长时间序列遥感影像数据自动配准技术

李凯睿

（武汉大学测绘遥感信息工程国家重点实验室 湖北省武汉市 430000）

1 引言

随着人类对地观测能力的增强，遥感数据呈现多元化和海量化，揭示着遥感大数据时代的到来。具备多平台、多分辨率、多时相、多层面、多种传感器、多角度、多光谱等特点的遥感影像数据网络化平台可获得多分辨率、多种类、高覆盖度的海量多源遥感数据。不同类型数据具有不同特点，如何实现多源遥感数据的优势互补最大化是当前的热点问题之一。其中影像的准确配准是充分利用异源遥感数据分析的基础，也是变化监测等遥感应用的重要保障。由于土地利用及覆盖类型随时间的变化，不同时相下的异源影像差异较大，因此如何高效处理长时间序列遥感图像自动配准对解决影像融合等问题具有重要现实意义。

影像配准是指匹配或重叠在不同时间、不同传感器或不同条件下获取的两个或多个影像的过程。常用的影像配准有利用尺度不变特征变换(SIFT)、局部相位描述符[2]等基于特征的方式，另一种利用互信息[3]方法、相位一致性等[4]基于区域的方法进行配准。基于区域的匹配方法能够在特征重复率明显降低的多源遥感影像间获取更多的可靠同名点。本文考虑相位一致性模型及对配准变换模型的鲁棒性评估提出基于区域的长时间序列影像配准方法，使不同时相异源影像自动配准结果更加准确。

2 长时间序列遥感影像数据自动配准方法

本文基于全球无缝影像和全球DEM 数据，利用影像模拟技术估计成像参数，再对待匹配与参考影像进行一致特征点提取及匹配并代入配准变换模型估计鲁棒性，最后精纠正待配准的影像，得到配准后结果。

2.1 参考影像模拟

本文根据待配准影像的成像参数（RPC 参数），估算待配准影像的地理范围后从全球无缝影像库和全球DEM 库提取范围内的参考影像和DEM。利用影像模拟技术模拟待配准影像RPC 参数，对参考影像和DEM 进行模拟成像，生成角度、分辨率、地表形变与待配准一致的影像，从而最大化消除影像分辨率、拍摄角度和地形起伏对影像匹配的影响。其中影像模拟中采用迭代法解决影像中光线和DEM 相交的问题。具体为获取初始高程Z 作为DEM 的平均高程，得到对应X,Y 坐标，由上述坐标基于DEM 更新高程Z，重复该过程直至高程Z 不变。

2.2 影像一致特征提取与匹配

利用基于相位一致性的特征匹配方法可获取影像之间的连接点。具体步骤分别是特征点提取、特征描述符和特征点匹配。

2.2.1 特征点提取

特征点提取的具体步骤为：分别计算两张影像所有像素的相位一致性大小得到影像的相位最小矩值。其次为保证特征点的均匀分布，对影像进行分块处理，设置阈值对每一块影像的相位最小矩图进行非极大值抑制，提取出极大值点作为影像的特征角点。相位一致性模型是一种基于图像局部相位的特征检测方法，该模型对异源影像的处理具有很大优势。相位一致性可用对数Gabor 小波在多尺度空间计算[4]，公式为：

其中，

式中，PC(x,y)表示在像点(x,y)相位一致性的强度值，Wo(x,y)是加权项，Aso(x,y)为像点(x,y)在log Gabor 滤波器尺度s 和方向o上的振幅，ΔΦso(x,y)为相位偏移，T 为噪声阈值，ε 是一个避免除数为零的常数，■」符号表示值为正时取本身，否则取0。

2.2.2 特征描述符

相位一致性模型能有效提取出影像的几何形状和结构信息，对灰度值差异有良好的鲁棒性。因此将利用相位一致性的强度和方向来构建角点的特征描述符。

前文在特征点提取时，已获得了影像相位一致性的强度。相位一致性的方向表示影像特征变化最剧烈的方向，利用多尺度、多方向Log Gabor 奇对称滤波可完成目标。本文将每个方向小波的卷积结果投影到水平方向和垂直方向上，计算每个尺度下的水平方向能量ai(i=1,2,...,S)和垂直方向能量bi(i=1,2,...,S)，分别找到两个方向在所有尺度中能量最大所在的尺度sa和尺度sb，以其中较小的尺度作为最终方向计算的尺度s，在该尺度计算水平方向能量as和垂直方向能量bs的正切值作为相位一致性的方向，其计算公式如下：

为了对影像间的灰度变化差异有更好的鲁棒性，将相位一致性方向限制在[0°，180°)。利用相位一致性的强度和方向信息描述点的特征，示意图如图1所示。

图1：特征描述符构建步骤

2.2.3 特征点匹配

当两幅图像的特征向量生成后，利用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定度量。取图像1 中的某关键点，并对应图像2 中欧式距离最近的前两个关键点，若最近的距离与次近的距离比值少于某个比例阈值，则接受这一对匹配点。该比例阈值越小则匹配点数目较少，模型更加稳定。其次基于影像上的匹配点必需满足一一对应关系的先验知识，可以对匹配点进行检测，删除“多对一”的匹配点。

2.3 配准变换模型的鲁棒估计

前文通过影像模拟消除了影像分辨率、拍摄角度和地形起伏，后续采用低阶多项式对原始影像的姿态和定位误差进行补偿。本文利用随机采样一致统计算法（RANSAC）[5]，从内点支持率的角度找到最可能的正确变换。

3 实验结果

本文使用GF-1 号全色及多光谱数据用于影像匹配。GF-1 卫星搭载了2m 分辨率全色和8m 分辨率多光谱相机，幅宽为60KM，重返周期为4 天，覆盖周期为41 天。实验影像日期为2017年12月27日，参考影像时间戳为1453737601，转换为北京UTC 时间为2016年1月26日。图2 上侧图是未经过配准的城市多光谱影像，上侧影像待匹配影像，下侧为参考影像。下侧图是经过本文配准算法处理之后得到的结果。

图2：未经处理（上）与处理后的遥感影像（下）

在未经过处理的影像中河流、道路等明显地物之间均有明显的错位现象，不同时相影像耕地区域差异显著。而在配准处理后的两幅影像中自然地物边界及林地的纹理特征均可以达到较好的匹配，城市内道路、河流等地物边界均吻合度较高。即表明本文的长时序影像配准方法具有较好的泛化能力。

4 结论

综上所述，本文给出了一种针对不同时相影像的自动配准技术。该方法利用已知参考影像库数据构建RPC 参数进行影像模拟，采用相位一致性模型进行特征点的提取与匹配，借助RANSAC 算法对误差进行补偿，估计模型鲁棒性并得到最优变换，精纠正得到配准结果。实验结果表明，本文提出的自动配准方法有效的克服影像间辐射差异的影响，匹配保留细节，对于长时序的异源影像有更强的泛化能力。