線性漸進(jìn)濾光成像高光譜數(shù)據(jù)的波段配準(zhǔn)方法*

于春瑤,方俊永,王瀟,張曉紅,劉學(xué)

(1 中國科學(xué)院空天信息創(chuàng)新研究院, 北京 100094; 2 中國科學(xué)院大學(xué), 北京 100049)

高光譜數(shù)據(jù)具有豐富的空間和光譜信息,能以較高的光譜診斷能力對地物目標(biāo)進(jìn)行精細(xì)化解譯,可大大增強(qiáng)地物信息的提取能力,近年來已成為遙感領(lǐng)域的研究熱點(diǎn)[1]。

目前高光譜圖像傳感器中常見的分光方式主要有光柵分光、棱鏡分光、可調(diào)諧濾光片分光、芯片鍍膜等[2]。本文研究的高光譜相機(jī)基于線性漸進(jìn)濾光片實(shí)現(xiàn)光譜分光及高光譜數(shù)據(jù)采集,與常見的衍射分光的推掃型光譜儀的成像方式不同。漸進(jìn)濾光片型高光譜相機(jī)通常適用于固定成像條件、姿態(tài)穩(wěn)定的場景中,搭載于無人機(jī)平臺的實(shí)例尚不多見。本文針對漸進(jìn)濾光片型高光譜相機(jī)姿態(tài)變化及各波段非同步獲取情況下的配準(zhǔn)問題,提出較適合的數(shù)據(jù)處理流程和方法。首先需要利用與影像獲取同步的POS數(shù)據(jù)對各波段影像進(jìn)行幾何校正。各波段影像數(shù)據(jù)幾何校正完成后,需要對校正后的所有波段影像進(jìn)行波段配準(zhǔn),這樣才可根據(jù)需求將各個(gè)波段組合成彩色圖像來幫助識圖。

校正后的高光譜圖像波段配準(zhǔn)主要用到圖像配準(zhǔn)算法。圖像配準(zhǔn)是對具有一定范圍的重疊區(qū)域的兩幅或多幅圖像進(jìn)行配準(zhǔn)的過程[3-4]。目前的圖像配準(zhǔn)算法主要有兩種:基于灰度的圖像配準(zhǔn)算法和基于特征的圖像配準(zhǔn)算法[5]。其中,基于特征的圖像配準(zhǔn)算法應(yīng)用較為廣泛,常用的基于特征的圖像配準(zhǔn)算法有Moravec算法[6]、Harris算法[7]、SUSAN算法[8]、SIFT算法[9]和SURF算法[10]。SIFT算法對兩幅圖像之間的旋轉(zhuǎn)、平移、尺度縮放等變換具有較強(qiáng)的魯棒性,應(yīng)用較為廣泛[4]。但SIFT算法對圖像之間的灰度差異并不魯棒,因此在對灰度差異比較明顯的圖像之間的配準(zhǔn),很多人提出了改進(jìn)的圖像配準(zhǔn)算法。龔志成等[11]針對多光譜遙感衛(wèi)星圖像提出一種基于特征點(diǎn)的快速配準(zhǔn)方法,在查找的感興趣區(qū)域內(nèi)利用SIFT算法提取特征。劉暢等[12]針對紅外和可見光圖像配準(zhǔn),提出一種基于高曲率特征點(diǎn)匹配的圖像配準(zhǔn)算法。Ma等[13]通過引入新的梯度定義以及增強(qiáng)的特征匹配方法提出PSO-SIFT算法,該算法對圖像的灰度變化更加魯棒。王晶晶等[14]通過設(shè)計(jì)兩組匹配策略實(shí)驗(yàn),提出一種適合框幅式高光譜影像波段配準(zhǔn)的匹配策略。本文處理的高光譜數(shù)據(jù)各波段之間的灰度變化較為明顯,而SIFT算法對于圖像之間的灰度差異不夠魯棒,因此本文調(diào)整了波段配準(zhǔn)的策略,并在PSO-SIFT算法[13]的基礎(chǔ)上,提出適用于線性漸進(jìn)濾光成像的高光譜數(shù)據(jù)波段配準(zhǔn)的雙充分性SIFT算法(double sufficiency-SIFT,DS-SIFT)。本文將介紹線性漸進(jìn)濾光成像傳感器及其成像原理,波段配準(zhǔn)前數(shù)據(jù)預(yù)處理及幾何校正,重點(diǎn)探討DS-SIFT圖像配準(zhǔn)算法原理與流程,最終根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行分析驗(yàn)證。

1 傳感器介紹

本文研究的高光譜相機(jī)采用的傳感器為CMV2K LS150+ VIS-NIR,其基本成像儀類型為CMOSIS CMV2000,屬于線性漸進(jìn)濾光,響應(yīng)范圍為2 048像素×1 088像素,其波長范圍為可見光到近紅外470～900 nm。圖1為本文所研究的傳感器的概念圖。傳感器將高光譜濾光片與標(biāo)準(zhǔn)CMOS圖像傳感器集成:該傳感器去除了笨重的準(zhǔn)直儀、棱鏡和光柵組件,沒有對準(zhǔn)問題;由CMOS處理基礎(chǔ)和制造基礎(chǔ)架構(gòu)支持,具有高性能、低成本等特點(diǎn);由于無人機(jī)載重有限,因此本傳感器在無人機(jī)遙感領(lǐng)域具有良好的應(yīng)用前景。

圖1 線性漸進(jìn)濾光高光譜傳感器概念圖Fig.1 Conceptual picture of linear progressive filter hyperspectral sensor

為便于說明線性漸進(jìn)濾光傳感器的成像原理,將傳統(tǒng)分光方式與線性漸進(jìn)濾光進(jìn)一步闡述,在圖2中進(jìn)行對比。圖2(a)為傳統(tǒng)分光方式成像的相機(jī)一次曝光形成的影像,各個(gè)波段對應(yīng)的都是相同地物。圖2(b)為基于線性漸進(jìn)濾光成像的相機(jī)3次曝光形成的影像,每次曝光不同波段對應(yīng)的地物不同。傳感器獲取數(shù)據(jù)時(shí)每5行對應(yīng)一個(gè)波段,后期為便于處理,將每5行中提取出一行重新組成一個(gè)高光譜影像數(shù)據(jù)進(jìn)行處理,這里采用的是每5行中提取出第3行組成新的影像。

圖2 分光方式對比圖Fig.2 Comparison of spectroscopic methods

2 幾何校正

線性漸進(jìn)濾光傳感器屬于線中心投影。無人機(jī)飛行過程中易受低空氣流影響,飛機(jī)姿態(tài)不穩(wěn)定,速度不均勻,導(dǎo)致影像會有較為嚴(yán)重的幾何變形[15]。利用POS系統(tǒng)可以獲取傳感器實(shí)時(shí)的位置和姿態(tài)信息,從而可對影像進(jìn)行校正。飛行實(shí)驗(yàn)后得到的POS數(shù)據(jù)利用POSPac軟件進(jìn)行處理后可得到姿態(tài)角與位置信息。將其進(jìn)行坐標(biāo)轉(zhuǎn)換,可得到影像在拍攝瞬間的空間位置和姿態(tài)。坐標(biāo)轉(zhuǎn)換過程如下:像空間坐標(biāo)系(i)→傳感器坐標(biāo)系(c)→IMU坐標(biāo)系(b)→導(dǎo)航坐標(biāo)系(n)→地心地固坐標(biāo)系(e)→局部空間直角坐標(biāo)系(m)。其旋轉(zhuǎn)矩陣可表示為

(1)

影像外方位線元素的計(jì)算方法如下:

(2)

其中:(XIMU,YIMU,ZIMU)e為IMU中心在地心空間直角坐標(biāo)系下的坐標(biāo),(xl,yl,zl)為傳感器透視中心在IMU坐標(biāo)系中的坐標(biāo),(X0,Y0,Z0)e為局部空間直角坐標(biāo)系遠(yuǎn)點(diǎn)在地心空間直角坐標(biāo)系中的坐標(biāo)。

提取單行數(shù)據(jù)后的線性漸進(jìn)濾光高光譜影像進(jìn)行幾何校正的原理與以往線陣高光譜影像進(jìn)行幾何校正的原理基本相同,但需注意的是,線性漸進(jìn)濾光高光譜影像需要各個(gè)波段單獨(dú)進(jìn)行幾何校正,各個(gè)波段校正所需的POS數(shù)據(jù)并不相同。本文利用典型的共線方程法對各個(gè)波段進(jìn)行幾何校正,共線方程法中主要有兩種校正方法,一種為直接法幾何校正,另一種為間接法幾何校正。由于直接法幾何校正效果較差,校正后的影像會出現(xiàn)重疊或空白,使得原始數(shù)據(jù)丟失,而間接法的重采樣精度較高,光譜保真度高,因此這里采用間接法對高光譜影像進(jìn)行校正[17]。間接法幾何校正采用的共線方程如下:

(3)

3 波段配準(zhǔn)

根據(jù)線性漸進(jìn)濾光傳感器獲取影像的特點(diǎn),經(jīng)幾何校正后的高光譜影像需要進(jìn)行波段配準(zhǔn)。由于高光譜影像波段數(shù)多,且各波段影像之間的灰度會有明顯差異,因此配準(zhǔn)后100多個(gè)波段上的地物很難一一對應(yīng),這也是對本傳感器獲取的影像進(jìn)行配準(zhǔn)的一個(gè)難點(diǎn)。若只是單純地利用SIFT算法將所有波段影像以某一波段影像為基準(zhǔn)進(jìn)行配準(zhǔn),波段間灰度差異大,而SIFT算法對灰度差異并不魯棒,配準(zhǔn)后的效果較差。因此這里將采用對高光譜各波段影像進(jìn)行分組,選出3層基準(zhǔn)波段,并對分組后的影像利用DS-SIFT算法進(jìn)行圖像配準(zhǔn)。其中,分層有助于選出基準(zhǔn)波段中效果最優(yōu)的波段,通過逐層將其他基準(zhǔn)波段與最優(yōu)基準(zhǔn)波段進(jìn)行配準(zhǔn),使得其他基準(zhǔn)波段間的差異最小化,從而有助于數(shù)據(jù)整體的波段配準(zhǔn)。

3.1 波段配準(zhǔn)策略

3.1.1 波段影像分組并選取基準(zhǔn)波段

線性漸進(jìn)濾光高光譜數(shù)據(jù)所有波段反映的均為同一區(qū)域地物的灰度信息,高光譜數(shù)據(jù)連續(xù)波段圖像之間相似性大,非相鄰波段間的圖像灰度差異較為明顯,尤其是可見光與近紅外譜段的圖像灰度差異很大,甚至?xí)霈F(xiàn)同一地物灰度相反的情況,因此在配準(zhǔn)過程中基準(zhǔn)波段的選取將會對配準(zhǔn)效果產(chǎn)生較大的影響。為取得最佳的配準(zhǔn)效果需要兼顧多個(gè)波段之間的灰度聯(lián)系,因此提出按照分組計(jì)算互信息,并取交點(diǎn)波段作為選取基準(zhǔn)波段的方法?；バ畔⒈硎疽粋€(gè)圖像中包含另外一個(gè)圖像的信息量,若兩個(gè)圖像越相似,互信息也就越大。計(jì)算波段之間的互信息,并將所有互信息數(shù)據(jù)繪制成圖,將圖像交點(diǎn)按照就近原則取整即選出交點(diǎn)波段。對各個(gè)波段圖像進(jìn)行配準(zhǔn)前,首先剔除效果較差的波段,避免個(gè)別質(zhì)量較差的波段影響整體的配準(zhǔn)效果,然后進(jìn)行初步分組選取基準(zhǔn)波段。

初步分組的原則是根據(jù)實(shí)際數(shù)據(jù)的灰度變化情況將波段按照順序進(jìn)行均勻分組,每組的波段數(shù)相同。考慮到需要選取交點(diǎn)波段作為基準(zhǔn)波段,需保證每兩組數(shù)據(jù)之間都有相同數(shù)量的重疊波段,組內(nèi)前半部分波段與前一組重疊,組內(nèi)后半部分波段與后一組重疊。在上述分組中,存在第1組的前半部分無交點(diǎn),所以將第1組的前半部分波段再劃分為一組,記為pre1組,與第1組的前半部分重疊。同理,最后1組的后半部分劃分為一組,記為post1組,與最后1組的后半部分重疊。以本文數(shù)據(jù)為例,剔除瑕疵波段后共有128個(gè)波段,數(shù)據(jù)初步分組數(shù)為17,分組情況如圖3所示。本文采用選取3層基準(zhǔn)波段并逐層返回配準(zhǔn)的方式。其中,第1層基準(zhǔn)波段的選取過程如下:

1)將剔除瑕疵波段后的所有波段數(shù)據(jù)進(jìn)行初步分組,每組的初始基準(zhǔn)波段選取位于組內(nèi)最中間位置的波段,其中,pre1組和post1組分別以第1個(gè)、最后1個(gè)波段為初始基準(zhǔn)波段;

2)選取好初始基準(zhǔn)波段后,利用SIFT算法將每個(gè)波段以組內(nèi)的初始基準(zhǔn)波段為基準(zhǔn)進(jìn)行配準(zhǔn),并計(jì)算互信息;

3)將所有計(jì)算好的互信息描點(diǎn)畫圖,根據(jù)就近原則選取交點(diǎn)波段作為第1層基準(zhǔn)波段。

圖3 初始分組圖Fig.3 Initial grouping graph

以所有第1層基準(zhǔn)波段作為第2層選取基準(zhǔn)波段的初始數(shù)據(jù),按照與第1層相同的原理,第2層分組數(shù)為3,按照順序分別為pre2組、所有第1層基準(zhǔn)波段組成的一組、post2組。最終從第1層基準(zhǔn)波段中選取出2個(gè)第2層基準(zhǔn)波段。隨后2個(gè)第2層基準(zhǔn)波段相互配準(zhǔn)并計(jì)算互信息,比較以哪個(gè)波段作為基準(zhǔn)計(jì)算出的互信息最大,以此選出一個(gè)第3層基準(zhǔn)波段。

3.1.2 分組逐層返回配準(zhǔn)

在選好3層基準(zhǔn)波段后,開始對圖像采取逐層返回的方式利用DS-SIFT算法進(jìn)行配準(zhǔn)。分組逐層返回配準(zhǔn)的具體步驟如下:

1)以第3層基準(zhǔn)波段為基準(zhǔn),將第2層基準(zhǔn)波段中的另一個(gè)波段進(jìn)行配準(zhǔn)。

2)配準(zhǔn)后的第2層基準(zhǔn)波段作為第1層基準(zhǔn)波段的基準(zhǔn),第1層的所有基準(zhǔn)波段按照順序均勻地分組,此時(shí)的分組之間不需要有重疊,以本文實(shí)驗(yàn)為例,第1層基準(zhǔn)波段共有16個(gè),以8個(gè)為一組分為2組,前1組以第2層基準(zhǔn)波段中的前一個(gè)波段為基準(zhǔn)進(jìn)行配準(zhǔn),另1組以后一個(gè)波段為基準(zhǔn)波段進(jìn)行配準(zhǔn)。

3)配準(zhǔn)好的第1層基準(zhǔn)波段作為基準(zhǔn),配準(zhǔn)原圖像,也是按照順序均勻分組后進(jìn)行配準(zhǔn)。

3.2 DS-SIFT算法

SIFT算法為圖像配準(zhǔn)算法中的經(jīng)典算法,它使用高斯差分金字塔來檢測關(guān)鍵點(diǎn),具有尺度不變性,且在平移、旋轉(zhuǎn)、亮度變換保持不變形等方面具有魯棒性[5,18]。但SIFT算法對于灰度差異明顯的圖像之間的配準(zhǔn)并不魯棒,因此本文提出雙充分性SIFT算法——DS-SIFT算法對灰度變化明顯的高光譜數(shù)據(jù)進(jìn)行波段配準(zhǔn)。DS-SIFT算法主要分為粗配準(zhǔn)和精配準(zhǔn)兩部分進(jìn)行,其中粗配準(zhǔn)為利用SIFT算法進(jìn)行配準(zhǔn),精配準(zhǔn)為利用PSO-SIFT算法[13]進(jìn)行配準(zhǔn),但考慮到PSO-SIFT算法所需運(yùn)行時(shí)間較長,且存在部分區(qū)域配準(zhǔn)效果差的特點(diǎn),因此在PSO-SIFT算法中引入分塊思想和結(jié)構(gòu)相似性,提高了運(yùn)行效率和配準(zhǔn)精度。

1)PSO-SIFT算法

PSO-SIFT算法[13]提出新的梯度定義來克服圖像對之間的灰度差異,通過使用原始輸入圖像構(gòu)建最低級別的高斯金字塔,利用Sobel濾波器計(jì)算尺度空間的梯度幅度,使用類似于GLOH[19-20]的圓形鄰域和對數(shù)極扇區(qū)來創(chuàng)建特征點(diǎn)描述符,梯度方向被劃分為8個(gè)方向,共有136維的特征描述符;引入通過組合關(guān)鍵點(diǎn)的位置比例及方向來增強(qiáng)圖像特征的匹配方法,這樣可以增加正確匹配點(diǎn)的數(shù)量。

2)圖像區(qū)域分塊方法

考慮到高光譜數(shù)據(jù)波段數(shù)多,數(shù)據(jù)量大,需要提升算法的運(yùn)行速度,因此在算法中引入分塊思想。在保證粗配準(zhǔn)精度的情況下,對PSO-SIFT算法損失少量精度,從而將整個(gè)算法的運(yùn)行速度提升。將圖像劃分為5×5的子塊,只對符合條件的子塊進(jìn)行特征點(diǎn)檢測可以有效縮小檢測范圍,提高算法效率。高光譜影像多個(gè)波段進(jìn)行配準(zhǔn)容易出現(xiàn)部分區(qū)域配準(zhǔn)效果好,而某些區(qū)域配準(zhǔn)效果差的情況。根據(jù)以上兩點(diǎn),在圖像粗配準(zhǔn)的基礎(chǔ)上,對圖像進(jìn)行分塊,尋找特征較強(qiáng)但配準(zhǔn)效果差的子塊進(jìn)行精配準(zhǔn)。文獻(xiàn)[21]提出一種基于圖像區(qū)域分塊的SIFT快速配準(zhǔn)方法,但對于本文實(shí)驗(yàn)數(shù)據(jù)來說,此方法只能查找到特征豐富的子塊,并不能改善圖像部分區(qū)域配準(zhǔn)效果差的問題。因此,不同于文獻(xiàn)[21]所提出的區(qū)域分塊方法,本文提出的分塊方法不僅使用信息熵一個(gè)指標(biāo),通過引入結(jié)構(gòu)相似性(SSIM)來查找配準(zhǔn)效果差的子塊,保證查找到的子塊不僅紋理信息豐富,特征點(diǎn)較多,并且是配準(zhǔn)效果差的子塊,可以改善圖像部分區(qū)域重影問題。SSIM是一種衡量兩幅圖像相似度的指標(biāo),其計(jì)算公式如下

(4)

綜合上述內(nèi)容,本文采用的DS-SIFT算法具體步驟如下:

1)首先利用SIFT算法將待配準(zhǔn)波段與基準(zhǔn)波段進(jìn)行粗配準(zhǔn),將粗配準(zhǔn)后的波段與基準(zhǔn)波段均勻地劃分為5×5的子塊,若邊界無法被整除,可對邊界部分像素重復(fù)計(jì)算。

2)計(jì)算經(jīng)粗配準(zhǔn)后波段的各子塊與基準(zhǔn)波段相應(yīng)子塊的SSIM和信息熵;

3)將每個(gè)子塊的SSIM及信息熵與閾值進(jìn)行比較,本文設(shè)置的SSIM閾值為0.7,信息熵閾值為6。將SSIM小于0.7且信息熵大于6的區(qū)域作為待檢測區(qū)域。

4)對第3)步計(jì)算出的待檢測區(qū)域以基準(zhǔn)波段的相應(yīng)子塊為基準(zhǔn)利用PSO-SIFT算法檢測特征點(diǎn)并計(jì)算變換矩陣,其他區(qū)域不進(jìn)行檢測;

5)利用計(jì)算出的變換矩陣將粗配準(zhǔn)后的波段進(jìn)行精配準(zhǔn)。

基于文獻(xiàn)[21]的研究以及經(jīng)過大量數(shù)據(jù)實(shí)驗(yàn),本文精配準(zhǔn)中信息熵的閾值為6,SSIM的閾值為0.7。2個(gè)參數(shù)閾值的確定主要是根據(jù)圖像的信息量以及兩圖像之間的相似性確定的。若圖像越平坦,信息熵的閾值要降低;兩圖像越相似,SSIM的閾值要增加。

4 實(shí)驗(yàn)結(jié)果及分析

正如第1節(jié)所介紹的,實(shí)驗(yàn)所用的高光譜相機(jī)采用的傳感器屬于線性漸進(jìn)濾光,實(shí)驗(yàn)數(shù)據(jù)為2019年10月25日于天津飛行的數(shù)據(jù)。由于數(shù)據(jù)前64個(gè)波段質(zhì)量較差,故從第65波段開始選取數(shù)據(jù),到第192波段結(jié)束,共計(jì)128個(gè)波段。在下面敘述中,將第65波段按照第1波段進(jìn)行敘述,剩下的波段以此類推,第192波段敘述為第128波段。

4.1 幾何校正

漸進(jìn)濾光型高光譜相機(jī)獲得的原始影像數(shù)據(jù)如圖4(a),這里以一個(gè)波段顯示,可以看到原始影像上的地物尺寸比例與現(xiàn)實(shí)不符,很難分辨出地物。每5行提取1行數(shù)據(jù)后組成的未校正圖像如圖4(b),可以看到重新提取后的數(shù)據(jù)的可判讀性有了很大的提升,但是地物仍存在扭曲、變形,且地物的方位與真實(shí)情況不符,使得對圖像的判讀仍受影響。對其進(jìn)行幾何校正后的圖像如圖4(c)所示,可以看到,原來扭曲的地物經(jīng)幾何校正后被較好地還原,地物恢復(fù)了原有的方位和形狀,從局部細(xì)節(jié)放大圖中可以看到道路和橋梁的線條流暢明朗,綠化區(qū)樹木形狀規(guī)則,說明幾何校正效果較好。

圖4 線性漸進(jìn)濾光成像的原始圖像及校正前后對比(以波段36顯示)Fig.4 Original image of linear progressive filter imaging and comparison before and after correction (band 36)

4.2 基準(zhǔn)波段選擇

經(jīng)幾何校正后,要對高光譜數(shù)據(jù)進(jìn)行波段配準(zhǔn),首先選取基準(zhǔn)波段。在3.1節(jié)的對128個(gè)波段進(jìn)行初始分組之上,畫出互信息圖,如圖5(a)所示,可以得到基準(zhǔn)波段序號為4、12、20、29、36、43、52、59、68、75、83、93、101、107、116、123,以上波段作為第1層基準(zhǔn)波段;對第1層基準(zhǔn)波段畫出互信息圖,如圖5(b)所示,可得到第2層基準(zhǔn)波段序號為36、101;接著對第2層基準(zhǔn)波段進(jìn)行互信息的對比,可得到第3層基準(zhǔn)波段序號為36。

圖5 初始分組配準(zhǔn)后互信息圖Fig.5 Mutual information map after initial grouping registration

4.3 圖像配準(zhǔn)結(jié)果評價(jià)

為證明本文算法的優(yōu)越性,設(shè)置3組實(shí)驗(yàn),其中第1組為幾何精度驗(yàn)證實(shí)驗(yàn),其余2組為互信息對比實(shí)驗(yàn)和時(shí)間優(yōu)越性對比實(shí)驗(yàn)。

1)幾何精度驗(yàn)證實(shí)驗(yàn)

為評價(jià)經(jīng)DS-SIFT算法配準(zhǔn)后的圖像幾何精度,利用均方根誤差進(jìn)行驗(yàn)證,圖6為經(jīng)DS-SIFT算法精配準(zhǔn)后的均方根誤差,可以看到誤差已達(dá)到亞像元精度。

圖6 均方根誤差圖Fig.6 Root mean square error plot

2)互信息對比實(shí)驗(yàn)

為驗(yàn)證DS-SIFT算法所帶來的精度上的提升,將只對圖像利用SIFT算法進(jìn)行配準(zhǔn)作為對比實(shí)驗(yàn)。采用互信息作為衡量配準(zhǔn)后精度對比的指標(biāo),互信息計(jì)算公式為

(5)

其中:X,Y表示圖像,x,y表示圖像的像素,p(x,y)表示聯(lián)合概率,p(x)和p(y)表示單個(gè)像素在圖像中的概率。圖7(a)為DS-SIFT算法和SIFT算法實(shí)驗(yàn)后得到的112個(gè)非基準(zhǔn)波段的與配準(zhǔn)之前互信息相減的差值圖,可以看到數(shù)值均大于0。因此,相比于SIFT算法,經(jīng)DS-SIFT算法配準(zhǔn)后的波段之間的互信息更大,證明DS-SIFT算法的圖像配準(zhǔn)效果更好。

3)時(shí)間優(yōu)越性對比實(shí)驗(yàn)

為證明本文提出的分塊思想所帶來的運(yùn)行速度上的改進(jìn),同樣利用SIFT算法進(jìn)行粗配準(zhǔn),利用未分塊的改進(jìn)SIFT算法進(jìn)行精配準(zhǔn),與本文提出的DS-SIFT算法進(jìn)行對比實(shí)驗(yàn),實(shí)驗(yàn)運(yùn)行所需時(shí)間如圖7(b)所示?？梢钥吹?通過引入分塊思想后,本文提出的算法加快了圖像配準(zhǔn)的運(yùn)行速度。

圖7 2組對比實(shí)驗(yàn)結(jié)果圖Fig.7 Comparison of the results of the two groups of experiments

圖8 圖像配準(zhǔn)后結(jié)果圖Fig.8 Result image after image registration

從上述2組對比實(shí)驗(yàn)可以看出,本文提出的DS-SIFT算法的精度要優(yōu)于SIFT算法。在配準(zhǔn)運(yùn)行速度上,本文提出的算法相對于SIFT算法+PSO-SIFT算法的結(jié)合上有了很大改善,在保證精度的情況下使得運(yùn)行速度有了提升。圖8為最終波段配準(zhǔn)后的結(jié)果圖,這里隨機(jī)選取3個(gè)波段進(jìn)行合成,可以看到最終配準(zhǔn)的效果較好,由于傳感器性質(zhì)導(dǎo)致圖像內(nèi)部會出現(xiàn)一些輕微重影。對于同一位置的地物,各波段獲取的時(shí)間不一致,若為邊界不明確或易受外界影響的地物,其在各波段上的成像極可能不完全一致,即使經(jīng)過配準(zhǔn)仍存在差異。對于邊緣的重影部分,主要是由于經(jīng)幾何校正后每個(gè)波段的大小和邊界都不相同。綜上,DS-SIFT算法更適用于波段數(shù)量多、數(shù)據(jù)量大的高光譜數(shù)據(jù)的配準(zhǔn)。

5 結(jié)論

本文研究基于線性漸進(jìn)濾光成像的高光譜數(shù)據(jù)的波段配準(zhǔn)方法?；谠搨鞲衅鞯某上裉匦?首先對各波段進(jìn)行逐行幾何校正,隨后提出一種分組逐層返回配準(zhǔn)的波段配準(zhǔn)策略和DS-SIFT算法。首先利用信息熵交叉,得到基準(zhǔn)波段;其次利用DS-SIFT算法進(jìn)行波段配準(zhǔn),利用新的梯度定義適應(yīng)圖像對之間的灰度差異提高配準(zhǔn)精度,利用信息熵和SSIM的閾值條件進(jìn)行精配準(zhǔn)之間配準(zhǔn)矩陣的求解。實(shí)驗(yàn)結(jié)果表明,本文提出的DS-SIFT算法配準(zhǔn)效率較高,算法整體精度優(yōu)于SIFT算法。未來在進(jìn)行相關(guān)實(shí)驗(yàn)時(shí)會在地面布設(shè)控制點(diǎn),從而可對該圖像配準(zhǔn)算法進(jìn)行進(jìn)一步的精度驗(yàn)證。