面向Bayer真彩色航空影像特征匹配的彩色描述符適用性分析*

?

面向Bayer真彩色航空影像特征匹配的彩色描述符適用性分析*

屈新原1，2，3，段福洲1，2，3，趙文吉1，2，3，田金炎1，2，3

(1. 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京100048；

2. 城市環(huán)境過程與數(shù)字模擬國家重點(diǎn)實(shí)驗(yàn)室培育基地，北京100048；

3. 首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京100048)

摘要：針對(duì)Bayer真彩色遙感影像進(jìn)行特征匹配時(shí)，彩色描述符的效果與適用性問題一直研究較少。結(jié)合Bayer真彩色遙感影像成像變化規(guī)律和彩色描述符算法特點(diǎn)，從理論上分析彩色描述符的不變性。提出模擬數(shù)據(jù)評(píng)價(jià)、不同類別影像評(píng)價(jià)、任務(wù)總體適用性評(píng)價(jià)等三種實(shí)驗(yàn)方法對(duì)彩色描述符適用性進(jìn)行實(shí)驗(yàn)驗(yàn)證和分析。通過理論分析和實(shí)驗(yàn)評(píng)估，總體上彩色描述符中RGBSIFT算法效果最優(yōu)，對(duì)Bayer真彩色航空影像特征匹配有較好的適用性，并且不同地物屬性影像在特征匹配時(shí)有不同的最優(yōu)彩色描述符。

關(guān)鍵詞：Bayer真彩色航空影像；彩色不變量；彩色描述符；特征匹配；適用性分析

輕型和無人飛行平臺(tái)搭載各種傳感器及時(shí)進(jìn)行遙感影像獲取已經(jīng)成為衛(wèi)星遙感影像的有力補(bǔ)充。其中Bayer真彩色影像是輕型和無人飛行遙感平臺(tái)獲取的最主要的遙感影像種類之一。與衛(wèi)星遙感的多光譜不同，Bayer真彩色最主要的特征是分辨率超高(一般高于0.5m)、顏色與地物顏色相同或者相近。但是航空遙感影像在成像過程中受光照變化、平臺(tái)運(yùn)動(dòng)、傳感器自身旋轉(zhuǎn)等諸多影響因素，導(dǎo)致同一地物在不同影像上的顏色、紋理、幾何、拓?fù)涞忍卣鲿?huì)發(fā)生變化，而這些變化給遙感影像特征匹配帶來挑戰(zhàn)。傳統(tǒng)的影像特征匹配一般基于幾何不變性的特征描述符算法，這些描述符對(duì)圖像旋轉(zhuǎn)、尺度變換、亮度變化等保持良好的適應(yīng)性，對(duì)視角變化、仿射變換、噪聲也有一定的穩(wěn)定性[1-5]。但這些算法通常基于單一波段數(shù)據(jù)進(jìn)行處理，沒有充分應(yīng)用遙感影像的光譜信息，如果影像成像過程發(fā)生了光譜信息的變化會(huì)導(dǎo)致特征點(diǎn)不變性降低[6]。

彩色描述符在幾何不變性的基礎(chǔ)上加入了彩色信息可以提高光學(xué)影像特征點(diǎn)不變性以及區(qū)分度[6-12]，近幾年來被廣泛地研究和應(yīng)用。但是目前彩色描述符主要應(yīng)用于計(jì)算機(jī)視覺、圖像處理領(lǐng)域[6, 9, 12-14]，主要針對(duì)的是內(nèi)容較單一的數(shù)碼圖片或者視頻[10, 15-19]。沒有考慮到航空影像地物復(fù)雜的基本特征。將彩色信息引入成像機(jī)理不同、顏色接近地物的Bayer真彩色的遙感影像的特征描述中，其效果與適用性是一個(gè)還沒有深入研究的新問題。因此屈新原等從Bayer真彩色遙感影像成像變化特點(diǎn)出發(fā)，分析不同的彩色描述符不變性，評(píng)估彩色描述符對(duì)航空光學(xué)影像特征匹配的適用性。由于文獻(xiàn)[19-21]驗(yàn)證了基于幾何不變性中SIFT描述符具有最佳性能，文獻(xiàn)[22]驗(yàn)證了基于SIFT算法的系列彩色描述符優(yōu)勢(shì)。所以文中選擇SIFT描述符以及基于SIFT的系列彩色描述符進(jìn)行適用性分析。

1Bayer真彩色航空影像變化特點(diǎn)

特征點(diǎn)的不變性與影像變化特點(diǎn)有直接的關(guān)系。Bayer真彩色影像是可見光相機(jī)獲取的最常見數(shù)據(jù)種類，成像過程受地物反射的太陽直射輻射、環(huán)境散射輻射、大氣層輻射、交叉輻射、電荷耦合元件(Charge-Coupled Device,CCD)像面光敏函數(shù)等多種因素影響[23]。Van De Sande[22]證明了對(duì)圖像進(jìn)行求導(dǎo)的情況下背景輻射亮度可以被消除，它和地物的表面反射無關(guān)。因此如果特征描述符算法在計(jì)算過程中對(duì)影像進(jìn)行了求導(dǎo)，那么該描述符可以消除背景輻射的影響。地物成像除了上述因素以外還與相機(jī)自身的CCD成像方式也有直接關(guān)系，Bayer真彩色影像并不是直接得到紅、綠、藍(lán)(R，G，B)三個(gè)波段數(shù)據(jù)，而是通過數(shù)字濾波陣列(Color Filter Array，CFA)來獲取單通道數(shù)據(jù)，然后通過圖像重建算法獲得接近地面顏色的RGB三個(gè)波段數(shù)據(jù)。

從以上的分析可以看出Bayer真彩色遙感影像成像復(fù)雜，地物在成像過程中受大氣環(huán)境，太陽高度角、拍攝角度、相機(jī)自身、地物周圍環(huán)境、圖像重建算法等諸多因素影響，導(dǎo)致同一地物在不同影像上的顏色、紋理等特征發(fā)生較大變化。這種變化很難建立精確的物理模型去表達(dá)。Finlayson[24]等提出了用一種對(duì)角線顏色變化模型來描述相同地物在不同光照情況的變化關(guān)系。該模型是實(shí)際變化的近似模擬，其優(yōu)點(diǎn)是可以在復(fù)雜度和精確性之間取得較好的平衡[25]。根據(jù)對(duì)角線模型，相同地物變化后的影像之間存在著變換關(guān)系，如式(1)所示。

(1)

fc和fu表示相同地物在不同成像條件下的相機(jī)獲取的兩幅Bayer真彩色的影像。對(duì)式(1)分析可以得出，影像在不同成像情況下有二種變化。

1.1　圖像亮度的變化

圖像亮度的變化有三種可能，如式(2)所示。

(2)

在這三種情況下公式中的對(duì)角線參數(shù)不發(fā)生變化或者發(fā)生變化幅度相同。圖像偏移量相同或者不發(fā)生偏移。當(dāng)環(huán)境中背景散射不發(fā)生變化，或者有陰影和薄云時(shí)傳感器接收到太陽輻亮度和環(huán)境散射輻亮度發(fā)生相同增強(qiáng)或者減弱，會(huì)導(dǎo)致成像的圖像發(fā)生亮度的變化。

1.2　圖像顏色的變化

圖像發(fā)生顏色變化主要有兩種情況。

(O1=O2=O3=0), (a≠b≠c≠0)

(3)

第一種情況是由于地物成像過程中角度發(fā)生變化或者大氣中顆粒對(duì)太陽或者大氣輻射光進(jìn)行吸收和反射，不同波段輻射透射比變化，造成了在Bayer真彩色圖像成像過程中RGB每個(gè)通道背景輻射變化一致或者接收到的太陽輻亮度和環(huán)境輻亮度變化相同時(shí)圖像發(fā)生亮度的變化。這時(shí)不同遙感圖像存在明暗差別。

(O1≠O2≠O3≠0), (a≠b≠c≠0)

(4)

第二種情況因?yàn)槭艽髿鈼l件變化、地物環(huán)境復(fù)雜等因素影響導(dǎo)致成像時(shí)太陽或者大氣輻射反射變化、大氣光譜透射比的變化以及對(duì)環(huán)境背景輻亮度產(chǎn)生影響，這時(shí)影像每個(gè)波段背景輻射變化不一致。 或者相同地物在成像過程中因?yàn)槭盏酱髿忸w粒吸收、散射、大氣光譜透射比以及拍攝角度變化影像，導(dǎo)致反射到相機(jī)入瞳處時(shí)RGB三個(gè)波段發(fā)生不一致的干擾。

同時(shí)由于Bayer真彩色影像是由單波段的彩色濾波數(shù)據(jù)通過彩色復(fù)原得到，所以在光照環(huán)境和地物類型較為復(fù)雜時(shí),復(fù)原得到影像RGB值與真實(shí)值之間產(chǎn)生差異。

Bayer真彩色影像成像過程一般既包括顏色變化又包括亮度變化。對(duì)于地物內(nèi)容復(fù)雜、紋理豐富的圖像之間以顏色變化為主，地物單一、紋理簡單的圖像之間以亮度變化為主。因此最佳的特征描述符既能對(duì)亮度變化保持不變，又能對(duì)顏色變化保持不變。

2彩色描述符及不變性分析

目前常用基于SIFT算法的系列彩色描述符有七種，SIFT，HSVSIFT[26]，HueSFIT[27]，OpponentSIFT[22]，CSIFT[10]，RGSIFT[27]，RGBSIFT[17, 22]。SIFT描述符在計(jì)算過程中需要對(duì)圖像進(jìn)行求導(dǎo)，根據(jù)上一節(jié)分析可知求導(dǎo)可以消去大氣背景輻射的影響。同時(shí)由于SIFT對(duì)特征向量歸一化可以消去式(2)中對(duì)角線參數(shù)相同變化的情況，所以SIFT特征描述符剔除了圖像亮度變化的影響。但是SIFT算法沒有考慮到顏色信息，所以只對(duì)圖像顏色的變化不具有不變性。HueSIFT以Hue通道作為輸入數(shù)據(jù)，由于Hue通道表示色調(diào)和圖像亮度無關(guān)，所以HueSIFT對(duì)圖像亮度變化具有不變性。HSVSIFT組合了色調(diào)、飽和度、亮度三個(gè)通道的特征，相比HueSIFT反而失去了亮度不變性。OpponentSIFT將RGB三個(gè)波段轉(zhuǎn)化成對(duì)抗彩色空間三個(gè)波段，其中前兩個(gè)波段表征顏色信息，并且SIFT算法本身對(duì)特征向量的歸一化能消除了部分亮度信息影響，所以O(shè)pponentSIFT描述符對(duì)亮度變化保持不變。CSIFT計(jì)算彩色不變量來作為輸入數(shù)據(jù)，消除OpponentSIFT中前兩個(gè)通道中還殘留的部分亮度信息，增加了亮度變化的不變性，保持目標(biāo)彩色一致性[28]，但是彩色不變量計(jì)算過程中并沒有消除亮度偏移，所以該算法只對(duì)亮度變化具有部分不變性。RGSIFT對(duì)RGB分量進(jìn)行歸一化，歸一化的R和G分量不受其光照強(qiáng)度的變化、陰影與底紋的影響，但是同樣無法消除亮度變化中O1=O2=O3≠0時(shí)產(chǎn)生的亮度偏移。RGBSIFT對(duì)RGB每個(gè)通道計(jì)算SIFT特征描述符，所以包含了圖像亮度和顏色變化不變性。

表1　彩色描述符算法不變量屬性

每種彩色描述符對(duì)亮度變化和顏色變化的適應(yīng)性見表1，圖標(biāo)中“+”表示描述符對(duì)該變化具有不變性，符號(hào)“-”表示不具有不變性，符號(hào)“+/-”表示具有部分不變性。可以看出RGBSIFT具有最佳的彩色不變性，其次是SIFT，HueSIFT，OpponentSIFT，而HSVSIFT沒有彩色不變性，效果最差。

3數(shù)據(jù)及方法

3.1　數(shù)據(jù)準(zhǔn)備及實(shí)施流程

較少的樣本會(huì)導(dǎo)致試驗(yàn)結(jié)果的非一般性。為了保證對(duì)比分析結(jié)果的可靠性，收集了來自河南、山東、甘肅、四川等不同區(qū)域的五次無人機(jī)飛行任務(wù)共5000多幅Bayer真彩色航空影像，建立測(cè)試數(shù)據(jù)集。數(shù)據(jù)集中的影像成像條件差異性強(qiáng)，光照差別大，影像亮度不一；地表類型豐富，有湖泊、河流、林地、農(nóng)田、草地、城鎮(zhèn)；地形多樣，包含山地、平原、高原。

3.2　適用性評(píng)價(jià)實(shí)驗(yàn)

1)模擬數(shù)據(jù)評(píng)價(jià)。建立圖像的亮度變化和顏色變化模擬數(shù)據(jù)集，驗(yàn)證彩色描述符的適用性。實(shí)際成像中相同地物在不同圖像之間既存在亮度的變化又存在顏色的變化，所以需要通過模擬數(shù)據(jù)生成亮度變化和顏色變化的數(shù)據(jù)。對(duì)圖像數(shù)據(jù)進(jìn)行0~65%亮度變換生成亮度變化系列數(shù)據(jù)。對(duì)圖像數(shù)據(jù)進(jìn)行0~50%顏色變換生成顏色變化系列數(shù)據(jù)。

2)不同類別影像評(píng)價(jià)。從測(cè)試數(shù)據(jù)集中分別選取以轉(zhuǎn)彎、光照變化、不同源影像等3類不同成像條件的影像，以及林地、水域、道路、建筑、農(nóng)田草地等5類不同地物內(nèi)容的影像。對(duì)選擇的8類影像分別進(jìn)行特征匹配評(píng)價(jià)。其中轉(zhuǎn)彎、明顯光照變化、不同源影像反映出成像條件對(duì)彩色描述符的差異性，林地、水域、道路、建筑、農(nóng)田反映成像內(nèi)容上對(duì)彩色描述符的差異性。其中林地、水域、農(nóng)田草地屬于地物類型較單一影像，以亮度變化為主。道路、建筑屬于地物類型較豐富和復(fù)雜影像，以顏色變化為主。

3)任務(wù)總體適用性評(píng)價(jià)。兩幅影像之間的有效匹配點(diǎn)數(shù)是特征描述符可檢出性的重要指標(biāo)。選取四川漢旺山區(qū)-平原結(jié)合部的一次飛行任務(wù)航空光學(xué)影像集。該影像集地物內(nèi)容豐富、飛行環(huán)境復(fù)雜，包含影像變化的大部分特征，影像重疊區(qū)域在60%以上。對(duì)任務(wù)中所有影像進(jìn)行順序配對(duì)，形成1266對(duì)測(cè)試數(shù)據(jù)。用彩色描述符分別對(duì)測(cè)試影像進(jìn)行特征匹配，獲取每種描述符對(duì)應(yīng)的匹配點(diǎn)數(shù)，計(jì)算出每個(gè)描述符的平均召回率、平均錯(cuò)誤率。

3.3　評(píng)價(jià)指標(biāo)

常用的評(píng)價(jià)指標(biāo)有受試者工作特征(Receiver Operating Characteristics，ROC)、召回率、錯(cuò)誤率等[29]。研究認(rèn)為ROC曲線適用于分類評(píng)價(jià)，召回率和錯(cuò)誤率曲線更適合特征檢測(cè)評(píng)價(jià)[30]。所以采用召回率(recall)、錯(cuò)誤率(1-precision)指標(biāo)。召回率代表匹配出正確的特征點(diǎn)數(shù)占所有匹配點(diǎn)數(shù)比例，代表了特征描述符的可檢出性。錯(cuò)誤率代表匹配錯(cuò)誤點(diǎn)數(shù)占獲取匹配總數(shù)的比例，反映了特征描述的唯一性。對(duì)于召回率和錯(cuò)誤率曲線來說，曲線越向上代表匹配性能越高。

(5)

(6)

4結(jié)果與分析

4.1　實(shí)驗(yàn)1模擬數(shù)據(jù)評(píng)價(jià)

如圖1所示，在亮度變化下RGBSIFT效果最好，其次是SIFT，HueSIFT和OpponentSIFT。由于RGBSIFT，SIFT，HueSIFT和OpponentSIFT都具有亮度變化不變性所以處于所有曲線上部，CSIFT和RGSIFT有部分亮度不變性所以處于曲線中間位置，而HSVSIFT不具有亮度不變性所以性能最差處于最下端。

如圖2所示，在顏色變化下依舊是RGBSIFT效果最好，這是因?yàn)橹挥蠷GBSIFT能保持對(duì)顏色變化不變性，其次是基于灰度的SIFT算法。而HueSIFT,OpponentSIFT,CSIFT,RGSIFT,HSVSIFT都不具有顏色不變性，所以隨著顏色變化梯度增加，匹配性能急劇下降。

圖1　亮度變化下彩色SIFT描述符對(duì)比曲線Fig.1　Comparative analysis of descriptorsfor brightness changes

4.2　實(shí)驗(yàn)2不同類別影像評(píng)價(jià)

表2顯示的是不同類型下彩色SIFT描述符的適應(yīng)性對(duì)比分析。總體來說RGBSIFT具有最優(yōu)性能，對(duì)于成像條件比較復(fù)雜的影像(道路、建筑、光照變化、不同源)優(yōu)勢(shì)比較明顯；SIFT對(duì)于主體比較單一的影像(水域和農(nóng)田)效果較好；HueSIFT對(duì)于林地有稍微的優(yōu)勢(shì)；對(duì)于轉(zhuǎn)彎處的影像OpponentSIFT表現(xiàn)出最好的性能。

圖2　顏色變化下彩色SIFT描述符對(duì)比曲線Fig.2　Comparative analysis of descriptors for color changes

建筑為主體的影像中地物顏色豐富、紋理復(fù)雜、建筑影像高低錯(cuò)落，導(dǎo)致了成像過程中存在光照各種變化，既有陰影、大氣顆粒物等引起的亮度變化，又有地物之間復(fù)雜輻射相互反射、大氣吸收反射散射等引起的顏色變化和偏移。光照變化影像在成像時(shí)存在遮擋、太陽光線變化、拍攝角度變化，而這些過程引起顏色和光照強(qiáng)度的變化。不同源影像是不同時(shí)間或不同傳感器拍攝。因?yàn)榕臄z時(shí)間和獲取平臺(tái)不同，相同地物在成像過程的太陽直接輻照度、環(huán)境的散射輻照度、大氣的背景輻照度均有很大的不同，所以地物會(huì)發(fā)生較大的光照強(qiáng)度和顏色變化。因此RGBSIFT在處理這些影像匹配時(shí)會(huì)有更好的表現(xiàn)。林地為主體的影像有兩個(gè)特征: 一是樹的陰影引起的較強(qiáng)明暗變化，二是地物類型單一并以綠色為主。HueSIFT對(duì)亮度變化具有較好的不變性，對(duì)顏色變化比較敏感。林地以綠色為主引起顏色變化因素較少，在Bayer真彩色復(fù)原過程中，又減少了其他顏色干擾。所以HueSIFT比較適用于林地影像之間匹配。OpponentSIFT以對(duì)抗顏色空間為基礎(chǔ)。對(duì)抗顏色空間模擬了人眼彩色視覺系統(tǒng)，用于物體識(shí)別[22]和立體分析具有較佳的效果。對(duì)于轉(zhuǎn)彎處影像匹配來說，不同影像之間具有較大角度，地物有明顯幾何變形和不同顯示截面，類似于立體視覺和對(duì)象識(shí)別過程，因此對(duì)于轉(zhuǎn)彎處的影像匹配OpponentSIFT性能較佳。

表2　不同類型下彩色SIFT描述符對(duì)比分析

4.3　實(shí)驗(yàn)3任務(wù)總體適用性評(píng)價(jià)

表3給出了每一種描述符對(duì)1266對(duì)測(cè)數(shù)據(jù)獲取的平均匹配點(diǎn)數(shù)、平均召回率和平均錯(cuò)誤率。總體趨勢(shì)上RGBSFIT，SIFT和HueSIFT獲取的特征匹配點(diǎn)數(shù)據(jù)最多。對(duì)于這次匹配任務(wù)總體上RGBSFIT比SIFT提升6%以上。根據(jù)統(tǒng)計(jì)，在1266中79%影像對(duì)RGBSIFT描述符匹配后的特征點(diǎn)數(shù)的點(diǎn)大于SIFT的特征點(diǎn)。匹配準(zhǔn)確度越高說明誤匹配點(diǎn)越少，該特征描述的唯一性越強(qiáng)，特征描述越穩(wěn)定。從表3可以看出SIFT及其變種的彩色描述符，匹配準(zhǔn)確度較高，適合作為該類影像的特征描述符。

表3　描述符匹配指標(biāo)均值

4.4　討論

綜上，通過理論分析及評(píng)估實(shí)驗(yàn)，在針對(duì)Bayer真彩色航空影像進(jìn)行特征匹配處理時(shí)彩色描述符有以下特點(diǎn)：

1)總體來說彩色描述中RGBSIFT描述符由于對(duì)亮度及顏色的偏移和改變具有不變性，所以在實(shí)驗(yàn)結(jié)果中效果最好。其次是SIFT和HueSIFT描述符算法。而對(duì)于對(duì)象識(shí)別較為優(yōu)秀的OpponentSIFT和CSIFT算法在彩色描述符特征匹配優(yōu)勢(shì)不明顯。圖像亮度變化時(shí)除了HSVSIFT算法，其他描述符都具體具有較好效果。顏色變化時(shí)彩色描述符中只有RGBSIFT優(yōu)勢(shì)明顯。每種特征描述符匹配誤差率都較低，并且差別不是很明顯，說明SIFT及其變種的彩色描述符有較好的穩(wěn)定性。

2)通過對(duì)不同類別的影像實(shí)驗(yàn)可以看出，航空遙感光學(xué)影像成像中亮度及顏色的變化和偏移比較普遍。城市建筑、成像時(shí)光照變化明顯以及不同源影像中存在著式(1)中各種變化，所以這幾類的影像特征匹配過程中RGBSIFT效果優(yōu)勢(shì)突出。對(duì)于影像內(nèi)容比較單一的農(nóng)田、草地、水域等成像環(huán)境比較穩(wěn)定情況，SIFT算法效果好。HueSIFT對(duì)林地匹配有優(yōu)勢(shì)，而OpponentSIFT在轉(zhuǎn)彎處的匹配效果較好。

3)SIFT算法是除了RGBSIFT算法以外效果較好的算法。在顏色梯度變化中曲線下降平緩優(yōu)于RGBSIFT之外其他彩色描述符，對(duì)于影像內(nèi)容比較單一影像，匹配效果最優(yōu)。這是由于雖然SIFT等描述符都不具有顏色不變性，但是相機(jī)成像過程中白平衡一定程度上糾正了顏色偏移和改變。而且顏色不變性容易受到噪音干擾，所以在地物比較單一的影像中加入彩色不變性，反而會(huì)減低特征點(diǎn)的不變性。

5結(jié)論

本文結(jié)合Bayer真彩色航空影像的成像變化特征和光照變化對(duì)角線模型分析每種彩色描述符的不變性屬性,并設(shè)計(jì)評(píng)價(jià)實(shí)驗(yàn)對(duì)SIFT及其彩色描述符的適用性進(jìn)行詳細(xì)分析對(duì)比。通過理論和實(shí)驗(yàn)分析可知彩色描述符中RGBSIFT對(duì)Bayer真彩色航空影像特征匹配有較好的普適性，并進(jìn)一步證明了不同的彩色描述符針對(duì)不同類型Bayer真彩色影像有不同的適用性。根據(jù)評(píng)估，RGBSIFT彩色描述符比基于灰度的SIFT描述符在特征匹配的效果提升6%以上；對(duì)于不同類別的影像進(jìn)行分析，對(duì)于復(fù)雜地物內(nèi)容和成像條件復(fù)雜的影像RGBSIFT描述符具有明顯優(yōu)勢(shì)，對(duì)于內(nèi)容單一影像SIFT描述符效果更好，對(duì)于林地為主體的影像HueSIFT描述符效果較為突出，對(duì)于轉(zhuǎn)彎影像OpponentSIFT描述符效果較好。

總體來說，沒有數(shù)據(jù)先驗(yàn)知識(shí)情況下，推薦使用RGBSIFT描述符對(duì)Bayer真彩色航空影像進(jìn)行特征匹配。根據(jù)影像類型對(duì)不變量彩色描述符進(jìn)行合適的組合比單一使用一種描述符效果更好。

目前輕小型遙感數(shù)據(jù)獲取平臺(tái)獲取光學(xué)影像的主要為Bayer真彩色影像，所以該結(jié)果具有較廣泛適用范圍。

參考文獻(xiàn)(References)

[1]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision, 2004, 60(2):91-110.

[2]Mikolajczyk K, Schmid C. A performance evaluation of local descriptors[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2003 (II): 257-263.

[3]Tuytelaars T, Mikolajczyk K. Local invariant feature detectors: a survey[J]. Foundations and Trends in Computer Graphics and Vision, 2008, 3(3):177-280.

[4]王永明, 王貴錦. 圖像局部不變性特征與描述[M].北京：國防工業(yè)出版社, 2010.

WANG Yongming, WANG Guijin. Image local invarant features and descriptors[M]. Beijing: National Defense Industry Press, 2010. (in Chinese)

[5]朱遵尚, 朱肇昆, 陳圣義, 等. 自適應(yīng)窗口仿射最小二乘匹配方法[J]. 國防科技大學(xué)學(xué)報(bào), 2013, 35(4): 46-50.

ZHU Zunshang, ZHU Zhaokun, CHEN Shengyi, et al. An adaptive window affine least squares matching method[J]. Journal of National University of Defense Technology, 2013, 35(4): 46-50. (in Chinese)

[6]Abdel-Hakim A E, Farag A A. CSIFT: a SIFT descriptor with color invariant characteristics[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, New York, 2006 (2): 1978-1983.

[7]Geusebroek J M, Van den Boomgaard R, Smeulders A W M, et al. Color invariance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23 (12): 1338-1350.

[8]Van De Weijer J, Gevers T, Bagdanov A D. Boosting color saliency in image feature detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(1): 150-156.

[9]張銳娟, 張建奇, 楊翠, 等. 基于CSIFT的彩色圖像配準(zhǔn)技術(shù)研究[J]. 光學(xué)學(xué)報(bào), 2008, 28(11): 2097-2103.

ZHANG Ruijuan, ZHANG Jianqi. YANG Cui, et al. Study on color image registration technique based on CSIFT[J]. Acta Optica Sinica, 2008, 28(11): 2097-2103. (in Chinese)

[10]Burghouts G J, Geusebroek J M. Performance evaluation of local colour invariants[J]. Computer Vision and Image Understanding, 2009, 113(1): 48-62.

[11]吳攀超, 王宗義, 林欣堂. 采用局部差分模型描述的彩色圖像配準(zhǔn)技術(shù)[J]. 西安交通大學(xué)學(xué)報(bào), 2011, 45(10): 30-37.

WU Panchao, WANG Zongyi, LIN Xintang. Color Image Registration Algorathm Using Local Derivative Pattern Approach[J]. Journal of Xi′an Jiaotong University, 2011, 45(10): 30-37. (in Chinese)

[12]章宜林, 王敏. 結(jié)合小波和顏色信息的SIFT圖像配準(zhǔn)方法[J]. 華中科技大學(xué)學(xué)報(bào):自然科學(xué)版, 2011, 39(S2): 127-130.

ZHANG Yilin, WANG Ming. SIFT image registration method based on wavelet and color information[J]. Journal of Huazhong University of Science and Technology: Nature Science, 2011, 39(S2): 127-130. (in Chinese)

[13]Brown M, Lowe D. Invariant features from interest point groups[C].13th British Machine Vision Conference, Cardiff, 2002.

[14]Fan P, Men A, Chen M, et al. Color-SURF: A surf descriptor with local kernel color histograms[C]//Proceedings of IEEE International Conference on Network Infrastructure and Digital Content, 2009: 726-730.

[15]Ai D, Han X H, Duan G, et al. Independent component analysis of color SIFT for image classification[C]//Proceedings of IEEE International Conference on Intelligent Computer Communication and Processing(ICCP), 2011: 173-178.

[16]Ai D, Han X, Ruan X, et al. Adaptive color independent components based SIFT descriptors for image classification[C]//Proceedings of International Conference on Pattern Recognition(ICPR), 2010: 2436-2439.

[17]Song X, Muselet D, Trémeau A. Affine transforms between image space and color space for invariant local descriptors[J]. Pattern Recognition, 2013, 46(8): 2376-2389.

[18]Zhu C, Bichot C E, Chen L. Image region description using orthogonal combination of local binary patterns enhanced with color information[J]. Pattern Recognition, 2013, 46(7): 1949-1963.

[19]Mikolajczyk K, Schmid C. A performance evaluation of local descriptors[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(10): 1615-1630.

[20]Juan L, Gwun O. A comparison of sift, pca-sift and surf[J]. International Journal of Image Processing, 2009, 3(4):143-152.

[21]Zhu G, Wang Q, Yuan Y, et al. SIFT on manifold: an intrinsic description[J]. Neurocomputing, 2013, 113: 227-233.

[22]Van De Sande K E A, Gevers T, Snoek C G M. Evaluating color descriptors for object and scene recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1582-1596.

[23]萬志, 任建偉, 李憲圣, 等. 基于輻射傳輸模型的TDI CCD遙感相機(jī)信噪比分析[J]. 紅外與激光工程, 2008, 37(3): 497-500.

WAN Zhi, REN Jianwei, LI Xiansheng, et al. Analysis of signal-to-noise ratio for remote sensing TDI CCD camera based on radiative transfer model[J]. Infrared and Laser Engineering, 2008, 37(3): 497-500. (in Chinese)

[24]Finlayson G D, Hordley S D, Xu R. Convex programming colour constancy with a diagonal-offset model[C]//Proceedings of IEEE International Conference on Image Processing, 2005,3: III-948-951.

[25]吳攀超, 王宗義, 劉濤. 復(fù)雜光照變化條件下的彩色SIFT匹配算法[J]. 華中科技大學(xué)學(xué)報(bào):自然科學(xué)版, 2011, 39(5): 100-104.

WU Panchao, WANG Zongyi, LIU Tao. Color SIFT matching algorithm under changing complex illumination[J]. Journal of Huazhong University of Science and Technology: Nature Science, 2011, 39(5): 100-104. (in Chinese)

[26]Bosch A, Zisserman A, Muoz X. Scene classification via PLSA[C]//Computer Vision-ECCV, Springer Berlin Heidelberg, 2006: 517-530.

[27]Van De Weijer J, Schmid C. Coloring local feature extraction[C]//Proceedings of Computer Vision-ECCV, Springer Berlin Heidelberg, 2006: 334-348.

[28]Agarwal V, Abidi B R, Koschan A, et al. An overview of color constancy algorithms[J]. Journal of Pattern Recognition Research, 2006, 1(1): 42-54.

[29]Ke Y, Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004, 2: II- 506-513.

[30]Agarwal S, Roth D. Learning a sparse representation for object detection[C]//Proceedings of Computer Vision-ECCV, Springer Berlin Heidelberg, 2002: 113-127.

Performance analysis of color descriptors for aerial Bayer real-color image

QUXinyuan1，2，3,DUANFuzhou1，2，3,ZHAOWenji1，2，3,TIANJinyan1，2，3

(1.Key Laboratory of Resources Environment and GIS of Beijing Municipal,Beijing 100048, China;

2.State Key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulationl,Beijing 100048, China;

3.College of Resource Environment & Tourism, Capital Normal University, Beijing 100048, China)

Abstract：It is unclear that what color descriptors best fits feature matching of aerial remote sensing Bayer real-color image. To analyze variation of imaging of the aerial image and algorithm characteristics of color descriptors, a theoretical analysis of invariant properties of color descriptors was presented. The effect and applicability of descriptors were verified and analyzed by three experimental methods which are evaluations of simulation data, different categories images and general applicability of task. The theoretical and experimental results show that RGBSIFT has best applicability for the feature matching of aerial Bayer real-color image. The usefulness of color descriptor is category-specific.

Key words：aerial Bayer real-color image; color invariance; color descriptors; feature matching; applicability

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-2486(2015)02-058-07

收稿日期：2014-05-14基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(41101403，41130744);國家科技支撐計(jì)劃資助項(xiàng)目(2012BAH34B01);測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)資助項(xiàng)目(201412020)

作者簡介：屈新原(1982—)，男，安徽六安人，博士研究生，E-mail：xinyuanqu@qq.com；段福洲(通信作者)，男，副教授，博士，碩士生導(dǎo)師，E-mail：duanfuzhou@263.net

doi:10.11887/j.cn.201502013

http://journal.nudt.edu.cn