基于改進(jìn)PSO-SIFT算法的油田遙感圖像匹配

李 宏,王 鵬,畢 波,唐錦萍

(1. 東北石油大學(xué) 電氣信息工程學(xué)院,黑龍江 大慶 163318；2. 海南醫(yī)學(xué)院 公共衛(wèi)生學(xué)院,海口 571199； 3. 東北石油大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,黑龍江 大慶 163318；4. 黑龍江大學(xué) 數(shù)據(jù)科學(xué)與技術(shù)學(xué)院,哈爾濱 150080)

圖像匹配是將同一場(chǎng)景的兩幅或多幅圖像以不同的時(shí)間、不同的傳感器和不同的視角進(jìn)行匹配的過程[1],其為許多遙感任務(wù)(如圖像變化檢測(cè)、圖像融合和環(huán)境監(jiān)控等)必不可少的環(huán)節(jié). 目前,圖像匹配方法可分為兩種：基于頻域的方法和基于空間域的方法[2]. 基于頻域的方法對(duì)噪聲過于敏感；此外,準(zhǔn)確的匹配通常需要原圖像之間顯著重疊. 基于空間域的圖像匹配可細(xì)分為基于區(qū)域和基于特征的圖像匹配. 基于區(qū)域的方法使用窗口像素強(qiáng)度之間的相似性確定兩幅圖像之間的對(duì)齊方式,主要使用的相似性度量是歸一化互相關(guān)(normalized cross correlation,NCC)和互信息(mutual information,MI). 基于區(qū)域的方法具有算法簡(jiǎn)單、處理速度慢、對(duì)重疊區(qū)域面積要求高的特點(diǎn),且窗口的約束限制對(duì)圖像的縮放、形變、遮擋或旋轉(zhuǎn)沒有很好的適應(yīng)能力. 基于特征的方法通過提取圖像顯著特征,并使用這些特征之間的相關(guān)性確定最佳對(duì)齊方式. 通常,這些特征包括點(diǎn)、邊、輪廓及特定區(qū)域的質(zhì)心[3-4]等. 在基于特征的方法中,最經(jīng)典的算法是SIFT(scale invariant feature transform)[5]. SIFT算法可用于旋轉(zhuǎn)變換、尺度變化、視角改變等條件,尤其適合高分辨率圖像或存在旋轉(zhuǎn)、伸縮或仿射等變換的場(chǎng)景,所以其已被成功應(yīng)用于遙感圖像匹配中. 為加快計(jì)算效率,對(duì)基于SIFT的方法已進(jìn)行了許多改進(jìn),如SURF(speeded-up robust features)[6]、GLOH(gradient location and orientation histogram)[7]、BRISK(binary robust invariant scalable keypoints)[8]和ORB(oriented fast and rotated BRIEF)算法[9]等. 但當(dāng)SIFT算法直接應(yīng)用于遙感圖像時(shí),由于強(qiáng)度映射的顯著差異(線性、非線性和不穩(wěn)定),使得正確對(duì)應(yīng)的圖像數(shù)量不足以保持匹配精度. 為克服該問題,Kupfer等[10]提出了一種快速模式尋找的MS-SIFT(mode seeking-SIFT)算法,該算法利用SIFT特征的尺度、方向和位置信息,有效去除了不精確的SIFT特征點(diǎn)對(duì)應(yīng)關(guān)系; Ma等[11]提出了結(jié)合每個(gè)特征點(diǎn)的位置(position)、尺度(scale)和方向(orientation)的PSO-SIFT算法,該算法引入了新的梯度定義以克服遙感圖像對(duì)之間圖像強(qiáng)度的差異,應(yīng)用在多傳感器遙感圖像上,增加了特征點(diǎn)正確匹配的數(shù)量且提高了對(duì)準(zhǔn)精度; Paul等[12]提出了改進(jìn)的各向異性Gauss的IAG-SIFT(improved anisotropic Gaussian-Scale SIFT)算法,該算法使用各向異性尺度空間,可保留遙感圖像的更多細(xì)節(jié),從而提高了匹配性能,但構(gòu)建各向異性增加了算法的運(yùn)行時(shí)間和復(fù)雜度；Li等[13]提出了RIFT(radiation invariant feature transform)算法,該算法采用相位一致性和最大索引圖,實(shí)現(xiàn)了旋轉(zhuǎn)不變性,適用于各種多模式遙感影像,但該算法專門針對(duì)非線性輻射畸變問題；Yu等[14]提出了基于改進(jìn)的SIFT算法框架的SAR圖像匹配算法,采用非線性多尺度空間構(gòu)造策略以及新的局部特征檢測(cè)器和描述符,并通過結(jié)合Harris-Laplace技術(shù)和指數(shù)加權(quán)平均比進(jìn)行特征檢測(cè),提高了匹配精度并保證了較低的誤碼率,但復(fù)雜度較大；Guo等[15]提出了一種基于SIFT算法的快速圖像配準(zhǔn)算法,該算法采用將提取的二次采樣特征點(diǎn)與原始圖像融合得到原始圖像的特征點(diǎn),提高了計(jì)算效率,但處理高分辨率圖像效果一般.

目前,無人機(jī)遙感影像的分辨率在不斷更新,對(duì)于油田地區(qū),有效掌握地面建筑物的實(shí)時(shí)位置及狀態(tài)信息對(duì)油田生產(chǎn)的安全尤為重要[16]. 但油田遙感圖像中建筑物的形狀不均勻,所以圖像配準(zhǔn)更困難. 雖然目前針對(duì)遙感圖像匹配已提出了很多算法,但自動(dòng)匹配灰度差異較大的遙感圖像仍面臨巨大挑戰(zhàn),且匹配無人機(jī)拍攝的油田遙感圖像是新的應(yīng)用領(lǐng)域. 基于PSO-SIFT算法的優(yōu)點(diǎn),本文提出一種改進(jìn)的圖像匹配算法,先采用一種新的“回”字型特征描述子,以減少描述子的維度,加快匹配時(shí)間; 再采用增強(qiáng)的匹配點(diǎn)過濾,從而得到更多的匹配點(diǎn).

1 PSO-SIFT算法

基于SIFT的匹配算法一般包括3個(gè)主要步驟：特征點(diǎn)檢測(cè)、描述符提取和特征點(diǎn)匹配. SIFT算法首先構(gòu)造Gauss差分尺度空間,作為Gauss-Laplace算子的近似值,然后選擇3個(gè)維度上的局部極值作為候選特征點(diǎn). 根據(jù)局部梯度方向直方圖,為每個(gè)特征點(diǎn)分配一個(gè)或多個(gè)主要方向. 與使用SIFT描述符中的正方形鄰域不同,PSO-SIFT算法使用類似于GLOH算法的圓形鄰域創(chuàng)建一個(gè)特征描述符. 其中,梯度方向在8個(gè)方向中量化,17個(gè)定位區(qū)域形成了136維的描述符,然后將這些描述符分配給每個(gè)特征點(diǎn),獲得的特征點(diǎn)包括4個(gè)分量：局部位置(x和y)、尺度和方向. 最后,使用描述符上的最小歐氏距離作為特征點(diǎn)匹配標(biāo)準(zhǔn).

1.1 PSO-SIFT算法的梯度定義

強(qiáng)度映射的顯著差異將導(dǎo)致遙感圖像對(duì)之間同一區(qū)域的梯度方向和大小明顯不同. 因此,期望正確匹配的SIFT對(duì)應(yīng)關(guān)系不會(huì)有最小的歐氏距離,而取決于描述符,該描述符由特征點(diǎn)位置周圍的梯度方向和大小形成. 為增加描述符對(duì)這種差異的魯棒性,PSO-SIFT算法為Gauss尺度空間中的每個(gè)像素賦予了新的梯度定義. 首先,PSO-SIFT算法通過Sobel濾波器計(jì)算Gauss尺度空間圖像的梯度幅度為

(1)

(2)

圖1 對(duì)數(shù)極坐標(biāo)扇區(qū)的鄰域Fig.1 Neighborhood of log-polar sectors

不同于SIFT算法,PSO-SIFT算法在特征點(diǎn)主方向和描述子生成階段不使用Gauss權(quán)重[17],而使用基于GLOH算法半徑為R1=12σ的圓形鄰域及有17個(gè)子區(qū)域的對(duì)數(shù)極坐標(biāo)網(wǎng)格生成特征描述子. 圓形鄰域如圖1所示,其中R2/R1=0.73,R3/R1=0.25,此時(shí)圓形鄰域的17個(gè)子區(qū)域有近似一致的面積. 每個(gè)小型區(qū)域形成一個(gè)8維的梯度幅度和方向直方圖,因此最后特征描述子維度是136.

1.2 PSO-SIFT算法的特征匹配

PSO-SIFT算法使用的相似變換模型包含3個(gè)參數(shù)：平移、尺度和旋轉(zhuǎn). 通常,正確匹配對(duì)在空間中的水平和垂直偏移、旋轉(zhuǎn)角度及尺度縮放相同. PSO-SIFT算法使用特征點(diǎn)的坐標(biāo)位置、尺度大小和主方向偏移增加正確匹配的數(shù)量.

(3)

(4)

(5)

1) 初始匹配：先通過對(duì)應(yīng)特征點(diǎn)描述符的最近鄰和次近鄰歐氏距離之比進(jìn)行首次匹配,然后采用快速樣本共識(shí)(fast sample consensus,FSC)[18]算法從點(diǎn)對(duì)集P中刪除錯(cuò)誤匹配點(diǎn)并計(jì)算初始變換參數(shù)μ.

2) 重新匹配：先用PSOED作為距離度量,再用最近鄰和次近鄰的距離之比匹配,獲得特征點(diǎn)對(duì)集合P1.

(6)

其次,根據(jù)下列邏輯過濾器消除多數(shù)異常值：

|Δx1-Δx*|≥Δxth, |Δy1-Δy*|≥Δyth,

(7)

其中Δxth和Δyth分別表示水平平移差和垂直平移差的閾值. 最后,由P1得到一個(gè)特征點(diǎn)對(duì)集P2,再次使用FSC算法從特征點(diǎn)對(duì)集P2中找到正確的對(duì)應(yīng)關(guān)系.

1.3 PSO-SIFT算法的局限性

由于大慶油田分布錯(cuò)綜復(fù)雜,從任一種遙感影像數(shù)據(jù)中都很難準(zhǔn)確、完整地提取出復(fù)雜的油田圖像,因此只能利用油田遙感圖像數(shù)據(jù)的冗余和互補(bǔ)特點(diǎn)進(jìn)行數(shù)據(jù)提取. 由于遙感影像中地物具有復(fù)雜性,干擾因素較多,且基于高分辨率遙感影像進(jìn)行圖像匹配技術(shù)環(huán)節(jié)中,每道工序?qū)z測(cè)的最后結(jié)果都有重要影響,因此如何減少甚至消除其影響至關(guān)重要. PSO-SIFT算法應(yīng)用在無人機(jī)拍攝的油田遙感圖像可得到很好的精度,但得到的特征點(diǎn)匹配對(duì)少,且花費(fèi)時(shí)間也較長(zhǎng).

2 改進(jìn)PSO-SIFT算法

本文對(duì)PSO-SIFT算法的改進(jìn)分如下兩部分：

1) 基于GLOH算法的特征描述符,本文采用“回”字型分塊思想,可有效降低PSO-SIFT算法中特征描述符的維度,以縮短在特征描述和特征匹配階段所花費(fèi)的時(shí)間;

2) 由于油田遙感圖像經(jīng)PSO-SIFT算法處理后匹配點(diǎn)過少,因此本文提出一種增強(qiáng)的匹配算法,對(duì)“回”字型描述符所得的匹配對(duì)進(jìn)行誤匹配剔除,以增加特征點(diǎn)匹配的數(shù)量,縮短運(yùn)行時(shí)間.

2.1 “回”字型描述符

基于GLOH算法的特征描述符,本文采用一種新型的“回”字型描述符,主要從特征點(diǎn)的鄰域范圍及降低特征點(diǎn)的維度兩方面進(jìn)行改進(jìn)：特征點(diǎn)的鄰域范圍采用正方形代替圓形,降低特征點(diǎn)的維度,采用“回”字型框代替GLOH算法劃分的17個(gè)區(qū)域.

圖2 “回”字型描述符的鄰域Fig.2 Neighborhood of “backing” character descriptor

考慮到抗噪聲干擾,本文仍沿用原算法中的鄰域信息進(jìn)行特征點(diǎn)描述. 改進(jìn)方法是獲取關(guān)鍵點(diǎn)附近的正方形鄰域,把取得的鄰域劃分為3個(gè)區(qū)域,構(gòu)建一個(gè)逐層遞增的“回”字型窗口,依次向外拓展建立一個(gè)72維向量特征點(diǎn)描述符. “回”字型描述符構(gòu)建方法如下.

1) 3個(gè)區(qū)域的劃分：首先,以待描述關(guān)鍵點(diǎn)為中心,將鄰近的2D1×2D1(D1=12σ,σ為關(guān)鍵點(diǎn)的尺度)像素的窗口畫一個(gè)正方形,作為關(guān)鍵點(diǎn)統(tǒng)計(jì)描述的鄰域范圍. 然后,將距離關(guān)鍵點(diǎn)最近的2D3×2D3(D3=0.25D1)鄰域窗口畫一個(gè)正方形,再將距離關(guān)鍵點(diǎn)的2D2×2D2(D2=0.73D1)鄰域窗口畫一個(gè)正方形. 3個(gè)正方形把關(guān)鍵點(diǎn)待描述的鄰域范圍分成3個(gè)不重疊的區(qū)域,將最里邊的正方形作為第一區(qū)域,向外擴(kuò)展的“回”字型框依次為第二和第三區(qū)域. 第一區(qū)域作為第一組描述向量.

2) 第二區(qū)域再細(xì)劃分4個(gè)組：以關(guān)鍵點(diǎn)為中心,在第二區(qū)域中間,將第一組描述向量的鄰域向上下左右4個(gè)方向擴(kuò)展D21(D21=0.17D1)范圍的像素,得到的新鄰域“回”字型框作為第二組描述向量,重復(fù)該步驟,在第二組的鄰域向上下左右4個(gè)方向擴(kuò)展D22(D22=0.13D1)范圍的像素,得到第三組描述向量,第三組向量向上下左右4個(gè)方向擴(kuò)展D23(D23=0.09D1)范圍的像素,得到第四組描述向量,第四組向量向上下左右4個(gè)方向擴(kuò)展D24(D24=0.09D1)范圍的像素,得到第五組描述向量,結(jié)果如圖2所示.

3) 第三區(qū)域再細(xì)劃分4個(gè)組：以關(guān)鍵點(diǎn)為中心,在第三區(qū)域中間,將第五組描述向量的鄰域向上下左右4個(gè)方向擴(kuò)展D11(D11=0.08D1)范圍的像素,得到的新鄰域“回”字型框作為第六組描述向量,重復(fù)該步驟,在第六組的鄰域向上下左右4個(gè)方向擴(kuò)展D12(D12=0.07D1)范圍的像素,得到第七組描述向量,第七組向量向上下左右4個(gè)方向擴(kuò)展D13(D13=0.06D1)范圍的像素,得到第八組描述向量,第八組向量再向上下左右4個(gè)方向擴(kuò)展D14(D14=0.06D1)范圍的像素,得到第九組描述向量,結(jié)果如圖2所示.

4) 計(jì)算特征向量：通過計(jì)算每組描述向量范圍內(nèi)像素在8個(gè)方向上的梯度累加值,依次得到9×8=72維特征向量.

改進(jìn)PSO-SIFT算法特征描述符的維度由原來的136維降至72維,同時(shí)包含的鄰域范圍由原來半徑為R1的圓形變?yōu)楝F(xiàn)在2D1×2D1的正方形,明顯包含了更多的鄰域信息. 由于遙感圖像具有較多的局部一致性,所以相對(duì)于整幅圖像,區(qū)域劃分的思想對(duì)視角變換有較好的優(yōu)勢(shì),不僅極大減少了計(jì)算量,而且避免了因減少種子點(diǎn)帶來的損失. 增加的鄰域信息使特征描述符更穩(wěn)定,為后期圖像匹配的準(zhǔn)確性提供了保證.

2.2 增強(qiáng)的特征匹配

Lin等[19]提出了基于全局運(yùn)動(dòng)建模的雙邊函數(shù)(bilateral functions for global motion modeling,BF)算法,該算法可以可靠地恢復(fù)大量的內(nèi)部匹配,而無需依賴于特定模型,在較寬的基準(zhǔn)范圍內(nèi)可獲取大量高質(zhì)量的對(duì)應(yīng)關(guān)系,同時(shí)又將異常值降至最低; 文獻(xiàn)[20]提出了GMS-PROSAC(grid-based motion statistics progressive sample consensus)算法,該算法將基于網(wǎng)格的運(yùn)動(dòng)統(tǒng)計(jì)方法與漸近一致采樣方法相結(jié)合,提高了匹配正確性,但使用更復(fù)雜,且速度較慢；Song等[21]提出了一種基于幾何方法的單應(yīng)性矩陣評(píng)估算法,提升了航空?qǐng)D像的匹配效率,在具有視點(diǎn)差和傾斜的航空?qǐng)D像中獲得了較高的匹配結(jié)果,但在其他變換下效果一般；徐嘉等[22]提出了基于BF的海冰漂移監(jiān)測(cè)算法,使海冰漂移前后的匹配正確率達(dá)98%以上,且正確匹配的特征點(diǎn)數(shù)量更多,較SIFT等算法有明顯提升.

由于油田遙感圖像經(jīng)PSO-SIFT算法處理后匹配點(diǎn)過少且運(yùn)行時(shí)間過長(zhǎng),而FSC算法可保證匹配精度,所以本文提出將BF與FSC算法相結(jié)合的匹配點(diǎn)過濾算法. 針對(duì)一個(gè)非剛體運(yùn)動(dòng)擬合問題,即求出與給定數(shù)據(jù)集一致的最光滑函數(shù)fk(p),其中p表示圖像像素坐標(biāo),fk(p)表示像素的移動(dòng). 光滑性(無限可微性)意味著連續(xù)性的約束,即

(8)

為提高計(jì)算速度,避免計(jì)算歐氏距離消耗的時(shí)間,該方法將所有的特征點(diǎn)對(duì)基于反余弦進(jìn)行相似性度量. 相比于原算法(式(5)),改進(jìn)PSO-SIFT算法定義了一個(gè)更好的相似性度量標(biāo)準(zhǔn),稱為位置尺度方向反余弦(position scale orientation arccosine,PSOACOS),定義為

(9)

1) 首次匹配：通過特征點(diǎn)對(duì)應(yīng)描述符的最小和次小反余弦之比進(jìn)行首次匹配. 反余弦比的閾值設(shè)為dratio=0.9,以此獲得初始匹配點(diǎn)對(duì)集P和所有特征點(diǎn)對(duì)的最小反余弦集合PALL. 然后獲得尺度比、主方向差、水平和垂直位移的直方圖,并由直方圖獲得峰值的位置r*,Δθ*,Δx*和Δy*.

2) 擴(kuò)展匹配：BF算法用于從點(diǎn)對(duì)集P和PALL中刪除錯(cuò)誤匹配點(diǎn),并增加一部分匹配點(diǎn)擴(kuò)展匹配集,最后得到特征點(diǎn)對(duì)集P1.

3) 再次匹配：FSC算法用于從點(diǎn)對(duì)集P1中刪除錯(cuò)誤匹配點(diǎn)并計(jì)算初始變換參數(shù)μ,誤差閾值設(shè)為dI=0.9. FSC算法進(jìn)一步改善P1的對(duì)應(yīng)性,得到新的特征點(diǎn)對(duì)集P2. 使用PSOACOS作為相似性度量,該相似性比的閾值設(shè)為dr=0.9,并將最小點(diǎn)對(duì)視為候選匹配對(duì). 最后獲得特征點(diǎn)對(duì)集合P3.

4) 離群值刪除：用MS-SIFT算法中提出的邏輯過濾器消除多數(shù)異常值. 其中,式(7)閾值設(shè)為：Δxth=7.5,Δyth=7.5. 最后從P3得到一個(gè)特征點(diǎn)對(duì)集P4. 因?yàn)榻?jīng)過此步驟后得到的特征匹配點(diǎn)集已足夠精確,所以該步驟與原算法不同,減少了FSC算法.

3 實(shí) 驗(yàn)

盡管改進(jìn)PSO-SIFT算法在特征匹配時(shí)通過增加BF算法提高了算法的復(fù)雜度,但在特征描述階段降低了描述子的維度,特征匹配過程中計(jì)算反余弦替代了歐氏距離,重新匹配步驟中FSC算法篩選時(shí)減少了特征點(diǎn)數(shù)量,所以降低了計(jì)算量,加快了計(jì)算時(shí)間. 相比于單獨(dú)FSC算法,離群值去除步驟前加入BF算法可在更少的迭代中獲得更多正確的匹配.

3.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

數(shù)據(jù)集的獲?。菏褂脽o人機(jī)拍攝獲取遙感數(shù)據(jù),無人機(jī)采用索尼DSC-RX1RM2相機(jī)(焦距為35 mm),拍攝的單幅圖像為7 952×5 304(約4 240萬)像素. 遙感區(qū)域?yàn)楹邶埥〈髴c油田喇嘛甸地區(qū),并對(duì)采集得到的照片進(jìn)行處理,得到管線正射原始數(shù)據(jù)的圖像. 因?yàn)楸疚闹饕芯坑吞锏纳a(chǎn)維護(hù)與管道巡檢,所以匹配的圖像選取較有代表性的廠房建筑群. 由于無人機(jī)拍攝的油田遙感圖像分辨率(7 952×5 304)太大,程序無法直接處理,所以本文先進(jìn)行雙三次插值將圖像尺寸縮小為900×600像素,然后將彩色圖像灰度化處理. 本文實(shí)驗(yàn)還測(cè)試了原始圖像經(jīng)過銳化和圖像增強(qiáng)等算法處理后,會(huì)導(dǎo)致后續(xù)算法查找的特征點(diǎn)較多、匹配精確度較低等問題,所以改進(jìn)后算法不再進(jìn)行其他預(yù)處理.

3.2 評(píng)估標(biāo)準(zhǔn)

主觀評(píng)價(jià)通過視覺對(duì)匹配參數(shù)精度進(jìn)行評(píng)估,易受人為因素影響,而客觀評(píng)價(jià)標(biāo)準(zhǔn)對(duì)匹配參數(shù)進(jìn)行評(píng)估,會(huì)更具說服力. 在基于點(diǎn)特征的圖像匹配方法中,通常使用正確匹配的點(diǎn)對(duì)個(gè)數(shù)、正確率和均方根誤差(root mean square error,RMSE)對(duì)參數(shù)精度進(jìn)行客觀評(píng)價(jià).

3.2.1 正確匹配點(diǎn)對(duì)個(gè)數(shù)和正確率

正確匹配點(diǎn)對(duì)個(gè)數(shù)越多,通過FSC算法獲取的模型參數(shù)越準(zhǔn)確,因此可以把正確匹配點(diǎn)對(duì)個(gè)數(shù)作為算法性能的評(píng)價(jià)標(biāo)準(zhǔn)[23]. 正確匹配點(diǎn)對(duì)個(gè)數(shù)與算法初始檢測(cè)到的特征點(diǎn)個(gè)數(shù)有關(guān),通常情況下增加初始檢測(cè)到的點(diǎn)個(gè)數(shù)會(huì)增加最后正確匹配點(diǎn)對(duì)個(gè)數(shù),但正確率會(huì)相應(yīng)下降,因此為評(píng)價(jià)標(biāo)準(zhǔn)的有效性,需將對(duì)比算法和本文算法正確匹配點(diǎn)對(duì)個(gè)數(shù)和正確率進(jìn)行比較.

3.2.2 均方根誤差

(10)

3.3 實(shí)驗(yàn)結(jié)果及分析

為評(píng)估算法的有效性,本文將改進(jìn)PSO-SIFT算法與原PSO-SIFT算法及其他主流算法進(jìn)行性能比較. 這些算法在MATLAB R2018b下使用Intel Core i3-3220@3.30 GHz 雙核處理器,8 GB 1 600 MHz物理內(nèi)存和AMD Radeon HD 6700 Series 1 GB顯卡實(shí)現(xiàn).

為增強(qiáng)本文算法的說服力,可通過更改參數(shù),保證不同對(duì)比算法提取的參考圖像/待配準(zhǔn)圖像特征點(diǎn)數(shù)量大致相同. 不同算法的特征匹配效果如圖3所示,其中對(duì)比算法的特征點(diǎn)匹配結(jié)果用黃色連線表示,每種算法特征匹配結(jié)果中左圖匹配點(diǎn)用紅色圓圈表示,右圖匹配點(diǎn)用綠色十字表示.

圖3 不同算法的特征匹配效果Fig.3 Feature matching effects of different algorithms

由圖3可見: 各種算法得到的匹配點(diǎn)大多數(shù)分布在矩形建筑物角點(diǎn)附近及顏色突變較大處. SURF、BRISK和改進(jìn)算法找到的匹配點(diǎn)較稠密,分布也較廣,在中間的大廠房和旁邊的小建筑均有分布,而SIFT+FSC、GLOH+FSC和原算法找到的匹配點(diǎn)主要集中在中間的大廠房周圍. SURF和BRISK算法得到的匹配對(duì)出現(xiàn)了交叉匹配線,錯(cuò)誤偏移較大,這些交叉匹配線屬于明顯的錯(cuò)誤匹配點(diǎn)；而其他4種算法得到的匹配對(duì)未出現(xiàn)交叉的匹配線,整體錯(cuò)誤偏移較小,且改進(jìn)算法的匹配線也比其他3種算法的更密集,特別是在大廠房旁邊的角點(diǎn)進(jìn)行了較好地匹配. 因此,實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的增強(qiáng)特征匹配可明顯改善匹配效果.

為進(jìn)一步定量描述本文算法的優(yōu)越性,統(tǒng)計(jì)了不同對(duì)比算法的參考圖像特征點(diǎn)數(shù)量、待配準(zhǔn)圖像特征點(diǎn)數(shù)量、匹配對(duì)數(shù)量、正確匹配對(duì)數(shù)量、正確匹配率、RMSE以及算法的運(yùn)行總時(shí)間,結(jié)果列于表1. 為保證算法的效果,每種算法均執(zhí)行5次,取5次運(yùn)行時(shí)間的平均值作為最終運(yùn)行時(shí)間.

由表1可見：在特征點(diǎn)數(shù)量方面,參考圖像中,GLOH+FSC算法最少,為3 258,原算法最多,為3 933,改進(jìn)算法僅次于原算法；在待匹配圖像中,GLOH+FSC算法最少,為3 388,BRISK算法最多,為4 781. 改進(jìn)算法和原算法在參考圖像和待匹配圖像中特征點(diǎn)數(shù)量相差較小,且在各對(duì)比算法中都處于中等偏上水平,性能較穩(wěn)定. 在匹配對(duì)數(shù)量和正確匹配對(duì)數(shù)量方面,SIFT+FSC、GLOH+FSC和原算法找到的正確匹配對(duì)數(shù)量低于50,而SURF算法找到正確匹配對(duì)最多,為365,BRISK和改進(jìn)算法得到的匹配點(diǎn)數(shù)量大于100,處于中等水平. 改進(jìn)算法得到的正確匹配對(duì)數(shù)量為131,比原算法多87個(gè)匹配對(duì),正確匹配對(duì)數(shù)量約是原算法的3倍. 相比于其他4種算法,SURF和BRISK算法在特征匹配階段均未采用FSC算法,通過增加匹配對(duì)數(shù)量從而增加了正確匹配對(duì)數(shù)量. 在正確匹配率方面,BRISK算法最高,為90.98%,改進(jìn)算法僅次于BRISK算法,而SIFT+FSC和GLOH+FSC算法均低于80%,效果較差. 改進(jìn)算法和原算法獲得了較高的正確率,這是由于原算法梯度定義的更合理和有效. 在應(yīng)用該梯度后,改進(jìn)算法的“回”字型特征描述符更多考慮了特征點(diǎn)附近鄰域的信息,所以“回”字型設(shè)計(jì)對(duì)角點(diǎn)更顯著的矩形狀建筑物區(qū)域更契合,表現(xiàn)更好. 在匹配點(diǎn)精度方面,SURF算法的RMSE數(shù)值為154.9,是所有對(duì)比算法中最高的,表現(xiàn)最差. BRISK算法的RMSE雖然比前者降低很多,但依然劣于其他4種算法,精確度較差. 其他4種算法的RMSE都小于10,精確度高,效果較好. 特別是改進(jìn)算法,其RMSE值為6.78,是所有對(duì)比算法中最小的,準(zhǔn)確度最高,這是由于改進(jìn)算法中采用了BF與FSC算法相結(jié)合的特征點(diǎn)過濾,保證了算法的精度. 此外,原算法的RMSE為7.83,稍劣于改進(jìn)算法,這也驗(yàn)證了原算法梯度定義的有效性. 在運(yùn)行時(shí)間方面,前兩種算法速度較快,SIFT+FSC、GLOH+FSC和改進(jìn)算法速度居中,原算法運(yùn)行時(shí)間較慢. 但改進(jìn)算法與原算法相比,時(shí)間縮短了約20 s,明顯減少了運(yùn)行時(shí)間,這是由于改進(jìn)算法中采用了“回”字型特征描述符減少了描述符的維度,并且在特征匹配中通過計(jì)算反余弦代替了歐氏距離,提高了運(yùn)算速度.

表1 不同算法的實(shí)驗(yàn)結(jié)果

綜上,前兩種算法運(yùn)行時(shí)間短,但是匹配精度較低; SIFT+FSC和GLOH+FSC算法運(yùn)行時(shí)間居中,但匹配率較低且正確匹配率低于80%. 原算法和改進(jìn)算法匹配精度都較高,但改進(jìn)算法與原算法相比,不但增加了正確匹配對(duì)的數(shù)量,而且提高了正確匹配率,明顯減少了運(yùn)行時(shí)間. 實(shí)驗(yàn)結(jié)果證明了本文改進(jìn)算法的有效性.

綜上所述,本文針對(duì)PSO-SIFT算法在無人機(jī)遙感圖像的匹配中存在正確匹配點(diǎn)數(shù)量少、正確匹配率較低、運(yùn)行時(shí)間長(zhǎng)等問題,提出了一種基于改進(jìn)PSO-SIFT的圖像匹配算法. 該算法采用新的“回”字型描述符,降低了特征描述子的維度,縮短了計(jì)算時(shí)間. 此外,采用一種更魯棒的點(diǎn)匹配算法,用增強(qiáng)的匹配點(diǎn)過濾,從而增加了正確的匹配點(diǎn)數(shù)量. 在無人機(jī)拍攝的油田遙感圖像上進(jìn)行實(shí)驗(yàn),結(jié)果表明,本文算法在正確匹配對(duì)數(shù)量、對(duì)準(zhǔn)精度和運(yùn)行時(shí)間方面均比原算法和其他主流算法性能更好.