基于多特征点的遥感图像配准方法技术

本发明专利技术公开了一种基于多特征点的遥感图像配准方法，主要解决传统多源和多光谱遥感图像配准精度低的缺点。其实现步骤为：1.输入两幅遥感图像；2.构造输入图像的各向异性尺度空间；3.在输入图像的各向异性尺度空间中分别使用Harris和Hessian算子进行特征点检测；4.分别将输入图像的两种特征点检测结果结合并生成特征向量；5.将输入图像的特征向量进行匹配，删除错误匹配的特征点对，输出配准结果。本发明专利技术具有配准精度高的优点，可用于多源遥感图像和多光谱遥感图像的配准。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及遥感图像配准，可应用于多源、多光谱遥感图像的配准。
技术介绍
图像配准是图像处理中非常关键的一个步骤，它是指将不同时刻、不同视角或者是不同传感器获取的同一场景的两幅或者多幅图像进行叠加对准的过程。图像配准技术已经被广泛地用于图像变化检测、图像拼接、医学领域以及模式识别领域。图像配准的方法大致可以分为两类：基于灰度信息的图像配准方法和基于特征信息的图像配准方法。基于灰度的图像配准是以整幅图像像素间的灰度信息为依据，建立待配准图像和参考图像之间的相似性度量函数，利用某一种搜索算法，寻找出使得相似性度量函数达到最优值的变换模型参数。这种算法容易实现，在配准之前不用提取图像的特征，只需要获取其灰度信息，但是其应用范围较窄，不能直接用于校正图像的非线性形变，且在最优变换的搜索过程中需要巨大的计算量。基于特征的图像配准方法是目前图像配准最常用的方法之一，其最大的优点在于能够将对整个图像进行的各种分析转化为对图像特征信息，即特征点、特征曲线、边缘、较小的区域的分析，从而大大减小了图像处理过程的运算量，而且对灰度变化、图像变形以及遮挡等都有较好的适应能力，以及能够实现在复杂成像条件下图像的快速、精确配准。经典的特征点提取算子有：Harris算子，Hessian算子等，但是Harris算子主要针对角点特征检测，对于纹理特征较多的图像检测效果不佳导致图像配准不精确，Hessian算子主要针对纹理特征检测，对于角点信息较多的图像配准结果不准确。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出一种基于多特征点的遥感图像配准方法，以提高配准效果，满足多传感器和多光谱图像的配准要求。为实现上述目的，本专利技术的技术方案包括如下：(1)输入参考遥感图像I1和待配准遥感图像I2；(2)构造参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像：(2a)计算各向异性尺度空间各层的尺度值；其中，σi表示各向异性尺度空间的第i层图像尺度值，σ0表示尺度参数的初始基准值，i＝0,1,2,...,L-1，i表示各向异性尺度空间层的序号，L表示各向异性尺度空间层的总数；(2b)将尺度空间值转换到时间度量值；(2c)对输入图像采用标准差为σ0的高斯滤波，得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像；(2d)将各向异性尺度空间层的序号i从零开始；(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵；(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i+1层图像：Ii+1＝(I-(ti+1-ti)·A(Ii))-1Ii，其中，Ii+1表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i+1层图像，A(Ii)表示各向异性尺度空间的第i层图像的扩散矩阵，I表示一个与A(Ii)同等大小的单位矩阵，ti和ti+1分别表示各向异性尺度空间的第i层和第i+1层的时间度量值，Ii表示各向异性尺度空间的第i层图像，(·)-1表示逆矩阵操作；(2g)判断i≥L-1是否成立，若成立，得到参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像，否则，令i＝i+1，返回步骤(2e)；(3)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Hessian算子进行纹理特征检测，得到参考遥感图像I1的第一特征点集P1和待配准遥感图像I2的第一特征点集Q1，特征点集中保存的是特征点的坐标信息；(4)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Harris算子进行角点特征检测，得到参考遥感图像I1的第二特征点集P2和待配准遥感图像I2的第二特征点集Q2；(5)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合，删除重复的坐标点后得到参考遥感图像I1的最终特征点集P；将待配准遥感图像的第一特征点集Q1与第二特征点集Q2进行结合，删除重复的坐标点后得到待配准遥感图像的最终特征点集Q；(6)分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2；(7)将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配，得到初始匹配点对；(8)使用随机抽样一致性算法RANSAC，提纯初始匹配点对，剔出误匹配点，得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数；(9)根据仿射变换参数值，对待配准遥感图像I2进行仿射变换，得到仿射变换后的图像F1；(10)将仿射变换后的图像F1与参考遥感图像I1进行融合，得到融合后的图像。本专利技术与现有技术相比具有如下优点：第一，本专利技术是通过各向异性扩散方程构建尺度空间，并在各向异性尺度空间上检测特征点，各向异性扩散方程具有选择性的扩散平滑、较好的兼顾噪声去除和边缘保护。第二，本专利技术使用两种不同的检测方法进行特征点检测，使得检测的特征不仅有纹理信息，而且还有角点信息，使得特征点信息更加全面、丰富和稳定，配准结果更加精确。附图说明图1为本专利技术的实现流程图；图2为用本专利技术对多源遥感图像的配准结果图；图3为用本专利技术对多光谱遥感图像的配准结果图。具体实施方式参考附图1，本专利技术的实现步骤如下：步骤1，输入两幅图像通过传感器拍摄的两幅图像，其中一幅作为参考遥感图像I1，另一幅作为待配准遥感图像I2。步骤2，构建参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像(2a)计算参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像的尺度值：其中，σi表示参考遥感图像I1或者待配准遥感图像I2的各向异性尺度空间的第i层图像的尺度值，σ0表示尺度参数的初始基准值，设置为1.6，i表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间层的序号，i＝0,1,2,...,L-1，L表示遥感图像I1或者待配准遥感图像I2各向异性尺度空间包含的图像总数，设置为8；(2b)将尺度空间值转换到时间度量值：其中，ti是进化时间，其表示参考遥感图像I1或者待配准遥感图像I2的各向异性尺度空间的第i层图像尺度的时间度量值；(2c)对参考遥感图像I1或者待配准遥感图像I2采用标准差为σ0的高斯滤波，得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像；(2d)将各向异性尺度空间层的序号i从零开始；(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵；其中，gi表示各向异性尺度空间的第i层图像的扩散系数矩阵，表示各向异性尺度空间的第i层图像Ii使用标准差为1的高斯滤波后的图像，表示高斯滤波后的图像的梯度幅度，|·|表示取模操作，K表示对比度因子，K的取值为梯度幅度的统计直方图70％百分位的梯度幅度值；(本文档来自技高网...

【技术保护点】
一种基于多特征点的遥感图像配准方法，包括如下步骤：(1)输入参考遥感图像I1和待配准遥感图像I2；(2)构造参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像：(2a)计算各向异性尺度空间各层的尺度值；σi=σ0(213)i-1]]>其中，σi表示各向异性尺度空间的第i层图像尺度值，σ0表示尺度参数的初始基准值，i＝0,1,2,...,L‑1，i表示各向异性尺度空间层的序号，L表示各向异性尺度空间层的总数；(2b)将尺度空间值转换到时间度量值；(2c)对输入图像采用标准差为σ0的高斯滤波，得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像；(2d)将各向异性尺度空间层的序号i从零开始；(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵；(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i+1层图像：Ii+1＝(I‑(ti+1‑ti)·A(Ii))‑1Ii，其中，Ii+1表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i+1层图像，A(Ii)表示各向异性尺度空间的第i层图像的扩散矩阵，I表示一个与A(Ii)同等大小的单位矩阵，ti和ti+1分别表示各向异性尺度空间的第i层和第i+1层的时间度量值，Ii表示各向异性尺度空间的第i层图像，(·)‑1表示逆矩阵操作；(2g)判断i≥L‑1是否成立，若成立，得到参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像，否则，令i＝i+1，返回步骤(2e)；(3)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Hessian算子进行纹理特征检测，得到参考遥感图像I1的第一特征点集P1和待配准遥感图像I2的第一特征点集Q1，特征点集中保存的是特征点的坐标信息；(4)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Harris算子进行角点特征检测，得到参考遥感图像I1的第二特征点集P2和待配准遥感图像I2的第二特征点集Q2；(5)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合，删除重复的坐标点后得到参考遥感图像I1的最终特征点集P；将待配准遥感图像的第一特征点集Q1与第二特征点集Q2进行结合，删除重复的坐标点后得到待配准遥感图像的最终特征点集Q；(6)分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2；(7)将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配，得到初始匹配点对；(8)使用随机抽样一致性算法RANSAC，提纯初始匹配点对，剔出误匹配点，得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数；(9)根据仿射变换参数值，对待配准遥感图像I2进行仿射变换，得到仿射变换后的图像F1；(10)将仿射变换后的图像F1与参考遥感图像I1进行融合，得到融合后的图像。...

【技术特征摘要】
1.一种基于多特征点的遥感图像配准方法，包括如下步骤：
(1)输入参考遥感图像I1和待配准遥感图像I2；
(2)构造参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像：
(2a)计算各向异性尺度空间各层的尺度值；
σi=σ0(213)i-1]]>其中，σi表示各向异性尺度空间的第i层图像尺度值，σ0表示尺度参数
的初始基准值，i＝0,1,2,...,L-1，i表示各向异性尺度空间层的序号，L表示
各向异性尺度空间层的总数；
(2b)将尺度空间值转换到时间度量值；
(2c)对输入图像采用标准差为σ0的高斯滤波，得到参考遥感图像I1和
待配准遥感图像I2各向异性尺度空间第0层图像；
(2d)将各向异性尺度空间层的序号i从零开始；
(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第
i层图像的扩散系数矩阵；
(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第
i+1层图像：
Ii+1＝(I-(ti+1-ti)·A(Ii))-1Ii，
其中，Ii+1表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间
的第i+1层图像，A(Ii)表示各向异性尺度空间的第i层图像的扩散矩阵，I表
示一个与A(Ii)同等大小的单位矩阵，ti和ti+1分别表示各向异性尺度空间的第
i层和第i+1层的时间度量值，Ii表示各向异性尺度空间的第i层图像，(·)-1表
示逆矩阵操作；
(2g)判断i≥L-1是否成立，若成立，得到参考遥感图像I1和待配准遥
感图像I2的各向异性尺度空间图像，否则，令i＝i+1，返回步骤(2e)；
(3)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图
像上使用Hessian算子进行纹理特征检测，得到参考遥感图像I1的第一特征点
集P1和待配准遥感图像I2的第一特征点集Q1，特征点集中保存的是特征点的坐
标信息；
(4)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图
像上使用Harris算子进行角点特征检测，得到参考遥感图像I1的第二特征点
集P2和待配准遥感图像I2的第二特征点集Q2；
(5)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合，删
除重复的坐标点后得到参考遥感图像I1的最终特征点集P；将待配准遥感图像
的第一特征点集Q1与第二特征点集Q2进行结合，删除重复的坐标点后得到待
配准遥感图像的最终特征点集Q；
(6)分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图
像I2的特征点集Q的特征向量D2；
(7)将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配，得到初始匹配点对；
(8)使用随机抽样一致性算法RANSAC，提纯初始匹配点对，剔出误匹配
点，得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数；
(9)根据仿射变换参数值，对待配准遥感图像I2进行仿射变换，得到仿
射变换后的图像F1；
(10)将仿射变换后的图像F1与参考遥感图像I1进行融合，得到融合后的图
像。
2.根据权利要求1所述的方法，其中步骤(2b)中将尺度空间值转换到时
间度量值，按照下式进行：
ti=12σi2]]>其中，ti表示各向异性尺度空间的第i层图像尺度的时间度量值。
3.根据权利要求1所述的方法，其中步骤(2e)中计算参考遥感图像I1和
待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵，按如下公
式计算：
gi=11+(|▿Igi|K)2]]>其中，gi表示各向异性尺度空间中第i层图像的扩散系数矩阵，表示各向异
性尺度空间的第i层图像Ii使用标准差为1的高斯滤波后的图像，表示高
斯滤波后的图像的梯度幅度，|·|表示取模操作，K表示对比度因子，K的
取值为梯度幅度的统计直方图70％百分位的梯度幅度值。
4.根据权利要求1所述的方法，其中步骤(3)中使用Hessian算子在各
向异性尺度空间图像上进行纹理特征检测，按如下步骤进行：
(3a)计算各向异性尺度空间图像沿x轴方向的一阶微分和二阶微分：
Hxi=-303-10010-303⊕Ii]]>Hxxi=-303-10010-303⊕Hxi]]>其中，Ii表示各向异性尺度空间的第i层图像，表示图像Ii沿x轴正方向的
一阶微分，表示图像Ii沿x轴正方向的二阶微分，表示相关操作；
(3b)计算各向异性尺度空间图像沿y轴方向的一阶微分和二阶微分：
Hyi=-3-10-30003103⊕Ii]]>Hyyi=-3-10-30003103⊕Hyi]]>其中，表示图像Ii沿y轴正方向的一阶微分，表示图像Ii沿y轴正方向
的二阶微分；
(3c)计算各向异性尺度空间图像的混合微分：
Hxyi=-3-10-30003103&CirclePl...

【专利技术属性】
技术研发人员：马文萍，刘靓，焦李成，马晶晶，闻泽联，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61