楊彥通,楊武年,石 磊,吳曉萍,佘金星
(成都理工大學(xué) 國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,成都 610059)
?
基于矩形特征的無(wú)空間參考DEM圖像模糊匹配
楊彥通,楊武年*,石磊,吳曉萍,佘金星
(成都理工大學(xué)國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,成都610059)
摘要:多源、多時(shí)相與多尺度DEM的匹配是DEM(Digital Elevation Model)應(yīng)用中的關(guān)鍵技術(shù)。對(duì)無(wú)空間參考的DEM進(jìn)行匹配時(shí),若特征點(diǎn)不足或匹配DEM之間的分辨率、地形特征等差異較大,已有的DEM匹配技術(shù)往往難以成功。為此,這里提出了基于矩形特征的模糊匹配方法。首先利用矩形特征構(gòu)建了五種圖像相似度指標(biāo)BRFSI并統(tǒng)計(jì)分析了各個(gè)指標(biāo)的分類性能;然后,使用Gentle AdaBoost算法對(duì)大量樣本進(jìn)行訓(xùn)練后,得到了用于判定“匹配”與“非匹配”的分類器;最后建立了進(jìn)行DEM圖像模糊匹配的匹配模型。經(jīng)過(guò)四種典型數(shù)據(jù)驗(yàn)證,該方法很好地解決了無(wú)空間參考DEM匹配中特征點(diǎn)不足、DEM之間相似度較低的難點(diǎn)問(wèn)題,為進(jìn)一步的DEM精匹配提供了良好的初始條件。
關(guān)鍵詞:矩形特征;無(wú)空間參考DEM;Gentle AdaBoost算法;分類器;圖像模糊匹配
0引言
地理位置無(wú)疑是數(shù)字高程模型必不可少的基礎(chǔ)信息。由于技術(shù)、人文以及歷史等諸多因素,導(dǎo)致很多DEM數(shù)據(jù)空間參考不完整甚至完全缺失,使這些數(shù)據(jù)的應(yīng)用變得極其困難。因此需要使用多源、多時(shí)相和多尺度DEM匹配技術(shù),對(duì)空間參考缺失的DEM和具有完整空間參考的基準(zhǔn)DEM進(jìn)行匹配,從而確定無(wú)空間參考DEM的空間位置。
然而,已有DEM匹配研究[1-4]多是針對(duì)具有完整空間參考信息的數(shù)據(jù)而進(jìn)行的,無(wú)法用于無(wú)空間參考DEM的定位?;诟倪M(jìn)SURF算子的特征點(diǎn)匹配方法[5-6]在一定程度上可以解決無(wú)空間參考DEM的定位問(wèn)題,但該方法要求DEM圖像特征點(diǎn)足夠多,且待匹配DEM與基準(zhǔn)DEM的相似度較高。當(dāng)DEM圖像特征點(diǎn)不足或匹配與待匹配DEM之間的分辨率、地形特征等差異較大時(shí),上述方法則很難成功。
為此,這里提出了基于矩形特征的無(wú)空間參考DEM圖像模糊匹配方法。利用矩形特征構(gòu)建了五種圖像相似度指標(biāo),通過(guò)使用這些相似度指標(biāo)對(duì)無(wú)空間參考DEM圖像與具有完整空間參考的基準(zhǔn)DEM圖像進(jìn)行模糊匹配來(lái)確定其概略空間位置,為進(jìn)一步的DEM精匹配提供了良好的初始條件。
1基于矩形特征的圖像相似度指標(biāo)
1.1矩形特征
矩形特征即Haar特征,最早由Paul Viola和Michael Jones[7-8]提出,主要是為了解決人臉檢測(cè)過(guò)程中人臉特征的描述問(wèn)題。由于矩形特征反映了圖像局部的灰度變化情況,比單純的像素級(jí)描述表達(dá)的信息要有效的多,對(duì)噪聲、光照等更具魯棒性,且計(jì)算方便[9],提出后便被廣泛用于人臉檢測(cè)[10]、手勢(shì)識(shí)別[11]、車輛檢測(cè)[12-13]、虹膜檢測(cè)[14]等領(lǐng)域。
矩形特征的特征模板一般由兩個(gè)或多個(gè)具有相同尺寸和形狀的矩形組成,模板中的矩形有白色和灰色兩種,兩種顏色的矩形依次交錯(cuò)排列。矩形特征值被定義為白色矩形對(duì)應(yīng)圖像區(qū)域像素和減去灰色矩形對(duì)應(yīng)圖像區(qū)域像素和。常見(jiàn)的五種類型的矩形特征模板如表 1所示,其中,a、b為兩矩形特征可以反映圖像中的邊緣特征,c、d為三矩形特征可以反映圖像中的水平和垂直方向的線性特征,e為四矩形特征可以反映圖像中的對(duì)角特征。
表1 矩形特征類型Tab.1 Types of rectangle features
表2 24*24的圖像子窗口內(nèi)的矩形特征數(shù)目Tab.2 The number of rectangle features in A 24*24 image sub window
(1)
1.2BRFSI的定義
DEM有野外實(shí)測(cè)、地形圖數(shù)字化、攝影測(cè)量立體觀測(cè)、合成孔徑雷達(dá)干涉測(cè)量和激光掃描等多種不同的生產(chǎn)獲取技術(shù)方法[16]。進(jìn)行多源、多時(shí)相和多尺度DEM間的匹配時(shí),待匹配DEM與基準(zhǔn)DEM之間往往存在較大差異,若使用精確的圖像相似度指標(biāo)來(lái)衡量?jī)烧咧g的相似性,匹配成功率一般較低。因此,允許待匹配DEM圖像之間有一定程度差異的模糊匹配技術(shù)對(duì)實(shí)現(xiàn)多源、多時(shí)相DEM之間的匹配具有重大意義。矩形特征不像單純的像素級(jí)指標(biāo)那樣“視野太小”且過(guò)于精確,它反映了圖像局部的灰度變化情況,能夠在一定程度上表示邊緣、線段、對(duì)角線等簡(jiǎn)單圖形結(jié)構(gòu)特征,能夠容納匹配圖像之間細(xì)微的差異,對(duì)噪聲、光照等引起的圖像灰度變化更具魯棒性,在二分類問(wèn)題上表現(xiàn)良好[8],因此,作者將矩形特征用于DEM之間的模糊匹配,提出了基于矩形特征值的匹配圖像相似度指標(biāo)BRFSI(Similarity Indicator Based on Rectangle Features)。
若表 1中a、b、c、d、e五種類型的矩形特征模板依次對(duì)應(yīng)序號(hào)1、2、3、4、5,則基于第i(i=1,2,…,5)種矩形特征模板的BRFSIi的定義如式(2)所示。
(2)
DEM之間的模糊匹配問(wèn)題本質(zhì)上也是二分類問(wèn)題,即判定待匹配DEM與基準(zhǔn)DEM中特定區(qū)域“匹配”與“非匹配”的問(wèn)題。如圖 1所示,假設(shè)基準(zhǔn)DEM中與待匹配DEM對(duì)應(yīng)的區(qū)域?yàn)檎_匹配區(qū)域C,DEM模糊匹配的目標(biāo)是在基準(zhǔn)DEM中找出區(qū)域C。為了實(shí)現(xiàn)該目標(biāo),我們定義搜索模板區(qū)域T及待匹配DEM圖像重采樣后的區(qū)域R(且使得wr=wt、hr=ht)??紤]基準(zhǔn)DEM比例尺比待匹配DEM小的一般情況,令wt、ht的初始值分別為wt=w0、ht=h0,由基準(zhǔn)DEM圖像的左上角開(kāi)始,依次從基準(zhǔn)DEM中取出與模板區(qū)域T重合的區(qū)域判斷其是否與區(qū)域R匹配,若“非匹配”則不斷移動(dòng)模板區(qū)域T的位置直至搜索完全圖;如果仍未找到正確匹配區(qū)域,則說(shuō)明當(dāng)前模板區(qū)域T的尺寸不正確,減小搜索模板區(qū)域T的寬高wt、ht并對(duì)待匹配DEM圖像再次重采樣使得wr=wt且hr=ht后重復(fù)上述搜索與判斷過(guò)程,直至找到正確匹配區(qū)域C,此時(shí)wr=wt=wc、hr=ht=hc。對(duì)于基準(zhǔn)DEM比例尺比待匹配DEM大的情況,只需要將上述過(guò)程中減小搜索模板區(qū)域T寬高wt、ht的操作變?yōu)樵龃蠹纯伞?/p>
如表2所示,雖然以第i類矩形特征模板為原型的矩形特征數(shù)目眾多,但由于不同的待匹配DEM具有不同的特征(DEM的特征主要體現(xiàn)為山頂點(diǎn)、谷底點(diǎn)、山脊線、山谷線和鞍部等),特征類型、特征數(shù)量及特征位置都不相同,不像人臉、虹膜等有類型、數(shù)量和位置都相對(duì)固定的特征,因此,這里只選取覆蓋區(qū)域與模板區(qū)域T相重合的那個(gè)矩形特征,即矩形特征的尺寸滿足條件m*wrf=wt且n*hrf=ht(其中,wrf、hrf為第i類矩形特征模板的寬高,m、n為正整數(shù))。
圖1 DEM圖像模糊匹配與二分類問(wèn)題Fig.1 The relationship between fuzzy matching of DEMimage and two-category
1.3BRFSI的計(jì)算
計(jì)算圖像相似度指標(biāo)BRFSI的關(guān)鍵是求矩形特征的值,Paul Viola和Michael Jones[7-8]將積分圖引入矩形特征的計(jì)算,使得可以快速地在幾乎相同的時(shí)間內(nèi)完成任意尺寸和各種類型矩形特征值的計(jì)算。一幅圖像的積分圖擁有與該圖像相同的寬高,積分圖中某點(diǎn)p(x,y)的灰度值II(x,y)是原圖像中點(diǎn)(x,y)左上部分所有像元灰度值的累加和,若i(x,y)為原圖像上點(diǎn)(x,y)的灰度值,則II(x,y)的值如式(3)所示。
(3)
圖2 矩形特征值計(jì)算示意圖Fig.2 Diagram of calculating the value of rectangle feature(a)原圖像;(b)積分圖
如圖 2所示,以表 1中a類矩形特征值f(x1)的計(jì)算為例,若sum(A)表示原圖像中A區(qū)域所有像元灰度值之和(對(duì)區(qū)域B、C、D、E、F也依次類推),II(i)(i=1,2,…,6)表示積分圖中點(diǎn)i的灰度值,則有:
f(x1)=sum(D)- sum(F)
又
sum(D)=II(4)- II(3)- sum(B)
sum(F)=II(6)- II(5)-(sum(B) + sum(D))
sum(B)=II(2)- II(1)
sum(B) + sum(D)=II(4)- II(3)
sum(D)=II(4)- II(3)-(II(2)- II(1))
整理可得
f(x1)=II(1)-II(2)- 2*II(3) + 2*II(4) + II(5)-II(6),只需從積分圖中取出點(diǎn)i(i=1,2,…,6)的灰度值,即可快速計(jì)算f(x1)的值。
2基于BRFSI的模糊匹配模型
在前面提出了基于矩形特征值的匹配圖像相似度指標(biāo)BRFSI,且只選取覆蓋區(qū)域與模板區(qū)域T相重合的那個(gè)矩形特征,則對(duì)于重采樣區(qū)域R與模板區(qū)域T是否匹配的每次判斷操作,都可以計(jì)算出這兩個(gè)區(qū)域的包含五個(gè)值的一組圖像相似度指標(biāo)(BRFSI1,BRFSI2,BRFSI3,BRFSI4,BRFSI5),但是僅有這幾個(gè)指標(biāo)還不能判斷區(qū)域R與T是否匹配,這里采用Gentle AdaBoost算法來(lái)建立“匹配”與“非匹配”的判別模型。
2.1Gentle AdaBoost算法
AdaBoost算法最早由Yoav Freund和Robert E.Schapire[17-18]提出,其核心思想是對(duì)同一個(gè)訓(xùn)練樣本集,經(jīng)過(guò)多次循環(huán)迭代訓(xùn)練出若干個(gè)不同的弱分類器(弱分類器是指分類錯(cuò)誤率僅比隨機(jī)猜測(cè)稍低的分類器,也即分類錯(cuò)誤率稍低于50%),然后按一定的規(guī)則將弱分類器組合成分類正確率很高的強(qiáng)分類器。該算法在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘以及識(shí)別和分類等領(lǐng)域發(fā)揮了重要作用[19],經(jīng)不斷研究和改進(jìn),目前主要有Discrete AdaBoost、Real AdaBoost、Gentle AdaBoost等不同形式[20],Rainer Lienhart等[21]人對(duì)幾種主要形式的AdaBoost算法進(jìn)行了對(duì)比,證明Gentle AdaBoost通常比前兩種形式的算法表現(xiàn)更好,可以有效地避免過(guò)擬合現(xiàn)象(即為了對(duì)訓(xùn)練所使用的樣本數(shù)據(jù)得到較好的分類結(jié)果而訓(xùn)練過(guò)度,反而導(dǎo)致分類器對(duì)現(xiàn)實(shí)數(shù)據(jù)分類能力較差),因此,作者選擇Gentle AdaBoost來(lái)訓(xùn)練“匹配”與“非匹配”的分類器。Gentle AdaBoost算法流程如下[20,22]:
1)給定一個(gè)訓(xùn)練樣本集
{(x1,y1),(x2,y2),…,(xn,yn)}(n為樣本個(gè)數(shù)),xi為第i個(gè)樣本,yi∈{-1,1},yi=-1表示該樣本為負(fù)樣本(非匹配),yi=1表示該樣本為正樣本(匹配)。
2)對(duì)訓(xùn)練集中的每個(gè)樣本,初始化其權(quán)重為wi=1/n(i=1,2,…,n,n為樣本個(gè)數(shù))。
弱分類器Fm(x)的定義為:
(i=1,2,…,n)
(4)
在已確定權(quán)重分布的情況下,訓(xùn)練弱分類器的算法如下:
1)若M為圖像相似度指標(biāo)個(gè)數(shù)(本文中M=5),n為正樣本與負(fù)樣本總個(gè)數(shù)。
2)循環(huán),for m=1,2,…,M,①若BRFSI[n]用于存儲(chǔ)所有樣本在當(dāng)前圖像相似度指標(biāo)下的值,θ表示當(dāng)前圖像相似度指標(biāo)的分類閾值,SquareError為當(dāng)前圖像相似度指標(biāo)對(duì)該訓(xùn)練樣本集在當(dāng)前權(quán)重分布情況下的最小加權(quán)均方誤差,并初始化SquareError為最大的浮點(diǎn)數(shù);②對(duì)BRFSI[n]從小到大排序;③循環(huán),forj=1,2,…,n;
c)if(LeftError + RightError) ·SquareError=(LeftError+RightError), ·θ=BRFSI[j], ·α1=LeftConfidence, ·α2=RightConfidence; 3)挑選加權(quán)均方誤差SquareError最小的圖像相似度指標(biāo),并保存對(duì)應(yīng)的α1、α2和θ。 2.2訓(xùn)練樣本數(shù)據(jù) Gentle AdaBoost算法需要有大量的樣本數(shù)據(jù)才能訓(xùn)練出可用性較強(qiáng)的分類器,為此這里收集了大量的正樣本(匹配樣本)和負(fù)樣本(非匹配樣本),與一般情況下訓(xùn)練樣本為單個(gè)圖像不同,這里的樣本是指圖像對(duì)(待匹配圖像與基準(zhǔn)圖像)中的區(qū)域R和T(R為待匹配圖像重采樣后的區(qū)域,T為基準(zhǔn)圖像上的搜索模板區(qū)域,R應(yīng)與T具有相同尺寸)。由于區(qū)域T的位置和尺寸是不斷變化的,因此,對(duì)同一對(duì)待匹配圖像與基準(zhǔn)圖像有可能存在多對(duì)區(qū)域R和T,對(duì)于每對(duì)區(qū)域R和T,都可以計(jì)算出這兩個(gè)區(qū)域的包含五個(gè)值的一組圖像相似度指標(biāo)(BRFSI1,BRFSI2,BRFSI3,BRFSI4,BRFSI5)。為了保證訓(xùn)練出的分類器的可用性和有效性,這里搜集了正樣本6 072個(gè),負(fù)樣本29 400個(gè),樣本的具體信息如表 3所示。 表 3 訓(xùn)練樣本集數(shù)據(jù)信息Tab.3 Information of training samples 對(duì)當(dāng)前訓(xùn)練樣本集中的正樣本與負(fù)樣本數(shù)據(jù)分別進(jìn)行統(tǒng)計(jì)分析,可以繪制出每個(gè)基于矩形特征的圖像相似度指標(biāo)的概率分布曲線圖,如圖 3所示。圖 3中的a、b、c、d、e分別為圖像相似度指標(biāo)BRFSI1、BRFSI2、BRFSI3、BRFSI4、BRFSI5的概率分布曲線圖,圖中的橫軸為圖像相似度指標(biāo)的值,縱軸為概率值,每個(gè)圖中從左邊起第一條垂直虛線標(biāo)注了該類圖像相似度指標(biāo)的正樣本最大值(以Positive_Max表示),最右邊的垂直實(shí)線標(biāo)注了該類圖像相似度指標(biāo)的負(fù)樣本最大值(以Negative_Max表示)。為了充分展示正樣本的概率分布曲線,繪圖時(shí)作者對(duì)橫軸0~Positive_Max之間的部分進(jìn)行了拉伸,如果將該部分與Positive_Max~Negative_Max部分按同比例繪制,則正樣本的概率分布曲線會(huì)聚集在垂直軸的左側(cè)而無(wú)法對(duì)正負(fù)樣本概率分布曲線進(jìn)行對(duì)比。 從圖 3中可以看出,對(duì)于任意一個(gè)圖像相似度指標(biāo),負(fù)樣本的取值范圍都遠(yuǎn)遠(yuǎn)大于正樣本,正樣本的值都集中分布在大于零的很窄的范圍內(nèi),而負(fù)樣本的值相對(duì)來(lái)說(shuō)分布較分散,且位于距離零較遠(yuǎn)的區(qū)域,因此這五個(gè)圖像相似度指標(biāo)對(duì)正負(fù)樣本都有較好的區(qū)分性能。對(duì)每個(gè)圖像相似度指標(biāo),將正負(fù)樣本數(shù)據(jù)聯(lián)合后排序,找出使分類錯(cuò)誤率最低(正樣本被錯(cuò)分為負(fù)樣本的數(shù)目與負(fù)樣本被錯(cuò)分為正樣本的數(shù)目之和最小)的元素作為分類閾值,可得單個(gè)圖像相似度指標(biāo)的分類性能,(表 4)。由表4可以看出,BRFSI4的分類性能最好,正確率高達(dá)95.6 %,而B(niǎo)RFSI5的分類性能最差,正確率只有89.01 %,且多達(dá)2 207個(gè)正樣本被錯(cuò)分,正樣本被錯(cuò)分率高達(dá)6.22 %。 圖3 基于矩形特征的圖像相似度指標(biāo)概率分布曲線圖Fig.3 Probability distribution curve of similarity indicators based on rectangle features(a)BRFSI1;(b)BRFSI2;(c)BRFSI3;(d)BRFSI4;(e)BRFSI5 閾值正樣本錯(cuò)分個(gè)數(shù)負(fù)樣本錯(cuò)分個(gè)數(shù)正樣本錯(cuò)分率/%負(fù)樣本錯(cuò)分率/%正確率/%BRFSI15.113141814184.04.092.0BRFSI27.5863137816353.884.6191.51BRFSI311.173432512580.913.5595.54BRFSI411.051245411051.283.1295.60BRFSI52.7714220716916.224.7789.01 2.3匹配模型 按2.1節(jié)中的方法訓(xùn)練出用于判定“匹配”與“非匹配”的分類器并制定匹配的流程,就建立了用于模糊匹配的匹配模型。對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練后首先可得五個(gè)弱分類器,參數(shù)見(jiàn)表 5。表5中的圖像相似度指標(biāo)按訓(xùn)練過(guò)程中被挑選為最佳弱分類器的順序由前向后依次排列,其正確率是指弱分類器按照參數(shù)α1、α2和θ對(duì)樣本數(shù)據(jù)進(jìn)行分類的正確率。對(duì)比表 4和表 5可以看出,圖像相似度指標(biāo)在訓(xùn)練過(guò)程中被挑選為最佳弱分類器的順序與該指標(biāo)的分類性能一致,分類性能越好,越早被挑選出來(lái)。 對(duì)表 5中的弱分類器按Gentle AdaBoost算法聯(lián)合為強(qiáng)分類器,如表 6所示。由表 6可知,隨弱分類器個(gè)數(shù)增加,強(qiáng)分類器分類正確率不斷增長(zhǎng),五個(gè)弱分類器構(gòu)成的最終強(qiáng)分類器的理論分類正確率高達(dá)99.08 %。采用Gentle AdaBoost算法訓(xùn)練得到“匹配”與“非匹配”的強(qiáng)分類器后,在基準(zhǔn)DEM中搜索與待匹配DEM相匹配的檢出區(qū)域的流程如圖 4所示,若匹配結(jié)束時(shí)檢出區(qū)域C個(gè)數(shù)不為零,則以所有區(qū)域C的平均地理位置作為待匹配DEM的概略地理位置,否則匹配失敗。 表5 弱分類器參數(shù)Tab.5 Parameters of weak classifiers 表 6 按Gentle AdaBoost算法聯(lián)合成的強(qiáng)分類器Tab.6 The strong classifier obtained by combining weak classifiers using Gentle AdaBoost algorithm 3匹配模型驗(yàn)證 作者通過(guò)對(duì)DEM進(jìn)行模糊匹配來(lái)確定待匹配DEM的概略空間位置,因此,統(tǒng)計(jì)時(shí)以實(shí)際正確匹配區(qū)域尺寸的1/10為標(biāo)準(zhǔn),將位置偏離超過(guò)該標(biāo)準(zhǔn)的檢出區(qū)域才認(rèn)為是非匹配區(qū)域誤檢為匹配區(qū)域。由于最終是以所有檢出區(qū)域的平均地理位置作為待匹配DEM的概略地理位置,非匹配區(qū)域誤檢為匹配區(qū)域會(huì)導(dǎo)致計(jì)算出的待匹配DEM的概略地理位置出現(xiàn)較大偏差,在對(duì)匹配模型進(jìn)行驗(yàn)證時(shí)作者統(tǒng)計(jì)了非匹配區(qū)域誤檢個(gè)數(shù)和非匹配區(qū)域誤檢率,并以此作為衡量匹配模型優(yōu)劣的參考。 圖4 DEM圖像模糊匹配流程Fig.4 Flowchart of fuzzy matching of DEMimage 以天宮廟某礦區(qū)DEM為例,待匹配DEM寬高為(67,46),基準(zhǔn)DEM寬高為(800,750),搜索模板區(qū)域T初始尺寸設(shè)置為與待匹配DEM一致,對(duì)基準(zhǔn)DEM圖像進(jìn)行四次遍歷的統(tǒng)計(jì)數(shù)據(jù)如表 7所示。表 7中第五列為直接用2.3的匹配模型進(jìn)行匹配的非匹配區(qū)域誤檢個(gè)數(shù),第六列為該次實(shí)驗(yàn)的實(shí)際非匹配區(qū)域誤檢率,可以看出與理論非匹配區(qū)域誤檢率(也即負(fù)樣本錯(cuò)分率) 0.33 %基本一致。雖然強(qiáng)分類器的負(fù)樣本錯(cuò)分率只有0.33 %,但是由于每次遍歷過(guò)程中要進(jìn)行許多次 “匹配”與“非匹配”的判別,一次遍歷的非匹配區(qū)域誤檢個(gè)數(shù)一般都在103量級(jí)甚至更多。為了減少非匹配區(qū)域誤檢個(gè)數(shù),作者提高了“匹配”區(qū)域的判定條件,將被判定為“匹配”的區(qū)域四等分,對(duì)等分后的每塊區(qū)域再進(jìn)行一次判定,若四塊區(qū)域中有三個(gè)以上仍被判定為“匹配”,才將原區(qū)域判定為一個(gè)檢出區(qū)域。仍以該礦區(qū)DEM為例,按改進(jìn)后的方法進(jìn)行四次遍歷的非匹配區(qū)域誤檢個(gè)數(shù)及誤檢率分別如表 7中的第八列和第九列所示,可見(jiàn)改進(jìn)后的方法有效地避免了將非匹配區(qū)域誤檢為匹配區(qū)域。改進(jìn)前后檢出區(qū)域?qū)Ρ刃Ч鐖D 5所示,圖5中白色矩形為檢出區(qū)域,紅色矩形為實(shí)際正確匹配區(qū)域。 作者選取具有代表性的數(shù)據(jù)對(duì)改進(jìn)后的匹配模型進(jìn)行了驗(yàn)證,驗(yàn)證結(jié)果統(tǒng)計(jì)數(shù)據(jù)如表 8所示,該表中第八列反映了每次試驗(yàn)的非匹配區(qū)域誤檢情況。表 8中的序號(hào)1代表了待匹配DEM面積較小特征點(diǎn)不足且與基準(zhǔn)DEM分辨率差異較大(3倍)的數(shù)據(jù),序號(hào)2代表了待匹配DEM與基準(zhǔn)DEM之間存在旋轉(zhuǎn)(旋轉(zhuǎn)角為8°)且分辨率差異較大(4倍)的數(shù)據(jù),序號(hào)3代表了待匹配DEM與基準(zhǔn)DEM之間存在旋轉(zhuǎn)(旋轉(zhuǎn)角為8°)但分辨率差異較小(2倍)的數(shù)據(jù),序號(hào)4代表了待匹配DEM面積較大且與基準(zhǔn)DEM分辨率差異較小的數(shù)據(jù)。圖 6中(a)、(b)、(c)、(d)依次為表 8中序號(hào)1、2、3、4的匹配驗(yàn)證結(jié)果,每個(gè)小圖的左上角白框內(nèi)為待匹配DEM,右上角白框內(nèi)為基準(zhǔn)DEM中的正確匹配區(qū)域。由圖 6可見(jiàn),作者提出的匹配模型對(duì)待匹配DEM面積較小特征點(diǎn)不足、待匹配DEM與基準(zhǔn)DEM之間存在輕微旋轉(zhuǎn)(小于8°)、待匹配DEM與基準(zhǔn)DEM分辨率差異較大(4倍)和較小(1.2倍)的幾種典型情況都取得了良好的匹配效果。 表 7 天宮廟某礦區(qū)DEM圖像模糊匹配驗(yàn)證結(jié)果Tab.7 Fuzzy matching verification result of A tiangongmiao mine’s DEMimgae 圖5算法改進(jìn)前后檢出區(qū)域?qū)Ρ菷ig.5 Comparison on selected areas before and after improving the algorithm(a)算法改進(jìn)前檢出區(qū)域;(b)算法改進(jìn)后檢出區(qū)域 序號(hào)待匹配DEM分辨率/m待匹配DEM面積/km2基準(zhǔn)DEM分辨率/m基準(zhǔn)DEM面積/km2匹配判別次數(shù)匹配區(qū)域檢出個(gè)數(shù)非匹配區(qū)域誤檢個(gè)數(shù)非匹配區(qū)域誤檢率/%耗時(shí)/s1.10.00.462530207.994545750930.006611.322.7.52.423930160.859729401300.000022.203.15.03.796330242.81145293300.000039.254.25.07.629330271.65663279300.000081.59 對(duì)同樣的實(shí)驗(yàn)數(shù)據(jù),使用基于改進(jìn) SURF 算子的特征點(diǎn)匹配方法進(jìn)行驗(yàn)證,結(jié)果如表 9所示。表 9中各行所用實(shí)驗(yàn)數(shù)據(jù)與表 8中各行依次對(duì)應(yīng)。由表 9可知,除了序號(hào)4對(duì)應(yīng)的汶川某礦區(qū)因待匹配DEM面積較大特征點(diǎn)較多且與基準(zhǔn)DEM分辨率差異較小而匹配成功,特征點(diǎn)匹配方法對(duì)其他數(shù)據(jù)的驗(yàn)證均未成功。 圖6 改進(jìn)后匹配模型對(duì)四種典型數(shù)據(jù)的驗(yàn)證結(jié)果Fig.6 Verification result of the improved matching model on four typical data(a)小坪溝某礦DEM匹配驗(yàn)證結(jié)果;(b)撒??车VDEM匹配驗(yàn)證結(jié)果;(c)朱窩子某礦DEM匹配驗(yàn)證結(jié)果;(d)汶川某礦DEM匹配驗(yàn)證結(jié)果 序號(hào)待匹配DEMSURF特征點(diǎn)/個(gè)正確匹配區(qū)域SURF特征點(diǎn)/個(gè)正確匹配點(diǎn)對(duì)/對(duì)匹配判別次數(shù)耗時(shí)/s匹配成功1.40072785.82否2.204010571.69否3.51907841.48否4.14846491.66是 4結(jié)論 根據(jù)五種基本類型的矩形特征,作者提出了五種新的基于矩形特征值的匹配圖像相似度指標(biāo)BRFSI(i=1,2,…,5),搜集整理了包含6 072個(gè)正樣本和29 400個(gè)負(fù)樣本的訓(xùn)練樣本數(shù)據(jù)集,通過(guò)對(duì)訓(xùn)練樣本數(shù)據(jù)集的統(tǒng)計(jì)分析得到了五種圖像相似度指標(biāo)各自的分類性能(分類正確率高達(dá)89.01%~95.6%),使用Gentle AdaBoost算法在該樣本數(shù)據(jù)集上訓(xùn)練得到了“匹配”與“非匹配”的判別模型(判別模型理論判別正確率高達(dá)99.08 %)。由四種典型數(shù)據(jù)的驗(yàn)證結(jié)果來(lái)看,這里的模糊匹配模型很好地解決了無(wú)空間參考DEM匹配中因特征點(diǎn)不足或匹配DEM間相似度較低而匹配失敗的問(wèn)題,為圖像模糊匹配和無(wú)空間參考DEM空間位置確定提供了一種新的方法技術(shù)。雖然該研究是在無(wú)空間參考DEM定位困難的背景下進(jìn)行的,但是基于矩形特征的模糊匹配方法也適用于常規(guī)圖像的模糊匹配。 然而,作者提出的匹配方法需要在基準(zhǔn)DEM圖像中不斷變換模板區(qū)域的尺寸并移動(dòng)其位置進(jìn)行大量“匹配”與“非匹配”的判別,才能找出正確匹配區(qū)域,當(dāng)基準(zhǔn)DEM圖像尺寸較大時(shí),搜索過(guò)程耗時(shí)將大大增加。如何在兼顧匹配正確率的前提下,大幅度降低搜索過(guò)程耗時(shí)是以后還需要深入研究。另外,由于矩形特征是針對(duì)圖像處理問(wèn)題而提出的,這里的算法只適用于圖像形式的規(guī)則格網(wǎng)DEM,其他表示形式的DEM可以轉(zhuǎn)化為圖像形式的規(guī)則格網(wǎng)DEM后再運(yùn)用該算法。 參考文獻(xiàn): [1]ROSENHOLM D,TORELEGARD K.Three dimensional Absolute Orientation of Stereo Models Using Digital Elevation Models[J].Photogrammetric Engineering and Remote Sensing,1988,54(10):1385-1389. [2]ZHINLIN LI,ZHU XU,MINYI CEN,et al.Robust Surface Matching for Automated Detection of Local Deformations Using Least-Median-of-Squares Estimator [J].Photogram- metric Engineering and Remote Sensing,2001,67(11):1283-1292. [3]張同剛,岑敏儀,馮義從,等.采用截尾最小二乘估計(jì)的DEM匹配方法[J].測(cè)繪學(xué)報(bào),2009,38(2):144-151. ZHANG T G,CEN M Y,FENG Y C,et al.DEMMatching Algorithm Using Least Trimmed Squares Estimator[J].Acta Geodaetica et Cartographica Sinica,2009,38(2):144-151.(In Chinese) [4]楊容浩.無(wú)控制DEM匹配算法性能比較與改進(jìn)研究[D].成都:西南交通大學(xué),2012. YANG R H.The Research on Performance Comparison and Improvement of DEMMatching Algorithms Without Ground Control Point[D].Chengdu:Southwest Jiaotong University,2012.(In Chinese) [5]吳曉萍,楊武年,佘金星,等.等高線與地形特征點(diǎn)云在礦山位置快速定位中的應(yīng)用[J].科學(xué)技術(shù)與工程,2014,14(28):247-251. WU X P,YANG W N,SHE J X,et al.Application of Contour and Terrain Feature Point Cloud to Mine Location Quickly [J].Science Technology and Engineering,2014,14(28):247-251.(In Chinese) [6]佘金星,楊武年,吳曉萍,等.基于SURF算法的無(wú)坐標(biāo)礦山空間位置匹配方法[J].國(guó)土資源科技管理,2014,31(6):103-109. SHE J X,YANG W N,WU X P,et al.Matching Method for No-Coordinate Mining Space Position Based on SURF Algorithm [J].Scientific and Technological Management of Land and Resources,2014,31(6):103-109.(In Chinese) [7]PAUL VIOLA,MICHAEL J.JONES.Robust Real-time Object Detection[J].International Journal of Computer Vision,2004,57(2):137-154. [8]PAUL VIOLA,MICHAEL J.JONES.Rapid Object Detection using a Boosted Cascade of Simple Features[C].Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2001,1:511-518. [9]孟慶濤.基于Haar特征概率分布與SVM的人臉檢測(cè)[D].上海:華東師范大學(xué),2008. MENG Q T.Face Detection Based on Haar-Feature Probability Distribution and SVM [D].Shanghai:East China Normal University,2008.(In Chinese) [10]PAUL VIOLA,MICHAEL J.JONES.Robust Real-Time Face Detection [J].International Journal of Computer Vision 2004,57(2):137-154. [11]QING CHEN,NICOLAS D.GEORGANAS,EMIL M.PETRIU.Hand Gesture Recognition Using Haar-Like Features and a Stochastic Context-Free Grammar[J].IEEE Transactions on Instrumentation and Measurement.2008,57(8):1562-1571. [12]文學(xué)志,方巍,鄭鈺輝.一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識(shí)別算法[J].電子學(xué)報(bào),2011,39(5):1121-1126. WEN X Z,FANG W,ZHENG Y H.An Algorithm Based on Haar-Like Features and Improved AdaBoost Classifier for Vehicle Recognition[J].Acta Electronica Sinica,2011,39(5):1121-1126.(In Chinese) [13]金立生,王巖,劉景華,等.基于Adaboost算法的日間前方車輛檢測(cè)[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2014,44(6):1604-1608. JIN L S,WANG Y,LIU J H,et al.Front Vehicle Detection Based on Adaboost Algorithm in Datime [J].Journal of Jilin University:Engineering and Technology Edition,2014,44(6):1604-1608.(In Chinese) [14]陳瑞,林喜榮,丁天懷.基于AdaBoost算法的快速虹膜檢測(cè)與定位[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版,2008,48(11):1923-1926. CHEN R,LIN X R,DING T H.High-speed Iris Detection and Localization Based on AdaBoost Algorithm[J].Journal of Tsinghua University(Science and Technology),2008,48(11):1923-1926.(In Chinese) [15]LIENHART,R.,MAYDT,J..An Extended Set of Haar-like Features for Rapid Object Detection[C].Proceedings of the International Conference on Image Processing,2002.1:900-903. [16]NASER EL-SHEIMY,CATERINA VALEO,AYMAN HABIB.Digital Terrain Modeling:Acquisition,Manipulation,and Applications [M].Artech House,INC.,2005. [17]YOAV FREUND,ROBERT E.Schapire.Experiments with a new boosting algorithm[C].Machine Learning:Proceedings of the Thirteenth International Conference,1996,148- 156. [18]YOAV FREUND,ROBERT E.Schapire.A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting[J].Journal of Computer and System Sciences,1997,55(1):119-139. [19]曹瑩,苗啟廣,劉家辰,等.AdaBoost 算法研究進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào),2013,39(6):745-758. CAO Y,MIAO Q G,LIU J C,et al.Advance and Prospects of AdaBoost Algorithm[J].Acta Automatica Sinica,2013,39(6):745-758.(In Chinese) [20]JEROME FRIEDMAN,TREVOR HASTIE,ROBERT TIBSHIRANI.Additive logistic regression:a statistical view of boosting[J].The Annals of Statistics,2000,28(2):337-407. [21]RAINER LIENHART,ALEXANDER KURANOV,VADIM PISAREVSKY.Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection[C].Pattern Recognition,Lecture Notes in Computer Science.2003,297-304. [22]曹二奎.基于Gentle Adaboost的人臉檢測(cè)算法研究[D].西安:西安電子科技大學(xué),2013. CAO E K.Research on Face Detection Algorithm Based on Gentle Adaboost[D].Xian:Xidian University,2013.(In Chinese) Fuzzy matching of DEMimage without spatial reference based on rectangle features YANG Yan-tong,YANG Wu-nian,SHI Lei,WU Xiao-ping,SHE Jin-xing (Key Laboratory of Geoscience Spatial Information Technology,Ministry of Land and Resources of the P.R.China,Chengdu University of Technology,Chengdu610059,China) Abstract:One of the key technologies of DEMapplication is multi-source,multi-temporal and multi-scale DEMmatching.The existing DEMmatching technologies usually fail when DEMis matched without spatial reference because of the insufficient feature points or the vast differences of resolution,terrain features and some others.Therefore,the method,fuzzy matching of DEMwithout spatial reference based on rectangle features,is proposed in this paper.First,five images similarity indicators were constructed based on rectangle features and then the statistical analysis was used respectively in every indicator’s classification performance.Second,the classifier,to discriminate whether matched or not,was obtained after using Gentle AdaBoost algorithm training massive samples.Finally,a model of DEMimage fuzzy matching was established.The method used in this paper shows a capability in solving two difficult problems,the lack of feature points when DEMis matched without spatial reference and low similarity between DEMdata,by verifying of four typical data.All these above may provide precise DEMmatching a fine initial condition. Key words:rectangle features;DEMwithout spatial reference;Gentle AdaBoost algorithm;classifier;imagefuzzy matching 收稿日期:2015-10-10改回日期:2015-11-05 基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(批準(zhǔn)號(hào):41372340);國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(KLGSIT2014-05) 作者簡(jiǎn)介:楊彥通(1987-),男,碩士,主要研究方向?yàn)閿?shù)字圖像處理與遙感地學(xué)分析,E-mail:yytcdut@163.com。*通信作者:楊武年(1954-),男,博導(dǎo),主要從事3S技術(shù)及地學(xué)應(yīng)用科研與教學(xué),E-mail:ywn@cdut.edu.cn。 文章編號(hào):1001-1749(2016)02-0264-11 中圖分類號(hào):TP 79 文獻(xiàn)標(biāo)志碼:A DOI:10.3969/j.issn.1001-1749.2016.02.19