曹 森,潘耀忠,張錦水,喻秋艷

北京師范大學(xué)地表過程與資源生態(tài)國家重點實驗室,北京 100875

土地覆蓋圖斑多時相遙感影像自動配準(zhǔn)

曹 森,潘耀忠,張錦水,喻秋艷

北京師范大學(xué)地表過程與資源生態(tài)國家重點實驗室,北京 100875

針對點、面方法僅利用了遙感影像幾何特征和部分波段的灰度特征進(jìn)行多時相遙感影像配準(zhǔn)的不足,提出一種穩(wěn)定土地覆蓋圖斑的多時相遙感影像自動配準(zhǔn)方法,充分利用遙感影像多光譜信息和大量存在的穩(wěn)定土地覆蓋圖斑信息進(jìn)行圖像配準(zhǔn),并且選取了土地覆蓋年際變化最為強烈的農(nóng)業(yè)種植區(qū)作為試驗區(qū),分別利用同一傳感器和不同傳感器不同時相的遙感數(shù)據(jù)開展了試驗研究。兩次試驗中,配準(zhǔn)精度分別達(dá)到了0．57個像元、0．65個像元。試驗結(jié)果表明,本文提出的方法能夠有效地篩選出滿足圖像配準(zhǔn)的同名圖斑,具有較高的配準(zhǔn)精度和適用性,提高了遙感影像的配準(zhǔn)效率。

多時相遙感影像自動配準(zhǔn);穩(wěn)定土地覆蓋圖斑;圖斑提取;圖像開操作;組合邊界不變矩

1 引 言

利用多時相相同或不同傳感器遙感影像對地表參數(shù)進(jìn)行反演或動態(tài)變化監(jiān)測是近年來遙感領(lǐng)域研究的熱點問題之一[1]。但不論是參數(shù)反演還是動態(tài)監(jiān)測,都要求先對多期遙感影像進(jìn)行精確的幾何配準(zhǔn)。研究表明,即便是微小的配準(zhǔn)誤差,也會大大降低結(jié)果的精度[2]。一般的圖像配準(zhǔn)是將兩幅影像中的顯著要素作為較理想的控制點進(jìn)行手工提取。這種方法的精度受到配準(zhǔn)人員主觀因素的影響,并且處理海量遙感影像耗時耗力。近些年來,大量的研究都集中于如何實現(xiàn)兩幅影像間的自動配準(zhǔn),這些研究可分為兩類:基于區(qū)域的配準(zhǔn)[3-5]和基于特征的配準(zhǔn)[6-15]。

基于區(qū)域的配準(zhǔn)方法通常利用一個固定窗口分別滑過參照影像和獲取影像,尋找灰度值最相似的窗口對,然后將窗口對的中心作為控制點對,控制點提取和匹配過程一般同時進(jìn)行。這類方法有兩個缺點。首先,在圖像間相對形變嚴(yán)重的情況下,窗口的形狀難以確定,通常采用的簡單幾何形狀(如矩形和圓)會產(chǎn)生誤差,影響控制點對提取的精度[16]。其次,由于控制點對的選擇取決于窗口內(nèi)像元灰度值的相似性,如果兩幅影像間灰度差異較大,就會產(chǎn)生很多錯配點,降低配準(zhǔn)精度。

基于特征的配準(zhǔn)方法是從影像中提取顯著的特征進(jìn)行匹配,包括點、線或面狀地物。目前的研究主要集中在點特征的提取和匹配方面[7-10],例如文獻(xiàn)[7]利用改進(jìn)的Harris算子提取航片中的角點進(jìn)行配準(zhǔn)。線特征的方法很少[11-12],面特征的配準(zhǔn)技術(shù)由來已久卻討論不多[13-16]?；邳c特征的方法能夠部分解決基于區(qū)域配準(zhǔn)方法存在的問題,它不需要任何形式的窗口,采用的也是灰度的梯度變化。然而,由于遙感影像間的光譜和亮度差異,這種方法往往會產(chǎn)生大量的錯配點,而且單個點對的精度不高。面特征的方法是將同名面狀特征質(zhì)心作為潛在的控制點,具有兩個優(yōu)點[13]:①面狀特征的質(zhì)心不隨旋轉(zhuǎn)、縮放和扭曲而改變;②面狀特征質(zhì)心的位置在隨機(jī)噪聲和灰階變化下,較點狀特征能更好地保持穩(wěn)定,且面狀特征面積越大,質(zhì)心越穩(wěn)定。但是,目前利用面狀要素進(jìn)行遙感影像配準(zhǔn)時,僅僅考慮了“面”的幾何屬性(邊界、形狀等)[19-21]。實際上由于遙感影像的復(fù)雜性,影像中“面”的物理屬性(土地覆蓋類型)也是十分重要的,如果“面”的物理屬性并不穩(wěn)定,例如,土地覆蓋容易發(fā)生變化,面狀特征也就不精確,配準(zhǔn)效果就會降低。

綜上所述,不論是點方法,還是面方法,在配準(zhǔn)過程中均僅利用了遙感影像幾何特征和部分波段的灰度特征,并沒有充分利用多光譜遙感影像豐富的多光譜特征來提取控制點對。針對以上問題,本文提出一種利用穩(wěn)定的土地覆蓋圖斑(stable land cover patch,SLP)的多時相遙感影像自動配準(zhǔn)新方法,旨在充分利用遙感影像多光譜信息和大量存在的、不變的土地覆蓋圖斑信息進(jìn)行圖像配準(zhǔn)。研究選取了土地覆蓋年際變化(農(nóng)田地塊的邊界、形狀變化)最為強烈的農(nóng)業(yè)種植區(qū),作為試驗區(qū),利用同一傳感器不同時相和不同傳感器不同時相的影像,對SLP方法的實用性和精度進(jìn)行了驗證。

2 土地覆蓋圖斑的概念

2．1 穩(wěn)定的土地覆蓋圖斑

地球表面各種地物(不同土地覆蓋類型)在遙感影像上均表現(xiàn)為遙感光譜的聚合體,即大小不同、形狀各異、內(nèi)容不同的圖斑,我們稱之為土地覆蓋圖斑(land cover patch,LP)。LP隨時間變化而變化,可以表示為

式中,S(shape)、A(area)、T(type)、C(centroid)分別表示LP的形狀、面積、土地覆蓋類型和質(zhì)心; t(time)表示時間。當(dāng)t1≠t2時,若LP(t1)≠LP(t2),稱之為變化圖斑;若LP(t1)＝LP(t2),稱之為穩(wěn)定土地覆蓋圖斑。

實際上,變化是相對的,在實際工作中,如果完全穩(wěn)定的圖斑數(shù)量較少,也可以將形狀、面積、質(zhì)心位置不發(fā)生變化,只有類型發(fā)生變化的圖斑稱為穩(wěn)定土地覆蓋圖斑。

2．2 圖斑的穩(wěn)定性分析

遙感影像中不同地物的交界處往往表現(xiàn)為過渡帶,即通常所說的混合像元?；旌舷裨o圖斑提取帶來了不確定因素,使得不同時相下的圖斑不會完全相同,而是呈現(xiàn)相互重疊或包含/被包含的關(guān)系。

如圖1,LP(t1)(實線)與LP(t2)(虛線)是不同時相下對同一土地覆蓋區(qū)域的提取結(jié)果,它們在混合區(qū)域出現(xiàn)了偏差,沒有重合。但它們形狀相似(ΔS→0),面積相近(ΔA→0),質(zhì)心間的位置差異很小(ΔC→0),這種情況下,認(rèn)為LP(t1)＝LP(t2),即兩者為穩(wěn)定土地覆蓋圖斑,可以將它們的質(zhì)心作為精確的控制點進(jìn)行影像配準(zhǔn)。

圖1 土地覆蓋圖斑分析Fig．1 Analysis of land cover patches

3 方 法

遙感影像配準(zhǔn)的目的是將一幅影像(稱為待配準(zhǔn)影像)校正到另一幅影像(稱為參照影像)上,使得兩者具有相同的空間坐標(biāo)系統(tǒng),其核心問題是自動而精確地提取和匹配控制點對。根據(jù)多光譜遙感影像的特點,尤其是不同時相遙感影像土地覆蓋類型相對穩(wěn)定和局部變化的特點,本文提出一種利用穩(wěn)定的土地覆蓋圖斑提取控制點對的方法,以實現(xiàn)不同時相間遙感圖像的精確配準(zhǔn)。該方法的主要過程分為影像預(yù)處理、圖斑提取、圖斑匹配和影像配準(zhǔn)4個步驟,技術(shù)框架如圖2所示。

圖2 SLP方法的技術(shù)框架圖Fig．2 Framework of SLP

3．1 影像預(yù)處理

不論是基于區(qū)域的還是基于特征的圖像配準(zhǔn)技術(shù),都需要盡量消除影像無關(guān)噪聲對控制點對提取的影響。本文的預(yù)處理過程分為兩個步驟:信息壓縮和噪聲消除。

3．1．1 信息壓縮

不同傳感器獲得的遙感影像其波段設(shè)置(波段光譜范圍、波段個數(shù))各不相同,為了使圖斑提取的方法保持在同一框架下,同時充分利用遙感影像多光譜的特征更加準(zhǔn)確地提取圖斑,本文預(yù)處理的第一步是信息壓縮和轉(zhuǎn)換。本文選擇在主成分分析(principal component analysis,PCA)[25]后提出前3個主分量的方法。前3個主成分一般包含了原始影像的主要信息[20],剩余的部分信息不僅不利于主要地物特征的描述,反而會影響土地覆蓋圖斑的提取[8]。

3．1．2 噪聲消除

由于遙感影像成像過程及其反映的地物的復(fù)雜性,即使均質(zhì)的圖斑內(nèi)也會存在大量的隨機(jī)噪聲,這些噪聲常常會將同一圖斑分割成不同的部分,嚴(yán)重地影響圖斑提取的精度。為了消除噪聲的影響,本文對影像進(jìn)行中值濾波[21]。雖然中值濾波可能會降低不同地物的可區(qū)分度,但在消除隨機(jī)噪聲方面有較好的表現(xiàn),而且具有保留邊緣的特性。

令g(x,y)表示處理前的影像,^f(x,y)是中值濾波結(jié)果,Sxy表示中心在(x,y)點的子圖像窗口的坐標(biāo)集合,則中值濾波如式(3)所示

3．2 圖斑提取

圖斑提取是SLP方法的核心部分,為了全自動高效率地提取土地覆蓋圖斑,本文設(shè)計了圖斑分類與識別、圖斑邊緣檢測和分離、相連圖斑打斷與過濾3個步驟,最終獲得用于配準(zhǔn)的有效圖斑。

3．2．1 圖斑分類與識別

圖斑分類與識別是圖斑提取的基礎(chǔ),常用的方法有兩種:單波段影像分割技術(shù)[21-22]和多波段影像的分類技術(shù)(監(jiān)督和非監(jiān)督分類)。單波段影像分割技術(shù)因其簡單易行,已廣泛應(yīng)用于各類基于特征提取的圖像配準(zhǔn)方法中[13-15],但對于復(fù)雜的土地覆蓋圖斑的提取顯然并不適合。影像分類技術(shù)可以充分利用影像多光譜信息提取土地利用圖斑,鑒于監(jiān)督分類過程的復(fù)雜性不亞于手工圖像配準(zhǔn),因此,本文選擇了非監(jiān)督分類中簡單易行的k-means方法[23],利用PCA的前3個主成分對圖像進(jìn)行非監(jiān)督分類,實現(xiàn)圖斑的分類與識別。

3．2．2 圖斑邊緣檢測和分離

非監(jiān)督分類雖然較好地將影像分成不同的土地覆蓋類型,但各個土地覆蓋圖斑之間往往并不能有效分離,存在著大量彼此相接的情景,因此利用圖斑邊緣檢測技術(shù)進(jìn)行分離是必須的步驟。在眾多的邊緣檢測算法中,Canny算子[24]是效果較好、使用較廣泛的算法之一。本文設(shè)計使用PCA第一主成分,利用Canny算子進(jìn)行邊緣檢測,然后將k-means結(jié)果和Canny結(jié)果相互疊加,實現(xiàn)圖斑的有效分離。

邊緣檢測結(jié)果不僅能分離相連的圖斑,也能檢測出影像中次要土地覆蓋類型圖斑的邊界,經(jīng)過打斷操作,可提取出這些圖斑。

3．2．3 圖斑打斷和過濾

上述提取過程得到的土地覆蓋圖斑仍然不能直接用來匹配。某一相同尺度下,因為光譜的不穩(wěn)定性,參照影像和待配準(zhǔn)影像中具有相同土地覆蓋類型,本應(yīng)從屬于不同對象的相鄰圖斑可能相連,也可能斷開。這時需要對狹窄連接的圖斑進(jìn)行打斷,以得到準(zhǔn)確的SLP。本文使用了形態(tài)學(xué)圖像處理中的基本運算——開操作,這種運算能使得對象的輪廓變得光滑,斷開狹窄的間斷和消除細(xì)的突出物[21]。使用結(jié)構(gòu)元素B對集合A進(jìn)行開操作,表示為A?B,定義為

式中,⊕表示膨脹;!表示腐蝕。因此用B對A進(jìn)行開操作就是用B對A腐蝕,然后用B對結(jié)果進(jìn)行膨脹。

3．3 圖斑匹配

3．3．1 圖斑配對

從地面衛(wèi)星站獲取的遙感影像一般都經(jīng)過了系統(tǒng)校正,兩幅影像間不會有巨大的幾何差異。如果存在的話,通過手工提取很少的控制點對或簡單的自動配準(zhǔn)方法(如基于頻率域的方法)就可以消除[14,16]。本文假設(shè)兩幅影像間已經(jīng)過了粗配準(zhǔn),影像間的相對位移不會過大(例如超過5個像元)。

在這個前提下,根據(jù)SLP的定義,以參照影像中的圖斑為目標(biāo),遍歷待配準(zhǔn)影像中的圖斑,將圖斑面積變化和質(zhì)心距離小于指定閾值的圖斑初步配對。

初步配對的圖斑雖然具有土地覆蓋類型編碼,但編碼并沒有對應(yīng)。為此,假設(shè)兩種情況:當(dāng)影像間發(fā)生了劇烈的土地覆蓋變化時,可以認(rèn)為類型相同的配對圖斑很少,應(yīng)該放寬條件,不考慮類型的變化;而如果兩幅影像間的土地覆蓋變化較小,就認(rèn)為大部分配對圖斑的類型是相同的,可以通過數(shù)量統(tǒng)計進(jìn)行類型編碼匹配,然后將類型發(fā)生變化的圖斑對排除。

3．3．2 組合邊界不變矩篩選SLP對

經(jīng)過初步配對的圖斑只有在形狀也相似時才能確定為SLP對,對形狀的比較需要精確的參數(shù)描述。如前文所提,多期遙感影像間可能會有相對的平移、旋轉(zhuǎn)和縮放差異,因而需要尋找一種描述算子,這種描述算子并不會隨著上述差異而發(fā)生變化。不變矩是一種廣泛應(yīng)用于圖像配準(zhǔn)領(lǐng)域的區(qū)域描繪子[16,25-26],它不僅能在上述差異下保持不變[27],而且能較好地抑制噪聲。在此基礎(chǔ)上,文獻(xiàn)[28]提出了邊界不變矩,并證明了它具有與不變矩相同的特性,因其僅針對目標(biāo)的邊緣點進(jìn)行計算,因此大大減少了計算量,加快了計算速度。

文獻(xiàn)[28]定義邊界矩如下。

設(shè)二值數(shù)字圖像f(x,y)中邊緣C上的像素的灰度值為1,其他像素的灰度值為0,則目標(biāo)的邊界矩為

為了保持平移不變性,定義邊界中心矩

利用邊界中心矩和歸一化邊界中心矩還可進(jìn)一步推導(dǎo)出隨對稱模糊和旋轉(zhuǎn)不變的邊界矩。由于高階的矩對噪聲敏感,這里選用最常用的7個邊界不變矩

可以看出,矩距越小,兩個多邊形越相似。當(dāng)配對圖斑的矩距小于一個閾值時,這對圖斑就同時滿足了形狀、面積和質(zhì)心位置不變,從而LP(t1)＝LP(t2),認(rèn)為是SLP。確定了所有的SLP后,用其質(zhì)心對作為控制點對進(jìn)行最終配準(zhǔn)。

3．4 圖像扭曲和重采樣

圖像扭曲和重采樣的作用在于根據(jù)控制點擬合得到的函數(shù)系數(shù),確定一個函數(shù)關(guān)系,使之能較好地描述兩幅影像間的相對幾何畸變,從而將待配準(zhǔn)影像校正到參照影像上。

本文選用全局函數(shù)與局部函數(shù)相結(jié)合的方式對待配準(zhǔn)影像進(jìn)行扭曲和重采樣,首先利用一次多項式進(jìn)行全局匹配,然后通過不規(guī)則三角網(wǎng)插值[30]優(yōu)化控制點周圍的局部匹配效果。

4 試驗結(jié)果與分析

為了驗證本研究提出的SLP方法,尤其是穩(wěn)定土地覆蓋圖斑(SLP)提取過程的有效性和適用性,設(shè)計了本文的試驗過程。第一,設(shè)計了兩種情景下的配準(zhǔn)試驗:①相同傳感器不同年份影像間的配準(zhǔn)試驗。②不同傳感器不同年份影像間的配準(zhǔn)試驗。第二,以穩(wěn)定圖斑普遍存在的農(nóng)業(yè)種植區(qū)作為目標(biāo),選擇了種植結(jié)構(gòu)(主要指種植的破碎程度)完全不同的兩個試驗區(qū)。第三,兩幅圖像配準(zhǔn)前經(jīng)過了幾何粗校正,且?guī)缀尉仍?個像元以內(nèi)。

試驗中主要考慮3個參數(shù)的設(shè)定:k-means聚類數(shù)、面積變化閾值以及圖斑類型是否變化。本文將k-means聚類數(shù)定為參照影像或待配準(zhǔn)影像中的主要土地覆蓋類型數(shù),這種情況下利用本文的方法能較精確地提取出土地覆蓋圖斑。面積變化閾值及圖斑類型是否變化的確定需要根據(jù)參照影像和待配準(zhǔn)影像間的光譜差異而定。當(dāng)兩幅影像間的差異不大時,將面積變化閾值定為3%[30],同時考慮圖斑類型的變化。反之,若影像間差異較大,則將面積變化閾值調(diào)高至5%,同時不考慮圖斑的類型變化。試驗中的其他參數(shù)采用默認(rèn)設(shè)置。Canny算子使用原作者建議的參數(shù)設(shè)置[24]。為了能在取得良好打斷效果的同時保留原圖斑的形狀特征,形態(tài)學(xué)開操作的結(jié)構(gòu)元素大小定為5像元×5像元。矩距閾值設(shè)為常用的0．001[16]。應(yīng)該指出,不同情境下調(diào)整這些默認(rèn)參數(shù),是有可能取得更好的配準(zhǔn)效果的,但使用本文的建議值已能達(dá)到較好的效果。

4．1 相同傳感器不同年份影像間的配準(zhǔn)試驗

4．1．1 試驗區(qū)與試驗數(shù)據(jù)

試驗區(qū)位于江蘇省大豐地區(qū),覆蓋范圍東經(jīng): 120°13′—120°23′,北緯:33°16′—33°24′,如圖3所示。試驗區(qū)以大片的農(nóng)田斑塊為主,另有少數(shù)建設(shè)用地和裸地(兩者光譜特征相似),影像中的道路比較明顯,且農(nóng)作物種植斑塊較為規(guī)則,有利于穩(wěn)定土地覆蓋圖斑的提取。

試驗數(shù)據(jù)選取了兩期環(huán)境減災(zāi)衛(wèi)星(HJ)影像,時間:2009-04-10和2010-04-13,波段數(shù): 4個,空間分辨率:30 m,大小:512像元×512像元。配準(zhǔn)過程中以2009年的影像作為參照影像, 2010年的影像作為待配準(zhǔn)影像。如圖3,由于傳感器相同,兩幅影像光譜相似,大部分農(nóng)田地塊在兩年間沒有發(fā)生顯著變化。

圖3 2009-04-10的HJ原始影像(a)和2010-04-13 HJ影像(b)Fig．3 Images from HJ captured on April 10th, 2009(a)and April 13th,2010(b)

4．1．2 配準(zhǔn)過程與結(jié)果

如圖4所示,在影像預(yù)處理的基礎(chǔ)上,本文根據(jù)影像的目視特征將k-means聚類數(shù)定為兩類, Canny算子采用默認(rèn)參數(shù),對兩幅影像進(jìn)行了分割。從圖4中可以看出,經(jīng)過提取土地覆蓋圖斑依稀可見,但存在狹窄相連的情況,顯然僅僅以分割結(jié)果作為圖斑,是無法準(zhǔn)確提取出SLP的。為了打斷這樣的圖斑,本文進(jìn)一步進(jìn)行形態(tài)學(xué)開操作,結(jié)構(gòu)元素使用5像元×5像元窗口,開操作后圖斑間的狹窄相連得到了有效的打斷。

然后,利用質(zhì)心和面積對圖斑進(jìn)行匹配。匹配的原則包括:①根據(jù)假設(shè)條件,質(zhì)心間距離不超過5個像元;②圖斑間面積變化率不超過3%。鑒于本試驗區(qū)土地覆蓋變化較小,在試驗過程中將類型變化的圖斑作為了非穩(wěn)定圖斑。圖斑匹配完成后進(jìn)一步用組合邊界不變矩篩選SLP,矩距閾值設(shè)定為0．001。最終匹配的同名圖斑的數(shù)量達(dá)到41對。

圖4 2009-04-10 HJ影像(a)和2010-04-13 HJ影像(b)土地覆蓋圖斑提取過程Fig．4 Patches extraction of reference image(a)and sensed image(b)

在這41對均勻分布于整幅影像的同名質(zhì)心點對中,隨機(jī)選取2/3的點對(28對),使用全局與局部相結(jié)合的轉(zhuǎn)換模型進(jìn)行配準(zhǔn),余下的點對用來進(jìn)行精度評價,最終得到的配準(zhǔn)精度為0．57個像元。

4．2 不同傳感器不同年份影像間的配準(zhǔn)試驗

4．2．1 試驗區(qū)與試驗數(shù)據(jù)

為了進(jìn)一步驗證方法的適用性,本文選擇了天津地區(qū)作為第二個試驗區(qū),覆蓋范圍東經(jīng): 116°58′—117°9′,北緯:39°27′—39°35′,如圖5所示。試驗區(qū)3類主要地物農(nóng)田、建設(shè)用地和裸地相互混雜,且各種土地利用圖斑形狀極不規(guī)則。

試驗數(shù)據(jù)分別為:2009-06-02的TM5影像(波段數(shù)為6)和2010-05-20的HJ影像,區(qū)域大小為512像元×512像元,分辨率同為30 m。試驗中以TM影像為基準(zhǔn)影像,HJ影像為待配準(zhǔn)影像。分析兩期影像(圖5)可以看出,首先由于傳感器的不同,兩幅影像間不僅存在巨大的光譜差異,細(xì)節(jié)信息的體現(xiàn)也很不同;其次,由于地處大都市周邊,土地覆蓋發(fā)生了較大的變化。這些都為配準(zhǔn)工作帶來了困難。

圖5 2009-06-02 TM影像(a)和經(jīng)過粗糾正的2010-05-20 HJ影像(b)Fig．5 TM image captured on June 2nd,2009(a)and HJ image captured on March 20th,2010(b)

4．2．2 配準(zhǔn)過程與結(jié)果

本試驗的配準(zhǔn)過程與第一個試驗區(qū)的過程完全一致,只是在配準(zhǔn)過程中參數(shù)的選擇有所區(qū)別,主要為:①k-means聚類數(shù)定為兩類,Canny算子采用默認(rèn)參數(shù),開操作的結(jié)構(gòu)元素大小為5個像元。②質(zhì)心距離閾值為5個像元,由于光譜差異很大,將面積變化率閾值為5%,也沒有考慮圖斑類型的變化,矩距閾值為0．001。圖6中的黑框顯示了最終匹配的圖斑,共21對,分布較為均勻。同樣,在這21對同名質(zhì)心點對中隨機(jī)選取14對進(jìn)行配準(zhǔn),用剩余的7對進(jìn)行檢驗,最終得到的配準(zhǔn)精度為0．65個像元。

圖6 2009-06-02 TM影像(a)和2010-05-20 HJ影像(b)土地覆蓋圖斑提取結(jié)果Fig．6 SLPs in TM image and HJ image

從圖6可以看出,對于不同傳感器的情況,雖然影像間的差異很大,穩(wěn)定農(nóng)田斑塊難以精確獲取,本文方法仍然能夠充分利用影像的多光譜信息,將影像中的建筑用地、裸地作為SLP成功地提取出來,達(dá)到較高配準(zhǔn)精度,說明了本文方法的適用性。

5 結(jié) 論

本文提出了穩(wěn)定土地覆蓋圖斑的概念,充分利用遙感影像信息獲取土地覆蓋圖斑,通過圖斑形狀、面積、質(zhì)心距離和類型確定不同時相影像之間的穩(wěn)定圖斑,實現(xiàn)了多期遙感影像之間的快速、自動配準(zhǔn)。試驗結(jié)果表明,針對同一傳感器之間、不同傳感器之間的影像數(shù)據(jù),在農(nóng)田地塊規(guī)整、破碎兩種不同的景觀特征下,本文方法能夠充分利用光譜信息特征,有效地提取出土地覆蓋圖斑,并通過圖像間的圖斑配對、組合邊界不變矩篩選出足夠數(shù)量的穩(wěn)定圖斑,滿足圖像配準(zhǔn)控制點數(shù)量的要求。在兩個試驗區(qū),配準(zhǔn)精度分別達(dá)到了0．57個像元、0．65個像元,說明了本文方法具有較高的配準(zhǔn)精度以及不同區(qū)域景觀特征下較好的適用性。

本文仍存在一些問題有待進(jìn)一步的研究:①基于穩(wěn)定圖斑搜索同名圖斑受限于不同時相間圖斑提取精度的影響,由于圖斑識別誤差的累積,降低了同名圖斑篩選的效率;②不同分辨率(如30 m、20 m分辨率之間)遙感影像之間進(jìn)行自動配準(zhǔn)是否適用;③在異質(zhì)性更為復(fù)雜的區(qū)域,如城市,本文方法能否有效地獲取同名圖斑,進(jìn)行圖像的自動、準(zhǔn)確地配準(zhǔn)。

[1] ASHBINDU S．Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J]．International Journal of Remote Sensing,1989,10(6):989-1003．

[2] DAI Xiaolong,K HORRAM S．The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection[J]．IEEE Transactions on Geoscience and Remote Sensing,1998,36(5):1566-1577．

[3] HANAIZUMI H,FUJIMURA S．An Automated Method for Registration of Satellite Remote Sensing Images[J]．Geoscience and Remote Sensing Symposium,1993,3:1348-1350．

[4] LIU Desheng,GONG Peng,MAGGI K,et al．Automatic Registration of Airborne Images with Complex Local Distortion[J]．Photogrammetric Engineering and Remote Sensing,2006,72(9):1049-1059．

[5] FREDERIK M,ANDRéC,DIRK V,et al．Multimodality Image Registration by Maximization of Mutual Information [J]．IEEE Transactions on Medical Imaging,1997,16(2): 187-198．

[6] LI Yuqian,PI Yiming,WANG Jinfeng．The Registration between SAR and Optical Image Based on Level Set[J]．Acta Geodaetica et Cartographica Sinica,2010,39(3):276-282(李雨謙,皮亦鳴,王金峰．基于水平集的SAR圖像與光學(xué)圖像的配準(zhǔn)[J]．測繪學(xué)報,2010,39(3):276-282)．

[7] YANG Changqing,WANG Xiaotong,XU Xiaogang,et al．Automatic Registration of Aerophotos Based on Feature Space[J]．Acta Geodaetica et Cartographic Sinica, 2005,34(3):218-222(楊常清,王孝通,徐曉剛,等．測繪學(xué)報,2005,34(3):218-222)．

[8] HERNANI G,CORTE R L,GONCALVESJ A．Automatic Image Registration through Image Segmentation and SIFT [J]．IEEE Transactions on Geoscience and Remote Sensing,2011,49(7):2589-2600．

[9] MUKHERJEE A,VELEZ R M,ROYSAM B．Interest Points for Hyperspectral Image Data[J]．IEEE Transactions on Geoscience and Remote Sensing,2009,47(3):748-760．

[10] SEDAGHAT A,MOKHTARZADE M,EBADI H．Uniform Robust Scale-invariant Feature Matching for Optical Remote Sensing Images[J]．IEEE Transactions on Geoscience and Remote Sensing,2011,49(11):4516-4527．

[11] HUI Li,MANJUNATH B S,MITRA S K．A Contour-Based Approach to Multisensor Image Registration[J]．IEEE Transactions on Image Processing,1995,4(3): 320-334．

[12] DONGSEOK S,POLLARD J K,MULLER J P．Accurate Geometric Correction of ATSR Images[J]．IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):997-1006．

[13] FLUSSER J,SUK T．A Moment-based Approach to Registration of Images with Affine Geometric Distortion [J]．IEEE Transactions on Geoscience and Remote Sensing,1994,32(2):382-387．

[14] DARE P,DOWMAN I．An Improved Model for Automatic Feature-based Registration of SAR and SPOT Images[J]．ISPRS Journal of Photogrammetry and Remote Sensing, 2001,56(1):13-28．

[15] GONCALVES H,GONCALVES J A,CORTE-REAL L．HAIRIS:A Method for Automatic Image Registration through Histogram-based Image Segmentation[J]．2011,20(3):776-789．

[16] SHAH C A,SHENG Y W,SMITH L C．Automated Image Registration Based on Pseudoinvariant Metrics of Dynamic Land-surface Features[J]．IEEE Transactions on Geoscience and Remote Sensing,2008,46(11):3908-3916．

[17] ZITOVA B,FLUSSER J．Image Registration Methods:A Survey[J]．Image and Vision Computing,2003,21(11): 977-1000．

[18] JENSEN J R．Introductory Digital Image Processing:A Remote Sensing Perspective[M]．3rd Edition．[S．l．]:Pearson Prentice Hall,1986．

[19] HOTELLING H．Analysis of a Complex of Statistical Variables into Principal Components[J]．Journal of Educational Psychology,1933,24(7):498-520．

[20] PAUL M B T．Classification Methods for Remotely Sensed Data[M]．2nd Edition．[S．l．]:Taylor&Francis Group,2009．

[21] RAFAEL C,GONZALES R E W．Digital Image Processing [M]．2nd Edition．New York:Pearson Education,2007．

[22] NIK HIL R P,SANK AR K P．A Review on Image Segmentation Techniques[J]．Pattern Recognition,1993, 26(9):1274-1294．

[23] TAPAS K,DAVID M M,NATHAN S N,et al．An Efficient k-means Clustering Algorithm:Analysis and Implementation[J]．IEEE Transactions on Pattern Analysis and Machine Intellegence,2002,24(7):881-892．

[24] CANNY J．A Computational Approach to Edge Detection [J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698．

[25] DAI X,KHORRAM S．A Feature-based Image Registration Algorithm Using Improved Chain-code Representation Combined with Invariant Moments[J]．IEEE Transactions on Geoscience and Remote Sensing,1999,37(5): 2351-2362．

[26] YOUCEF B,NASREDDINE T,KIDIYO K,et al．An Automatic Image Registration for Applications in Remote Sensing[J]．IEEE Transactions on Geoscience and Remote Sensing,2005,43(9):2127-2137．

[27] HU M K．Visual Pattern Recognition by Moment Invariants [J]．IRE Transactions on Information Theory,1962,8(2): 179-187．

[28] CHEN C C．Improved Moment Invariants for Shape Discrimination[J]．Pattern Recognition,1993,26(5): 683-686．

[29] GOSHTASBY A A．Piecewise Linear Mapping Functions for Image Registration[J]．Pattern Recognition,1986,19 (6):459-466．

[30] SHENG Y W,CHINTAN A S,LAUREVCE CS．Automated Image Registration for Hydrologic Change Detection in the Lake-Rich Arctic[J]．IEEE Geoscience and Remote Sensing Letters,2008,5(3):414-41．

(責(zé)任編輯:陳品馨)

Land Cover Patches Based Automatic Multi-temporal Remote Sensing Images Registration

CAO Sen,PAN Yaozhong,ZHANG Jinshui,YU Qiuyan
The State Key Laboratory of Earth Surface Processes and Resource Ecology,Beijing Normal University,Beijing 100875,China

An automatic registration method for multi-temporal remote sensing images using stable land cover patches was proposed in this paper,taking full advantage of multi-spectral features as well as stable and widespread land cover patches in remote sensing images．Rural regions,where significant land cover changes happened within-and between-year,were chosen as study area,and multi-temporal remote sensing images from same or different sensors were used．Experimental results showed the effectiveness and adaptability on extraction of stable land cover patches of this method,and registration accuracies of 0．57 and 0．65 pixels were achieved．

multi-temporal image registration;stable land cover patches;patches extraction; opening operation;boundary moment invariants

CAO Sen(1989—),male,PhD candidate, majors in remote sensing of environment and resources．E-mail:caosen＠m(xù)ail．bnu．edu．cn

PAN Yaozhong

P236

A

1001-1595(2014)03-0290-08

高分辨率對地觀測系統(tǒng)重大專項(E0307/1112)

2012-12-16

曹森(1989—),男,博士生,研究方向為資源與環(huán)境遙感。

潘耀忠

E-mail:pyz＠bnu．edu．cn

CAO Sen,PAN Yaozhong,ZHANG Jinshui,et al．Land Cover Patches Based Automatic Multi-temporal Remote Sensing Images Registration[J]．Acta Geodaetica et Cartographica Sinica,2014,43(3):290-297．(曹森,潘耀忠,張錦水,等．土地覆蓋圖斑多時相遙感影像自動配準(zhǔn)J]．測繪學(xué)報,2014,43(3):290-297．)

10．13485/j．cnki．11-2089．2014．0042

修回日期:2013-12-05