一种多源多光谱遥感图像特征点匹配算法.docxVIP

一种多源多光谱遥感图像特征点匹配算法 0 多源遥感图像特征点提取 规模不变特征变换（sift）是基于特征点的特征识别描述方法。 在遥感领域中, 由于波段或传感器的不同, 导致遥感成像的灰度值呈非线性变化, 而SIFT算法只能抗拒光照条件下的灰度值线性变化或近似线性变化, 因此无法解决多源遥感图像特征点匹配问题。但是在遥感图像融合, 几何纠正, 镶嵌, 变化检测中经常要面对大量图像匹配问题。目前常用基于像素统计的方法来解决这个问题, 这种方法简单直观, 但是计算量很大, 而且在图像有较大旋转, 较大光照、色彩差异等情况下往往会失败。因此多源遥感图像特征点提取及匹配技术亟待提高。 自从提出SIFT算法以后, 国内外学者对多源图像特征点提取算法做了一些研究与探讨。目前主要有以下解决办法。对于那些由于灰度值的变化导致主方向与原来图像的主方向成180°的情况, Chen等 本文针对多源遥感图像中像素非线性变化导致难以提取正确的特征匹配点对的情况, 提出了一种基于主成分分析的多源遥感图像特征点提取算法。先对多波段遥感图像进行主成分分析, 再用第一主成分作为最终图像进行特征点提取;对特征点进行匹配时, 利用尺度限制条件, 既能提高匹配精度又能提高计算速度。 1 多源遥感图像特征点提取算法 SFIT算法是针对灰度像素统计的, 故要使特征点邻域的像素值尽量相近才能提高特征点正确匹配率。因此先对多源遥感图像进行PCA变换, 可以提取两幅遥感图像的共同的光谱信息, 再用改进的SIFT算法提取特征点。由于多源遥感图像之间主要是由灰度的非线性变化引起的差异, 本文在匹配时, 最近的距离与次近的距离的比例阈值为2.5, 实验效果分析可以得到相对好的效果。算法详细过程如图1所示。 1.1 主成分分析法 主成分分析法是在统计特征基础上进行的一种多维 (多波段) 正交线性变换, 也称为KL变换。主成分分析法先将具有多波段的多光谱图像变换后, 分解成多个独立的主分量, 通常第一主分量包含了变换前的图像空间的绝大多数信息, 其余主分量基本上为噪声, 因此第一主分量具有较高的信噪比。通过主成分变换后, 选择第一主分量图像作为多光谱图像的待匹配图像。 1.2 大尺度遥感图像主成分对比 多源遥感图像进行了主成分分析预处理后, 两幅遥感图像的主成分部分仍然存在一定差异, 但在大尺度下两者之间是相似的, 所以在创造尺度空间时, 提高尺度因子σ等于1.5。 1.3 匹配特征点 在匹配点对中主要存在两种匹配错误情况: (1) 尺度相差较大的匹配点对错误 1.4 消除错误对应点的配置 虽然在上一步中采取提高比例阈值来减少第二种错误, 但仍存在错匹配对。本文采用的去外点方法是采用RANSAC随机抽样一致性算法 2 实验结果及分析 在测试实验中, 采用本文所提特征点算法分别对两对多源多光谱遥感影像进行匹配, 并且与SIFT、GOM-SIFT、SR-SIFT算法的检测效果比较, 验证本文算法的有效性。 实验1:实验数据采用CBERS-02B和ETM+的多光谱影像数据 (CBERS-02B有5个波段, ETM+有4个波段) 进行测试。本文算法在经过主成分变换后的第一主分量图像之间进行特征点匹配;在SIFT、GOM-SIFT、SR-SIFT检测算法中, 分别随机选取CBERS-02B多光谱影像和ETM+多光谱影像中任一波段 (本实验CBERS-02B影像采用波段1, ETM+影像采用波段2) 进行特征点匹配实验。并且尺度因子取1.5, 比例阈值取2.5。 匹配效果如图2所示, 图2 (a) 为本文算法的特征点检测效果图, 本文所提算法总匹配点对为8对, 正确匹配率为100%。图2 (b) 、 (c) 、 (d) 分别采用SIFT、GOM-SIFT、SR-SIFT检测算法进行特征点检测实验, 在SIFT检测算法中, 总匹配点对为5对, 正确匹配率为80%, GOM-SIFT、SR-SIFT算法与SIFT类似。可以看出, 本文提出的算法明显的好于其他算法。 实验2:第2组采用CBERS-02B和HJ-1B (CBERS-02B有5个波段, HJ-1B有4个波段) 进行测试。本文算法在经过主成分变换后的第一主分量图像之间进行特征点匹配;在SIFT、GOM-SIFT、SR-SIFT检测算法中, 分别随机选取CBERS-02B多光谱影像和HJ-1B多光谱影像中任一波段 (本实验CBERS-02B影像采用波段1, HJ-1B影像采用波段3) 进行特征点匹配实验。并且尺度因子取1.5, 比例阈值取2.5。 匹配效果如图3所示, 图3 (a) 为本文算法的特征点检测效果图, 本文所提算法总匹配点对为8对, 正确匹配率为100%。图3 (b) 、 (c) 、 (d) 分别采用SIFT、GOM-SIFT、S