基于优化ORB算法的遥感图像精确配准技术

黄涛 武卫东

摘  要： 对于遥感图像精准配准技术的问题，提出基于优化ORB算法的遥感图像精准配准技术。首先，实现特征匹配，通过改进ORB算法将特征点进行提取，并且实现描述符的创建及匹配，得到初始控制点;然后，使用随机采样一致性方法和变换参数估计相结合，将可能错误的匹配进行剔除;最后，通过最小二乘法对变换参数进行估计，实现图像的几何纠正。对算法配准技术进行实验，实验结果表明此方法得到的配准精度较高，能够进一步提高配准效率。

关键词： ORB算法; 遥感图像; 图像配准技术; 变换参数估计; 互信息计算; 特征点匹配

中图分类号： TN911.73?34                       文献标识码： A                        文章編号： 1004?373X（2019）09?0035?04

Optimized ORB algorithm based precise registration technology

for remote sensing images

HUANG Tao1， WU Weidong2

（1. Department of Teaching Affairs， Hebei University of Science and Technology， Shijiazhuang 050018， China;

2. School of Information Science and Engineering， Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract： An optimized ORB algorithm based precise registration technology for remote sensing images is proposed. The feature points are extracted by improved ORB algorithm to realize the creation and matching of the descriptors， and obtain the initial control points. The random sampling consistency method is combined with transformation parameter estimation to eliminate the possible incorrect matching. The least square method is used to estimate the transformation parameters to realize the geometric correction of the images. The experiment was carried out for technology of the algorithm. The experimental results show that the registration accuracy obtained by this method is high， and the registration efficiency can be further improved.

Keywords： ORB algorithm; remote sensing image; image registration technology; transformation parameter estimation; mutual information calculation; feature point matching

图像配准被广泛应用到医学领域中，医生能够通过多种时间图像信息及设备的有效配准，使诊断过程中的精准性得到提高。目前，在各领域中广泛使用基于互信息的图像配准，并且还出现了较多的优化算法[1]。目前的优化算法包括全局优化及局部优化，局部优化方法受到局部极值的影响，其优化效果重点为选择初始点。全局优化算法主要包括模拟退火算法、粒子群优化算法以及遗传算法。模拟退火算法的计算时间比较长，有时会进入到错误搜索方向中，从而无法得出最优解;粒子群优化算法只能够得到最优值附近的值;遗传算法在实施的过程中会导致过早收敛情况的出现[2]。为了使此问题得到有效的解决，可以使用基于优化ORB的算法。通过实验结果表明本文所提方案的配准效果良好。

1  传统遥感图像精准配准技术

1.1  图像配准数学模型

实现两幅图像的配准，就要实现相似性测度的定义，还要能够找寻空间变换，通过空间变换之后能够使两幅图像相似性测度得到进一步的提高。假设空间变换为[T]，相似性测度为[S]，那么配准的过程就归结为寻找最佳的空间变换，即：

式中[T]指的是坐标系和形态的变化，比如，缩放、旋转、平移、弹性参量。

1.2  计算图像互信息

互信息指的是信息论中的概念，实现系统之间统计相关性的描述[3]。两幅图像[A]与[B]的互信息表示为：

式中：[H（A）]是图像[A]的平均信息量;[H（B）]是图像[B]的平均信息量;[H（A，B）]是平均信息量。具体计算公式如下：

式中：[PA]及[PB]指的是图像边缘概率密度;log底数和熵的单位具有密切的关系，比如底数值表示为2，e，10时，熵的单位指的是比特、奈特和哈特。在实现理论推导过程中，大部分都使底数为e，一般都使底数为2。在互信息量为最大时，表示两幅图像配准[4]。

2  配准方法

2.1  配准流程

配准是指待配准图像朝着参考图像进行转变的变换参数，而且还能够通过待配准图像纠正参考图像。图1为基于改进ORB算法遥感图像自动配准流程。

图1  基于改进ORB算法遥感图像自动配准流程

以上配准流程的步骤如下：

1） 匹配初始控制点。基于参考图像及待配准图像实现特征点提取，并且实现二进制描述符的创建，之后通过局部敏感散列算法实现二进制描述符的匹配。

2） 优化控制点。利用RANSAC算法，结合单应性矩阵估计剔除可能存在的错误匹配情况。

3） 图像纠正。利用最小二乘法估计单应性矩阵，并且还能够重新采样待配准图像[5]。

2.2  变换及插值模型

对同个模态超光谱图像来说，波长间隔较远的波段图像之间失配，利用线性变换模型对其纠正，此过程不适用高阶几何变换模型，所以称其为算法初步验证。

设[U（x，y）]表示参考图像，[V（x1，y1）]表示输入图像，[（x，y）]和[（x1，y1）]表示像素坐标。[TU]指的是线性变换矩阵，[U]指的是变换参数构成的列向量，[U=（tx，ty，θ）T，] 那么线性几何变换模型表示为：

式中：[tx]是[x]方向平移;[ty]是[y]方向的平移;[θ]是旋转角度。不同[U]对不同线性变换矩阵进行确定，配准算法就是在全部[U]构成的空间中搜索，使相似性测度为最大的参数向量[U]。

为了使算法具备子像素配准精度，利用差值模型实现图像重采集尤为重要，因为差值模型能够允许更精准地调整图像[6]。

2.3  特征点检测

对于传统算法在特征提取过程中速度较慢的问题，使用ORB算法提取特征，其主要思想就是如果某个点的灰度值要比周围区域大量像素点灰度值大或者小，表示此点为特征点[7]。实现过程如下：

1） 将像素[p]作为中心，在半径为3的圆上，像素点一共有16个。将[p]点灰度值和其他16个点灰度值进行对比，如果圆上具备连续[n]个点像素灰度值比[p]点灰度值要大或者小，那么此点为FAST角点[8]。图2为FAST算法的角点检测。

图2  FAST算法的角点检测

2） 檢测特征点在边缘较强的响应值。首先实现较低阈值的设置，实现大量特征点的提取，之后通过Harris角点进行监测，从而实现排列，寻找前面[m]个最好的点成为ORB算法角点。

3） 为了使算法具备方向不变性，本文提出灰度质心法，将灰度及质心偏移向量方向定义为角点方向。

在实际图像匹配过程中，旋转及尺度都是较为常见的问题，但是ORB算法并没有对尺度不变性的问题进行解决，所以就要实现算法的改进，创建高斯金字塔图像尺度空间，寻找每层ORB角点，以此得到特征点尺度不变性[9]。

2.4  特征点匹配

利用ORB算法对图像特征点进行检测之后，使用改进ORB特征描述子将寻找的特征点使用128维向量进行表示，之后选择合适的相似性测度，完成搜索策略图像之间的匹配。在实现图像配准的过程中，相似度测量对两幅图像匹配效果进行衡量，其属于图像配准过程中尤为重要的步骤，对配准精度起决定性作用。对于浮点型描述子一般使用欧氏距离作为特征点之间的相似度测度。假如两个向量在空间中的距离比较近，那么此两点在空间中和同个位置相互对应。相反，假如距离比较远，则表示此两点对应的为图像中不同的位置，公式为：

其能够对多维空间中各点的绝对距离进行衡量，将元素误差在距离测度中的距离进行放大，可在各领域中使用。

为了实现两幅图像特征点快速匹配，首先要实现特征点搜索策略的创建。特征点匹配算子包括穷举法及创建数据索引。穷举法的主要优势就是不需要实现数据的处理，操作较为简单方便，但是搜索效率比较低;实现数据索引的创建就是对搜索空间实现层次划分，一般都使用[Kd]?树算法实现，利用回溯操作寻找真正最近的邻点。图3a）和图3b）表示卫星光学遥感图像，每幅图像实现3 000个特征点的提取，通过匹配以后得到789个同名点，图3c）为匹配的结果。通过图3可以看出，大部分的地名、物名都匹配正确，只有少量匹配错误点。

3  实验结果和分析

本文使用自机载可见光/红外成像光谱仪超光谱遥感图像，其属于机载成像光谱仪，由4个光谱仪构成，具备4个光学单元及线性敏感器阵列，能够在212个波段成像。

首先，对比优化算法对互信息的多分辨率搜索性能，利用波段10与波段100图像字块。表1为收敛次数和最终相互信息值，通过结果表示，目标函数测量次数与终止条件相同时，一般的优化算法就会陷入局部极值，无法实现全局最优解，但是ORB算法具有明显优势。

表2为通过10波段作为参考波段，实现16波段图像配准的五次实验结果。图像几何变换参数方差表示，算法能够满足子像素配准精度，但是算法要通过上百次迭代才能够实现此结果。所以，如何在保证精度过程中使速度得到提高是今后需要研究的内容。

图3  初始化控制点的匹配结果

表1  收敛次数和最终相互信息值

表2  波段图像配准的结果

4  结  语

图像配准使用范围已经越来越广泛，不同传感器的图像配准已经成为主要研究内容。本文对改进ORB算法遥感图像精准配准技术进行分析，实验结果表明本文方法能够提取足够控制点，以此进行遥感图像自动配准，从而使配准精度为亚像素级。

参考文献

[1] 王雷，郭全.一种基于DCWPSO算法与FFD模型的心脏CT序列图像配准算法[J].山东理工大学学报（自然科学版），2018，32（1）：1?4.

WANG Lei， GUO Quan. A cardiac CT sequence image registration algorithm based on DCWPSO algorithm and FFD model [J]. Journal of Shandong University of Technology （Natural Science Edition）， 2018， 32（1）： 1?4.

[2] 顾旭波，张永举，张健，等.基于SIFT算法及阈值筛选的点云配准技术研究[J].计算机测量与控制，2017，25（12）：247?250.

GU Xubo， ZHANG Yongju， ZHANG Jian， et al. Research on point cloud registration technology based on SIFT algorithm and threshold screening [J]. Computer measurement and control， 2017， 25（12）： 247?250.

[3] 刘晓慧，杨新锋.基于归一化互信息和金字塔分解优化的图像配准算法研究[J].微型电脑应用，2016，32（11）：19?22.

LIU Xiaohui， YANG Xinfeng. Image registration algorithm based on normalized mutual information and pyramid decomposition optimization [J]. Microcomputer applications， 2016， 32（11）： 19?22.

[4] 贾志成，张希晋，陈雷，等.基于并行粒子群优化的三维点云配准算法[J].电视技术，2016，40（1）：36?41.

JIA Zhicheng， ZHANG Xijin， CHEN Lei， et al. Three?dimensional point cloud registration algorithm based on parallel particle swarm optimization [J]. Television technology， 2016， 40（1）： 36?41.

[5] 王雪，王秋爽.基于混合优化算法的医学图像配准技术[J].吉林大学学报（信息科学版），2016，34（5）：703?708.

WANG Xue， WANG Qiushuang. Medical image registration technology based on hybrid optimization algorithm [J]. Journal of Jilin University （Information Science Edition）， 2016， 34（5）： 703?708.

[6] 庞先伟，王超，李学军，等.基于果蝇优化算法优化Powell的图像配准研究[J].科技通报，2017，33（6）：159?162.

PANG Xianwei， WANG Chao， LI Xuejun， et al. Study on Powell image registration based on drosophila optimization algorithm [J]. Bulletin of science and technology， 2017， 33（6）： 159?162.

[7] 单宝明，胥喜龙.一种结合ORB算法的SIFT图像配准算法[J].工业仪表与自动化装置，2017（2）：27?30.

SHAN Baoming， XU Xilong. A SIFT image registration algorithm combining ORB algorithm [J]. Industrial instruments and automation devices， 2017（2）： 27?30.

[8] 袁桂霞.基于MRF模型的多模态图像配准技术研究[J].现代电子技术，2018，41（1）：57?61.

YUAN Guixia. Research on multi?modal image registration technology based on MRF model [J]. Modern electronics technique， 2018， 41（1）： 57?61.

[9] 张莹莹，王文爽，尤青，等.基于改进ORB算法的警用无人机侦查技术研究[J].计算机科学，2016，43（12）：89?93.

ZHANG Yingying， WANG Wenshuang， YOU Qing， et al. Research on police UAV reconnaissance technology based on improved ORB algorithms [J]. Computer science， 2016， 43（12）： 89?93.