一种遥感影像的自动配准方法
测绘技术中影像配准与配准精度评价方法
测绘技术中影像配准与配准精度评价方法引言：随着科技的不断发展，测绘技术在不同领域中的应用也变得越来越广泛。
其中，影像配准是一项至关重要的技术，它能够将不同源的影像进行精确定位和叠加，实现空间信息的整合与分析。
本文将探讨测绘技术中影像配准的方法以及如何评价配准精度。
一、影像配准方法：1. 特征匹配法：特征匹配法是最常用的影像配准方法之一。
此方法依靠提取影像的特征点，并通过比较两幅影像的特征点位置来进行匹配。
其中，SIFT（尺度不变特征转换）和SURF（加速稳健特征）是常用的特征提取算法。
这些算法能够提取关键点并计算特征描述子，通过计算特征之间的距离来实现匹配。
2. 控制点法：控制点法是一种基于已知参考点坐标进行配准的方法。
在控制点的帮助下，通过对图像坐标系与地理坐标系的转换，找到两幅影像之间的空间变换关系。
这项方法适用于需要高精度配准的任务，如航空影像和高分辨率遥感影像。
3. 区域匹配法：区域匹配法是一种通过比较影像中相同区域或特征的亮度、颜色等特征来进行配准的方法。
该方法适用于影像中存在较强纹理信息的情况，如城市建筑物和自然地物等。
二、配准精度评价方法：1. 重叠区域比较法：重叠区域比较法是一种简单而直观的配准精度评价方法。
该方法通过选择两幅影像的重叠区域，计算重叠区域中特征点的重合度来评价配准结果的准确性。
重合度越高，说明配准效果越好。
2. 控制点残差法：控制点残差是评价影像配准精度的常见指标之一。
该方法首先利用已知的控制点进行配准，然后计算配准后的影像与控制点之间的残差值。
残差值越小，说明配准结果越精确。
3. 影像差异度法：影像差异度是一种基于图像像素值差异的评价方法。
它通过计算配准前后两幅影像的像素值差异来评估配准的精度。
常见的影像差异度指标包括互信息和相对误差等。
结论：影像配准是测绘技术中至关重要的一项工作。
本文介绍了特征匹配法、控制点法和区域匹配法这三种常见的影像配准方法，并探讨了重叠区域比较法、控制点残差法和影像差异度法这三种评价配准精度的方法。
基于SIFT算法的异源遥感影像自动匹配研究
基于SIFT算法的异源遥感影像自动匹配研究张建花;白仲斐;惠广裕【摘要】由于不同传感器、多时相、多分辨率、多波段的遥感图像的光谱特征、空间特征、纹理特征等存在较大差异，为遥感图像的匹配带来了困难。
主要利用图像特征点提取方法，使用具有尺度不变特性的SIFT(Scale Invariance Feature Transform)方法，对异源遥感图像进行配准和图像进行拼接操作，并进一步对SIFr算法进行优化，采用双向匹配策略。
实验证明该算法具有稳定、可靠、快速等特点,适用于存在光谱特征、空间特征、纹理特征差异的异源遥感图像的精确配准，同时实验验证了双向匹配算法用于SIFT特征点匹配中的优越性,证明其为一种好的匹配测度。
%Since multi-source,multi-temporal,multi-resolution and multi-band remote sensing images are too different in spectral characteristics, spatial characteristics, as well as texture features. So it is full of difficulty to match these remote sensing images. We have focused our studies on the point feature extraction method to match the multi-source images in this paper. Then match the images.Based on the above theory, we have done some experiments. The results show that SIFT is one of the most effective local feature of rotation, scale, and illumination invariant. Changes of perspective, affine transformation and noise also maintain a certain degree of stability. SIFT based image matching algorithm is analyzed, and a bidirectional matching algorithm is proposed to improve the accuracy of image matching. The experimental results show that the proposed algorithm is effective.【期刊名称】《电子设计工程》【年(卷),期】2011(019)013【总页数】4页(P176-179)【关键词】遥感图像；SIFT；配准；双向匹配；RANSAC【作者】张建花;白仲斐;惠广裕【作者单位】中国飞行试验研究院测试所，陕西西安710089;中国飞行试验研究院测试所，陕西西安710089;中国飞行试验研究院测试所，陕西西安710089【正文语种】中文【中图分类】TP391光学卫星遥感成像的理论限制，难以突破云雨障碍。
ENVI遥感图像处理实验教程 实验三 几何校正(影像、地形图)ok
实验三 ENVI影像的几何校正本专题旨在介绍如何在ENVI中对影像进行地理校正，添加地理坐标，以及如何使用ENVI进行影像到影像的几何校正。
遥感图像的几何纠正是指消除影像中的几何形变，产生一幅符合某种地图投影或图形表达要求的新影像。
一般常见的几何纠正有从影像到地图的纠正，以及从影像到影像的纠正，后者也称为影像的配准。
遥感影像中需要改正的几何形变主要来自相机系统误差、地形起伏、地球曲率以及大气折射等。
几何纠正包括两个核心环节：一是像素坐标的变换，即将影像坐标转变为地图或地面坐标；二是对坐标变换后的像素亮度值进行重采样。
本实验将针对不同的数据源和辅助数据，提供以下几种校正方法：Image to Map几何校正：通过地面控制点对遥感图像几何进行平面化的过程，控制点可以是键盘输入、从矢量文件中获取。
地形图校正就采取这种方法。
Image to image几何校正：以一副已经经过几何校正的栅格影像作为基准图，通过从两幅图像上选择同名点（GCP）来配准另一幅栅格影像，使相同地物出现在校正后的图像相同位置。
大多数几何校正都是利用此方法完成的。
Image to image自动图像配准：根据像元灰度值自动寻找两幅图像上的同名点，根据同名点完成两幅图像的配准过程。
当同一地区的两幅图像由于各自校正误差的影像，使得图上的相同地物不重叠时，可利用此方法进行调整1. 地形图的几何校正（1）打开并显示地形图从ENVI主菜单中，选择file →open image file，打开3-几何校正\地形图\G-48-34-a.JPG。
（2）定义坐标从ENVI主菜单栏中，选择Map →Registration →Select GCPs：Image to map。
在image to Map Registration对话框中，点击并选择New,定义一个坐标系从ENVI主菜单栏中，选择Map →Registration →Select GCPs: Image to Map。
测绘技术中的卫星影像配准精度评定方法
测绘技术中的卫星影像配准精度评定方法随着卫星遥感技术的不断发展，卫星影像在测绘领域的应用越来越广泛。
卫星影像的配准精度评定是判断其在地理坐标系统中的准确性和可靠性的重要指标。
本文将介绍一些常用的卫星影像配准精度评定方法，以帮助读者更好地理解和运用卫星影像数据。
一、图像匹配法图像匹配法是一种常用的卫星影像配准精度评定方法。
它通过将待配准影像与已知高精度地物特征进行比对，来确定影像的几何变换参数，从而评定其配准精度。
在使用图像匹配法进行卫星影像配准精度评定时，可以选择不同的地物特征作为控制点，如道路、建筑物、河流等。
通过提取这些地物的特征点，并利用配准算法进行匹配，就可以计算出影像的配准误差。
二、控制点收集法控制点收集法是另一种常用的卫星影像配准精度评定方法。
它通过在不同影像上选择一些具有高精度地理坐标的控制点，并测量它们在影像上的像素坐标，来计算影像之间的配准误差。
控制点的选取应尽量遵循以下原则：首先，选择具有明显边缘、不易变形的地物作为控制点；其次，控制点应分布均匀，覆盖整个影像区域；最后，应选择数量适当的控制点，以保证配准精度的可靠性。
三、基于地面控制点的验证法基于地面控制点的验证法是一种较为精确的卫星影像配准精度评定方法。
它通过在地面上选取一些已知坐标的控制点，并与配准后的影像进行对比，来判断影像的配准精度。
在使用基于地面控制点的验证法时，需要注意以下几点：首先，控制点的选取应充分考虑地物的稳定性和易分辨性；其次，控制点的测量精度应满足配准的要求；最后，控制点的数量应根据影像的尺度和精度要求进行合理分配，过多的控制点容易造成配准精度的过高，过少的控制点则会导致配准精度的下降。
综上所述，卫星影像配准精度评定是判断卫星影像准确性和可靠性的重要指标。
常用的评定方法包括图像匹配法、控制点收集法和基于地面控制点的验证法。
在实际应用中，根据具体情况选择合适的方法，并合理选取控制点，将能够有效提高卫星影像的配准精度。
测绘技术中的影像配准方法详解
测绘技术中的影像配准方法详解引言在现代测绘技术中，影像配准是一项重要的工作。
它是指将不同时间或空间获取的多幅影像进行几何变换，使得它们在同一坐标系下对应位置的过程。
影像配准是研究人员和工程师们在测绘与遥感领域中经常面临的问题之一。
本文将详细介绍几种常用的影像配准方法及其原理。
一、特征点匹配特征点匹配是一种常见且经典的影像配准方法。
它通过提取影像中的特征点，并在不同影像之间找到对应的特征点来实现配准。
这种方法的主要思想是通过计算特征点之间的相似性来确定它们的对应关系。
在特征点匹配的过程中，通常有两种常用的方法：基于特征描述子和基于相似度测量。
基于特征描述子的方法中，通常会使用SIFT（尺度不变特征变换）或SURF （加速稳定特征）算法提取影像中的关键点和相应的特征描述子，然后通过比较特征描述子的相似性来进行匹配。
基于相似度测量的方法则是直接计算特征点间的欧氏距离或相关系数等来度量它们的相似程度，进而实现匹配。
无论使用哪种方法，特征点匹配的关键在于选择合适的特征点提取算法和匹配准则。
二、基于区域的方法特征点匹配方法在一些场景下可能会受到一些影响，例如，当影像中的纹理不明显或者存在大幅度的图像变形时，特征点提取和匹配的准确性可能会受到限制。
为了克服这些问题，基于区域的方法应运而生。
基于区域的方法通过将影像划分为多个重叠的小区域，并比较它们之间的相关性来实现匹配。
这种方法不依赖于特征点的提取，因此对于具有较弱纹理的影像或者存在图像变形的情况下能够取得较好的效果。
常见的基于区域的方法包括基于互信息的方法和基于灰度匹配的方法。
前者利用灰度直方图互信息来度量不同区域之间的相似性，后者则基于灰度直方图匹配来实现影像配准。
三、基于控制点的方法基于控制点的方法是一种常用且准确度较高的影像配准方法。
这种方法需要事先收集一些已知位置的控制点，然后通过计算这些控制点在不同影像中的坐标，进而通过数学模型来推算出影像间的转换参数，从而实现影像配准。
遥感影像数据在测绘中的坐标转换与配准方法
遥感影像数据在测绘中的坐标转换与配准方法引言遥感影像数据是现代测绘工作中不可或缺的重要数据源之一。
遥感影像数据的获取方式独特，能够提供大范围的覆盖和高分辨率的图像，因此在测绘领域中有着广泛的应用。
然而，由于不同遥感影像数据的获取时间、采用的感知手段和处理方法等因素的不同，导致了遥感影像数据之间存在坐标系统和空间位置的差异，因此需要进行坐标转换与配准。
一、坐标转换的必要性遥感影像数据的坐标转换是将其所使用的坐标系统转换为与地面实际坐标系统保持一致的过程。
坐标转换的必要性主要体现在以下几个方面：1. 数据融合与一体化：在测绘中，往往需要将多个遥感影像数据进行融合与一体化，以获取更全面、准确的地理信息。
而不同遥感影像数据之间的坐标系统不一致，会导致数据融合和一体化过程中的错位和重叠问题，因此需要进行坐标转换。
2. 空间分析与处理：遥感影像数据在测绘中用于进行空间分析和处理，例如地物分类、变化检测等。
如果不进行坐标转换，那么由于不同遥感影像数据之间的坐标系统不一致，会导致空间分析和处理结果的偏差。
3. 精度控制与验证：在测绘中，通常需要对遥感影像数据进行精度控制和验证，以保证测绘结果的准确性和可靠性。
而不同遥感影像数据之间的坐标系统不一致，会对精度控制和验证过程中的参考基准和标准差产生影响，因此需要进行坐标转换。
二、坐标转换的方法在进行遥感影像数据的坐标转换时，常用的方法主要包括参数法和控制点法。
1. 参数法：参数法是通过确定一系列坐标转换参数来完成坐标转换的方法。
常用的参数法包括七参数法和四参数法。
七参数法是一种较为常用的参数法，它通过求解平移参数、旋转参数和尺度参数来实现坐标转换。
具体步骤是先确定一定数量的同名点，然后通过最小二乘法求解出七个参数的值，最后将这些参数应用于坐标转换。
四参数法是一种简化的参数法，它假设旋转和尺度变化可以忽略不计，仅考虑了平移的影响。
四参数法的求解过程与七参数法类似，只需要确定一定数量的同名点即可。
如何处理测绘技术中的遥感影像配准和融合问题
如何处理测绘技术中的遥感影像配准和融合问题遥感影像配准和融合是测绘技术中一个重要且复杂的问题。
在测绘领域，遥感影像的获取和处理是不可或缺的一环。
遥感影像的配准和融合能够为地理信息系统的建设和应用提供精确和全面的数据，因此在测绘工作中具有重要的意义。
一、遥感影像配准问题1. 影像配准的概念和意义在遥感影像处理中，配准是指将不同时间、不同分辨率或不同类型的遥感影像进行准确对齐的过程。
影像配准的目的是实现不同影像之间的空间对应关系，以便进行比较分析和地理信息提取。
配准精度的高低直接影响到地理信息的准确性和可靠性。
2. 遥感影像配准方法当前，常用的遥感影像配准方法主要包括基于特征点的配准方法和基于控制点的配准方法。
基于特征点的配准方法利用影像中的显著特征点，如建筑物角点、河流交叉口等，通过提取并匹配这些特征点来实现影像的配准。
而基于控制点的配准方法则通过事先选取一些具有明确地理位置的控制点，并在待配准影像中搜索对应点来实现影像配准。
3. 遥感影像配准的挑战遥感影像配准过程中会遇到一些挑战，如不同影像之间光谱、几何和分辨率的差异，地表变化引起的配准不一致等。
这些问题会影响配准的精度和效果。
而且，由于影像中存在噪声和遮挡，配准算法在实际应用中也会受到局限。
二、遥感影像融合问题1. 影像融合的概念和作用遥感影像融合是指将多幅不同波段或不同传感器获取的遥感影像进行融合，以得到一幅包含更丰富信息的复合影像。
影像融合可以提高影像的空间分辨率、光谱信息和时间特性，有助于提高对地观测和信息提取的精确性和综合能力。
2. 遥感影像融合方法目前常用的遥感影像融合方法主要包括基于变换的方法和基于降维的方法。
基于变换的方法包括主成分分析、小波变换、整体变换等，通过对影像进行变换和重构来实现融合。
而基于降维的方法则利用数学模型对遥感数据进行分析和处理，通过降低数据维度以实现融合。
3. 遥感影像融合的挑战影像融合过程中也会面临一些挑战。
基于相位相关法的遥感影像配准研究
基于相位相关法的遥感影像配准研究
遥感影像配准是遥感处理的一个重要环节，其作用是将不同时间、不
同传感器或不同角度拍摄的遥感影像进行精准的对准。
基于相位相关法的
遥感影像配准方法可以通过计算两幅图像之间的相位差，从而实现影像的
精准配准。
具体步骤如下：
1.图像预处理：对待配准图像进行预处理，包括去噪、平滑、灰度拉
伸等处理，以减少图像噪声对配准精度的影响。
2.特征提取：通过特征提取方法提取待配准图像和参考图像的共同特
征点，如SIFT、SURF、ORB等算法。
3.特征匹配：通过特征匹配算法匹配待配准图像和参考图像的特征点，如KNN算法、最小距离算法等。
4.相位计算：利用FFT算法将待配准图像和参考图像进行频域变换，
得到频谱图，计算出两幅图像之间的相位差。
5.反变换：将计算出的相位差进行反变换，得到平移矩阵，实现图像
的配准。
相比于传统的遥感影像配准方法，基于相位相关法的方法具有以下优点：
1.精度高：基于相位相关法的配准方法采用的是相位信息进行图像匹配，对于图像的旋转、缩放等变化具有更好的适应性，可以提高配准的精度。
2.计算速度快：基于相位相关法的方法可以通过FFT算法快速计算两幅图像之间的相位差，因此速度比传统方法更快。
3.使用范围广：基于相位相关法的方法不仅适用于遥感影像配准，还可以应用于其他领域，如医学影像配准、工业检测等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２５卷第７期 ２００４年７月 小型微型计算机系统 ＭＩＮＩ—ＭＩＣＲ０ ＳＹＳＴＥＭＳ Ｖ０１．２５ Ｎｏ．７
Ｊｕｌｙ ２００４
种遥感影像的自动配准方法 张 迁ｈ。，刘政凯 ，庞彦伟 ，李 威 （中国科学技术大学电子工程与信息科学系，安徽合肥２３００２７） ２（安徽省测绘总院，安徽合肥２３００３１）
摘 要：图像配准技术是图像融合、图像镶嵌以度影像三雏重建的基础．提出了一种基于ＳＵＳＡＮ（Ｓｍａｌｌｅｓｔ Ｕｎｉｖａｌｕｅ Ｓｅｇｍｅｎｔ Ａｓｓｉｍｉｌａｔｉｎｇ Ｎｕｃｌｅｕｓ）算子的图像配准方法．利用ＳＵＳＡＮ算子提取两幅图像的角点，通过粗匹配和细匹配两 个步骤得到匹配角点对．根据这些角点对对图像配准．试验表明该方法能有效的实现影像自动配准． 关键词：特征提取；ＳＵＳＡＮ算法；图像纠正；图像配准 中圈分类号：ＴＰ３９ 文献标识码；Ａ 文章编号：ｉ０００—１２２０（２００４）０７一ｌ１２９—０３
Ｍｅｔｈｏｄ ｏｆ Ａｕｔｏｍａｔｉｃ Ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ ＺＨＡＮＧ Ｑｉａｎ ，ＬＩＵ Ｚｈｅｎｇ—ｋａｉ ，ＰＡＮＧ Ｙａｎ—ｗｅｉ ，ＬＩ Ｗｅｉ Ｌ（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ．Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ．Ｈｅ ｉ ２３００２７，Ｃｈｉｎａ） ２（Ｇｅｎｅｒａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ Ａｎｈｕｉ Ｐｒｏｖｉｎｃｅ，Ｈｅ ｉ ２３００３１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ ｌ Ｔｈｅ ｔｅｃｈｎｉｑｕｅ ｏｆ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｉｓ ｔｈｅ ｂａｓｉｓ ｏｆ ｉｍａｇｅ ｆｕｓｉｏｎ，ｉｍａｇｅ ｍｏｓａｉｃ ａｎｄ ｓｃｅｎｅ ３Ｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．Ａ ｎｏｖｅｌ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＳＵＳＡＮ ｏｐｅｒａｔｏｒ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｃｏｒｎｅｒ ｐｏｉｎｔｓ ａｒｅ ｅｘｔｒａｃｔｅｄ ｕｓｉｎｇ ＳＵＡＮ ｏｐｅｒａｔｏｒ．Ｔｈｅｎ ｍａｔｃｈｅｄ ｃｏｒｎｅｒ ｐａｉｒｓ ａｒｅ ｓｅｌｅｃｔｅｄ ｔｈｒｏｕｇｈ ｃｏａｒｓｅ ｍａｔｃｈｉｎｇ ａｎｄ ｆｉｎｅ ｍａｔｃｈｉｎｇ．Ｂａｓｅｄ ｏｎ ｓｕｃｈ ｐｏｉｎｔｓ ｐａｉｒｓ，Ａｅｒｏｐｈｏｔｏｓ ａｒｅ ｒｅｇｉｓｔｅｒｅｄ ａｕｔｏｍａｔｉｃａｌｌｙ． Ｋｅｙ ｗｏｒｄｓ：ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ＳＵＳＡＮ ａｌｇｏｒｉｔｈｍ；ｉｍａｇｅ ｒｅｃｔｉｆｉｃａｔｉｏｎ；ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ
１ 引 言 图像配准是图像分析和处理的基本问题．是遥感影像分 析、遥感影像自动制图、三维重构等方面的关键技术之一．图 像配准就是建立两幅图像之间的对应关系，确定相应几何变 换，对两幅图像的同一目标进行匹配．自动配准方法通常可以 分为两大类：基于区域（ａｒｅａ—ｂａｓｅｄ）的方法和基于特征（１ｅａ— ｔｕｒｅ—ｂａｓｅｄ）的方法 ． 基于区域的方法将一幅图像上的小窗口内像素与另一个 图像上同样尺寸窗口傲统计比较．通常选用归一化的互相关 作为测度，然后将满足条件的窗口中心作为控制点用于求解 两幅图像之间的变换参数［２］．基于特征的方法是根据两幅图 像的相同特征的几何关系计算配准参数，因此这类方法首先 要提取边缘、点、线、曲率、矩、面积等特征［３］． 本文提出了一种基于特征的配准方法．该方法的特点之 是使用了ＳＵＳＡＮ算子提取图像的角点（ｃｏｒｎｅｒ）．和传统特 征提取算子相比它具有精确、抗噪声和高速的特点ｎ］．对检测 出的角点，通过粗匹配和细匹配两个步骤得到匹配角点对．最 后根据这些角点对对图像配准．试验表嘎该方法能较好地完 成序列航空影像的自动配准．
２方法概述 算法流程如图１所示．对输入的两幅图像分别用ＳＵ ＳＡＮ算子提取角点，通过局部相关得到候选匹配角点对，然 置 Ｎ—ｉｌ 豳一圜一圈一固
图１算法流程 Ｆｉｇ．１ Ｂｌｏｃｋ ｏｆ ａｌｇｏｒｉｔｈｍ
后用松弛算法做精确匹配．最后根据这些角点对的几何关系， 做图像配准．其中两个关键技术是角点的提取和匹配． 下面介绍ＳＵＳＡＮ算法．
３ ＳＵＳＡＮ算法 ３．１ ＳＵＳＡＮ算法思想 为了说明ＳＵＡＮ算法的思想，以图２的简单二值图像为 例．如图２所示，在白色背景下有一个黑色矩形区域．圆形模 板（中央像素称为核）位于图像中五个不同位置．比较模板内 像素的亮度与核的亮度之间的大小关系，与核的亮度相同的 像素数目之和定义为模板的面积．这个面积就称为ＵＳＡＮ （Ｕｎｉｖａｌｕｅ Ｓｅｇｍｅｎｔ Ａｓｓｉｍｉｌａｔｉｎｇ Ｎｕｃｌｅｕｓ）．··
收穑日期：２００２—１１—０８基金项目；国家“九五”重点科技攻关（９６－－Ｂ０２—０１—０５）资助。 作者简介 张迁，高级工程师，博士研究生，主要研究 方向为遥感图像处理，计算机视觉、模式识别；刘政凯，教授，博士生导师，主要研究遥感图像处理，神经网络、模式识别、多媒体通信及远程教育 等；庞彦伟．博士研究生．主要研究方向计算机视觉，模式识别等．
维普资讯 http://www.cqvip.com １１３Ｏ 小型微型计算机系统 ２００４年 图２的模板面积在图３中用白色表示． 观察图３中的各个模板，容易发现， （１）当核位于平坦区域时（１ｌｐ模板ｅ），ＵＳＡＮ面积最大； （２）当核位于一条直线边缘附近时（１ｉｐ模板ａ），ＵＳＡＮ面 积减少； （３）当核恰好位于直线边缘上时（即模板ｂ），ＵＳＡＮ面 积减半； （４）当恰好位于核位于角点（二维特征）上时，ＵＳＡＮ面 积仅是（１）的四分之一． 总之，ＵＳＡＮ模板运算后得到的是ＵＳＡＮ面积，ＵＳＡＮ 面积越小，表明当前点是特征点的可能越大，也即输出图像增 强了特征点，而且对二维特征（如角点）的增强程度要大于对 维特征（直线边缘）的增强．因此将这种算法成为ＳＵＳＡＮ （Ｓｍａｌｌｅｓｔ Ｕｎｉｖａｌｕｅ Ｓｅｇｍｅｎｔ Ａｓｓｉｍｉｌａｔｉｎｇ Ｎｕｃｌｅｕｓ）算法．
图２ 图像上不同位置上的圆形模板 Ｆｉｇ．２ Ｃｉｒｃｕｌａｒ ｔｅｍｐｌａｔｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｐｏｓｉｔｉｏｎ
ＳＵＳＡＮ边缘、角点增强的特点： （１）对角点的增强大于对一维边缘的增强，适合用于基 于角点匹配的图像配准｝ （２）无需梯度运算，保证了算法的效率； （３）ＳＵＳＡＮ算法的积分特性（在一个模板内计算ＵＳＡＮ 面积），使得它有很好的抑制噪声的特点． ３．２ ＳＵＳＡＮ算法的数学描述 ＳＵＳＡＮ模板在在图像上滑动，在每一位置上，比较模板 内各图像像素的亮度与模板核的亮度： ｆ １，女口果ｌｌ ｌ（ｒ—ｌ（ｒ。）ｌｌ！ ｔ ｃ（ｒ，ｒｏ）一 （１） 【２，如果ｌｌ（ｒ一 （ＡＫｒ一）。ｌ＞ｔ 式中，ｒ。是核在二维图像中的位置，’ｒ模板内除核之外的 个点的位置， （；）为模板内任意点亮度值，Ｚ（ｒ。）为核点的 亮度值，ｔ亮度差的闭值，ｃ（ｒ， ｒ。）亮度比较的结果．公式（１）的 更稳定可靠形式为 Ｃ（ｒ， ｒ。）一 一（—Ｉ（￣＇） －ＩＧ０）） （２） 模板内所有点（共 个）与核亮度比较的和为； ｆｇ一，ｌ（ｒａ），如果ｎ（ｒ。）＜ｇ Ｒ（ｒ。）一 （４） 【０， 其它 如果模板能取到的最大 值为 ，几何闲值ｇ通常可取为３ ×，ｌ…／４ ４基于ＳＵＳＡＮ算法的角点检测 通过上述分析可知，ＳＵＳＡＮ算法的下列特征使得它非 常适用于图像配准中的角点检测． 如图３的模板ａ所示，角点的ＵＳＡＮ面积为，ｌ一的四分 之一，因此本文在用ＳＵＳＡＮ算法检测角点时，几何闭值ｇ取 在，ｌ～／４附近． 模板中与棱的亮度不同的像素 模板中与棱的亮度相同的像素 图３不同位置上模板的ＵＳＡＮ面积 Ｆｉｇ．３ ＵＳＡＮ ａｒｅａ ｏｆ ｄｉｆｆｅｒｅｎｔ ｐｏｓｉｔｉｏｎ ｉｎ ｃｉｒｃｕｌａｒ ｐｏｓｉｔｉｏｎ ５角点匹配 在检测出两幅图像的角点之后，需要要找出两幅图像角 点之间的对应关系即角点匹配．分两步完成，即角点的初始匹 配和精匹配ｌ５］． 设两幅图像分别为ｌ 和ｌｚ，检测出的角点位置分别为 （ ， ）和（ ，ｑ，），以这两个角点的模板分别为Ｍａｓｋ 和 Ｍａｓｋｚ．计算两个模板之间的相关系数ＣＯＯ，ＣＯ的值位于区间 ［－１，１］内．如果ＣＯＯ大于给定闭值，则认为角点（ ， ）和（ ， ）是候选匹配角点．这一步即为粗匹配． 假设旋转和比例变化较小，可以忽略，比较候选匹配对的 平移向量的一致性，一致性好的候选匹配对作为最后的匹配 对．设候选匹配对集合为｛户＾一ｇ＾，ｋ＝１，２…．，Ⅳ矗｝，Ⅳ 为匹 配对的个数．集合中的两个匹配对为｛ —ｇＩ｝和｛户 一ｇ ｝，它 们的差为Ｔｉ＝ｑｉ－ｐ 和Ｔｊ＝ －ｑｊ．如果它们是正确的匹配对， 则丁 和丁 的差比较小（方向和幅值的差都比较小），如图４ 所示．即用丁 和丁，表示匹配对的一致性．
㈥ ４
图乏 王 叫。
然后 （；。）与一个给定闭值ｇ（称为几何闭值）比较，得到图像 另一方面，通过观察正确的角点总聚集在一个邻域内因
的边缘响应； 此，如果一个候选角点周围的邻域内有一定数目的角点则认
维普资讯 http://www.cqvip.com ７期 张迁等：一种遥感影像的自动配准方法 １ｌ３１ 为它是正确的角点．这样可以取出一些孤立角点．通过粗匹配 和精匹配就得到了有效角点．倒如圉５、图６中的白色 × 标 记就是梭｛曼４出的匹配角点． 利用匹配角点对的几何关系可以很容易地配准图像．
６圈像的配准 在找出对应的角点之后，根据角点的对应关系．采用二次 多项式的最小二乘法计算两个图像之间变换系数． 『 ：日。＋ｄ】Ｘ＋ｄ ２ｙ＋４３Ｘ 十ａ。ＸＹ＋口，Ｙ ｌ ＝ ＋ Ｘ＋６ ＋６２ｙ＋６ｊ ＋６． ｙ＋６５ 其中 ， 为参考图像的坐标．Ｘ．Ｙ为待匹配田像的坐标 ｄ ～ ｓ， ～占５为系数．通过最小二乘法求出系数之后．对于原 待匹配的图像使用飘线性内插进行重采样，井将变换后的图 像进行拼接就可以得到自动配准后的遥感影像镶嵌图．
７试验结皋及结论
田５第一幅遥感图像 田６第二幅遥感图像 Ｆｉｇ．５ Ｆｉｒｓｔ ａｅｒｏｐｈｏｔｏ Ｆｉｇ．６ Ｓｅｃｏｎｄ ａｒｅｏｐｈｏｔｏ 圈５ 圈６是两幅避癌影像．图像太小为５１２×５１２，采用
ＳＵＳＡＮ算子检涮角点并匹配后的角点用白色“× 表示．效 图７配准后的结果 Ｆｉｇ ７ Ｒｅｓｕｌｔ ｏｆ ｍａｔｃｈｅｄ