[发明专利]遥感影像高精度控制点自动选择方法

说明书

技术领域

本发明属于计算机视觉和遥感领域，具体地说，涉及到遥感影像配准中控制点的自动选择。

背景技术

在遥感影像的很多具体应用中，要求的配准精度很高[1]Dai X andKhorram S.The effects of image misregistration on the accuracy of remotelysensed change detection.IEEE Trans.Geosci.Remote Sensing，1998，vol.36，pp.1566-1577；[2]Townshend J R G，Justice CO，Gurney C and McManusJ.The impact of misregistration on the detection of changes in land cover.IEEE Trans.Geosci.Remote Sensing，1992，vol.30，pp.1054-1060，通常要达到亚像素级，如遥感信息融合、资源变化测量、图像镶嵌等。高精度配准意味着映射模型的合理选择和模型参数的精确估计，通常，模型类型根据先验知识来确定，而模型参数的估计则完全依赖于控制点的性能。

遥感影像配准的几何映射模型通常分为两种类型[6](Zitová B andFlusser J.Image registration methods：a survey.Imaging and VisionComputing，2003，21：977-1000)。第一种是全局映射模型，即整幅图像的变换模型只有一个，如常用的刚体变换、多项式变换等。由于遥感图像尺寸大，通常每个方向达到数千到上万像素，场景覆盖范围广，可达到几万到几十万平方公里，成像环境复杂，场景内容变化多样，因此，一般情况下整幅影像采用一个全局映射模型是不恰当的。第二种映射方式是局部映射模型，这种模型可以处理局部变形的情况，即映射函数与像素或图像区域的位置有关，每个位置或区域采用不同的映射函数，如分段线性映射[3]、分段多项式映射[4]，TPS(Thin Plate Spline)映射[5]等。

([3]Goshtasby A.Piecewise linear mapping functions for image registration.Pattern Recognition，1986，19：459-466

[4]Goshtasby A.Piecewise cubic mapping functions for image registration.Pattern Recognition，1987，20：525-533

[5]Bookstein F L. Principal warps：Thin-plate splines and the decompositionof deformations.IEEE Trans.Pattern Anal.Mach.Intell.，1989，vol.11，no.6，pp.567-585)

映射模型参数的估计是通过控制点来实现的。对整体变换模型来说，由于控制点的数量通常要远远多于确定模型所需要的最低要求，因此常采用最小二乘拟合的方法来计算模型参数。最小二乘拟合方法使得控制点位置的平方误差和最小，这也意味着，这种方法可以容忍控制点具有一定的误差。经验表明，当控制点数量较多且分布比较均匀时，这种方法是非常有效和非常精确的[6]。而局部映射模型大都采用插值的方法，这类方法要求控制点对应是精确的，而控制点周围像素的映射函数强烈依赖于与邻近控制点之间的关系。确定大量的精确控制点是这类方法的难点所在，目前，在遥感领域，控制点的选择仍然以人工方式为主。

下面，我们首先回顾一下文献中控制点自动匹配方法。

文献中控制点匹配方法很多[6]，但大多数方法都遵循这样一个框架：首先在参考图像和输入图像中分别提取诸如封闭区域、边缘、线段交点、角点等作为图像特征，然后借助于特征的不变量描述或者空间关系确定参考图像和输入图像中的对应特征，将匹配后的特征用代表性的点来表示(如区域重心等)，并将这些点作为对应控制点。但是，由于成像环境存在不可避免的干扰因素，再加上特征点提取算法固有的特点，自动算法提取的控制点位置和实际位置总会存在一定的误差，通常干扰越大，误差越大。在复杂的遥感图像配准中，期望通过这类方法选择的控制点的精度达到亚像素级是不现实的，甚至对一般的视频图像来说，也很难达到这个精度要求。