应用最佳极限点自动注册高分辨率 卫星图像以联合全局和本地的方法外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

应用最佳极限点自动注册高分辨率

卫星图像以联合全局和本地的方法

摘要：

在这里，我们提出了一种用于将全局仿射变换与非线性局部翘曲相结合高分辨率卫星图像的自动图像到图像配准的方法。我们还提出了一种基于局部图像特征相似性，局部极值点（EP）之间的空间关系的新颖特征匹配方法，以及选择用于全局仿射变换的最优EP的k-sigma;编辑技术。使用具有相似仿射变换的EP解决方案确定全局仿射系数。最后，执行局部图像扭曲来调整场景之间的地形和/或传感器观察几何变化引起的图像中的非线性失真。来自五个测试点的实验和评估结果表明，可以自动提取特征点并在输入和参考图像之间进行正确匹配。注册精度在2像素内，并且对于具有显着地形变化的区域而言是改进的。

关键词：

图像注册，卫星图像，仿射变换

1.简介

大面积监测可以提供检测土地覆被和土地利用变化的重要信息。高分辨率卫星图像可以有效地用于收集有关地球表面的详细信息。为了检测一段时间内的区域变化，必须首先准确地共同注册一对在不同时间和不同观点拍摄的遥感影像。

已经基于区域和/或特征的几何匹配提出了许多遥感应用中的自动化注册方法。基于区域的技术与图像强度值一起工作，它们受到窗口大小以及图像对[1,2]的类似性的限制，典型特征，如区域，线，点，角等，通常为弧用于图像配准[1，3]，点特征是从区域或线要素定义的，如线路交叉点，线路终端或区域中心。角属于另一种类型的点特征，其基于沿边缘的高曲率位置检测[4]。一旦提取，点特征然后用于估计从输入图像到参考图像的变换函数的参数。

仿射变换是一个线性变换函数，其解释了图像平移，旋转，缩放和拉伸的变化。卫星遥感图像可以通过相对良性的地形提供良好的配准精度。对于具有非线性几何失真的图像，例如具有重要地形的场景，必须将非线性变换方法应用于局部（或全局）区域以获得更好的记录精度。以前已经使用薄板样条函数和多项式变换进行非线性图像翘曲。薄板样条可以在图像控制点位置实现子像素精度。

从高斯差（DoG）图像和积分图像中提取的局部极值点（EP）及其描述符对图像照明，缩放和旋转的变化是不变的[7,8]，DoG方法已成功应用于计算机视觉应用如物体识别[7]，机器人视觉系统[9]等。

在本文中，我们演示了一种快速提取鲁棒特征点并将其匹配用于大型高分辨率卫星遥感图像的全自动注册的方法。选择DoG图像和/或积分图像的本地EP作为特征点。使用具有相似仿射系数的匹配EPs使用最小二乘误差解决方案来估计最终仿射变换。然后将全局仿射变换（GAT）和局部翘曲（LW）调整应用于卫星图像。使用未在注册参数估计中使用的EP在五个测试点评估注册精度。

2.本地极值点提取

按照其他研究人员开发的方法[7]，[10-12]，通过使用一系列高斯滤波器卷积图像来构建尺度空间。对于尺度空间N，通过减去相邻尺度产生（N-1）DoG图像每个比例空间的高斯图像。以相同尺度（M times; M）个相邻像素（n 1）和（Mtimes; M）个相邻像素（M times; M）相邻像素检查尺度为n的DoG图像中的每个像素，规模（n-1）。在3（M times; M）-1个邻居中具有最大或最小图像强度值的像素被定义为本地EP超标。

使用强度梯度直方图的EP描述符在首先被EP取向旋转后形成在EP周围的像素[7] [13]。对于每个EP，从EP周围的强度梯度获得方向直方图。最大直方图的方向被定义为EP的方向。为了获得稳定的直方图描述，我们使用一个56 x 56像素的图像阵列，并为每个14 x 14图像像素阵列构建了16个方向直方图。每个方向直方图都有8个仓，宽度为45度。因此，每个EP描述符由128元素向量表示。

SURF（加速鲁棒特征）是使用积分图像找到EP的近似方法[8]，SURF EP描述符与[7]中的描述符相似，除了在水平和垂直方向上反映小波响应的矢量元素，而不是使用梯度方向直方图。每个SURF EP由表示当地20times;20像素区域中的特征的64元素矢量描述[8]。测试地点的实验表明，DoG图像在山区发现了更多匹配的EP，而不是整体图像。

由于局部EP是从多尺度高斯图像中提取出来的，它们的描述符是基于旋转之后的局部图像特征，所以特征EPs是稳健的，用于描述图像强度的变化以及图像观看几何差异。

3、本地特征点匹配

功能匹配在任何自动化图像核心投放应用程序中至关重要。在这里，我们提出一种基于局部图像特征相似性，EPs之间的空间关系以及k-sigma;编辑技术的新方法。两个EP描述符的相似性通过它们的归一化描述符向量之间的欧氏距离来测量。考虑参考图像中的EP A，计算A描述符向量与本地搜索区域中的输入图像中的所有EP描述符向量之间的距离。输入图像中的EP A被认为与EP A匹配，如果它们的欧氏距离最小，并且最小距离和第二最小距离之间的比率满足阈值gamma;。

地球上方数百公里的成像卫星轨道。这个距离远远大于感测区域的尺寸，因此导致相对平坦的卫星遥感图像。在这种情况下，图像注册通常使用全局仿射变换完成。

假设参考和输入图像中的Ho EP对基于它们的描述符被认为是匹配的EP。每对都可以满足仿射变换方程

其中[rx，ry]^T是参考图像中EP的坐标，[sx，sy]^T是输入图像中对应EP的坐标，[tx，ty] ^T是从输入图像到参考图像的平移，并且m^p isin; R（p = 1,2,3,4）是仿射系数。一组三元组EP（i，j和l）确定一组仿射系数m^p_ijl。因此，可以针对三元组EP的每个可能的联合来计算仿射系数。然后从参数空间R⁴中的H₀ EP对获得仿射系数分布。每个系数被聚类以选择具有非常相似的仿射关系的H对匹配的EP。由于地形以及不匹配的EP，存在簇外的（H0-H）对随机分布的EP。基于仿射系数m^p_ijl的分布，对于每个仿射系数，将权重w^p_ijl（p = 1，...，4）分配给每个三元组EP。然后，当它们的相应的w^p_ijl高于阈值eta;_p时，EPs然后被认为是具有相似仿射解的匹配EP。这些EP中的大多数位于图像中，其中局部几何失真较小，或者对于较大的eta;_p而言为零。然后使用3sigma;编辑技术再次处理满足| sx tx-rx | lt;delta;和|sy ty-ry | lt;delta; {delta;是一个阈值）的匹配EP，以过滤出具有异常值转换值[t x，ty] ^T，然后估计最终仿射变换系数。将通过上述所有标准的EP选择为最终仿射解决方案的最佳EP。

图1给出了匹配的EP的示例。对于这个例子，EPs在DoG图像的局部9times;9个像素区域中被发现。发现两个最佳匹配EP对（用“ ”表示）满足局部搜索区域中的阈值gamma;，标准eta;_p为0.9，阈值为delta; = 10像素。即使使用来自[7]的描述符相似性度量y将它们识别为匹配的EP，也将过滤其它异常值EP对（由“L”表示）。从图1可以看出，即使存在云和阴影，EP提取也是准确和稳健的。核心准则的准确性将在第4节讨论。

4、图像注册和评估

使用具有相似仿射系数的所有最佳EP对用于使用最小二乘误差解决方案来估计最终的GAT参数组。在GAT之后，使用薄板样条函数执行LW，并从整个图像中提取EP，以构建用于对具有非线性失真的拟合表面建模的基函数。在整个图像区域检测到的匹配的EP，包括平坦区域和地形区域，用于确定权重向量Wx和Wy。权重向量的计算详见[5,6]，为了获得足够的用于LW调整的EP，并保持合理的矩阵大小，滤除小分离的EP。 EP分离是基于矩阵大小动态控制的。

测试了具有大（16ktimes;16k）高分辨率全色卫星图像对的五个测试点以评估所提出的注册方法的性能。使用与第3节所述相同的标准来选择EP。

图2显示了具有粗糙地形的区域的注册结果。图2（a）和（b）示出了参考和输入图像的小子场景。图2（c）是应用于输入图像的GAT结果。这有残留错误

因为地形。图2（d）是应用LW调整后的注册结果。如图所示，在GAT和LW调整后，非常精确地注册EP。

通过测量匹配EPs的平均误差和视觉评估来评估图像配准精度。在全局和本地整形解决方案中未使用的EPs用于7次交叉验证，以便对注册结果进行更一般的评估。为了更快地获得全局仿射解决方案，EP仅从整个16ktimes;16k场景（即64个可能的瓦片中的5个）的5个大体上分离的2ktimes;2k瓦片（4个角和图像中心）提取出来。

对于GAT，从DoG图像或整体图像中提取的EP产生基本上相同的GAT参数并且实现非常相似的配准精度。表1显示了来自DoG图像的所有提取的EP的GAT的评估。对于站点A，使用五个2ktimes;2k个瓦片中的EP描述符相似性来提取1,467个EP。为了总体评估GAT对于平坦区域的注册精度，使用从59个其他2ktimes;2k图像块中提取的14.144个EP，其注册误差为1.9plusmn;6.1像素。表2显示了使用所提出的方法对具有相似仿射解的EP的GAT的评估。对于站点A，1,467个EP中的352个通过第3节中的所有标准，并用于确定GAT系数。 352个EP后的注册错误在GAT之后为0.9plusmn;0.6像素。使用从59个其他2ktimes;2k图像块提取的14.144个EP中的3595来评估仿射变换，并且其注册误差为1.2plusmn;0.7个像素。如表2所示，在GAT之后，对于五个测试点，平坦区域中EP的注册错误在1〜2像素内。在使用本文概述的方法进行适当的EP选择后，GAT测试特征点的配准精度得到显着改善。

表3提供了与表1和表2中相同的五个站点检测到的EP的LW注册错误。为了获得足够的EP用于LW，EP从站点A和C中的DoG图像中提取，并且从站点中的DoG和整体图像中提取EP B，D和E.对于用于权重向量Wx和Wy的EP，在GAT和LW调整之后，EP的配准误差为零。为了提供对注册精度的更一般评估，执行// - 交叉验证。对于n个单独的运行中的每一个，从匹配的EP中选择10个EP用于评估目的，而剩余的EP用于确定权重向量。从/ 7倍的交叉验证结果可以看出，平均配准精度有所改善（子像素）为测试点。我们还通过视觉评估注意到，具有重要地形的局部区域有显着改善（见图2）。这意味着如果在LW调整中使用了足够的EP，地形区域的注册精度可以显着提高。

5.讨论

本文提出了一种使用图像本地EPs的自动注册方法，其对照明，旋转和尺度的图像变化以及由于云干涉和土地覆被变化引起的场景间差异是鲁棒的。 EP描述符相似度，仿射系数分布和k-sigma;编辑技术用于最佳EP匹配。仿射系数由具有相似仿射解的EPs估计。全局仿射变换结合或不进行局部翘曲调整，显着提高了大，高分辨率卫星遥感图像的配准精度。

五个测试点的实验结果表明，全局仿射解决方案在适当的EP选择后产生1-2像素级的注册精度。此外，局部翘曲调整提高了地形崎岖区域的配准精度。

可以进行一些改进，但存在重要的权衡。更多的EP可能带来更好的LW注册质量，但这增加了处理时间，并且还受到计算大矩阵反演的能力的限制。 EPs在整个图像上的均匀空间分布将捕获更多的图像地理特征，但完全自动化的方法不能保证将特征点定位并成功匹配所有不同类型的地形和土地覆盖类别。然而，这里所示的方法对于由地形引起的几何失真和间接变化（云层，土地覆盖等）是稳健的。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[28551]，资料为PDF文档或Word文档，PDF文档可免费转换为Word