基于单木识别的森林遥感图像配准方法及系统与流程

本发明涉及图像处理技术领域，尤其涉及一种基于单木识别的森林遥感图像配准方法及系统。

背景技术：

目前，随着无人机技术的迅速发展，无人机在林业领域广泛应用于森林的实时监控。由于无人机获取的遥感数据需求人力少、操作简单、成本低，因此用于辅助地面的林地调查，可以对森林进行实时监控，极大地改善了传统地面调查耗时费力且大量人员的投入的局面，并且可以实现对森林生物量探测估计的研究以及可连续进行林区的变化检测。

然而，对于无人机采集到的森林影像首先需要进行配准，传统的影像如建筑、道路等目标，具有鲜明的特征，因此实现较为简单。而对于森林图像而言，植被区域占图像面积的大多数，植被图像属于自然场景图像，具有自相似性，因此进行特征点配准时容易出现错误，传统的配准特征点配准方法对林区影像不具有普适性，计算得到的配准点对的正确性较低。

技术实现要素：

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于单木识别的森林遥感图像配准方法及系统。

本发明解决上述技术问题的技术方案如下：

一种基于单木识别的森林遥感图像配准方法，包括：

获取目标森林的基准图像和待配准图像；

根据局部最大值法分别对所述基准图像和所述待配准图像中的单木进行识别和定位；

计算所述基准图像中识别出的第i个单木的局部描述子，并计算所述待配准图像中识别出的第j个单木的局部描述子；

以单木的特征向量的欧式距离作为相似性判定标准，将所述第j个单木的局部描述子与所述第i个单木的局部描述子进行相似性判定，得到所述待配准图像的配准结果；

其中，i＝1，2，……，i，i为所述基准图像中识别出的单木的数量，j＝1，2，……，j，j为所述待配准图像中识别出的单木的数量。

本发明的有益效果是：本发明提供的森林遥感图像配准方法，通过局部最大值法对森林中的单木进行定位识别，再依据利用单木位置点邻域像素的梯度方向分布特性为每个点指定方向参数，使算子具备旋转不变性，再根据单木位置点的特征描述信息生成描述子，再根据采用单木位置点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量，实现了对森林影像等自相似性较高图像的配准，能够得到可靠性更高的配准结果。

本发明解决上述技术问题的另一种技术方案如下：

一种基于单木识别的森林遥感图像配准系统，包括：

图像获取单元，用于获取目标森林的基准图像和待配准图像；

单木识别单元，用于根据局部最大值法分别对所述基准图像和所述待配准图像中的单木进行识别和定位；

描述子计算单元，用于计算所述基准图像中识别出的第i个单木的局部描述子，并计算所述待配准图像中识别出的第j个单木的局部描述子；

相似性判断单元，用于以单木的特征向量的欧式距离作为相似性判定标准，将所述第j个单木的局部描述子与所述第i个单木的局部描述子进行相似性判定，得到所述待配准图像的配准结果；

其中，i＝1，2，……，i，i为所述基准图像中识别出的单木的数量，j＝1，2，……，j，j为所述待配准图像中识别出的单木的数量。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明森林遥感图像配准方法的实施例提供的流程示意图；

图2为本发明森林遥感图像配准方法的实施例提供的森林遥感图像示意图；

图3为本发明森林遥感图像配准方法的实施例提供的示例性的局部极大图；

图4为本发明森林遥感图像配准方法的实施例提供的关键点8*8窗口示意图；

图5为本发明森林遥感图像配准方法的实施例提供的加权后的窗口示意图；

图6为本发明森林遥感图像配准系统的实施例提供的结构框架图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明森林遥感图像配准方法的实施例提供的流程示意图，该森林遥感图像配准方法包括：

s1，获取目标森林的基准图像和待配准图像；

需要说明的是，目标森林的基准图像和待配准图像可以由无人机采集，也可以由其他飞行器采集，无人机采集到的可以是图片，也可以是影像，对于图片，直接选择其中一张即可，对于影像，可以从影像序列中选择清晰度符合要求的一帧图像。

s2，根据局部最大值法分别对基准图像和待配准图像中的单木进行识别和定位；

需要说明的是，本领域技术人员可以根据局部最大值法的具体实现方法。

如图2所示，提供了一种示例性的森林遥感图像示意图，通过图像处理技术实现，通过对原始图像进行基于开闭的重建操作，可以实现局部最大值处理，图中可以看到密集排布的单木的树冠，由于树冠之间存在空隙，因此可以通过局部最大值法对基准图像和待配准图像进行图像处理，从而识别出每个单木及其位置。

又例如，对于图像较小或图像数量较少的场景，还可以预先设置搜索区域，通过滑动窗口便利整个图像，从而找出局部最大的区域，确定为单木。

例如，如图2所示，单木与背景之间的像素值不同，假设其单木的单边大小通常在10～15像素之间，那么可以将搜索区域的大小设置为15*15，将搜索区域内全部像素的平均值作为比较的依据，然后通过滑动窗口遍历整个图像，就能够识别出像素值最大的搜索区域，作为单木。

s3，计算基准图像中识别出的第i个单木的局部描述子，并计算待配准图像中识别出的第j个单木的局部描述子；

例如，可以将单木的几何中心点作为关键点，通过sift算法生成关键点的描述子，作为单木的局部描述子。

s4，以单木的特征向量的欧式距离作为相似性判定标准，将第j个单木的局部描述子与第i个单木的局部描述子进行相似性判定，得到待配准图像的配准结果；

其中，i＝1，2，……，i，i为基准图像中识别出的单木的数量，j＝1，2，……，j，j为待配准图像中识别出的单木的数量。

本实施例提供的森林遥感图像配准方法，通过局部最大值法对森林中的单木进行定位识别，再依据利用单木位置点邻域像素的梯度方向分布特性为每个点指定方向参数，使算子具备旋转不变性，再根据单木位置点的特征描述信息生成描述子，再根据采用单木位置点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量，实现了对森林影像等自相似性较高图像的配准，能够得到可靠性更高的配准结果。

可选地，在一些可能的实施方式中，将第j个单木的局部描述子与第i个单木的局部描述子进行相似性判定之后，还包括：

通过最小二乘法和ransac算法剔除在判定过程中匹配错误的结果。

对于相似性判定而言，是将待配准图像中的单木位置点与基准图像中的单木位置点进行匹配，但是由于多种因素匹配可能存在误差，因此，可以通过最小二乘法对匹配的两个参数进行拟合，并通过ransac算法剔除掉不符合预期的匹配结果，从而能够得到更为准确的匹配结果，进而提高配准的准确度。

可选地，在一些可能的实施方式中，根据局部最大值法分别对基准图像和待配准图像中的单木进行识别和定位，具体包括：

将基准图像转换为灰度图像，进行基于开闭的重建操作，得到局部极大图像，对局部极大图像进行腐蚀操作处理，将腐蚀操作处理后的局部极大图像叠加到基准图像中，对基准图像中的单木进行识别和定位；

将待配准图像转换为灰度图像，进行基于开闭的重建操作，得到局部极大图像，对局部极大图像进行腐蚀操作处理，将腐蚀操作处理后的局部极大图像叠加到待配准图像中，对待配准图像中的单木进行识别和定位。

如图3所示，提供了一种示例性的局部极大图像，对图2中提供的森林遥感图像进行基于开闭的重建操作后，得到如图3所示的局部极大图像。

可选地，在一些可能的实施方式中，计算基准图像中识别出的第i个单木的局部描述子，具体包括：

确定基准图像中识别出的第i个单木的位置点，将位置点作为关键点；

对关键点周围预设大小区域进行分块，分别计算每块区域的梯度直方图；

根据梯度直方图生成关键点的特征向量；

根据关键点的特征向量生成关键点的局部描述子，作为第i个单木的局部描述子。

应理解，单木的位置点可以为单木的中心点。

通过对单木位置点周围的区域进行分块，并分别计算每块区域的梯度直方图，能够生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性，因此可以用于唯一表征单木，从而可以根据的单木的局部描述子进行两个图像之间的单木的相似性判定。

可选地，在一些可能的实施方式中，计算待配准图像中识别出的第j个单木的局部描述子，具体包括：

确定待配准图像中识别出的第j个单木的位置点，将位置点作为关键点；

对关键点周围预设大小区域进行分块，分别计算每块区域的梯度直方图；

根据梯度直方图生成关键点的特征向量；

根据关键点的特征向量生成关键点的局部描述子，作为第j个单木的局部描述子。

应理解，单木的位置点可以为单木的中心点。

通过对单木位置点周围的区域进行分块，并分别计算每块区域的梯度直方图，能够生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性，因此可以用于唯一表征单木，从而可以根据的单木的局部描述子进行两个图像之间的单木的相似性判定。

应理解，基准图像中和待配准图像中生成单木的局部描述子的方法都是相同的，因此，下面以基准图像为例，对局部描述子的生成方法进行说明。

首先，为关键点计算一个方向，这个方向是后续计算的基础，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，能够使算子具备旋转不变性。

具体地，可以在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，例如，可以每45度一个柱，总共8个柱,或者每10度一个柱，总共36个柱，直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向。还可以通过高斯函数对直方图进行平滑，减少突变的影响。

然后，将坐标轴旋转为关键点的方向，以确保旋转不变性。例如，图4所示，以关键点为中心，选取8*8的窗口，图5为图4加权到8个主方向后的效果，图4部分的中央为当前关键点的位置，每个小格代表关键点邻域所在尺度空间的一个像素，利用公式求得每个像素的梯度幅值与梯度方向，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，然后用高斯窗口对其进行加权运算，图4中的圆圈代表高斯加权的范围，越靠近关键点的像素梯度方向信息贡献越大。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图5所示。图5中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

在每个4*4的1/16象限中，通过加权梯度值加到直方图8个方向区间中的一个，计算出一个梯度方向直方图。这样就可以对每个特征形成一个4*4*8＝128维的描述子，每一维都可以表示4*4个格子中一个的scale/orientation，将这个向量归一化之后，就进一步去除了光照的影响。

可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。

如图6所示，为本发明森林遥感图像配准系统的实施例提供的结构框架图，该森林遥感图像配准系统包括：

图像获取单元1，用于获取目标森林的基准图像和待配准图像；

单木识别单元2，用于根据局部最大值法分别对基准图像和待配准图像中的单木进行识别和定位；

描述子计算单元3，用于计算基准图像中识别出的第i个单木的局部描述子，并计算待配准图像中识别出的第j个单木的局部描述子；

相似性判断单元4，用于以单木的特征向量的欧式距离作为相似性判定标准，将第j个单木的局部描述子与第i个单木的局部描述子进行相似性判定，得到待配准图像的配准结果；

其中，i＝1，2，……，i，i为基准图像中识别出的单木的数量，j＝1，2，……，j，j为待配准图像中识别出的单木的数量。

本实施例提供的森林遥感图像配准系统，通过局部最大值法对森林中的单木进行定位识别，再依据利用单木位置点邻域像素的梯度方向分布特性为每个点指定方向参数，使算子具备旋转不变性，再根据单木位置点的特征描述信息生成描述子，再根据采用单木位置点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量，实现了对森林影像等自相似性较高图像的配准，能够得到可靠性更高的配准结果。

可选地，在一些可能的实施方式中，相似性判断单元4还用于通过最小二乘法和ransac算法剔除在判定过程中匹配错误的结果。

可选地，在一些可能的实施方式中，单木识别单元2具体用于将基准图像转换为灰度图像，进行基于开闭的重建操作，得到局部极大图像，对局部极大图像进行腐蚀操作处理，将腐蚀操作处理后的局部极大图像叠加到基准图像中，对基准图像中的单木进行识别和定位；

将待配准图像转换为灰度图像，进行基于开闭的重建操作，得到局部极大图像，对局部极大图像进行腐蚀操作处理，将腐蚀操作处理后的局部极大图像叠加到待配准图像中，对待配准图像中的单木进行识别和定位。

可选地，在一些可能的实施方式中，描述子计算单元3具体用于确定基准图像中识别出的第i个单木的位置点，将位置点作为关键点，对关键点周围预设大小区域进行分块，分别计算每块区域的梯度直方图，根据梯度直方图生成关键点的特征向量，根据关键点的特征向量生成关键点的局部描述子，作为第i个单木的局部描述子。

可选地，在一些可能的实施方式中，描述子计算单元3具体用于确定待配准图像中识别出的第j个单木的位置点，将位置点作为关键点，对关键点周围预设大小区域进行分块，分别计算每块区域的梯度直方图，根据梯度直方图生成关键点的特征向量，根据关键点的特征向量生成关键点的局部描述子，作为第j个单木的局部描述子。

可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。

需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。