CN103065311A - 基于基准影像库的卫星影像自动配准方法 - Google Patents

Abstract

本发明属于遥感图像处理领域，公开了一种基于基准影像库的卫星影像自动配准方法，包括：从基准影像库中获取参考影像；分别计算参考影像和待配准影像的SIFT特征；基于SIFT特征进行粗匹配，找到参考影像与待配准影像的GCP（地面控制点）点对；使用RANSAC算法过滤、删除匹配有误的点对；利用匹配正确的点对进行影像配准。本发明替代传统的人工选取GCP方式，有效节约影像配准处理时间，提高影像配准环节的生产效率。

Description

基于基准影像库的卫星影像自动配准方法

技术领域

本发明属于遥感图像处理领域，涉及一种基于基准影像库的卫星影像自动配准方法。

背景技术

目前，遥感影像配准基本采取人工交互方式选取GCP（地面控制点），一景影像往往需要选取几十对甚至近百对GCP才能满足要求，GCP选取占据了配准环节的绝大部分时间且经常反复。目前，常见的商业遥感软件很少提供配准GCP点对自动生成的功能，少数提供该项功能的软件，选点质量也较低，需加入大量的人工干预方能满足精度要求。

发明内容

本发明的目的是提供一种基于基准影像库的卫星影像自动配准方法，实现GCP的自动选取，缩短处理时间，提高生产效率。

为实现上述目的，本发明提供的基于基准影像库的卫星影像自动配准方法包括以下步骤：

（1）根据待配准影像的空间范围从基准影像数据库中获取参考影像；

（2）分别计算参考影像和待配准影像的SIFT特征；

（3）基于SIFT特征对参考影像和待配准影像进行匹配，得到原始GCP点对；

（4）利用RANSAC方法对原始GCP点对进行过滤，剔除匹配有误的点对，得到最终GCP点对；

（5）利用最终GCP点对对待配准影像进行配准。

进一步的，所述步骤（4）中利用RANSAC方法对原始GCP点对进行过滤，剔除匹配有误的点对的具体过程如下：

先从步骤（3）中匹配的点对中，随机挑选一系列点对作为内点，然后使用直接线性变换模型，利用最小二乘法计算变换矩阵M，该矩阵和匹配点对之间的关系如式（1）所示：

$M\·\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ w^{\′}\end{array}\right]---\left(1\right)$

其中M表示变换矩阵，[x  y  1]^T待配准影像坐标，[x′  y′w′]^T是参考影像坐标；

计算出M矩阵之后，将每个内点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差和平均误差，若平均误差大于指定的阈值，则重新随机挑选内点再次计算M及其误差，直到平均误差小于指定的阈值；

将所有除内点之外的匹配点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差；将误差小于阈值的点进行保留，其他的点进行剔除，得到最终的GCP点对。

本发明利用影像的SIFT特征选取GCP点对，然后使用RANSAC方法剔除误匹配点对，对于相同的数据源（待配准影像和基准影像库中的影像是同一个传感器拍摄）的数据，获得的GCP点对数量较多且精度比较高，可以直接用于配准；不同的数据源之间获得的GCP点对数量相对较少，可能需要人工加点。但这种人工处理工作，相对于传统的直接选点，主要有已经自动找出一部分的点对，需要人工选取的点对比较少，而且可以使用自动找的点对对影像进行大致的定位来和参考影像联动等，方便人工选取GCP。大量的工程实践表明，采用本方法自动选点配准，同直接人工选点配准的传统方法相比，效率至少可提升3倍以上，尤其是待处理的数据越多，数据源越单一的情况下，效率提升越显著。在处理质量良好、时相接近的同源数据的情况下，效率甚至可以提升10倍以上。

附图说明

图1为本发明的实施流程图；

图2为待配准的多光谱影像；

图3为基准影像数据库中的参考影像；

图4为使用本方法自动提取的控制点分布情况，左图为多光谱影像的控制点分布情况，右图为全色影像匹配的控制点分布情况；

图5为使用RANSAC剔除误匹配控制点后保留点的分布情况，左图为多光谱影像的控制点分布情况，右图为全色影像匹配的控制点分布情况。

具体实施方式

下面将结合图1，分步骤详述本发明：

（1）从基准影像数据库中获取参考影像

参考影像是存储在基准影像数据库中、精度满足要求的遥感影像。本步骤主要根据待配准影像的空间范围从基准影像数据库中查询、提取参考影像，为配准提供空间参考。

（2）分别计算参考影像和待配准影像的SIFT特征

SIFT（全称为Scale Invariant Feature Transform，尺度不变特征变换）是一种基于尺度空间、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。本步骤主要是计算参考影像和待配准影像的各自SIFT特征。

（3）基于SIFT特征对参考影像和待配准影像进行匹配，得到原始GCP点对

根据参考影像和待配准影像的SIFT特征，从待配准影像中选取一个SIFT特征，分别计算该SIFT特征与参考影像的每一个SIFT特征之间的欧式距离，若距离小于既定阈值（该阈值通过经验确定，本实施例取0.49）则认为这两个特征对应同一位置，即这两个特征对应的两个点是一对GCP，重复上述过程，直到处理完待配准影像所有SIFT特征，按照此方法计算得到一系列的GCP点对。

（4）利用RANSAC方法对原始GCP点对进行过滤，剔除匹配有误的点对

步骤（3）由于采用欧式距离判定，计算得到的GCP点对中肯定存在匹配有误的点对，需要在配准前将其过滤掉，否则会影响配准精度。本步骤即利用RANSAC剔除匹配有误的点对，得到匹配正确的点对，直接用于配准处理。

RANSAC（全称为Random Sample Consensus，随机抽样一致）是一种鲁棒性的参数估计方法，实质上就是一个反复测试、不断迭代的过程。该方法的基本思想是首先根据具体问题设计出某个目标函数，然后通过反复提取最小点集估计该函数中参数的初始值，利用这些初始值把所有的数据分为“内点”（inlier）和“外点”（outlier），最后用所有的内点重新计算和估计函数的参数。

具体方式如下：

先从步骤（3）中匹配的点对中，随机挑选一系列点对作为内点，然后使用直接线性变换模型，利用最小二乘法计算变换矩阵M，该矩阵和匹配点对之间的关系如式（1）所示：

$M\·\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ w^{\′}\end{array}\right]---\left(1\right)$

其中M表示变换矩阵，[x  y  1]^T待配准影像坐标，[x′  y′w′]^T是参考影像坐标；

计算出M矩阵之后，将每个内点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差和平均误差，若平均误差大于指定的阈值，则重新随机挑选内点再次计算M及其误差，直到平均误差小于指定的阈值；

将所有除内点之外的匹配点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差；将误差小于阈值的点进行保留，其他的点进行剔除，得到最终的GCP点对。

上述阈值根据经验设定，本实施例设为5。

（5）利用最终GCP点对对待配准影像进行配准

步骤（4）最终得到的GCP点对，精度已能满足配准要求，然后可利用常见的几何多项式校正等方法，将待配准影像与参考影像进行配准，得到精度满足要求的配准影像成果。另外，利用本发明提供的方法，生成的GCP文件可与常见商业遥感处理软件兼容，方便使用不同的商业遥感处理软件开展影像配准工作。

使用北京通州地区的一景资源02C的数据进行测试，影像获取时间为2012年6月16日。待配准的多光谱数据如图2所示，大小为6000*6000，分辨率为10米；正射校正后的全色数据如图3所示，大小为14676*14018，分辨率为5米。人工选取一景影像的100对左右的GCP大致需要半个小时；而采用本方法在普通的计算机中处理，在6分钟28秒时间内找出2093对GCP，通过剔除误匹配的GCP后剩余的有效GCP大致在1870对左右，有效率基本在89%以上。自动查找GCP点对以及中误差如表1所示，多光谱影像与全色影像匹配的控制点分布情况见图4、5所示，从图4、5可以看出，自动查找的GCP点覆盖整幅影像，满足GCP点选取要求。

表1 自动查找的GCP点数以及误差情况

匹配点对

中误差

剔除误匹配后点对

中误差

有效率

耗时

全色影像

2093

185.069

1870

1.01219

89.35%

6min28sec

Claims (2)

1.一种基于基准影像库的卫星影像自动配准方法，其特征在于包括以下步骤：

（1）根据待配准影像的空间范围从基准影像数据库中获取参考影像；

（2）分别计算参考影像和待配准影像的SIFT特征；

（3）基于SIFT特征对参考影像和待配准影像进行匹配，得到原始GCP点对；

（4）利用RANSAC方法对原始GCP点对进行过滤，剔除匹配有误的点对，得到最终GCP点对；

（5）利用最终GCP点对对待配准影像进行配准。

2.根据权利要求1所述的基于基准影像库的卫星影像自动配准方法，其特征在于，所述步骤（4）中利用RANSAC方法对原始GCP点对进行过滤，剔除匹配有误点对的具体过程如下：

先从步骤（3）中匹配的点对中，随机挑选一系列点对作为内点，然后使用直接线性变换模型，利用最小二乘法计算变换矩阵M，该矩阵和匹配点对之间的关系如式（1）所示：

$M\·\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ w^{\′}\end{array}\right]---\left(1\right)$

其中M表示变换矩阵，[x  y  1]^T待配准影像坐标，[x′  y′w′]^T是参考影像坐标；

计算出M矩阵之后，将每个内点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差和平均误差，若平均误差大于指定的阈值，则重新随机挑选内点再次计算M及其误差，直到平均误差小于指定的阈值；

将所有除内点之外的匹配点的待配准影像坐标代入式（1），计算其对应的参考影像坐标；然后计算每个参考影像坐标的计算值与其真实值的误差；将误差小于阈值的点进行保留，其他的点进行剔除，得到最终的GCP点对。

Images