結合Harris和改進K-means的遙感圖像配準算法

摘要：針對高分辨率遙感圖像中，特征點數目大且易存在誤匹配點的問題，提出結合Harris和改進K-means的遙感圖像配準算法。首先，利用Harris提取特征點;然后，使用改進K-means算法進行區域劃分，進行特征點匹配;最后，區域間利用RANSAC方法剔除錯誤匹配點，得到精確匹配點對。該算法減少了特征點數目，提高配準精確度。實驗結果表明了算法的有效性。

關鍵詞：Harris;圖像配準;K-means算法;隨機抽樣一致（RANSAC）

中圖分類號：TP751? ? ?文獻標識碼：A? ? 文章編號：1007-9416（2020）10-0000-00

現今，隨著社會需求不斷增加，人們已經不再滿足從單一圖像中獲取信息，多幅圖像的疊加融合將能呈現更加全面、豐富的信息[1]。尤其是城鎮分析、農林業監測、防災賑災等領域中，遙感影像的融合已成為數據分析不可或缺的一步，遙感圖像配準技術也應運而生。針對同一場景，衛星通過不同類型的傳感器，或在不同時間段內，對其從不同角度進行拍攝，形成遙感影像[2]。遙感圖像配準的一般處理步驟是，首先找到圖像發生幾何畸變的原因，然后對兩幅或多幅不同類型的遙感圖像進行空間幾何變換，而后進行匹配或疊加。

基于灰度和基于特征的配準方法是遙感圖像配準的基本方法[3]。基于圖像灰度的方法，實現簡單，但運算量大，適合單一或灰度信息相似圖像，對細節信息豐富的高分辨率遙感圖像來說，易受噪聲影響，處理效果不佳，效率低 [4]。而另一類只用到圖像中的某些代表性點，稱為特征點。Harris檢測算法[5]、SUSAN算子[6]、SIFT方法[7]和SURF算法[8]等都是較為常見的點特征提取算子。Harris算子提取遙感圖像中與周圍像素有明顯差異的特征點，特征點數量比SIFT少。何夢夢等人提出將Haar小波變換用于特征點提取的算法，降低了數據量，提高了不同類型圖像的配準精度[9]。王威等人針對高分遙感數據中植被提取和配準的預處理問題，提出了改進Harris方法，提高配準效率[10]。葛毓歡添加全局約束用于配準，提高了配準效率[11]。楊艷麗等人提出，將Harris用于多尺度空間，提升遙感圖像配準準確性[12]。

遙感圖像的數據量不斷增加，如何減少特征點數目和誤配率成為本文所研究問題。本文利用Harris方法減少特征點數目，使用改進K-means方法進行匹配空間約束，減少誤配率。下文將分幾步進行介紹：（1）本文算法所使用術語介紹;（2）改進算法實施步驟;（3）實驗結果對比分析;（4）結論及展望。

1 相關術語

1.1 Harris角點檢測原理

Harris算法指的是提取遙感圖像中與周圍像素有明顯差異的特征點，這些點可能是交叉點，也可能是灰度快速變化的點等。因此，角點檢測提取的是關鍵信息點，數據量相對SIFT算法會降低很多，且特征點之間的相似度也會大大降低，有利于后續配準工作的進行[13]。

Harris是通過滑動窗口來尋找角點。其運算公式如下：

Harris中使用高斯函數作為窗口，進行檢測，即;則表示的是該位置處窗口滑動前的像素值大小;為該位置處窗口滑動后的像素值大小。

1.2 改進K-means算法原理

K-means算法是一種經典的用來進行分類的方法。其基本思路為將樣本數據分為K組，每組為一個區域，區域內的點盡可能接近，而區域間的點的距離盡可能地大。K個隨機點作為中心點進行聚類，劃分區域，每個區域重新求得新質心，依次循環進行，直至質心不再變化[14]。

上述求解過程中，開始中心點的選取較為隨機，影響后期的聚類區域形成。因此，粒子群算法加入聚類中尋找最優初始聚類中心點。

PSO算法是利用全局最優信息、個人最優信息和個人經驗信息，加權求得，重復迭代，直至找到最優解[15]。

PSO公式如下：

改進K-means算法的流程如下：

（1）初始化K值，劃分為K組，對每組初始位置和速度進行初始化操作;

（2）對i組區域，計算每個特征點的適應值、個體最優信息和全局最優信息，不斷比較更新;

（3）求i區域中每個特征點的最優速度和下一步最佳位置，從（3）重新迭代，直至到達目的地，得到K個初始聚類中心;

（4）進行K-means聚類，得出區域劃分。

2 高分辨率遙感圖像配準改進算法

2.1 算法思路

遙感圖像配準時，一般使用RANSAC算法對匹配點篩選，但會出現一定的錯誤匹配點對，且迭代次數多，工作量大[4]。因此，本文對匹配點添加一定的區域進行約束，使得對應區域的點進行進行匹配，并剔除誤配點。

算法設計流程如下：

（1）對于基準遙感圖像S和待配準遙感圖像R，使用Harris算法提取關鍵特征點，計算特征點提取數目。由于高分辨率遙感圖像數據量龐大，使用SIFT算法提取的特征點數量巨大，耗費時間大，且存在很多相似特征點，造成資源浪費。因此，使用Harris解決這一問題。

（2）將基準圖像定義為S，待配準圖像定義為R。S和R中使用改進K-means算法分別劃分為K1片區域和K2片區域，不同區域標記顏色不同。對應區域內求取匹配點對。PSO與K-means相結合，使得遙感圖像中特征點的聚類精度更高。

（3）剔除誤匹配點對。改進K-means算法用于進行區域約束。如此，可限定在一定區域中使用RANSAC方法進行篩選，減少工作量和誤配率。

算法流程圖如圖1所示。

2.2 算法評價標準

本文使用CMR和RMSE進行正確率和精準度評價。

評判標準為：CMR的值代表著正確匹配點率的高低，值越大正確匹配率越高。而RMSE計算的是S和R之間的標準誤差。因此，RMSE的值代表著配準精度的高低，值越小精度越大。

3 配準實驗結果及分析

3.1 實驗數據和實驗環境

本文的實驗數據為三組遙感圖像，第1組是博天一號拍攝的實時影像，拍攝時間為2016年，拍攝地點為某地的世紀大街。第2組是OVS-1A/B衛星拍攝的全色圖像，拍攝時間為2017年，拍攝城市為美國達拉斯市區，圖像大小為33962644。第3組是lUtraCam-D衛星拍攝的RGB圖像，拍攝時間為2005年，拍攝城市為伊朗首都德黑蘭，圖像的大小都12561278。實驗數據如圖2所示。

本文實驗所用環境為Windows10操作系統，計算機配置是Intel（R）Core（TM） i5-7200U 2.50GHz CPU，內存8GB，使用軟件為Matlab2016a。

3.2 實驗結果及分析

3.2.1 實驗分析

從以下幾方面入手進行對比實驗。

（1）進行特征點提取的對比實驗。通過分析Harris與SIFT在特征點數目、相似度的情況，得出實驗結論。

（2）進行精確匹配點對獲取的對比實驗。使用第2組和第3組進行對比，分析本文方法和傳統RANSAC算法在提取效率和正確匹配率的情況，得出最佳匹配算法。

（3）SIFT和改進算法進行配準精度對比實驗。

3.2.2 實驗對比結果

首先，針對第1組和2組的遙感數據，分析SIFT和Harris特征數目和分布情況，實驗結果如圖3所示。表1是特征點數目和運行時間。對比發現，Harris檢測的特征點數目較少，運行時間短，且冗余特征點減少。

其次，對第2組和第3組遙感圖像使用本文方法獲取正確匹配點對，將其與傳統RANSAC算法進行比較，以第3組為例，結果如圖4所示。表2是精確匹配點數對比。結果發現，改進算法的正確匹配點率有所提升，誤匹配點數減少了，但總匹配點數有所下降。

最后，針對第2組圖像，比較兩種方法的配準精確度和正確匹配率，如表3所示。本文算法的配準精度略高且正確匹配點率高，且時間縮短，效率有所提升。配準結果圖如圖5所示。

4 展望

本文提出Harris和改進K-means相結合的方法進行配準。Harris提取特征點后，劃分區域求取匹配點對，而后剔除誤配點。其中，改進K-means方法用于區域劃分和約束。通過實驗比較發現，CMR和運行效率提高了。但是，存在參與匹配點數減少的情況，在特征點提取上存在誤差，漏掉了部分正確特征點，后續實驗中應當加以改進。

參考文獻

[1] 劉占強.高分辨率遙感圖像配準技術的研究[D].北京：北京郵電大學，2019.

[2] Han Y， Choi J， Byun Y， Kim Y. Parameter optimization for the extraction of matching points between high-resolution multisensory images in urban areas. IEEE Trans. on Geoscience and Remote Sensing， 2014，52（9）：5612-5621.

[3] Zitová B，Flusser J. Image registration methods：A survey. Image and Vision Computing，2003，21（11）：977-1000.

[4] 何夢夢.基于邊緣點特征的高分辨率遙感圖像配準方法研究[D].北京：中國科學院大學，2017.

[5] Harris C， Stephens M. A combined corner and edge detector[C]// Proceedings of the 4th Alvey Conference. Manchester，UK：[s.n.]，1998：147-152.

[6]? Smith S M， Brady J M. SUSAN-A new approach to low level image processing. International Journal of Computer Vision，1997，23（1）：45-78.

[7] Lowe D G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision， 2004，60（2）：91-110.

[8]? Bay H， Tuytelaars T， Gool L V. SURF：Speeded up robust features[C]// sProceedings of the European Conference on Computer Vision，2006：404-417.

[9] 何夢夢，郭擎，李安，等.特征級高分辨率遙感圖像快速自動配準[J].遙感學報，2018，22（2）：277-292.

[10] 王威，楊芳，張鵬，等.基于ENVI/IDL的高分遙感數據自動預處理及植被提取方法：以湖南林業為例[J].湖南城市學院學報（自然科學版），2020，29（2）：45-50.

[11] 葛毓歡.基于點特征和局部結構信息的遙感圖像配準[D].西安：西安電子科技大學，2018.

[12] 楊艷麗，夏朝輝，張金生，等.結合多尺度角點和Harris變換的遙感圖像配準方法[J].電光與控制， 2020，27（8）：105-108.

[13] 許佳佳.結合Harris與SIFT算子的圖像快速配準算法[J].中國光學，2015（4）：574-581.

[14] 蔣麗，薛善良.優化初始聚類中心及確定K值的K-means聚類算法[J].計算機與數字工程，2018，46（1）：21-24.

[15] Kennedy J， Eberhart R.Particle swarm optimization[C]//： Proceedings of IEEE International Conference on Neural Networks， 1995：1942-1948.

收稿日期：2020-09-09

作者簡介：祁曦（1993—），女，山東德州人，碩士研究生，助教，研究方向：遙感圖像配準。

Remote sensing Images Registration Algorithm Combining with Harris and Improved K-means

QI Xi

（College of Information Technology， Shanghai Jian Qiao University， Shanghai? 200062）

Abstract：Aiming at the problems such as false matching points and large volume remote sensing image registration， a remote sensing image registration algorithm based on Harris and improved K-means is proposed. Firstly， the feature points were extracted with Harris. Secondly， feature point is matching after the improved K-means algorithm used for region division. Finally， RANSAC method is used to eliminate the wrong matching points among regions， and the precise feature points are obtained. The proposed algorithm can reduce the number of feature points， and it can increase the registration accuracy. The experimental results indicate that the proposed method is effective.

Key words：Harris; image registration; K-means algorithm; Random sampling consensus （RANSAC）