结合空间辅助面特征的区域自动配准方法.DOC

结合空间辅助面特征的区域自动配准方法 王瑞瑞1,3，王晋年1，尤红建4，马建文2 （1.中国科学院遥感应用研究所，北京，100101; 2.中国科学院对地观测与数字地球科学中心，北京，100101; 3.中国科学院研究生院，北京，100049; 4.中国科学院电子学研究所，北京，100080） 摘 要：本文提出了一种新的基于空间辅助面特征的主被动遥感影像区域自动配准方法，该方法借鉴了全局区域配准高精度与局部区域配准低复杂度的算法特征，采用正、反函数变换法提取具有相同角度和尺度的空间特征，并采用归一化互相关系数法定义灰度相似性，通过构建空间辅助面，将空间特征和灰度相似性有效地结合起来，共同用于影像的自动配准。文中选取了SPOT与ASTER影像、ASAR和ASTER影像两组数据进行实验，并提取基准影像和配准后待配准影像的不同部位相间拼接形成结果图，从中可以看出各种地物在拼接处表现自然平滑。实验结果证明，该方法简单易行，且配准精度较高。 关键词：空间辅助面特征; 主被动遥感影像; 区域自动配准; 正、反函数变换; 变换模型 中图分类号：TN751.1 文献标志码： A 1前言 影像配准实质上是在两幅（或多幅）在不同的时间、从不同的角度、由不同的传感器获取的影像之间识别同名点，进而将其叠加起来。影像自动配准是计算机视觉以及数字图像处理的基本问题，尤其是主被动遥感影像的自动配准，它在影像融合（Moigne等,2006）、变换检测（Carlotto,1997）、环境检测、医学图像处理(Maintz and Viergever,1998)以及地图更新等方面有着广泛的应用，影像配准的精度在很大程度上影响着后续处理的结果。近年来国内外许多学者对其进行了深入的研究，提出了各种用于自动配准的方法，主要分为两类：基于 区域的自动配准，基于特征的自动配准(Maintz and Viergever,1998)。 基于区域的自动配准主要是利用了一定区域中灰度的统计特征信息来识别同名点，通常使用的灰度统计信息包括对应像素的平方差、协方差、差的平方和、相关系数(Inglada,2002)、互相关系数(Karna等，2008)]、互信息(Chen等，2003)、梯度(Shams等，2007)等。基于区域的自动配准可以分成两种：（1）基于局部区域的自动配准。该方法主要是从需要匹配点的特定邻域内获得对于该点的匹配支持，从而寻求局部最优的解(Ardeshir等，1986)。由于只是从局部考虑问题，所以容易造成错误的配准；（2）基于全局区域的自动配准。该方法从全局最优的方式来考虑问题，把配准看作一个寻求全局能量函数最小的过程，从而获取全局最优的结果(Wen等，2002)。该方法具有结果准确度高的优点；但是寻求全局最优解是一个NP-Hard问题，所以它需要耗费大量的计算时间。目前，基于区域的配准方法己经被成功的应用于航天图像(Lee等，1990)、医疗图像(Shams等，2007)。对于缺乏纹理特征的图像，或者在图像的边界不连续区域，这种方法将变得没有意义(Ayaehe and Fvaerjon，1985)。基于 区域的自动配准法直接对图像像素进行配准，结果不受特征提取精度和密度的影响，可得到 项目资助：863计划“卫星遥感SAR与光学影像自动配准与融合技术系统研究” (2007AA12Z157)、中国科学院知识创新工程青年人才领域前沿项目专项项目(O8S01100CX)和国家自然科学基金项目“基于背景学习的并行粒子滤波红外弱小目标TBD 算法研究”。 作者简介：王瑞瑞（1983－ ），女，河南焦作人，博士研究生，主要研究方向为数字图像智能处理。 较高的定位精度；同时它也存在着以下弊端：（1）需要进行大量的计算和比较，（2）过于依赖图像灰度统计特性，（3）该方法基于像素的灰度特性进行配准，所以适用于同一传感器影 像的配准，对于不同传感器的影像或者同一传感器的时差偏大的影像，配准结果较差。 基于特征的配准，主要分为三个步骤：（1）特征提取；（2）利用一组参数对特征进行描述；（3）利用参数进行特征配准。常用的图像特征包括点、线、面。通常情况下，提取的特 征比较明显，能够抵抗噪声的干扰（F?rstner，1986）。图像特征又可以分为局部特征和全局特征两类：局部特征包括点、边缘、线条和小的区域，全局特征由一些局部特征组成，比如多边形。F?rstner（1986）, Hannah（1989）选取特征点作为局部特征进行影像匹配。Vosselman（1992）利用关系匹配处理全局特征的匹配。与基于区域的配准方法相比，特征受几