黃濤 武衛(wèi)東

摘 ?要： 對于遙感圖像精準配準技術(shù)的問題，提出基于優(yōu)化ORB算法的遙感圖像精準配準技術(shù)。首先，實現(xiàn)特征匹配，通過改進ORB算法將特征點進行提取，并且實現(xiàn)描述符的創(chuàng)建及匹配，得到初始控制點;然后，使用隨機采樣一致性方法和變換參數(shù)估計相結(jié)合，將可能錯誤的匹配進行剔除;最后，通過最小二乘法對變換參數(shù)進行估計，實現(xiàn)圖像的幾何糾正。對算法配準技術(shù)進行實驗，實驗結(jié)果表明此方法得到的配準精度較高，能夠進一步提高配準效率。

關(guān)鍵詞： ORB算法; 遙感圖像; 圖像配準技術(shù); 變換參數(shù)估計; 互信息計算; 特征點匹配

中圖分類號： TN911.73?34 ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）09?0035?04

Optimized ORB algorithm based precise registration technology

for remote sensing images

HUANG Tao1， WU Weidong2

（1. Department of Teaching Affairs， Hebei University of Science and Technology， Shijiazhuang 050018， China;

2. School of Information Science and Engineering， Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract： An optimized ORB algorithm based precise registration technology for remote sensing images is proposed. The feature points are extracted by improved ORB algorithm to realize the creation and matching of the descriptors， and obtain the initial control points. The random sampling consistency method is combined with transformation parameter estimation to eliminate the possible incorrect matching. The least square method is used to estimate the transformation parameters to realize the geometric correction of the images. The experiment was carried out for technology of the algorithm. The experimental results show that the registration accuracy obtained by this method is high， and the registration efficiency can be further improved.

Keywords： ORB algorithm; remote sensing image; image registration technology; transformation parameter estimation; mutual information calculation; feature point matching

圖像配準被廣泛應用到醫(yī)學領(lǐng)域中，醫(yī)生能夠通過多種時間圖像信息及設(shè)備的有效配準，使診斷過程中的精準性得到提高。目前，在各領(lǐng)域中廣泛使用基于互信息的圖像配準，并且還出現(xiàn)了較多的優(yōu)化算法[1]。目前的優(yōu)化算法包括全局優(yōu)化及局部優(yōu)化，局部優(yōu)化方法受到局部極值的影響，其優(yōu)化效果重點為選擇初始點。全局優(yōu)化算法主要包括模擬退火算法、粒子群優(yōu)化算法以及遺傳算法。模擬退火算法的計算時間比較長，有時會進入到錯誤搜索方向中，從而無法得出最優(yōu)解;粒子群優(yōu)化算法只能夠得到最優(yōu)值附近的值;遺傳算法在實施的過程中會導致過早收斂情況的出現(xiàn)[2]。為了使此問題得到有效的解決，可以使用基于優(yōu)化ORB的算法。通過實驗結(jié)果表明本文所提方案的配準效果良好。

1 ?傳統(tǒng)遙感圖像精準配準技術(shù)

1.1 ?圖像配準數(shù)學模型

實現(xiàn)兩幅圖像的配準，就要實現(xiàn)相似性測度的定義，還要能夠找尋空間變換，通過空間變換之后能夠使兩幅圖像相似性測度得到進一步的提高。假設(shè)空間變換為[T]，相似性測度為[S]，那么配準的過程就歸結(jié)為尋找最佳的空間變換，即：

式中[T]指的是坐標系和形態(tài)的變化，比如，縮放、旋轉(zhuǎn)、平移、彈性參量。

1.2 ?計算圖像互信息

互信息指的是信息論中的概念，實現(xiàn)系統(tǒng)之間統(tǒng)計相關(guān)性的描述[3]。兩幅圖像[A]與[B]的互信息表示為：

式中：[H（A）]是圖像[A]的平均信息量;[H（B）]是圖像[B]的平均信息量;[H（A，B）]是平均信息量。具體計算公式如下：

式中：[PA]及[PB]指的是圖像邊緣概率密度;log底數(shù)和熵的單位具有密切的關(guān)系，比如底數(shù)值表示為2，e，10時，熵的單位指的是比特、奈特和哈特。在實現(xiàn)理論推導過程中，大部分都使底數(shù)為e，一般都使底數(shù)為2。在互信息量為最大時，表示兩幅圖像配準[4]。

2 ?配準方法

2.1 ?配準流程

配準是指待配準圖像朝著參考圖像進行轉(zhuǎn)變的變換參數(shù)，而且還能夠通過待配準圖像糾正參考圖像。圖1為基于改進ORB算法遙感圖像自動配準流程。

圖1 ?基于改進ORB算法遙感圖像自動配準流程

以上配準流程的步驟如下：

1） 匹配初始控制點?；趨⒖紙D像及待配準圖像實現(xiàn)特征點提取，并且實現(xiàn)二進制描述符的創(chuàng)建，之后通過局部敏感散列算法實現(xiàn)二進制描述符的匹配。

2） 優(yōu)化控制點。利用RANSAC算法，結(jié)合單應性矩陣估計剔除可能存在的錯誤匹配情況。

3） 圖像糾正。利用最小二乘法估計單應性矩陣，并且還能夠重新采樣待配準圖像[5]。

2.2 ?變換及插值模型

對同個模態(tài)超光譜圖像來說，波長間隔較遠的波段圖像之間失配，利用線性變換模型對其糾正，此過程不適用高階幾何變換模型，所以稱其為算法初步驗證。

設(shè)[U（x，y）]表示參考圖像，[V（x1，y1）]表示輸入圖像，[（x，y）]和[（x1，y1）]表示像素坐標。[TU]指的是線性變換矩陣，[U]指的是變換參數(shù)構(gòu)成的列向量，[U=（tx，ty，θ）T，] 那么線性幾何變換模型表示為：

式中：[tx]是[x]方向平移;[ty]是[y]方向的平移;[θ]是旋轉(zhuǎn)角度。不同[U]對不同線性變換矩陣進行確定，配準算法就是在全部[U]構(gòu)成的空間中搜索，使相似性測度為最大的參數(shù)向量[U]。

為了使算法具備子像素配準精度，利用差值模型實現(xiàn)圖像重采集尤為重要，因為差值模型能夠允許更精準地調(diào)整圖像[6]。

2.3 ?特征點檢測

對于傳統(tǒng)算法在特征提取過程中速度較慢的問題，使用ORB算法提取特征，其主要思想就是如果某個點的灰度值要比周圍區(qū)域大量像素點灰度值大或者小，表示此點為特征點[7]。實現(xiàn)過程如下：

1） 將像素[p]作為中心，在半徑為3的圓上，像素點一共有16個。將[p]點灰度值和其他16個點灰度值進行對比，如果圓上具備連續(xù)[n]個點像素灰度值比[p]點灰度值要大或者小，那么此點為FAST角點[8]。圖2為FAST算法的角點檢測。

圖2 ?FAST算法的角點檢測

2） 檢測特征點在邊緣較強的響應值。首先實現(xiàn)較低閾值的設(shè)置，實現(xiàn)大量特征點的提取，之后通過Harris角點進行監(jiān)測，從而實現(xiàn)排列，尋找前面[m]個最好的點成為ORB算法角點。

3） 為了使算法具備方向不變性，本文提出灰度質(zhì)心法，將灰度及質(zhì)心偏移向量方向定義為角點方向。

在實際圖像匹配過程中，旋轉(zhuǎn)及尺度都是較為常見的問題，但是ORB算法并沒有對尺度不變性的問題進行解決，所以就要實現(xiàn)算法的改進，創(chuàng)建高斯金字塔圖像尺度空間，尋找每層ORB角點，以此得到特征點尺度不變性[9]。

2.4 ?特征點匹配

利用ORB算法對圖像特征點進行檢測之后，使用改進ORB特征描述子將尋找的特征點使用128維向量進行表示，之后選擇合適的相似性測度，完成搜索策略圖像之間的匹配。在實現(xiàn)圖像配準的過程中，相似度測量對兩幅圖像匹配效果進行衡量，其屬于圖像配準過程中尤為重要的步驟，對配準精度起決定性作用。對于浮點型描述子一般使用歐氏距離作為特征點之間的相似度測度。假如兩個向量在空間中的距離比較近，那么此兩點在空間中和同個位置相互對應。相反，假如距離比較遠，則表示此兩點對應的為圖像中不同的位置，公式為：

其能夠?qū)Χ嗑S空間中各點的絕對距離進行衡量，將元素誤差在距離測度中的距離進行放大，可在各領(lǐng)域中使用。

為了實現(xiàn)兩幅圖像特征點快速匹配，首先要實現(xiàn)特征點搜索策略的創(chuàng)建。特征點匹配算子包括窮舉法及創(chuàng)建數(shù)據(jù)索引。窮舉法的主要優(yōu)勢就是不需要實現(xiàn)數(shù)據(jù)的處理，操作較為簡單方便，但是搜索效率比較低;實現(xiàn)數(shù)據(jù)索引的創(chuàng)建就是對搜索空間實現(xiàn)層次劃分，一般都使用[Kd]?樹算法實現(xiàn)，利用回溯操作尋找真正最近的鄰點。圖3a）和圖3b）表示衛(wèi)星光學遙感圖像，每幅圖像實現(xiàn)3 000個特征點的提取，通過匹配以后得到789個同名點，圖3c）為匹配的結(jié)果。通過圖3可以看出，大部分的地名、物名都匹配正確，只有少量匹配錯誤點。

3 ?實驗結(jié)果和分析

本文使用自機載可見光/紅外成像光譜儀超光譜遙感圖像，其屬于機載成像光譜儀，由4個光譜儀構(gòu)成，具備4個光學單元及線性敏感器陣列，能夠在212個波段成像。

首先，對比優(yōu)化算法對互信息的多分辨率搜索性能，利用波段10與波段100圖像字塊。表1為收斂次數(shù)和最終相互信息值，通過結(jié)果表示，目標函數(shù)測量次數(shù)與終止條件相同時，一般的優(yōu)化算法就會陷入局部極值，無法實現(xiàn)全局最優(yōu)解，但是ORB算法具有明顯優(yōu)勢。

表2為通過10波段作為參考波段，實現(xiàn)16波段圖像配準的五次實驗結(jié)果。圖像幾何變換參數(shù)方差表示，算法能夠滿足子像素配準精度，但是算法要通過上百次迭代才能夠?qū)崿F(xiàn)此結(jié)果。所以，如何在保證精度過程中使速度得到提高是今后需要研究的內(nèi)容。

圖3 ?初始化控制點的匹配結(jié)果

表1 ?收斂次數(shù)和最終相互信息值

表2 ?波段圖像配準的結(jié)果

4 ?結(jié) ?語

圖像配準使用范圍已經(jīng)越來越廣泛，不同傳感器的圖像配準已經(jīng)成為主要研究內(nèi)容。本文對改進ORB算法遙感圖像精準配準技術(shù)進行分析，實驗結(jié)果表明本文方法能夠提取足夠控制點，以此進行遙感圖像自動配準，從而使配準精度為亞像素級。

參考文獻

[1] 王雷，郭全.一種基于DCWPSO算法與FFD模型的心臟CT序列圖像配準算法[J].山東理工大學學報（自然科學版），2018，32（1）：1?4.

WANG Lei， GUO Quan. A cardiac CT sequence image registration algorithm based on DCWPSO algorithm and FFD model [J]. Journal of Shandong University of Technology （Natural Science Edition）， 2018， 32（1）： 1?4.

[2] 顧旭波，張永舉，張健，等.基于SIFT算法及閾值篩選的點云配準技術(shù)研究[J].計算機測量與控制，2017，25（12）：247?250.

GU Xubo， ZHANG Yongju， ZHANG Jian， et al. Research on point cloud registration technology based on SIFT algorithm and threshold screening [J]. Computer measurement and control， 2017， 25（12）： 247?250.

[3] 劉曉慧，楊新鋒.基于歸一化互信息和金字塔分解優(yōu)化的圖像配準算法研究[J].微型電腦應用，2016，32（11）：19?22.

LIU Xiaohui， YANG Xinfeng. Image registration algorithm based on normalized mutual information and pyramid decomposition optimization [J]. Microcomputer applications， 2016， 32（11）： 19?22.

[4] 賈志成，張希晉，陳雷，等.基于并行粒子群優(yōu)化的三維點云配準算法[J].電視技術(shù)，2016，40（1）：36?41.

JIA Zhicheng， ZHANG Xijin， CHEN Lei， et al. Three?dimensional point cloud registration algorithm based on parallel particle swarm optimization [J]. Television technology， 2016， 40（1）： 36?41.

[5] 王雪，王秋爽.基于混合優(yōu)化算法的醫(yī)學圖像配準技術(shù)[J].吉林大學學報（信息科學版），2016，34（5）：703?708.

WANG Xue， WANG Qiushuang. Medical image registration technology based on hybrid optimization algorithm [J]. Journal of Jilin University （Information Science Edition）， 2016， 34（5）： 703?708.

[6] 龐先偉，王超，李學軍，等.基于果蠅優(yōu)化算法優(yōu)化Powell的圖像配準研究[J].科技通報，2017，33（6）：159?162.

PANG Xianwei， WANG Chao， LI Xuejun， et al. Study on Powell image registration based on drosophila optimization algorithm [J]. Bulletin of science and technology， 2017， 33（6）： 159?162.

[7] 單寶明，胥喜龍.一種結(jié)合ORB算法的SIFT圖像配準算法[J].工業(yè)儀表與自動化裝置，2017（2）：27?30.

SHAN Baoming， XU Xilong. A SIFT image registration algorithm combining ORB algorithm [J]. Industrial instruments and automation devices， 2017（2）： 27?30.

[8] 袁桂霞.基于MRF模型的多模態(tài)圖像配準技術(shù)研究[J].現(xiàn)代電子技術(shù)，2018，41（1）：57?61.

YUAN Guixia. Research on multi?modal image registration technology based on MRF model [J]. Modern electronics technique， 2018， 41（1）： 57?61.

[9] 張瑩瑩，王文爽，尤青，等.基于改進ORB算法的警用無人機偵查技術(shù)研究[J].計算機科學，2016，43（12）：89?93.

ZHANG Yingying， WANG Wenshuang， YOU Qing， et al. Research on police UAV reconnaissance technology based on improved ORB algorithms [J]. Computer science， 2016， 43（12）： 89?93.