基于MSER的SAR影像配准算法

2014-07-02范洪冬邓喀中姚国标

测绘通报 2014年12期

关键词：椭圆分辨率灰度

程丹，范洪冬，邓喀中，姚国标

(1.中国矿业大学环境与测绘学院，江苏徐州 221116；2.中国矿业大学江苏省资源环境信息工程重点实验室，江苏徐州 221116)

基于MSER的SAR影像配准算法

程丹1，2，范洪冬1，2，邓喀中1，2，姚国标1，2

(1.中国矿业大学环境与测绘学院，江苏徐州 221116；2.中国矿业大学江苏省资源环境信息工程重点实验室，江苏徐州 221116)

研究了一种基于最大稳定极值区域(MSER)的SAR影像配准方法。该方法首先利用MSER算法提取影像上的特征区域，并对提取的特征区域进行椭圆拟合；然后对椭圆拟合后的特征区域分别进行归一化、SIFT描述子描述及匹配。选取实际的SAR影像进行配准试验，并将本文方法与SIFT算法得出的结果进行比较，结果表明：本文算法匹配精度可以达到像素级配准精度，即满足影像配准精度要求，匹配速度优于SIFT算法。

SAR影像；配准方法；MSER；SIFT描述子；特征提取

一、引言

影像配准方法可分为基于区域的配准方法和基于特征的配准方法，其中基于区域的配准方法在影像匹配时对尺度变化、图像变形及光照等方面不能很好地处理，并且基于区域的影像配准方法对影像灰度变化敏感，其计算量相对来说较大，而特征匹配能够克服基于区域配准方法的缺陷，能够较好地适应图像变形、光照变化等诸方面的问题，是今后研究的发展方向[3-4]。近几年来，国内外众多学者对影像的配准方法进行了深入研究，提出了多种配准算法并对一些经典算法进行了改进，虽能解决匹配点对稀少、分布不均匀及误配点的去除问题，但改进后的算法计算过程较繁琐，存在计算量大、效率低等缺陷[5-9]。随着科学技术的迅猛发展，新型SAR影像不断涌现，各类影像的几何变形、辐射变形、斑点噪声、分辨率等不尽相同，增加了SAR影像配准的难度，同时，光学与SAR影像的融合也需要对两者进行配准，但往往因成像模式、分辨率差异较大而无法达到理想的配准效果，因此，研究一种基于特征提取的通用匹配方法已经成为当前的主要方向。

为此，本文研究了一种最大稳定极值区域(maximally stable extremal region，MSER)和尺度不变特征变换(scale-invariant feature transform，SIFT)相结合的SAR影像配准方法，并对不同分辨率SAR影像进行了配准试验并进行了精度评定。通过将本文算法和传统的SIFT算法的配准结果进行对比发现，本文算法不仅在精度上能够满足影像配准需要，而且在速度上也优于基于SIFT的配准方法。

二、基于MSER的影像配准算法

1.最大稳定极值区域[10]

最大稳定极值区域MSER最早是由J.Matas提出来的，对于外边界来说最大稳定极值区域是具有密度极值的区域[11]。对于灰度图像其阈值共256个(阈值取值范围为0～255)，通过阈值范围对二值图像进行分割后所得到的连通区域，当阈值范围变化时其连通区域也随之变化，MSER即为在此过程中具有极小变化率的区域。

一幅影像中的MSER是由最小灰度(MSER＋，黑色)和最大灰度(MSER-，白色)两部分组成的，通过将图像中的像素点灰度值与阈值比较后，小于阈值的像素点不显示，将灰度值大于阈值的像素点进行记录即形成了极值区域。若阈值取值为在0～255之间的一个较宽的范围内，这样就可以得到最小灰度MSER＋；要得到最大灰度的MSER-，需要对影像进行图像灰度反转，通过与求取MSER＋相同的方法便可以得到图像的最大灰度MSER-。在检测图像MSER区域的过程中，原图和反转图都要进行处理，并且通过原图和反转图得到的MSER区域是互补的。

2.MSER区域拟合与归一化[10，12]

检测到的图像中的MSER区域是不规则的，要实现对提取的特征区域进行归一化及特征描述的处理，需要对提取的不规则的MSER进行椭圆拟合。将图像矩作为形状描述，拟合的椭圆中心是所对应的MSER的重心，椭圆的长轴和短轴都通过MSER的重心，同时满足二阶中心矩在长轴和短轴方向分别达到最大和最小。

2.5插管率高,愈合期长,这与老年人肺部基础病多,肺组织修复技能减弱、感染、胸膜粘连形成多房、粘连牵拉致破口不易闭合有关,为缩短愈合期,除加强抗感染外,还需注意吸氧、全身支持疗法。

(1)特征区域重心的计算

二维几何矩的定义如下，对于图像I(x，y)中的区域A，有

其中，a、b＝0，1，2，…，a＋b为所求几何矩的阶数。MSER是二值化区域，区域内的像元都为1。因此由上式可以得出，区域A的几何0阶矩m00、几何一阶矩m10和m01

将区域A的重心规范化，有

(2)中心二阶矩的计算

对于中心矩阵的求取需要将原点移到区域A的重心(X0，Y0)并计算，有

这样便得到了中心二阶矩U，表示如下

(3)椭圆三参数的计算

可以通过椭圆的长半轴、短半轴及长轴的方向对椭圆区域进行描述，椭圆的长半轴用ω表示，短半轴用l表示，θ代表区域的方向即为拟合后椭圆区域的长轴方向。得到中心二阶矩阵U后，对其进行特征值求取，表达式为

得到中心二阶矩阵的两个特征值后，就可以得到椭圆的三参数ω、l、θ，表示为

(4)区域归一化

为了对拟合后的椭圆区域进行特征描述，使其具有仿射不变性，需要对拟合后的MSER区域进行仿射归一化处理。对得到的归一化区进行图像的梯度直方图统计，以便找出最大值并以其方向作为图像梯度的主方向，将特征区域按照主方向的角度对其进行旋转归一化操作，使待配准的两幅图像中提取的经过拟合后的椭圆区域的主方向一致[13]。这样可以使计算机对图像的特征区域更好地进行识别分析，有利于两幅图像的特征匹配。

3.SIFT特征描述子的生成

得到归一化后的特征区域后，计算以关键点即椭圆区域中心点为中心的邻域像素的幅值和方向，幅值和方向的计算公式如下

采用直方图统计的方法对邻域像素的梯度方向进行统计，直方图的峰值即为特征点的主方向，当有大于80%主峰值的方向数值存在时，则此方向为辅方向。以关键点为中心取窗口，计算其梯度值和方向，利用高斯加权的方法对其赋予权值；在每个小块上计算8个方向的梯度方向直方图，计算每个梯度方向的累加值，即可形成一个种子点，每个种子点有8个方向的向量信息，每个关键点取16个种子点故最终在特征点周围生成128维SIFT特征描述向量。为去除光照的变化影响，需要对特征矢量作归一化处理。

三、试验与分析

试验所用影像数据分别是ALOS卫星监测到的分辨率为 10 m的淮北袁庄煤矿附近区域影像(图1)、分辨率为20 m的徐州周边的ENVISAT卫星影像(图2)，以及ALOS卫星监测到的山东微山湖分辨率为30 m全极化模式中的VV极化影像(图3)三组数据。试验首先采用MSER算法检测提取影像的最大稳定极值区域，之后利用SIFT特征128维描述向量生成特征描述子对特征点进行描述，对特征点进行匹配并删除提取出来的误配点，将本文算法提取结果与SIFT算法得出的结果进行比较，试验结果如图1—3所示。

图1 分辨率为10 m的ALOS卫星影像试验结果

图2 分辨率为20 m的ENVISAT卫星影像试验结果

图3 分辨率为30 m的ALOS卫星影像试验结果

试验可以得到两幅待匹配影像中的匹配点坐标，采用最小二次多项式拟合算出偏移参数以及匹配点坐标差标准差，对最后得到的结果进行总结分析，并与利用SIFT算法得到的结果进行比较，表1为利用本文算法和SIFT算法分别对3组数据进行试验的结果。

表1 利用SIFT算法和本文算法试验结果对比表

根据以上结果可以看到，利用本文算法得到的匹配点精度比利用SIFT算法得到的匹配点精度要好，通过结果对比分析可以发现，虽然采用SIFT算法得到的匹配点较多，但是其中包含的误配点数也较多，SIFT算法对旋转、视角变化及存在噪声、分辨率高的影像来说其匹配效果更好。从表1中可以看出，对于本文算法的试验结果，分辨率10 m的影像数据结果精度相对于分辨率分别为20 m和30 m的影像数据结果精度来说其效果更好，不管是x方向还是y方向的精度，都能够达到理想的结果。当SAR影像中地物内容丰富、区域特征显著且地物边界具有明显分界时，所提取的MSER区域效果较好，故而提取的匹配点精度较高。虽然SIFT描述算子具有很好的鲁棒性，但是其仿射不变性较差，另外，SIFT算法是建立在多尺度空间下，其计算过程较繁琐且计算量大，耗费时间长，先利用MSER算法对图像进行局部特征区域提取，归一化后利用SIFT描述子对其表达后再进行特征点匹配，采用这种办法可以将MSER和SIFT描述子两种算法的优势相结合，使其能够有效地利用两者的优势进行互补，以便得到更好的配准效果。通过表1中的数据对比发现，利用本文算法得到的匹配点精度优于SIFT算法，当图像的局部区域特征较明显，地物边界较清晰并具有一定的仿射变形的情况下，采取将MSER与SIFT相结合的方法对图像进行配准，将会得到更好的图像配准效果[14]。

四、结束语

本文根据MSER算法和SIFT算法各自的优势进行互补集成，研究了一种新的SAR影像配准方法，并利用多组影像数据对算法进行验证，同时与SIFT算法的配准结果进行了对比，结果验证了该方法的有效性，SIFT算法计算量大且过程繁琐，利用本文算法对SAR影像进行匹配比利用SIFT算法得到的匹配点效果更好。今后仍需进一步研究的工作包括：

1)SIFT算法在InSAR影像配准中具有较大的开发潜力，进一步开发基于SIFT特征提取的InSAR影像配准平台，使其在影像配准中发挥其独特优势。

2)研究多尺度的MSER提取算法，同时对MSER和SIFT两种算法进行更深入的研究，使二者能够更好地结合，集成二者的优势并融合其他算法，使其可以更好地应用于SAR影像配准。

3)利用SIFT描述子对MSER特征区域进行描述，其计算过程繁琐、计算量较大、程序运行时间较长，对该算法进一步优化、提高速度是十分重要的。

[1] PRATI C，ROCCO F.Report on ERS-1 SAR Interferometric Techniques and Applications[M].Milano： Dipartimentodi Eletronica Ploitecnicodi Milano，1994.

[2] 岳春宇，江万寿.几何约束和改进SIFT的SAR影像和光学影像自动配准方法[J].测绘学报，2012，41(4)：570-576.

[3] 熊自明，万刚，闫鹤，等.改进SIFT算法的小型无人机航拍图像自动配准[J].测绘科学技术学报，2012，29 (2)：153-156.

[4] 张谦，贾永红，胡忠文.多源遥感影像配准中的 SIFT特征匹配改进[J].武汉大学学报：信息科学版，2013，38(4)：455-459.

[5] 王青松，瞿继双，黄海风，等.联合实、复相关函数的干涉SAR图像配准方法[J].测绘学报，2012，41(4)：563-569.

[6] 陈鹰，于晶涛.InSAR复数影像配准方法研究[J].计算机工程与应用，2005(8)：13-15.

[7] 李芳芳，贾永红，肖本林，等.利用线特征和SIFT点特征进行多源遥感影像配准[J].武汉大学学报：信息科学版，2010(2)：233-236.

[8] 雷小群，李芳芳，肖本林.一种基于改进 SIFT算法的遥感影像配准方法[J].测绘科学，2010，35(3)：143-145.

[9] 王瑞瑞，马建文，陈雪.多传感器影像配准中基于虚拟匹配窗口的SIFT算法[J].武汉大学学报：信息科学版，2011，36(2)：163-166.