Download
1 / 18
180 likes | 310 Views
Combination of Feature-based and Area-based Image Registration Technique for High Resolution Remote Sensing Image. 一种基于特征匹配和区域匹配的高分辨率遥感图像配准算法. Abstract.
E N D
Combination of Feature-based and Area-based Image Registration Technique for High Resolution Remote Sensing Image 一种基于特征匹配和区域匹配的高分辨率遥感图像配准算法
Abstract Image registration is the process of geometrically aligning one image to another image of the same scene taken from different viewpoints or by different sensors. High resolution remote sensing images have made it more convenient for people to study the earth; however, they also create challenges for traditional research methods. In terms of image registration, there are a number of problems with using current image registration techniques for high resolution images. 图像配准就是对同一场景不同角度摄取的传感器图像，在几何上对准的过程。高分辨率的遥感图像，使得人们研究地球变得方便很多；但是，遥感图像对传统的图像研究方法提出了新的挑战。用当前的图像配准技术处理高分辨率的图像遇到很多困难。
Abstract This study proposes a new image registration technique, which is based on the combination of feature-based matching (FBM) and area-based matching (ABM). A wavelet-based feature extraction technique, normalized cross-correlation matching and relaxation-based image matching techniques are employed in this new method. 本文提出一种新的图像配准技术，该技术是基于特征的配准技术(feature-based matching ，FBM)与基于区域的配准技术(area-based matching)的结合。基于小波的特征提取技术、归一化互相关配准以及基于松弛法的图像配准，都应用在这种新算法上。
Abstract Two pairs of data sets, panchromatic images of IKONOS and a panchromatic image of IKONOS with a multispectral image of Quickbird, are used to evaluate the proposed image registration algorithm. The experiment results show that the proposed algorithm can select enough control points to reduce the local distortions caused by terrain relief. 本文采用两组图像对算法性能进行测试，一组为两幅IKONOS的全色图像，另外一组为一幅QuickBird全色影像和一幅IKONOS全色图像。实现结果证明本文提出的算法能够选出足够的控制点，减少由于地形地貌造成的局部失真。
I. INTRODUCTION 图像配准算法可以分为两类：一种是基于区域的配准技术(ABM)，一种是基于特征的配准技术(FBM)。 基于特征的配准技术不使用图像的灰度值进行实体匹配描述，但要通过特征提取算法提取图像特征。所需要的特征根据任务的需要而不同。ABM算法的先决条件就是sensed图像与reference图像的灰度分布必须相似。需要非常好的初始近似值以保证收敛。因为灰度值包含物体空间的少量外在信息，基于区域的图像配准算法并不可靠。多传感器的图像配准问题，图像灰度级因为不同的传感器而不一样，因此ABM算法并不适合直接用于解决多传感器的图像配准问题。与ABM算法比较，FBM算法更加健壮和可靠。但是，FBM算法需要特征提取过程，依赖于特征检测的可靠性。并且FBM算法的匹配精度还不如ABM算法。
高分辨率遥感图像时的人们研究地球更加方便。但是，也对传统研究方法带来挑战，包括对当前的图像配准技术：高分辨率遥感图像时的人们研究地球更加方便。但是，也对传统研究方法带来挑战，包括对当前的图像配准技术： a) Very high spatial resolution results in the lowering the altitude of the sensor, which increases the relief displacement and causes localized distortion related tolandscape height. 图像的高空间分辨率，必须通过降低传感器的高度来获取，这样将产生影像位移和由于地形高度而引起局部失真。 b) Precisely locating control points is not as simple as with moderate resolution images; moreover, it is more error-prone. 控制点的精确定位，没有像普通分辨率的图像处理起来简单；而且更容易产生误差。
c) Manually selecting the large number of control points required for precise registration is tedious and time consuming. 为了精确的图像配准，利用人工选择大量的空间点是乏味的，而且非常耗时间。 d)High data volume adversely affects the processing speed in the image registration. 在图像配准过程中，数据量太大影响算法的速度。
本文提出了一种基于FBM算法与ABM算法结合的新的配准技术。小波变换被用于提取特征点；归一化相关法和松弛法被用于查找相关点。本文的算法能够找到足够的控制点。基于三角的(triangle-based)校正---一个局部变换模型，被用于减少由于低海拔卫星传感器造成的局部失真。IKONOS和QuickBird影像数据被用于检测算法。本文提出了一种基于FBM算法与ABM算法结合的新的配准技术。小波变换被用于提取特征点；归一化相关法和松弛法被用于查找相关点。本文的算法能够找到足够的控制点。基于三角的(triangle-based)校正---一个局部变换模型，被用于减少由于低海拔卫星传感器造成的局部失真。IKONOS和QuickBird影像数据被用于检测算法。
II. METHODOLOGY 由于图像的高分辨率，在IKONOS和QuickBird影像资料中查找控制点非常不容易。但为了达到精确配准的目的，需要从整幅图像中选取大量的控制点。如果是人工进行，这将是一项冗长和重复性的工作。而且这要求操作员在该领域富有经验，这样对于大量的数据处理几乎是不可能的。这时就需要有自动配准算法，只需要少量或者不需要人工干预。对于高分辨率，还存在另外一个问题。数据量大将影响算法的速度。为了解决这个问题，一种新的图像配准算法被提出来，该算法利用FBM算法和ABM算法的结合，采用多级匹配技术。 配准过程可以别划分为3个步骤，如图1所示。
算法的第一步是特征检测过程。In this method, the wavelet multiresolution property [7] is used to produce a pyramid images from fine to coarse resolution to represent the sensed and reference images本文利用是小波多分辨率特性，生成一个金字 塔影像，从高分辨率到粗分辨率表示reference图像与test图像。 通过查找小波变换模块系数的局部最大值，获得大量的离散特 征点。为了均匀提取特征点，图像被分为几格。每个格子提取 的控制点的数量是一定的。
算法的第二步是特征点匹配。开始的时候，通过归一化互相关法建立refernce图像与test图像之间的特征点关系，然后利用概率松弛法去除错误的匹配对。由于计算速度的限制，要想利用松弛法(FBM)从成千上万的特征点中查找正确的匹配对是十分困难的。归一化互相关法(ABM)却能够比松弛法更快的计算速度，但是因为该算法仅仅考虑特征点的灰度值，在应用上有限制。匹配的特征点能够提供下一级匹配点的初始值。为了查找更多的特征点，阈值应随着图像级别的变化而调整。下一步任务就是根据这些初始值找到精确的控制点匹配对。为了实现高精确的图像配准，最小二乘法配准(ABM)被用于细化控制点和修正控制点误差。算法的第二步是特征点匹配。开始的时候，通过归一化互相关法建立refernce图像与test图像之间的特征点关系，然后利用概率松弛法去除错误的匹配对。由于计算速度的限制，要想利用松弛法(FBM)从成千上万的特征点中查找正确的匹配对是十分困难的。归一化互相关法(ABM)却能够比松弛法更快的计算速度，但是因为该算法仅仅考虑特征点的灰度值，在应用上有限制。匹配的特征点能够提供下一级匹配点的初始值。为了查找更多的特征点，阈值应随着图像级别的变化而调整。下一步任务就是根据这些初始值找到精确的控制点匹配对。为了实现高精确的图像配准，最小二乘法配准(ABM)被用于细化控制点和修正控制点误差。
算法的第三步就是建立映射函数以及修正图像。传统上使用多、算法的第三步就是建立映射函数以及修正图像。传统上使用多、 项式系数来表示整个图像。这种表示方法的缺陷在于其不能够 解决局部失真的问题。遥感卫星图像，例如IKONOS和 QuickBird,相对于其他卫星更近地球，地形地貌影响着图像的 真实性。特别是对于中等起伏或者是多山的区域，这种类型的 失真是普遍的，不能够用一组多项式变换就可以表示整个图像。 本文采用了几组的映射函数系数来解决这个问题。
III. EXPERIMENT AND RESULTS 两组图像(Frederiction city,New Brunswick,Canda)用于测试算法：其中一组是同一传感器在不同的时间获得的图像(两年间隔IKONOS-IKONOS)。另外一组是不同的传感器在同一年获取的图像(IKONOS-QuickBird)。细节如表一所示。地形中等起伏，并且有建筑在斜坡上。
限于篇幅，一组图像配准的结果如图2所示(IKONOS-IKONOS):限于篇幅，一组图像配准的结果如图2所示(IKONOS-IKONOS):
两种方法被用来检查配准图像的精确度。第一种方法在图像中人工选择检测点；第二种方法是视觉分析法，通过检测reference图像与配准图像的覆盖率，这是普遍和快速的方法。两种方法被用来检查配准图像的精确度。第一种方法在图像中人工选择检测点；第二种方法是视觉分析法，通过检测reference图像与配准图像的覆盖率，这是普遍和快速的方法。 图3所示为两幅配准图像的均方根 (RMS)误差。Triangle-based(三角 法)配准的结果与一阶、二阶和三 阶多项式变换结果比较,对于 EKONOS-QuickBird图像，使用基于 Triangle-based配准方法的均方根 误差为0.95，这是最低的均方根误 差，最大均方根误差2.47来自于一 阶多项式变换方法。对于IKONOS- IKONOS图像，最小的均方根误差为 Triangle-based法的3.21，最大均 方根误差为一阶多项式变换法的 5.13.
对于第二种方法，限于篇幅的原因，整体的图像就不在这里表示。估算的结果与第一种方法一样。在第二种方法中，把RTRI方法与3阶多项式变化函数比较。总的来说，使用Triangle-based mapping function(RTRI)方法的配准结果更好。
IV. CONCLUSION 本文提出基于一种新型的基于小波多分辨率特征提取的图像配准算法。该算法在图像配准过程中包括一个离散的小波变换(decimate mode)以及一个冗余小波变换(“à trous”)。Decimate mode下的离散小波变换，用于生成一个金字塔结构和在在每级中定位局部特征点；“à trous”小波用于在最高级获取特征点，保持特征点的平移不变特性(shift invariant)。规格化的互相关法和概率松弛匹配技术被用于在reference图像与test间查找相似性。本文提出的算法可以解决一下在高分辨率图像配准存在的问题：（1）人工选择大量的控制点对；（2）大量图像数据；（2）不同传感器和不同时间摄取图像间的局部失真问题。本文用了两组图像来测试算法，第一组是同一传感器在不同年份拍摄的图像(相隔两年)， 为不同传感器同一年拍摄的图像。本文提出的算法的实验结果，与一阶、二阶和三阶多项式变换的结果做比较；在两组图像的测试中，本文提出的trangle-based方法的均方根(RMS)误差都是最小的。
