外文翻译译文-一个基于视觉注意模型的由粗到精的影像配准

一个基于视觉注意模型的由粗到精的影像配准电子信息学校，北京科技机构，中国北京100081；信息工程学院，中国北方科技大学，中国北京100144；信息技术学院，北京联合大学，中国北京100101摘要影像配准既是遥感的基础又是其重要部分。然而，让自动图像配准越来越精确和大市场图像越来越快是一个挑战。作为围绕研究这个问题的工作人员，我们在这篇文章中提出了一个基于视觉注意模型的影像配准的观念，即利用基于特征或基于区域的方法的优点来提高影像配准的精确度及其性能。此组合观念的关键在于通过视觉注意计算原理达到全面充分运用主要的细节的目的，并通过和其他传统方法在真实影像上的对比应用来检测它的有效性。结果表明这个方法可以在多时点的遥感图像充分运用，并且极其精准、省时。关键词遥感影像配准，视觉注意，相似性度量，偏相关，由粗到精的过程引言影像配准是对同一场景但在不同时间、不同视角和不同传感器拍摄的两个及其以上的的图像的重叠的过程。由于已匹准图像可以通过多数据图像提供补充信息，因此在遥感图像分析方面被看做是非常重要的一步。而遥感图像分析又被广泛的应用在多个领域，比如国家防御，变化监测，环境检测等等。在过去的几年里，多角度、多时相、多触感器的影像配准的应用吸引了越来越多的研究人员的注意。现在原型系统也可得到应用。但是由于其高精准性，好的适用性和噪声鲁棒性在工艺现状演算法中仍是一个挑战。影像配准方法大致可分为两类：基于特征和基于区域。基于特征的方法可以提取匹配两对或以上的影像。因此有效的特征提取和精确地特征匹配方法在这个过程中起到了重要的作用。基于区域的方法通过利用参考和漂浮图像之间的关联信息进行配准这种方法被认为是样板匹配过程。基于区域的方法运用全球信息，被广泛应用在医疗图像处理领域。虽然它耗费时间，但是它比基于特征的方法更加精确。相对于大范围的遥感图像配准，这种方法很难实时处理大量的图像数据。为了获取可靠、具代表性的特点，多功能检测器需要全景分析。为了获取相似的特质，还需要匹配然后追索匹配特质，在离群点移动中尤其需要有效相似的测量标准。当全面的测量上述方法时，计算劳力是非常巨大的。在尺度不变特征转换的大范围内用轮廓波转换的应用来减少计算是其解决办法。张运用了基于KNN-TAR的离群点移动运算法则，提出了一个有前景的范例，即特征、点相匹配的配准方法。典型的基于区域的方法的主要缺点是他们直接运用全景图片亮度，这也增加了配准的所需要的计算时间。Pluim等提出了用运算加速度来扩大多角度解决概念。Ref描述了包含抽取统计相关联的地域和数据统计的增大以提高预处理体制。这些方法都一定程度的有利于计算工作量的减少，提高配准的实施速度。最近，在考虑到基于特征和基于地域方法的鲁棒性，调查员们试图把这两种方法联合起来。龚等几位人员通过把SIFT和MI结合起来，提出了由粗到精的多感影像配准的方法，这种方法和预配准及微调过程都有一定的联系。然而，除了它的高计算复杂性和决定点异常值的的移除，SIFT在全景上的直接应用在计算时间上并未显示出提高。在这篇文章中，我们受到视觉注意学习的启发，规划了这个大范围的遥感图像配准，也就是由粗到简的方法，同时也提出了在大方位的同源遥感图像上图像配准模板。我们的方法需要两部，也就是显著地感兴趣区的预处理匹配和在对前一步获取的粗处理参数的微调。相对于基于地域的方法，我们的这个方法可以鲁棒的获取不同程度的差别，噪音，不同的照度，也能通过在典型的基于地域方法中应用基于特征的方法加快数据的集合。这种方法就是从特征到地域，物镜到像素，由粗到精的匹配过程。归类分配，剩下的文章详细的论述了这种方法。在第2部分介绍了由粗到精的配准方法，在第3部分描述了算法式的展示。第4部分是结论。第二章提出的方法给出参考图像R（x,y)和漂浮图像F(x,y)，用配准来确定R（x,y)和F(x,y)适合的对应关系。更准确的说，我们需要找出一份最佳的转换模板来来匹配转换的漂浮图像，应对所有像素的从R（x,y)到最大的范围。由于感应器远离监测点，在大范围的遥感图像配准中运用仿射的转换模板是可行的。转换模型可以记为T=（1）0cossiniyxFt（x，y）=TF(X,Y)(2)在变换矩形中的参数变量有其特殊的几何意义。S,x,y分别代表范围，旋转角度，水平偏移和垂直偏移。我主要描述了提出的配准方法大主要步骤。这些ROIs通过视觉注意模型从原始输入图像中提取出来的。由于他们结构和几何相关属性的相似性，这些ROIs被配对组合。通过这些粗糙的组合，这些变量为这些微调多维最佳的的搜索配准进行导出。2.1ROI特征的抽出虽然基于地域的的方法有高精确性配准的优点，但是它的局限在与它的高计算时间。为了大范围的遥感数据被采集，它很自然的探索选择数据的子集的方法。而这些数据是让加工得以进行从而获得独有的应用的物镜。近几年大量的子集抽取方法得以开发，但是高效率和有效的策略仍是人们所期望的。视觉注意能呈现类似人类视觉系统的机械原理来模仿视觉搜索程序在高复杂的场景中找到显著的目标。提出了很多基于计算的方法，并且其中很多在大范围的遥感图像得到应用，得到快速显著的探测。我们应用Achanta的基于高频率精确地域搜索的方法来获取ROIs.由于最大限度的原始空间分辨率的保留，分离出来的子集掌握更加重要的细节，并且获取比其他方法更加节省时间。Achantan应用目标监测的直方图来获取分割目标，而这些分割目标为了大范围的加工而消耗时间。这里我们集中注意力在包含关于ROI目标的而不是目标本身的标准区域，然后用赢者通吃的的网络获取集合像斑。为了提高分离程序的速度，每个ROI用固定的区域的圆形区域表示，而是有图像范围来决定的。数据2为分离结果提供了参考。表哥1提供了在两个关于数据碎片分离方法的比较的方案。对比结果显示有效的提出了ROIs，而这些又集中在显著的区域，这些显著的区域包含大部分的目标信息。2.2ROI匹配和异常值的分离从成对的图像中对比相似的特征是基于特征的图像配准的关键过程。应用多种相似的测量来阐述图像碎片的相似程度，其中包括相互关系，共同信息和相关位相。然而，这些度量标准不是不规则噪声、模糊性和空间退化的鲁棒性，其中最主要的因素是它们不是不变的仿射。根据区域特征，我们提出了一个光谱相似的度量方法，其中包含在相关几何学的ROIs的细节结构信息。特定的步骤如下：数据2显著ROI块的分离例子。基准图R0；（b）漂浮图像F0;(c)R0的显著图；（d)F0的显著图。（e)-(i),(j)-(n)分别是是基准图的和漂浮图像的ROI块的子集。数据表1数据信息和分离块的对比分离块的熵/分离块的熵/R0的灰度图的图像熵F0的灰度图的图像熵ESCR的数据分析5.17/7.124.93/7.05VA的数据分析5.68/7.125.76/7.05和分别代表基准图R漂浮图片的显著图。和SRFFIR(1iM,1jN）代表每个ROI值。JF步骤（1）ROI匹配：计算和相似性度量的实现和每个ROI的不变的Euclidean的距离的对比：(4),(),kyxpqmyxkqkyxpqu，(5)01-01-(6)1202214)(每个ROI的特征矢量可以记orandor(7)rk，)(7654321pkaipj得到FJ和RI之间最相似性匹配，计算特征向量的欧几里得距离。在FJ和RI的投资回报率分别记为M，N，为了消除互补干扰信息，我们省略特别是DMN，其中大于经验异常阈值Dth在相似矩阵。然后，我们实现了在最短欧氏距离的标准，最相似的对（RM，FM），其中（1m，minM，N）。步骤（2）干扰异常值去除。与工序（1）中，我们可以有效地除去由物体本身的干扰。由于“非刚性对象改变可能影响其显着性，一旦显着移位到非显着性，采用的ROI检测和变体的时刻措施，我们可以更容易地完成这一任务。在遥感应用，然而，对象位置的变化是另一个常见问题（FAQ）和步骤（1）将不再可行。对于大视场的场景，对象的外观是始终稳定，而它们之间的地理位置可能会改变。匹配感兴趣区“从配对的图像几何关系应保持稳定，即使有刻度的差异。也就是说，ROI的结构信息是在一定范围内变化的尺度内。出于这个原因，我们采用这个词来去除干扰ROI异常。具体步骤如下。（一）计算之间RM邻居的ROI欧几里得距离维向量和FM集：,.,(8)）（),(r21ord),(d11orr两个ROI坐标之间测量由式（5）。（2）线，基于特征的相似性措施：一是建立独立的相似性，SSR（结构相似比），以获得结构性变化的尺度，即：获得所有的SSRi我之后，我们就可以判断是否为某一对（RI，FI）是不同的1以及是否它是按照以下规则丢弃：(9)sriiS可以匹配的投资回报率和干扰异常后获得一套结构可靠ROI比赛，除去这两个预处理步骤。其独特性主要表现在以下四个方面。（1）提取的领带补丁包含在场景中最引人注目的内容，即“粗糙区“与著名的细节。（2）丰富的互信息。根据相似性匹配，匹配区域包括共存的信息，这是针对复杂的变换健壮，即，仿射变换以及类似变换。（3）自动设计。在这个方案中采用的VA模式是基于对自下而上的方法显着对象/特征搜索，并且不需要先验知识或任务。（4）实时性能。ROI的搜索是通过与WTA网络取代均值漂移加速对象定位.c2.3变换参数估计在第2.2的阶段后，将混凝土集匹配的候选人（投资回报）横跨整个场景可以被选择作为（），其中1m,因此，我们可以从选定的候frm，选人进行后续微调阶段的详细描述中的变换参数。利用公式（3），我们计算RM，FM，即，和O的F重心的坐标。因此，水平和垂),(yxorr),(ofyxf直移位可以被定义为和。使用两个最相似的ROI配对，rfrfy旋转角给定的子级工序中，刻度参数s可以通过计算.（10）s.3212.4最佳互相关处理寻找相似性度量的最大是基于区域的方案的关键。然而，它在计算上是困难的且高度费时的，得到通过穷举搜索的解决方案。具体地讲，从一对图像和“平滑区”，它包含较少突出细节的补充的信息，使之更难以定位的最大值。预定义的大小或其他预先选定的补丁很多窗户被用于随后的搜索。由于这个原因，覆盖恰好场景的相同的部分在参考和浮动图像和赋予粗糙区域具有高显着性，以改善最佳搜索,仍然是一个挑战。在本文中，我们提出一个有效的通过组合修改的视觉预处理为优化搜索的初始参数估计的图案.注意模型与选定的候选人结构分析。这里，给定初始参数，采用鲍威尔多维搜索策略，我们进行了反复的过程。对于每一个参数，最佳变换矩阵搜身布伦特的一维优化方法。查找当地的互相关（CC）的最大值，我们可以得到最佳匹配变换矩阵T*完成微调的过程。的概念可以被描述为如下:(11)(,maxrgTFTRcCC=(12)1m,2,),()(mmrjimrjirjifjifji第三章结果与讨论所提出的方法进行了实验评估了超过百双高分辨率遥感图像对于多视图和多时间分析.对于这种应用，比例失真保持在相对小的变体，这是用于使用视觉注意模型来选择感兴趣的显着区域的主要原因之一。作为一个杂乱的场景，我们的视觉注意力在视觉领域的显着对象自主制定。然而，高规模畸变可能极大地影响显着引导过程。在这种情况下，经验阈设定在0.5。考虑到高分辨率光学图像突出细节信息和预匹配为参数估计的精度的重要性，我们固定一个严格阈值在0.9。ESC之间的比较提出的12和我们作出。此外，我们采用了两种常见的评价指标：TRE（目标准误差）和均方根误差（均方根误差），说明注册性能。还应指出的是，基于特征的方法的SIFT是用C和MATLAB进行的，而ESC和我们的算法被用MATLAB编码。（13）222)()(xTREsy）（其中X，Y，s为真正的参数，X，Y，s为最佳估计值和表示地区的参考和相应的重叠区改造),(jiyxr),(jiyxfmr浮动图像，分别。在一般情况下，少TRE和有效值，更好的匹配精度。3.1多视角的光学空中图像配准实验前两对图像都是由I3DEA提供，亚利桑那州立大学从同一传感器获取几乎相同的轨迹，反映0.5米分辨率的梅萨，亚利桑那州具有丰富的街区和建筑信息。两个选定的对大小不同，并且配对的图像之间的相互关系包含缩放，旋转，移位变换。在第一对，两个实验的图像的大小为512512像素和图像在第二对中的大小为10241024。所提出的方法的结果示于图3中.另一个实验是利用一对图像（天海2012年空中客车公司DS）1.5米的初始空间分辨率，11月2012年采取的SPOT6，在大堡礁昆士兰州（10241024像素）。来自前2双不同，在此一对中有整个场景只有几个小岛或礁细节.对于这对所获得的结果被表示在图4中，并在目标值不同方法的性能比较示于表2中。3.2多时光学卫星图像配准实验用于多时间分析，遥感图像被广泛用于各种领域。实验对图像由一个段具有从由昴光学卫星（具有50厘米的空间分辨率）相同的传感器所提供的空中客车（Copyright2013CNES）14241024个像素的尺寸。选择图像的场面在巴西巴伊亚。浮动图像拍摄于二月，2013年和参考图像拍摄于2013年3月。对于日期和轨迹不同，块，植被，水域和详细资料球场附近可能有很大的不同。此外，该图是必然的变化。其结果如图5所示。实验证明，该方法是有效的多时空的场景。虽然有不同的图像的各种复杂的变化，所提出的预匹配处理效果很好基于ROI的干扰异常值去除方案和随后的粗略参数估计。上述实验表明，我们的方法可以有效地处理多时间的图像登记。登记结果对所有四对列于表2中。在表中明显呈现，所获得的配准参数导致TRE和RMSE的最低值，从而证实了高的配准精度。此外，关于计算效率，我们的方法利用一个预匹配处理，以提供对鲍威尔多维搜索的初始参数，这极大地研究，从而大大加速了收敛过程。计算在突性导区，而不是整个图像导致了效率和有效的匹配领域的目标函数如表3所示。综上所述，两个实验结果表明，该方法的粗到精的匹配过程中既有基于特征的方案，基于区域方案的优点，从而大大提高了遥感图像配准的性能。总结和未来的工作在这份报告中，我们建立一个明确的目标，显著的，以地域为基础的，快速登记的方法为了处理大场，多视角，多时空同源图像配准，这个方法已经被大量的实验所验证，这个纹理信息和结构分析的结合提供了可靠的初始变换参数用于随后的最佳互相关搜索。传统的效率算法通过选择大的突出区域作为计算对象改进，本文提供了一种新的利用视觉注意模型的远程图像配准的观点。考虑的自下而上的VA模式的限制，这是难以实现的相应的领带的ROI检测和匹配由不同的传感器获得的异类形象。为了解决这个问题时，VA模型和适当自上而下的相似性度量的仍需要和正在进行中的相关工作。致谢这项工作是由（批准号：61171194的国家自然科学基金的支持，6112010-6004）和（批准号：B14010的“111”计划）。笔者想谢焦继超博士他的贡献，以及这个手稿。参考文献1ZitovaB,FlusserJ.Imageregistrationmethods:asurvey.ImageVisionComput,2003,21:97710002ChenT,ChenL,SuY.ASARimageregistrationmethodbasedonpixelmigrationofedge-pointfeature.IEEEGeosciRemoteSensLett,2014,11:9069103HsiehYC,McKeownJrDM,PerlantFP.Performanceevaluationofsceneregistrationandstereomatchingforartographicfeatureextraction.IEEETransPatternAnalMachIntell,1992,14:2142384IngladaJ,AdragnaF.Automaticmulti-sensorimageregistrationbyedgematchingusinggeneticalgorithms.In:IEEEInternationalGeoscienceandRemoteSensingSymposium,2001.231323155DingMT,JinZ,TianZ,etal.Objectregistrationforremotesensingimagesusingrobustkernelpatternvectors.SciChinaInfSci,2012,55:261126236QiuP,LiangY.TheimprovedalgorithmofremotesensingimageregistrationbasedonSIFTandContourlettransform.In:4thIEEEI