[发明专利]基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法

说明书

技术领域

本发明属于一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，具体涉及一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法。

背景技术

随着现代科学技术的迅猛发展，特别是航空/航天技术、影像技术、数据通讯技术的发展以及新型传感器的不断更新，遥感技术已经进入了一个能够动态、快速、准确提供多种对目标观测数据的全新阶段，使得人们获取遥感数据的能力不断提高，获取的数据信息量越来越丰富，类型越来越多样，例如高光谱图像，多光谱图像，多时相图像等。遥感图像中包含了丰富的目标物体信息，充分的利用这些信息，综合分析获得所需数据，以达到全面地了解目标特性的目的。然而，由于不同传感器获得的同一目标的遥感影像，存在着平移、旋转、缩放等一系列不同的变换，而并未进行空间上的对准，所以为了消除对应影像之间的几何误差就需要对两幅或者多幅遥感图像进行配准。

现有的图像配准方法大致分为两类：基于灰度的配准方法和基于特征的配准方法。基于灰度的配准方法主要包括灰度互相关方法和互信息方法。多时相/多模态遥感图像由于成像机理、视角、尺度、波段、时相等不同而导致配准图像之间往往存在较大的灰度、对比度、平移、旋转等差异，使得基于灰度的配准方法难以适用，因此多时相/多模态遥感图像配准更多的是采用基于特征的配准方法。其中，由于大多数图像很难保证提取出足够多的区域轮廓信息，且配准精度取决于特征提取的准确程度，从而限制了基于封闭区域图像配准的广泛应用。更多的特征配准方法是先提取出图像特征点，如角点、sift点等，然后结合特征点之间的相似关系或局部区域的灰度、梯度等信息来建立特征点之间对应关系，最终实现图像准确配准。基于Hu不变矩对噪声比较敏感，基于Zernike矩由于只取Zernike矩的幅值，缺乏考虑相位信息，从而丢失了图像中像素间的几何关系，SIFT算子则是一种基于梯度分布的局部不变描述算子，在对比度差异较大的多光谱或多传感器遥感图像中，梯度并不能够提供稳定的信息，从而限制SIFT算子的应用。文献“Bo Yang,Gengxiang Li et al.Rotation and translation invariants of Gaussian-Hermite moments.Pattern Recognition let.32(2011)1283-1398.”公开并构造5阶18个矩特征，并证明了这些Gaussian-Hermite矩具有平移和旋转不变性。如果将图像看作是二维密度分布函数，矩表征了图像的全局的分布特性，可以用于描述一幅图像的特征信息。图像的Gaussian-Hermite矩在图像处理和分析方面有重要的作用，已经被应用到图像识别、分割，分类等方面，并且取得了一定的成功，但并未应用到图像配准领域。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，克服现有技术方法不容易实现灰度或对比对差异较大的遥感图像配准，以及图像配准精度比较低的不足。

技术方案

一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于步骤如下：

步骤1：对基准图像和待配准图像进行高斯平滑滤波；首先进行水平平滑滤波，再进行垂直平滑滤波；

步骤2：对平滑后的基准图像和待配准图像分别进行Harris角点检测，得到基准图像的标记矩阵和待配准图像的标记矩阵；

步骤3：利用一阶差分得到基准图像和待配准图像的像素幅值矩阵；利用不同的尺度因子得到基准图像和待配准图像的高斯差分图像；以源图像、高斯差分图像和像素幅值图像组成基准图像组和待配准图像组；

步骤4：分别对基准图像组和待配准图像组中的图像，采用不同的尺度因子，构造角点的5阶18个矩特征，作为角点的特征描述；

步骤5：采用基于距离的相似性度量实现角点的粗配准，得到候选匹配点集；

步骤6：采用RANSCA算法剔除候选匹配点集中的误匹配对，利用最小二乘法得到仿射变换矩阵，具体步骤如下：

步骤a：在候选匹配点集P中任选由3对不共线的匹配点估算变换矩阵H；

步骤b：在剩余点对中选择第i对匹配点(P_i，P′_i)，若||P_i-T(P′_i)||＜ε，则将这对候选匹配点选为内点，重复这一步骤直到取完所有余下的候选匹配点对；所述ε＝0.0002；