CN104809724A - 多波段遥感影像的自动精配准方法 - Google Patents

Abstract

本发明公开了一种多波段遥感影像的自动精配准方法，从多波段遥感影像中筛选波段作为训练样本，然后对每幅训练样本和对应的基准样本进行特征点提取与特征点匹配，对每幅训练样本的匹配点对分别进行异常匹配检测，将异常匹配点对删除，从剩余的匹配点对中统计相同匹配点对的出现次数，选择出现次数大于预设阈值的匹配点对作为共同控制点对，得到共同控制点对集合，再根据共同控制点对集合生成坐标变换模型，对其他匹配点对中所有训练样本特征点进行坐标变换，根据预设比例筛选误差较小的匹配点对，最后根据共同控制点对和筛选的匹配点对生成最终的配准模型，对待配准图像进行配准。本发明建立的配准模型精度较高，能够实现遥感影像的自动精校正。

Description

多波段遥感影像的自动精配准方法

技术领域

本发明属于遥感影像处理技术领域，更为具体地讲，涉及一种多波段遥感影像的自动精配准方法。

背景技术

随着遥感技术的迅猛发展，卫星遥感系统已经能够为人们提供动态实时的对地观测数据，遥感影像获取手段的不断进步和提高，也为多时相影像间的变化监测等遥感应用提供海量的数据基础。然而，由于地球自转、地形起伏、大气折射以及大气云层移动，加上传感器轨道位置和姿态变化等成像条件的影响，同一地物在不同时相获取的遥感影像中，会出现空间位置不一致的情况，无法满足亚像素等对精度要求较高的应用场合。因此，通过精配准处理，将多幅影像变换到参考影像坐标系统下，从而使影像在空间位置上匹配对应起来，成为了遥感图像处理领域的重要课题，同时也是基于多时相数据的遥感应用必须解决的问题。

传统精配准方法主要通过建立地面控制点数据库，手动或半自动地选取控制点，然而这种方法操作过程冗长，精度不够高，无法满足自动批量处理的需求。近年来精配准方法发展主要分为三个大致方向：基于区域灰度、基于影像特征和基于解释相似的配准算法。基于区域灰度的配准算法操作简单，但对参考影像和训练样本间灰度变化非常敏感。基于解释相似的配准算法需要建立在图片自动判读的专家系统之上进行，至今未取得突破进展。基于特征相关的配准算法在特征空间中提取出影像特征，压缩图像信息，然后对特征进行匹配，从而降低灰度变化的影像响，增强了鲁棒性，因此更加适合自动批量精配准的需要。

然而现有的主流方法几乎都是针对单幅影像或单个波段进行计算和处理，但常见的遥感数据大多都为多波段数据，这样其他波段就没有得到充分利用，造成了图像信息的严重浪费，导致精配准的结果精度不高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多波段遥感影像的自动精配准方法，充分利用多波段遥感影像的各个波段信息，实现影像的全自动精配准。

为实现上述发明目的，本发明多波段遥感影像的自动精配准方法包括以下步骤：

S1：对于采集到的需要进行配准的多波段遥感影像，根据预设指标选取其中若干个波段作为训练样本；

S2：对于每幅训练样本和基准影像中对应基准样本分别进行特征点提取；

S3：分别将每幅训练样本的特征点与对应基准样本的特征点进行匹配，得到M_i个匹配点对，i表示训练样本的序号，i＝1,2,…,K，K表示训练样本的数量；

S4：对步骤S3得到匹配点对进行异常匹配检测，具体方法为：

S4.1：对于各训练样本与对应基准样本得到的匹配结果，将每个匹配点对中训练样本的特征点坐标作为输入，将基准样本的特征点坐标作为输出，训练得到该幅训练样本对应的坐标变换模型；

S4.2：对于每幅训练样本，采用对应的坐标变换模型对匹配点对中训练样本的特征点进行坐标变换，得到该特征点的变换坐标；

S4.3：对于每幅训练样本，计算匹配点对中每个训练样本特征点的坐标与变换坐标间的误差R_k，k的取值范围为k＝1,2,…,M_i，然后计算所有匹配点对中训练样本特征点的总均方根误差RMSE；如果第k个特征点的误差R_k≥d×RMSE，d为预设的大于等于1的常数，则将对应的匹配点对删除，否则保留；

S5：对经过异常匹配检测处理后所有训练样本的匹配点对，统计相同匹配点对的出现次数，将出现次数大于预设阈值的匹配点对作为共同控制点对，得到共同匹配点对集合；

S6：根据共同控制点对集合生成坐标交换模型，对共同控制点对集合以外的其他匹配点对中的所有训练样本特征点进行坐标变换并计算误差R，按照误差R从小到大排序，根据预设比例筛选前面若干个匹配点对；

S7：根据步骤S5得到的共同控制点对集合和步骤S6筛选得到的匹配点对生成最终的配准模型，根据该配准模型对待配准图像进行配准。

本发明多波段遥感影像的自动精配准方法，从多波段遥感影像中筛选波段作为训练样本，然后对每幅训练样本和基准影像中对应的基准样本进行特征点提取与特征点匹配，对每幅训练样本的匹配点对分别进行异常匹配检测，将异常匹配点对删除，从剩余的匹配点对中统计相同匹配点对的出现次数，选择出现次数大于预设阈值的匹配点对作为共同控制点对，得到共同控制点对集合，再根据共同控制点对集合生成坐标变换模型，对其他匹配点对中所有训练样本特征点进行坐标变换，根据预设比例筛选误差较小的匹配点对，最后根据共同控制点对和筛选的匹配点对生成最终的配准模型，对待配准图像进行配准。本发明利用了多波段遥感影像的各个波段信息，建立的配准模型精度较高，能够实现遥感影像的自动精校正，有效消除影像之间的误差，保证几何一致性。

附图说明

图1是本发明基于多波段遥感影像的自动精配准方法的流程图；

图2是Moravec算子计算方法示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于多波段遥感影像的自动精配准方法的流程图。如图1所示，本发明基于多波段遥感影像的自动精配准方法包括以下步骤：

S101：对多波段遥感影像进行筛选：

对于采集到的多波段遥感影像，根据预设指标选取其中若干个波段作为训练样本。此处采用信息熵作为选取依据的指标，具体方法为：计算各个波段影像的信息熵，信息熵越大表示该波段影像中所包含的图像信息量越丰富，因此将信息熵大于预设阈值的波段影像作为训练样本。信息熵H的计算公式为：

$H=-\underset{n}{\mathrm{\Σ}}{p}_n{I}_e=-\underset{n}{\mathrm{\Σ}}{p}_n{{\log }_2}^{p_n}$

其中，p_n表示灰度值为n的像素点在图像中所占比例。

除了筛选出的波段影像外，对于研究区域某些固定地物类型突出的情况，还可以加入预设指数的遥感指数分布图作为训练样本之一，为特征点检测提供更加丰富的图像信息。

S102：特征点提取：

分别对于步骤S101得到的每幅训练样本和作为配准参考的基准影像中对应的基准样本进行特征点提取。

由于遥感影像在系统校正或粗配准后已经具备一定精度，考虑到系统效率，本实施例中使用Moravec(莫拉维克)算子进行特征点提取，简单快速，实现方便。图2是Moravec算子计算方法示意图。如图2所示，以像素点(x,y)为中心，取一个w×w的窗口，计算窗口中该像素点与周围四个方向(分别为水平、垂直、45°、135°)的像素点灰度值的自相关函数，计算公式为：

$V_{u,v}(x,y)=\underset{x,y}{\mathrm{\Σ}}w(x,y){[I(x+u,y+v)-I(x,y)]}^2$

其中w(x,y)表示方形二值窗口，如果像素点在该窗口内，其值为1，否则为0；(u,v)代表四个方向。选取四个方向自相关函数值中的最小值作为该像素点的兴趣值。然后设定阈值，遍历影像，将兴趣值大于该阈值的像素点作为候选点。最后设置一个固定大小的窗口，让该窗口遍历影像图像，每次移动窗口后将窗口中兴趣值最大的候选点作为特征点。

S103：特征点匹配：

分别将每幅训练样本的特征点与对应基准样本的特征点进行匹配，从而得到M_i个匹配点对。每个匹配点对包括一个训练样本的特征点和基准样本的特征点。

本实例中采用归一化互相关系数方法进行特征点的匹配，其主要思路为分别计算基准样本中以特征点为中心模板窗口和训练样本中的匹配窗口的归一化互相关系数，当特征点对匹配时，其归一化互相关系数达到最大且大于阈值。归一化互相关系数法经过去均值和归一化处理后的相关系数对图像对比度、明暗变得不敏感，从而使得归一化互相关系数更可靠、适应性更强。

在进行特征点对应匹配时，由于实际应用中遥感影像数据的尺寸往往较大，在整幅影像内全局搜索会耗时很长。在现有技术中，由于系统校正后的遥感影像数据已经包含地理定位信息，因此可以首先对基准样本中的每个特征点进行定位得到特征点坐标，在训练样本中以该特征点坐标为中心，在预定大小的窗口内搜索该特征点的匹配特征点。采用这种方式可以大大增加匹配效率，节约时间。

S104：异常匹配检测处理：

在步骤S103的特征点匹配中，不可避免会出现配准坐标与其实际坐标发生严重偏离的误配情况，因此需要对每幅训练样本与基准样本的匹配结果进行异常匹配检测。基于RANSAC算法理论，本发明利用总均方根误差来衡量匹配效果，通过实际坐标和经坐标变换后的坐标计算出总的均方根误差，剔除误差明显不合理的个体后，即可得到正确的匹配结果。异常匹配检测包括以下步骤：

S4.1：获取坐标变换模型：

对于每幅训练样本与对应基准样本的匹配结果，将每个匹配点对中训练样本特征点坐标作为输入，将基准样本特征点坐标作为输出，训练得到该幅训练样本对应的坐标变换模型。

本实施例中采用二次多项式坐标变换模型，其表达式为：

$\mathrm{\ω}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n-i}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{t}_i{s}_j,\mathrm{\λ}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n-i}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{t}_i{s}_j$

其中，n表示匹配点对的数量，本步骤中n＝M_i，(t,s)表示特征点在训练样本中的坐标，(ω,λ)表示特征点在基准样本中的坐标，多项式的系数向量A_t＝{a₁₁,a₁₂,…,a₂₁,a₂₂…}和A_s＝{b₁₁,b₁₂,…,b₂₁,b₂₂…}能够利用最小二乘法解出：

$\left\{\begin{array}{c}{A}_x={\left(H^{T}H\right)}^{-1}{H}^{T}T\\ A_y={\left(H^{T}H\right)}^{-1}{H}^{T}S\end{array}\right.$

其中，T＝{t₁,t₂,…,t_n}，S＝{s₁,s₂,…,s_n}，

$H=\left[\begin{array}{cccccc}1& s_1& {s_1}^2& t_1& t_1{s}_1& t_1^2\\ 1& s_2& {s_2}^2& t_2& t_2{s}_2& t_2^2\\ & & ...& ...& & \\ 1& s_n& {s_n}^2& t_n& t_n{s}_n& t_n^2\end{array}\right]$

S4.2：对训练样本中的特征点进行坐标变换：

对于每幅训练样本，采用坐标变换模型对匹配对中训练样本特征点进行坐标变换，记训练样本中M_i个特征点的坐标为(t_k,s_k)，k的取值范围为k＝1,2,…,M_i，根据步骤S104的配准模型计算得到在各个特征点在基准图像中的投影坐标(t_k′,s_k′)。

S4.3：计算各特征点的误差与总均方根误差：

特征点k的误差R_k的计算公式为：

$R_k=\sqrt{{(t_k^{\′}-t_k)}^2+{(s_k^{\′}-s_k)}^2}.$

计算匹配对中训练样本所有特征点的总均方根误差RMSE，计算公式为：

$\mathrm{RMSE}=\sqrt{\frac{\underset{k=1}{\overset{M_i}{\mathrm{\Σ}}}{R_k}^2}{M_i}}$

S4.4：检测异常匹配并处理：

如果第k个特征点的误差R_k≥d×RMSE，d为预设的大于等于1的常数，则将对应的匹配点对删除，否则保留，从而将异常匹配点对检测出来并去除。

S105：筛选共同控制点对：

在不同波段之间得到的匹配点对集中，存在某些匹配点对多次出现的情况。由于这些点在不同的情况下都表现出特征点的特性，所以这些共同控制点对在图像当中，相对于其他匹配点对具有更好的代表性，也包含更高的可靠性。基于这些共同控制点对，再筛选出精度较高的控制点集。

获取共同控制点对的具体方法为：对经过异常匹配检测处理后所有待匹配图像的匹配结果中，统计相同匹配点对的出现次数，将出现次数大于预设阈值的匹配点对作为共同控制点对，得到共同控制点对集合。

S106：筛选匹配点对：

根据步骤S105得到的共同控制点对集合生成坐标变换模型，然后对共同控制点对集合以外的其他匹配点中的训练样本特征点进行坐标变换并计算误差R按照误差R从小到大排序，根据预设比例筛选前面若干个匹配点对。

S107：生成最终配准模型：

根据步骤S105得到的共同控制点对和步骤S106筛选得到的匹配点对生成最终的配准模型，根据该配准模型对待配准图像进行配准。

为了验证本发明的有益效果，以一定数量的Landsat TM5数据为例进行实验。各年份数据处理得到的均方根误差RMSE为4.8232m，即0.16个像元，远小于1个像元，可见本发明相对于一般配准方法，精度有了显著提高。计算耗时平均为6.05s，各年份所用时间维持在5～7秒，耗时基本稳定，受影像本身质量、灰度等众多因素差异的影响很小，非常适合于遥感数据的批量处理。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种多波段遥感影像的自动精配准方法，其特征在于，包括以下步骤：

S1：对于采集到的多波段遥感影像，根据预设指标选取其中若干个波段作为训练样本；

S2：对于每幅训练样本和基准影像中对应基准样本分别进行特征点提取；

S3：分别将每幅训练样本的特征点与对应基准样本的特征点进行匹配，得到M_i个匹配点对，i表示训练样本的序号，i＝1,2,…,K；

S4：对步骤S3得到匹配点对进行异常匹配检测，具体方法为：

S4.1：对于各训练样本与对应基准样本得到的匹配结果，将每个匹配点对中训练样本的特征点坐标作为输入，将基准样本的特征点坐标作为输出，训练得到该幅训练样本对应的坐标变换模型；

S4.2：对于每幅训练样本，采用对应的坐标变换模型对匹配点对中训练样本的特征点进行坐标变换，得到该特征点的变换坐标；

S4.3：对于每幅训练样本，计算匹配点对中每个训练样本特征点的坐标与投影坐标间的误差R_k，k的取值范围为k＝1,2,…,M_i，然后计算所有匹配点对中训练样本特征点的总均方根误差RMSE；如果第k个特征点的误差R_k≥d×RMSE，d为预设的大于等于1的常数，则将对应的匹配点对删除，否则保留；

S5：对经过异常匹配检测处理后所有训练样本的匹配点对，统计相同匹配点对的出现次数，将出现次数大于预设阈值的匹配点对作为共同控制点对，得到共同匹配点对集合；

S6：根据共同控制点对集合生成坐标交换模型，对共同控制点对集合以外的其他匹配点中的所有训练样本特征点进行坐标变换并计算误差R，按照误差R从小到大排序，根据预设比例筛选前面若干个匹配点对；

S7：根据步骤S5得到的共同控制点对集合和步骤S6筛选得到的匹配点对生成最终的配准模型，根据该配准模型对待配准图像进行配准。

2.根据权利要求1所述的自动精配准方法，其特征在于，所述步骤S1中，选取训练样本的方法为：计算各个波段影像的信息熵，将信息熵大于预设阈值的波段影像作为待配准影像。

3.根据权利要求1所述的自动精配准方法，其特征在于，所述步骤S1中，影响样本还包括遥感指数分布图。

4.根据权利要求1所述的自动精配准方法，其特征在于，所述步骤S2中特征点提取采用Moravec算子来对特征点进行提取。

5.根据权利要求1所述的自动精配准方法，其特征在于，所述步骤S3中特征点匹配采用归一化互相关系数进行匹配。

6.根据权利要求1所述的自动精配准方法，其特征在于，所述坐标变换模型采用二次多项式模型。