張云生，鄒崢嶸

(中南大學地球科學與信息物理學院，長沙 410083)

0 引言

遙感圖像配準是實現(xiàn)圖像融合、變化檢測、圖像糾正和圖像鑲嵌等應用的一個關鍵步驟。遙感圖像自動配準方法大致可以分為2 類:①基于區(qū)域的整體配準方法。如基于相關系數(shù)、互信息或者相位相關的方法［1－2］，這類方法耗時較長;②基于特征的配準方法。近年來，隨著計算機視覺領域中尺度不變特征變換(scale－invariant feature transform，SIFT)和加速魯棒性特征(speeded up robust features，SURF)等具有尺度和旋轉不變性算子的興起，這2種算法在遙感圖像配準中的應用引起了眾多學者的關注，并取得了較好的效果［3－5］。但SIFT 和SURF算法要求建立高維描述符，需要大量的內(nèi)存空間和較長的運行時間。Calonder 等［6］提出了一種基于二進制的魯棒性獨立基本特征(binary robust independent elementary features，BRIEF)描述符，大大縮短了建立描述符的時間，同時減少了對存儲空間的需求，而且對光照變化具有較強的魯棒性;但是其特征點檢測不具備尺度和旋轉不變性。在此基礎上，Rublee 等［7］提出了定向二進制簡單描述符(oriented brief，ORB)算法，在圖像金字塔上利用加速分割測試特征(features from accelerated segment test，F(xiàn)AST)算子提取角點特征，使得特征點具有一定程度的尺度不變性;然后計算出角點的主方向，建立BRIEF描述符，使得描述符具有旋轉不變性。ORB 算法提高了運算的適應性，在標準數(shù)據(jù)集中取得了可與SURF 算法和SIFT 算法相媲美的效果，但運算速度比SURF 算法快了1個數(shù)量級、比SIFT 算法快了2個數(shù)量級［8］。李慧等［9］提出利用FAST 算法檢測角點、利用SURF 算法匹配獲取控制點，但處理效率依然受到SURF 算法的影響。針對上述情況，本文提出利用結合隨機采樣一致性(random sample consensus，RANSAC)方法［10］的改進ORB 算法為遙感圖像配準提供控制點，實現(xiàn)遙感圖像自動配準。

1 配準方法

1.1 配準流程

配準是尋找一個從待配準圖像到參考圖像的變換參數(shù)，并將待配準圖像糾正到參考圖像坐標系的過程。本文提出的基于改進ORB 算法的遙感圖像自動配準流程如圖1 所示。

圖1 基于改進ORB 算法的遙感圖像自動配準流程Fig.1 Flow chart for automatic registration of remote sensing images based on improved ORB algorithm

上述配準流程主要由如下3個步驟組成:

1)初始控制點匹配。在參考圖像和待配準圖像上分別提取特征點并建立二進制描述符，然后利用局部敏感散列(locality sensitive hashing，LSH)算法匹配這些二進制描述符［11］。

2)控制點優(yōu)化。利用RANSAC 算法，結合單應性矩陣估計，剔除可能的錯誤匹配。

3)圖像糾正。利用最小二乘法估計單應性矩陣，并對待配準圖像進行重采樣。

1.2 初始控制點匹配

1.2.1 特征點提取

ORB 算法采用FAST 算子檢測角點，但原始FAST 算子在邊緣上也會提取到大量特征點，因此ORB 算法計算了FAST 所提取局部特征點的Harris興趣值(即角點響應值)，并按興趣值大小進行排序;然后根據(jù)特征點數(shù)目的需求，保留興趣值較大的N個點。FAST 算子雖然具有一定程度上的尺度不變性，但由于沒有提供特征點所對應的尺度，因此在后續(xù)處理中難以建立具有尺度不變性的描述符。ORB 算法為了減輕尺度的影響，通過在多層金字塔圖像中提取特征點來獲取尺度信息，以用于建立后續(xù)處理中的描述符;但在利用Harris 興趣值大小排列特征點時，分布情況易受到圖像紋理的影響——在圖像紋理豐富區(qū)域容易提取到大量特征點，反之則提取到的特征點較少。當特征點分布不均勻時，同名點容易被集中到圖像的局部區(qū)域，使用局部同名點對整景圖像進行配準時，整體精度會受到很大的影響。

針對ORB 提取特征點不均勻的問題，本文提出一種基于格網(wǎng)濾波的改進的ORB 特征點提取方法，即在利用FAST 算子提取特征點之后，再對每個特征點計算Harris 興趣值;在此基礎上，將整景圖像劃分為格網(wǎng)大小為n×n 的均勻格網(wǎng)，然后在每個格網(wǎng)中保留興趣值最大的特征點。

要建立穩(wěn)定(reliable)和獨特(distinctive)的描述符，需要確定特征點的尺度和主方向;通過對主方向的旋轉，可使描述符具有旋轉不變性。SIFT 和SURF 算法采用了基于梯度直方圖的方法獲取特征點的主方向，但存在主方向不唯一的缺點;因此，ORB 算法采用亮度中心(intensity centroid)來計算特征點的主方向。通過比較，ORB 算法具有較好的適應性。

在獲取特征點尺度和主方向的基礎上，采用BRIEF 描述符的思想建立描述符，但同時顧及特征點的尺度和主方向。在特征探測的基礎上，對每個特征點建立由(0，1)組成的n 維二進制描述符;本文中取n=256，因此對于每個特征點會得到一個256 bit 的描述符。

1.2.2 特征點匹配

在建立二進制描述符之后，要進行特征匹配，通過比較描述符的相似性即可實現(xiàn)。對于2個二進制描述符的相似性，可以使用漢明距離(hamming distance)來表示。漢明距離(將一個字符串變換成另外一個字符串所需要替換的字符個數(shù))的計算使用按位“異或”運算實現(xiàn)，即參與運算的2個值，如果它們的相應bit 相同，則結果為“0”，否則為“1”;然后統(tǒng)計“1”的個數(shù)，“1”的個數(shù)越少，表示2個二進制描述符越相似。對于256 bit 的2個二進制描述符，漢明距離取值在0～256 之間的，難以使用一個合適的閾值去確定正確的匹配。因此，本文以近鄰距離與次近鄰距離的比值T 來確定可能正確的匹配，只有當T ＜0.8 時，才認為最近鄰距離對應的特征點有可能為同名點。

當圖像存在有重復紋理或者遮擋問題時，特征匹配獲取的同名點可能存在錯誤匹配點。因此，本文在進行了一次從左到右的圖像匹配之后，再進行一次從右到左的匹配，只保留在2個方向上相一致的圖像匹配結果。

對于圖2(a)和(b)所示的一組衛(wèi)星光學遙感圖像(大小均為512 像元×512 像元，編號分別為b040 和b042)，每景圖像都提取3 000個特征點，經(jīng)過匹配之后，獲取789個同名點，匹配結果如圖2(c)所示。

圖2 初始控制點匹配結果Fig.2 Matching result of initial control points

從圖2 可以看出，大部分同名地物點都是匹配正確的，只有少量匹配錯誤的點。

1.3 控制點優(yōu)化

透射變換是一種常用于表達圖像之間變換關系的模型。本文采用基于單應性矩陣(homography matrix，即用于圖像糾正和配準的線性變換矩陣)的透射變換表示圖像之間的關系，變換式為

式中:x，y 分別為待配準圖像的列、行坐標;x'，y'分別為參考圖像的列、行坐標;hi(i=1，2，…，9)為2景圖像之間的變換參數(shù)。

盡管在初始控制點匹配階段采用了雙向匹配，但依然會存在少量的錯誤匹配點，如果不加以剔除，將會對配準結果有較大的影響。因此，本文采用基于RANSAC 算法、結合單應性矩陣估計的方法予以剔除，保留誤差小于2個像元的控制點作為優(yōu)化后的控制點。圖2(c)所示的789個初始控制點匹配結果，經(jīng)過上述優(yōu)化后，獲取392個控制點的匹配結果(圖3)。

圖3 優(yōu)化控制點的匹配結果Fig.3 Matching result of optimized control points

1.4 圖像糾正

經(jīng)過控制點優(yōu)化之后，還存有大量的同名點，多于單應性矩陣計算所需要的4個同名點，因此采用最小二乘估計來計算單應性矩陣。最后，待配準圖像中的所有像元根據(jù)單應性矩陣變換參數(shù)糾正到參考圖像的坐標下。為了平衡糾正的精度和效率，本文在圖像糾正中采用雙線性插值對圖像進行重采樣。圖4 是采用根據(jù)圖3 所示控制點計算的單應性矩陣進行圖像糾正的結果。

圖4 圖像糾正結果Fig.4 Result of image rectification

2 試驗分析

為了驗證本文方法對不同類型遙感圖像配準的適應性，采用了2 組衛(wèi)星光學遙感圖像(數(shù)據(jù)來源于http:// nayana.ece.ucsb.edu/ registration/)和1 組SAR 圖像進行配準試驗。

2.1 衛(wèi)星光學遙感圖像配準

圖2(a)為圖像b040，大小為512 像元×512 像元，作為參考圖像;圖2(b)為圖像b042，大小也是512 像元×512 像元，作為待配準圖像。采用本文方法將待配準圖像配準到參考圖像上，配準結果如圖5 所示。

圖5 b040 與b042 圖像配準結果Fig.5 Registration result between b040 and b042

為了更直觀地顯示配準情況，將配準后的圖像與待配準圖像一起顯示，對2 景圖像相交部分利用馬賽克方式交錯顯示，并將圖5(a)中黑色方框內(nèi)部分放大顯示(圖5(b))。從圖5(b)可以看出，配準后的影像邊緣能夠保持較好的連續(xù)性，表明2 景圖像得到了較好的配準。

用同樣方法，對另1 組Landsat TM 圖像進行了配準(圖6)。參考圖像(圖6(a))和待配準圖像(圖6(b))分別為Landsat TM 的2個波段圖像，通過本文方法配準后的結果如圖6(c)所示，對其中黑色方框內(nèi)部分放大顯示結果如圖6(d)所示。由圖6(d)可以看出，2個波段的圖像得到了精確的配準。

圖6 TM 圖像配準結果Fig.6 Registration result between TM images

2.2 SAR 圖像配準

為了進一步驗證本文方法的有效性，還采用了如圖7(a)和(b)所示的2 景SAR 圖像進行配準試驗，配準結果如圖7(c)所示，圖7(c)中黑框內(nèi)部分放大結果如圖7(d)所示。從圖7(d)可以看出，本文方法將2 景SAR 圖像自動配準到了一起。

圖7 SAR 圖像配準結果Fig.7 Registration result between SAR images

2.3 與SIFT 和SURF 的比較

為了比較不同算法的配準結果，使用SIFT［12］和SURF［13］算法對上述3 組試驗數(shù)據(jù)提取特征，并且利用Low［12］的比值方法進行控制點匹配，比值閾值設置為0.8。獲取控制點后，將控制點平分為2 組，一組用于計算單應性矩陣，另一組用于精度檢查。利用檢查點統(tǒng)計了最大殘差(Max)和均方根誤差(RMSE)，并對每種算法的控制點匹配數(shù)目和時間都進行了比較。比較結果如表1 所示，其中“配準時間”是使用筆記本電腦(配置為intel i3 CPU，2.40GHZ，2.00 G RAM，操作系統(tǒng)32－ bit Window 7)試驗的結果。

從表1 中3 種算法匹配結果的比較可以看出，本文方法比基于SURF 算法和SIFT 算法的配準方法效率高。對于光學遙感圖像而言，本文方法的配準精度略低于基于SIFT算法的配準精度，但基于SIFT 算法的配準效率最低;對于SAR 圖像而言，本文方法無論在配準效率上還是在配準精度上都優(yōu)于基于SURF 和SIFT 算法的配準方法。

表1 配準結果比較Tab.1 Comparison of registration results

3 結論

本文提出了一種基于改進的定向二進制簡單描述符(ORB)算法的遙感圖像配準方法，并選取具有代表性的衛(wèi)星光學遙感圖像對和SAR 圖像對進行了試驗。根據(jù)試驗結果可以得出以下結論:

1)本文方法可以提取足夠控制點實現(xiàn)遙感圖像自動配準，能夠獲取亞像元級的配準精度，與基于SIFT 算法和SURF 算法的配準精度相當或者更高。

2)本文方法在效率上比基于SIFT 算法和SURF算法的配準效率有大幅度的提高。

下一步的工作將研究如何進一步提高基于ORB 算法的圖像配準精度。

［1］Kern J P，Pattichis M S.Robust multispectral image registration using mutual－information models［J］.IEEE Transactions on Geoscience and Remote Sensing，2007，45(5):1494－1505.

［2］韋春桃，吳 平，張祖勛，等.一種改進的相位相關的影像配準方法［J］.測繪通報，2011(4):19－22.Wei C T，Wu P，Zhang Z X，et al.An image matching algorithm based on improved log－polar image transform［J］.Bulletin of Surveying and Mapping，2011(4):19－22.

［3］Liu X Z，Tian Z，Chai C Y，et al.Multiscale registration of remote sensing image using robust SIFT features in steerable－domain［J］.The Egyptian J Remote Sensing and Space Sci，2011，14(2):63－72.

［4］李曉明，鄭 鏈，胡占義.基于SIFT 特征的遙感影像自動配準［J］.遙感學報，2006，10(6):885－892.Li X M，Zhen L，Hu Z Y.SIFT based automatic registration of re-motely－sensed imagery［J］.Journal of Remote Sensing，2006，10(6):885－892.

［5］林曉帆，林立文，鄧 濤.基于SURF 描述子的遙感影像配準［J］.計算機工程，2010，36(12):216－218.Lin X F，Lin L W，Deng T.Remote sensing image registration based on SURF gescriptor［J］.Computer Engineering，2010，36(12):216－218.

［6］Calonder M，Lepetit V，Ozuysal M，et al.BRIEF:Computing a local binary descriptor very fast［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(6):1281－1298.

［7］Rublee E，Rabaud V，Konolige K，et al.ORB:An efficient alternative to SIFT or SURF［C］//2011 International Conference on Computer Vision，Barcelona，Spain，2011:2564－2571

［8］Rosten E，Drummond T.Machine learning for high－speed corner detection［C］//Lecture Notes in Computer Science，2006，3951:430－443.

［9］李 慧，藺啟忠，劉慶杰.基于FAST 和SURF 的遙感圖像自動配準方法［J］.國土資源遙感，2012，24(2):28－33.Li H，Lin Q Z，Liu Q J.An automatic registration method of remote sensing imagery based on FAST corner and SURF descriptor［J］.Remote Sensing for Land and Resources，2012，24(2):28－33.

［10］Fischer M A，Bolles R C.Random sample consensus:A paradigm for model fitting with applications to image analysis and automated cartography［J］.Communications of the ACM，1981，24(6):381－395.

［11］Marius M，Lowe D G.Fast approximate nearest neighbors with automatic algorithm configuration［C］//International Conference on Computer Vision Theory and Applications，Lisboa，Portugal，2009:331－340.

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

［13］Bay H，Ess A，Tuytelaars T，et al.Speeded－ up robust features(SURF)［J］.Computer Vision and Image Understanding，2008，110(3):346－359.