[发明专利]一种线阵遥感影像密集匹配方法

说明书

本发明公开了一种线阵遥感影像密集匹配方法，包括构建基于金字塔的多尺度匹配框架、进行基于DAISY算子的代价计算、进行基于超像素块的代价聚合、进行基于Patch‑Match算法的标签改进策略的步骤。本发明改进了原始Patch‑Match算法框架，利用超像素分割将影像由栅格结构转化形成图结构，简化了后续处理，提高了Patch‑Match算法进行标签传播和搜索的效率；在线阵遥感影像的密集特征生成过程中采用DAISY算子进行描述子生成，该算子对尺度和旋转具有鲁棒性，同时生成密集描述子相比SIFT，SURF等特征描述子具有较快生成的效率，能较好的满足不同分辨率遥感影像处理能力。

技术领域

本发明涉及遥感影像处理技术领域，特别涉及一种线阵遥感影像密集匹配方法。

背景技术

在传统的遥感影像数字产品生产过程中，无论面阵影像(航空)，还是线阵影像(卫星)，都是基于稀疏特征点的处理流程。这种稀疏点的方式，假设地表是连续变化的。这种假设在小比例尺测图是可以近似的，但是在城市地区或者大比例测图存在误差，特别是在对数字城市三维重构的需求，导致稀疏点的方式不能满足要求。密集匹配相比稀疏匹配具有巨大的优势，但是值得注意的是其在技术上也有很多难点亟待解决。

早期的匹配技术集中利用局部窗口对单点进行窗口相关操作，直接得到代价值，然后使用Winner Take All(WTA)策略取代价最小的点为匹配点。但是该方法对特征稀缺区域和纹理重复区域会失效。从1999年开始，利用密集匹配技术生成视差图的工作得到迅猛发展，特别是Boykov和Kolmogorov在2001年在引入了图论中的图割算法(Graph cuts)进行能量最小值(max-flow/min-cut)求解。此外类似求解能量最小化的方法的还有置信度传播算法(Brief Propagation)，其效率更高。它们的思想都是将匹配问题由局部算法转到全局算法中去，每个像素与某一视差之间，像素邻域之间都用一定代价进行权值连接构成图后，采用马尔科夫随机场最优化算法求全局能量最小值将所有像素视差一次性求出。但是由于实际图像的复杂性，全局算法的最优值有时并不一定与现实的场景相匹配，同时在实时性和效率上，全局算法也受到限制。

到2011年左右，大量有Edge-aware Filtering的算法应用于密集匹配中，使得局部算法取得了长足的发展。其在代价聚合阶段，使用影像作为形成视差聚合的支撑域，将原始代价值在支撑域内聚合(滤波)，这样能使得像素的视差具有稳健性，同时保留了视差不连续的特征。常见的局部方法有双通道滤波(Bilateral Filtering),指导滤波算法(Guided Filtering)，基于最小生成树(MST)算法等。这些局部方法的提出，大大改进了原始代价计算的稳健性，可以直接采用WTA即可得到最终的视差值。这样比全局法效率得到大幅度提高，同时精度并没有太大损失。此外由于局部算法往往需要开窗处理，求积分图像等技术，非常容易改进算法到并行化处理从而能大大提高算法的效率，某些算法甚至在较小的图幅情况下能做到实时或近实时处理。

除了常用的全局法密集匹配和局部法密集匹配外，近年来一些新的算法成功运用在密集匹配上，比较著名的是有Patch-Match算法和偏微分方程PDE算法。其中Patch-Match算法，相当于E-M算法，具有较强的搜索能力。在E步中通过传播特性，将周围的视差传播到待处理的像素视差。在M步中进一步搜索最适宜的视差值。而偏微分方程算法相当于将视差值看为连续的值，而不是像马尔科夫随机场(MRF)一样将视差当成离散值处理。通过求凸集最优化的方法进行迭代处理原始问题和对偶问题，最后汇集收敛到最优解，即为图像的最终的视差值。

但现有的方法没有考虑到遥感影像密集匹配中，参考影像与匹配影像之间空间分辨率相差过大的问题，当空间分辨率相差过大，会造成影像间特征点难以匹配的问题。同时目前方法都是针对有核线约束的面阵影像密集匹配，但对于缺少核线约束的线阵图像，即使是同一卫星同轨成像，也无法完全通过旋转对齐影像内所有扫描行的姿态，所以参考影像的像素和匹配影像像素之间不存在类似面阵影像视差这样简单一维连接关系，需要考虑更多的关系，如方向尺度等。而DAISY特征正好具有如下特质，同时产生密集特征的效率也较高。