下载文档原格式
2006年10月 湘南学院学报 Oct.,2006 第27卷第5期 Journal of Xiangnan University Vol.27No.5收稿日期:2006-05-29基金项目:国家973计划课题资助(课题编号:2002CB312105)作者简介:文雅玫(1984-),女,湖南长沙人,研究方向:数字图像处理.一种遥感图像高精度自动拼接算法文雅玫,王连生,李思昆(国防科学技术大学计算机学院,长沙 410073)摘 要:图像的自动拼接在地理信息系统和全景视频系统中应用广泛,但是传统的自动拼接算法在拼接含有大片相似区域的图片时精度不高,效果不理想.本文在传统算法的基础上,提出一种高精度的自动拼接算法,利用基于特征的算法提取特征点,利用基于像素的算法寻找匹配块,然后根据RANS AC 原理精确计算图片的匹配关系.实验证实,该算法在图片包含大量相似区域及重叠部分相对较小的情况下,有比传统算法更高的拼接精度,而计算量并未增加.关键词:图像拼接;特征点;基于像素;RANSAC中图分类号:TP75 文献标识码:A 文章编号:1672-8173(2006)05-0062-051 引言遥感数字地图在勘测、地理信息系统(GIS)以及全景视频(Panoramic Video)系统的应用中有着极其重要的作用.但由于扫描仪尺寸和机器设备条件的限制,在应用中经常会遇到这样一个问题,就是需要将多幅小图片拼接成一幅大图片.虽然这项工作可以通过PhotoShop 等图像处理软件手工完成,但是这样产生的图像精度不高,而且耗时.因此,有必要寻找一种高精度的自动拼接算法,让计算机自动完成.图1 算法流程图传统的自动拼接算法主要分为基于像素和基于特征两种.基于像素的算法[6,7]是在一幅图中选取模板,根据评价函数在另一幅图中寻找与之最相似的点或区域.该算法在图片中存在大量相似区域且重叠部分较小的情况下,模板块选取的随机性会使拼接出现很大误差.基于特征的算法是从两幅图的重叠区域中提取共同的特征进行匹配,然后计算从一幅图到另一幅图的变换.然而两幅相似的图片极易产生伪匹配的对应特征,且难以被发现,会使拼接失败.文献[5]采用基于特征点的方法,一定程度上解决了图像内容相差不大时的拼接问题,但是在该算法中需要手工选取初始对应特征点,没能完全实现自动化,算法的效率不高.高精度自动拼接算法吸取了基于像素和基于特征两者的优点.选取特征时,鉴于内容相差不大的图片中块特征和线条特征很少,故选用点特征.在第1幅图中提取特征点,根据特征点的位置确定模板块,再利用基于像素的方法在第2幅图中找到匹配块并在匹配块中确定对应的特征点,接着建立欧氏变换关系[4],最后使用RANSAC 方法[1]精确计算欧氏变换的参数.整个过程如图1所示.本算法的有效性在实验中得以证实,尤其在传统自动拼接算法的/禁区0)))对有大片相似区域的图片的拼接,效果令人满意.2 RANSACRANSAC(Random Sa mple Consensus)是一种鲁棒性的参数估计方法[1].它的基本思想是:首先根据具体问题设计出某个目标函数,然后通过反复提取最小点集估计该函数中参数的初始值,利用这些初始值把所有的数据分为/内点0和/外点0,最后用所有的内点重新计算和估计函数的参数.3 高精度自动拼接算法3.1粗略匹配图2 粗略匹配的流程为了使提取到的特征点具有一定的稳定性,即特征点在多幅图像中不易被丢失,在彩色图像中,将颜色变化最为明显的点作为特征点,即在水平、垂直、左斜角、右斜角方向的色彩差别局部最大的点[5],这样得到的特征点的位置偏差不会太大.我们定义四个方向上的差别为:G h (i,j )=E 3k=1{[f k (i,j )-f k (i -1,j )]2+[f k (i,j )-f k (i +1,j )]2} G W (i,j )=E 3k=1{[f k (i,j )-f k (i,j -1)]2+[f k (i,j )-f k (i,j +1)]2} G l d (i,j )=E 3k=1{[f k (i,j )-f k (i -1,j -1)]2+[f k (i,j )-f k (i +1,j +1)]2}G rd (i,j )=E 3k=1{[f k (i,j )-f k (i -1,j +1)]2+[f k (i,j )-f k (i +1,j -1)]2}其中,k=1,2,3分别对应于R,G,B3个波段.为了使得到的特征点在4个方向上的颜色差别都最明显,取4个方向上最小的颜色差别作为某位置像素的颜色差别,选择的特征点为颜色差别的局部极大点:M (i,j )=min{G h (i,j ),G W (i,j ),G ld (i ,j ),G rd (i,j )}M (i *,j *)=max {M (i,j )}本算法中,对第一幅图重复区域的每个位置进行这种计算,提取出颜色变化较大的若干个点,记录下它们的位置.接着根据特征点的位置确定模板块的位置.由于一个点或两个点在同一竖线或水平线上时都不能确定一个面,因此取颜色差别最大的3个点作为特征点.实际应用中,3个特征点形成一条水平或竖直线的概率很小,若出现这种情况,用颜色差别较大的其它点代替三点中颜色差别最小的点.定义模板块的位置为:min_x=Min{x i }min_y=Min{y i }min_x=Max{x i }max_y=Max{y i }其中,x i 和y i 表示第i 个特征点在256@256像素坐标中的x,y 值.确定了第1幅图的模板块后,若使用同样的方法从第2幅图的重叠区域中提取对应特征点并寻找匹配块,当图片内容变化不大时,容易造成伪匹配.又由于此时的模板块是颜色跳跃较大的一块区域,利用基于像素的方法可以较准确的找到相对应的匹配块.因此本文采用基于像素的方法,在第2幅图的重叠区域里寻找与模板块最为相似的大小相同的块.定义差异公式为:diff er=E nd=0{(R1d+G1d+B1d)+(R2d+G2d+B2d)} (E n d=0{(R1d+G1d+B1d)2})12+E n d=0{(R2d+G2d+B2d)2})12其中,n表示模板块和匹配块中像素的个数,(R1,G1,B1)、(R2,G2,B2)分别表示模板块和匹配块中某一像素点的颜色值.该公式计算出的差异能较全面的反映出匹配块相对于模板块的差异,根据该公式在第2幅图的重复区域搜索差异值最小的块,将其作为匹配块.找到了相对应的模板块和匹配块后,根据模板块中3个特征点的位置,计算出匹配块中3个对应特征点的位置.3.2精确匹配两幅图像之间基本的变换关系包括缩放、旋转和平移.假设对应点位置的变换关系为:X Y =Lcos H-sin Hsin H cos Hxy+ab其中,(x,y),(X,Y)分别为第1、2幅图中点的位置,L为缩放比例,H为旋转角度,a,b分别为水平方向和竖直方向的平移量.利用三对特征点计算该变换关系的参数,并将其作为两幅图变换关系的初始参数.根据初始参数,将第1幅图中某一特征点附近区域中的所有点变换到第2幅图中,如图3,根据已定义的差异公式计算该区域内所有点变换前的像素值与变换后对应位置上点的像素值的差异,若差异小于一定的阈值(本算法中选择的阈值为0.02),则将这些点作为对应点.重复此过程,直到对应点的数量足.够多,则认为这组变换关系是可接受的,然后利用该变换确定的所有对应点以最小二乘法重新求解变换参数.若对应点的数量不能达到要求,则在匹配块附近选一个新匹配块,计算它们所对应的变换参数.3.3融合在准确求得图像的变换关系后,就可以确定图像间重叠的位置,但如果只是简单的叠加,会形成明显的边界.本文采用双线性插值的方法来解决这个问题.设图像I1和I2需要融合的区域在x轴方向上的最大、最小值分别为x ma x,x m i n则融合后的图像I在重叠区域的颜色值为:I=B I1(x,y)+(1-B)I2(x,y),其中,B=(x max -x)/(x max-x min).4实验结果及结论根据本文提出的算法,我们对遥感图片进行了拼接实验,并与已有算法的拼接结果进行了对照.我们选取了几组实验结果如图4,图5所示.从表1可看出本算法对图片重叠区域的要求是最低的.实验证实,与传统的算法相比,本算法对图片的要求不高,实用性更强,具有较好的抗干扰性,比较精确、高效.表1本文算法与其它算法对重叠区域需求的对照算法重叠区域(%)基于面积的算法50基于网格的算法30-50基于比值的算法30-50基于特征点、块的算法50基于小波变换的算法30本文提出的算法20待拼接图待拼接图图4两幅山脉图片的拼接参考文献:[1]Fischler M A,Bolles R C.Random sample consensus[J].C AM,1981,24(6):381-395.[2]Maurizio Pilu.Fas t and robust planar registrati on to document stitching.[3]Richard Szeliski.Image Alignment and Stitch:A Tutorial.MSR-TR-2004-92.[4]Shapi ro L S,Wang H,Brady J M.A matching and tracking strategy for independently moving objects[J].BMVA Press,1992,306-315.[5]朱正明,姜明,马小明.基于特征点的图像拼接系统[M].林业科学,2004,(4):116-122.[6]钟力,胡晓峰.重叠图像拼接算法[J].中国图像图形学报,1998,3(5):367-370.[7]李志刚.边界重叠图像的一种快速拼接算法[J].计算机工程,2000,26(5):37-38.An Automatic and High Precise Mosaic Algorithm for RS ImageWEN Ya-mei,W ANG Lian-sheng,LI Si-kun(School of Computer,National University of Defense Technology,Changsha410073,C hina)Abstract:Automa tic image mosaics are widely used in GIS and Panoramic Video System,but traditional algo-rithms can.t cope well with the images which contain a lot of similar areas.In order to solve this problem,we propose a new algorithm based on the c onventional algorithms.First,we extract the feature points.Second,look-ing for the matching block,and finally we obtain the point transfor mation parameters between two images using ro-bust RANSAC algorithm.The e xperiments show that our algorithm can perfor m more effectively than traditional a-l gorithms when the images have larger similar areas and less overlap.Key w ords:image mosaic;feature point;based on pixel;RANSAC。
卫星遥感图像的分幅与拼接方法随着卫星遥感技术的不断发展，卫星遥感图像在地理信息系统、农业、环境监测等领域发挥着重要的作用。
然而，由于卫星传感器的限制以及地球表面的不规则性，获得的遥感图像往往面临分辨率不高、覆盖区域有限等问题。
为了更好地应用遥感图像，分幅与拼接是一种常用的数据预处理方法。
一、卫星遥感图像的分幅方法卫星遥感图像的分幅主要是将大范围的图像拆分成小区域的子图像，以便更好地处理和分析。
一种常用的分幅方法是利用滑动窗口技术，将图像分成固定大小的块。
首先，确定滑动窗口的大小。
窗口大小的选择应根据具体的应用需求而定，通常是按照地物具有明显特征的尺寸进行选择。
然后，从遥感图像的左上角开始，按照设定的窗口大小移动，逐步截取子图像。
最后，重复该过程，直到覆盖整个遥感图像的范围。
此外，还有一些分幅方法是基于图像的特定区域进行分割，例如利用边缘检测的方法将图像分成多个连续的区域。
这种方法可以更加准确地分割出地物边界，但在计算复杂度和计算时间上需付出更多的代价。
二、卫星遥感图像的拼接方法卫星遥感图像的拼接是将多幅分幅后的图像按照一定的几何关系重新组合成完整的图像。
在不同传感器或不同时间获得的遥感图像拼接中，几何校正是至关重要的步骤。
几何校正首先需要确定各分幅图像之间的几何变换关系。
这可以通过地面控制点的选择和匹配来实现。
地面控制点是在图像上能够准确标识的地物特征，如建筑物、道路交叉口等。
通过在不同分幅图像上选取和匹配地面控制点，可以建立各图像之间的坐标转换模型，从而实现几何校正。
另外，色彩一致性是图像拼接的另一个重要方面。
由于光照条件、传感器响应等因素的影响，不同分幅图像的亮度、对比度、饱和度等方面可能存在差异。
为了使拼接后的图像具有良好的视觉效果，需要对图像进行色彩校正。
色彩校正的方法主要有线性变换、直方图匹配等。
总结起来，卫星遥感图像的分幅与拼接是提高遥感图像空间分辨率和覆盖范围的重要手段。
分幅方法可以根据需要划分小区域，以便更好地进行处理和分析。
遥感图像镶嵌方法及数据拼接技巧遥感技术是一项重要的地球观测技术，通过传感器获取地球表面的图像信息。
而遥感图像镶嵌方法和数据拼接技巧则是对这些遥感图像进行处理和分析的关键步骤。
本文将介绍遥感图像镶嵌的几种方法以及数据拼接的技巧，帮助读者更好地理解和应用这些技术。
第一部分：遥感图像镶嵌方法遥感图像镶嵌是将多幅具有重叠部分的遥感图像融合成一幅完整的图像，以得到更全面和准确的地理信息。
以下是几种常见的遥感图像镶嵌方法：1.直接图像拼接法：这是最简单的方法，直接将多幅遥感图像拼接在一起。
这种方法适用于图像之间没有相对旋转和平移的情况，但对于大范围的图像拼接可能需要非常大的计算资源。
2.特征匹配法：这种方法首先提取图像中的特征点，然后利用这些特征点进行图像匹配和拼接。
常用的特征点提取算法有SIFT和SURF等。
这种方法适用于拼接图像之间有相对旋转和平移的情况，但对于图像质量较差或者存在遮挡的情况效果可能不理想。
3.数字高程模型（DEM）拼接法：这种方法先利用多幅图像生成数字高程模型，然后再将图像拼接到数字高程模型上。
这种方法适用于需要考虑地形信息的图像拼接，如山地地区的图像拼接。
第二部分：数据拼接技巧在进行遥感图像拼接时，除了选择合适的镶嵌方法外，还需要考虑一些数据拼接的技巧，以保证拼接结果的准确性和一致性。
1.预处理：在进行图像拼接之前，可以对图像进行预处理，如去除边缘噪声、色彩校正、直方图匹配等。
这些预处理能够提高图像质量和匹配的准确性。
2.地面控制点：地面控制点是用来对图像进行定位和校正的关键点。
通过在图像中标记地面控制点的位置，可以精确地进行图像匹配和定位。
3.图像融合：在图像拼接之后，可能会出现不同图像之间的色彩差异和边界不连续的问题。
可以通过色彩平衡、图像融合等技术来解决这些问题，使得拼接后的图像具有一致的色彩和边界。
4.镶嵌质量评估：镶嵌后的图像质量评估是判断拼接结果好坏的重要指标。
可以通过视觉检查、测量点检查、相对校正误差等方法来评估图像的准确性和一致性。
如何进行遥感影像的拼接和镶嵌遥感技术是通过对地面反射的电磁波进行感知和解译，获取地表信息的一种方法。
遥感影像拼接和镶嵌是一种常见的遥感处理技术，可以将多幅遥感影像或者图像块拼接在一起，形成连续的大范围覆盖的影像，以便进行后续的分析和应用。
本文将介绍如何进行遥感影像的拼接和镶嵌的方法和技巧。
首先，进行遥感影像拼接和镶嵌，需要准备多幅待拼接的影像。
这些影像最好具有重叠区域，以便能够进行有效的匹配和拼接。
一般来说，要选取具有相似拍摄角度、光照条件和地物类型的影像进行拼接，以保证拼接后的影像视觉上的一致性。
然后，进行遥感影像的拼接。
拼接的过程主要包括影像预处理、特征匹配和图像融合三个步骤。
在影像预处理阶段，需要进行几何校正、边缘平滑和色彩平衡处理，以便消除影像之间的几何畸变和色彩差异。
特征匹配是关键步骤，它通过提取影像中的特征点，并利用特征点间的相似性进行匹配，以确定影像之间的几何关系。
最后，通过图像融合方法将匹配后的影像进行拼接，形成一幅连续的影像。
在进行遥感影像拼接时，需要注意一些技巧和方法。
第一，选择合适的图像融合算法。
常用的图像融合算法有简单平均法、加权平均法、小波变换法等，根据不同的应用需求选择适合的融合算法。
第二，进行边缘平滑处理。
由于影像拼接后可能存在明显的边缘不连续问题，可以通过边缘平滑处理来减弱边缘不连续现象。
第三，进行尺度转换。
不同影像的尺度可能存在差异，需要进行尺度转换以保持一致。
第四，进行色彩校正。
不同影像的光照条件、传感器响应等可能导致色彩差异，可以通过色彩校正来对影像进行一致性调整。
在进行遥感影像镶嵌时，需要将多幅影像拼接成一个大范围的连续影像。
与影像拼接相比，影像镶嵌需要考虑更多的因素，如地形变化、地物遮挡等。
常用的影像镶嵌方法有坡度调整法、图像融合法等。
坡度调整法通过调整影像的坡度，使得影像间的高程平滑过渡，在保持地物形态的同时实现影像的连续性。
图像融合法则通过融合相邻影像间的像素信息，使得镶嵌后的影像具有较好的视觉一致性和地物连续性。
遥感实验指导图像拼接实验三、图像拼接处理实验⽬的：在遥感实际应⽤中，经常需要研究⼤⾯积的区域的地形，这就需要把多幅影像拼接到⼀起进⾏研究，本实验就是要求学⽣掌握利⽤软件进⾏多幅图像的拼接的主要操作⽅法，并联系拼接的原理，更深刻的掌握该理论。
具体内容和要求：练习⼀、拼接航空像⽚(Mosaic Using Air Photo Images)⼀、设置输⼊图像（Set Input Images）1、Viewer1中打开air-photo-1.img，勾选Fit to frame2、Viewer2中打开air-photo-2.img，勾选Fit to frame3、主⼯具条选择DataPrep图标4、Mosaic Images5、Viewer1中AOI | Tools6、选择Polygon⼯具，画出包含整个图像的斜边框7、File | Save | AOI Layer As8、输⼊template.aoi，OK9、在Mosaic Tool viewer中选择Edit | Add Images10、选择air-photo-1.img11、选择Template AOI，选择Set12、在Choose AOI dialog 中选择File选项13、选择template.aoi，OK14、在Mosaic Tool viewer中选择Edit | Image List，出现Mosaic Image List15、Add，air-photo-2.img16、选择Compute Active Area选项17、Add⼆、标出拼接区（Identify Areas of Intersection）1、选择Input图标，确定当前为输⼊图像状态2、单击Image Matching图标3、Matching Method中选择Overlap Areas，OK4、单击Intersection图标，当前状态为拼接状态5、在两图像重叠部分单击，则⾼亮显⽰6、单击Cutline Selection图标7、使⽤放⼤⼯具观察交接处8、从AOI tool palette选择Line⼯具9、在重叠区域，根据合适位置画出折线，作为拼接线10、单击AOI Cutline图标11、在AOI Source中选择Viewer12、单击Function图标13、Intersection Type选择Cutline Exists14、Select Function选择Cut/Feather15、Apply，Close三、定义输出图像（Define Output Images）1、单击Output图标，当前状态为输出状态2、选择Output Image⼯具3、Define Output Map Area(s)为Union of All Inputs，OK四、运⾏图像镶嵌（Run the Mosaic）1、选择Process | Run Mosaic2、Output File Name为AirMosaic3、勾上Stats Ignore Value选项4、OK5、在Viewer中显⽰练习⼆、卫星影像拼接Mosaic Using LAND SAT Images1、要同⼀个Viewer中打开wasia1_mss.img、wasia1_mss.img、wasia1_mss.img，均勾上Background Transparent，同时均勾掉clear Display（不清除前⾯图像），勾选Background Transparent（背景设置透明）2、主⼯具条选择DataPrep图标，选择Mosaic Images3、在Mosaic Tool viewer中选择Edit | Add Images，在Add Images for Mosaic dialog中，分别选中以上三幅影像加⼊Mosaic Tool viewer中，且均同时选择Compute Active Area 选项，Add。
遥感图像裁剪与拼接在遥感领域中，遥感图像裁剪与拼接是常见的处理操作。
通过将多个遥感图像进行裁剪和拼接，可以获得更大范围、更高分辨率的图像，进而满足不同应用需求。
本文将介绍遥感图像裁剪与拼接的基本原理、方法和应用场景。
一、遥感图像裁剪遥感图像裁剪是指将原始的遥感图像按照感兴趣区域进行切割，只保留所需部分。
裁剪可以有效减少图像数据量，同时也能够提高分析效率。
以下是常见的遥感图像裁剪方法：1. 矩形裁剪矩形裁剪是最常用的一种裁剪方式，通过指定感兴趣区域的左上角和右下角坐标，可以实现对图像的矩形裁剪。
2. 多边形裁剪在某些情况下，感兴趣区域可能呈现复杂的形状，无法用矩形进行准确裁剪。
此时，可以利用多边形裁剪方法实现更精确的裁剪。
3. 边界缓冲裁剪边界缓冲裁剪是指在感兴趣区域周围增加一定的缓冲边界，以避免实际野外边界与图像边界不对齐的问题。
这种裁剪方法常用于遥感监测和精确测绘等应用领域。
二、遥感图像拼接遥感图像拼接是将多幅遥感图像按照一定的拼接规则进行合并，生成一张大尺寸的合成图像。
拼接可以扩展观测范围，提高图像分辨率，以及实现更全面的遥感分析。
以下是常用的遥感图像拼接方法：1. 无重叠拼接无重叠拼接是最简单的一种拼接方式，将多幅遥感图像按照顺序直接拼接在一起。
这种方法适用于目标分割、土地利用等需要完整观测范围的应用场景。
2. 重叠拼接重叠拼接是指在图像拼接过程中，采取重叠部分图像像素的平均值或加权平均值作为拼接结果。
这种方法可以减少图像拼接处的明显接缝，提高整体的视觉质量。
3. 特征点匹配拼接特征点匹配拼接是通过提取图像中的特征点，在不同图像上进行匹配，确定拼接关系，然后进行图像变形和融合。
这种方法对于复杂场景和大范围拼接效果较好。
三、应用场景遥感图像裁剪与拼接在各个领域都有广泛的应用，以下列举几个常见的应用场景：1. 土地利用规划通过裁剪与拼接遥感图像，可以获取更大范围、更高分辨率的土地利用信息。
这对于城市规划、农业管理等具有重要意义。
