| 曲靖师范学院数学与信息科学学院 摘要：多源遥感图像的成像差异性，使如何提取出尺度不变性特征成为遥感图像配准中的重要问题。本文将几种基于尺度空间的 特征点提取算法进行了分析总结，指出尺度不变性特征是提高遥感图像配准精度的重要途径。最后对多尺度空间理论的应用做了展望。 关键词：图像配准；多尺度空间；尺度不变特征； 1.引言 遥感图像配准就是对于不同时间、不同传感器或不同条件下 获取的两幅或多幅图像建立相同像素的坐标对应关系，得到图像 之间的转换关系，实现图像的几何纠正。 遥感图像来源的多样性，使得针对同一目标所获取的图像之 间不仅存在平移、旋转等变化，更加存在尺度、光谱信息上的差 异。因此，遥感图像配准技术的研究是一个及其困难且有重要意 义的工作。 2.基于特征点的遥感图像配准方法 现有的图像配准方法主要归为两大类：基于灰度的配准方法 和基于特征的配准方法。基于灰度的配准方法通过图像对应点周 围的灰度进行相似性计算，计算量大且要求图像同质同源，不适 用于多源遥感图像。 基于特征的配准方法从图像中选择某种图像特征，为两幅图 像建立适合的特征空间，提取共同的特征信息，从而实现图像配 准。图像的特征可以在多源图像间稳定存在，因此，基于特征的 配准方法计算量小、鲁棒性强、对几何形变有较好的适应性。然 而，有些特征不具有尺度不变性，尤其是同一目标的相同特征会 因遥感图像之间尺度的不同而发生改变。因此，可用于多源遥感 图像配准的特征要求对分辨率差异保持稳定，即具有尺度不变 性。 3.多尺度空间理论 尺度空间理论通过得到不同尺度下的图像信息表示，综合多 尺度下的图像信息来深入挖掘图像的本质特征。 一幅图像的尺度空间定义为该图像与尺度的高斯核函数卷 积而成，即： （1） 式（1）中，表示在尺度下的尺度空间，表示在尺度下的二 维高斯核函数，表示输入图像。 为了有效地在尺度空间中检测出稳定的图像特征点，将相邻 尺度空间图像两两差分得到高斯差分尺度空间（DoG 空间）。DoG 算子定义为两个邻近尺度的高斯核的差分。利用DoG 算子与输入 图像卷积来寻找极值点。公式如下： （2） 式（3）中的高斯差分尺度函数简化了计算过程，使直接通 过简单的相减便可得到。DoG 函数是尺度空间的不变量，所以具 有尺度不变性。 4.尺度不变性特征 图像的特征主要包括点特征、边缘特征以及区域特征。目前， 多尺度空间主要应用于点特征的提取。 4.1 SIFT 特征点 SIFT 算法是Lowe 于1999 年提出，并在2004 进一步发展完 善。该算法分为以下两个步骤：1）尺度不变特征点的检测。SIFT 算法在DoG 空间中进行极值点检测，得到一系列特征点及其几何 位置与尺度信息。2）特征空间的建立。算法以每个特征点为中 心建立一个区域统计出该区域的梯度直方图，取最大梯度幅值对 应的相位为该特征点的主方向。接着，划分区域为16 个子域， 每个子域统计出8 个方向的梯度直方图，构建出128 维的特征向 量。特征向量以主方向为轴具有旋转不变性。 SIFT 特征点最显著的特点就是具有尺度不变性与旋转不变 性。实验证实，该算法被具有最强的鲁棒性。 4.2 SURF 特征点 SURF 算法是对SIFT 算法在效率方面的改进。步骤如下：1） 尺度不变特征点的检测。SURF 算法中增加图像核的尺寸，同时 处理尺度空间多层图像。并在尺度空间中使用与该尺度层图像解 析度相对应大小的滤波器进行极值点检测。2）构造特征向量。 算法以每个特征点为中心建立一个区域统计该区域水平与垂直 方向上的Haar 小波响应，相加后最长矢量的方向为该特征点的 主方向。接着，划分区域为16 个子域，为每个子域统计出水平 方向与垂直方向（相对于主方向）Haar 小波特征，使每个子域具 有4 个值，从而构建出64 维的特征向量。相比SIFT 特征而言， 特征向量少了一半，大大加快了匹配速度。 4.3 Harris 算子与尺度空间 Harris 算子是Harris C.G 和Stephens M.J 于1988 年提出的。 Harris 算子具有较高的定位准确度、较好的算法鲁棒性，但对点 特征的检测是在单一尺度上，不具备尺度不变性。2004 年 Mikolajczyk 和Schmid 结合尺度空间理论提出了Harris -Laplace 特征检测算法，算法步骤如下：1）构建尺度空间。算法选用以k 倍递增的不同高斯卷积核与原图像进行卷积运算生成LoG 空间。 2）Harris-Laplace 角点检测。LoG 空间中采用二阶自相关矩阵， 计算出每个点在邻域内的梯度分布情况，以及在每个尺度空间图 像上该点的响应值，将满足设定阈值的点作为检测到的特征点。 因此，结合了尺度空间的Harris 算子获得了尺度不变性。 综上所述，遥感图像配准领域中，提取尺度不变性特征成为 提高遥感图像配准精度的重要途径。尺度不变性理论并不仅仅可 以应用到特征点的提取，更可以推广到图像的边缘特征与区域特 征的提取。 针对边缘特征，结合尺度空间可以通过原图像卷积弱化遥感 图像细节，有利于减少琐碎边缘特征的产生。针对区域特征，结 合尺度空间可以利用高尺度空间图像分割结果来指导低尺度空 间的区域合并，有效防止过分割现象。 总结 随着算法的不断成熟，有效的寻找到尺度不变性特征成为遥 感图像配准的重要发展方向。因此，多尺度空间在遥感图像处理 中值得深入研究。 参考文献： [1]李伟生.用Harris-Laplace 特征进行遥感图像配准[J].四川大 学学报，2011，43（4）：89-95. [2]Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].Int.J.Computer Vision，2004，60（2）：63-86. [3]滕义伟.基于多尺度特征点提取的图像配准[D].北京：北京 工业大学，2013. [4]汪汉云.多源遥感图像配准技术综述[J].计算机工程，2011， 37（19）. |
| 在线咨询: |
|
| 联系电话: | 18602588568 |
| 投稿邮箱: | bosslunwen@126.com |
| ★诚信★专业★权威★快速★ | |
