（摄影测量与遥感专业论文）基于线特征的多源遥感影像配准研究.pdf

摘要摘要遥感是目前为止能够提供全球范围的动态对地观测数据的唯一手段，其成像模式多种多样。多源传感器影像的数据融合，可以产生出比单一信息源更精确、更完整、更可靠的影像信息。在融合这些多源遥感影像数据时，必须先进行影像配准。近几十年来，随着图像分割、边缘检测等技术的发展，基于线特征的影像配准方法逐渐成为配准领域的研究热点。本文首先简要介绍了影像配准的基本理论与方法，重点介绍了目前应用影像的线特征来进行配准的各种方法及其原理，比较与分析了它们的优缺点。本文重点研究利用直线段特征来进行多源遥感影像配准的方法。首先研究探讨利用分区域h o u g h 变换方法来提取多源遥感影像的线特征，然后针对现有的影像配准方法改进的迭代h o u g h 变换( m 0 d i f i e di t e r a t e dh o u g ht r a n s f o r m ，m i h t ) 影像配准方法的不足，即，收敛速度缓慢，收敛过程不够稳定的缺点，本文提出将h u b e r 选权迭代最小二乘平差与m i i t 方法相结合的多源遥感影像配准方法抗差l s a m i h t 影像配准方法。与m i h t 方法相比较，该种改进算法不但保持了原方法的优点，即有较强的稳健性、对先验信息要求较低，以及无需知道配准基元之问的同名关系等，还较大地提高了原方法的收敛速度，加强了收敛过程的稳定性，从而提高了实用性。实验结果证明，对于多源遥感影像，先利用分区域h o u g h 变换方法来提取线特征，再通过抗差l s a m i h t 方法来进行影像配准，可获得一个像元左右的配准精度，是一种可行、有效的多源遥感影像配准方法。【关键词】遥感影像配准，线特征，h o u 曲变换，稳健估计，选权迭代a b s t r a c ta b s t r a c tr e m o t es e n s i n gh a sb e e nt h eo n ea n do n l yt e c h n o l o g ys of a rt h a tc o u l dp r o v i d ed y n a m i cg l o b a l w i d ee a r t h o b s e r v a t i o ni n f o r m a t i o n t h e r ea r ev a r i o u si m a g e f o r m i n gp a t t e r n sf o rr e m o t es e n s i n g t h ef u s i o no fm u l t i s o u r c er e m o t es e n s i n gi m a g e sw o u l dg i v eb i r t ht oa l li m a g eo fw h i c hi n f o r m a t i o ni sm o r ep r e c i s e ，m o r ei n t e g r a t e da n dm o r er e l i a b l et h a nt h a to fas i n g l ei m a g e b e f o r et h ef u s i o n ，t h em u l t i s o u r c er e m o t es e n s i n gi m a g e sm u s tf i r s tb er e g i s t e r e d w i t ht h ed e v e l o p m e n to fi m a g es e g m e n t a t i o na n de d g ed e t e c t i o nt e c h n i q u e si nr e c e n td e c a d e s ，l i n e a r f e a t u r eb a s e di m a g er e g i s t r a t i o nh a sb e e nb e c o m i n gt h ek e r n e lo fi m a g er e g i s t r a t i o nt o p i c f i r s t l y , t h et h e s i sg i v e sab r i e fd e s c r i p t i o no ft h eb a s i ct h e o r i e sa n dm e t h o d so fi m a g er e g i s t r a t i o n ，w h i c hf o c u s e so nt h er e g i s t r a t i o nm e t h o d st h a tt a k eu s eo ft h el i n e a rf e a t u r e sa n dt h e i rr a t i o n a l e s ，a n dw h a t sm o r e ，o nc o m p a r i n ga n da n a l y z i n gt h e i rm e r i t sa n dd r a w b a c k s t h e nw h e na i m i n gt ou t i l i z es t r a i g h t - l i n e s e g m e n tf e a t u r e st or e g i s t e rm u l t i s o u r c er e m o t es e n s i n gi m a g e s ，t h et h e s i si n t r o d u c e sal i n ee x t r a c t i o nm e t h o df o rm u l t i s o u r c er e m o t es e n s i n gi m a g e r yn a m e da sp a r t i t i o nh o u g ht r a n s f o r m t h e n ，t h et h e s i sp r e s e n t san e wr e g i s t r a t i o ns t r a t e g yn a m e da sr o b u s tl s a - m i h t , w h i c ho v e r c o m e st h ed r a w b a c k so fm o d i f i e di t e r a t e dh o u g ht r a n s f o r i l l ( m i h t ) o fl o wc o n v e r g e n c es p e e da n du n s t a b l ei t e r a t i o np r o c e d u r eb yi n t e g r a t i n gh u b e rv a r i a b l ew e i g h ti t e r a t i o nl e a s ts q u a r ea d j u s t m e n tw i t hm i h t t h em o d i f i e dr o b u s tl s a m i h ts t r a t e g yi sn o to n l yh a st h es a m em e r i t so fm i h t , s u c ha ss t r o n gr o b u s t n e s s ，l o wr e q u i r e m e n tf o rp r i o ri n f o r m a t i o na b o u tt h ei m a g ep a i r , a n da s s u n l e sn op r i o ri n f o r m a t i o no ft h ec o r r e s p o n d e n c eo ft h ep r i m i t i v e s ，b u ta l s oc o n v e r g e sm o r ef a s t e ra n ds t a b l et h a nt h em i h ts t r a t e g y , w h i c hm a k e si tm o r ep r a c t i c a le x p e r i m e n t a lr e s u l t su s i n gr e a ld a t ap r o v e dt h a tt h ep r o p o s e dr e g i s t r a t i o nm e t h o d ，o fw h i c hs t r a t e g yi st oe x t r a c tl i n ef e a t u r e sf i r s tf r o mi m a g ep a i ra n dt h e nt or e g i s t r yt h e mw i t hr o b u s tl s a m i h ts t r a t e g y , c o u l da c h i e v er e g i s t r a t i o na c c u r a c yo fa b o u to n ep i x e la n di sp r a c t i c a lf u rm u l t i s o u r c er e m o t es e n s i n gi m a g e r yr e g i s t r a t i o n k e yw o r d s ：r e m o t es e n s i n gh n a g er e g i s t r a t i o n ，l i n e a rf e a t u r e ，h o u g ht r a n s f o r m ，r o b u s te s t i m a t i o n ，v a r i a b l ew e i g h ti t e r a t i o na d j u s t m e n t学位论文独创性声明：本人所里交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。如不实，本人负全部责任。论文作者( 签名) ：丛亟蕉护乡年占月b 日学位论文使用授权说明：河海大学、中国科学技术信息研究所、国家图书馆、中国学术期刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的复印件或电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电予文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅。论文全部或部分内容的公布( 包括刊登) 授权河海大学研究生院办理。论文作者( 签名) ：b 固堪汐彳年石月，日第一章绪论1 1 研究背景第一章绪论自2 0 世纪7 0 年代以来，卫星遥感技术伴随着人类空间技术的发展不断前进。现代遥感技术的显著特点是多传感器平台、多分辨率、多光谱和多时相，这使人们可以动态、快速、准确和及时地获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。然而，人们对遥感的应用水平却滞后于空间遥感技术的发展，对遥感信息认识的不足和对遥感专题信息提取水平的滞后，使遥感数据中隐藏着的丰富知识远远没有得到充分地发掘与利用，造成了遥感信息资源的巨大浪费及其应用价值的降低。因此，信息提取的能力与效率将成为未来遥感应用面临的突出问题之一【“。从理论上讲，多源遥感信息融合技术可以将多源传感器的数据和信息进行关联和复合，产生出比单一信息源更精确、更完整、更可靠的估计和判断。然而，由于不同传感器的成像机理不同，获取影像的时问、角度、环境也不同，因此，为了进行影像信息融合、变化检测、高分辨率影像的重建等后续处理工作，需先进行影像配准。多源遥感影像配准是提高上述工作的精度和有效性的瓶颈，是必需的前期工作，其结果的好坏将直接影响后续工作的质量。早期遥感应用中的影像配准，往往通过在拍摄场景设置标志或人工在影像上选点的方式进行。近年来随着遥感器件和数字信号处理技术的飞速发展，遥感影像的分辨率和数据量大大增加，人工方法在人力物力损耗和处理速度上往往不能适应需求。自动影像配准技术弥补了人工方法的不足，因而被广泛应用于遥感影像处理中。目前的多源遥感影像的自动配准方法中，人们研究得最多的是基于点特征的配准方法。基于点特征的配准方法有两个难点，一是点特征的提取，二是点间同名关系的确定。由于多源遥感影像之间的灰度差异和几何差异较大，点特征的一维性令其对提取算法和匹配算法都提出较高的要求，而且随着影像特性的不同，需要应用不同的提取方法和匹配方法。与点不同，线是影像灰度的一种集合特征，对影像间的灰度差异不太敏感，较易提取，而且无论自然环境还是人工环境中都河海大学硕士学位论文存在有丰富的线状地物。如何利用线特征进行多源遥感影像自动配准，是非常有意义的研究方向。1 2 国内外研究现状1 - 2 1 影像配准的理论方法多源影像配准是指依据一些相似性度量决定影像间的变换参数，使从不同传感器、不同视角、不同时间获取的同一场景的两幅或多幅影像，通过空间变换和灰度变换变换到同一坐标系下，在像素层上得到最佳匹配的过程【2 j 。待配准影像相对于参考影像的配准可定义为两幅影像在空间和灰度上的映射。两幅影像可定义为两个二维数组，分别用乃( x ，y ) 和厶( x ，y ) 表示，它们分别是两幅影像的灰度值( 或其他度量值) ，则两幅影像间的映射可表示为j 2 ( x ，y ) = g ( ，】( ，( x ，力) )( 1 1 )其中厂为二维空间坐标变换，如仿射变换；g 为一维灰度( 或其他度量值)变换3 1 。但在实际应用中，灰度的变化常常可以通过传感器参数信息校正。因此确定空间变换表达式各参数，进行空间几何意义上的配准，是影像配准问题的关键。影像间典型的变换关系有平移、旋转、缩放等，部分影像之间还存在着投影和扭曲的变换关系。常用的主要变换有剐体变换( 尉g i db o d yt r a n s f o m a t i o n ) 、仿射变换( a 伍n et r a i l s f o 珊a t i o n ) 、投影变换( p r o j e c t i v et r a i l s f o 砷“o n ) 和非线性变换( n o n l i n e a rn a n s f o h n a t i o n ) f 4 】。下面对此一一介绍：刚体变换如果第一幅影像中的两点间的距离经变换到第二幅影像后仍保持不变，则这种变换称为刚体变换。刚体变换可分解为平移、旋转和反转( 镜像) 。在二维空问中，点( x ，y ) 经刚体变换到点( x ，y ) 的变换公式为：瞄嚣计嘲mz ，其，： = i ，目为旋转角度，文、0 为平移量。第一章绪论仿射变换如果第一幅影像上的直线经变换到第二幅影像上仍然为直线，并且保持平行关系，这样的变换称为仿射变换。仿射变换是由比例缩放、平移及旋转组成的刚性全局转换，一般由相同视角但不同位置的拍摄造成。其变换公式为：阱匮瑚+ 蹦( 1 3 )其中，i d l zl 为实数矩阵。l 口2 ld 2 2 j刚瓣鲥t ，则二维投影变换是按照( 1 4 ) 式将点( x ，_ y ) 变换为点( x ，y ) ：一：鱼! 生羔鱼口3 】x + d 3 2 y + d 3 3( 1 5 )、，= ! ! ! 兰! 丝上! 蛰吒i x + q 2 y + 矗”非线性变换这里，非线性变换亦即多项式变换( p 0 1 y n o m i a lt r a n s f o r m a t i 。n ) 。经过非线性变换，一幅影像上的直线映射到另一幅影像上不一定是直线，可能是曲线。在二维空间中，可以用以下公式表示：( x ，y ) 牛r x ，纠( 1 6 )其中，f 表示把一幅影像映射到另一幅影像上的任意一种函数形式。多项式变换是典型的非线性变换，如二次、三次函数及样条函数，有时也使用指数函数。多项式可以用以下公式表示：河海大学硕士学位论文第二章是遥感影像的直线段特征提取。对现有线段提取算法进行介绍和分析，在此基础上，通过分析多源遥感影像的具体特点，研究探讨种适应本文配准算法要求的遥感影像直线段提取方法分区域h o u 曲变换方法，详细介绍了该种算法的原理及其流程，最后通过实验来验证算法的可行性。第三章是基于线特征的多源遥感影像配准。其重点是介绍一种参数估计方法改进的迭代h o u 曲变换方法( m o d i “e di t e r a t e dh o u g ht r a n s f o r m ，m i h t ) ，该种算法可利用线段特征进行影像配准；随后，针对 i i h t 存在的不足，提出一种将h u b e r 选权迭代最小二乘方法与m i h t 方法结合起来的改进算法一抗差l s a m i h t 算法，新算法的目的在于加快m i h t 配准算法的收敛速度，并使收敛过程更加稳定。第四章是实验设计与数据处理。主要通过三个实验来证明利用本文所提出的多源遥感影像自动配准算法的可行性和有效性，即先利用分区域h o u g h 变换来进行线特征提取，然后再利用抗差l s a m i h t 参数估计方法来进行影像配准。并通过实验来验证本文提出的抗差l s a m i h t 方法比原方法m i h t 更稳定、收敛速度快、精度高。第五章是结论与展望。对论文进行总结，作者结合研究过程中出现的难点，对进一步的研究提出一些设想和展望。第二章遥感影像的直线段特征提取2 1 引言第二章遥感影像的直线段特征提取利用计算机进行图像处理关键的一步就是对包含有各式各样大量的景物的图像进行分解。分解的最终结果是一些具有某种特征的最小成分，即图像的基元。这种基元，相对于整幅图像来说，更容易被人或计算机理解。图像的边缘是图像的最基本特征，是图像局部亮度变化最显著的部分，即由周围像素灰度有明显变化的那些像素的组合。边缘主要存在于目标与目标、目标与背景、区域与区域之间。边缘检测是获取二维场景描述的关键技术，是图像测量、图像分割、图像压缩以及模式识别等图像处理技术的基础，是图像研究领域最活跃的课题之一。就多源遥感影像的配准而言，如前所述，若来自于多种传感器的影像之间的灰度差别很大，一般不会采用基于灰度的影像配准技术，而是采用基于特征的影像配准技术。又由于各成像传感器的视点、成像方法、成像条件的不同，造成待配准影像的几何差异很大，也使点特征的提取变得困难。因此本文中采用的是基于线特征的配准方法，从而线段特征的提取就成为配准前非常关键的一步。对于由像元阵列所组成的影像而言，提取线特征的过程可分为两步：首先抽取反映灰度变化的基本单元边缘，其次再将这些边缘连接或者编组为有意义的线状特征。通常称前者为边缘检测，称后者为边缘连接，或者边缘跟踪、边缘编组等1 2 ”。本章首先介绍几种常用的边缘检测方法和边缘跟踪方法，接着根据本论文所研究的基于线特征的多源遥感影像配准方法的特点和需要，研究探讨一种适用于该种配准方法的线特征提取方法。2 2 常用的边缘检测方法影像边缘是影像中灰度值不连续( 或突变) 的结果，一般将灰度变化分为三种类型：阶跃型、屋顶型和脉冲型。边缘检测技术一般都采用影像滤波的方法，即先对影像滤波，再对滤波结果作一阶或二阶导数以寻找边缘。河海大学硕士学位论文( 1 ) 梯度算子梯度对应一阶导数，梯度算子是一阶导数算子1 2 8 1 ，在实际中常用小区域模板卷积来近似计算。顾及x 方向和y 方向的梯度，一般需要两个模板组合起来以构成一个梯度算子。根据模板的大小及其元素值的不同，人们已提出许多种不同的算子。最简单的梯度算子是r o b e r t s 算子( p n 图2 1 ( a ) ) ，其由两个2 2 模板组成。比较常用的还有p r e w i t t 算子( 如图2 1 ( b ) ) 和s o b e l 算子( 如图2 1 ( c ) ) ，它们都是由两个3 3 模板组成。其中，s o b e l 算子是最常用的算子之一。田10 田01 田口田园( a ) r o b e r t 5c b ) p 】嘲t t( c ) s o l m l图2 1 几种常用的梯度算子模板梯度算子在运算时采取类似于卷积的方式，将模板在影像上移动并在每个位置计算对应中心像素的梯度值。对一幅灰度图而言，其经过梯度算子模板卷积后的结果为一梯度图。( 2 ) l o g 算子由于各种差分算子对噪声很敏感，因而在进行差分运算前应先进行低通滤波。通过理论推导，可证明最优低通滤波近似于高斯函数。由于噪声点对边缘检测有一定的影响，所以在提取边缘时先利用高斯函数进行低通滤波，然后再利用拉普拉斯算子进行高通滤波并提取零交叉点，这就是拉普拉斯一高斯算子或称为l o g 算子。它把高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。常用的l o g 算子是5 5 的模板，如下所示244d一2d0804d82 48_ 44080_ 4244一d2图2 2 一种常用的l o g 算子模1 0第二章遥感影像的直线段特征提取( 3 ) c a n n y 算子c a n n y 把边缘检测问题转换成检测单位函数极大值的问题【3 0 l 。根据边缘检测的有效性和定位的可靠性，c a n n y 推导出最优边缘检测算子所需的特性及最优边缘检测器的数学表达式。为此，c a n n y 认为好的边缘检测器应满足三个准则：信噪比高信噪比的数学表达式为：趴足：f ；g ( - x ) f ( x ) d x( 2 1 )j c ，2 0 ) a x其中，倒是边界为( 一w , w ) 的滤波器的脉冲响应，g 阳代表边缘，n o 是高斯噪声的均方根。高的信噪比将使得把非边缘点判定为边缘点的概率低，使得把边缘点判定为非边缘点的概率低；定位精度高好，即实际边缘与检测到的边缘位置之间的偏差最小：定位精度的数学表达式为：上。c 口，f 砌f f 。：f j g ( - x ) f ( x ) d x( 2 2 )c ，“( x ) 出其中，g 矽和厂分别表示g ( - x ) 和刷的一阶导数。求得( 2 1 ) 式及( 2 2 )式的乘积的最大值，是设计最佳算子的基础。除此以外，还要满足多重响应约束条件。对单一边缘仅有唯一响应，即单一边缘产生多个响应的概率要低，并且虚假边缘响应应得到最大抑制，即非极大抑制原则。这要求在对边缘的响应中，两个相邻最大值间的距离为。，的零交叉点平均距离为托。两者间的关系是：靠。( ，) = 2 x z c ( f ) = k w( 2 ，3 )其中，系数k l ，而吲俨 甓丁a ，河海大学硕士学位论文若满足此准则，就能保证对每个边缘有唯一的响应，得到边缘为单像素宽。c a n n y 算法是一个具有类似步骤的多阶段的优化算法，c a n n y 边缘检测的步骤包括：用高斯滤波器来对影像进行滤波，以去除影像中的噪声：用一阶偏导数的有限差分来计算梯度的幅值和方向；对梯度幅值进行非极大值抑制，当有两个响应对应于单个边缘时，其中一个应该被认为是虚假的；用双阈值算法检测和连接边缘，即以较低阈值所得到的影像为基础，以较高闽值所得到的影像为补充来连接影像的边缘。传统的边缘检测算予如r o b e r t s 、s o b e l 、p r e w i t t 和l a p l a c i a n 等算子都是局域窗口梯度算子，由于它们对噪声敏感，所以在处理实际影像中效果并不理想。c a n n y 算子因其在边缘检测方面获得了良好的效果，因此，自从被提出来以后，就成为边缘检测中广泛应用的算法之一，并且很快成为评价其它边缘检测方法的标准。( a ) 原始影像( b ) r o b e r t s 算子边缘提取结果( c ) p r e w i a 算子边缘提取结果一( d ) s o b e l 算子边缘提取结果( e ) l o g 算予边缘提取结果( 0 c a n n y 算子边缘提取结果图2 3 几种常见边缘提取算子的边缘提取结果第二章遥感影像的直线段特征提取图2 3 为上述几种常用的边缘提取算子的边缘检测结果，从图中可以看出，由于r o b e r t s 算子是2 2 算子，因此其对具有陡峭的低噪声影像响应得最好，但提取出来的边缘较粗，边缘定位不够准确。p r e w i t t 算子与s o b e l 算予均为33 算子，可以看出其均对灰度渐变和噪声较多的影像处理得较好，检测出来的边缘较稳定，假边缘较少，而且边缘较细，定位比r o b e r t s 算子准确。l o g 算子定位精度、单边缘响应以及边缘的连通性都不错，但是使用不同l o g 模板，产生的边缘有很大不同，因此模板大小的选择一定要合理，才能做到既抗噪声干扰，又保证定位精度。由此可见，l o g 算子的自适应能力不强。c a n n y 算子提取的边缘十分完整，对弱边缘的响应也很好，而且得到的是单像素宽的边缘，定位准确，效果优于其他算子。最近几年来，应用c a n n y 算子进行影像边缘检测的文章很多。例如：v i a n n a和d es o u z a 在2 0 0 3 年提出的将m a r r 和c a n n y 联合使用，抑制假边缘出现川：h o n g j i a ns h i 利用c a n n y 边缘检测算法进行影像膨胀 3 2 l ；k a r k i nl e e ，w a i k u e nc h a m 和q i n r a nc h e n 利用改进的c a n n y 算法对下领骨进行识别1 3 纠；m o h a m e da 1 i ，d a v i dc l a u s i 将c a n n y 边缘检测算法应用于遥感影像增强【3 4 】。为此，本文选用c a n n y 算子作为多源遥感影像的边缘检测算子。2 3h o u g h 变换直线提取方法2 3 1h o u g h 变换原理( 一) 基本原理h o u g h 变换【3 5 l 利用影像全局特性而将边缘像素连接起来组成区域封闭边界，在预先知道区域形状的条件下，利用h o u g h 变换可以方便地得到边界曲线，而且可将不连续的边缘像素连接起来，以检测和识别影像空问的任意解析曲线。h o u g h 变换的主要优点是：对局部缺损的不敏感，受噪声和曲线间断的影响较小，以及适于并行处理、实时应用。h o u g h 变换的基本思想是点一线的对偶性2 ”，影像变换前在影像空间，变换后在参数空问，将笛卡儿坐标系( 图像空间) 中的线变换成斜率一截距坐标空间中的点，或极坐标空间( 参数空间) 中的点。即原始影像中给定形状的曲线或直河海大学硕士学位论文线上的所有点都集中到参数空间的某个点上形成峰值。这样，就把原始图像中给定形状的曲线或直线的检测问题，变成了寻找参数空间中的峰值问题，也即把检测整体特性( 给定曲线的点集) 变成检测局部特性的问题。在图像空间x y 里，所有过点o ，j ，) 的直线都满足方程：y = p x + g( 2 5 )其中p 为斜率，q 为截距。( 2 5 ) 式也可写成：g = 一p x 十y( 2 6 )( 2 6 ) 式可认为是参数空间j p q 中过点( p ，g ) 的一条直线。图2 4 图像空间与参数空间中的点和线的对偶性图2 4 给出一个示例，其中( a ) 为图像空间，( b ) 为参数空间。在图像空间a t 中过点( x ， ) 的通用直线方程按( 2 5 ) 式可写为只= p x ，+ q ，t g 可n ( 2 6 )式写成q = 一p x ，+ m ，后者表示在参数空间p q 里的一条直线。同理，过点( x ，y j )有乃= 鹏+ g ，也可写成g = p x j + y j ，它表示在参数空间j p q 里的另一条直线。设这两条直线在参数空间p q 里的点( p ，g ) 相交，这里点( ，g7 ) 对应图像空间x y 中一条过( x ，儿) 和( x ，乃) 的直线，因为它满足m = p _ ，+ g 和y ，= p x j + g 。由此可见图像空间朋7 中过点( 一，y i ) 和( x ，) 的直线上的每个点都对应在参数空间p q 里的一条直线，这些直线相交于点( p ，g ) 。由此可知在图像空间中共线的点对应在参数空间里相交的线，反过来，在参数空间中相交于同个点的所有直线在图像空间里都有共线的点与之对应，这就一2第二章遥感影像的直线段特征提取是点一线的对偶性。根据点一线的对偶性，当给定图像空间的一些边缘点，就可以通过h o u g h 变换确定连接这些点的直线方程。h o u g h 变换把在图像空间中的直线检测问题转换到参数空间里对点的检测问题，通过在参数空间里进行简单的累加统计完成检测任务。( a )( b )图2 5 参数空间里的累加数组在具体计算时，需要在参数空间p q 里建立一个二维的累加数组。设这个累加数组为a ( p ，q ) ，如图2 5 所示，其中( p 。，p 。) 和( q 。g ，。) 分别为预期的斜率和截距的取值范围。开始时置数组a 为零，然后对每一个图像空间中的给定边缘点，让p 取遍p 轴上所有可能的值，并根据( 2 6 ) 式算出对应的q 。再根据p 和q 的值( 设都已经取整) 对a 进行累加：a ( p ，q ) = a ( p ，q ) + 1 。累加结束后，根据a ( p ，q ) 的值就可知道有多少点是共线的，即a ( p ，q ) 的值就是在( p ，q ) 处共线点的个数，同时( p ，q ) 值也给出了直线方程的参数，即给出了点所在的线。( 二) 极坐标系下的h o u g h 变换实际使用h o u g h 变换时，要在上述基本方法的基础上根据图像具体情况采取一些措施，以提高运算的精度和速度，下面介绍使用极坐标直线方程的方法。累加数组的尺寸对计算的精确度和计算量都有很大的影响。运用( 2 5 ) 式直线方程时，如果直线接近竖直方向，则会由于斜率p 和截距g 的值都接近无穷而使计算量大增( 因为累加器尺寸将会很大) 。此时可使用极坐标方程：p = x c o s o + y s i n o( 2 7 )河海大学硕士学位论文来表示直线y = p x + q ，如图2 6 所示。图2 6 直线的极坐标表示根据这个方程，原图像空间中的点对应新参数空间中的一条正弦曲线，即原来的点一直线对偶性变成了现在的点一正弦曲线对偶性。检测在图像空间中共点的线需要在新参数空间里检测正弦曲线的交点。具体就是让p 取遍p 轴上所有可能的值，并根据( 2 7 ) 式算出所对应的p ，再根据0 和p 的值( 设都已经取整)对累加器数组a 累加，由4 阳，p j 的数值得到共线点的个数。这里在参数空间建立累加数组的方法与上述仍类似，只是无论直线如何变化，p 和p 的取值范围都是有限区间。一别( a )( b )图2 7 图像空间和参数空间中点和正弦曲线的对偶性图2 7 ( a ) 给出了图像空间盯中的5 个点( 可看作一幅图像的4 个顶点和中心点) ，图2 7 ( b ) 给出了它们在新参数空间里所对应的5 条曲线。这里日的取值范围为【一9 0 。，+ 9 0 。 ，而p 的取值范围为【一扼万2 ，厨2 ( 为图像边长的长度) 。第二章遥感影像的直线段特征提取由图2 7 可见，对图像中的各个端点都可作出它们在参数空间里的对应曲线，图像中其他任意点的h o u g h 变换都应在这些曲线之间。前面指出，参数空间里相交于一点的正弦曲线所对应图像空间中的点连在同一条直线上。在图2 7 ( b )中，曲线1 、3 、5 都过s 点，这表明在图2 7 ( a ) 里图像空间中的点1 、3 、5处于同一条直线上。同理图2 7 ( a ) 里图像空间中的点2 、3 、4 处于同条直线上，这是因为在图2 7 ( b ) 中，曲线2 、3 、4 都过丁点。对于一些离散的边缘点，确定边缘直线的具体方法如图2 8 所示：图2 , 8h o u g h 变换原理图如果图像空间中的点1 、2 、3 、4 、5 经h o u g h 变换后在参数空间中通过同一个点q ，则说明在图像空间中它们共线。在实际的计算中，为了找出这些点所构成的直线段，将p ，0 空间量化成许多小格，根据图像中每一个& 。，y o ) 点代入0 的量化值，算出各个p ，所得值( 经量化) 落在某个小格内，便使该小格的计数累加器加1 。当全部& ，y ) 点变换后，对小格进行检验，有大的计数值的小格对应共线点，其( p ，口) 可用作直线拟合参数，有小的计数值的各小格一般反映非共线点，应弃而不用。可以看出，如果p 和0 量化得过粗，则参数空间的凝聚效果较差，找不出直线的准确的p 和口值：反过来，如果p 和目量化得过细，那么计算量将增大，需要兼顾这两方面，取合适的量化值。2 3 2 传统h o u g h 变换的局限性h o u g h 变换具有诸多优点，例如，几何解析性简单，稳健性好，有并行实现的潜力，等等。但是，其局限性也很明显，主要表现在【3 6 】：河海大学硕士学位论文传统h o u g h 变换只能检测出图像空间中存在的直线，不能指出它的端点和长度。而在实际应用中，除了对有较长直线特征的目标，如机场跑道、高速公路，应用直线检测效果较好以外，大多数目标的边缘特征是自由曲线，应该由线段来描述才可以取得良好的结果：h o u g h 变换对参数空间的离散化要求很高，不当的离散可能把一条直线上的部分点同时判断成与它成微小夹角的另一条直线上的点，从而导致重复计算的直线增多；传统h o u g h 变换判断图像中是否存在直线的准则仅仅是检查直线上的像素的个数是否超出一个给定的阈值，而不管这些最大值是由分布效应产生的虚假峰值还是确实代表真实存在的直线，常常导致错误的直线提取；传统h o u g h 变换具有计算量大、耗费内存的缺点。鉴于传统h o u g h 变换的以上缺点，结合本论文所应用的配准算法的特点，本文对h o u g h 变换进行了改进，研究探讨了一种分区域h o u g h 变换线特征提取方法。2 4 分区域h o u g h 变换线特征提取方法2 4 1 基本原理对于基于特征的多源遥感影像配准而言，特征的提取是非常重要的一步。同时，配准应该结合配准方法的需要和特点来选择提取特征的方法。例如，文献1 3 ”的配准方法是通过对影像中长边缘应用改进f r e e m a n 链码相关系数方法进行相关计算，检测出一致的边缘以后利用最d , - - 乘法来得到配准参数的。这种配准方法的特点是要求边缘特征提取方法应该可以提取出光滑、连续的长边缘，而且边缘之问的局部差异对配准结果的影响也较大。因此该种方法对影像的适应性不强，对边缘提取方法的要求较高。本论文所讨论的配准方法的相似性度量是输入影像上的线段经图像变换后其端点到输入影像线段的距离( 详见第三章) ，因此两幅影像上同名线段只要求其物方共线即可，其代表的物方线段甚至无需有交集；其次，由于最后配准的依据是待配准影像上线段之间的统计关系，因此两幅影像上线特征之间无需一一对第二章遥感影像的直线段特征提取应，容许有对多、多对一的线段关系，甚至没有同名线段也可以。这样，就降低了对前期线特征提取算法的要求。提取直线段特征的过程可分为两步边缘检测和线段提取。其中，边缘检测是很重要的一步。为了便于其后的线段提取，检测出来的边缘应该有较好的连贯性。同时，为了降低定位误差，检测出来的边缘应该为单像素宽的。通过本章第二节中对各种常用的边缘检测方法的介绍与实测比较分析可以看出，c a n n y 算子提取的边缘可以较好地满足这两点的要求。c a n n y 算子的主要特点是通过调节一个尺度参数的值，可以得到任意细致程度下的边缘信息，对影像的大边缘而言，可获得非常连贯的单像素边缘曲线【2 l 】( 见图2 t 3 ) 。在边缘被检测出来后，就要将这些边缘连接成直线、曲线轮廓线，或者由一定的直线、曲线去拟合它们。目前常用的直线检测算法有启发式连接【3 叭、相位编组法【3 9 1 、层次记号编组法和h o u g h 变换3 5 1 等。启发式连接算法简单，但对边缘检测结果敏感，易产生断裂短直线；相位编组法利用方向信息进行直线的识别确认，且在对边缘作局部决策之前，先作支持边缘上下文关系的全局组织，能从复杂的影像中抽取出相当低对比度的直线，但该算法受直线中的间隙和噪声影响较大；层次记号编组法速度快，能连接短直线，同样也存在着参数难于选择、分辨率低的缺点1 4 1 。h o u g h 变换是一种非常经典、优秀的直线检测算法，具有很好的稳健性，且对直线局部的间断不敏感。可是它也存在有一些不足，如计算量大、不能指出线段的端点坐标等。此外，除了高分辨率遥感影像中的机场、高速薰hou一ghi k o n o 薰s t m ) h o u g h121 4 熙传统的变换来提取的全局直线一般是不多见iill的。而且一条在高分辨率影像( 例如，) 中r f 十_ 干_ 1 r r h的全局直线，在低分辨率影像( 例如，中也许卜 + _ + _ 一卜 + 一只是很短的一条线段，根本不能通过对其运用全局1lliiiill变换提取出来，如图2 至图2 中的子图：二_ _ l = 三：= 。、河海大学硕士学位论文分区域h o u g h 变换线特征提取方法的基本思想是把影像分成互不重叠的子影像( 见图2 ，9 ) ，在每一子图像上进行h o u g h 变换提取指定数目的直线。由于指定了每块子图像所提取的线段数目，所以在大部分情况下存在着虚假直线，因此当每一个子图像都经过h o u g h 变换以后，应对所有的线段进行过滤。子图像的大小根据影像的分辨率而定，因为同一条物方曲线在不同分辨率影像中的成像大小是不同的。如图2 1 0 ，图中的“”代表了线段的端点，在分辨率较小e t m影像上，应该用较短的线段来近似表达曲线，而在分辨率较高的s p o t 5 全色影像上，同一条物方曲线在像方可以用较长的线段来近似表达。当然，也可以将e t m 与s p o t 5 全色影像分成同样大小的子图像，用与e t m 一样的短线来表达s p o t 5 全色影像上的曲线，可是这样做一则是没有必要，二则是会增加s p o t 5全色影像的子图像数，从而增加了计算量。( a ) e t m 全色波段影像15 米分辨率( ”s p o t 单波段影像1 0 米分辨率( c ) s p o t 全色波段影像5 米分辨率图2 1 0 同一条物方蓝线在不同分辨率影像中的成像大小不同另外，从图2 1 0 也可以看出来，不同分辨率的遥感影像对地物细节的表现是不一样的。如果s p o t 5 全色影像的子图像大小与e t m 的一样，那么将在s p o t 5全色影像上提取出来很多代表地物细节的短线段，而这些细节有可能根本不会在e t m 影像上成像。例如，图2 1 0 ( c ) s p o t 5 全色影像中左边一条成像清晰的短线地物，其在图2 1 0 ( a ) e t m 影像上根本没有成像，在图2 1 0 ( b ) s p o t 5 影像中的成像也很模糊。可以说，在s p o t 5 全色影像上提出的这条线段对s p o t 5p a n 与e t m 影像的配准来说是完全没有用处的，反而会增加配准时的计算量。2 4 2 算法流程分区域h o u g h 变换线特征提取方法的基本过程如图2 1 1第二章遥感影像的直线段特征提取即对参考影像和输入影像，首先分别用滤波去除噪声，然后用c a n n y 算子提取边缘，接着根据影像的分辨率将边缘影像分成互不重叠的小子块图像，对每一幅子图像应用传统的h o u g h 变换，提取出指定数目( 例如，2 条)的直线，这些子图像的直线对于整幅影像来说就是一条一条的线段，接着利用子图像与整幅影像的位置关系来计算出每条线段的端点在影像坐标系中的坐标，并通过线段的起点与终点坐标来拟合出直线方程以备其后的线段过滤之用。过滤的准则有：参考影像输入影像滤波去噪滤波去噪山山边缘特征提取( c a n n y )边缘特征提取( c a n n y )山山将影像分成小块，在每一将影像分成小块在每一子图像中分别进行h o u 曲变子图像中分别进行h o u g h j换，分别提取出n 条直线段换，分别提取出n 条直线l山山拟合线段拟台线段山山判断线段的点长比是否符判断线段的点长比是否誉合要求合要求山山判断线段长是否符合要求判断线段长是否符合要哥山山判断线段是否有较大缺口il 判断线段是否有较大缺r 一一i 参考影像待配准线段集输入影像待配准线段集图2 11 分区域h o u g h 变换线特征提取算法流程满足线段方程的边缘点数与线段长的比值是否大于某一阈值；线段长是否大于某一闽值；作边缘跟踪，若组成线段的边缘上有一较大缺口，则过滤该线段。2 4 3 实验与分析以下图2 1 2 至图2 1 4 是将传统的全局h o u g h 变换直线提取方法和本文所研究探讨之分区域h o u g h 变换线特征提取算法应用于e t m 全色波段影像( 1 5 米分辨率) 、s p o t 5 单波段影像( 1 0 米分辨率) 和s p o t 5 全色波段影像( 5 米分辨率) 时的线段提取过程，其原影像分别为图2 1 0 的( a ) ( c ) 。图2 1 2 至图2 1 4 中的各子图( a ) 分别为c a n n y 算子的边缘提取结果，各子图( b ) 为在各边缘提取结果图上实施传统的全局h o u g h 变换的直线提取结果，河海大学硕士学位论文分别提取出5 条直线，可以看出，由于不存在有全局直线边缘，因此，全局h o u g h变换失效。各子图( c ) 为在各边缘提取结果图的基础上分别取2 0 、3 0 、4 0 像素大小的区域，实施分区域的h o w i g h 变换线段提取的结果图。可以看到，由于在每一子区域提取多条线段，所以不可避免地提出了一些无意义的线段，提出来的线段比较杂乱。各子图( d ) 为根据本章2 4 2 小节中的过滤准则和，对予图( c ) 中的提线结果进行过滤，剔除了短线段和无法满足点长比的线段。最后，对子图( d ) 中的线段应用过滤准则，剔除有较大缺口的线段，得到线段提取的最终结果( 见子图( e ) ) 。比较三幅不同分辨率遥感影像的提线结果可以看出，分区域h o u g h 变换直线段提取算法能够沿边缘提取出直线段，以线段来表达连续边缘。其结果的好坏取决于两个因素，一是边缘检测效果的好坏，若边缘检测时能检测出连续的边缘，并能够把不重要的、零碎的边缘给滤除掉，则在此基础上应用分区域h o u g h 变换可以获得较好的边缘提取结果：另外一个因素是