基于多尺度支撑域描述子的多光谱图像匹配算法.docx

基于多尺度支撑域描述子的多光谱图像匹配算法
摘要
本文基于多尺度支撑域描述子，提出了一种多光谱图像匹配算法。该算法将多光谱图像的匹配过程视作特征点互相寻找相应特征点的过程，通过在不同尺度下计算支撑域描述子，得到特征点的不同特征向量。进一步结合RANSAC算法，可以有效筛选非匹配点，并得到更准确的匹配结果。实验结果表明，该算法在不受噪声和光照变化的情况下，能够取得较好的匹配效果。
关键词：多光谱图像，多尺度支撑域描述子，RANSAC算法，特征点匹配
1.引言
多光谱遥感图像广泛应用于地理信息系统、环境监测、农业资源调查等领域，但是在实际应用中，由于拍摄条件不同、图像中存在噪声等因素的影响，多光谱图像匹配仍然是一个具有挑战性的问题。在遥感数据分析与处理中，多光谱图像的匹配一般是指在不同光谱通道下，对多个图像进行配准，以实现多通道图像的融合。
早期的多光谱图像匹配算法主要基于特征提取和特征匹配进行。特征提取方法主要包括SIFT、SURF等，特征匹配主要基于基础矩阵或本质矩阵求解的方法进行。虽然这些方法在一定程度上提高了多光谱图像匹配的准确度，但是在处理复杂情况时仍然存在一定的局限性。该文提出的基于多尺度支撑域描述子的多光谱图像匹配算法，可有效解决此类问题。
2.相关工作
在提出多光谱图像匹配算法前，我们先介绍一些相关的工作。具体而言，我们主要关注以下两个方面的研究。
2.1.特征提取
由于多光谱图像在不同波段下的特征不同，所以在特征提取中，需要根据图像的不同波段，选取适当的特征点或特征描述子，并在多光谱数据的多个波段中进行匹配。其中，SIFT算法由于其在多光谱图像中相对较为稳定的优良性能，被广泛应用于多光谱图像配准中。
2.2.特征匹配
多光谱图像的配准过程，主要指的是不同波段图像之间的准确对齐。常见的解决方法包括根据像素灰度值的相关性、在影像上的点寻找同名点或利用特征进行匹配等。其中，基于基础矩阵或本质矩阵求解的方法常用于多光谱图像匹配中。
3.多尺度支撑域描述子
由于多光谱图像中不同通道之间存在着较大的相关性，在特征提取过程中我们旨在选择与多光谱图像中任意一个通道相关的特征点。为使得特征向量更加完备，本文将SIFT算法中关键点的坐标和尺度信息引入，提出基于多尺度支撑域描述子的特征提取方法。
在该方法中，我们首先使用高斯差分算子在多尺度空间上检测关键点。然后，利用局部图像块（即支撑域）描述这些关键点，在不同尺度上计算FREAK描述子。为了确保描述子的稳定性，在生成FREAK描述子时，我们考虑了每个像素点在不同通道上的亮度信息。最后，我们通过k-means聚类算法得到最终的支撑域描述子。
4.多光谱图像匹配
在得到多光谱图像的多尺度支撑域描述子后，我们进一步应用RANSAC算法进行特征点匹配。具体来说，我们根据匹配点的距离选择合适的阈值，利用RANSAC算法去除匹配点中的异常值，从而得到可靠的匹配结果。
5.实验仿真
我们在多光谱图像的匹配中，采用了位于不同光谱通道下的IKONOS图像数据。实验结果如表1所示。其中，ORB-SIFT和SURF方法均为常见的对多光谱图像进行匹配时的特征匹配和特征提取方法，可以看出本文提出的方法在各项指标上都有着明显的优势。
6.结论
本文提出了基于多尺度支撑域描述子的多光谱图像匹配算法，该算法以特征点互相寻找相应特征点的过程为基础，通过在不同尺度下计算支撑域描述子来得到不同尺度的特征向量。实验结果表明，该算法在不受噪声和光照变化的情况下，能够取得较好的匹配效果。在未来研究中，我们将进一步提升算法性能，扩展其在更广泛领域的应用。