一種多源多光譜遙感圖像特征點匹配算法

一種多源多光譜遙感圖像特征點匹配算法

0多源遙感圖像特征點提取規(guī)模不變特征變換（sift）是基于特征點的特征識別描述方法。在遙感領(lǐng)域中,由于波段或傳感器的不同,導(dǎo)致遙感成像的灰度值呈非線性變化,而SIFT算法只能抗拒光照條件下的灰度值線性變化或近似線性變化,因此無法解決多源遙感圖像特征點匹配問題。但是在遙感圖像融合,幾何糾正,鑲嵌,變化檢測中經(jīng)常要面對大量圖像匹配問題。目前常用基于像素統(tǒng)計的方法來解決這個問題,這種方法簡單直觀,但是計算量很大,而且在圖像有較大旋轉(zhuǎn),較大光照、色彩差異等情況下往往會失敗。因此多源遙感圖像特征點提取及匹配技術(shù)亟待提高。自從提出SIFT算法以后,國內(nèi)外學(xué)者對多源圖像特征點提取算法做了一些研究與探討。目前主要有以下解決辦法。對于那些由于灰度值的變化導(dǎo)致主方向與原來圖像的主方向成180°的情況,Chen等本文針對多源遙感圖像中像素非線性變化導(dǎo)致難以提取正確的特征匹配點對的情況,提出了一種基于主成分分析的多源遙感圖像特征點提取算法。先對多波段遙感圖像進行主成分分析,再用第一主成分作為最終圖像進行特征點提取;對特征點進行匹配時,利用尺度限制條件,既能提高匹配精度又能提高計算速度。1多源遙感圖像特征點提取算法SFIT算法是針對灰度像素統(tǒng)計的,故要使特征點鄰域的像素值盡量相近才能提高特征點正確匹配率。因此先對多源遙感圖像進行PCA變換,可以提取兩幅遙感圖像的共同的光譜信息,再用改進的SIFT算法提取特征點。由于多源遙感圖像之間主要是由灰度的非線性變化引起的差異,本文在匹配時,最近的距離與次近的距離的比例閾值為2.5,實驗效果分析可以得到相對好的效果。算法詳細過程如圖1所示。1.1主成分分析法主成分分析法是在統(tǒng)計特征基礎(chǔ)上進行的一種多維(多波段)正交線性變換,也稱為KL變換。主成分分析法先將具有多波段的多光譜圖像變換后,分解成多個獨立的主分量,通常第一主分量包含了變換前的圖像空間的絕大多數(shù)信息,其余主分量基本上為噪聲,因此第一主分量具有較高的信噪比。通過主成分變換后,選擇第一主分量圖像作為多光譜圖像的待匹配圖像。1.2大尺度遙感圖像主成分對比多源遙感圖像進行了主成分分析預(yù)處理后,兩幅遙感圖像的主成分部分仍然存在一定差異,但在大尺度下兩者之間是相似的,所以在創(chuàng)造尺度空間時,提高尺度因子σ等于1.5。1.3匹配特征點在匹配點對中主要存在兩種匹配錯誤情況:(1)尺度相差較大的匹配點對錯誤1.4消除錯誤對應(yīng)點的配置雖然在上一步中采取提高比例閾值來減少第二種錯誤,但仍存在錯匹配對。本文采用的去外點方法是采用RANSAC隨機抽樣一致性算法2實驗結(jié)果及分析在測試實驗中,采用本文所提特征點算法分別對兩對多源多光譜遙感影像進行匹配,并且與SIFT、GOM-SIFT、SR-SIFT算法的檢測效果比較,驗證本文算法的有效性。實驗1:實驗數(shù)據(jù)采用CBERS-02B和ETM+的多光譜影像數(shù)據(jù)(CBERS-02B有5個波段,ETM+有4個波段)進行測試。本文算法在經(jīng)過主成分變換后的第一主分量圖像之間進行特征點匹配;在SIFT、GOM-SIFT、SR-SIFT檢測算法中,分別隨機選取CBERS-02B多光譜影像和ETM+多光譜影像中任一波段(本實驗CBERS-02B影像采用波段1,ETM+影像采用波段2)進行特征點匹配實驗。并且尺度因子取1.5,比例閾值取2.5。匹配效果如圖2所示,圖2(a)為本文算法的特征點檢測效果圖,本文所提算法總匹配點對為8對,正確匹配率為100%。圖2(b)、(c)、(d)分別采用SIFT、GOM-SIFT、SR-SIFT檢測算法進行特征點檢測實驗,在SIFT檢測算法中,總匹配點對為5對,正確匹配率為80%,GOM-SIFT、SR-SIFT算法與SIFT類似?？梢钥闯?本文提出的算法明顯的好于其他算法。實驗2:第2組采用CBERS-02B和HJ-1B(CBERS-02B有5個波段,HJ-1B有4個波段)進行測試。本文算法在經(jīng)過主成分變換后的第一主分量圖像之間進行特征點匹配;在SIFT、GOM-SIFT、SR-SIFT檢測算法中,分別隨機選取CBERS-02B多光譜影像和HJ-1B多光譜影像中任一波段(本實驗CBERS-02B影像采用波段1,HJ-1B影像采用波段3)進行特征點匹配實驗。并且尺度因子取1.5,比例閾值取2.5。匹配效果如圖3所示,圖3(a)為本文算法的特征點檢測效果圖,本文所提算法總匹配點對為8對,正確匹配率為100%。圖3(b)、(c)、(d)分別采用SIFT、GOM-SIFT、SR-SIFT檢測算法進行特征點檢測實驗。在SIFT檢測算法中,總匹配點對為3對,正確匹配率為100%,在GOM-SIFT檢測算法中,總匹配點對為3對,SR-SIFT算法中根本無匹配點對。因此,本文所提算法明顯好于其他算法。總的匹配情況如表1所示。由測試實驗可以看出,雖然SIFT、GOM-SIFT和SR-SIFT特征點檢測算法對同源圖像有較好的特征點匹配效果。但是對多源多光譜遙感圖像,由于對應(yīng)像素之間的灰度變換比較大,這些常用算法都無法取得較好效果。本文算法先對多源多光譜遙感圖像采取PCA變換,并且選擇了包含變換前的圖像空間的絕大多數(shù)信息的第一主分量圖像作為待匹配圖像,因此待匹配的兩幅圖像灰度值比較接近,這樣能提高正確匹配對數(shù);并且根據(jù)測試實驗可知,本文所提算法對CBERS-02B和ETM+影像之間、CBERS-02B和HJ-1B影像之間均能取得較好的匹配效果,顯示了一定的適用性。3條件匹配和尺度限制針對多源多光譜遙感圖像之間像素灰度值變化比較大的特點,提出了一種基于主成分變換的多源多光譜遙感圖像特征點匹配算法。利用多波段遙感圖像進行主成分變換并且用第一主分量圖像作為待匹配圖像,從而減少灰度值之間的變化大對特征點匹配的影響;對特征點進行匹配時,利用尺度限制條件匹配,既能提高匹配精度又能提高運算速度。這種算法能