CN103218811A - 一种基于统计分布的卫星多光谱图像波段配准方法 - Google Patents
一种基于统计分布的卫星多光谱图像波段配准方法 Download PDFInfo
- Publication number
- CN103218811A CN103218811A CN2013101088053A CN201310108805A CN103218811A CN 103218811 A CN103218811 A CN 103218811A CN 2013101088053 A CN2013101088053 A CN 2013101088053A CN 201310108805 A CN201310108805 A CN 201310108805A CN 103218811 A CN103218811 A CN 103218811A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- layer
- subject
- reference picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于统计分布的卫星多光谱图像波段配准方法,(1)以多光谱图像的任一谱段图像为参考图像,分别对参考图像和待配准图像用高斯模板函数进行降采样生成不小于2层的不同分辨率的图像;对每个待配准图像分别按照下述步骤进行处理;(2)在第1层低分辨率图像层,计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求最小的相似性测度值或达到规定的叠代次数时的平移变换参数;(3)在剩余高分辨率图像层,从低分辨率开始,分别利用上一层得到的变换参数按照步骤2类似的处理求取变换参数,并在最后一层利用变换参数对待配准图像进行变换、重采样得到配准后的图像。
Description
技术领域
本发明涉及一种卫星多光谱图像配准的处理方法。
背景技术
遥感技术目前已在社会和科技层面转向实际应用,这些应用包括自然灾害的处理、气候变化评估、自然资源管理、环境保护等,所有这些都涉及长期监测地球表面。近些年,图像配准在遥感应用中变的非常重要。图像配准是图像处理中的基本任务,指的是匹配两幅或多幅来自不同时间、不同遥感器、不同视角的同一物体或场景的图像。图像配准用于数字图像处理是为了把两幅或多幅数字图像准确对准以便分析与比较,涉及生理学、计算机视觉、模式识别、影像理解等多个领域知识。精确的配准算法对于支持镶嵌遥感卫星图像、追踪地球表面环境变化、基础科学研究是非常重要的。
图像配准,即通过计算一组变换参数把两幅图像对准,这个问题看似定义简单明了,似乎应该已有清楚的、通用的方法,而实际上远非如此。由于对应于各种不同数据的应用众多,图像配准已经发展成为一项复杂的、具有很强挑战性的、包含许多方法策略的任务。随着遥感、医学、以及其他领域获取图像能力的不断增强,导致在过去20年里对图像配准技术进行了大量研究。但到目前为止,还没有一种配准方法能够解决所有的配准问题,只能根据具体的数据类型和应用来研究相应的算法。图像配准算法常分为基于区域和基于特征的两种方法,但是一般只适用于灰度差别较小的影像,反映数据之间的线性特征,不适用于灰度差别较大的影像之间的配准。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种基于统计分布的卫星多光谱图像波段配准方法。
本发明的技术解决方案是:一种基于统计分布的卫星多光谱图像波段配准方法,步骤如下:
(1)以多光谱图像的任一一个谱段图像为参考图像,其他谱段图像作为待配准图像,分别对参考图像和待配准图像用高斯模板函数进行降采样生成不小于2层的不同分辨率的图像;对每个待配准图像分别按照下述步骤进行处理:
(2)在第1层低分辨率图像层,利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的平移变换参数;
(3)在第二层分辨率图像层,利用上一层得到的平移变换参数对本层中的待配准图像做变换,然后再利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数;
(4)在剩余高分辨率图像层,从低分辨率开始,分别利用上一层得到的刚体变换参数对本层中的待配准图像做变换,然后再利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数;在最后一层利用变换参数对待配准图像进行变换、重采样得到配准后的图像。
本发明与现有技术相比的优点在于:
(1)本发明针对卫星多光谱数据的特点,针对灰度差异大的多光谱图像(如蓝波段和近红外波段)配准,从配准的重要方面相似性测度进行突破,采用新的相似性测度准则,即基于图像统计分布信息的方法,有效的解决了传统图像配准方法相似性测度要求图像灰度相似、成线性关系的局限,该方法不需要对影像做分割、特征提取等预处理,适用面比较广,具有较高的精度和较好的鲁棒性。
(2)本发明采用核密度函数估计变量的概率密度。最早的利用直方图近似变量的概率密度的方法具有较大的估计误差,同时存储直方图所需的空间随着样本的特征变量数目成指数增长。
(3)本发明采用分层变换的方法在金字塔不同层采用不同的变换,先从整体上作平移变换迅速缩小搜索范围,然后在原始高分辨率图像层采用仿射变换。
(4)本发明采用多分辨率配准策略通过由粗到精的方式解决配准问题,可以避免互信息局部极值提高配准精度,同时提高了配准算法的速度和鲁棒性。
附图说明
图1为本发明原理示意图;
图2为本发明方法流程图。
具体实施方式
本发明实现了以灰度分布统计信息为基础的互信息作为配准相似性测度的配准方法,它不需要对影像做分割、特征提取等预处理,适用面比较广,具有较高的精度和较好的鲁棒性。同时,为了提高配准精度和速度,本发明将互信息实现方法和图像金字塔算法有机结合起来,使得单一的配准过程变成多分辨率的从粗到细的配准过程。
下面结合附图及实施例对本发明做详细说明。本发明一种基于统计分布的卫星多光谱图像波段配准方法,步骤如下:
(1)如图1所示,以4谱段段多光谱图像的第1谱段蓝谱段图像为参考图像,其他绿、红、近红外3个谱段图像作为待配准图像,分别对参考图像和待配准图像用高斯模板函数进行降采样生成3层(出于速度和精度的要求一般要求层数不小于3)不同分辨率的图像。
多分辨率策略通过由粗到精的方式解决配准问题,对参考及待配准图像建立高斯图像金字塔,对金字塔的第一层进行处理,使用一种粗尺度方法,然后用其结果初始化下一层较精细的变换参数,从而缩小下一层上影像匹配的搜索范围,达到最精确的结果。
高斯金字塔计算公式如下:
高斯金字塔是一个图像序列,序列中的每一层图像均是前一层图像低通滤波的复制图像,上式中的gL(i,j)表示第L层的图像,CL代表第L层图像的列数,RL代表第L层图像的行树,N代表总层数,w(m,n)为窗口函数,常取5*5高斯模板。
对每个待配准图像分别按照下述步骤进行处理:
(2)在第1层低分辨率图像层,利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的平移变换参数;
(3)在中间一层中分辨率图像层,利用上一层得到的平移变换参数对本层中的待配准图像做变换(即将待配准图像根据平移变换参数进行平移),然后再利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数;
(4)在最后一层高分辨率图像层,以上一层得到的刚体变换参数为初始值继续对本层中的待配准图像做变换参数优化。利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数,用变换参数对待配准图像进行变换、重采样得到配准后的图像。
下面分别对上述三个步骤中涉及的计算进行详细说明。
1、核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布
为了估计概率密度函数P(x),作如下考虑:与x靠近的样本,所起作用应比远离X的样本要大些。核密度法就是从测量样本X(样本个数n)直接估计随机变量概率密度的一种精确的非参数估计方法。n个样本,从测量样本X估计出的x点的概率密度定义为:
其中g(x)是窗函数,窗函数必须满足下面两个条件:
g(x)>=0;
∫g(x)dx=1
本方法中g(x)选择高斯函数为窗函数:
Ψ是高斯函数方差。
2、互信息的计算
对于两幅需要相互配准的影像X和Y,选择X作为参考影像,Y作为待配准影像,理想情况是将影像Y中的每个像元利用互信息匹配其在影像X中的对应像元位置。
影像X,Y的互信息定义为:
I(X;Y)=H(X)+H(Y)-H(X,Y)
其中:H(X),H(Y)为影像X,Y的边缘熵,H(X,Y)为X,Y的联合熵。
Px(x),Py(y)分别是影像X和Y的边缘概率分布密度,Px,y(x,y)是影像X,Y的联合概率分布密度:
3、函数优化
本方法中以最小互信息的负值作为相似性测度函数S,以X和Y表示参考图像和待配准图像,多光谱图像配准研究的是图像间存在着角度和平移(包括水平和垂直平移)变化,所以对图像变换模型采用平移和刚体变换。涉及的变换参数有:水平平移,垂直平移,旋转角度。
参考图像和待配准图像之间的负互信息值表示为变换参数μ的函数为:
Px,y(x,y;μ)代表考虑变换参数μ的联合概率分布密度;Py(y;μ)代表考虑变换参数μ的待配准图像的边缘概率分布密度;
①当变换参数μ为平移变换参数时,即包括水平平移μ1、垂直平移μ2。先求μ1,固定y。令Px,y(x,y;μ)=Px,y(μ1,y),Px(x;μ)=Px(μ1),则求出的S(μ)最小值时对应的μ,作为x水平方向平移变换参数μ1;然后固定μ1,求μ2。令Px,y(x,y;μ)=Px,y(μ1,μ2),Py(y;μ)=Py(μ2),则求出的S(μ)的最小值对应的μ,作为y垂直方向的平移变换参数μ2;
②当变换参数μ为刚体变换参数时(金字塔第二层和第三层变换相同,只是在不同分辨率层优化参数),即包括水平平移μ1、垂直平移μ2、旋转角度μ3。以上一步中求得的平移变换参数μ1、μ2为初始值,固定μ1、μ2,求μ3。令P(x,y;μ)=Px,y(μ1,μ2,μ3),Px(x;μ)=Px(μ1;μ3)Py(y;μ)=Py(μ2,μ3),以平移变换参数对应的x、y为基准将每隔0.2°时对应的x、y代入S(μ),得到S(μ)的最小值时对应的x、y,确定x、y与基准之间的角度,该角度作为刚体变换的参数μ3。
本发明未详细说明部分属于本领域技术人员公知常识。
Claims (1)
1.一种基于统计分布的卫星多光谱图像波段配准方法,其特征在于步骤如下:
(1)以多光谱图像的任一一个谱段图像为参考图像,其他谱段图像作为待配准图像,分别对参考图像和待配准图像用高斯模板函数进行降采样生成不小于2层的不同分辨率的图像;对每个待配准图像分别按照下述步骤进行处理:
(2)在第1层低分辨率图像层,利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的平移变换参数;
(3)在第二层分辨率图像层,利用上一层得到的平移变换参数对本层中的待配准图像做变换,然后再利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数;
(4)在剩余高分辨率图像层,从低分辨率开始,分别利用上一层得到的刚体变换参数对本层中的待配准图像做变换,然后再利用核密度函数计算参考图像和待配准图像的边缘概率分布和联合概率分布,并计算参考图像和待配准图像之间的负互信息值;以负互信息为目标函数进行叠代优化,求取最小的相似性测度值或达到规定的叠代次数时的刚体变换参数;在最后一层利用变换参数对待配准图像进行变换、重采样得到配准后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310108805.3A CN103218811B (zh) | 2013-03-29 | 2013-03-29 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310108805.3A CN103218811B (zh) | 2013-03-29 | 2013-03-29 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218811A true CN103218811A (zh) | 2013-07-24 |
CN103218811B CN103218811B (zh) | 2016-03-23 |
Family
ID=48816554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310108805.3A Active CN103218811B (zh) | 2013-03-29 | 2013-03-29 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218811B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646399A (zh) * | 2013-12-04 | 2014-03-19 | 中国资源卫星应用中心 | 一种光学与雷达图像配准方法 |
CN103824289A (zh) * | 2014-02-17 | 2014-05-28 | 哈尔滨工业大学 | 一种快照光谱成像中基于模板的阵列图像配准方法 |
CN104751438A (zh) * | 2013-12-31 | 2015-07-01 | 同方威视技术股份有限公司 | 用于交互地对医学三维图像配准的方法和设备 |
CN105528773A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市一体医疗科技有限公司 | 基于标记法的多模态微波成像方法及系统 |
CN105678726A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市一体医疗科技有限公司 | 基于标记法的多模态微波成像方法及系统 |
CN106204601A (zh) * | 2016-07-15 | 2016-12-07 | 华东师范大学 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
CN110415279A (zh) * | 2019-06-25 | 2019-11-05 | 北京全域医疗技术集团有限公司 | 图像配准方法、装置及设备 |
CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
CN114820739A (zh) * | 2022-07-01 | 2022-07-29 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090022429A1 (en) * | 2007-05-03 | 2009-01-22 | Longacre Jr Andrew | System and method to manipulate an image |
CN102509114A (zh) * | 2011-11-22 | 2012-06-20 | 李京娜 | 基于改进的结构相似度的图像配准方法 |
-
2013
- 2013-03-29 CN CN201310108805.3A patent/CN103218811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090022429A1 (en) * | 2007-05-03 | 2009-01-22 | Longacre Jr Andrew | System and method to manipulate an image |
CN102509114A (zh) * | 2011-11-22 | 2012-06-20 | 李京娜 | 基于改进的结构相似度的图像配准方法 |
Non-Patent Citations (2)
Title |
---|
张密: "放射治疗中2D/3D医学图像配准算法研究", 《中国优秀硕士学位论文全文数据库》 * |
蒋鸿等: "图像配准中图像互信息的快速估计算法", 《计算机工程与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646399A (zh) * | 2013-12-04 | 2014-03-19 | 中国资源卫星应用中心 | 一种光学与雷达图像配准方法 |
CN104751438A (zh) * | 2013-12-31 | 2015-07-01 | 同方威视技术股份有限公司 | 用于交互地对医学三维图像配准的方法和设备 |
CN104751438B (zh) * | 2013-12-31 | 2019-01-04 | 同方威视技术股份有限公司 | 用于交互地对医学三维图像配准的方法和设备 |
CN103824289A (zh) * | 2014-02-17 | 2014-05-28 | 哈尔滨工业大学 | 一种快照光谱成像中基于模板的阵列图像配准方法 |
CN105528773A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市一体医疗科技有限公司 | 基于标记法的多模态微波成像方法及系统 |
CN105678726A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市一体医疗科技有限公司 | 基于标记法的多模态微波成像方法及系统 |
CN106204601B (zh) * | 2016-07-15 | 2018-09-28 | 华东师范大学 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
CN106204601A (zh) * | 2016-07-15 | 2016-12-07 | 华东师范大学 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
CN110415279A (zh) * | 2019-06-25 | 2019-11-05 | 北京全域医疗技术集团有限公司 | 图像配准方法、装置及设备 |
CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
CN110473233B (zh) * | 2019-07-26 | 2022-03-01 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
CN114820739A (zh) * | 2022-07-01 | 2022-07-29 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
CN114820739B (zh) * | 2022-07-01 | 2022-10-11 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
WO2024000950A1 (zh) * | 2022-07-01 | 2024-01-04 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103218811B (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218811B (zh) | 一种基于统计分布的卫星多光谱图像波段配准方法 | |
Kulkarni et al. | Pixel level fusion techniques for SAR and optical images: A review | |
Vos et al. | Sub-annual to multi-decadal shoreline variability from publicly available satellite imagery | |
Ghassemian | A review of remote sensing image fusion methods | |
Sanchez et al. | Registration of thermal and visible light images of diseased plants using silhouette extraction in the wavelet domain | |
Huang et al. | Feature-based image registration using the shape context | |
Song et al. | Improving the spatial resolution of landsat TM/ETM+ through fusion with SPOT5 images via learning-based super-resolution | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
Li et al. | Straight road edge detection from high-resolution remote sensing images based on the ridgelet transform with the revised parallel-beam Radon transform | |
Hasan et al. | Robust automatic registration of multimodal satellite images using CCRE with partial volume interpolation | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
Lefebvre et al. | Object-oriented approach and texture analysis for change detection in very high resolution images | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN103886559A (zh) | 一种光谱图像处理方法 | |
Lee et al. | Nonparametric image registration of airborne LiDAR, hyperspectral and photographic imagery of wooded landscapes | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN108510531A (zh) | 基于pcncc和邻域信息的sar图像配准方法 | |
Valentini et al. | New coastal video-monitoring system achievement and development | |
Hashim et al. | Geometric and radiometric evaluation of RazakSAT medium-sized aperture camera data | |
Yanovsky et al. | Quantifying Uncertainty in Atmospheric Winds Retrieved from Optical Flow: Dependence on Weather Regime | |
Gerçek et al. | Automated Co‐Registration of Satellite Images through Luminance Transformation | |
Hasan et al. | Regisration of hyperspectral and trichromatic images via cross cumulative residual entropy maximisation | |
CN104268831A (zh) | 海上阳光亮带干扰下的红外图像补偿方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |