基于改進MSER與SIDs特征的遙感圖像配準算法

, ,

(1.運城學院 數(shù)學與信息技術(shù)學院,山西 運城 044000;2.西北工業(yè)大學 計算機學院 光學影像分析與學習中心,陜西 西安 710072)

0 引言

圖像配準是根據(jù)某種相似性度量對取自不同時間、不同視角、不同場景的兩幅或者多幅圖像進行空間對準的過程[1],被廣泛應用于動態(tài)目標檢測、圖像融合、醫(yī)學影像分析等諸多領(lǐng)域．

遙感圖像配準作為遙感圖像處理的重要研究內(nèi)容,是實現(xiàn)圖像校正、目標識別、圖像重建等的關(guān)鍵步驟．目前,圖像配準算法主要分為基于灰度和基于特征的圖像配準算法兩類．基于灰度的配準方法利用圖像的灰度信息估計變換參數(shù),算法實現(xiàn)簡單,但計算量大．基于特征的圖像配準算法通過提取圖像中的顯著特征,利用匹配的特征估計變換模型,定位精度高、魯棒性好,可實現(xiàn)高效配準,已成為目前主流的圖像配準算法．文獻[2]提出的尺度不變特征變換(Scale Invariant Feature Transform,SIFT)是一種典型的基于特征的圖像配準算法,因其具有較好的尺度、旋轉(zhuǎn)不變性,以及對光照、噪聲和仿射變化具有較強的魯棒性等優(yōu)點而得到廣泛的應用．在此基礎(chǔ)上,國內(nèi)外學者提出了一系列改進算法[3-13]．文獻[7]在配準遙感圖像時,利用局部K近鄰點的三角面積比構(gòu)造仿射不變的描述子,提出了一種穩(wěn)健的點匹配算法．傳統(tǒng)點特征的配準方法此時往往會提取大量的特征點,特征匹配耗時長,且特征點分布密集,容易產(chǎn)生誤匹配,影響配準的精度．文獻[8]將加速穩(wěn)健特征(Speeded Up Robust Features,SURF)的特征點作為最小生成樹的頂點,構(gòu)造了一種新的區(qū)域描述子,在配準自然和城區(qū)圖像時表現(xiàn)出較高的精度和魯棒性．文獻[9]提出一種基于區(qū)域的多尺度方法,其通過提取圖像的局部高對比度區(qū)域來獲得顯著SIDs特征,但不具有仿射不變性．文獻[10]將仿射歸一化方法與相干點漂移算法(CPD)相結(jié)合用于SAR圖像配準中,取得了較好配準效果,但其特征描述簡單難以保證較高的識別精度．

對于一些存在較大變形且紋理結(jié)構(gòu)豐富的遙感圖像,采用單一特征進行匹配,難以獲得較高的配準精度．考慮到區(qū)域特征區(qū)分度高,包含的信息多,不會出現(xiàn)因檢測輪廓或點的不準確而得到較差的配準效果同時點特征對位置變化敏感,定位精確,本文將點特征與區(qū)域特征相結(jié)合提出一種新的仿射不變的圖像配準算法,首先將MSER特征用于粗匹配,再利用高斯函數(shù)來精確定位MIMF響應的極值點,獲得穩(wěn)定特征點并匹配,從而精確估計變換參數(shù)．所提算法有效利用了MSER特征,減少了不必要的特征點,提高了配準的效率和精度．

1 改進的SIDs特征點和MSER特征提取算法

1.1 SIDs特征提取

SIDs基于圖像的灰度值直接提取而來,反映了圖像中的高對比度區(qū)域,SIDs特征可采用多尺度各向同性相匹配濾波方法(MIMF)[11]進行快速提取．

SIDs特征點的提取主要包括特征點的尺度估計、特征點的精確定位及篩選三個步驟．

設(shè)點(i,j)的尺度為ρ,尺度因子m,滿足1≤m≤Λ,Λ為給定的尺度上限,定義SIDs控制點的局部尺度ρ為尺度空間滿足同質(zhì)約束的局部對比度的最大值,即:

(1)

其中,e(i,j,m)為點(i,j)對應尺度m的局部對比度的估計,d(i,j,m)表示區(qū)域的一致性,α為約束系數(shù)．由(1)式可估計出SIDs控制點的局部尺度ρ,進而檢測SIDs控制點,其取決于MIMF在感興趣區(qū)域A的濾波響應局部極值點:

?Γk},

(2)

其中,f(i,j)為輸入圖像, (i,j)k表示第k個局部極值點的坐標,Γk為去除決定極值附件區(qū)域后的部分,Φ[f(i,j),ρ(i,j)]為點(i,j),尺度為ρ(i,j)的濾波函數(shù),滿足:

Φ[f(i,j),ρ(i,j)]=e(i,j,ρ)-α·d(i,j,ρ)-β·c(i,j,ρ),

(3)

c(i,j,ρ)為當前圖像塊存在的可能性估計,α,β為約束系數(shù)．直接利用(2)式檢測的極值點并不都滿足穩(wěn)定、唯一性和不變性．因此,需要對得到的極值點進行進一步篩選以獲得具有尺度、旋轉(zhuǎn)、平移不變性且定位準確、魯棒性好的特征點．

1.2 基于高斯差分函數(shù)的SIDs特征點提取

SIDs特征點的提取是通過搜索MIMF濾波響應值的空間極值點而獲得的,而高斯差分函數(shù)(Difference of Gaussian,DOG)計算簡單,且檢測出的特征點穩(wěn)定性好,因此,為增強匹配的穩(wěn)定性、提高抗噪聲能力,在提取極值點的過程中利用高斯差分函數(shù)的泰勒展開式,通過線性插值來尋找穩(wěn)定且定位精確的極大值點作為最終的特征點．

1.3 結(jié)合區(qū)域選擇的MSER特征檢測與匹配

一個極值區(qū)域?qū)嶋H上就是一個像素間存在四鄰域關(guān)系的像素集,且該區(qū)域內(nèi)的所有像素的灰度值都大于或小于區(qū)域邊界像素點的灰度值．MSER是一種基于灰度的區(qū)域檢測算子,其對光照、視角變化均具有較好的適應性．通常利用MSER可得到許多不同大小的最大穩(wěn)定極值區(qū)域,而面積過大或者過小的區(qū)域獨特性較差,同時,得到的特征區(qū)域數(shù)量往往較大,且存在交疊嵌套,若直接用這些區(qū)域進行匹配,不但消耗大量時間,也容易產(chǎn)生誤匹配,為此,本文在利用MSER特征區(qū)域時,對其進行了篩選,設(shè)Q為篩選區(qū)域,QΓ為MSER特征區(qū)域,Q=?,?Qi?QΓ,記Qi為Q中與Q∩Qi連通區(qū)域,則:Forj=1:Γ

IfQmin

IfQ∩Qj=?,Q={Q,Qj};

Else ifQi?Qj,則Q={QQi,Qj};

Else ifQj?Qi,則Q=Q;

Else ifQi?Qj,Qj?Qi,|Qi(Qi∩Qj)|≤|Qj(Qi∩Qj)|

if |Qj(Qi∩Qj)|≤|Qi(Qi∩Qj)|+δ,Q={QQi,Qj};

ElseQ={Q,Qj(Qi∩Qj)};

Else ?∥Qi?Qj,Qj?Qi,|Qj(Qi∩Qj)|≤|Qi(Qi∩Qj)|

if |Qi(Qi∩Qj)|≤|Qj(Qi∩Qj)|+δ,Q=Q;

ElseQ={Q(Qi∩Qj),Qj};

end

從而獲得大小均勻、一致性好的區(qū)域,且滿足:

Qmin

(4)

其中,Qmin,Qmax分別為最小、最大區(qū)域面積閾值,δ∈R+為常數(shù),Γ為MSERs特征數(shù)量．

圖1 橢圓形區(qū)域的歸一化

MSER特征區(qū)域往往具有任意不規(guī)則形狀,因而難以進行特征描述,數(shù)學上,協(xié)方差可以度量連個特征向量在相同方向上的改變趨勢,對應幾何上特征的橢圓分布,協(xié)方差越大,相橢圓也就越扁,對應的特征向量都聚集在主軸附近．文獻[12]將(0,1)T作為仿射歸一化變換的特征向量,提出了一種基于LO-RANSAC的快速仿射變換算法,獲得了自由度受限的仿射變換參數(shù)．文獻[13]具體給出了仿射歸一化過程,如圖1所示,首先將MSER區(qū)域表征成橢圓形區(qū)域,同時對其擴展到較大的橢圓形測量區(qū)域,二者中心一致,且測量區(qū)為擬合橢圓的μ倍,一般取μ=3,再將測量區(qū)歸一化到指定大小的圓形區(qū)域即歸一化區(qū)域．

在得到歸一化的圓形區(qū)域之后,原始區(qū)域的識別與匹配就轉(zhuǎn)化為歸一化的圓形區(qū)域的識別,本文采用類似SURF[14]描述子的方法來建立區(qū)域特征描述向量即將歸一化圓形劃分成4×4的子塊,計算各子塊圖像各點的Haar小波在x、y方向的響應,同時使用高斯加權(quán)函數(shù)對響應值進行加權(quán),統(tǒng)計響應值∑dx，∑|dx|，∑dy，∑|dy|形成特征向量．

2 本文算法步驟

基于特征的圖像配準算法主要包括特征提取、特征匹配、變換參數(shù)估計及重采樣配準圖像4個步驟,其中,特征提取與匹配是基于特征配準算法的關(guān)鍵．本文將MSER區(qū)域特征與SIDs特征點相結(jié)合,構(gòu)造了一種具有仿射不變性的圖像配準算法,主要流程如圖2所示．

圖2 結(jié)合SIDs與MSER特征的遙感圖像配準算法

3 實驗結(jié)果及分析

圖3 本文算法處理結(jié)果:(ai)參考圖像;(bi) 待配準圖像;(ci) 區(qū)域匹配;(di) 配準結(jié)果(i=1,2)

Group 1ASIFTSIDsISIDs Group 2 ASIFTSIDsISIDs T (s)72.786 91614.310 7868.461 195108.103 23818.857 259.020 056 NC/NT1 849/1 9162/43 057/3 2293 982/4 00579/841 800/1 849 R96.5050.0092.6699.4394.0597.349 9 RMES2.365 2-0.732 01.174 83.884 30.611 5

注:“-”表示算法失效．

從配準精度RMSE值來看,本文算法RMSE值均小于1,配準精度提升明顯,一方面是因為MSER區(qū)域特征計算簡單,同時在粗匹配階段對其進行了篩選歸并,排除了相似區(qū)域的干擾,使得粗匹配參數(shù)更加精確可靠;另一方面,利用高斯差分函數(shù)提取MIMF濾波響應極值點,并去除了不穩(wěn)定和低對比度的響應極值點,從而獲得更加精準的特征點．

圖4 光照變化對不同算法配準結(jié)果的影響

在獲取圖像過程中,不同光照會影響采樣量化,因而得到的灰度值常存在差異,細微的光照變化可能對應圖像灰度值的細微變化,而這種細微的灰度變化很可能對配準結(jié)果產(chǎn)生較大影響,甚至導致最終配準算法失效,因此,配準算法能適應光照變化,尤為重要,為分析本文算法對光照變化的敏感程度,隨機選取了11組在不同光照強度下采集的圖像進行配準實驗,并以最小均方根誤差(RMSE)為指標定量分析了SIDs算法和本文算法配準的精確程度,如圖4所示,從圖4中可以看到不同光照強度,SIDs特征點配準的誤差曲線波動較大,RMSE值變化范圍較大,而改進后 SIDs方法則相對平緩,變化區(qū)間較小,這是因為高斯核函數(shù),能更好反應真實情況的局部極值變化情況,從而在尺度空間內(nèi)檢測出較穩(wěn)定的極值點,提高了特征點定位的精確性和可靠性．

4 結(jié)論

針對不同特性的圖像,選擇圖像中易于提取且能夠在一定程度上代表圖像相似性的特征,可實現(xiàn)高精度、快速有效的配準．SIDs特征易于提取且穩(wěn)定可靠,反映了圖像的灰度特性,而MSER檢測算子具有仿射不變性、計算簡單高效．本文將二者結(jié)合,一方面兼顧了點特征對位置變化敏感和MSER區(qū)域特征的仿射不變性,另一方面也避免了單一特征在較大視角變化下的圖像配準時難以保證較高精度的缺陷．此外,在區(qū)域匹配時,對MSER區(qū)域特征進行了篩選歸并,減少了相似區(qū)域的干擾,利于提高配準效率和精度．文中采用的特征是基于灰度提取的,對于存在較大灰度差異的圖像配準問題,如何進一步提升配準精度和算法的穩(wěn)定性將是下一步研究的重點．