基于点特征的低空遥感影像多级高效率匹配方法研究

张凯南,杨志强,武晴晴

(长安大学 测绘与空间信息研究所，陕西 西安 710054)

基于点特征的低空遥感影像多级高效率匹配方法研究

张凯南,杨志强,武晴晴

(长安大学 测绘与空间信息研究所，陕西 西安 710054)

研究基于点特征的匹配算法，结合现有影像匹配算子的优缺点，提出一种适用于低空遥感影像特征点的自动提取与匹配方法。首先在简化的高斯尺度空间中检测Harris角点，使该特征点具有尺度不变性；然后采用Forstner算子对关键点精确定位，精度达到子像素级；最后通过简化特征点描述符实现算法简化。在特征点匹配阶段，采用BBF-KD初匹配和二次精匹配提高匹配精度。以低空遥感影像为实验数据测评SIFT算法和文中方法在提取速度、匹配正确率、稳定性等方面的性能。实验结果表明，相对于传统的SIFT算法，处理影像清晰的低空遥感数据时本方法有更高精度和更快速度。

低空摄影测量；影像匹配；特征点提取；SIFT；BBF-KD

低空影像匹配技术在图像融合、三维建模、物体识别等领域日渐发展。成像条件变化会造成低空影像几何变形和灰度差异，给影像匹配带来困难，而传统匹配技术已不能全面解决低空影像匹配中存在的问题。

影像匹配指利用某种相似性度量寻找影像间同名点并进行匹配的过程，主要包括基于灰度的匹配和基于特征的匹配[1]。近几年来学者们对基于特征的匹配研究较多，其中应用比较广泛的匹配算子有：Moravec算子、SUSAN算子、Forstner算子、Harris算子和Lowe提出的基于尺度空间不变的SIFT算子，它们的研究对象均为点特征，在速度、精度和适应性等方面各有优劣[2-6]。

传统算法在提取低空影像特征点时效率较低，为了弥补它们的不足，本文对上述算法进行改进和完善，提出可以满足低空遥感影像特征点特殊性的提取与匹配方法。

1 特征点检测策略

Harris算子计算过程稳定、速度较快，具有灰度和光照不变性，Forstner算子精度较高，可达子像素级，但它们对尺度变化敏感[7-8]。本文在SIFT算子尺度不变性的基础上，结合其它算子优点改进传统匹配方法，提出一种针对低空影像特征点的检测策略。

1.1 简化尺度空间

SIFT算法通过在高斯差分尺度空间DOG中搜索关键点确保尺度不变性[9]，但构建DOG过程占了提取特征时间的一大半，因此简化尺度空间可有效实现算法简化。SIFT算法构造的DOG空间共O组，每组S层，利用该算法提取以动力三角翼为遥感平台的低空影像特征点，得到前两组以及不同层数特征点分布情况如表1所示。

由表1计算得，对于低空影像，特征点主要分布在金字塔前两组中，每组特征点在前三层的分布占大部分比例。为了缩短提取特征点的耗时，针对低空遥感影像，本文选择高斯金字塔的第一组和第二组，每组中选择前三层构造新的金字塔结构，即O为2，S为3。

表1 特征点在金字塔中不同层的分布情况

1.2 Harris角点检测

将简化尺度空间中提取到的SIFT特征点视为候选点，然后在候选点中检测具有明显灰度梯度差的Harris角点，将Harris自相关矩阵M改变为

(1)

式中：(x,y)代表SIFT特征点坐标值；I为像素灰度值；σ代表高斯卷积核尺度；σs代表该点所处高斯空间的尺度参数。

最后通过角点响应函数筛选得到Harris角点为

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

(2)

1.3Forstner精确定位

通过Forstner算子对以Harris角点为中心的邻域窗口加权中心化得到具有子像素级精度的角点坐标，计算该点邻域窗口内任意点(x,y)到与它邻近边缘直线L的距离ρ，加权平均化后可得

ρ+v=x0·cosθ+y0·sinθ.

(3)

式中：θ为梯度角；ω(x,y)为点(x,y)的权；gx和gy代表该点的Robert方向梯度；Harris的角点坐标为(x0,y0)；v是点(x,y)到边缘直线L的垂直距离；ρ+v为该点的误差方程。

对式(3)法化，求出Forstner算子精确定位后的角点坐标(x0,y0)为

(4)

1.4 简化特征描述符

传统的SIFT特征点有128维描述子[10]，本文通过降低描述符维数缩短匹配时间。对实拍的30幅低空遥感影像进行特征提取与匹配，特征向量描述维数n取0到24，实验结果见图1，匹配效率为正确匹配率与匹配平均用时之比。

图1 匹配效率实验

由图1可知，匹配效率呈抛物线形状，当维数n=16时达到峰值。经过综合比较，本文选择n=16描述特征向量。生成16维特征向量描述符的基本步骤为：

1)将以特征点为中心、相邻8个像素为半径的圆形邻域窗口平均分割成8个区域，构建以特征点为中心的若干个同心圆；

2)计算8个方向的灰度累加值，绘制与SIFT特征向量相似的直方图，每45度为一柱，一共8柱，最高峰代表该点的主方向，并对各个向量累加值fi做归一化处理，保证光照不变性。

(5)

3)得到8维特征向量后差分fi，计算同心圆窗口灰度累加差分值

(6)

4)统计每个窗口内中心点的8×2=16个向量描述符，生成简化的16维向量描述符

).

(7)

2 特征点匹配

2.1 BBF-KD初匹配

SIFT算法通常根据欧氏距离筛选匹配点，通过NN算法(最邻近点与次邻近点之比D是否小于阈值T)实现匹配，其中检测NN点常用计算过程繁琐的穷举法[11-13]。本文采用一种近似K-D树且针对高维空间的检测方法BBF(Best-Bin-fist)对K-D树进行NN点搜索，实现步骤为：

1)利用本文检测算法提取的特征点建立KD-tree；

2)寻找待匹配图像中每个特征点到KD-tree的k个最邻近点；

3)若找到k邻近，通过比较NN点距离之比与阈值的大小判定该点是否为有效点。

2.2 二次精匹配

3 实验与分析

实验数据来自动力三角翼拍摄的陕西省神木县柠条塔矿区同一航带相邻两幅低空影像，相机焦距55 mm，飞行高度约500 m，航线和拍照间隔为232 m和136 m，旁向重叠度55%，航向重叠度65%，影像尺寸816像素×611像素，实验环境为惠普计算机，实验平台为Windows7版本，使用Matlab2010实现相关算法。对影像数据分别采用SIFT算法和本文方法进行特征点提取与匹配，实验结果如图2—图4所示。表2为SIFT算法与本文方法实验结果对比。

图2 同一航带相邻影像

图3 SIFT算法特征点提取结果

图4 本文方法特征点提取结果

图5和图6中，绿色直线代表正确匹配点对，红色直线代表错误匹配点对。

图5 SIFT方法匹配结果

图6 本文方法匹配结果

表2 SIFT算法与本文方法实验结果对比

由表2可得，针对低空遥感影像数据本文方法可以提取到更多点特征，而且采用Forstner算法对特征点精确定位保证了精度，通过BBF-KD初匹配和二次精匹配可以显著提高匹配正确率。虽然本文方法的计算过程较SIFT算法复杂，但本文只选择在特征点分布较多的影像金字塔前两组和前三层中检测特征点，并将特征描述符从128维简化到16维，确保特征点提取和匹配的效率。

通过分析本文方法和SIFT算法的适应性来比较二者的性能。重复率在一定程度上可以作为衡量特征点在外界条件影响下保持稳定性和不变性的指标，它可以通过计算图像的单应性矩阵得到，重复率越高，该算法的适应性越强[14]。本实验对图2中的右影像进行旋转，对比度、加噪和亮度等变化可得到重复率对比，结果如图7所示。

由实验结果可得，当图像发生旋转、对比度和亮度变化时，本文方法的重复率优于SIFT算法；对图像加入不同程度噪声后，两种算法的重复率大幅度下降，因此在提取特征点之前需要对图像进行去噪处理。

4 结束语

本文提出了一种适用于低空摄影测量影像特征点提取与匹配方法，通过实验证明处理低空遥感影像时本文方法在精度和速度等方面优于SIFT算法，而且当影像发生几何、光照和对比度变化时较SIFT算法具有更强的适应性。本文实验数据是在天气状况理想条件下获取的，地物清晰，旁向和航向重叠度满足匹配要求，因此本文方法适合处理清晰的低空摄影测量影像，匹配效率可以满足要求。但是，无论是本文方法还是SIFT算法，提取的特征点都容易受到噪声的影响，因此如何使提取到的特征点具有更强的抗噪性是需要进一步研究的内容。

图7 SIFT算法与本文方法重复率比较

[1] 张祖勋,张剑清.数字摄影测量学[M].武汉：武汉大学出版社，2011.

[2] 张永军.无人驾驶飞艇低空遥感影像的几何处理[J].武汉大学学报(信息科学版),2009,34(3):284-288.

[3] 李禄,范大昭,耿则勋，等.改进相位相关算法的小基高比影像亚像素匹配[J].测绘科学,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.基于点线特征匹配的无人机影像拼接技术[D].成都：西南交通大学,2015.

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

[7] 龚志辉,张春美,孙雷，等.改进SIFT特征描述符在影像匹配中的应用研究[J].测绘科学技术学报,2009,25(6):440-442.

[8] 郭海涛,刘智,张保明.基于遗传算法的快速影像匹配技术的研究[J].测绘学报,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,赵红蕊.面向影像匹配的SUSAN角点检测[J].遥感学报,2011,15(5):948-956.

[11] 徐秋辉,佘江峰,宋晓群,等.利用Harris-Laplace和SIFT描述子进行低空遥感影像匹配[J].武汉大学学报(信息科学版),2012,37(12):1443-1447.

[12] 仇彤.基于小波变换的松弛法影像匹配[J].武汉测绘科技大学学报,1998,23(3):145-145.

[13] 陈裕,刘庆元.基于SIFT算法和马氏距离的无人机遥感图像配准[J].测绘与空间地理信息,2009,32(6):50-53.

[14] 孙浩,王程,王润生.局部不变特征综述[J].中国图像图形学报,2011,16(2):141-151.

[责任编辑：张德福]

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

青年科学基金资助项目(41504001);中央高校基本科研业务费资助项目(310826175027)

张凯南(1990-),女,博士研究生.

著录：张凯南,杨志强,武晴晴.基于点特征的低空遥感影像多级高效率匹配方法研究[J].测绘工程，2017，26(8)：5-9.

10.19349/j.cnki.issn1006-7949.2017.08.002

P231

A

1006-7949(2017)08-0005-05