基于點特征的低空遙感影像多級高效率匹配方法研究

張凱南,楊志強,武晴晴

(長安大學 測繪與空間信息研究所，陜西 西安 710054)

基于點特征的低空遙感影像多級高效率匹配方法研究

張凱南,楊志強,武晴晴

(長安大學 測繪與空間信息研究所，陜西 西安 710054)

研究基于點特征的匹配算法，結合現有影像匹配算子的優缺點，提出一種適用于低空遙感影像特征點的自動提取與匹配方法。首先在簡化的高斯尺度空間中檢測Harris角點，使該特征點具有尺度不變性；然后采用Forstner算子對關鍵點精確定位，精度達到子像素級；最后通過簡化特征點描述符實現算法簡化。在特征點匹配階段，采用BBF-KD初匹配和二次精匹配提高匹配精度。以低空遙感影像為實驗數據測評SIFT算法和文中方法在提取速度、匹配正確率、穩定性等方面的性能。實驗結果表明，相對于傳統的SIFT算法，處理影像清晰的低空遙感數據時本方法有更高精度和更快速度。

低空攝影測量；影像匹配；特征點提取；SIFT；BBF-KD

低空影像匹配技術在圖像融合、三維建模、物體識別等領域日漸發展。成像條件變化會造成低空影像幾何變形和灰度差異，給影像匹配帶來困難，而傳統匹配技術已不能全面解決低空影像匹配中存在的問題。

影像匹配指利用某種相似性度量尋找影像間同名點并進行匹配的過程，主要包括基于灰度的匹配和基于特征的匹配[1]。近幾年來學者們對基于特征的匹配研究較多，其中應用比較廣泛的匹配算子有：Moravec算子、SUSAN算子、Forstner算子、Harris算子和Lowe提出的基于尺度空間不變的SIFT算子，它們的研究對象均為點特征，在速度、精度和適應性等方面各有優劣[2-6]。

傳統算法在提取低空影像特征點時效率較低，為了彌補它們的不足，本文對上述算法進行改進和完善，提出可以滿足低空遙感影像特征點特殊性的提取與匹配方法。

1 特征點檢測策略

Harris算子計算過程穩定、速度較快，具有灰度和光照不變性，Forstner算子精度較高，可達子像素級，但它們對尺度變化敏感[7-8]。本文在SIFT算子尺度不變性的基礎上，結合其它算子優點改進傳統匹配方法，提出一種針對低空影像特征點的檢測策略。

1.1 簡化尺度空間

SIFT算法通過在高斯差分尺度空間DOG中搜索關鍵點確保尺度不變性[9]，但構建DOG過程占了提取特征時間的一大半，因此簡化尺度空間可有效實現算法簡化。SIFT算法構造的DOG空間共O組，每組S層，利用該算法提取以動力三角翼為遙感平臺的低空影像特征點，得到前兩組以及不同層數特征點分布情況如表1所示。

由表1計算得，對于低空影像，特征點主要分布在金字塔前兩組中，每組特征點在前三層的分布占大部分比例。為了縮短提取特征點的耗時，針對低空遙感影像，本文選擇高斯金字塔的第一組和第二組，每組中選擇前三層構造新的金字塔結構，即O為2，S為3。

表1 特征點在金字塔中不同層的分布情況

1.2 Harris角點檢測

將簡化尺度空間中提取到的SIFT特征點視為候選點，然后在候選點中檢測具有明顯灰度梯度差的Harris角點，將Harris自相關矩陣M改變為

(1)

式中：(x,y)代表SIFT特征點坐標值；I為像素灰度值；σ代表高斯卷積核尺度；σs代表該點所處高斯空間的尺度參數。

最后通過角點響應函數篩選得到Harris角點為

Corner=det(M′)-k·trace2(M′)≥threshold.

(2)

1.3Forstner精確定位

通過Forstner算子對以Harris角點為中心的鄰域窗口加權中心化得到具有子像素級精度的角點坐標，計算該點鄰域窗口內任意點(x,y)到與它鄰近邊緣直線L的距離ρ，加權平均化后可得

ρ+v=x0·cosθ+y0·sinθ.

(3)

式中：θ為梯度角；ω(x,y)為點(x,y)的權；gx和gy代表該點的Robert方向梯度；Harris的角點坐標為(x0,y0)；v是點(x,y)到邊緣直線L的垂直距離；ρ+v為該點的誤差方程。

對式(3)法化，求出Forstner算子精確定位后的角點坐標(x0,y0)為

(4)

1.4 簡化特征描述符

傳統的SIFT特征點有128維描述子[10]，本文通過降低描述符維數縮短匹配時間。對實拍的30幅低空遙感影像進行特征提取與匹配，特征向量描述維數n取0到24，實驗結果見圖1，匹配效率為正確匹配率與匹配平均用時之比。

圖1 匹配效率實驗

由圖1可知，匹配效率呈拋物線形狀，當維數n=16時達到峰值。經過綜合比較，本文選擇n=16描述特征向量。生成16維特征向量描述符的基本步驟為：

1)將以特征點為中心、相鄰8個像素為半徑的圓形鄰域窗口平均分割成8個區域，構建以特征點為中心的若干個同心圓；

2)計算8個方向的灰度累加值，繪制與SIFT特征向量相似的直方圖，每45度為一柱，一共8柱，最高峰代表該點的主方向，并對各個向量累加值fi做歸一化處理，保證光照不變性。

(5)

3)得到8維特征向量后差分fi，計算同心圓窗口灰度累加差分值

(6)

4)統計每個窗口內中心點的8×2=16個向量描述符，生成簡化的16維向量描述符

).

(7)

2 特征點匹配

2.1 BBF-KD初匹配

SIFT算法通常根據歐氏距離篩選匹配點，通過NN算法(最鄰近點與次鄰近點之比D是否小于閾值T)實現匹配，其中檢測NN點常用計算過程繁瑣的窮舉法[11-13]。本文采用一種近似K-D樹且針對高維空間的檢測方法BBF(Best-Bin-fist)對K-D樹進行NN點搜索，實現步驟為：

1)利用本文檢測算法提取的特征點建立KD-tree；

2)尋找待匹配圖像中每個特征點到KD-tree的k個最鄰近點；

3)若找到k鄰近，通過比較NN點距離之比與閾值的大小判定該點是否為有效點。

2.2 二次精匹配

3 實驗與分析

實驗數據來自動力三角翼拍攝的陜西省神木縣檸條塔礦區同一航帶相鄰兩幅低空影像，相機焦距55 mm，飛行高度約500 m，航線和拍照間隔為232 m和136 m，旁向重疊度55%，航向重疊度65%，影像尺寸816像素×611像素，實驗環境為惠普計算機，實驗平臺為Windows7版本，使用Matlab2010實現相關算法。對影像數據分別采用SIFT算法和本文方法進行特征點提取與匹配，實驗結果如圖2—圖4所示。表2為SIFT算法與本文方法實驗結果對比。

圖2 同一航帶相鄰影像

圖3 SIFT算法特征點提取結果

圖4 本文方法特征點提取結果

圖5和圖6中，綠色直線代表正確匹配點對，紅色直線代表錯誤匹配點對。

圖5 SIFT方法匹配結果

圖6 本文方法匹配結果

表2 SIFT算法與本文方法實驗結果對比

由表2可得，針對低空遙感影像數據本文方法可以提取到更多點特征，而且采用Forstner算法對特征點精確定位保證了精度，通過BBF-KD初匹配和二次精匹配可以顯著提高匹配正確率。雖然本文方法的計算過程較SIFT算法復雜，但本文只選擇在特征點分布較多的影像金字塔前兩組和前三層中檢測特征點，并將特征描述符從128維簡化到16維，確保特征點提取和匹配的效率。

通過分析本文方法和SIFT算法的適應性來比較二者的性能。重復率在一定程度上可以作為衡量特征點在外界條件影響下保持穩定性和不變性的指標，它可以通過計算圖像的單應性矩陣得到，重復率越高，該算法的適應性越強[14]。本實驗對圖2中的右影像進行旋轉，對比度、加噪和亮度等變化可得到重復率對比，結果如圖7所示。

由實驗結果可得，當圖像發生旋轉、對比度和亮度變化時，本文方法的重復率優于SIFT算法；對圖像加入不同程度噪聲后，兩種算法的重復率大幅度下降，因此在提取特征點之前需要對圖像進行去噪處理。

4 結束語

本文提出了一種適用于低空攝影測量影像特征點提取與匹配方法，通過實驗證明處理低空遙感影像時本文方法在精度和速度等方面優于SIFT算法，而且當影像發生幾何、光照和對比度變化時較SIFT算法具有更強的適應性。本文實驗數據是在天氣狀況理想條件下獲取的，地物清晰，旁向和航向重疊度滿足匹配要求，因此本文方法適合處理清晰的低空攝影測量影像，匹配效率可以滿足要求。但是，無論是本文方法還是SIFT算法，提取的特征點都容易受到噪聲的影響，因此如何使提取到的特征點具有更強的抗噪性是需要進一步研究的內容。

圖7 SIFT算法與本文方法重復率比較

[1] 張祖勛,張劍清.數字攝影測量學[M].武漢：武漢大學出版社，2011.

[2] 張永軍.無人駕駛飛艇低空遙感影像的幾何處理[J].武漢大學學報(信息科學版),2009,34(3):284-288.

[3] 李祿,范大昭,耿則勛，等.改進相位相關算法的小基高比影像亞像素匹配[J].測繪科學,2014,39(7)：118-121.

[4] HARRIS C, STEPHENS M. A combined corner and edge detector[C]. Proceedings of the 4th Alvey Vision Conference, Mancheste, 1988, 147-151.

[5] 何敬.基于點線特征匹配的無人機影像拼接技術[D].成都：西南交通大學,2015.

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

[7] 龔志輝,張春美,孫雷，等.改進SIFT特征描述符在影像匹配中的應用研究[J].測繪科學技術學報,2009,25(6):440-442.

[8] 郭海濤,劉智,張保明.基于遺傳算法的快速影像匹配技術的研究[J].測繪學報,2008,18(增1).20-22.

[9] MOHAMMED A W, KONRAD W, DIETER F. Efficient reconstruction of large unordered image datasets for high accuracy photogrammetric applications[C]. ISPRS Annals of thePhotogrammetry, Remote Sensing and Spatial Information Sciences, Melbourne, Australia, 2012.

[10] 王魏,趙紅蕊.面向影像匹配的SUSAN角點檢測[J].遙感學報,2011,15(5):948-956.

[11] 徐秋輝,佘江峰,宋曉群,等.利用Harris-Laplace和SIFT描述子進行低空遙感影像匹配[J].武漢大學學報(信息科學版),2012,37(12):1443-1447.

[12] 仇彤.基于小波變換的松弛法影像匹配[J].武漢測繪科技大學學報,1998,23(3):145-145.

[13] 陳裕,劉慶元.基于SIFT算法和馬氏距離的無人機遙感圖像配準[J].測繪與空間地理信息,2009,32(6):50-53.

[14] 孫浩,王程,王潤生.局部不變特征綜述[J].中國圖像圖形學報,2011,16(2):141-151.

[責任編輯：張德福]

A multi-level and high efficiency method of low altitude remote sensing images based on point feature

ZHANG Kainan, YANG Zhiqiang, WU Qingqing

(Institute of Surveying and Spatial Information,Chang’an University, Xi’an 710054,China)

According to the particularity of the low altitude remote sensing image, this paper presents an automatic extraction and matching method for feature points of low altitude remote sensing image. Firstly, this paper detects Harris corner in the simplified Gauss scale space to make sure the feature points with scale invariance, then uses the Forstner operator precise positioning the key points, in which the precision can reach sub-pixel level. Finally, the algorithm is simplified by simplifying the feature point descriptor. At the stage of feature points matching, this paper uses BBF-KD first matching and second precision matching to improve accuracy. The experimental result shows that compared with the traditional SIFT algorithm, this algorithm can shorten the time and improve the accuracy.

low altitude photography; image match; interest point detect; SIFT; BBF-KD

2016-10-29

青年科學基金資助項目(41504001);中央高校基本科研業務費資助項目(310826175027)

張凱南(1990-),女,博士研究生.

著錄：張凱南,楊志強,武晴晴.基于點特征的低空遙感影像多級高效率匹配方法研究[J].測繪工程，2017，26(8)：5-9.

10.19349/j.cnki.issn1006-7949.2017.08.002

P231

A

1006-7949(2017)08-0005-05