[发明专利]一种鲁棒SURF无人机彩色遥感图像配准方法

权利要求书

1.一种鲁棒SURF无人机彩色遥感图像配准方法，其特征在于步骤如下：

步骤1：对获取的无人机彩色遥感参考图像image1、待配准图像image2进行灰度处理变为灰度图像，对灰度图像进行高斯平滑处理完成尺度空间构建，采用特征检测算子Hessian矩阵的行列式进行特征点提取，获取image1、image2的所有特征点分别记为目标集{p_i},i＝1,2,……,n和基准集{q_j},j＝1,2,……,m；

步骤2：对于得到的目标集{p_i}和基准集{q_j}，以每个特征点为中心确定边长为20s的正方形区域，其中s表示不同尺度空间下的采样间隔，将其周围邻域信息分成4×4个子区域，每个小区域又分为5×5个采样点，最后用Harr小波计算每个小区域垂直和水平方向的响应及模值dx,|dx|,dy,|dy|，并统计5×5个采样点的总响应Σdx,∑|dx|,∑dy,∑|dy|，可得到特征点的64维SURF特征描述符：

V＝(∑dx,∑|dx|,∑dy,∑|dy|)

则特征点的SURF描述符在水平或垂直方向上定义为：

V_gray＝(V₁,V₂,V₃,V₄,...,V₁₆)

其中，V_i,i＝1,2,3,...,15,16表示16个子区域所对应的描述向量；由此可得目标集{p_i}和基准集{q_j}中所有的特征点的64维SURF特征描述符；

步骤3：对于坐标为(x,y)特征点，其在RGB颜色空间表示为R_(x,y)、G_(x,y)、B_(x,y)，将其进行颜色空间转换，转换到YIQ颜色空间为Y_(x,y)、I_(x,y)、Q_(x,y)；

RGB颜色空间变换到YIQ颜色空间表示为：

$\left[\begin{array}{c}Y\\ I\\ Q\end{array}\right]=\left[\begin{array}{ccc}0.229& 0.587& 0.114\\ 0.596& -0.274& -0.322\\ 0.211& -0.523& 0.312\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

将其增加到原始算法描述符中，得到新的彩色描述符如下：

$V_{color}=(i_1,i_2,i_3,i_4,...,i_{64},Y_{(x_0,y_0)},I_{(x_0,y_0)},Q_{(x_0,y_0)})$

对上式进行归一化处理：

${\stackrel{\‾}{V}}_{color}=(\frac{i_1}{\left|V_{color}\right|},\frac{i_2}{\left|V_{color}\right|},\frac{i_3}{\left|V_{color}\right|},\frac{i_4}{\left|V_{color}\right|},...,\frac{i_{64}}{\left|V_{color}\right|},\frac{Y_{(x_0,y_0)}}{\left|V_{color}\right|},\frac{I_{(x_0,y_0)}}{\left|V_{color}\right|},\frac{Q_{(x_0,y_0)}}{\left|V_{color}\right|})$

$\left|V_{color}\right|=\sqrt{\underset{k=1}{\overset{64}{\Σ}}{i_k}^2+{Y^2}_{\left(x_0,y_0\right)}+{I^2}_{\left(x_0,y_0\right)}+{Q^2}_{\left(x_0,y_0\right)}}$

其中i_k,k＝1,2,3,...,63,64代表经典SURF算法中特征点的64维描述向量；由此可得目标集{p_i}和基准集{q_j}中各个特征点的67维描述向量；

步骤4：特征点双向匹配

步骤4a：使用欧氏距离公式计算参考图像image1中的特征点p1在image1中正向的最近欧式距离d_nt和次近欧式距离d_snt；

使用欧氏距离公式计算参考图像image1中的特征点p1在image2中正向的最近欧式距离d1_nt和次近欧式距离d1_snt的特征点分别为p2_nt和p2_snt；

步骤4b：计算最近距离d1_nt和次最近距离d1_snt的比率T₁，即

$T_1=\frac{d{1}_{nt}}{d{1}_{snt}}$

将T₁与判断阈值T进行比较：如果T₁＜T，随之进行步骤4c，否则，自动跳出；

步骤4c：对于p2_nt对应特征点，使用欧氏距离公式计算在image1中反向的最近距离d2_nt和次最近距离d2_snt的特征点分别为p1_nt和p1_snt；

步骤4d：计算最近距离和次最近距离的比率T₂

$T_2=\frac{d{2}_{nt}}{d{2}_{snt}}$

将T₁与判断阈值T进行比较：如果T₂＜T，同时p1_nt所寻找的特征点和原始特征点p1是同一个特征点，则认为是正确匹配点对，否则返回步骤4a对参考图像image1中的其它特征点进行新的特征点判断；

依次遍历参考图像目标集中所有特征点，最终实现双向匹配提纯；

步骤5：采用RANSAC算法实现变换矩阵参数求取

步骤5a：寻找步骤4完成后的双向匹配提纯后的特征点对m_i'←→m_i，i＝1,2,......n；

步骤5b：从匹配点对集合中，任意选取4对匹配点对，使用这4对匹配点对的坐标值，求得变换矩阵H；

步骤5c：以欧氏距离为依据，在匹配点对集合中寻找符合d(H_im_i,m_i')<t条件的点对，其中，H_im_i表示对image2中特征点进行矩阵变换映射到image1中的位置坐标，m_i'表示m_i在image1中对应特征点的位置坐标，d(H_im_i,m_i')表示两个坐标向量的欧氏距离，将符合条件的点对作为最终的内点，并记录满足H_i约束的内点数量；

步骤5d：重复5b和5c两步n次，记录每一次的内点数量；

步骤5e：选取对应内点数量最大的H_best，寻找所有符合d(H_bestm_i,m_i')<t条件的匹配点对，将它们作为最终的内点，即正确的匹配点对，不符合d(H_bestm_i,m_i')<t条件的错误匹配点对，即为外点，予以剔除；

步骤5f：根据随机抽样一致性算法求得N个匹配点对，对这个2N个由x₁,y₁,x₂,y₂所构成的矩阵进行标记，记作A，对其进行SVD奇异值分解得A＝UDV^T，U和V中分别是A的奇异向量，D为对角线上的奇异值按降序排列，V的最后一列重构为3*3矩阵即为所求的透视变换矩阵参数估计；

步骤6：双三次插值实现配准

若参考图像image1上任意一点坐标为(x,y)，其灰度值为g(x,y)，该点在待配准图像image2上的对应点坐标为(u,v)，其灰度值为f(u,v)，[·]表示取整数，待配准图像中对应点4*4邻域内16个像素点组成的矩阵为B：

$B=\left[\begin{array}{cccc}f\left(\&lsqb;u\&rsqb;-1,\&lsqb;v\&rsqb;-1\right)& f\left(\&lsqb;u\&rsqb;-1,\&lsqb;v\&rsqb;\right)& f\left(\&lsqb;u\&rsqb;-1,\&lsqb;v\&rsqb;+1\right)& f\left(\&lsqb;u\&rsqb;-1,\&lsqb;v\&rsqb;+2\right)\\ f\left(\&lsqb;u\&rsqb;,\&lsqb;v\&rsqb;-1\right)& f\left(\&lsqb;u\&rsqb;,\&lsqb;v\&rsqb;\right)& f\left(\&lsqb;u\&rsqb;,\&lsqb;v\&rsqb;+1\right)& f\left(\&lsqb;u\&rsqb;,\&lsqb;v\&rsqb;+2\right)\\ f\left(\&lsqb;u\&rsqb;+1,\&lsqb;v\&rsqb;-1\right)& f\left(\&lsqb;u\&rsqb;+1,\&lsqb;v\&rsqb;\right)& f\left(\&lsqb;u\&rsqb;+1,\&lsqb;v\&rsqb;+1\right)& f\left(\&lsqb;u\&rsqb;+1,\&lsqb;v\&rsqb;+2\right)\\ f\left(\&lsqb;u\&rsqb;+2,\&lsqb;v\&rsqb;-1\right)& f\left(\&lsqb;u\&rsqb;+2,\&lsqb;v\&rsqb;\right)& f\left(\&lsqb;u\&rsqb;+2,\&lsqb;v\&rsqb;+1\right)& f\left(\&lsqb;u\&rsqb;+2,\&lsqb;v\&rsqb;+2\right)\end{array}\right]$

矩阵B中元素中函数f(u+i,v+j),i＝-1,0,1,2；j＝-1,0,1,2,定义为在待配准图像上的对应点坐标为(u+i,v+j)时的灰度值；

则参考图像中待插值点的灰度值计算公式如下：

g(x,y)＝f(u,v)＝ABC

其中：

$\left\{\begin{array}{c}a=u-\&lsqb;u\&rsqb;\\ b=v-\&lsqb;v\&rsqb;\\ C={\left[\begin{array}{cccc}s(1+a)& s\left(a\right)& s(1-a)& s(2-a)\end{array}\right]}^T\\ A=\left[\begin{array}{cccc}s(1+b)& s\left(b\right)& s(1-b)& s(2-b)\end{array}\right]\end{array}\right.$

$s\left(w\right)=\left\{\begin{array}{cc}1-2|w{|}^2+|w{|}^3,& \left|w\right|\&lt;1\\ 4-8\left|w\right|+5|w{|}^2-|w{|}^3,& 1\&le;\left|w\right|\&lt;2\\ 0,& \left|w\right|\&GreaterEqual;2\end{array}\right.$

s(w)为双三次插值的基函数，是对sin(x*π)/x的逼近，通过双三次插值，将image2图像插值到参考图像image1中，实现最终的高精度配准。