[发明专利]一种稳健的多模态遥感影像匹配方法和系统

说明书

本发明公开了一种稳健的多模态遥感影像匹配方法和系统，整合各种局部特征描述符进行多模态遥感影像自动匹配。首先对影像进行密集的格网采样，并提取每个格网点的局部特征描述符，形成三维稠密特征表达图，然后基于该特征表达图利用三维傅里叶变换在频率域建立一种快速的匹配相似性测度，最后采用模板匹配进行同名点识别。另外针对所发明的匹配方法，还提出了一种新的稠密特征表达方法梯度方向特征通道(CFOG)，它在匹配性能和计算效率方面要优于基于HOG、LSS、SIFT、SURF等现有的稠密特征表达方式。本发明能有效克服可见光、红外、激光雷达、合成孔径雷达以及地图等多模态影像间的非线性辐射差异，在影像间快速、精确地识别出同名点，实现影像的自动匹配。

技术领域

本发明涉及卫星影像处理技术领域,尤其是一种多模态遥感影像匹配方法和系统，用于可见光、红外、激光雷达、合同孔径雷达以及地图等多模态影像的自动匹配。

背景技术

影像匹配是在两幅或多福影像间识别同名点的过程，它是诸多遥感影像分析如影像融合，变化检测，影像镶嵌等的基本预处理步骤，其匹配精度对后续的分析工作产生重要的影响。目前遥感卫星传感器装载有全球定位系统和惯性导航系统，可对遥感影像进行直接定位和粗匹配，消除影像间明显的旋转和尺度变化，使影像间仅存在一定量(如几十个像素内)的平移差异。尽管如此，由于影像的成像机理的不同，多模态遥感影像间(可见光，红外，激光雷达和合同孔径雷达等)存在显著的非线性辐射差异，导致同名点的自动匹配仍然非常具有挑战性。

目前多模态遥感影像的匹配方法主要可分为：特征匹配和区域匹配。特征匹配是通过影像间显著特征的相似性来实现影像的匹配。常用的特征包括了点特征的方法，线特征的方法和面特征。最近局部不变性特征如Scale Invariant Feature Transform(SIFT)，shape context等在遥感影像匹配中也得到了一定的应用。但这些方法通常需要在影像间提取出具有高重复率的特征，而对于具有显著辐射差异的多模态遥感而言，特征提取的重复率往往较低，因此它们对于多模态遥感影像的自动匹配还存在一定的局限性。

基于区域的方法主要是采用模板匹配的策略，以某种匹配相似性测度为准则，在影像间进行同名点识别。在此过程中，相似性测度的选择至关重要，直接影响到后续的匹配精度。常用的相似性测度包括了灰度差平方和、归一化相关系数和互信息等。但这些相似性测度都是利用影像间灰度的相似性进行同名点识别，而由于多模态遥感影像间的灰度信息存在较大的差异，所以它们无法较好适用于多模态遥感影像的自动匹配。相比于灰度信息，影像的结构和形状属性具有较高的相似性，而且相关研究利用梯度方向直方图(Histogramof Orientated Gradient,HOG)、局部自相似(Local Self-Similarity,LSS)等局部描述符提取影像的结构和形状特征，并在此基础上建立相似性测度进行影像匹配，提高了匹配性能。尽管如此，HOG和LSS只是利用影像的局部信息进行特征构建，或者利用所提取特征点的邻域信息计算特征，是一种稀疏的特征表达方式，难以很好地反映多模态影像间的共有属性，而且其计算效率较低。

鉴于此，本发明构建了一种稳健的多模态遥感影像匹配方法，该方法可以整合各种局部特征描述符进行多模态遥感影像自动匹配。该方法首先对影像进行密集的格网采样，并提取每个格网点的HOG，LSS、SIFT或Speeded-Up Robust Features(SURF)等局部特征描述符，形成三维的稠密特征表达图，来反映影像间共有的结构和形状属性。然后基于该特征表达图，建立影像匹配的相似性测度，并采用模板匹配的策略进行同名点识别，另外针对所发明的方法，构建了一种基于方向梯度特征的稠密特征描述符，名为方向梯度通道特征(Channel Feature of Orientated Gradient,CFOG)。它在匹配性能和计算效率方面要优于稠密的HOG，LSS、SIFT和SURF等特征表达技术。

发明内容