遥感图像的自动配准综述

陈杨

遥感图像配准，是针对两幅或多幅图像重叠区存在几何畸变或空间坐标位置不一致而进行的最佳匹配处理过程。图像配准是图像镶嵌和图像融合中最为重要的步骤，也是图像处理的重要内容之一。1996年，微软研究院的Szeliski提出了一种2D 空间八参数投影变换模型，采用Levenberg-Marquardt 迭代非线性最小化方法（简称L-M 算法）求出图像间的几何变换参数来进行图像配准;张祖勋等利用多级影像概率松弛法有效地解决了不同时相、不同传感器获取的不同分辨率遥感影像之间的配准问题。无论采用何种方法配准，都需要大量的同名点。同名点数量足够且分布均匀是图像精确配准的保证。传统的图像配准需要人工选择同名点，不但极其耗费时间，而且难以保证配准精度。为了克服这个缺点，一些人提出了自动配准方法。但在实际应用中，一般都存在提取的特征点数量不够、特征点分布不均匀或同名点对应不够精确等缺点。

配准中最常用的方法是：先提取参考图像中一些有突出特征的像素，称为特征点;然后搜索这些特征点在输入图像中的对应点（称为同名点），生成一组同名点对，最后利用这些相互匹配的同名点对计算两幅图像的变换关系或映射函数.在实际应用中，映射函数通常选择一阶、二阶或三阶多项式，多项式系数通常是利用同名点对，通过最小二乘拟合的方法求得.我們称这种方法为“ 点匹配”，它是一种从微观细节入手、以点带面的方法.目前大多数的遥感图像处理系统都采用点匹配的方法，以交互的方式选择特征点，但这些系统不能很好地适用于自动处理大量的数据，原因就是多项式的计算要么需要少量十分精确的特征点，要么需要大量次精确但分布均匀的特征点，显然，在这两种情况下，特征点的选取都是一项耗时、耗力的工作，无法适应大数据量的需求.在要求实时处理的应用（如导航）中，这种方法也是不现实的。同时自动配准要考虑的是精度问题.因为在卫星遥感图像中自动地确定有效的、精确的特征点是困难的，太少的点、不准确的点或者分布不均匀的点被选取都可能导致配准的误差，而且这种情况是经常发生的.至今对自动化配准技术的研究是热门的，对基于特征点的自动配准研究较少。

一.几种常用的遥感图像自动配准的方法

1.常用软件自带的配准工具

比如在ERDAS IMAGINE 9.1中是使用APM工具来进行控制点的自动匹配。

影像配准的流程为：

2.兴趣算子

我们可以用兴趣算子的方法快速得到我们想要的控制点。提取特征点的算子称为兴趣算子，即运用某种算法从影像中提取我们感兴趣的、有利于某种目的的点.目前常用的兴趣算子有Moravec 算子、Forstner 算子和Hannah 算子。以Moravec 算子、Forstner 算子为例，1）将参考图像分解为若干个子图，子图之间不互相重叠，所有子图可以覆盖整幅图像;2）利用Moravec或Forstner 兴趣值算子在每块子图上提取一定数量的特征点。采用分块策略获取的特征点分布均匀，完全满足图像配准对特征点分布的要求。利用这两种算子大大提升了获取控制点的速度。Moravec 算子时间复杂度低，提取速度较快，但准确度较低;而Forstner 算子准确度较高，但提取速度比Moravec 算子低。在参考图像中获取了数量足够且分布均匀的控制点之后，如何正确、快速地在待配准图像上搜索与之相匹配的同名点，进而建立参考图像与待配准图像的对应关系是最终准确配准的关键。

传统的同名点匹配方法是遍历整幅图像，手工把相似度最大的点作为同名点，这也是我们操作的一般步骤。而我们可以首先根据已知的同名点对拟合变换方程，将待配准点代入变换方程得到粗匹配点坐标，然后在以粗匹配点为中心的一个较小的范围内搜索，根据相似性测度来确定正确的同名点位置，这样大大提高了获取同名点的速度。

基于初始点的同名点匹配的步骤如下。

1）建立同名点集。根据预先指定的初始同名点对建立一个同名点集。这个点集必然满足变换方程，用最小二乘法解算出方程系数。

2）更新同名点集。将特征点提取步骤中得到的第一个待配准点代入变换方程，计算得到一个图像坐标，以此图像坐标为中心开一个窗口（如：11 ×11），然后在此窗口中搜索，选择和第一个待配准点相似性测度最大的点作为其匹配点，并将它们作为同名点对添加到同名点集中，得到更新过的同名点集。

3）优化方程系数。对更新过的同名点集用最小二乘法重新解算方程，得到新的方程系数。

4）继续更新同名点集和优化方程系数。将第二个待配准点代入系数优化后的变换方程，计算得到一个图像坐标，在以此图像坐标为中心的窗口中搜索，选择相似性测度最大的点作为其匹配点，然后和第二个待配准点作为同名点对添加到同名点集中，并重新解算方程，优化方程系数。

5）依此类推，直到为所有的待配准点都找到了同名点。在同名点匹配中，利用相似性测度为待配准点寻找同名点。常见的相似性测度有相关系数、差绝对值和、误差椭圆等。其中相关系数是精度和可靠性最高的测度，也是最常用的。

二.几种改进后的遥感图像自动配准方法

1.基于金字塔结构的大幅面遥感图像自动配准方法

根据图像大小自动判断金字塔层数，将计算量最大的初始点匹配在最低分辨力图像上完成，有效降低计算开销。而采用的由粗到精的初始点匹配保证了建立的初始变换的准确性，使最初估计的变换参数就已较接近最佳参数，逐层地增加匹配点对的数量、优化参数，进一步保证了配准的精度。

2.基于SIFT算法的大幅面多光谱遥感图像快速自动配准

SIFT特征点是Lowe提出的一种局部不变量特征提取方法。（Lowe D G 2004）该特征点具有较高的重复率，对图像的旋转、缩放以及亮度变化具有不变性，且对仿射变换、视角变换及噪声有一定程度的鲁棒性.因而已被广泛应用于图像拼接、目标跟踪及三维重建等多个领域。SIFT特征点提取方法主要分为3步：（1）特征点检测及定位;（2）生成特征描述符;（3）特征点初匹配。

三.图像自动配准的新进展

上述介绍的图像配准方法都是基于图像像素模型的，认为图像是一系列离散点的无规律的组合。随着图像理解研究的进一步深入.一幅数字图像可以理解为一个连续的物理模型阳的采样：这个物理模型可以是弹性材料、流体材料等;三维图像可以看作一个矢量场。它具有刚度、弹性模量等物理参数。在图像变形比较复杂的情况下，特征描述会随变形发生变化，按传统的基于像素模型的匹配难以建立对应关系，而基于物理模型的方法可以很好地解决这一问题。在基于物理模型的配准方法中。特征匹配和图像变换可以同时完成。对局部的变形敏感，是近年来图像配准技术研究的热点方向。

1）弹性模型

弹性模型是上述物理模型中的一种.原理是把图像视为受力后会发生位移的弹性材料。1981年，Briot首次把弹性模型引入医学图像配准。在此基础上，Bajcsv提出了多分辨率弹性体匹配模型冽。蔡志锋提出了用混合弹性模型解决图像匹配问题刚。有限元法图像配准是一种典型的弹性模型方法。有限元模型的思想來源于弹性力学中的能量最小化原理。Ferrant最早提出了图像配准的有限元模型。并在后来的研究中提出了基于活动表面的迭代算法。有限元算法配准的关键是边界条件的计算和迭代算法，对数据量大的遥感图像配准而言。如何实现上述问题尚需进一步研究。

2）光流场模型

光流场的概念来源于计算机视觉的研究。物体运动时，会在视网膜上形成连续变化的图像，好像一种光的“流”，称为光流。光流包含了运动的信息.如果把图像的变形看作一种运动，则可以使用光流模型进行图像配准。光流场的计算有多种模型，包括差分类模型、基于能量的模型、基于相位的模型等。Barron使用不同的图像特征，对9种计算模型从速度、可靠性和对速度测量性能3个方面进行了比较。Cooper将光流应用到医学图像配准中。张泽旭提出了一种基于光流的红外图像自动配准方法，具有较好的鲁棒性网。与传统的基于像素的配准方法相比，基于物理模型的配准技术尚不成熟。如何建立合理的变形模型模拟传感器的成像机理，如何提高配准的计算速度、配准精度以及对配准的评估都需要进一步的研究。

在本文中，着重介绍了遥感图像自动配准的发展现状，作为我们分析图像的基本步骤，研究快速、有效、高精度的自动图像配准算法成为遥感信息获取中迫切需要解决的问题。本文简单介绍了几种常用的方法，并结合了最新的研究成果提出了自己的期待。

图像自动配准的研究已取得大量成果，但仍有许多问题尚未解决。例如多维配准的计算复杂性如何度量，如何利用弹性图像模型消除图像间非线性的局部变形。多传感器间图像配准，大数据量图像的并行计算，以及并行算法的最优设计等问题，尚需进一步研究。（作者单位：中山大学地信2班）