贺养慧

(朔州师范高等专科学校 数计系，山西 朔州 036000)

面向对象的多尺度图像配准算法

贺养慧

(朔州师范高等专科学校 数计系，山西 朔州 036000)

图像配准技术是各种图像处理中必不可少的重要环节.文章提出一种面向对象的多尺度图像配准算法,该算法将面向对象技术和区域增长分割法相结合,得到理想的特征点;然后利用最小绝对值误差法,并采用双向匹配策略对特征点逐一配对,形成GCP集;最后利用放射变换和双线性插值法完成图像的纠正得到最终的配准图像．利用ENVISAT图像和Landsat图像获取的苏州某区域的相关数据进行实验并做了详细的客观评价,证明该算法切实可行,获取到的配准图像清晰,精确度达97%以上．

面向对象;多尺度;图像配准

0 引言

图像配准是指在不同时间或不同视角下,利用不同的传感器对相同景物拍下的两幅或多幅图像通过各种技术或算法进行匹配的过程,是图像融合、图像分析等实际应用问题中的重要环节,被广泛地应用于遥感信息融合等领域[1]．图像配准经过数十年的研究已经取得相当的研究成果．Stockman采用聚类的方法,将封闭的区域中心点作为控制点得到特征匹配对,该算法中提取区域边界需要大量的计算;韦燕凤等人提出了一个基于特征的高精度的图像配准算法,它利用点映射的配准技术处理几何变形的图像配准问题,但仅适用于多光谱、多传感器的图像配准,通用性不强[2]．本文将面向对象技术和区域增长分割技术相结合,精确地提取到了特征点,并利用最小绝对值误差法和双向匹配策略进行特征匹配,保证了图像的配准高精确度性和可操作性．

1 面向对象的多尺度的图像配准思想和流程

图1 面向对象的多尺度的图像配准算法流程图

本文提出的算法首先将原始图像进行去噪、几何变换等预处理;然后利用面向对象技术将特征点作为对象进行研究,充分利用了特征点的色彩、纹理、光滑度、紧密度等属性,再结合区域生长技术,精确清晰地提取到封闭的特征点对象;接着根据特征点对象属性的几何不变性,选取它的面积、周长、中心点X，Y坐标属性,利用最小绝对值误差法和双向匹配策略进行特征配对,进而取得精确的配准控制点(GCP)集;最后利用通用性强的仿射变换与双线性插值法进行图像纠正,方便地得到了精确的配准图像．算法流程如图1.

1.1 图像的预处理

在遥感器成像时,由于自身成像机理和外界环境(受地形起伏、天气变化、大气散射、反射)等因素影响,图像可能发生了不同程度的模糊、噪声、扭曲等现象,图像预处理是利用辐射增强、去噪、几何变换等技术手段,尽可能地去除不良的因素,从而保证了下一步图像处理的可靠性．

1.2 特征提取

一幅图像上的任意一个二维图像块称为一个特征．人用肉眼能够容易地鉴别出一个特征的范围,可对于计算机来说是相当难的．通常,人们采用图像分割技术来提取图像的感兴趣特征．

图像分割是指把图像分割成不同的特征区域,并且把感兴趣特征精确提取出来的过程,主要有基于阈值的分割法、基于区域生长的分割法等[3]．本文采用基于对象的多尺度图像分割法,是一种面向对象技术和区域增长分割技术相结合的方法．

1.2.1 面向对象的特征提取

图像根据不同的特征属性分割成不同尺度的对象层,建立一个与实体相似的不同尺度的网络层次结构,实现不同象元的信息传递．同时,各个对象的属性信息不仅有与子对象和上层对象之间的关系属性,还有与其相邻对象的关系属性．

1.2.2 多分辨率区域增长分割法

多分辨率区域增长分割法是一种将灰度、纹理和紧致度等参数相近的像素合并到同一个区域内的技术,是一种较好的遥感图像分割方法．该方法的思路是从找寻具有某种特征的种子点开始,直到增长成一个封闭的区域为止．较为典型的方法是矩合并(MERGE USING MOMENTS,MUM),MUM算法从超分割图像开始,认为每个像素是一个独立区域,先利用计算区域的统计矩来聚合相邻的区域从而产生一个大致的分割,然后通过微调旋转参数p来得到一个比较精确的图像分割,如果相邻的两个区域拥有相同交叉矩的概率大于10-p,就合并这两个区域,该技术要求用户手动设置p值来达到一个较好的分割[4]．

1.2.3 基于对象的多尺度图像分割法

该方法利用图像光谱、形状等特征属性的异质性,将单个像素逐一聚合增长成较大的对象,形成不同尺度的分割结果．在图像区域增长的过程中,必须建立好两个准则:一是聚合像素的准则,二是聚合像素的停止准则,这两个准则设置的是否恰当会直接影响着图像分割的质量．

在空间域和光谱域中,如果相邻的像素异质性小于给定的阈值就被合并成一个多边形对象,每个对象的异质性是由不同权值的光谱和形状异质性决定．

(1)

其中h表示不同波段的光谱标准偏差的和,wc表示参与分割的波段,σc表示每一波段中对象的标准偏差[5]．

形状的异质性是由对象的光滑度和紧凑度的差异值共同确定的．

(2)

其中l表示对象的实际长度,b表示相邻对象的边长．

(3)

其中n表示组成对象的像素数．

相邻对象的形状差异度:f=w*hcolor+(1-w)*hshape

(4)

其中w是赋予光谱特征的权重．

设两个邻接区域的对象1和对象2合并为对象merg,其色彩、形状、光滑度和紧凑度的差异性公式分别表示为:

(5)

(6)

(7)

(8)

利用面向对象技术的区域增长分割法来提取特征,特征的初始对象是利用一个多边形罩进行扫描得到,允许提取出来的最小特征值的大小确定了该罩的大小．当分割尺度、波段权值、色彩、光滑度与紧凑度所得的异质性值最小时,把该罩中心的对应点加入到对象中,这个罩沿图像的X,Y方向移动进行扫描．这个过程忽略了小而意义不大的区域,获得了大的感兴趣特征区域,有利于特征提取的精度和图像配准的稳定性．图2显示了采用上述技术对ENVISAT图像提取到的感兴趣特征．

1.3 特征匹配

图像匹配技术分为基于灰度和基于特征的匹配技术两大类．图像特征与灰度值相比,对图像的噪声和几何失真更有鲁棒性,而且所需的信息量也有很大程度的减少,计算效率得到了大幅度的提高．特征点的描述和特征匹配策略是基于特征的图像匹配技术的关键．图像特征点的描述主要有以下四点:第一,待匹配的两幅图像的特征应具备几何不变形;第二,特征点要尽量地分散,可以有效避免歧义性;第三,特征点受外界的影响较小;第四,特征点的描述应尽量简易,否则会大大降低计算效率[6]．这四点在有些时候是矛盾的,需要根据实际情况权衡取最优．特征匹配策略是解决怎样才能精确而快速地找到各个特征点之间的一一对应关系的问题．本文首先分别从参考图像和原始图像上提取出来的特征点属性(面积,周长,中心点);然后利用最小绝对值误差法和双向匹配策略进行特征配对;最后快速而准确地获得GCP集．

设R=(R1,R2,R3,…,Rn1)和I=(I1,I2,I3,…,In2),R和I分别表示原始图像和参考图像提取到的特征点集合,n1和n2表示各个特征点的数量．

最小绝对值误差法的公式为:

(9)

其中s,c,x,y分别表示特征点的面积、周长、中心点的横坐标和纵坐标．

采用双向匹配策略,已知(xI,yI)表示参考图像的特征点,利用最小绝对值误差法找到原始图像的同名特征点(xR,yR),反过来将该点(xR,yR)作为目标点,获得参考图像的另一同名特征点(x'I,y'I),如果(xI,yI)和(x'I,y'I)之间的距离小于1个像素,则确定(xR,yR)是(xI,yI)的同名特征点,否则就不是．以上述方法依次对原始图像I和参考图像R的特征点进行一一比对,获得n个GCP点,完成了特征点的匹配．图3是提取了4个GCP点．

a)原始图像 b)特征提取图

图3 GCP分布图

1.4 图像纠正

对匹配的图像需要进行几何变换、重采样等图像纠正处理,才能得到精确的配准图像．几何变换主要是纠正图像的几何失真问题．利用通用性高的仿射变换对图像匹配获得的GCP集建立几何变换模型,计算其变换系数,然后把原始图像变换到参考图像的坐标系上．重采样是按照图像像素阵列插入新像素的过程．双线性插值法是一种常用的重采样方法,它比立方卷积法计算简单,又克服了最近邻法处理图像不连续的缺点．本文根据参考图像GCP集的像素坐标,利用双线性插值法求出图像上相应的像素坐标,获得最终的匹配结果．

2 实验结果及分析

2.1 研究图像数据的获取

研究区位于苏州地区,利用ENVISAT图像和Landsat图像获取的相关数据．ENVISAT图像是2010年获取,分辨率为10 m．Landsat图像是2005年获取的Landsat-7的第4波段,图像分辨率为50 m．为了进行图像配准算法研究,本文只取了512×512像素的截图,并进行了去噪、几何纠正等图像的预处理,如图4所示．

2.2 特征提取和特征匹配

图5清楚地显示出利用本文提出的基于对象的区域增长分割法可以准确地提取图像特征,并且利用最小绝对值误差法和双向匹配策略生成5个GCP点(图5所示),特征匹配精确度高、GCP点分布均匀,可靠性高．

a)原始ENVISAT图像 b)原始Landsat图像 图4 原始图像

a)ENVISAT特征提取 b)Landsat特征提取

2.3 图像配准结果

根据实验得到的数据表明两幅图像没有区域覆盖不是完全相同,但是利用本文的图像配准算法,充分挖掘了图像的光谱、形状等属性进行特征提取和匹配,如图6所示,获得了精确的配准图像．

图6 配准图像

2.4 配准图像评价

图像配准的评价方法分为客观和主观评价两大类,主观评价有人为因素的参与,主观性强,不能客观地分析论证;客观评价是根据原始图像和配准图像的数据分析进行评价,相对客观公正,客观评价的参数有:相关系数、最小均方差(MSE)、信噪比(SNR)归一化互信息(NMI)等[7]．本文对图像提取相关数据,在配准图像上选取了10个分布均匀的独立验证点,采用常用的相关系数、最小均方差(MSE)进行评价．

1) 相关系数r,当r=1时表示图像配准的效果最好,r=0时表示图像配准的效果最差．

(10)

2)最小均方误差MSE,MSE值越小表示图像配准的效果越好．

(11)

其中I(xi,yj),I'(xi,yj)分别为两幅图像的像素坐标．

表1 图像配准客观评价分析表

从表1的相关系数和最小均方差数据可以得出,图像配准精确度高,达到了相对较高的图像配准要求,并且通用性和可操作性强．

3 结论

经过对苏州某区域获取的ENVISAT图像和Landsat图像相关数据信息对本文提出的面向对象的多尺度图像配准算法进行了实例验证,得到的配准图像没重影,很清晰,并进行了客观详尽的评价,数据表明图像配准精度达到了97.368%,说明该算法是一种精确而可行的图像配准算法．

[1] 蔡志刚.多源遥感影像自动配准与镶嵌的方法研究[D].杭州：浙江大学，2006

[2] 胡慧萍.面向对象分类技术的景观信息获取[D].长沙：中南大学，2007

[3] 黄慧萍,吴炳方.基于区域合并影像分割技术的多尺度地表景观分析[J].地理科技进展，2004(3)：5-9

[4] 薛 晓.基于图像分割的遥感信息提取——以道路、湿地提取为例[D].青岛：山东科技大学，2012

[5] 费鲜芸.高分辨率遥感影像在城市绿地信息提取中的应用研究[D].泰安：山东农业大学，2006

[6] 徐 劼. 面向高精度遥感图像的匹配算法的研究与开发[D].杭州：浙江大学，2008

[7] 杨立娜.基于相位相关理论的最大互信息图像配准[D].西安：西安电子科技大学，2010

An Multi-Scale Image Registration Algorithm on Object-Oriented

HE Yanghui

(Mathematics and Computer Science, Shuozhou Teachers College, Shuozhou 036000, China)

Image registration technique is an essential part in the image processing, this paper presents an object-oriented multi-scale image registration algorithm, the algorithm obtains the desired feature points on combined of object-oriented technology and regional growth methods; then forms GCP sets, used of the absolute minimum error method and two-way matching feature points strategy on a one to feature point pairing; finally to complete image correct on used of radiation transformation and bilinear interpolation, we got the final registration image. The completion of the image to correct the image to get the final registration Finally, radiation transform and bilinear interpolation. Use Landsat image acquisition ENVISAT images and associated data in a region of Suzhou to experiment and do a detailed objective evaluation show that the algorithm is acquired registration image clarity, accuracy of more than 97%. ENVISAT images and Landsat images related data obtained in a region of Suzhou were experimented, and detailed objective evaluation, proving the algorithm is feasible, obtained registration image clarity, accuracy of more than 97%.

object-oriented; multiscale; image registration

2015-10-27

贺养慧(1983-),女,山西朔州人,硕士,朔州师范高等专科学校数计系讲师，主要从事计算机应用技术研究．

1672-2027(2015)04-0063-05

TP391

A