王森

摘要：傳統(tǒng)的SIFT算法在配準(zhǔn)高分二號全色與多光譜影像時配準(zhǔn)效率較低，本文使用一種新的配準(zhǔn)策略：首先對圖像進行區(qū)域劃分并計算每個區(qū)域的信息熵，只針對信息熵較大的部分采用改進的Harris算法提取特征點，然后使用SIFT算法描述特征點并進行粗匹配，再用PROSAC進行特征點的提純，實現(xiàn)精匹配，最后完成圖像配準(zhǔn)。

關(guān)鍵詞：高分二號;圖像配準(zhǔn);信息熵;SIFT;PROSAC

中圖分類號：TP391.4 文獻標(biāo)識碼：A 文章編號：1007-9416（2020）01-0104-02

0 引言

在遙感圖像處理中，圖像配準(zhǔn)是很重要的處理環(huán)節(jié)。配準(zhǔn)精度的高低直接會影響到后續(xù)的圖像處理質(zhì)量，因此對遙感圖像配準(zhǔn)進行深入的研究具有很重要的現(xiàn)實意義。近年來Harris算子和SIFT算子在圖像配準(zhǔn)領(lǐng)域應(yīng)用較為廣泛，這兩種方法在處理普通圖像時能夠取得較好的配準(zhǔn)效果，但是對于遙感圖像配準(zhǔn)而言往往配準(zhǔn)精度較低。因此本文基于這兩種算法對高分二號衛(wèi)星圖像的配準(zhǔn)方法進行研究，從而充分利用這兩種算法的優(yōu)點。

Harris[1]角點檢測算法是通過微分算子計算像素點在任意方向上的灰度變化，并根據(jù)角點響應(yīng)函數(shù)的值來判斷目標(biāo)像素點是否為角點。該算法運算量較小，且提取的角點分布較為均勻。尺度不變特征變換（SIFT）[2]算法是圖像配準(zhǔn)領(lǐng)域較為經(jīng)典的一種算法，SIFT特征對圖像的尺度、旋轉(zhuǎn)、平移等具有不變性，該算法的主要步驟包括：尺度空間構(gòu)造、極值點檢測、特征點主方向分配、特征描述子生成。SIFT算法在普通圖像中的配準(zhǔn)效果較好，但是對于大幅面的遙感圖像往往具有配準(zhǔn)速度慢、精度低等特點。配準(zhǔn)速度慢主要體現(xiàn)在檢測到的特征點數(shù)量多，從而在特征描述階段會有較多的時間消耗，因此本文在特征檢測部分使用改進的Harris算法代替SIFT算法進行特征檢測。

1 基于Harris-SIFT的圖像配準(zhǔn)算法

1.1 特征點檢測

經(jīng)典的Harris算子檢測出的角點不具有尺度不變性，因此本文使用Harris-Laplace[3]算法進行角點檢測，使其具有尺度不變性。Harris算子是通過角點響應(yīng)函數(shù)CRF（corner response function）的值來判斷該點是否為角點，當(dāng)CRF的值超過所設(shè)定的閾值時，則認(rèn)為該點為需要的角點。但是CRF值的計算會受到經(jīng)驗常數(shù)k的影響，進而會影響到后續(xù)的配準(zhǔn)效果，因此為了避免k值的選取，本文使用改進的角點響應(yīng)函數(shù)[4]，計算式為：

其中是圖像的水平方向梯度，是圖像的垂直方向梯度，其中，，是任意小的正數(shù)，可以避免分母為零的情況。

針對該改進的Harris算法依然存在無效的角點的問題，本文參考王崴等[5]提出的在當(dāng)前的目標(biāo)像素點8鄰域的范圍內(nèi)統(tǒng)計與之相似的像素點個數(shù)，以此來剔除無效的角點。由于高分二號圖像的特殊性，且波段間灰度存在較大的差異，這樣容易使角點的定位存在偏差。故需要對用上述方法檢測到的角點進行精定位，本文參考經(jīng)典的Forstner[6]算子對角點進行精定位。

1.2 特征描述子生成

由于本文不直接對整幅圖像進行特征檢測，而僅對信息熵較大的區(qū)域使用改進的Harris算子檢測角點特征，這樣大大的降低了算法的運算量，所以不必再為了進一步提高運算速度而降低特征描述符的維數(shù)，因為在降維的同時可能會使配準(zhǔn)精度降低。因此，為了確保配準(zhǔn)精度，本文使用傳統(tǒng)的SIFT算法進行特征描述，生成128維特征向量，具體可參考文獻[2]中的方法。

1.3 針對高分二號衛(wèi)星影像的配準(zhǔn)方法

由于高分二號圖像的數(shù)據(jù)量較大，因此傳統(tǒng)的配準(zhǔn)策略在此已不能滿足實時性的要求。本文方法為：首先對整幅圖像進行區(qū)域劃分[7]并計算各區(qū)域信息熵，然后針對信息熵較大的區(qū)域使用改進的Harris算法進行特征提取，從而縮短特征檢測的時間，而且能夠使特征點在整幅圖像中分布均勻。之后使用SIFT算法對特征點進行描述并且進行粗匹配，然后使用PROSAC[8]算法進一步提純特征點并估算出變換模型參數(shù)，從而實現(xiàn)最終的圖像配準(zhǔn)。

2 實驗分析

本文選取全色影像為基準(zhǔn)圖像，由于多光譜影像中的近紅外波段和全色影像存在較大的灰度差異，故以近紅外波段為例作為待配準(zhǔn)圖像進行實驗更能驗證配準(zhǔn)算法的有效性，全色影像大小為2286×2225，近紅外波段影像大小為746×749。本文使用VS2013結(jié)合GDAL庫編程。使用傳統(tǒng)的SIFT算法作為對比實驗，本文算法實驗結(jié)果如圖1所示，兩種算法配準(zhǔn)效果比較如表1所示。實驗結(jié)果表明，本文算法明顯比SIFT算法檢測到的特征點少、配準(zhǔn)速度快，在提高配準(zhǔn)速度的同時，配準(zhǔn)精度也較SIFT算法高。

3 結(jié)語

本文針對高分二號遙感圖像提出了一種在區(qū)域劃分的基礎(chǔ)上，使用改進的Harris算子和SIFT算子相結(jié)合的圖像配準(zhǔn)方法。實驗證明，該算法提取的特征點較SIFT算法更少且更均勻，配準(zhǔn)速度和配準(zhǔn)精度都較SIFT算法有顯著的提高。

參考文獻

[1] Harris C，Stephens M.A combined corner and edge detector[C].Proceedings of the Alvey Vision Conference，Manchester，UK，1988：147-151.

[2] Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.

[3] Mikolajczyk K，Schmid C.Scale & affine invariant interest point detectors[J].International Journal of Computer Vision，2004，60（1）：63-86.

[4] 毛晨，錢惟賢，顧國華，等.基于雙邊濾波的Harris角點檢測[J].紅外技術(shù)，2014，36（10）：812-815+819.

[5] 王崴，唐一平，任娟莉，等.一種改進的Harris角點提取算法[J].光學(xué)精密工程，2008（10）：1995-2001.

[6] 張艷，張志成.混合Forstner算法和SIFT灰度圖像特征點提取[J].科技通報，2012（10）：64-70.

[7] 李玉峰，王竹筠.基于Harris-SIFT特征匹配的圖像自動配準(zhǔn)算法研究[J].電視技術(shù)，2015，39（23）：26-30.

[8] CHUM O，MATAS J.Matching with PROSAC-progressive sample consensus[C].IEEE Computer Society Conference on Computer Vision & Pattern Recognition（ICCV），Beijing：IEEE，2005：220-226.