روشي تركيبي بر مبناي الگوريتم‌هاي KAZE، VFC و TPS به منظور هم‌ مرجع‌ سازي تصاوير ماهواره‌اي

An Integrated Satellite Stereo Image Registration Method Based on KAZE, VFC and TPS Algorithms

هم­­‌مرجع­‌سازي تصاوير، فرايند مرتبط­‌سازي دو يا چند تصوير با يك تصوير مرجع است كه همگي از يك منطقه يكسان اخذ شده‌اند. تصاويري كه ممكن است از نقطه­‌نظر زماني، موقعيت و سنسور اخذ تصاوير متفاوت باشند. اين فرايند از پردازش­‌هاي مهم و پايه در فتوگرامتري و سنجش‌­از­دور است كه يكي از مهمترين كاربردهاي آن فرآيند آشكارسازي تغييرات است. مطالعه تغييرات شهري در يك بازه‌ي زماني دلخواه، با محدوديت دسترسي به داده­‌هاي موردنياز مواجه ­است. يك منبع مناسب براي اين منظور، تصاوير ماهواره‌­اي محيط گوگل­‌ارث است كه يك محدوديت اساسي در اين نرم‌افزار، خطاي هم‌مرجع‌سازي مربوط به تصاوير ثبت‌شده در زمان‌هاي مختلف است. در اين تحقيق يك روش تركيبي به منظور هم‌مرجع‌سازي تصاوير ماهواره‌اي گوگل‌ارث با حد تفكيك مكاني بالا توسعه داده شده‌است. روش پيشنهادي از سه مرحله اساسي تشكيل شده است. در مرحله اول از الگوريتم KAZE براي استخراج ويژگي‌هاي تصويري كه پايداري بالايي در برابر تغييرات روشنايي زياد دارند، استفاده مي‌شود. در مرحله دوم فرآيند تناظريابي اوليه با معيار فاصله‌ي اقليدسي و حذف تناظرهاي اشتباه با استفاده از روش VFC انجام مي‌شود. در نهايت در مرحله سوم، ارتباط هندسي بين تصاوير مبدا و هدف از طريق مدل تبديل انطباقي TPS برقرار مي‌شود. براي ارزيابي كيفيت و كارايي ويژگي‌ها و نقاط متناظر نهايي حاصل از الگوريتم KAZE، عملكرد آن با الگوريتم‌هاي SIFT و SURF در 4 جفت‌تصوير ماهواره‌اي مرتبط با مناطق شهري مختلف موردمقايسه و ارزيابي قرار گرفته‌است. در روند هم‌مرجع‌سازي مجموعه‌داده‌هاي يك تا چهار، بيشترين ميزان نرخ مطابقت صحيح به ترتيب برابر با 0.63، 0.81، 0.6 و 0.76 براي نقاط متناظر نهايي حاصل از الگوريتم KAZE در مقايسه با الگوريتم‌هاي ديگر بدست آمده‌است. علاوه بر اين، مدل تبديل TPS به ترتيب با مقادير RMSE 2.1، 1.8، 2.1 و 1.7 پيكسل، دقيق‌ترين ارتباط هندسي را در مقايسه با مدل تبديل چندجمله‌اي، بين دو تصوير مبدا و هدف در هر يك از مجموعه‌داده‌هاي يك تا چهار برقرار كرد. نتايج بدست‌آمده، قابليت روش تركيبي پيشنهادي را در استخراج ويژگي‌هاي پايدار و هم‌مرجع‌سازي تصاوير ماهواره‌اي گوگل‌ارث با تغييرات قابل توجه عوارض و اختلافات شديد روشنايي نشان مي‌دهد.

Image registration is the technique of aligning two or more images with a reference image all acquired at the same geographical area with different acquisition dates, viewpoints, and imaging sensors. This technique is a fundamental process in photogrammetry and remote sensing tasks, and change detection is known as one of its important applications. Urban change detection with an arbitrary time difference between the two images faces limited access to the required datasets. The Google Earth software is known as an appropriate resource to achieve such datasets. Nevertheless, a significant limitation of this software is the co-registration error of the images acquired at different times. In this work, a combined image registration approach has been proposed to cope with this problem. The proposed method is made up of three major steps. In the first step, the KAZE algorithm is applied to extract and describe image features with high stability against illumination distortions. In the second step, the image matching and mismatch elimination procedures are conducted using the VFC (Vector Field Consensus) technique. Finally, in the third step, the geometric relation between the two images is established using the TPS (Thin-Plate Spline) adaptive transformation model. The results derived from the KAZE feature extraction and matching algorithm are compared with those of the SIFT and SURF algorithms in four satellite image pairs related to various urban areas. For datasets 1 to 4, the highest correct correspondence rates of 0.63, 0.81, 0.6, and 0.76 were obtained using the KAZE algorithm compared to the other algorithms. Moreover, the TPS transformation model established the most accurate and reliable geometric relation between the two images with RMSE values of 2.1, 1.8, 2.1, and 1.7 pixels for datasets 1 to 4, respectively. Accordingly, the results indicate the efficacy of the proposed integrated method for robust feature extraction and image registration of the Google Earth imagery with significant brightness and landscape differences.