论文发表探究当下多尺度空间的遥感图像管理模式

来源：职称驿站所属分类：美术学论文
发布时间：2014-07-11浏览：46次

　　论文摘要：基于特征的配准方法从图像中选择某种图像特征，为两幅图像建立适合的特征空间，提取共同的特征信息，从而实现图像配准。图像的特征可以在多源图像间稳定存在，因此，基于特征的配准方法计算量小、鲁棒性强、对几何形变有较好的适应性。

　　关键词：图像配准,多尺度空间,尺度不变特征,艺术教育

　　本文选自《艺术教育》，《艺术教育》杂志系中华人民共和国文化部主管，国家一级艺术教育类大型期刊,每月一期, 国家级艺术类核心期刊。《艺术教育》创办于1977年，2003年1月改版，印刷精美、品位高雅，集学术性、思想性、知识性为一体。社会上已有的艺术教育类杂志多为单科性(如音乐、美术、舞蹈等)，以知识和教学活动为主，或主要面向大众，具有普及的功能，或主要面向专业人士，学术性较强。而《艺术教育》杂志以宣传党和政府的方针政策、交流艺术教育经验、探讨艺术教育管理和教学中的理论与实际问题、汇集国内外艺术教育信息、促进艺术教育事业持续繁荣和发展为办刊宗旨;是艺术教育管理工作者交流改革思路和管理经验的平台;是艺术教育教学工作者探讨教改、研讨学术的舞台;是为高等艺术院校、师范和普通高等院校的艺术教育单位(院、系、中心等)、中等艺术学校及业余教育单位的领导、教师及管理人员服务的综合性期刊。

　　1.引言

　　遥感图像配准就是对于不同时间、不同传感器或不同条件下获取的两幅或多幅图像建立相同像素的坐标对应关系，得到图像之间的转换关系，实现图像的几何纠正。

　　遥感图像来源的多样性，使得针对同一目标所获取的图像之间不仅存在平移、旋转等变化，更加存在尺度、光谱信息上的差异。因此，遥感图像配准技术的研究是一个及其困难且有重要意义的工作。

　　2.基于特征点的遥感图像配准方法

　　现有的图像配准方法主要归为两大类：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通过图像对应点周围的灰度进行相似性计算，计算量大且要求图像同质同源，不适用于多源遥感图像。

　　基于特征的配准方法从图像中选择某种图像特征，为两幅图像建立适合的特征空间，提取共同的特征信息，从而实现图像配准。图像的特征可以在多源图像间稳定存在，因此，基于特征的配准方法计算量小、鲁棒性强、对几何形变有较好的适应性。然而，有些特征不具有尺度不变性，尤其是同一目标的相同特征会因遥感图像之间尺度的不同而发生改变。因此，可用于多源遥感图像配准的特征要求对分辨率差异保持稳定，即具有尺度不变性。

　　3.多尺度空间理论

　　尺度空间理论通过得到不同尺度下的图像信息表示，综合多尺度下的图像信息来深入挖掘图像的本质特征。一幅图像的尺度空间定义为该图像与尺度的高斯核函数卷积而成，即：

　　(1)式(1)中，表示在尺度下的尺度空间，表示在尺度下的二维高斯核函数，表示输入图像。为了有效地在尺度空间中检测出稳定的图像特征点，将相邻尺度空间图像两两差分得到高斯差分尺度空间(DoG 空间)。DoG算子定义为两个邻近尺度的高斯核的差分。利用DoG 算子与输入图像卷积来寻找极值点。公式如下：

　　(2)式(3)中的高斯差分尺度函数简化了计算过程，使直接通过简单的相减便可得到。DoG 函数是尺度空间的不变量，所以具有尺度不变性。

　　4.尺度不变性特征

　　图像的特征主要包括点特征、边缘特征以及区域特征。目前，多尺度空间主要应用于点特征的提取。

　　4.1 SIFT 特征点

　　SIFT 算法是Lowe 于1999 年提出，并在2004 进一步发展完善。该算法分为以下两个步骤：1)尺度不变特征点的检测。SIFT算法在DoG 空间中进行极值点检测，得到一系列特征点及其几何位置与尺度信息。2)特征空间的建立。算法以每个特征点为中心建立一个区域统计出该区域的梯度直方图，取最大梯度幅值对应的相位为该特征点的主方向。接着，划分区域为16 个子域，每个子域统计出8 个方向的梯度直方图，构建出128 维的特征向量。特征向量以主方向为轴具有旋转不变性。

　　SIFT 特征点最显著的特点就是具有尺度不变性与旋转不变性。实验证实，该算法被具有最强的鲁棒性。

　　4.2 SURF 特征点

　　SURF 算法是对SIFT 算法在效率方面的改进。步骤如下：1)尺度不变特征点的检测。SURF 算法中增加图像核的尺寸，同时处理尺度空间多层图像。并在尺度空间中使用与该尺度层图像解析度相对应大小的滤波器进行极值点检测。2)构造特征向量。算法以每个特征点为中心建立一个区域统计该区域水平与垂直方向上的Haar 小波响应，相加后最长矢量的方向为该特征点的主方向。接着，划分区域为16 个子域，为每个子域统计出水平方向与垂直方向(相对于主方向)Haar 小波特征，使每个子域具有4 个值，从而构建出64 维的特征向量。相比SIFT 特征而言，特征向量少了一半，大大加快了匹配速度。

　　4.3 Harris 算子与尺度空间

　　Harris 算子是Harris C.G 和Stephens M.J 于1988 年提出的。Harris 算子具有较高的定位准确度、较好的算法鲁棒性，但对点特征的检测是在单一尺度上，不具备尺度不变性。2004 年Mikolajczyk 和Schmid 结合尺度空间理论提出了Harris -Laplace特征检测算法，算法步骤如下：

　　1)构建尺度空间。算法选用以k倍递增的不同高斯卷积核与原图像进行卷积运算生成LoG 空间。

　　2)Harris-Laplace 角点检测。LoG 空间中采用二阶自相关矩阵，计算出每个点在邻域内的梯度分布情况，以及在每个尺度空间图像上该点的响应值，将满足设定阈值的点作为检测到的特征点。

　　因此，结合了尺度空间的Harris 算子获得了尺度不变性。综上所述，遥感图像配准领域中，提取尺度不变性特征成为提高遥感图像配准精度的重要途径。尺度不变性理论并不仅仅可以应用到特征点的提取，更可以推广到图像的边缘特征与区域特征的提取。

　　针对边缘特征，结合尺度空间可以通过原图像卷积弱化遥感图像细节，有利于减少琐碎边缘特征的产生。针对区域特征，结合尺度空间可以利用高尺度空间图像分割结果来指导低尺度空间的区域合并，有效防止过分割现象。

　　总结

　　随着算法的不断成熟，有效的寻找到尺度不变性特征成为遥感图像配准的重要发展方向。因此，多尺度空间在遥感图像处理中值得深入研究。

　　参考文献：

　　[1]李伟生.用Harris-Laplace 特征进行遥感图像配准[J].四川大学学报，2011，43(4)：89-95.

　　[2]Lowe D G.Distinctive Image Features from Scale-InvariantKeypoints[J].Int.J.Computer Vision，2004，60(2)：63-86.

　　[3]滕义伟.基于多尺度特征点提取的图像配准[D].北京：北京工业大学，2013.

　　[4]汪汉云.多源遥感图像配准技术综述[J].计算机工程，2011，37(19).

《论文发表探究当下多尺度空间的遥感图像管理模式》