面向震害信息提取的多源遙感圖像自動配準

楊德賀，陳宜金，楊 溪，呂京國，張子昕，張 帥

(1.中國礦業大學(北京)地球科學與測繪工程學院，北京 100083;2.北京建筑工程學院，北京 100044)

0 引言

多源遙感圖像已應用于地震災害監測、國土資源勘查和運動目標識別等各種領域，而圖像配準是遙感應用的重要基礎。單一傳感器圖像的幾何配準就是通過尋找2 景圖像的相同或相似區域的偏移量，對待配準圖像進行重采樣，受噪聲和灰度變化的影響比較大。多傳感器獲取的圖像具有互補性和冗余性，包含了更加豐富的信息，可反映地物特點的全面性;因此，多源遙感圖像的幾何配準是利用相似性測度計算圖像間的變換參數，將同一區域的多景圖像變換到同一坐標系統下，實現像元的最佳匹配。將配準后的圖像應用于地震等級評估中，可解決地震救援和震害評估對基礎資料需求的問題。地震災害信息提取是指利用多源遙感圖像的光譜信息或紋理特征判斷地震災害信息變化程度。

在特征定位、變化檢測和立體視覺等不同應用中，需要進行亞像元級的圖像配準，而像元級的配準算法(例如:空域互相關配準［1］、傅里葉變換配準［2］等)很難滿足亞像元級圖像配準的高精度定位要求。目前，學術界傾向于研究亞像元級配準方法，包括插值方法［3］、微分法［4］和最大互信息法［5］等。插值法取決于插值的質量;微分法對光照的變化敏感;而最大互信息法則需要人工干預選取特征點。上述方法均不適合多源遙感圖像的自動化配準。

針對此問題，本文提出了多源遙感圖像自動配準算法和分類流程，由以下幾個步驟組成:①提取影像特征點以獲取同名點，采用隨機抽樣一致性(random sample consensus，RANSAC)算法剔除誤匹配點;②通過對數極坐標變換，求解旋轉和縮放因子;③采用頻域相位相關算法計算圖像間的偏移量，利用插值算法對待配準圖像重采樣，實現待配準圖像與基準圖像的幾何配準;④利用地震前圖像和與之配準的地震后圖像進行重點區域特征提取;⑤面向特征信息提取結果，開展基于特征的震害信息提取。

1 算法

1.1 Moravec 特征點提取

Moravec 是點特征提取的經典算子［6］，在以每一個像元為中心的影像窗口(w，w)中，計算對角線方向4個相鄰像元灰度差的平方和作為感興趣值;給定一個經驗閾值t(一般取整景圖像的灰度均值)，將感興趣值大于閾值的點作為候選點;選取一定大小的窗口，從候選點中選擇一個最大的感興趣值作為特征點。該算子具有計算量小、不丟失灰度信息等優點，由(w，w)和t 決定特征點的數量。

RANSAC 算法是一個以迭代法來估計參數的數學模型［7］，應用于基于特征的圖像配準中，具有較高的剔除誤匹配點的能力。首先，它依據設定的容許誤差，將所有的初步匹配點對分為內點和外點;然后，采用比較準確的內點來進行參數估計，剔除誤匹配點。該算法具有較高的可靠性、配準精度和魯棒性等優點。點匹配與誤匹配點剔除的技術流程如圖1 所示。

圖1 特征點匹配流程Fig.1 Flow chart of matching process for feature points

以地震前全色波段遙感圖像為基準圖像、地震后高分辨率數碼圖像為待配準圖像，采用Moravec特征提取算子進行特征點提取(圖2)。

圖2 Moravec 特征點提取效果Fig.2 Extraction of feature points with Moravec

1.2 對數極坐標變換

對數極坐標變換是從笛卡爾坐標系變換到對數極坐標系，將圖像匹配中笛卡爾坐標系下的旋轉和縮放變換轉化為對數極坐標下的平移變換［8］。笛卡爾坐標系可表示為

式中:z 為笛卡爾坐標空間;(x，y)為點坐標;ρ 為點的極徑;θ 為點的極角。

對數極坐標系可表示為

映射變換將圖像在軸向縮放和旋轉上的變化轉變為對數極坐標上的水平和垂直方向位移，從而實現從一個圓形區域的圖像映射成一個矩形區域的圖像，即為對數極坐標的二維不變性。縮放和旋轉可表示為

式中:Δρ 為放大倍數;Δθ 為旋轉角度。

水平和垂直方向上的縮放和旋轉表示為

圖3 示出對數極坐標變換的結果。

圖3 對數極坐標變換Fig.3 Logarithmic polar coordinate transformation

1.3 相位相關與插值

首先，利用相位相關和插值算法對2 景圖像進行插值，以提高圖像分辨率［9］;然后，進行傅里葉變換，利用頻域相位相關的多相位分解求出圖像之間的位移關系，則可得到圖像之間的亞像元級配準結果。

2 景圖像存在的水平和豎直方向的平移矢量，通過插值放大一定的倍數，以解決頻域相位相關非整數不能求解的問題。對2 景插值前圖像的歸一化互功率譜進行傅里葉逆變換，得到單位脈沖響應函數。它采用二維sinc 函數來近似，通過解求sinc 函數，求得相位相關峰值處坐標，即可解出平移矢量。常用的插值算法有最鄰近插值法、雙線性插值法和三線性插值法。圖4 示出一維sinc 函數。

圖4 sinc 二維空間(左)和三維空間顯示(右)Fig.4 Display of sinc in 2D (left)and 3D(right)

1.4 基于特征的圖像分類

應用于地物分類的圖像含有不同類型的地物，需要選擇一定的特征代表不同類型的地物;以一定的方法將特征所對應的空間劃分為不同的子空間，使圖像中代表各類地物的像元歸為相對應的子空間。因此，在進行遙感圖像分類時，既要考慮影像的灰度信息，也要顧及影像的結構信息，故需要選擇不同的影像特征參數來反映這些要求。目前，常用的影像特征參數包括均值、方差、能量、對比度、熵、相關性和均質度等［10］。采用光譜信息與結構信息等多種特征相結合的方法，可以充分利用影像灰度及其分布的信息，改善圖像分類的效果。

2 實驗

2.1 數據源

實驗數據為四川省玉樹地區2009年5月Quick-Bird 全色波段遙感圖像和2010年6月ADS40 機載高分辨率數字圖像。選取其中1個波段的圖像進行幾何配準實驗，配準精度為0.1個像元;并進行灰度變化和抗噪性實驗，測試兩者對配準結果的影響。實驗證明，基于傅里葉變換的配準方法具有較高的魯棒性和較強的抗噪性。在旋轉和縮放的情況下，本文提出的自動配準方法具有較高的穩定性。分類后的變化檢測實驗表明，穩定的幾何配準對信息變化檢測有較高的魯棒性。圖5 示出本次實驗的流程。

圖5 實驗流程Fig.5 Flow chart of experiment

2.2 配準實驗

以震前QuickBird 全色圖像為基準圖像(圖6(a))，以震后ADS40 航攝圖像為待配準圖像(圖6(b))，使用本文提出的自動配準方法進行多源遙感圖像的幾何配準實驗，獲得與QuickBird 全色圖像配準的ADS40 航攝圖像(圖7)，用于配準的特征點均方根誤差RMSE=0.96 像元(表1)。

圖6 地震前QuickBird(左)和地震后ADS40(右)圖像Fig.6 QuickBird image before earthquake (left)and ADS40 image after earthquake (right)

圖7 配準后的ADS40 圖像Fig.7 ADS40 image after registration

表1 部分特征點誤差Tab.1 Error of some feature points (像元)

不同時相的多源遙感圖像，因受大氣、太陽入射角、視角及地形的影響，導致地震前后影像灰度變化大，影響到特征匹配的效果，所以在幾何配準前要對地震后圖像進行相對輻射校正(即輻射歸一化)。經灰度調整后，采用Moravec 對2 景圖像提取匹配的特征點;利用RANSAC 剔除誤匹配點對，對匹配的特征點對進行對數極坐標變換;解求變換點對的旋轉角和縮放系數，進行相位相關求解偏移量;采用雙線性插值重采樣完成配準過程。

2.3 灰度變化和噪聲對配準的影響

通過灰度線性變化函數D=aT+b(其中a，b 為灰度變化因子)，使原來的灰度值T 變為D。由于噪聲對圖像的配準存在影響，故利用衡量噪聲強弱的信噪比的對數函數來加入噪聲。圖8 示出灰度變化后和加入椒鹽噪聲后的圖像。

圖8 灰度變化后(左)和加入椒鹽噪聲后(右)圖像Fig.8 Images after gray change(left)and adding noise(right)

從表2 可以看出，灰度變化和噪聲對配準誤差的影響都比較小。

表2 灰度變化和噪聲對配準誤差的影響Tab.2 Influence of gray change and noise to registration error

2.4 配準誤差對分類精度的影響

對自動配準后的2 期遙感圖像進行了分類比較。結果表明，當配準誤差較大時，分類面積的平均變化率會較大，但也會穩定在一定范圍;當配準誤差較小時，分類面積的平均變化率較小，分類精度較高。表3 示出不同配準誤差下的地物分類變化率。

表3 不同配準誤差下的分類變化率Tab.3 Change rate of classification under different registration errors

2.5 震害信息提取

本文采用分類后處理的方式提取地震災害信息。針對所提取的重點目標區域，以多特征統計向量為分類標準。首先對地震前后的重點區域分別進行基于特征的分類，然后根據2 期圖像的分類結果進行變化檢測(圖9)。

圖9 震害信息提取Fig.9 Extraction of earthquick damage informatiom

震害信息的提取結果詳見表4。

表4 震害信息提取結果Tab.4 Extraction results of earthquick damage information (像元)

從圖9 和表4 可以看出，地震前、后房屋、裸地和道路3 種類別的區分明顯，分類效果較好;地震后的總體分類精度為68%，說明地震后的分類結果與地震前的實際類型相差較大;地震后的裸地類別變化相對較小，地震后道路和房屋變化相對較大。盡管研究區域中的房屋損毀情況比較大，但是對房屋的分類較為準確。震害信息變化圖(圖9(c))表明，對多源遙感圖像進行幾何配準、分類后，能夠檢測出房屋、裸地、道路等不同類別的損毀程度，可以為震害損毀分析與評價提供重要信息。

3 結論

本文提出了多源遙感圖像自動配準的算法，并通過震害信息檢測對配準的效果進行了驗證。結果表明:

1)解決基準圖像和待配準圖像的旋轉、縮放以及配準自動化問題是當前多源遙感圖像幾何配準的難點。幾何配準精度的高低也決定了圖像分類效果的好壞，并會對變化檢測的結果產生影響。

2)本文提出的面向地震災害信息提取的多源遙感圖像自動配準算法，經遙感圖像數據的幾何配準實驗證明，該算法綜合了Moravec 算子、RANSAC算子、對數極坐標變換和相位相關等算法的優點，實現了多源遙感像亞像元級的自動配準，較好地解決了灰度變化和噪聲對幾何配準的影響以及基準圖像和待配準圖像的旋轉和縮放等問題。

3)將用本文方法配準后的震前和震后圖像應用于地震災害信息提取，震害類型變化信息統計結果表明，較高的幾何配準精度提高了震害的分類精度，說明本文提出的高精度自動配準方法和基于特征的分類可以較好地應用于地震震害評估、海洋水色反演等領域的實時變化檢測中。

本文的不足之處為:①因獲取遙感圖像的時相及傳感器等方面的不同，會出現實際未變化地物卻存在灰度變化的情況，所以本文的幾何配準方法研究應采用相對輻射校正處理后的遙感圖像;②本文涉及的算法比較復雜，下一步工作將研究如何運用并行計算方法提高計算效率。

［1］吳金鹿，陳紹煒，孫 磊.一種基于互相關匹配的空域目標提取方法［J］.科學技術與工程，2011，11(32):7948－7951.Wu J L，Chen S W，Sun L.An airspace object extraction method based on cross－correlation matching［J］.Science Technology and Engineering，2011，11(32):7948－7951.

［2］林 茂.基于改進的曲線傅里葉變換圖像配準研究［J］.計算機仿真，2011，28(10):265－268.Lin M.Improved digital image contour curve Fourier descriptor algorithm［J］.Computer Simulation，2011，28(10):265－268.

［3］詹 毅.基于泰勒展開式的圖像插值方法［J］.計算機工程，2012，38(13):202－204.Zhan Y.Image interpolation method based on Tyler expansion［J］.Computer Engineering，2012，38(13):202－204.

［4］張曉芬.基于偏微分方程的圖像配準技術研究［D］.河北:華北電力大學，2009:32－39.Zhang X F.Research on image registration technique based on PDE’s［D］.Hebei:North China Electric Power University，2009:32－39.

［5］程有娥.基于角點特征和最大互信息的圖像配準［J］.計算機系統應用，2012，21(6):186－190.Cheng Y E.Image registration based on mutual information and corner points［J］.Computer Systems and Applications，2012，21(6):186－190.

［6］劉曉龍，李英成.基于多源遙感影像融合的影像匹配技術［J］.測繪科學，2007，32(3):59－61.Liu X L，Li Y C.Image matching based on multi－source remotesensing image fusion［J］.Science of Surveying and Mapping，2007，32(3):59－61.

［7］周劍軍，歐陽寧，張 彤，等.基于RANSAC 的圖像拼接方法［J］.計算機工程與設計，2009，30(24):5692－5694.Zhou J J，Ouyang N，Zhang T，et al.Image mosaic method based on RANSAC［J］.Computer Engineering and Design，2009，30(24):5692－5694.

［8］雷 凱，劉艷瀅，王延杰，等.基于特征點的對數極坐標變換圖像配準算法［J］.光學技術，2007，32(3):435－437.Lei K，Liu Y Y，Wang Y J，et al.Log polar transformation based on feature points for image registration［J］.Optical Technique，2007，32(3):435－437.

［9］劉衛光，崔江濤，周利華.插值和相位相關的圖像亞像素配準方法［J］.計算機輔助設計與圖形學學報，2005，17(6):1273－1277.Liu W G，Cui J T，Zhou L H.Subpixel registration based on interpolation and extension phase correlation［J］.Journal of Computer－aided Design and Computer Graphics，2005，17(6):1273－1277.

［10］賈永紅.數字圖像處理［M］.武漢:武漢大學出版社，2003:182－186.Jia Y H.Digital image processing［M］.Wuhan:Wuhan University Press，2003:182－186.