MorphologicalFeatureExtractionforAutomatic.pptVIP

Morphological Feature Extraction for Automatic Registration of Multispectral Images 一种形态学上的多谱图像特征提取配准算法 摘要 图像配准可以分为两部分：图像的控制点(control points)或者特征提取，以及在待配准的图像中搜索与提取出的特征相匹配的特征。手工提取特征点的方法带有很大的主观性，很耗时间，而且往往提取的特征点无用。另一方面，自动特征提取允许采用不变的对象特征点，例如边缘、转角，交叉点等作配准的标志。在本文中，我们扩展了形态学方法，提出了一种在无人监管的情况下自动提取地标chips和相应windows的多谱图像配准算法。一旦获取一系列的chip-window对，我们采用一种基于多分辨率的小波分解特征匹配算法,分等级地进行配准。算法在配准由ALI(Advanced Land Imager)多谱仪器以及由NASA地球卫星(Observing-1)上的Hyperion光谱仪器获取的图像时非常有效。 1. INTRODUCTION The general process of image registration includes three main steps: 1) Extraction of features to be used in the matching process; 2) application of a feature matching strategy subject to a specific metric; 3) resampling of the data based on the correspondence computed from matched features. 图像配准的一般过程包括3个方面： 1）提取匹配过程中的特征点； 2）依据一个特定的尺度进行特征点匹配； 3）基于相关计算，从匹配特征中重采样数据； 当前图像配准的研究工作组要集中在上面的Step1和Step2阶段，或者全景配准，或者是围绕参考图像的特征点或界标的几幅chip，与输入图像中的相关windows配准。有个假设的前提：一旦配准系统可操作，需要建立类似界标chips的数据库。自动提取chips的能力和数据库的独立性。 在本文中，我们扩展了一种新提出的形态学方法，用来从遥感图像中自动提取参考chips和相关的窗口。这种方法适合多谱图像的自动配准。本文组织如下，第二部分介绍了当前新提出的形态学方法，该方法是能够实现自动特征提取的方法。第三部分介绍了如何修改形态学提取算法，以适应多谱图像的处理；第四部分提供实验结果以证明算法；第五部分是全文的总结和展望。 II. MORPHOLOGICAL FEATURE EXTRACTION 数学形态学是个非线性的图像处理技术，开始的时候引入基本的算子，建立对图像的处理。利用特定的空间特性(例如形状和大小)，称为结构要素(structure element)，在图像的空间域进行变换。结构要素的作用相当于滤波器，提取或者特定的图像结果。 III. EXTENSION TO MULTI/HYPERSPECTRAL IMAGES 第二部分讨论的SOMP算子已经应用在当前的研究中，用于从参考图像中自动提取一系列的地标chips，以及在无人监管的情况下从输入图像中查找相关的windows。SID(Spectral information divergence,光谱信息发散)首次用于建立输入图像与参考图像之间的基于SOMP分布的初始匹配，接着采用(分等级的)健壮特征匹配(RFM)程序，接着在各个等级的分解中采用多分辨率过完备小波分解算法进行chip和window特征的提取。 尽管当前的算法对配准单光谱Landsat图像的特征提取非常有效，但是并没有提及以下对配准多谱图像数据非常关键的几个方面： 我们当前的算法没有集合任何cloud(云层)检测程序，因此我们的配准过程非常容易受大气因素(例如云层和影子)的影响。为了解决这个问题，我们采用了光谱离析技术，用于从输入图像中自动探测云层(和它们的影子)等信息。特别的，我们考虑数据中的全光谱信息，采用文献[7]和文献[9]中所提的ATGP(automatic target generation process,自动目标生成程序)。在第二次采用ATGP时候，能够提取出正交图像中的最不一样的像素信息。这些像素(常常与云层。或者云层的影子信息有关)被用于标记出云层/影子区域，通过线性分离技术移出这些信息数据。 如果待配准的两幅图像之间存在旋转变换，直接采用SOMPs进行比较并不能够解决问题。SOMPs方法可以看作是一幅直方图，图中表明