基于遥感影像匹配综述

吴雪兰

(成都理工大学 四川 成都 610059)

一、引言

影像匹配是通过两幅或多幅影像对同一区域的特征、纹理、以及灰度等特征进行分析并通过相似性度量来寻找影像中所对应的同名像点的过程。影像匹配是图像处理过程中不可或缺且具有关键意义的一个重要环节，它的匹配结果的好坏直接影响着图像处理的可靠性，因此，影像匹配的研究一直以来都是各国研究者们研究的重点和难点问题。现如今，大量的文献提出的影像匹配算法形态各异但基本原理相似，虽基本原理类似但却存在细微的差异。影像匹配不仅仅实现了垂直和倾斜影像匹配，还朝着异源、多源、多视角、多分辨率影像的匹配发展[1]，它不仅实现了不同传感数据的融合而且还解决了不同时像的影像间的差异问题。由于多学科、多技术的不断发展与融合，现阶段也将神经网络卷积与深度学习等引入影像匹配来提高影像匹配的精度与效率[2]。

二、常用的影像匹配方法

(一)基于灰度的匹配方法

基于灰度的匹配算法是以待定点为中心窗口的窗口内，以影像的灰度分布信息为基础进行匹配的算法，灰度匹配算法最常用的方法有模板匹配算法、相关系数法和最小二乘匹配算法。基于灰度匹配算法是匹配算法是匹配早期提出来的一种算法，它的方法理论比较成熟且易于实现，并在纹理丰富的区域具有匹配精度高的特点，但容易受到光照强度、阴影、遮挡等影响导致该匹配精度不理想。针对灰度信息的影像匹配算法的不足，国内外学者做出了大量的研究。李强[3]等人提出了通过对局部影像灰度编码的匹配方法有效的提高了匹配速度并解决了图像亮度与尺寸变化敏感等问题。在灰度匹配的研究中，最小二乘匹配算法一直是基于灰度匹配算法中较为经典的算法，这种匹配算法深受学者们的喜爱。朱遵尚[4]等人根据特征点局部形状自适应的选取匹配窗口进行最小二乘迭代来提高影像的匹配精度。此外，还有学者将变形系数、极线约束等引入最小二乘匹配来提高匹配的精度与速度[5]。

(二)基于特征的匹配方法

由于基于灰度的影像匹配算法容易受到非线性光照强度、阴影、遮挡等影响导致该匹配算法的精度较低。针对影像灰度匹配算法的缺点，提出了基于特征的影像匹配方法。该算法由特征检测、特征描述、特征匹配这三个步骤组成，它的匹配方法众多且存在较大差异。Lowe提出了SIFT(Scale Invariance Feature Transform)算法[6]，该算法具有较高鲁棒性并且能够解决光线变化和遮挡等问题。由于该算法精度较高学者们还提出了很多改进算法，如引入了主成分分析、快速SURF[7]。

Moravec算法是提出用灰度自相关函数作为相似性判断准则提取特征点的算法，由于构造较为简单、计算量大并且对孤立点和噪声点敏感使得匹配精度较低。SUSAN算子的提出能够很好的解决边缘和拐点等问题但由于图像内容复杂程度不同导致匹配准确度不容易得到保证。Edward Rosten[8]等人提出了通过在图像中判断某像素点周围领域内是否有足够多的像素与该点处于同一的区域范围对图像进行加速分割测试特征的FAST算法。为了改善高斯分解时造成的边界模糊与细节缺失等问题，基于非线性尺度空间的KAZE算法能够取得较好的匹配结果[9]。戴激光[10]等人使用Hough算法并将其应用于异源遥感影像的匹配中使得异源遥感影像中能显著提高影像同名直线提取的数量和精度。

三、结论与展望

由于计算机技术的迅速发展，影像匹配技术不再像以前那样受到计算速度的影响较大，因此，现阶段学者对影像的匹配研究主要偏向于影像匹配方法的可靠性和精度问题上。针对匹配精度问题，研究人员已经从不同的角度、尺度来对高分辨率卫星影像的匹配方法都进行了大量的研究。从特征点提取算法研究到匹配窗口问题以及核线约束条件等方面进行了大量的研究。相似特征、遮挡特征、阴影等问题成为了影像匹配技术的难题，改善单立体影像匹配存在很多不足之处将研究的重点转向了多基线影像匹配。影像匹配还存在相关的发展优势，在实用型匹配算法开发方面，制定一些切实可行的计划和比较灵活的处理影像匹配方式可以提高匹配效率；在匹配算法实用性方面，可以使每一种理论和方法都能在一定的约束条件下达到比较满意的匹配效果。