CN101281645A - 基于小成分及噪声成分的多光谱图像配准方法 - Google Patents

Abstract

本发明提供的是一种基于小成分及噪声成分的多光谱图像配准方法。本发明首先对多光谱图像进行比例变换、区域选择、控制点选择等先期处理工作，然后利用传统方法在对多光谱图像进行初步配准的基础上，通过计算图像自相关矩阵或协方差矩阵特征值，利用最小的几个特征值来构造代价函数，再寻找代价函数的最小值，实现配准。本发明具有很好鲁棒性和精确性，不仅可以修正基于互信息、互相关等传统方法等方法的配准错误，也具有更高的配准精度。

Description

基于小成分及噪声成分的多光谱图像配准方法

(一)技术领域

本发明涉及一种用于进行多光谱图像配准的方法，属于计算机信息图像处理领域。

(二)背景技术

多光谱图像不但受到农、林、地质、矿产、环保等部门的重视，而且在军事上揭露伪装、增强目标的识别、发现新目标等方面也有广泛的用途。多光谱图像处理方法主要是利用多个波段的光谱信息同时进行处理，因而具有单波段相机无可比拟的优势。然而当外界存在震动、平台运动、背景运动等情况时，可能导致某些波段出现轻微失配现象，通过对多光谱图像处理算法的模拟可以发现，即使这种轻微的失配，也会对多光谱相机数据处理结果的性能产生严重的影响，因而需要一种可靠、高精度的多光谱图像配准方法。

配准是多种图像处理及应用的基础，其基本任务之一是用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多光谱图像进行(主要是几何意义上的)匹配。目前提出的图像配准算法大多可分为基于灰度的配准方法和基于特征的配准方法。同一物体在不同波段，其图像灰度值可能存在着比较大的差异，图像间的灰度不一致性给图像配准带来了很大困难。从已发表的文献和专利来看，现有的多光谱图像配准方法，都采用源图像和其他图像一一配准的方法，存在信息利用率低、配准精度低、可能出现错误判断等缺点。目前国际上多光谱图像配准的研究主要集中在互信息方法上。

互信息方法是以图像间互信息作为图像配准中的相似性测度，这种方法能够抵抗一些图像光谱特性的变化，因而在医学图像配准、遥感等领域得到了学者的普遍重视和广泛应用。基于互信息判断准则的图像配准方法适用范围广，具有较好的鲁棒性。但是，在一些图像间的配准过程中，应用该方法判断的最大值偏离正确的位置，即互信息判断准则可能会出现误判。

(三)发明内容

本发明的目的在于提供用于对初步配准后的图像配准进行修正与精细配准，提高配准精度的一种基于小成分及噪声成分的多光谱图像配准方法。

本发明的目的是这样实现的：

1、对多光谱图像进行比例变换、区域选择、控制点选择先期处理工作。

2、对多光谱图像进行初步配准。以某个波段图像作为参考图像，对其他图像一一进行配准，从而获得初步、简单配准的多光谱图像。

3、采用小成分及噪声成分方法对初步配准后的多光谱图像进行精确配准。

a、求取多光谱图像样本自相关矩阵或协方差矩阵、并计算其特征值。

b、以小成分和噪声成分对应的特征值构造代价函数。

c、计算某波段图像在不同位置的代价函数、寻找代价函数最优点，实现该图像配准调整。

d、对各个波段依次进行配准调整。

4、重复3，直到所有波段都满足约定条件时，配准调整结束。

本发明的优点如下：1.通过采用传统方法(如互信息方法)对多光谱图像进行初步配准处理，实现多数图像间的简单配准，既简化了后续的配准过程，也保证了小成分及噪声成分方法的有效性。2.采用传统方法的基础上，再采用小成分及噪声成分方法进行进一步的配准，可以提高多光谱图像配准的精确性和可靠性。3.以多光谱图像小成分及噪声成分构造代价函数作为确定图像移动大小或选取图像配准控制点的判断准则，不需要做特征提取等预处理，人机交互少，易于实现自动配准算法，并具有很好的鲁棒性。同时它利用多光谱图像的信息进行配准，其信息量丰富，图像配准结果显示它的配准精确性和可靠性好于互信息、互相关等传统方法。

(四)附图说明

图1是小成分及噪声成分方法对多光谱图像中某一波段图像进行配准的流程图；

图2是采用互信息方法对ETM卫星多光谱TM1波段和TM4波段一部分图像进行配准得到的计算机计算结果；(数据来源于：马里兰大学全球观测实验室与地理科学与资源研究所的联合实验室http://glcf.geodata.cn)

图3是本发明对图2中同一位置多波段图像进行配准处理得到的计算结果。

(五)具体实施方式

在多光谱相机实际使用中，可能存在平台运动、外界震动、背景运动等情况下，这导致了多光谱图像不同波段之间可能存在一定的偏移。其偏移具有整体刚性和偏移量小的特点，可以采用刚性变换模型对各波段图像进行配准。

下面结合附图举例对本发明做更详细地描述：

以ETM卫星TM1、TM2、TM3、TM4、TM5五个波段的图像数据为例，本发明的方法包括如下主要步骤：

1、对多光谱图像进行比例变换、区域选择、控制点选择等先期处理工作。

图像偏移具有整体刚性的特点，可以利用整幅图像配准，也可以选取某个区域进行搜索配准。这里我们选取TM1波段图像中心为控制点，利用其临域的数据进行配准。如果该区域只包含同一物质的像，如海洋等，须扩大该区域或更换控制点。当然，也可以通过选取多个控制点来提高配准精度。

2、对多光谱图像进行初步配准。

以TM1波段的图像为参考图像，采用传统的互信息方法，对其他多光谱图像进行配准，获得初步、简单配准的多光谱图像。计算机模拟结果表明，TM1、TM2、TM3、TM5波段间可以获得较好的配准结果。但是如图2，该图显示了TM4波段图像在(20，20)邻域上互信息函数曲面。可以看出，互信息函数变化量小，变化比较缓慢，不利于最优寻值。同时它的正确配准位置应该在(20，20)处，而计算结果显示互信息函数的最大值在(21，23)处，即互信息判断准则可出现误判。类似地，TM4波段图像与TM2、TM3、TM5波段图像的配准结果也存在类似的偏差。

3、采用小成分及噪声成分方法对初步配准后的多光谱图像进行配准修正和精确配准。

如图1所示，对多光谱图像的各个波段图像逐一进行配准调整。

a、选择配准对应点

图像的配准问题，实际上就是在图像行、列、旋转角度组成的搜索空间中寻找一个最佳匹配点。选择配准对应点就是根据搜索算法的要求在搜索空间选取某个点。

b、求取多光谱图像自相关矩阵或协方差矩阵并计算其特征值。

类似于多光谱线性混合光谱模型，建立多光谱图像的线性混合模型，多波段图像某一像素的也可以采用如下形式来表示：

$X=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{s}_k{a}_k+n=\mathrm{SA}+n$

式中：S_k是L×1维单位范数成分向量，不同种类的物体对应不同的S_k；a_k是相应的丰度；M是所包含成分的数目；L是波段的数目；n是由于模型不完善或噪声造成的误差矢量。

根据多光谱图像的线性混合模型，求取多光谱图像自相关矩阵、计算其特征值，并对特征值进行归一化处理。

b、以小成分和噪声成分对应的特征值构造代价函数。

为了求得搜索空间里函数的解，需要一种方法来衡量搜索空间里得到的不同点的对齐匹配的程度。这里以自相关矩阵最小的几个特征值，定义的代价函数进行评价。该代价函数可以取特征值之和、平方和或者加权平均等。对ETM卫星多光谱图像配准问题，简单地取自相关矩阵特征值最小的两位之和作为评价函数。

c、计算某个图像在不同位置的代价函数、寻找代价函数最优点，实现该图像配准调整。

从图2可以看出，通过计算代价函数、搜索到评价函数最小值，就可以找到最佳配准点。配准问题至此转化为多参数的最优化计算。在失配量小时，可以直接使用遍历搜索。失配量大时，采用搜索算法加快配准速度。这里使用powell搜索算法来实现。再根据价函数最小值的位置对某个波段图像进行配准调整。

d、对各个波段依次进行配准调整。

4、重复步骤3，直到所有波段都满足约定条件时，配准调整结束。

对某个波段进行配准调整，对其他波段的性能可能会产生轻微的影响。所有波段的配准重复步骤3，直到所有波段都为5邻域内最小，调整结束。

当多光谱图像间的失配不满足刚性变换模型，多光谱图像间存在着畸变时。图像配准采用如下方法：

以TM1波段图像为参考图像，多个控制点，组成均匀的网格。采用上述的方法，搜寻出每个控制点在其他波段的对应点。进而采用二次多项式模型，实现其他波段图像的配准校正。

如图3显示了TM4波段图像在(20，20)邻域上的小成分及噪声成分函数曲面。在图中，该曲面在(20，20)预期位置处具有很明显尖锐的谷值，并且曲面变化明显、单调性好。因而该方法可用于多光谱图像的错误修正和高精度精细配准。

Claims (3)

1、一种基于小成分及噪声成分的多光谱图像配准方法，其特征是：

(1)对多光谱图像进行比例变换、归一化、区域选择、控制点选择先期处理工作；

(2)对多光谱图像进行初步配准，以某个波段图像作为参考图像，对其他图像一一进行配准；

(3)采用小成分及噪声成分方法对初步配准后的多光谱图像进行精确配准；

(4)重复(3)，直到所有波段都满足约定条件时，配准调整结束。

2、根据权利要求1所述的一种基于小成分及噪声成分的多光谱图像配准方法，其特征是：所述的小成分及噪声成分的方法是：

(1)求取多光谱图像样本自相关矩阵或协方差矩阵并计算其特征值；

(2)以小成分和噪声成分对应的特征值构造代价函数；

(3)计算某波段图像在不同位置的代价函数、寻找代价函数最优点；

(4)对各个波段依次进行配准调整。

3、根据权利要求2所述的一种基于小成分及噪声成分的多光谱图像配准方法，其特征是：所述的求取多光谱图像样本自相关矩阵或协方差矩阵并计算其特征值的方法是采用多光谱图像的线性混合模型，所述的模型是：

$X=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{s}_k{a}_k+n=\mathrm{SA}+n$

式中：S_k是L×1维单位范数成分向量，不同种类的物体对应不同的S_k；a_k是相应的丰度；M是所包含成分的数目；L是波段的数目n是由于模型不完善或噪声造成的误差矢量。

Images