SIFT特征遥感影像

第23卷　第6期2008年12月

遥　感　技　术　与　应　用

REMOTESENSINGTECHNOLOGYANDAPPLICATION

Vol.23　No.6Dec.2008

基于SIFT特征遥感影像自动配准与拼接

程　焱1,3,周　焰2,林洪涛1,潘恒辉1

(1.空军雷达学院研究生管理大队,湖北武汉　430019;2.空军雷达学院信息与指挥自动化系,

湖北武汉　430019;3.海军92602部队,浙江宁波　315000)

摘要:将SIFT特征用于遥感及航拍影像的配准和拼接,并针对RANSAC算法在SIFT特征匹配

中效率低、同时还需要估计内点噪声均方差作为误差数据的门限等不足,采用一种基于投影的M估计算法,利用最优化准则和输入数据的内在联系绕开鲁棒估计对噪声均方差的依赖性。实验结果表明,对航空和航天遥感影像SIFT特征在一定程度的视点变化、光照变化、分辨率不同等情形下,该方法具有稳定、快速、可靠等特点。M估计则有效地解决了对于不同输入数据的门限选择,真正实现了无人工干预的自动配准。关　键　词:SIFT特征匹配;图像配准;RANSAC;M估计中图分类号:TP75　　文献标志码:A　　文章编号(1　引　言

(图像在空核心技术,变化检测等。其在遥感、军事、医学、计算机视觉等众多领域都有广泛的应用[1]。

图像配准包括特征提取、特征匹配、转换模型参数估计、图像重采样4个步骤。根据图像配准中匹配基元的性质又可以分为基于区域的配准和基于特征的配准。基于区域的配准方法通常直接利用图像区域的灰度信息,其匹配过程是:在参考图像中以匹配点D为中心确定一个m3n大小的窗口(模板),然后在测量图像中选择足够大的搜索区域(以保证对应点在该区域),将模板在搜索区域中移动时所覆盖的区域与模板进行相似性比较,寻找相似性最大的区域中心点作为对应的点。常用的相似性度量主要有:归一化的函数、相关系数和最小二乘匹配。它可以实现全自动,但图像场景相异时,存在很多错配,且计算量大、速度慢、对噪声和光照变化鲁棒性差且该方法只限于光谱相似的图像配准,因而不适合本文的配准问题。基于特征的配准方法以图像的局部特征为研究对象,首先提取参考图像和测量图像中的同类型元素,比如角点、边缘、轮廓、几何拓扑关系等结构特征,

,通常用其属性作为衡量相似度的标准。基于特征匹配的方法能够根据定位深度比较连

续地提取较准确的信息,而且适合应用在灰度特征明显不同的多传感器图像配准中。基于特征的图像配准算法文献很多,Bentoutou[2]在参考图像,通过改进的Harris算子[3]检测特征点,并设定一个梯度门限,相应地在测量图像中采用基于不变性的相似性度量,通过模板匹配的方法寻找匹配的控制点,仅通过3个点来估计变换模型。TaejungKim[4]首先通过归一化函数度量特征的相似性,并利用场景的重叠程度和方向角调整窗口大小,从而改进匹配的精度,然后运用RANSAC算法进一步消除错配并计算转换参数。Lowe[5]提出了一种基于尺度空间的,对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子———SIFT算子。Mikolajczyk[6]

对11种最具代表性的算子(如不变矩、互相关、SIFT等)进行了实验和性能比较,结果表明,在对光照变化、图像旋转、尺度变化、几何变形、模糊和图像压缩等6种情况下,SIFT特征描述的性能最好。李晓明[13]等人首次将SIFT算法应用于遥感影像的自动配准,并采用RANSAC算法完成对应点的匹配,然而,RANSAC算法在实际应用中需要用户设定一个“阈值”作为内点噪声尺度的假设,该阈值的选取

收稿日期:2008206226;修订日期:2008210209

基金项目:国家自然科学基金资助项目(40101019)。

作者简介:程焱(1984-),男,硕士研究生,研究方向为图像处理与分析。E2mail:nash_skywalker@http://www.wenkuxiazai.net。