面向Bayer真彩色航空影像特征匹配的彩色描述符適用性分析*

?

面向Bayer真彩色航空影像特征匹配的彩色描述符適用性分析*

屈新原1，2，3，段福洲1，2，3，趙文吉1，2，3，田金炎1，2，3

(1. 三維信息獲取與應用教育部重點實驗室，北京100048；

2. 城市環境過程與數字模擬國家重點實驗室培育基地，北京100048；

3. 首都師范大學 資源環境與旅游學院，北京100048)

摘要：針對Bayer真彩色遙感影像進行特征匹配時，彩色描述符的效果與適用性問題一直研究較少。結合Bayer真彩色遙感影像成像變化規律和彩色描述符算法特點，從理論上分析彩色描述符的不變性。提出模擬數據評價、不同類別影像評價、任務總體適用性評價等三種實驗方法對彩色描述符適用性進行實驗驗證和分析。通過理論分析和實驗評估，總體上彩色描述符中RGBSIFT算法效果最優，對Bayer真彩色航空影像特征匹配有較好的適用性，并且不同地物屬性影像在特征匹配時有不同的最優彩色描述符。

關鍵詞：Bayer真彩色航空影像；彩色不變量；彩色描述符；特征匹配；適用性分析

輕型和無人飛行平臺搭載各種傳感器及時進行遙感影像獲取已經成為衛星遙感影像的有力補充。其中Bayer真彩色影像是輕型和無人飛行遙感平臺獲取的最主要的遙感影像種類之一。與衛星遙感的多光譜不同，Bayer真彩色最主要的特征是分辨率超高(一般高于0.5m)、顏色與地物顏色相同或者相近。但是航空遙感影像在成像過程中受光照變化、平臺運動、傳感器自身旋轉等諸多影響因素，導致同一地物在不同影像上的顏色、紋理、幾何、拓撲等特征會發生變化，而這些變化給遙感影像特征匹配帶來挑戰。傳統的影像特征匹配一般基于幾何不變性的特征描述符算法，這些描述符對圖像旋轉、尺度變換、亮度變化等保持良好的適應性，對視角變化、仿射變換、噪聲也有一定的穩定性[1-5]。但這些算法通?；趩我徊ǘ螖祿M行處理，沒有充分應用遙感影像的光譜信息，如果影像成像過程發生了光譜信息的變化會導致特征點不變性降低[6]。

彩色描述符在幾何不變性的基礎上加入了彩色信息可以提高光學影像特征點不變性以及區分度[6-12]，近幾年來被廣泛地研究和應用。但是目前彩色描述符主要應用于計算機視覺、圖像處理領域[6, 9, 12-14]，主要針對的是內容較單一的數碼圖片或者視頻[10, 15-19]。沒有考慮到航空影像地物復雜的基本特征。將彩色信息引入成像機理不同、顏色接近地物的Bayer真彩色的遙感影像的特征描述中，其效果與適用性是一個還沒有深入研究的新問題。因此屈新原等從Bayer真彩色遙感影像成像變化特點出發，分析不同的彩色描述符不變性，評估彩色描述符對航空光學影像特征匹配的適用性。由于文獻[19-21]驗證了基于幾何不變性中SIFT描述符具有最佳性能，文獻[22]驗證了基于SIFT算法的系列彩色描述符優勢。所以文中選擇SIFT描述符以及基于SIFT的系列彩色描述符進行適用性分析。

1Bayer真彩色航空影像變化特點

特征點的不變性與影像變化特點有直接的關系。Bayer真彩色影像是可見光相機獲取的最常見數據種類，成像過程受地物反射的太陽直射輻射、環境散射輻射、大氣層輻射、交叉輻射、電荷耦合元件(Charge-Coupled Device,CCD)像面光敏函數等多種因素影響[23]。Van De Sande[22]證明了對圖像進行求導的情況下背景輻射亮度可以被消除，它和地物的表面反射無關。因此如果特征描述符算法在計算過程中對影像進行了求導，那么該描述符可以消除背景輻射的影響。地物成像除了上述因素以外還與相機自身的CCD成像方式也有直接關系，Bayer真彩色影像并不是直接得到紅、綠、藍(R，G，B)三個波段數據，而是通過數字濾波陣列(Color Filter Array，CFA)來獲取單通道數據，然后通過圖像重建算法獲得接近地面顏色的RGB三個波段數據。

從以上的分析可以看出Bayer真彩色遙感影像成像復雜，地物在成像過程中受大氣環境，太陽高度角、拍攝角度、相機自身、地物周圍環境、圖像重建算法等諸多因素影響，導致同一地物在不同影像上的顏色、紋理等特征發生較大變化。這種變化很難建立精確的物理模型去表達。Finlayson[24]等提出了用一種對角線顏色變化模型來描述相同地物在不同光照情況的變化關系。該模型是實際變化的近似模擬，其優點是可以在復雜度和精確性之間取得較好的平衡[25]。根據對角線模型，相同地物變化后的影像之間存在著變換關系，如式(1)所示。

(1)

fc和fu表示相同地物在不同成像條件下的相機獲取的兩幅Bayer真彩色的影像。對式(1)分析可以得出，影像在不同成像情況下有二種變化。

1.1　圖像亮度的變化

圖像亮度的變化有三種可能，如式(2)所示。

(2)

在這三種情況下公式中的對角線參數不發生變化或者發生變化幅度相同。圖像偏移量相同或者不發生偏移。當環境中背景散射不發生變化，或者有陰影和薄云時傳感器接收到太陽輻亮度和環境散射輻亮度發生相同增強或者減弱，會導致成像的圖像發生亮度的變化。

1.2　圖像顏色的變化

圖像發生顏色變化主要有兩種情況。

(O1=O2=O3=0), (a≠b≠c≠0)

(3)

第一種情況是由于地物成像過程中角度發生變化或者大氣中顆粒對太陽或者大氣輻射光進行吸收和反射，不同波段輻射透射比變化，造成了在Bayer真彩色圖像成像過程中RGB每個通道背景輻射變化一致或者接收到的太陽輻亮度和環境輻亮度變化相同時圖像發生亮度的變化。這時不同遙感圖像存在明暗差別。

(O1≠O2≠O3≠0), (a≠b≠c≠0)

(4)

第二種情況因為受大氣條件變化、地物環境復雜等因素影響導致成像時太陽或者大氣輻射反射變化、大氣光譜透射比的變化以及對環境背景輻亮度產生影響，這時影像每個波段背景輻射變化不一致。 或者相同地物在成像過程中因為收到大氣顆粒吸收、散射、大氣光譜透射比以及拍攝角度變化影像，導致反射到相機入瞳處時RGB三個波段發生不一致的干擾。

同時由于Bayer真彩色影像是由單波段的彩色濾波數據通過彩色復原得到，所以在光照環境和地物類型較為復雜時,復原得到影像RGB值與真實值之間產生差異。

Bayer真彩色影像成像過程一般既包括顏色變化又包括亮度變化。對于地物內容復雜、紋理豐富的圖像之間以顏色變化為主，地物單一、紋理簡單的圖像之間以亮度變化為主。因此最佳的特征描述符既能對亮度變化保持不變，又能對顏色變化保持不變。

2彩色描述符及不變性分析

目前常用基于SIFT算法的系列彩色描述符有七種，SIFT，HSVSIFT[26]，HueSFIT[27]，OpponentSIFT[22]，CSIFT[10]，RGSIFT[27]，RGBSIFT[17, 22]。SIFT描述符在計算過程中需要對圖像進行求導，根據上一節分析可知求導可以消去大氣背景輻射的影響。同時由于SIFT對特征向量歸一化可以消去式(2)中對角線參數相同變化的情況，所以SIFT特征描述符剔除了圖像亮度變化的影響。但是SIFT算法沒有考慮到顏色信息，所以只對圖像顏色的變化不具有不變性。HueSIFT以Hue通道作為輸入數據，由于Hue通道表示色調和圖像亮度無關，所以HueSIFT對圖像亮度變化具有不變性。HSVSIFT組合了色調、飽和度、亮度三個通道的特征，相比HueSIFT反而失去了亮度不變性。OpponentSIFT將RGB三個波段轉化成對抗彩色空間三個波段，其中前兩個波段表征顏色信息，并且SIFT算法本身對特征向量的歸一化能消除了部分亮度信息影響，所以OpponentSIFT描述符對亮度變化保持不變。CSIFT計算彩色不變量來作為輸入數據，消除OpponentSIFT中前兩個通道中還殘留的部分亮度信息，增加了亮度變化的不變性，保持目標彩色一致性[28]，但是彩色不變量計算過程中并沒有消除亮度偏移，所以該算法只對亮度變化具有部分不變性。RGSIFT對RGB分量進行歸一化，歸一化的R和G分量不受其光照強度的變化、陰影與底紋的影響，但是同樣無法消除亮度變化中O1=O2=O3≠0時產生的亮度偏移。RGBSIFT對RGB每個通道計算SIFT特征描述符，所以包含了圖像亮度和顏色變化不變性。

表1　彩色描述符算法不變量屬性

每種彩色描述符對亮度變化和顏色變化的適應性見表1，圖標中“+”表示描述符對該變化具有不變性，符號“-”表示不具有不變性，符號“+/-”表示具有部分不變性。可以看出RGBSIFT具有最佳的彩色不變性，其次是SIFT，HueSIFT，OpponentSIFT，而HSVSIFT沒有彩色不變性，效果最差。

3數據及方法

3.1　數據準備及實施流程

較少的樣本會導致試驗結果的非一般性。為了保證對比分析結果的可靠性，收集了來自河南、山東、甘肅、四川等不同區域的五次無人機飛行任務共5000多幅Bayer真彩色航空影像，建立測試數據集。數據集中的影像成像條件差異性強，光照差別大，影像亮度不一；地表類型豐富，有湖泊、河流、林地、農田、草地、城鎮；地形多樣，包含山地、平原、高原。

3.2　適用性評價實驗

1)模擬數據評價。建立圖像的亮度變化和顏色變化模擬數據集，驗證彩色描述符的適用性。實際成像中相同地物在不同圖像之間既存在亮度的變化又存在顏色的變化，所以需要通過模擬數據生成亮度變化和顏色變化的數據。對圖像數據進行0~65%亮度變換生成亮度變化系列數據。對圖像數據進行0~50%顏色變換生成顏色變化系列數據。

2)不同類別影像評價。從測試數據集中分別選取以轉彎、光照變化、不同源影像等3類不同成像條件的影像，以及林地、水域、道路、建筑、農田草地等5類不同地物內容的影像。對選擇的8類影像分別進行特征匹配評價。其中轉彎、明顯光照變化、不同源影像反映出成像條件對彩色描述符的差異性，林地、水域、道路、建筑、農田反映成像內容上對彩色描述符的差異性。其中林地、水域、農田草地屬于地物類型較單一影像，以亮度變化為主。道路、建筑屬于地物類型較豐富和復雜影像，以顏色變化為主。

3)任務總體適用性評價。兩幅影像之間的有效匹配點數是特征描述符可檢出性的重要指標。選取四川漢旺山區-平原結合部的一次飛行任務航空光學影像集。該影像集地物內容豐富、飛行環境復雜，包含影像變化的大部分特征，影像重疊區域在60%以上。對任務中所有影像進行順序配對，形成1266對測試數據。用彩色描述符分別對測試影像進行特征匹配，獲取每種描述符對應的匹配點數，計算出每個描述符的平均召回率、平均錯誤率。

3.3　評價指標

常用的評價指標有受試者工作特征(Receiver Operating Characteristics，ROC)、召回率、錯誤率等[29]。研究認為ROC曲線適用于分類評價，召回率和錯誤率曲線更適合特征檢測評價[30]。所以采用召回率(recall)、錯誤率(1-precision)指標。召回率代表匹配出正確的特征點數占所有匹配點數比例，代表了特征描述符的可檢出性。錯誤率代表匹配錯誤點數占獲取匹配總數的比例，反映了特征描述的唯一性。對于召回率和錯誤率曲線來說，曲線越向上代表匹配性能越高。

(5)

(6)

4結果與分析

4.1　實驗1模擬數據評價

如圖1所示，在亮度變化下RGBSIFT效果最好，其次是SIFT，HueSIFT和OpponentSIFT。由于RGBSIFT，SIFT，HueSIFT和OpponentSIFT都具有亮度變化不變性所以處于所有曲線上部，CSIFT和RGSIFT有部分亮度不變性所以處于曲線中間位置，而HSVSIFT不具有亮度不變性所以性能最差處于最下端。

如圖2所示，在顏色變化下依舊是RGBSIFT效果最好，這是因為只有RGBSIFT能保持對顏色變化不變性，其次是基于灰度的SIFT算法。而HueSIFT,OpponentSIFT,CSIFT,RGSIFT,HSVSIFT都不具有顏色不變性，所以隨著顏色變化梯度增加，匹配性能急劇下降。

圖1　亮度變化下彩色SIFT描述符對比曲線Fig.1　Comparative analysis of descriptorsfor brightness changes

4.2　實驗2不同類別影像評價

表2顯示的是不同類型下彩色SIFT描述符的適應性對比分析。總體來說RGBSIFT具有最優性能，對于成像條件比較復雜的影像(道路、建筑、光照變化、不同源)優勢比較明顯；SIFT對于主體比較單一的影像(水域和農田)效果較好；HueSIFT對于林地有稍微的優勢；對于轉彎處的影像OpponentSIFT表現出最好的性能。

圖2　顏色變化下彩色SIFT描述符對比曲線Fig.2　Comparative analysis of descriptors for color changes

建筑為主體的影像中地物顏色豐富、紋理復雜、建筑影像高低錯落，導致了成像過程中存在光照各種變化，既有陰影、大氣顆粒物等引起的亮度變化，又有地物之間復雜輻射相互反射、大氣吸收反射散射等引起的顏色變化和偏移。光照變化影像在成像時存在遮擋、太陽光線變化、拍攝角度變化，而這些過程引起顏色和光照強度的變化。不同源影像是不同時間或不同傳感器拍攝。因為拍攝時間和獲取平臺不同，相同地物在成像過程的太陽直接輻照度、環境的散射輻照度、大氣的背景輻照度均有很大的不同，所以地物會發生較大的光照強度和顏色變化。因此RGBSIFT在處理這些影像匹配時會有更好的表現。林地為主體的影像有兩個特征: 一是樹的陰影引起的較強明暗變化，二是地物類型單一并以綠色為主。HueSIFT對亮度變化具有較好的不變性，對顏色變化比較敏感。林地以綠色為主引起顏色變化因素較少，在Bayer真彩色復原過程中，又減少了其他顏色干擾。所以HueSIFT比較適用于林地影像之間匹配。OpponentSIFT以對抗顏色空間為基礎。對抗顏色空間模擬了人眼彩色視覺系統，用于物體識別[22]和立體分析具有較佳的效果。對于轉彎處影像匹配來說，不同影像之間具有較大角度，地物有明顯幾何變形和不同顯示截面，類似于立體視覺和對象識別過程，因此對于轉彎處的影像匹配OpponentSIFT性能較佳。

表2　不同類型下彩色SIFT描述符對比分析

4.3　實驗3任務總體適用性評價

表3給出了每一種描述符對1266對測數據獲取的平均匹配點數、平均召回率和平均錯誤率。總體趨勢上RGBSFIT，SIFT和HueSIFT獲取的特征匹配點數據最多。對于這次匹配任務總體上RGBSFIT比SIFT提升6%以上。根據統計，在1266中79%影像對RGBSIFT描述符匹配后的特征點數的點大于SIFT的特征點。匹配準確度越高說明誤匹配點越少，該特征描述的唯一性越強，特征描述越穩定。從表3可以看出SIFT及其變種的彩色描述符，匹配準確度較高，適合作為該類影像的特征描述符。

表3　描述符匹配指標均值

4.4　討論

綜上，通過理論分析及評估實驗，在針對Bayer真彩色航空影像進行特征匹配處理時彩色描述符有以下特點：

1)總體來說彩色描述中RGBSIFT描述符由于對亮度及顏色的偏移和改變具有不變性，所以在實驗結果中效果最好。其次是SIFT和HueSIFT描述符算法。而對于對象識別較為優秀的OpponentSIFT和CSIFT算法在彩色描述符特征匹配優勢不明顯。圖像亮度變化時除了HSVSIFT算法，其他描述符都具體具有較好效果。顏色變化時彩色描述符中只有RGBSIFT優勢明顯。每種特征描述符匹配誤差率都較低，并且差別不是很明顯，說明SIFT及其變種的彩色描述符有較好的穩定性。

2)通過對不同類別的影像實驗可以看出，航空遙感光學影像成像中亮度及顏色的變化和偏移比較普遍。城市建筑、成像時光照變化明顯以及不同源影像中存在著式(1)中各種變化，所以這幾類的影像特征匹配過程中RGBSIFT效果優勢突出。對于影像內容比較單一的農田、草地、水域等成像環境比較穩定情況，SIFT算法效果好。HueSIFT對林地匹配有優勢，而OpponentSIFT在轉彎處的匹配效果較好。

3)SIFT算法是除了RGBSIFT算法以外效果較好的算法。在顏色梯度變化中曲線下降平緩優于RGBSIFT之外其他彩色描述符，對于影像內容比較單一影像，匹配效果最優。這是由于雖然SIFT等描述符都不具有顏色不變性，但是相機成像過程中白平衡一定程度上糾正了顏色偏移和改變。而且顏色不變性容易受到噪音干擾，所以在地物比較單一的影像中加入彩色不變性，反而會減低特征點的不變性。

5結論

本文結合Bayer真彩色航空影像的成像變化特征和光照變化對角線模型分析每種彩色描述符的不變性屬性,并設計評價實驗對SIFT及其彩色描述符的適用性進行詳細分析對比。通過理論和實驗分析可知彩色描述符中RGBSIFT對Bayer真彩色航空影像特征匹配有較好的普適性，并進一步證明了不同的彩色描述符針對不同類型Bayer真彩色影像有不同的適用性。根據評估，RGBSIFT彩色描述符比基于灰度的SIFT描述符在特征匹配的效果提升6%以上；對于不同類別的影像進行分析，對于復雜地物內容和成像條件復雜的影像RGBSIFT描述符具有明顯優勢，對于內容單一影像SIFT描述符效果更好，對于林地為主體的影像HueSIFT描述符效果較為突出，對于轉彎影像OpponentSIFT描述符效果較好。

總體來說，沒有數據先驗知識情況下，推薦使用RGBSIFT描述符對Bayer真彩色航空影像進行特征匹配。根據影像類型對不變量彩色描述符進行合適的組合比單一使用一種描述符效果更好。

目前輕小型遙感數據獲取平臺獲取光學影像的主要為Bayer真彩色影像，所以該結果具有較廣泛適用范圍。

參考文獻(References)

[1]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision, 2004, 60(2):91-110.

[2]Mikolajczyk K, Schmid C. A performance evaluation of local descriptors[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2003 (II): 257-263.

[3]Tuytelaars T, Mikolajczyk K. Local invariant feature detectors: a survey[J]. Foundations and Trends in Computer Graphics and Vision, 2008, 3(3):177-280.

[4]王永明, 王貴錦. 圖像局部不變性特征與描述[M].北京：國防工業出版社, 2010.

WANG Yongming, WANG Guijin. Image local invarant features and descriptors[M]. Beijing: National Defense Industry Press, 2010. (in Chinese)

[5]朱遵尚, 朱肇昆, 陳圣義, 等. 自適應窗口仿射最小二乘匹配方法[J]. 國防科技大學學報, 2013, 35(4): 46-50.

ZHU Zunshang, ZHU Zhaokun, CHEN Shengyi, et al. An adaptive window affine least squares matching method[J]. Journal of National University of Defense Technology, 2013, 35(4): 46-50. (in Chinese)

[6]Abdel-Hakim A E, Farag A A. CSIFT: a SIFT descriptor with color invariant characteristics[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, New York, 2006 (2): 1978-1983.

[7]Geusebroek J M, Van den Boomgaard R, Smeulders A W M, et al. Color invariance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23 (12): 1338-1350.

[8]Van De Weijer J, Gevers T, Bagdanov A D. Boosting color saliency in image feature detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(1): 150-156.

[9]張銳娟, 張建奇, 楊翠, 等. 基于CSIFT的彩色圖像配準技術研究[J]. 光學學報, 2008, 28(11): 2097-2103.

ZHANG Ruijuan, ZHANG Jianqi. YANG Cui, et al. Study on color image registration technique based on CSIFT[J]. Acta Optica Sinica, 2008, 28(11): 2097-2103. (in Chinese)

[10]Burghouts G J, Geusebroek J M. Performance evaluation of local colour invariants[J]. Computer Vision and Image Understanding, 2009, 113(1): 48-62.

[11]吳攀超, 王宗義, 林欣堂. 采用局部差分模型描述的彩色圖像配準技術[J]. 西安交通大學學報, 2011, 45(10): 30-37.

WU Panchao, WANG Zongyi, LIN Xintang. Color Image Registration Algorathm Using Local Derivative Pattern Approach[J]. Journal of Xi′an Jiaotong University, 2011, 45(10): 30-37. (in Chinese)

[12]章宜林, 王敏. 結合小波和顏色信息的SIFT圖像配準方法[J]. 華中科技大學學報:自然科學版, 2011, 39(S2): 127-130.

ZHANG Yilin, WANG Ming. SIFT image registration method based on wavelet and color information[J]. Journal of Huazhong University of Science and Technology: Nature Science, 2011, 39(S2): 127-130. (in Chinese)

[13]Brown M, Lowe D. Invariant features from interest point groups[C].13th British Machine Vision Conference, Cardiff, 2002.

[14]Fan P, Men A, Chen M, et al. Color-SURF: A surf descriptor with local kernel color histograms[C]//Proceedings of IEEE International Conference on Network Infrastructure and Digital Content, 2009: 726-730.

[15]Ai D, Han X H, Duan G, et al. Independent component analysis of color SIFT for image classification[C]//Proceedings of IEEE International Conference on Intelligent Computer Communication and Processing(ICCP), 2011: 173-178.

[16]Ai D, Han X, Ruan X, et al. Adaptive color independent components based SIFT descriptors for image classification[C]//Proceedings of International Conference on Pattern Recognition(ICPR), 2010: 2436-2439.

[17]Song X, Muselet D, Trémeau A. Affine transforms between image space and color space for invariant local descriptors[J]. Pattern Recognition, 2013, 46(8): 2376-2389.

[18]Zhu C, Bichot C E, Chen L. Image region description using orthogonal combination of local binary patterns enhanced with color information[J]. Pattern Recognition, 2013, 46(7): 1949-1963.

[19]Mikolajczyk K, Schmid C. A performance evaluation of local descriptors[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(10): 1615-1630.

[20]Juan L, Gwun O. A comparison of sift, pca-sift and surf[J]. International Journal of Image Processing, 2009, 3(4):143-152.

[21]Zhu G, Wang Q, Yuan Y, et al. SIFT on manifold: an intrinsic description[J]. Neurocomputing, 2013, 113: 227-233.

[22]Van De Sande K E A, Gevers T, Snoek C G M. Evaluating color descriptors for object and scene recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1582-1596.

[23]萬志, 任建偉, 李憲圣, 等. 基于輻射傳輸模型的TDI CCD遙感相機信噪比分析[J]. 紅外與激光工程, 2008, 37(3): 497-500.

WAN Zhi, REN Jianwei, LI Xiansheng, et al. Analysis of signal-to-noise ratio for remote sensing TDI CCD camera based on radiative transfer model[J]. Infrared and Laser Engineering, 2008, 37(3): 497-500. (in Chinese)

[24]Finlayson G D, Hordley S D, Xu R. Convex programming colour constancy with a diagonal-offset model[C]//Proceedings of IEEE International Conference on Image Processing, 2005,3: III-948-951.

[25]吳攀超, 王宗義, 劉濤. 復雜光照變化條件下的彩色SIFT匹配算法[J]. 華中科技大學學報:自然科學版, 2011, 39(5): 100-104.

WU Panchao, WANG Zongyi, LIU Tao. Color SIFT matching algorithm under changing complex illumination[J]. Journal of Huazhong University of Science and Technology: Nature Science, 2011, 39(5): 100-104. (in Chinese)

[26]Bosch A, Zisserman A, Muoz X. Scene classification via PLSA[C]//Computer Vision-ECCV, Springer Berlin Heidelberg, 2006: 517-530.

[27]Van De Weijer J, Schmid C. Coloring local feature extraction[C]//Proceedings of Computer Vision-ECCV, Springer Berlin Heidelberg, 2006: 334-348.

[28]Agarwal V, Abidi B R, Koschan A, et al. An overview of color constancy algorithms[J]. Journal of Pattern Recognition Research, 2006, 1(1): 42-54.

[29]Ke Y, Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004, 2: II- 506-513.

[30]Agarwal S, Roth D. Learning a sparse representation for object detection[C]//Proceedings of Computer Vision-ECCV, Springer Berlin Heidelberg, 2002: 113-127.

Performance analysis of color descriptors for aerial Bayer real-color image

QUXinyuan1，2，3,DUANFuzhou1，2，3,ZHAOWenji1，2，3,TIANJinyan1，2，3

(1.Key Laboratory of Resources Environment and GIS of Beijing Municipal,Beijing 100048, China;

2.State Key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulationl,Beijing 100048, China;

3.College of Resource Environment & Tourism, Capital Normal University, Beijing 100048, China)

Abstract：It is unclear that what color descriptors best fits feature matching of aerial remote sensing Bayer real-color image. To analyze variation of imaging of the aerial image and algorithm characteristics of color descriptors, a theoretical analysis of invariant properties of color descriptors was presented. The effect and applicability of descriptors were verified and analyzed by three experimental methods which are evaluations of simulation data, different categories images and general applicability of task. The theoretical and experimental results show that RGBSIFT has best applicability for the feature matching of aerial Bayer real-color image. The usefulness of color descriptor is category-specific.

Key words：aerial Bayer real-color image; color invariance; color descriptors; feature matching; applicability

中圖分類號：P237

文獻標志碼：A

文章編號：1001-2486(2015)02-058-07

收稿日期：2014-05-14基金項目：國家自然科學基金資助項目(41101403，41130744);國家科技支撐計劃資助項目(2012BAH34B01);測繪地理信息公益性行業科研專項經費資助項目(201412020)

作者簡介：屈新原(1982—)，男，安徽六安人，博士研究生，E-mail：xinyuanqu@qq.com；段福洲(通信作者)，男，副教授，博士，碩士生導師，E-mail：duanfuzhou@263.net

doi:10.11887/j.cn.201502013

http://journal.nudt.edu.cn