基于特定顺序的自相似描述子在多传感器遥感影像匹配中的应用外文翻译资料

 2022-08-14 14:12:05

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

基于特定顺序的自相似描述子在多传感器遥感影像匹配中的应用

摘要：由于几何和光照条件的差异，在多传感器遥感影像中，鲁棒性，分布均匀性和和特征匹配的精确性是一个困难的任务。在这篇文章中，提出了一种针对多传感器遥感图像的具有鲁棒性的有效图像匹配方法。该方法包括三个主要步骤。第一，使用UR-SIFT(uniform robust scale invariant feature transform) 算法进行均匀、密集的局部特征提取；第二为每个提取的特征计算一个新的描述子，即基于特征顺序的自相似描述子（DOSS描述子）。最后，在投影变换模型中进行交叉匹配并进行一致性检验，实现特征对应和错误匹配的消除。该方法已成功地应用于ETM 、SPOT4、SPOY5、ASTER、IRS、SPOT6、QuickBird、GeoEye和Worldview等多传感器卫星图像的匹配，结果表明，该方法比一般的图像匹配技术（SIFT，PIIFD、GLOH、LIOP和LSS具有更好的鲁棒性和性能）。

关键词：图像配准； 图像匹配； UR-SIFT 局部自相关； 特定顺序自相关。

引言

图像匹配是在同一场景的两幅或多幅图像中寻找对应点的过程，它对于图像配准（Gianinetto, 2012; Parmehr et al., 2014）变化检测（Qin and Gruen, 2014; Sadeghi et al., 2013）以及三维建模和地图科学（Ahmadi et al., 2010; Ekhtari et al., 2009;Lerma et al., 2013; Mohammadi and Malek, 2014; Soheilian et al., 2013）等广泛的领域来说都是一个至关重要的过程。

近来，局部不变图像特征在摄影测量和遥感领域受到越来越多关注。目前，大部分匹配算法都是基于局部不变特征，因为他们对于几何和关照差异具有鲁棒性。

大多数局部特征匹配算法包括三个主要步骤：

·特征检测，选择两幅图像（参考图像和输入图像）中的典型特征，如角落，斑点和区域。

·特征描述，使用诸如亮度，颜色，纹理和边缘等各类图像属性来生成特征属性（“描述子来描述和匹配他们”）。

·特征匹配，使用特定相同尺度的描述子建立两幅图像中特征之间的对应关系，然后用一致性检查过程消除可能的错误。

本文的主要目的是针对具有不同传感器、分辨率光照和采集时间的各种遥感图像，提出一种局部特征匹配方法。在以往的研究中，已经提出了许多基于局部特征的图像匹配方法。(Barandiaran et al., 2013; Goshtasby, 2012; Gruen, 2012; Tuytelaars and Mikolajczyk, 2008)

最常用的局部特征检测和描述算法是利用 DoG(高斯差分)尺度空间函数和梯度分布进行检测和描述的尺度不变特征变换(SIFT)( Lowe, 2004)。近年来，基于SIFT的遥感影像配准方法得到了广泛的应用(Joglekar et al., 2014; Sedaghat et al., 2011; Yu et al., 2013).。

Wang (2012)提出了一种鲁棒的基于 SIFT 描述子的多源图像自动配准系统(MIARS)，该系统采用图像分割和直方图均衡化作为预处理步骤。Han(2012)提出了利用 SIFT 控制点的本地特征和几何位置对高分辨率卫星图像进行自动配准。Song (2014)针对基于 SIFT 算法的遥感图像配准问题，提出了一种稳健的估计算法——高温超导(HTSC)，即 TAR(三角形面积表示)样本一致性的最小二乘法。Gong (2013)提出了一种基于 SIFT 和互信息的粗精图像自动配准方案。Wu and Goshtasby (2012)提出了一种基于 SIFT和 Voronoi 分解的渐进细分高分辨率图像配准算法。Sun (2014)提出了一种有效的大规模空中测量图像 SIFT特征提取和匹配实现方法。

以往的研究大多采用原始 SIFT 算法，这种算法在提取特征的质量、数量、提取特征的分布和描述子对明显的强度差异的敏感性等方面都存在一些问题，尤其是在多源遥感影像中。(Ghassabi et al., 2013; Sedaghat et al., 2011).

在以往的研究中，我们提出了一种基于改进 SIFT 算法的全自动匹配算法，称为统一鲁棒 SIFT(UR-SIFT)( Sedaghat et al., 2011)。该方法的主要关键是基于稳定性和独特性约束，在位置和规模充分分布的情况下，对 SIFT 特征的选择策略。在另一项研究中，我们介绍了一种基于 SIFT算法和分段模型()的四边形控制网络的卫星数据图像匹配方法(Sedaghat et al., 2012)。

一般来说，一个好的描述子应该具有两个主要属性，包括显著性(不同的特征应该有不同的描述子)和鲁棒性(描述子对各种图像几何和光度变换的稳定性)。局部自相似性(LSS)( Shechtman and Irani, 2007)是一种局部特征描述子，它基于对数极坐标网格捕获图像的内部几何布局。LSS描述子具有一些高级特性，包括对颜色变化的不变性，并且在计算上比 SIFT 算法(Liu and Zeng, 2012)简单。由于其对复杂强度变化的稳定性，它已成功地应用于热像和可见光图像的配准(Torabi and Bilodeau,2013)。

近来，针对多源遥感图像灰度差异非线性的特点，Ye and Shan (2014)提出了一种粗精自动配准方法。在他们的研究中，首先利用尺度限制尺度不变特征变换(SR-SIFT) (Yi et al., 2008)算法进行预配准。然后Harris and Stephens(1988)利用与 LSS 描述子相结合的角点建立一种精细配准的准确率分段变换。

尽管 LSS 描述子具有良好的光照不变性，但其在直接遥感图像匹配中的性能相对于其他著名描述子如 SIFT 描述子来说还是比较低的。已经对对标准 LSS 提出了类似于快速局部自相似性(FLSS) (Liu et al., 2012)和定向局部自相似性(OLSS)( Liu and Zeng, 2012)等改进措施。FlSS 和 OLSS 都是基于 SIFT 和 LSS 的综合描述子。这些改进是基于 SIFT 方法中的梯度方向分布，该方法对光照和辐射变化敏感，在多模态图像匹配中效果不佳(Chen et al., 2010)。

无论是 LSS 还是扩展 LSS 的主要缺点都是描述符的可辨别性相对较低。事实上，不同特征的 LSS 描述符值之间的差异相对较小，不能可靠地区分和匹配不同的特征。可能基于这个原因，Ye and Shan (2014)使用了一个基于 SR-SIFT算法的粗配准过程，然后利用 LSS 描述子在小搜索区域内寻找联络点，从而降低了LSS描述子的低鉴别性。

本文提出了一种新的基于特征的鲁棒匹配方法。本文的主要贡献是对自相似描述子进行了改进，该描述子具有较高的可分辨性，可以有效地用于遥感图像匹配。该方法是基于 UR-SIFT 特征提取算法的自相似特征匹配方法，即基于特征顺序的自相似特征描述子(DOBSS描述子)。将本文提出的特征描述子与我们之前的工作(Sedaghat et al., 2011)相结合，实现了均匀、鲁棒的特征提取，为可靠的多传感器遥感影像匹配提供了一种有效的方法。

2.拟提出方法的方法论

在这一部分中，提出了一种有效的和鲁棒的自动方法，实现具有显著的光照差异的遥感图像的可靠匹配。该方法可分为三个主要步骤，这在图1中给出了说明：

首先，在参考图像和输入图像中提取一组均匀、密集的局部特征;。该过程采用 UR-SIFT 算法进行。在第二步中，对于每个提取的特征，生成一个用于查找特征对应关系的特征描述符。该方法通过一种新的描述符，即基于特征顺序的自相似描述符(DOBSS 描述符)自动生成。该描述符受到著名的局部自相似 LSS 描述符的启发，基于相关曲面顺序分组。提出了一种新的方向不变特征描述子分配方法，实现了方向不变特征描述子的计算。最后，利用有限元描述子之间的欧几里得度量关系，在投影变换模型中进行交叉匹配过程和一致性检查。以下各节将详细介绍所提出的方法。

2.1.UR-SIFT特征提取

现已经提出了各种鲁棒的局部不变图像特征提取方法(Aanaelig;s et al., 2011; Barandiaran et al., 2013; Tuytelaars and Mikolajczyk, 2008)。在 SIFT 算法中，DoG(高斯差分)函数的极值是最有效、最突出的方法之一。Dog 函数是LoG(高斯拉普拉斯)的近似函数，其特征提取过程基于尺度空间理论。Sift 特征提取器具有尺度和旋转不变性，对光照和三维相机视点的变化具有较强的鲁棒性，但在特征提取的质量、数量和分布方面存在一些问题，特别是在多传感器遥感图像中(Sedaghat et al., 2011)。原始SIFT算法的主要问题如下:

  1. 特征数量的可控性:由于多传感器遥感图像的复杂性，对 SIFT 参数的敏感性很高，特别是对比度阈值，它控制着提取的特征数量。
  2. 特征的质量和分布:原始 SIFT 对提取的特征的尺度和空间分布没有控制。

UR-SIFT 算法(Sedaghat et al., 2011)是对标准 SIFT算法的一种改进，可以有效、鲁棒、可靠、均匀地提取遥感图像中类似斑点的特征。该方法的主要关键是选择具有高质量 SIFT特征的选择策略，实现位置的充分分布和规模。特征质量评价采用稳定性约束和显著性约束，特征分布采用尺度空间上的多级网格。UR-SIFT 算法的主要阶段如下:

  1. 利用 DoG函数进行尺度空间表示，提取 SIFT特征初始值。
  2. 计算每个提取的初始特征的熵。将每个特征的熵和对比度(绝对 DoG函数)作为特征质量约束。
  3. 将尺度空间中的每一层划分为规则单元，并基于熵和对比度约束提取每个网格单元所需的特征。

由于 UR-SIFT 算法具有优异的特性，近年来被应用于医学图像配准中，并与部分强度不变特征描述子(PIIFD) (Chen et al., 2010)相结合。有关此方法的详细说明，请参阅Sedaghat et al. (2011)。

图2 给出了一个应用 UR-SIFT 算法和标准 SIFT 算法进行特征提取的实例。比较结果表明，UR-SIFT 算法在鲁棒、均匀的尺度和空间分布特征提取方面具有较高的性能。

2.2.描述子计算

描述子是在特征点周围的局部区域被计算出来，用于描述和比较特征。在这一部分中，提出了一种新的基于 LSS 描述符的遥感图像匹配描述子。在给出提出的描述子之前，对原来的 LSS方法进行简要的回顾。

2.2.1.局部自相似描述子

Shechtman and Irani (2007) 提出的 LSS 描述子利用从图像中提取的局部自相似模式生成相关曲面作为描述子。这种自相似表示引入了一种抽象层次，允许用单一的统一方式处理强度、纹理和边缘的特定区域(Chatfield et al., 2009)。

标准 LSS 描述子生成的过程在图三给出了说明。为了推导以 q 为中心的局部区域(通常半径 20，大小:Ntimes;N=41times;41 像素)的 LSS 描述子 dq，利用斑块强度之间的平方差之和(SSD)，比较了所有周围的图像斑块(通常是 p55 像素)和斑块强度之间的平方差(SSD)。得到的距离面 SSDq（x,y） 被归一化并转化为“相关面”Sq（x,y）

:

其中 varnoise 是对应于可接受强度变化的常数，并且考虑了斑块对比度和斑块结构，var auto（q）是所有斑块相对于以 q 为中心的斑块的最大方差。然后，将相关曲面Sq（x,y）转化为对数极坐标表示，并将其划分为若干个区域(如ntheta;=20个角形区域，n r =4个径向区域)。最后，将 LSS 描述子归一化为单位长度，以减小不同区域的亮度变化对 LSS 描述子的影响。

基于本文的实验分析，LSS 描述符具有较低的鉴别能力，特别是在多传感器遥感图像中，与该描述符相匹配的特征数量普遍较少。因此，不能直接应用于有效的遥感影像匹配，以检测大量可靠的正确匹配。本文提出了一种基于特征顺序的自相似性描述子，以提高 LSS 的可识别性。下文给出了该方法的具体实现步骤。

2.2.2.基于特征顺序的自相似描述符

所提出的 DOBSS描述符是 LSS描述符的高级扩展，以分组的方式生成以增加其独特性。图5中介绍了 DOBSS描述符的构造过程。Dobss描述符与 UR-SIFT 特征检测器定义的图像区域相结合。首先，将所有区域重采样到一个固定半径的圆形区域(一个41times;41 个区域)，以获得尺度不变性。标准的 LSS描述符不具有旋转不变性。为了实现所提出的 DOBSS描述子的方向不变性，每个特征点分配一个或多个方向，描述子相对于分配的方向执行计算。

众所周知的 SIFT 和 GLOH 描述子使用加权梯度位置和方向来分配主方向和计算描述子。多传感器遥感影像对由于辐射变化而产生明显的强度差异。例如，如图 a 和 b 所示，多传感器图像对之间同一区域中的像素的亮度、梯度大小和方向可能相当不同。为了提高对辐射变化的鲁棒性，一些方法如 PIIFD(Chen et al., 2010)、SR-SIFT(Yiet al., 2008)和 R-SIFT(Li et al., 2009)使用梯度先验修正，限制梯

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[235744]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章