霍門(mén)婕，范大昭，董 楊

(信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001)

在遙感和對(duì)地觀測(cè)領(lǐng)域，隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，人類(lèi)對(duì)地球的綜合觀測(cè)能力達(dá)到空前水平[1]。多平臺(tái)、多傳感器、多時(shí)相的海量遙感衛(wèi)星影像，為我國(guó)及世界提供了日益豐富的數(shù)據(jù)資源。然而，海量規(guī)模的大數(shù)據(jù)已遠(yuǎn)超出傳統(tǒng)信息處理系統(tǒng)的處理能力，并且各型號(hào)遙感衛(wèi)星未能兼顧其他衛(wèi)星型號(hào)的技術(shù)要求。因此，有必要發(fā)展可行、高效的針對(duì)遙感衛(wèi)星影像的大數(shù)據(jù)處理技術(shù)[2]。現(xiàn)階段，針對(duì)多型號(hào)遙感衛(wèi)星探測(cè)獲取的海量大差異遙感數(shù)據(jù)缺乏高效聯(lián)合處理手段，難以真正實(shí)現(xiàn)基于多星影像數(shù)據(jù)的異源匹配。如何充分利用多星影像自身特點(diǎn)，結(jié)合可編程圖形硬件，設(shè)計(jì)高效影像匹配算法，實(shí)現(xiàn)多星影像數(shù)據(jù)高精度聯(lián)合定位是當(dāng)前面臨的重大挑戰(zhàn)。開(kāi)展異源遙感衛(wèi)星影像匹配技術(shù)研究具有較為重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

基于此，本文設(shè)計(jì)了一套面向異源多分辨率衛(wèi)星影像的匹配流程，并在異源多分辨率遙感衛(wèi)星影像數(shù)據(jù)集的支持下，進(jìn)行多組特征提取與匹配算法的對(duì)比試驗(yàn)，得到較好的匹配方案[3]。

1 異源多分辨率衛(wèi)星影像匹配流程

1.1 特征提取與匹配算法

衛(wèi)星影像上存在的灰度不連續(xù)的點(diǎn)，或局部影像上灰度出現(xiàn)突然變化的點(diǎn)，稱(chēng)為特征點(diǎn)。將這些有較大信息量的特征點(diǎn)從影像中提取出來(lái)稱(chēng)為特征提取?，F(xiàn)階段常用的幾種特征提取算法有：SIFT(scale invariant feature transform)[4]、SURF(speeded up robust features)[5]、KAZE[6]、AKAZE(accelerated KAZE)[7]、ORB(oriented fast and rotated BRIEF)[8]、BRISK(binary robust invariant scalable key-points)[9]等特征提取與描述算子。

得到影像特征后，即可進(jìn)行特征匹配。特征匹配算法一般分為兩個(gè)步驟：一是相似性測(cè)度確定；二是搜索策略確定。相似性測(cè)度是度量特征描述符間相似性程度的定量指標(biāo)，常用的相似性測(cè)度有歐氏距離、漢明距離、曼哈頓距離等。針對(duì)空間尺度描述符的復(fù)雜性，現(xiàn)多采用暴力搜索算法(brute force，BF)[10]、近似最近鄰算法(approximate nearest neighbor，ANN)[11]等策略進(jìn)行影像特征的匹配搜索。

衛(wèi)星影像匹配特征通常存在一定數(shù)量的噪聲，因此特征點(diǎn)對(duì)的匹配提純至關(guān)重要，本文主要介紹RANSAC匹配提純算法[3]。RANSAC算法可以從一組數(shù)據(jù)集中通過(guò)迭代的方式獲取最合適的數(shù)學(xué)模型參數(shù)，其基本假設(shè)是：數(shù)據(jù)集的分布可以用一些模型參數(shù)來(lái)解釋?zhuān)瑵M足該模型的點(diǎn)稱(chēng)為內(nèi)點(diǎn)，因噪聲極值等原因不能適應(yīng)該模型的外點(diǎn)將被剔除。RANSAC改進(jìn)算法主要針對(duì)兩個(gè)方面進(jìn)行優(yōu)化：一是提純速度優(yōu)化，如R-RANSAC(randomized RANSAC)[11-12]等；二是匹配提純率優(yōu)化[13]，如M-RANSAC(multi RANSAC)[14]等。

1.2 ROC曲線

為進(jìn)行客觀有效的算法對(duì)比，本文設(shè)計(jì)了一種基于RANSAC閾值變化的ROC曲線評(píng)判方法，對(duì)每種算法的適用情況進(jìn)行評(píng)估。ROC曲線是以FPR(false positive rate)為橫坐標(biāo)，TPR(true positive rate)為縱坐標(biāo)所繪制的曲線。ROC曲線越靠近左上角越準(zhǔn)確，最靠近左上角的點(diǎn)就是正確率最高的閾值選擇。ROC曲線參數(shù)見(jiàn)表1。

表1 ROC曲線參數(shù)

TPR、FPR計(jì)算公式分別為

(1)

(2)

傳統(tǒng)的ROC曲線取值是以每點(diǎn)的概率值為基礎(chǔ)，變換不同的閾值得到多組ROC曲線點(diǎn)對(duì)。針對(duì)衛(wèi)星影像匹配結(jié)果，設(shè)計(jì)利用不同的RANSAC閾值，從而得到不同的ROC曲線點(diǎn)，用于表征匹配算法的性能。

1.3 異源多分辨率衛(wèi)星影像匹配流程

基于以上的特征提取、匹配與提純算法，本文設(shè)計(jì)了一套衛(wèi)星影像的匹配流程，實(shí)現(xiàn)了較為豐富的特征點(diǎn)對(duì)穩(wěn)健提取。具體流程如下：①利用多種特征提取算子分別對(duì)衛(wèi)星影像進(jìn)行特征提取，并整合多種算子的特征提取結(jié)果，為隨后的影像匹配提供豐富的特征點(diǎn)；②利用衛(wèi)星影像的輔助參數(shù)進(jìn)行匹配約束；③進(jìn)行衛(wèi)星影像的匹配提純優(yōu)化，提取出正確、豐富的匹配點(diǎn)對(duì)，得到較好的衛(wèi)星影像匹配結(jié)果。具體匹配流程如圖1所示。

2 異源多分辨率衛(wèi)星影像匹配算法分析

2.1 特征點(diǎn)提取與匹配試驗(yàn)

本次試驗(yàn)的數(shù)據(jù)集為異源4顆衛(wèi)星的全色影像和多光譜影像兩組數(shù)據(jù)，具體的試驗(yàn)數(shù)據(jù)信息介紹見(jiàn)表2和表3。

表2 試驗(yàn)所用數(shù)據(jù)集

表3 試驗(yàn)方法

本試驗(yàn)在全色數(shù)據(jù)集中選取高分一號(hào)衛(wèi)星和資源三號(hào)02星的兩張同一地區(qū)、不同分辨率的典型異源影像進(jìn)行上述多種算法的匹配試驗(yàn)，記錄不同算法的試驗(yàn)耗時(shí)，并根據(jù)試驗(yàn)的結(jié)果統(tǒng)計(jì)匹配的正確率，具體試驗(yàn)數(shù)據(jù)見(jiàn)表4。

表4 試驗(yàn)結(jié)果信息統(tǒng)計(jì)

在本次試驗(yàn)范圍內(nèi)，以上算法在得到匹配點(diǎn)數(shù)量方面依次是：SURF+ANN、SURF+BF、KAZE+ANN、KAZE+BF，匹配結(jié)果正確率方面依次是：AKAZE+BF、KAZE+BF、KAZE+ANN、SIFT+BF；計(jì)算速度方面依次是：ORB+BF、AKAZE+BF、KAZE+BF、SURF+BF。

2.2 特征點(diǎn)對(duì)匹配提純?cè)囼?yàn)

本次試驗(yàn)使用的是高分一號(hào)衛(wèi)星和資源三號(hào)02星的兩張同一地區(qū)、不同分辨率的典型異源影像。KAZE+BF算法經(jīng)過(guò)匹配提純后的效果如圖2所示。

不同的RANSAC閾值對(duì)后期匹配的正確率有較大的影響，對(duì)不同的8種組合算法分別試用不同的閾值，試驗(yàn)檢測(cè)出每種組合算法對(duì)于不同閾值的適用情況，得到適用于異源多分辨率衛(wèi)星影像匹配的優(yōu)化組合算法和閾值。部分試驗(yàn)結(jié)果如圖3所示。

由上述試驗(yàn)結(jié)果可知，RANSAC閾值越小匹配的正確率越高，但是由于RANSAC濾除了較多的匹配點(diǎn)，因此匹配得到的總點(diǎn)數(shù)不夠豐富，需要綜合考慮后決定RANSAC的閾值選擇。

基于RANSAC閾值的ROC曲線越接近于左上角，說(shuō)明直接匹配得到的特征點(diǎn)對(duì)具有較好的穩(wěn)健性，能夠適用于不同閾值下的RANSAC提純，表征出特征提取與匹配算法的優(yōu)良特性。

本次試驗(yàn)分別設(shè)置RANSAC閾值為：1.0、2.0、3.0、4.0，記錄并計(jì)算每種組合算法在對(duì)應(yīng)閾值下的TPR、FPR值，由本試驗(yàn)數(shù)據(jù)得到的ROC曲線如圖4所示。

ROC曲線直觀地反映了每種算法的閾值適用情況，從上至下分別為AKAZE+BF、KAZE+ANN、KAZE+BF、SIFT+BF這4種組合算法。將ROC曲線的效果按照從優(yōu)到劣的順序分別從8到1進(jìn)行打分，并綜合每種組合算法的匹配點(diǎn)數(shù)量、計(jì)算耗時(shí)、匹配的正確率這3種檢測(cè)指標(biāo)的統(tǒng)計(jì)結(jié)果，可以得到本次試驗(yàn)的綜合性能評(píng)估情況，見(jiàn)表5。

在本次試驗(yàn)范圍內(nèi)，綜合評(píng)估后得出匹配結(jié)果較好的算法有：AKAZE+BF、KAZE+BF、KAZE+ANN。

表5 8種算法綜合評(píng)判

2.3 異源多分辨率衛(wèi)星影像匹配試驗(yàn)與分析

本文在傳統(tǒng)特征提取與匹配算法的基礎(chǔ)上，綜合了SIFT、SURF、ORB這3種特征提取算子，將這3種算法分別提取的特征點(diǎn)整合后進(jìn)行匹配并提純，得到了相較原來(lái)更為豐富的匹配點(diǎn)對(duì)。本試驗(yàn)在多光譜數(shù)據(jù)集中選取高分一號(hào)衛(wèi)星和資源三號(hào)02星的兩張同一地區(qū)、不同分辨率的典型異源影像進(jìn)行上述的匹配試驗(yàn)，具體試驗(yàn)結(jié)果如圖5所示。

本次試驗(yàn)將SIFT、SURF、ORB 3種算子的特征提取結(jié)果整合后，利用BF算法進(jìn)行匹配搜索計(jì)算。由兩張異源遙感衛(wèi)星影像的特征點(diǎn)整合前后匹配效果對(duì)比可知，整合后得到的匹配點(diǎn)數(shù)量比僅利用一種特征提取算子得到的匹配點(diǎn)數(shù)量更多，效果更好。

如圖6所示，由4張異源遙感衛(wèi)星影像的特征點(diǎn)整合前后匹配效果對(duì)比可知，整合后得到的多張異源影像匹配點(diǎn)數(shù)量也較僅使用一種特征提取算子得到的匹配點(diǎn)數(shù)量更多，試驗(yàn)結(jié)果得到了有效的改進(jìn)。

3 結(jié) 語(yǔ)

本文主要針對(duì)異源多分辨率衛(wèi)星影像的匹配技術(shù)進(jìn)行研究，著力于實(shí)現(xiàn)多平臺(tái)、多傳感器、多時(shí)相、多角度衛(wèi)星影像的聯(lián)合匹配處理，以提高海量影像數(shù)據(jù)的利用率[15]。通過(guò)實(shí)現(xiàn)多種特征檢測(cè)與匹配算法的交叉組合，對(duì)比選擇得出適用于異源影像匹配的解決方案，針對(duì)多張異源多分辨率衛(wèi)星影像匹配點(diǎn)對(duì)較為稀疏的問(wèn)題，設(shè)計(jì)了一套衛(wèi)星影像匹配流程，得到了較為豐富的匹配結(jié)果。對(duì)匹配提純后的多組異源匹配方案結(jié)果進(jìn)行綜合分析，設(shè)計(jì)了一種基于RANSAC閾值的ROC曲線匹配性能評(píng)判方式，利用多種檢測(cè)指標(biāo)，對(duì)匹配結(jié)果進(jìn)行綜合評(píng)估。本文對(duì)于異源多分辨率衛(wèi)星影像匹配技術(shù)進(jìn)行了一定的基礎(chǔ)性研究，但是研究?jī)?nèi)容依然有待深化，應(yīng)進(jìn)一步提高匹配算法的適用性，使影像匹配點(diǎn)的分布更加均勻，優(yōu)化匹配計(jì)算速度，更高效地完成異源多分辨率衛(wèi)星影像的匹配。