[发明专利]一种控制点自适应分布的高分辨率遥感影像配准方法

摘要

本发明公开一种控制点自适应分布的高分辨率遥感影像配准方法，将多尺度J-image引入到图像配准中，首先提出了一种基于分块策略的自适应控制点提取方法，实现了多尺度J-image影像中的控制点提取，从而克服了控制点仅对个别方向高频信息敏感的局限。同时，定义了自适应控制点提取策略以约束控制点的分布。进而采用归一化的互信息测度NMI对控制点进行多尺度进行匹配，能够有效平滑配准函数。最后采用Delaunay三角形局部变换实现几何校正。下文首先介绍了所提出算法的基本原理及关键步骤，进而对三组不同类型的遥感影像进行了实验和分析，并分别与基于小波变换及NSCT的不同配准方法进行了比较实验。

主权项

一种控制点自适应分布的高分辨率遥感影像配准方法，其特征在于：主要包括多尺度控制点提取、基于NMI的控制点匹配和基于Delaunay三角形的图像配准三个步骤；多尺度控制点提取选择J‑image影像作为多尺度分析工具进行控制点提取与匹配；1计算J‑image影像序列利用某一特定尺寸的窗口计算原始影像中每个像素对应的局部同质性指标J‑value并作为该像素的像素值，获得单一尺度的J‑image影像，J‑value的计算过程如下：首先采用量化方法对原始影像进行量化从而获得量化影像；令量化影像中每一个像素的位置z(x,y)为像素z的像素值，z(x,y)∈Z，Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合；在量化影像中，定义N为以z为中心窗口中的像素总数，则均值m：$m=\frac{1}{N}\underset{z\∈Z}{\mathrm{\Σ}}z(x,y)---\left(2.1\right)$定义m_p为窗口中属于相同灰度级p的所有像素均值，Z_p为窗口中属于灰度级p的所有像素的集合，P为量化影像中的灰度级总数，则窗口中属于同一灰度级像素的方差的和S_W可定义为：$S_W=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{{z\∈Z}_p}{\mathrm{\Σ}}{\left|\right|z-m_p\left|\right|}^2---\left(2.2\right)$定义S_T为窗口中所有像素的总体方差：$S_T=\underset{Z\∈Z}{\mathrm{\Σ}}{\left|\right|z-m\left|\right|}^2---(2.3)$则J‑value为：J＝(S_T‑S_W)/S_W   (2.4)利用不同尺寸窗口分别计算不通尺度下z的J‑value，并作为z的像素值，从而获得多尺度J‑image影像序列；根据以上J‑value的定义，在某一尺度的J‑image中，某一像素的对应的J‑value值越大，则越可能处于对象的边缘；反之，则可能位于对象的中心；同时，J‑value综合了原始影像所包含的光谱信息、纹理信息与尺度信息，且对方向信息不敏感，因此也可作为控制点的描述子用于同名点的匹配；2控制点提取及分布约束基于分块策略的自适应控制点提取方法，实现流程如下：Step1：将各个尺度的J‑image影像等分为不同尺寸的子图像，某尺度中子图像大小与计算该尺度J‑image影像的特定窗口尺寸大小相同，但保留角点，为N×N像素的正方形窗口。Step2：在原始影像中利用公式(2.4)计算整幅影像的J‑value值，定义为T_a；T_a反映了原始影像的总体均质程度；Step3：在某一尺度J‑image中，分别将每个子图像中心像素的J‑valve与T_a进行比较，若大于T_a，则认为该子图像内部纹理特征丰富，结构复杂，应提取较多的控制点，取子图像中J‑value最大的前K个像素作为控制点；反之，则提取少量控制点即可，取子图像中J‑value最大的前L个像素作为控制点，并且满足K和L的值可根据影像实际尺寸及影像纹理的复杂程度设定；Step4：在所有尺度J‑image影像中重复Step3的操作，实现控制点的多尺度提取及分布约束；基于NMI的控制点匹配1计算NMI相似性度量在某一尺度J‑image中，将参考影像和待配准影像中的控制点所在区域作为两个矢量C和D，计算控制点间的NMI；所采用的窗口尺寸与计算当前尺度J‑image所采用的特定窗口尺寸相同；首先用熵来描述互信息，熵是指平均意义上对信源来表征的总体特征，可通过对可能时间上的信息量加权平均获得；定义熵H及互信息I(C,D)如公式(2.5)、(2.6)所示：H＝‑Σ_iP_i log₂P_i  (2.5)I(C,D)＝H(C)+H(D)‑H(C,D)  (2.6)其中，P_i表示某个随机变量所有可能中第i种可能情况发生的概率；则H(C)、H(D)、H(C,D)分别为参考影像和待配准影像中同名点对应的熵以及他们的联合熵；根据公式(2.5)可知：H(C)＝‑Σ_cP_C(c)log₂P_C(c)  (2.7)H(D)＝‑Σ_dP_D(d)log₂P_D(d)  (2.8)H(C,D)＝‑Σ_c,dP_CD(c,d)log₂P_CD(c,d)  (2.9)其中P_C(c)和P_D(d)分别为C和D完全独立时的概率分布，P_CD为C和D的联合概率分布；NMI定义如下：$\mathrm{NMI}=\frac{H\left(C\right)+H\left(D\right)}{H(C,D)}---\left(2.10\right)$在参考影像及待配准影像的同一尺度J‑image中，以控制点为中心，以计算当前尺度J‑value的特定窗口为局部区域生成子图像，计算子图像间的NMI从而度量控制点间的相似性；2基于NMI的最大双向匹配策略为实现控制点间的准确匹配，提出了一种基于NMI的最大双向匹配策略，匹配过程如下：Step1：在参考影像与待配准影像的同一尺度J‑image中，NMI最大且大于阈值TNMI的控制点对作为一对同名点，进而得到同名点集1；Step2：与Step1计算方向相反，将待配准影像中某一控制点分别与参考影像中所有控制点进行比较，得到同名点集2；Step3：比较同名点集1和同名点集2，将相同的同名点对作为当前尺度下获得的最终同名点集；Step4：重复Step1至Step3，对所有尺度J‑image进行判别，并将获得的同名点对全部映射到原始影像中的相同位置；Step5：在原始影像中采用经典的RANSAC算法进一步消除误匹配现象，获得最终的同名点集；基于Delaunay三角形的图像配准采用Delaunay三角网构造几何映射函数，对待配准的影像进行重采样。映射函数为：$\left\{\begin{array}{c}{x}^{\′}=a_0+a_{1}x+a_{2}y\\ y^{\′}=b_0+b_{1}x+b_{2}y\end{array}\right.---\left(2.11\right)$其中，(x,y)为参考影像中局部三角形的坐标，(x',y')为待配准影像中对应局部三角形的坐标，由于构建三角形的三个控制点坐标已知，因而可直接求出(2.11)式中待定系数。