet变换包括多尺度分解和多方向分解，所述多尺度分解是对图像进行j次无下采样金字塔分解后，得到与原图像尺寸相同的j+1个分量，包括1个低频成分和j个高频成分；所述多方向分解通过改进的剪切滤波器对每一层高频成分进行方向细分(参考文献：人工蜂群优化的非下采样shearlet域引导滤波图像增强[j]，西安交通大学学报，2015,49(6)：39-45)，最后经过逆傅里叶变换和二维卷积完成。
[0010]
步骤2包括：
[0011]
步骤2-1：初始化人工蜂群优化算法的参数，为了进一步提高算法的搜索遍历度及多样度，避免算法陷入局部极值，在搜索全过程采用不同策略进行优化，利用tent混沌序列初始化蜂群优化算法，产生蜂群初始位置并进行映射；
[0012]
步骤2-2：提取基准卫星影像和待匹配卫星影像的融合二值gabor模式(bgp
ri
)纹理特征和franklin矩形状特征，从而构造匹配特征，对基准卫星影像和待匹配卫星影像的特征进行描述，作为改进的扰动蜂群优化算法的适应度函数，结合基准卫星影像和待匹配卫星影像的特征的匹配程度搜寻待匹配卫星影像在基准卫星影像中的坐标位置；
[0013]
步骤2-3：引领蜂随机搜索新的解，如果新的解适应度值高于当前解的适应度值，则将新的解赋值给当前解；
[0014]
步骤2-4：观察蜂依据引领蜂发出的信号选择所跟随的引领蜂，并在引领蜂附近随机搜寻新的食物源，如果新的食物源适应度值更高，则将新的食物源所在位置赋予引领蜂所在位置；如果某些引领蜂对应的食物源在n1(一般取值为5)次循环之后仍没有改善，则利用tent混沌序列对其进行重置，将离最优食物源距离最远的引领蜂淘汰，重新更新计算，以跳出局部极值开始新的搜索；
[0015]
步骤2-5：如果引领蜂在x1(一般取值为3)次循环中其适应度值没有得到改善，则引领蜂变为侦查蜂，搜索新的解替代原解；
[0016]
步骤2-6：每次循环迭代结束时，记录这次循环的最优解，循环计数器加1；
[0017]
步骤2-7：当算法迭代次数达到x2(一般取值为20)时，人工蜂群优化算法结束，所得解即为最高尺度下基准卫星影像和待匹配卫星影像低频成分的最佳匹配位置；否则跳到步骤2-3继续执行；
[0018]
步骤2-8：在父节点尺度基准卫星影像的低频成分邻域窗口内搜索和待匹配卫星影像低频成分的最佳匹配位置，重复步骤2-2～步骤2-8，直到递推至原始图像，得到基准卫星影像和待匹配卫星影像的最佳匹配位置，实现精匹配。
[0019]
步骤2-2中，二值gabor模式(bgpri)纹理特征定义为：
[0020]
设定g0,g1,
…
,g
j-1
为仅方向参数不同的j个gabor滤波器，gj-1表示第j个gabor滤波器，首先将图像在傅里叶变换域内，经j个gabor滤波器滤波得到滤波器响应r＝{rj|j＝0,1,
…
,j-1}；然后二值化滤波器响应，得到向量b＝{bj|j＝0,1,
…
,j-1}，其中rj表示第j个滤波器响应向量，bj表示第j个二值化滤波器响应向量；最后按下式得到旋转不变二值化gabor模式bgp
ri
特征：
[0021][0022][0023]
其中，f
bgp
为二值化gabor模式bgp特征，f
bgpri
为旋转不变二值化gabor模式bgp
ri
特征；ror(f
bgp
,j)表示将f
bgp
循环右移j位。
[0024]
步骤2-2中，图像f(x,y),0≤x,y≤1的n阶m次franklin矩形状特征f
nm
(x,y)定义为：
[0025][0026]
其中，x、y分别指图像归一化变换后每个像素点的横坐标、纵坐标；d是求积分，φn(x)φm(y)是franklin基函数。
[0027]
步骤2-2还包括：在极坐标系(ρ,θ)下，图像f(ρ,θ)的n阶m次franklin矩f
nm
(ρ,θ)的定义为：
[0028][0029]
其中，ρ,θ分别表示极坐标下的极径和极角，φn(ρ,θ)是franklin基函数转变到极坐标系上的值，e表示自然常数；
[0030]
旋转了角度之后的图像franklin矩f
nm
′
和旋转前的franklin矩f
nm
之间的关系为：
[0031][0032]
步骤2-2中，为了更精准描述图像多源特征，融合上述纹理及形状两类特征，组织形成新的特征向量作为匹配特征。将基准卫星影像和待匹配卫星影像的二值gabor模式纹理特征和5阶5次franklin矩形状特征组成匹配特征，依据如下关系构造人工蜂群优化算法的适应度函数f
fitness
，作为当前食物源的适应度值：
[0033][0034]
其中，为分解后的待匹配卫星影像低频成分的二值gabor模式纹理特征和n阶m次franklin矩形状特征组成的匹配特征；是在基准卫星影像低频成分上以当前食物源位置为左上角顶点、与待匹配卫星影像尺寸相同的可疑区域的二值gabor模式bgp
ri
纹理特征及(n+m)阶franklin矩形状特征组成的匹配特征。
[0035]
本发明提出了一种基于nsst域改进扰动蜂群、bgp
ri
franklin矩的高分卫星影像匹配方法。首先分别对基准图像和待匹配图像进行nsst变换，再对两幅图像分解后高尺度下的低频分量进行粗匹配，最后根据粗匹配结果反演至低尺度下的低频分量，逐层求精，完成遥感图像的精匹配。在匹配过程中，以bgpri描述纹理特征、franklin矩描述形状特征，综合融合作为匹配特征，以改进扰动蜂群算法作为智能优化策略搜寻最佳匹配点，最终实现高分卫星影像的匹配。实验结果表明，该方法对有一定旋转角度变化和噪声的遥感图像也同
样能实现精确匹配，在匹配精度和速度上具有优势。采用tent映射以及混沌因子等多策略在整个搜索过程对人工蜂群算法进行适应性分阶段改进优化，具有更好遍历性和多样性，避免其陷入局部极值。
[0036]
本发明具有如下技术特点：
[0037]
(1)无下采样shearlet变换(nsst)是在shearlet变换基础上的一种改进，可以近乎最优地对高维几何结构进行稀疏表示，更为准确地描述图像特征。对基准卫星影像和待匹配卫星影像分别进行nsst变换，提取两幅图像分解后高尺度下的低频成分，缩小匹配搜索空间，大大减少运算量；
[0038]
(2)以融合二值gabor模式(bgp
ri
)纹理特征及franklin矩形状特征franklin矩构造匹配特征，复杂性低且特征描述准确，支持较为准确地实现匹配。人工蜂群优化算法具有计算简单、收敛速度快、需要调整参数少等优点，采用多策略分阶段优化的改进扰动蜂群优化算法作为智能优化策略搜寻最佳匹配点有望进一步提高最优匹配位置搜索的准确性和实时性；
[0039]
(3)根据粗匹配结果反溯至低尺度下的低频成分，逐层求精，最终实现卫星影像的精匹配。通过缩小搜索空间和引入优化算法，使得本发明快速完成图像精匹配。
[0040]
有益效果：与现有技术相比，本发明的优点在于：
[0041]
(1)利用nsst近乎最优地对高维几何结构进行稀疏表示，缩小匹配搜索空间同时不丢失细节特征，提高匹配速度；采用多策略分阶段改进蜂群优化搜索算法，以此对最佳匹配位置的搜寻过程优化加速，进一步缩短匹配时间，提升方法的智能度；
[0042]
(2)考虑计算速度较快，唯一性识别精度较高，franklin矩的正交性和旋转不变性，利用bgp
ri
特征、franklin矩描述两幅卫星影像的形状、纹理等匹配特征，提高匹配精度，减少计算复杂性，具有一定的抗噪声能力、抗亮度变化能力、抗尺度变化能力和抗旋转能力；
[0043]
(3)综合优化匹配精度、匹配速度，进一步提高匹配自动化水平。
附图说明
[0044]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0045]
图1是本发明的流程示意图。
[0046]
图2是本发明的图像nsst分解流程示意图。
具体实施方式
[0047]
本发明提供了一种基于nsst域bgp
ri
、franklin矩的卫星影像匹配方法。该方法首先分别对基准卫星影像和待匹配卫星影像进行nsst变换，再对两幅图像分解后高尺度下的低频成分进行粗匹配，最后根据粗匹配结果反溯至低尺度下的低频成分，逐层求精，完成卫星影像的精匹配。在匹配过程中，以融合二值gabor模式(bgp
ri
)纹理特征及franklin矩形状特征franklin矩构造匹配特征，以改进扰动蜂群优化算法作为智能优化策略搜寻最佳匹配点，最终实现卫星影像的匹配。
[0048]
下面结合附图和具体实施方式，进一步阐明本发明。
[0049]
实现本发明的流程示意图如图1所示，方法具体实施步骤如下：
[0050]
步骤1，对两幅待匹配卫星影像分别进行非下采样shearlet变换，提取两幅待匹配图像分解后高尺度下的低频成分；图2给出了nsst的分解流程；
[0051]
步骤2，融合二值gabor模式(bgp
ri
)纹理特征和franklin矩形状特征，作为匹配特征，采用改进的扰动蜂群优化算法作为智能优化策略搜寻最佳匹配点，实现基准卫星影像和待匹配卫星影像的粗匹配，根据粗匹配结果反溯至低尺度下的低频成分，最终实现卫星影像的精匹配。
[0052]
步骤1包括：所述非下采样shearlet变换包括多尺度分解和多方向分解(图2中用虚线框表示)，所述多尺度分解是对图像进行j次无下采样金字塔分解后，得到与原图像尺寸相同的j+1个分量，包括1个低频成分和j个高频成分；所述多方向分解通过改进的剪切滤波器对每一层高频成分进行方向细分，最后经过逆傅里叶变换和二维卷积完成。
[0053]
步骤2包括：
[0054]
步骤2-1：初始化人工蜂群优化算法的参数，为了进一步提高算法的搜索遍历度及多样度，避免算法陷入局部极值，在搜索全过程采用不同策略进行优化，利用tent混沌序列初始化蜂群优化算法，产生蜂群初始位置并进行映射；本实施例中设置人工蜂群优化算法中引领蜂和观察蜂的数量各为20；搜索维数为2，最大循环次数为20；判定局部极值的循环次数为3。
[0055]
步骤2-2：提取基准卫星影像和待匹配卫星影像的融合二值gabor模式(bgp
ri
)纹理特征和franklin矩形状特征，从而构造匹配特征，对基准卫星影像和待匹配卫星影像的特征进行描述，作为改进的扰动蜂群优化算法的适应度函数，结合基准卫星影像和待匹配卫星影像的特征的匹配程度搜寻待匹配卫星影像在基准卫星影像中的坐标位置；
[0056]
步骤2-3：引领蜂随机搜索新的解，如果新的解适应度值高于当前解的适应度值，则将新的解赋值给当前解；
[0057]
步骤2-4：观察蜂依据引领蜂发出的信号选择所跟随的引领蜂，并在引领蜂附近随机搜寻新的食物源，如果新的食物源适应度值更高，则将新的食物源所在位置赋予引领蜂所在位置；如果某些引领蜂对应的食物源在n1(一般取值为5)次循环之后仍没有改善，则利用tent混沌序列对其进行重置，将离最优食物源距离最远的引领蜂淘汰，重新更新计算，以跳出局部极值开始新的搜索；
[0058]
步骤2-5：如果引领蜂在3次循环中其适应度值没有得到改善，则引领蜂变为侦查蜂，搜索新的解替代原解；
[0059]
步骤2-6：每次循环迭代结束时，记录这次循环的最优解，循环计数器加1；
[0060]
步骤2-7：当算法迭代次数达到20时，人工蜂群优化算法结束，所得解即为最高尺度下基准卫星影像和待匹配卫星影像低频成分的最佳匹配位置；否则跳到步骤2-3继续执行；
[0061]
步骤2-8：在父节点尺度基准卫星影像的低频成分邻域窗口内搜索和待匹配卫星影像低频成分的最佳匹配位置，重复步骤2-2～步骤2-8，直到递推至原始图像，得到基准卫星影像和待匹配卫星影像的最佳匹配位置，实现精匹配。
[0062]
步骤2-2中，二值gabor模式(bgpri)纹理特征定义为：
[0063]
设定g0,g1,
…
,g
j-1
为仅方向参数不同的j个gabor滤波器，gj-1表示第j个gabor滤
波器，首先将图像在傅里叶变换域内，经j个gabor滤波器滤波得到滤波器响应r＝{rj|j＝0,1,
…
,j-1}；然后二值化滤波器响应，得到向量b＝{bj|j＝0,1,
…
,j-1}，其中rj表示第j个滤波器响应向量，bj表示第j个二值化滤波器响应向量；最后按下式得到旋转不变二值化gabor模式bgp
ri
特征：
[0064][0065][0066]
其中，f
bgp
为二值化gabor模式bgp特征，f
bgpri
为旋转不变二值化gabor模式bgp
ri
特征；ror(f
bgp
,j)表示将f
bgp
循环右移j位。
[0067]
步骤2-2中，图像f(x,y),0≤x,y≤1的n阶m次franklin矩形状特征f
nm
(x,y)定义为：
[0068][0069]
其中，x、y分别指图像归一化变换后每个像素点的横坐标、纵坐标；d是求积分，φn(x)φm(y)是franklin基函数。
[0070]
步骤2-2还包括：在极坐标系(ρ,θ)下，图像f(ρ,θ)的n阶m次franklin矩f
nm
(ρ,θ)的定义为：
[0071][0072]
其中，ρ,θ分别表示极坐标下的极径和极角，φn(ρ,θ)是franklin基函数转变到极坐标系上的值，e表示自然常数；
[0073]
旋转了角度之后的图像franklin矩f
nm
′
和旋转前的franklin矩f
nm
之间的关系为：
[0074][0075]
步骤2-2中，为了更精准描述图像多源特征，融合上述纹理及形状两类特征，组织形成新的特征向量作为匹配特征。将基准卫星影像和待匹配卫星影像的二值gabor模式纹理特征和x1阶x1次(x1一般取值为5)franklin矩形状特征组成匹配特征，依据如下关系构造人工蜂群优化算法的适应度函数f
fitness
，作为当前食物源的适应度值：
[0076][0077]
其中，为分解后的待匹配卫星影像低频成分的二值gabor模式纹理特征和n阶m次franklin矩形状特征组成的匹配特征；是在基准卫星影像低频成分上以当前食物源位置为左上角顶点、与待匹配卫星影像尺寸相同的可疑区域的二值gabor模式纹理特征及(n+m)阶franklin矩形状特征组成的匹配特征。
[0078]
为了验证本发明方法的匹配性能，对levir-cd数据集中200组遥感数据进行匹配实验，平均运行时间1.0337s，平均匹配误差(/像素)为(0.002,0.013)，正确匹配率98.7％。此外，为了验证本发明抗噪性，在待匹配图像中分别加入均值为0，方差为0.1的高斯噪声，
利用本发明方法对加噪后的遥感数据进行匹配，实验结果所得正确匹配率均大于95％。
[0079]
具体实现中，本技术提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种高分卫星影像匹配方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0080]
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机。muu或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0081]
本发明提供了一种高分卫星影像匹配方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。