英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于自适应分块SIFT描述子的遥感图像匹配方法
摘要：基于局部不变特征的图像匹配在很多方面有着重要的应用，尤其是在摄影测量和遥感领域，例如图像配准和图像镶嵌。本文提出了一种名为AB-SIFT的局部特征描述子用于遥感图像的全自动匹配，它对于局部的几何变形有很强的鲁棒性。该方法的主要思想是利用一种自适应合并策略去计算局部特征描述子，该描述子在一个归一化区域上计算。该描述子是在一个归一化区域上进行计算的，该区域是由著名的Hessian仿射特征提取算法（称为统一鲁棒Hessian仿射算法）的改进版本定义的。和常见的基于分布的描述子不同，该描述子对于位置和梯度方向都使用了自适应直方图量化的方法，该方法具有鲁棒性且可以对抗局部视点失真，并极大地提高了AB-SIFT描述子的可分辨性和鲁棒性。除了SIFT描述子外，所提出的自适应量化策略还可以轻松地扩展到其他基于分布的描述子。 在合成的和真实图像对上的实验结果表明，所提出的AB-SIFT匹配方法相比于当前最先进的(state-of-the-art)SIFT，DAISY，梯度位置和方向直方图，局部强度阶模式和二元鲁棒不变尺度关键点等方法有着更好的鲁棒性和准确度。
研究背景
图像匹配被定义为在同一个场景的两个或多个图像之间建立对应的关系。这是一个广泛用于各种遥感应用，例如图像配准[1][2][3][4][5][6]，变更检测[7][8]，3D重建和映射科学的基本过程[9][10][11][12][13][14]。如今，大多数图像匹配算法都是基于局部不变特征的，因为它具有对几何和光照差异的鲁棒性[15]。
通常，基于局部特征的图像匹配方法包括以下三个主要步骤：
1）特征检测：选择来自图像的独特的图像特征（参考图像和输入图像），例如角点，斑点和区域。
2）特征描述：各种图像属性，例如灰度梯度，纹理和边缘，用来作为所提取局部特征的鲁棒表示，以表征和匹配它们。
3）特征匹配：使用特定的相似性度量建立从两个图像中提取的特征的对应关系。
本文重点介绍特征描述步骤。描述子在特征点的局部区域上计算出，它被用于表征和比较特征。通常，一个好的描述子应具有两个主要属性，包括独特性（不同特征应具有不同的描述子）和鲁棒性（描述子对不同图像几何和光度转换的稳定性）。在保持鲁棒性的同时提高其独特性是局部图像描述子设计的主要关注点[16]。文献中的局部描述子通常可分为三类，即基于分布的，基于空间频率技术的和基于差分的描述子[17][18]。大部分描述子都是基于分布的，它们使用直方图表示外观或形状的不同特征。为此，将局部特征区域划分为不同的区域，并为每个区域计算特定的直方图。 最终描述子由这些直方图的有序串联给出。
最受欢迎的基于分布的局部描述子是尺度不变特征变换（SIFT）[19]，它是4times;4笛卡尔网格上梯度位置和方向的3-D直方图。SIFT描述子具有很高的判别力，并且自其首次引入以来就根据其特征开发了各种类似的局部描述子，例如梯度位置和方向直方图（GLOH）[17]，不规则网格SIFT（IG-SIFT）[20]，部分强度不变特征描述子（PIIFD）[21]，加速鲁棒特征（SURF）[22]，中心对称局部二进制模式（CS-LBP）[23]和DAISY[24]。GLOH不使用4times;4笛卡尔网格，而是将具有17个位置单元的对数极位置网格用作描述子结构。IG-SIFT采用不规则网格结构，并考虑了描述子存储单元之间的重叠区域。PIIFD在描述子的计算过程中使用了梯度方向修改，将梯度方向限制在了0到pi;之间。SURF描述子是一个类似SIFT的描述子，它使用Haar小波变换。CS-LBP描述子结合了SIFT的优点和局部二进制模式的变体。DAISY描述子使用同心排列的大小不同的圆形单元，这对于密集计算非常有效。
近年来，人们提出了多种基于强度阶数的具有旋转不变性的描述子，如局部强度阶数模式（LIOP）[25]、基于区域阶数的梯度直方图（MROGH）、基于区域旋转和强度单调不变性描述子（MRRID），抗仿射变换和单调强度变化（RATMIC）描述子[26]和鲁棒微分圆模式（RDCP）[27]。最近的一些研究集中在提供通过比较点对的强度来计算二进制描述子的方法。例如二元鲁棒独立基本特征（BRIEFs）[28]、二元鲁棒不变尺度关键点（BRISKs）[29]、快速视网膜关键点（FREAKs）[30]和区域不变量的序数和空间信息（OSRI）[31]。
局部不变特征在遥感领域得到了广泛的关注[32][33][34][35]。利用局部不变特征进行遥感图像匹配和配准的方法很多。例如，在之前的研究中，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）[32]。另外，在另一项研究中，我们提出了一种基于四边形控制网络的卫星数据图像匹配方法，该方法基于SIFT算法和分段模型。Cai等人[36]提出了一种透视SIFT，它使用单应变换来模拟透视失真[33]。 Zhang等人提出了一种基于SIFT和定向函数分析系统技术以及旋转BRIEF（ORB）算法的[37][38][39]，它是一种从粗到细的大尺寸超高分辨率图像配准方法，该算法使用计算出的统一设备架构来加速控制点的获取并进行图像校正。 Goncalves等人提出了一种基于图像分割和SIFT的组合，并辅以离群值去除程序的自动图像配准方法[40]。
以往的研究大多采用原始的SIFT检测器和描述子算法，在质量、数量、提取特征的分布、描述子对显著强度和几何差异的敏感性等方面都存在一定的问题，特别是在多源遥感图像中[41]。
局部特征的最重要属性之一是局部性[42]。为了降低遮挡的可能性并允许几何和光学变形的简单模型近似，这些特征应该是局部的。另一方面，特征局部性越强，包含的信息内容就越少，这可能导致匹配过程中出现大量不匹配现象。
现有的基于分布的局部描述子在位置和方向上都使用恒定或规则的直方图合并过程。实际上，位置和方向被量化为描述子结构中的各个单元。例如，在SIFT描述子中，将位置量化为4times;4位置网格，并将倾斜角度量化为8个方向。
遥感图像可以从不同的角度观察场景，从而生成具有明显局部几何变形的图像。对于两个不同图像中的两个共轭局部区域，这些变形的量随距特征中心的距离而增加。通常，描述子使用高斯加权函数来减少对远离描述子中心的像素的强调，因为这些像素受局部失真误差的影响最大。尽管高斯加权过程在改善描述子对局部失真的鲁棒性方面有很好的影响，但它不能适当地处理此问题，并且会降低描述子的独特性。
本文提出了一种有效的方法，通过使用自适应合并策略来提高基于分布的描述子的判别能力。在提出的描述子中，位置量化过程以自适应方式逐渐增加。另外，为了适当地调节像素距离的影响，每个位置仓均使用大小可变的不同方向直方图。这种新颖的策略有效地提高了描述子针对局部失真的性能。我们将这种策略用于SIFT描述子，并提出了自适应合并SIFT（AB-SIFT）描述子；然而，它可以轻松地用于其他局部描述子。
我们在所提出的AB-SIFT描述子的基础上，结合Hessian仿射特征提取算法的高级扩展，进一步开发了一种遥感图像匹配方法。将AB-SIFT与SIFT、DAISY、LIOP等算法进行了比较，并对合成、多时间、多传感器遥感图像的匹配进行了简要介绍。结果表明，AB-SIFT描述子具有很好的区别性和鲁棒性，可抵抗几何和辐射畸变。
AB-SIFT描述子
该方法的主要思想是采用一种自适应的分类策略来计算特征描述子。在描述子计算过程中，不必指定固定的位置和方向直方图组合，而是将局部区域自适应地划分为若干个大小不同的位置和方向盒。该算法包括以下步骤：1）均匀鲁棒的Hessian仿射（URHA）特征提取；2）仿射归一化和方向分配；3）基于自适应梯度直方图组合的描述子计算。以下各节对该方法进行了详细的介绍
- URHA特征提取
在特征匹配过程中，视点和尺度的变化是最困难的几何变换类型，严重影响局部特征的性能。目前已经提出了很多种局部不变特征的提取方法，其中Hessian仿射特征检测器[43]是其中最为突出的方法之一，特别是用于处理计算机视觉应用中的显著尺度变化和视点变化。
为了提高遥感图像中Hessian仿射检测器的检测能力，本文在前人对UR-SIFT算法[32]研究的基础上，提出了一种高效、鲁棒、可靠、均匀分布的椭圆Hessian仿射特征提取策略。该方法的主要思想是基于稳定性和显著性约束，在特征被隔离的位置和尺度的完整分布下，对特征进行选择[32]。
该策略适用于Hessian仿射算法，并提出了URHA算法。在特征质量的评价中，考虑了各候选Hessian仿射特征的对比度（Laplacian尺度响应）、熵和尺度，并采用多级网格位置分布。URHA特征提取算法概述如下：
-
使用具有Hessian函数和第二矩矩阵的比例空间表示法提取初始Hessian仿射特征。
2）计算每个提取的初始特征的信息熵。每个特征的熵和拉普拉斯尺度响应被认为是特征质量约束。
3）将尺度空间中的每一层划分为规则单元，并根据熵和对比度的约束提取每个网格单元中所需的特征。
有关此方法的详细说明，请参见[32]。图1展示了通过标准的Hessian仿射算法和本文提出的URHA算法对样本QuickBird图像进行特征提取的结果。比较结果表明，URHA算法在鲁棒性、均匀性和空间分布特征提取方面具有较高的性能
B.仿射归一化和方向分配
为了获得几何不变性，特别是尺度和仿射差分，需要将检测区域规范化为一个标准区域。为此，在Hessian仿射特征提取之后，所有区域都被重采样到一个半径恒定的圆形区域（41times;41块）[17]。为了获得方向不变性，在描述子生成之前，会根据基于Lowe方法[19]的局部图像梯度方向为每个特征点分配一个方向。然后，将归一化区域沿主梯度方向旋转。
C. AB-SIFT描述子计算
本节提出了一种新的直方图合并策略，用于遥感图像匹配中基于独特分布的特征描述。在介绍提出的描述子之前，先简要回顾一下最常见的直方图合并方法及其缺点。
在基于分布的描述子（如SIFT描述子）中，将局部特征区域划分为不同的子区域（位置区域），并为每个子区域生成特定的直方图。通过这些直方图的有序串联生成最终的描述子。通常，描述子结构采用统一的划分，直方图的生成采用固定的二进制大小。
文献中已经提出了各种描述子结构。图2（a）-（c）显示了一些最常见的结构。在原始SIFT描述子中，将位置量化为4times;4位置网格，并将倾斜角度量化为8个方向[见图2（a）]。描述子维数为128。在GLOH中，使用了一个对数极性位置网格，该网格在径向方向上具有3个容器，在角度方向上具有8个容器（17个位置容器）[见图2（b）]。梯度方向在16个bin中进行量化；因此，描述子的尺寸为272，通过主成分分析可将其减小为128。DAISY描述子使用圆形网格，其中包括25个位置分格和8个用于梯度方向的分格；因此，描述子的尺寸为200 [参见图2（c）]。
SIFT描述子及其改进的扩展由于其几何和辐射畸变的不变性，通常用于遥感图像匹配。同一三维场景的遥感图像，特别是高分辨率的宽基线图像，如果从不同的角度获取，其表现形式不同，局部几何畸变明显。显然，对于两幅不同图像中的两个对应的局部区域，这些畸变的数量随着距离特征中心的距离的增加而增加。然而，基于SIFT的描述子在位置和方向量化过程中都使用常规的直方图合并过程。 常规分箱为位于本地区域中不同位置的各种位置分箱提供相同的效果。 例如，在标准SIFT算法中，更远和更近的单元格都具有包含八个分量的梯度直方图。 通常，应用简单的高斯加权函数以减少对远离局部描述子中心的像素的强调。 尽管高斯加权过程在提高描述子对局部失真的鲁棒性方面有积极影响，但它可能会降低描述子的独特性，可能不足以确定正确的匹配项。
另一方面，在具有对数极性结构的描述子中，内圆区域不被划分为径向扇区[见图2（b）]。由于某些空间信息丢失，该过程降低了描述子的显著性[16]。然而，当应用常规的binning时，第一个环中的内部位置bin变得太小，并且描述子对像素位置误差非常敏感。此外，描述子维度显著增加。
为了解决这些问题，本文提出了一种新的自适应策略用于独特的描述子构造。通过将自适应量化策略用于局部区域划分和梯度直方图计算，与现有的类似SIFT的描述子相比，描述子的独特性和功能得到了显著提高，如下一部分的实验所示。此过程有效地将本地区域划分为具有适当大小的各种位置容器。为了避免像素位置错误并增加描述子的独特性，对内圆采用比外圆更小的角量化数。 此外，不不使用单一的梯度直方图作为现有的局部描述，而是根据距离局部特征中心的距离使用不同大小的多个梯度直方图。 由于几何畸变的数量随着距离特征中心的距离的增加而增加，因此对于距离描述子中心较远的位置箱，考虑使用较小的方向直方图。利用此过程，几何畸变较小的位置箱对描述子结构的影响较大。结果，描述子的显著性和鲁棒性得到了显著提高。
提出的AB-SIFT描述子是SIFT描述子的高级扩展，并以自适应合并方式进行计算以提高其独特性。AB-SIFT描述子结构基于具有可变单元格的圆形对数极性网格，而不是SIFT的常规网格。首先，将归一化的局部区域R分为n个（径向量化数）不重叠的圆环，即R（1），R（2）...R（n），以局部特征点为中心。为了给出更独特的描述，我们使用自适应策略来执行角度划分，而不是常规的划分。为此，设置M = {m1...mn}作为角度量化数。 每个环R（i）分为mi个子区域（位置区），它们沿mi方向平均分布，从而定义了对于每个i，j = {1...mi} ,i = {1......n}的子区域R（i，j）。
子区域划分后，为每个子区
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238773]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
