EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 11: 2234 - 2244

DOI: https://doi.org/10.12082/dqxxkx.2022.220122

遥感科学与应用技术

基于等角边界距离相似性的遥感影像面状图斑匹配研究

  • 陈军 , 1, * ,
  • 马世岩 1 ,
  • 陈玲 2 ,
  • 江明桦 1
展开
  • 1.成都信息工程大学 资源与环境学院，成都 610225
  • 2.新疆地矿局第一水文工程地质大队，乌鲁木齐 830091

陈 军（1979— ），男，四川南充人，副教授，主要从事地理信息与人工智能，地理信息系统开发与集成研究。E-mail:

收稿日期: 2022-03-16

  修回日期: 2022-05-20

  网络出版日期: 2023-01-25

基金资助

四川省科技计划项目(2020YFG0146)

国家重点研发计划项目(2018YFB0505300)

收起

A Target Matching Method for Remote Sensing Image Patches based on Equiangular Boundary Distance Similarity

  • CHEN Jun , 1, * ,
  • MA Shiyan 1 ,
  • CHEN Ling 2 ,
  • JIANG Minghua 1
Expand
  • 1. Institute of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China
  • 2. Hydrogeology & Engineering Geology Exploration Team of XinJiang Geology & Mineral Bureau, Urumqi 830091, China
*CHEN Jun, E-mail:

Received date: 2022-03-16

  Revised date: 2022-05-20

  Online published: 2023-01-25

Supported by

Sichuan Science and technology planning project(2020YFG0146)

National Key Research and Development Program of China(2018YFB0505300)

Fold

摘要

基于形态特征的目标匹配是地图空间认知、地表位置自动感知等领域的重要方法。然而，由于不同数据源的遥感影像提取的同一个空间目标在空间尺度和局部形态上存在一定的差异，现有形态匹配算法难以获得较高的匹配精度。本文以等角边界距离编码及相似性算法为核心，提出了面向遥感影像的面状图斑匹配方法。① 从面目标的质心以10°为间隔，顺时针方向从质心向外引36条射线，获取面目标的边缘点，形成等角边界距离编码；② 提出了与该编码相适应的几个综合形态指标，包括自相似度、圆形度、形态复杂度和质心偏移度，并建立了面状图斑相似度算法；在此基础上，结合近邻目标的形态相似度，构建了遥感影像面状图斑匹配算法；③ 从不同数据源的在线遥感影像上提取中国西部湖泊与全球湖泊，开展面状图斑匹配实验。通过实验，发现本文的面状图斑相似度算法相对于按距离采样的相似度算法，召回率提升了13.8%；在添加近邻目标相似度约束的基础上，面状图斑匹配精度达到90%以上。通过算法适应性分析，发现该算法在一定的投影变形下仍能保持一定的匹配精度；如果空间目标及其邻域目标的总体形态和分布接近，不同空间尺度的匹配精度保持在80%以上。本文的研究为地图空间认知、地表位置机器自动感知提供了新的思路和方法。

关键词： 遥感影像; 面状图斑; 形态特征; 面相似度; 目标匹配; 等角边界距离编码; 位置匹配与计算

本文引用格式

陈军 , 马世岩 , 陈玲 , 江明桦 . 基于等角边界距离相似性的遥感影像面状图斑匹配研究[J]. 地球信息科学学报, 2022 , 24(11) : 2234 -2244 . DOI: 10.12082/dqxxkx.2022.220122

Abstract

Target matching based on morphological characteristics is a key technical method in the fields of spatial cognition of maps and automatic perception of surface locations. However, due to the differences in spatial scale and local morphology of spatial targets extracted from different remote sensing images, it is difficult to use existing shape matching algorithms to obtain high matching accuracy. In this study, based on the equiangular boundary distance coding and similarity algorithm, a method of matching remote sensing image patches is proposed. Specifically, first, from the centroid of a surface target, 36 lines are created in a clockwise direction with intervals (10°) to obtain the boundary points of the surface target, a process referred to as equiangular boundary distance coding. Then, several shape indices are proposed for the boundary points, including the self-similarity, circularity, shape complexity, and centroid offset, based on which a shape similarity algorithm for surface targets is established. Furthermore, based on the shape similarity of neighboring targets, a matching algorithm for remote sensing image patches is proposed. Finally, the lakes at the global scale and in the western China are extracted from online remote sensing images of different data sources to carry out the matching experiments. Based on the experiments, we found that the recall rate of the algorithm proposed in this paper is improved by 13.8% compared to the similarity algorithm sampled by distance. The precision reaches more than 90% when the similarity of the neighbor targets is considered. Through algorithm adaptation analysis, our proposed algorithm can still maintain a reasonable matching accuracy with certain projection deformation. If the overall morphology and spatial distribution of targets and their neighboring targets are similar, the matching accuracy of different spatial scales could be maintained above 80%. This paper provides new ideas and methods for spatial cognition of maps and automatic perception of surface locations.

Key words： remote sensing images; image patches; morphological character; polygon similarity; target Matching; equiangular boundary distance coding; location matching and calculation

1 引言

以遥感影像为数据源，利用自动提取的特征进行位置计算与匹配是地图空间认知、地表位置机器自动感知等领域的研究热点。基于特征点的图像匹配是目前该领域主流的方法，核心算子包括Harris[1-2]、SIFT[3-4]、SURF[5-6]、FAST[7]和ORB[8-9]等。由于光照、拍摄角度等的差异，从不同的遥感影像源自动提取的局部特征点可靠性低，匹配存在一定的难度。相对于局部特征点，空间目标相对更为稳定，以空间目标为单元的位置计算与匹配逐渐成为重要的研究方向，但现有研究主要集中于矢量图形相似度计算上[10⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-22]。针对遥感影像面状图斑，侧重于从空间目标中获取相对稳定的特征点[23⇓-25]，或者利用简单的形态参数对目标进行粗匹配[26-27]，未能充分挖掘目标的形态特征信息。如果能建立一套有效的指标和方法，对遥感影像上提取到的面状图斑的形态进行更好地区分，对于推动基于遥感影像面状图斑的位置匹配与计算具有重要意义。
目前，面状图斑的相似度度量方法主要有重叠法、特征指标法等。重叠法将待比较的两个图斑归一化到相同的空间范围内，以重叠率表征目标的相似性[28]，该方法计算量较大并难以处理不同旋转角度的相似度匹配。特征指标法是从空间要素的形状[11]、距离[12-13]、方位[14,29]、拓扑[15]等构建特征指标，从而达到区分不同面状图斑的目的[16]。作为面状图斑重要的指标之一，形状指标的描述一直是一个难点。前人关于形态指标的相似度度量方法主要有综合指标法和相似度函数法。综合指标法通过构建面状图斑形态综合性指标，如面积相似度[17]、分形维数[18]等，判断2个目标的相似性；相似度函数通过构建2个面状图斑的相似性函数，来计算它们的相似度[19]，已有算法有正切空间函数法[20]、傅里叶描述子法[21-22]等。相对于综合指标法，相似度函数更多地考虑了图形的细节层次，具有更好的区分度。
然而，已有相似性函数大多将边界按一定的距离采样，利用边界点的转角[20]或长度[22]建立相似度度量函数，将其应用于遥感图像上的面状图斑的相似度度量存在一定的困难。这是因为，同一个空间目标，从不同空间尺度、不同影像质量的遥感影像上自动解译出来的面状图斑，在形态和分布范围上存在一定的差异。以图1的湖泊目标为例，图1(a)为BingMap卫星地图上提取出来的水体边界， 图1(b)为天地图遥感提取出来的水体边界，图1(c)为2个水体边界的叠加。若按距离采样获取面状目标的边界点，必然产生一定程度的“漂移”现象，从而无法依据相似度函数很好地识别同一个空间目标。
图1 不同遥感卫星影像提取同一水体的边界差异

Fig. 1 Boundary differences of the same water body extracted from different remote sensing satellite images

本文面向遥感影像上的图斑，提出了一种以等角边界距离相似性为核心的面状图斑匹配方法，并通过在线卫星地图第6级的BingMap和天地图遥感卫星分别提取全球主要湖泊和中国西部的主要湖泊，验证了本文算法不仅计算效率高，而且相对于传统算法具有更高的区分度，在空间尺度存在一定差异和投影变形等情况下仍保持一定的匹配率。

2 研究方法

本研究的算法流程图如图2所示。① 针对遥感影像上提取的面状图斑，采用等角边界距离编码进行空间形态编码，并结合圆形度、自相似度、形态复杂度和质心偏移度几个综合形态指标，构建面状图斑相似度算法。② 针对单一的形态相似度不足以区分形态相近的面目标，搜索每一个面状图斑M个近邻目标，结合邻域目标的形态相似度，构建面状图斑匹配算法。
图2 遥感影像面状图斑匹配流程

Fig. 2 The flowchart of matching extracted patches in remote sensing images

2.1 等角边界距离编码与相似度计算

2.1.1 等角边界距离编码方法

等角边界距离编码的核心为获取面状要素的等角边界点。首先，按式（1）计算面目标的质心G的空间坐标：
$\left\{ \begin{matrix} x=\underset{i=0}{\overset{n-1}{\mathop \sum }}\,\overline{{{x}_{i}}}{{A}_{i}}/\underset{i=0}{\overset{n-1}{\mathop \sum }}\,{{A}_{i}} \\ y=\underset{i=0}{\overset{n-1}{\mathop \sum }}\,\overline{{{y}_{i}}}{{A}_{i}}/\underset{i=0}{\overset{n-1}{\mathop \sum }}\,{{A}_{i}} \\ \end{matrix} \right.$
式中：x和y为质心坐标；n为面目标的节点数；xi、yi表示第i个节点的空间坐标；Ai为第i个梯形的面积。
然后，计算G到面目标各边界节点的距离，找出最大距离点P0。将线段GP0的长度称为面目标的最大边界距离，表示为 ξ 0。以G为起点，连接P0的射线，作为编码起始方向。以10°为间隔，顺时针方向从质心向外引其余的35条射线，求取各射线与面目标边缘的交点Pi，计算各方向上G到Pi的边界距离 ξ i。若同一条射线与面的边界线有多个交点，取距离最远的交点，如图3所示。若不存在交点，令该方向上的边界距离为0。对于方向i，其距离编码值Ci按式(2)计算：
${{C}_{i}}=\frac{{{\xi }_{i}}}{{{\xi }_{0}}}\left( 0\le i\le 35 \right)$
图3 等角边界距离编码示意

Fig. 3 Schematic diagram of equiangular boundary distance coding

按顺时针方向将各方向的编码值组成面目标的等角边界距离编码C：
$C=\left\{ {{C}_{0}},{{C}_{0}},...,{{C}_{i}},...,{{C}_{35}} \right\}\left( 0\le i\le 35 \right)$
由于等角边界距离编码采用了相对距离，保证了编码相似度的空间尺度无关性。

2.1.2 等角边界距离编码的相似度计算

设两个面目标a和b，其等角边界距离编码为Ca和Cb，将它们的相关系数作为编码的相似度。由于不能保证同一个面目标，在不同遥感影像上解译的面矢量的最大边界距离发生在相同方向上，将目标b的编码看作是一个首尾相连的环，采用错位法依次计算不同对齐方式下的相关系数r ( C a , C j b )。具体做法见式（4）：
$r\left( {{C}^{a}},C_{j}^{b} \right)=\frac{Cov\left( {{C}^{a}},C_{j}^{b} \right)}{\sqrt{Var\left( {{C}^{a}} \right)Var\left( C_{j}^{b} \right)}}\left( 0\le j\le 35 \right)$
式中：Cov为两数列的协方差；Var为各数列的方差；j为目标b的相似度计算起始方向。
因为等角边界距离编码以最大边界距离作为编码的起始方向，虽然不能保证相同目标在不同遥感数据源上具有相同的起始编码方向，但在一定的变形范围内，目标b在目标a的编码起始方向上的编码值趋近于1。为提高算法的计算效率，仅以目标b的边界距离编码值大于等于0.8的方向作为计算相关系数的起始位置，并取最大值作为两个面目标的等角边界距离编码相似度r(Ca,Cb)：
$r\left( {{C}^{a}},{{C}^{b}} \right)=\text{max}\left( r\left( {{C}^{a}},C_{j}^{b} \right) \right)\left( 0\le j\le 35,C_{j}^{b}\ge 0.8 \right)$
从算法上分析，错位匹配方法确保了等角边界距离编码相似度的旋转不变性和一定程度的鲁棒性。

2.2 面状图斑相似度计算

在等角边界距离编码相似度计算的基础上，结合自相似度 γ、圆形度 ϕ、形态复杂度 φ和质心偏移度 η几个综合形态指标，按式（6）计算面状图斑的相似度Sab：
$\begin{array}{*{35}{l}} {{S}_{ab}}=\left( 1-0.1\left| {{\gamma }_{a}}-{{\gamma }_{b}} \right| \right)\left( 1-0.1\left| {{\varphi }_{a}}-{{\varphi }_{b}} \right| \right) \\ \left( 1-0.1\left| {{\phi }_{a}}-{{\phi }_{b}} \right| \right)\left( 1-0.1\left| {{\eta }_{a}}-{{\eta }_{b}} \right| \right)r\left( {{C}^{a}},{{C}^{b}} \right) \\ \end{array}$
式中： γ、 ϕ、 φ、 η分别表示目标a和目标b的圆形度、自相似度、形态复杂度和质心偏移度。
自相似度 γ用于量化面状图斑的形态在不同旋转角度下的自相似程度。将目标的等角边界距离编码按步长为1进行偏移，得到36个旋转后的编码。对于旋转角度j对应的编码，与原编码按式（4）计算相似度，若大于等于0.8，则认为在该旋转角度下形态自相似。统计满足自相似的旋转角度的个数，除以36作为面状图斑的自相似度。根据定义，自相似度具有旋转不变性、空间尺度无关性。
圆形度 ϕ用于表征目标形态趋向圆形的程度，其计算公式为：
$\phi =\frac{2\sqrt{\pi A}}{P}$
式中：A和P分别表示面目标的面积和周长。
根据定义，圆形度具有旋转不变性；虽然随着空间尺度的减小，同一目标边界复杂度增加，圆形度降低，但在一定的空间尺度范围内，同一空间目标具有相近的圆形度。
形态复杂度 φ用于衡量面目标的形态复杂程度。将面状图斑36个等角边界点按顺时针连接形成新的面矢量，其面积为A*，则j为：
$\varphi =\frac{2\left| A-{{A}^{\text{*}}} \right|}{A+{{A}^{\text{*}}}}$
质心偏移度 η用于定义面边缘与质心距离的变化程度。其计算方法为：将36个等角边界距离从大到小排列，分别取前6个和后6个距离编码值的平均值，记为 ξ h和 ξ t，则 η计算公式为：
$\eta =\frac{{{\xi }_{h}}-{{\xi }_{t}}}{{{\xi }_{h}}}$

2.3 面状图斑匹配

设从局地遥感图像中提取到的局地目标集为DA，同区域参考目标集为DB。对于DA中的某一个目标a，在DB中寻找与之相似度最大的目标b，作为目标a的匹配目标。该过程称为遥感影像面状图斑相似度匹配。
依据式（6），若目标a和目标b的相似度大于等于阈值σ，则认为目标a找到了一个候选目标b。由于地球表层不同位置上的两个空间目标，可能具有相近的空间形态，仅通过单一目标的形态编码，难以唯一区分不同的空间目标。为实现空间目标精确匹配，需要借助空间目标的邻域信息，在面目标形态相似度的基础上，定义匹配相似度。
设目标a的近邻目标n，它们的质心距离为ln，按式（10）计算近邻目标n的相对距离系数 λ n：
λ n = l n ξ 0
对于目标a和它的候选匹配目标b，分别搜索各自最近的M个目标，构建邻域目标集。设目标a的近邻目标c，目标b的近邻目标d满足条件：Scd>=s并且|lc-ld|<1，则认为目标a和目标b存在近邻匹配目标c和d。若a和b的近邻匹配目标数大于等于N，则认为a找到了候选匹配目标b，其匹配相似度Zad为：
${{Z}_{ab}}={{S}_{ab}}{{B}_{ab}}$
式中：Bab为近邻目标相互匹配的最大相似度，即：
${{B}_{ab}}=\left( \left\{ {{S}_{\text{cd}}}\left| 1\le c\le M,1\le d\le M \right. \right\} \right)$
遍历DB中的所有目标，计算与目标a的匹配相似度。将最大相似度对应的目标作为目标a的匹配目标。

3 实验验证与分析

3.1 实验数据来源

以在线遥感影像为实验数据源。选择BingMap卫星图（http://ecn.t0.tiles.virtualearth.net）作为参考遥感影像，天地图遥感影像（http://t0.tianditu.gov.cn/img_w/wmts）作为局地遥感影像。其中，BingMap是微软公司推出的在线遥感影像，天地图遥感影像是我国测绘地理信息行政主管部门主导建设的在线遥感影像，它们均为目前主流的在线遥感影像。
以6级（空间分辨率约为2446 m）为湖泊提取的层级，利用水体提取算法，分别从BingMap和天地图提取不同空间范围的湖泊，构建湖泊目标集。图4基于BingMap的全球湖泊提取结果，共计提取出1065个要素，记为DB；图5为基于天地图遥感卫星的中国西部湖泊的提取结果，共计提取48个要素，记为DA。
图4 BingMap提取的世界湖泊数据集

Fig. 4 World lake data sets extracted from BingMap

图5 天地图遥感提取的中国西部湖泊数据集

Fig. 5 Lake data sets in western China extracted from Tianditu

由于空间尺度的限制、影像质量的差异和自动解译算法的误差，两个空间目标集的湖泊数据与实际的湖泊分布存在一定的差异。在相同的空间范围内（中国西部），2个湖泊数据集的湖泊也并非一一对应。为便于算法分析，去除DA中相同位置上DB未提取出的湖泊，剩余湖泊数量为29个，记为目标集DA*。为后续描述方便，对于DA*中的每一个湖泊，在DB中对应位置上的湖泊称为期望目标。

3.2 不同形态相似度计算方法对比分析

为评价等角边界距离编码方法应用于遥感影像空间目标相似度计算的有效性和性能，将本文算法与文献[20]的正切空间函数法（算法A）、文献[22]的傅里叶描述子法（算法B）进行对比分析。为分析本文提出的几个综合形态指标对相似度计算的贡献，本文算法又分为仅考虑等角边界距离编码的相似度算法（算法C）和结合综合形态指标的面形态相似度算法（算法D）。由于文献[20]和文献[22]均采用边界等距法采样，为统一分析结果，将其采样点数量均设置为36。具体的分析方式为：首先，对于DA*每一个湖泊目标，计算与DB中每一个目标之间的相似度，并将相似度从高到低排序，构建匹配序列；然后，获取期望目标在匹配序列中的排名；最后，统计目标集DA*不同排名条件下的期望目标数量、最低排名、排名第1的期望目标占DA*的总目标数量的百分比（召回率）。实验计算机的CPU为Inter(R) Core(TM) i7-7700HQ。实验结果如（表1）所示。
表1 不同形态相似度计算方法的性能与效果对比

Tab. 1 Performance and effect comparison of different morphological similarity calculation methods

算法 排名条件对应的期望目标数量/个 最低排名 召回率/% 总耗时/s 平均耗时/s
1 2 [3,10] >10
算法A 13 2 3 11 292 44.8 16.0 0.552
算法B 4 3 4 18 781 13.8 63.0 2.172
算法C 15 6 4 4 141 51.7 8.0 0.276
算法D 17 4 5 3 104 58.6 8.0 0.276
从表1可见，本文算法对于遥感影像上自动解译的空间目标，相对于算法A和算法B，具有更高的区分度和准确率。算法C和算法D检测出来的相似度排名均为1，而算法A和算法B的排名分别为2和33。对比算法C和算法D，算法D具有更高的准确率，相对于算法A，其召回率提升了13.8%。这说明本文提出的几个综合相似度指标，能在等角边界距离编码的相似度计算的基础上，对不同形态的空间目标实现更好地区分。
从算法性能上分析，算法B由于傅里叶变换的计算量大，性能最低；算法A和本文算法复杂度较低，单个目标构建匹配序列的平均耗时均小于1 s。由于本文的等角边界距离编码仅计算方向距离编码值大于等于0.8的相关系数（式（5）），其耗时仅为算法A的0.5倍。

3.3 遥感影像面状图斑相似度匹配算法的参数分析

在面状图斑的相似度匹配中，希望正确的匹配目标其相似度排名第一。但从表1中发现，仅利用单个目标的形态相似度，实验数据的召回率仅为58.6%。这需要利用近邻目标进一步筛选。

3.3.1 相似度阈值σ的确定

针对表1中的算法D，统计不同排名条件下的期望目标数量占比、平均相似度和最小相似度，结果如表2所示。随着排名要求的降低，满足条件的期望目标数量不断增加，最小相似度也不断减小。将σ设置为0.8，实验数据中的所有期望目标均在候选目标的序列内。
表2 算法D不同排名条件下的相似度统计

Tab. 2 Similarity obtained by algorithm D in different rank ranges

排名 期望目标总数/个 期望目标数量占比/% 平均相似度 最小相似度
1 17 58.6 0.943 0.879
≤2 21 72.4 0.935 0.833
≤10 26 89.7 0.929 0.833
All 29 100.0 0.921 0.821

3.3.2 参数M的确定

遍历目标集DA中每一个湖泊，若该湖泊在数据集DB存在期望湖泊，则以它们的质心为中心，搜索最近M个近邻湖泊，统计近邻湖泊集中是否存在相同的湖泊，如表3所示。
表3 不同M值对应的包含相同近邻目标的目标数量统计

Tab. 3 Number of targets with the same neighboring target in both datasets at different M values

M 目标数量/个 百分比/%
1 18 62.1
2 24 82.8
3 26 89.7
4 28 96.6
从表3可见，随着M值的增加，在DA和DB中包含相同近邻目标的目标数不断增加。当M=4时，DA中仅有一个目标未能满足条件，为实验数据集对应的最优参数。当然，表3的结果仅能代表实验数据集的统计结果。实际情况取决于2个空间目标集实际包含相同空间目标的比例，比例越高，在相同M取值下包含相同近邻目标的比例越大。

3.3.3 不同N值的面状图斑的匹配精度分析

设定不同的N值，并令M=4N，σ=0.8。遍历目标集DA中29个在DB中存在的湖泊，利用匹配算法在DB中寻求匹配目标，并统计召回率和精确率，如表4所示。其中，召回率为正确匹配数占29个湖泊的百分比，精确率为匹配正确的湖泊占总匹配数的百分比。
表4 不同N值对应的目标匹配精度

Tab. 4 Matching accuracy at different N values

N 正确匹配数/个 错误匹配数/个 漏匹配数/个 召回率/% 精确率/%
1 22 2 5 75.9 91.7
2 27 0 2 93.1 100.0
3 26 1 2 89.7 96.3
4 26 1 2 89.7 96.3
从表4可见，通过近邻目标相似度的进一步筛选，实验数据的召回率得到进一步提升。当N大于等于2时，其召回率接近90%。更为重要的是，实验的所有N值其精确率均达到90%以上，这意味着匹配的目标有90%的可信度是正确的匹配目标。

3.4 遥感影像面状图斑相似度匹配算法的适应性分析

从投影变形、空间尺度适应性两方面进行适应性分析。实验中，N=2，M=8，σ=0.8。

3.4.1 投影变形对算法的适应性分析

由于DA是利用在线遥感影像自动解译获取的，其空间坐标为Web Mercator。将其转换为不同的空间坐标系，并尝试利用面状图斑匹配算法与DB进行匹配。由于空间坐标系不一样，相同目标在不同数据集之间可能存在一定程度的局部扭曲、拉伸和旋转。表5为常用等角、等距和等积投影坐标系下的目标匹配精度。从表5中可见，本文算法在不同投影变形下仍能保持一定的匹配精度。
表5 不同投影变形下的目标匹配精度

Tab. 5 Target matching accuracy under different projection distortions

坐标系 正确匹配数/个 错误匹配数/个 漏匹配数/个 召回率/% 精确率/%
Beijing_1954_GK_Zone_18N 27 0 2 93.1 100.0
UTM_Zone_47N 27 0 2 93.1 100.0
UPS_North 27 0 2 93.1 100.0
COB_NAD83_2007 27 0 2 93.1 100.0
Asia_North_Equidistant_Conic 24 1 4 82.8 96.0
Albers_Conic_Equal_Area 24 2 3 82.8 92.3
GCS_WGS_1984 17 4 8 58.6 81.0

3.4.2 空间尺度的适应性分析

以中国西部为研究范围，提取7~10级天地图遥感影像上的湖泊，目标集分别记为DA7、DA8、DA9、DA10。在此基础上，验证算法对不同空间尺度的适应性。
首先，选择不同空间尺度上均能正确匹配的一个空间目标，如图6所示。从图6(b)可见，空间分辨率越低，同一湖泊的边界锯齿形态越明显，失真程度越高[30]；随着分辨率的提高，提取的目标越接近实际的湖泊边界。利用式（6）计算出来的面状图斑相似度分别为0.957、0.924、0.959和0.947，这在一定程度上反映了算法对不同空间尺度目标的适应能力。
图6 不同空间尺度下的湖泊边界

Fig. 6 Lake boundaries extracted at different image scales

然后，统计各层级提取到的总目标数、在DB中也存在的期望目标数，并利用面状图斑匹配算法进行目标匹配，计算匹配精度，实验结果如表6所示。其中，召回率和精确率仅统计在DB中存在期望湖泊的目标集。
表6 不同空间尺度下的目标匹配精度

Tab. 6 Target matching accuracy at different spatial scales

地图级别 总目标数/个 期望目标数/个 正确匹配数/个 错误匹配数/个 召回率/% 精确率/%
7 68 32 20 2 62.5 90.9
8 89 30 13 2 43.3 86.7
9 105 34 12 3 35.3 80.0
10 124 35 9 6 25.7 60.0
从表6可见，7~9级的匹配精确率整体保持在80%以上，说明算法在空间尺度存在一定差异的情况下仍能保持一定的匹配率。但随着空间尺度差异的增大，匹配精度呈现逐渐降低的趋势。这主要是因为，随着空间尺度差异的增大，提取的目标集与DB的差异不断增加。主要体现在：① 部分湖泊在不同空间分辨率的影像上提取的边界呈现较大的差异。如图7(b)所示的6级遥感影像上提取的湖泊A，在更高分辨率影像上分裂为2个，并在边界上存在一定的差异；② 随着分辨率的提高，细小的湖泊被提取出来，如图7(d)的湖泊B；③ 由于湖泊提取算法的误差，在不同空间尺度上，误提取的湖泊依然存在，并且与DB并非一一对应。如图7(f)的10级影像的C处的误提取湖泊。
图7 不同空间尺度下的湖泊边界

注：字母A处为6级遥感影像上提取的整个湖泊目标；B处为随着分辨率的提高，提取到的细小湖泊；C处为误提取到的湖泊。

Fig. 7 Lake boundaries extracted at different image scales

为进一步说明空间尺度对匹配精度的影响，删除DA7、DA8、DA9、DA10同位置上中DB未能提取出来的湖泊，再进行目标匹配。实验结果如表7所示。对比表6发现，从遥感影像上提取的待匹配目标集与参考目标集的空间分布和数量越接近，邻域目标匹配可信度越大，匹配精度越高，总体保持在80%以上。这进一步说明，空间尺度对匹配精度的影响主要在于邻域目标的分布上；在不同空间尺度上，如果空间目标及其邻域目标的总体形态和分布接近，算法均能得到较高的匹配精度。
表7 仅保留期望湖泊的情况下不同空间尺度下的目标匹配精度

Tab. 7 Target matching accuracy at different spatial scales when only the desired lakes are retained

地图级别 正确匹配数/个 错误匹配数/个 召回率/% 精确率/%
7 26 2 81.3 92.9
8 22 1 73.3 95.7
9 20 2 58.8 90.9
10 18 4 51.4 81.8

4 结论与讨论

针对传统相似性函数按一定的距离采样判断面目标相似性，无法很好地应用于遥感图像的图斑匹配，本文提出了等角边界距离编码方法，并结合综合形态指标，构建了面向遥感影像的面状图斑相似度算法。为验证该算法的有效性，以BingMap卫星图为参考遥感影像，利用水体提取算法提取了全球湖泊，作为参考目标集；以天地图遥感影像为局地遥感影像，提取了中国西部湖泊，作为待匹配目标集。将本文算法与正切空间函数法、傅里叶描述子法进行相似度计算的对比实验。实验结果表明，本文算法的召回率为58.6%，相对于按距离采样的相似度算法，召回率提升了13.8%，且计算时间仅为它的0.5倍。
为进一步提升匹配精度，将匹配相似度定义为目标本身的图斑相似度与邻域目标最大相似度的乘积。实验发现，由于考虑了邻域目标的相似性，实验数据的召回率得到进一步提升，匹配精度达到了90%以上。
通过将待匹配的中国西部湖泊进行了常用等角、等距和等积等投影转换，并将转换后的目标与全球湖泊进行匹配实验，算法的图斑匹配率保持在80%以上；将天地图的7级到10级遥感影像上提取中国西部湖泊，与全球湖泊进行匹配。发现空间尺度在7~9级时，匹配精度维持在80%以上。这表明本文的面目标匹配算法具有角度无关性、一定程度的鲁棒性及空间尺度和投影变形适应性，能应用于遥感图像的图斑快速、高精度匹配。
在空间尺度适应性实验中，发现随着空间尺度差异的增加，匹配率逐步下降，第10级的匹配率仅为60%左右。在删除7~10级同位置上中BingMap卫星未能提取出来的湖泊后，目标匹配精度显著提升。这说明空间尺度对匹配精度的影响主要在于邻域目标的分布上，这也是算法在空间尺度适应性上的一个关键性瓶颈。在将来的研究中，需要进一步完善算法，综合考虑有无相同近邻目标的多种情况，构建自适应更强、区分度更高的算法。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Kovács A, Szirányi T. Improved Harris feature point set for orientation-sensitive urban-area detection in aerial images[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4):796-800. DOI:10.1109/LGRS.2012.2224315

DOI

[2]
Rasmy L, Sebari I, Ettarid M. Automatic sub-pixel co-registration of remote sensing images using phase correlation and Harris detector[J]. Remote Sensing, 2021, 13(12):2314. DOI:10.3390/rs13122314

DOI

[3]
Etezadifar P, Farsi H. A new sample consensus based on sparse coding for improved matching of SIFT features on remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(8):5254-5263. DOI:10.1109/TGRS.2019.2959606

DOI

[4]
Chang H H, Chan W C. Automatic registration of remote sensing images based on revised SIFT with trilateral computation and homogeneity enforcement[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(9):7635-7650. DOI:10.1109/TGRS.2021.3052926

DOI

[5]
Zhang T, Zhao R, Chen Z S. Application of migration image registration algorithm based on improved SURF in remote sensing image mosaic[J]. IEEE Access, 2020, 8:163637-163645. DOI:10.1109/ACCESS.2020.3020808

DOI

[6]
Bay H, Tuytelaars T, van Gool L. SURF: speeded up robust features[M]//Computer Vision - ECCV 2006. Berlin, Heidelberg: Springer Berlin Heidelberg, 2006:404-417. DOI:10.1007/11744023_32

DOI

[7]
Rosten E, Porter R, Drummond T. Faster and better: A machine learning approach to corner detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(1):105-119. DOI:10.1109/TPAMI.2008.275.

DOI PMID

[8]
Rublee E, Rabaud V, Konolige K, et al. ORB: An efficient alternative to SIFT or SURF[C]// 2011 International Conference on Computer Vision. IEEE, 2011:2564-2571. DOI:10.1109/ICCV.2011.6126544

DOI

[9]
Ma D, Lai H C. Remote sensing image matching based improved ORB in NSCT domain[J]. Journal of the Indian Society of Remote Sensing, 2019, 47(5):801-807. DOI:10.1007/s12524-019-00958-y

DOI

[10]
温伯威, 孙群, 马超, 等. 一种采用不变矩的矢量面目标匹配方法[J]. 测绘工程, 2017, 26(2):5-8,13.

[ Wen B W, Sun Q, Ma C, et al. A matching method of vector area object using invariant moments[J]. Engineering of Surveying and Mapping, 2017, 26(2):5-8,13. ] DOI:10.19349/j.cnki.issn1006-7949.2017.02.002

DOI

[11]
Akl S G, Toussaint G T. An improved algorithm to check for polygon similarity[J]. Information Processing Letters, 1978, 7(3):127-128. DOI:10.1016/0020-0190(78)90073-X.

DOI

[12]
Sadeghi Bigham B, Abyar Langroudi R. Measuring similarity for query in geometric data[J]. SN Applied Sciences, 2019, 1(10):1-4. DOI:10.1007/s42452-019-1184-y

DOI

[13]
Fu B T, Huang L Y. Polygon matching using centroid distance sequence in polar grid[C]// 2016 2nd IEEE International Conference on Computer and Communications. IEEE, 2016:733-736. DOI:10.1109/CompComm.2016.7924799.

DOI

[14]
郭黎, 崔铁军, 郑海鹰, 等. 基于空间方向相似性的面状矢量空间数据匹配算法[J]. 测绘科学技术学报, 2008, 25(5):380-382.

[ Guo L, Cui T J, Zheng H Y, et al. Arithmetic for area vector spatial data matching on spatial direction similarity[J]. Journal of Geomatics Science and Technology, 2008, 25(5):380-382. ]

[15]
徐丰, 牛继强, 林昊, 等. 利用等距同构建立多尺度空间实体相似性度量模型[J]. 武汉大学学报·信息科学版, 2019, 44(9):1399-1406.

[ Xu F, Niu J Q, Lin H, et al. Establishment of the similarity metric model of multi-scale spatial object using isometry[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9):1399-1406. ] DOI:10.13203/j.whugis20170344

DOI

[16]
Abbaspour R A, Chehreghan A, Chamani M. Multi-scale polygons matching using a new geographic context descriptor[J]. Applied Geomatics, 2021, 13(4):885-899. DOI:10.1007/s12518-021-00396-x

DOI

[17]
徐广翔, 陈杰, 马素媛. 面状空间要素相似性度量方法研究[J]. 测绘科学, 2013, 38(3):31-33.

[ Xu G X, Chen J, Ma S Y. Research on algorithms of similarity measurement for areal spatial data[J]. Science of Surveying and Mapping, 2013, 38(3):31-33. ] DOI:10.16251/j.cnki.1009-2307.2013.03.005

DOI

[18]
刘纯平, 陈宁强, 夏德深. 土地利用类型的分数维分析[J]. 遥感学报, 2003, 7(2):136-141.

[ Liu C P, Chen N Q, Xia D S. Fractal dimension analysis of land use types[J]. Journal of Remote Sensing, 2003, 7(2):136-141. ] DOI:10.3321/j.issn:1007-4619.2003.02.010

DOI

[19]
黄宝群, 盛业华, 郭宁宁, 等. 同名边界点的面状居民地要素匹配[J]. 测绘科学, 2018, 43(2):108-113.

[ Huang B Q, Sheng Y H, Guo N N, et al. Residential polygon features matching based on identical boundary points[J]. Science of Surveying and Mapping, 2018, 43(2):108-113. ] DOI:10.16251/j.cnki.1009-2307.2018.02.019

DOI

[20]
付仲良, 邵世维, 童春芽. 基于正切空间的多尺度面实体形状匹配[J]. 计算机工程, 2010, 36(17):216-217,220.

[ Fu Z L, Shao S W, Tong C Y. Multi-scale area entity shape matching based on tangent space[J]. Computer Engineering, 2010, 36(17):216-217,220. ] DOI:10.3969/j.issn.1000-3428.2010.17.073

DOI

[21]
Lee D J, Antani S, Long L R. Similarity measurement using polygon curve representation and Fourier descriptors for shape-based vertebral image retrieval[C]// Medical Imaging 2003. Proc SPIE 5032, Medical Imaging 2003:Image Processing, San Diego, California, USA. 2003, 5032:1283-1291. DOI:10.1117/12.481912

DOI

[22]
程绵绵, 孙群, 徐立, 等. 面轮廓线相似性和复杂性度量及在化简中的应用[J]. 测绘学报, 2019, 48(4):489-501.

[ Cheng M M, Sun Q, Xu L, et al. Polygon contour similarity and complexity measurement and application in simplification[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(4):489-501. ] DOI:10.11947/j.AGCS.2019.20180124

DOI

[23]
郑悦, 程红, 孙文邦, 等. 遥感影像匹配技术研究[J]. 电子设计工程, 2011, 19(20):97-100,109.

[ Zheng Y, Cheng H, Sun W B, et al. Review for remote sensing image mosaicking[J]. Electronic Design Engineering, 2011, 19(20):97-100,109. ] DOI:10.14022/j.cnki.dzsjgc.2011.20.006

DOI

[24]
Li Y, Stevenson R L. Multimodal image registration with line segments by selective search[J]. IEEE Transactions on Cybernetics, 2017, 47(5):1285-1298. DOI:10.1109/TCYB.2016.2548484

DOI PMID

[25]
Shen Z F, Li J L, Sheng Y W, et al. A multitemporal remote sensing image registration method based on water bodies for the lake-rich region[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(11):4327-4341. DOI:10.1109/JSTARS.2019.2950686

DOI

[26]
牛宗标, 吴秀清, 李滔. 基于小面元方法的光学遥感图像快速匹配算法[J]. 计算机工程, 2006, 32(1):203-205.

[ Niu Z B, Wu X Q, Li T. A region-based optical remote sening image registration method[J]. Computer Engineering, 2006, 32(1):203-205. ] DOI:10.3969/j.issn.1000-3428.2006.01.071

DOI

[27]
张晓东, 李德仁, 龚健雅, 等. 一种基于面特征的遥感影像与GIS数据配准方法[J]. 遥感学报, 2006, 10(3):373-380.

[ Zhang X D, Li D R, Gong J Y, et al. A matching method of remote sensing image and GIS data based on area feature[J]. Journal of Remote Sensing, 2006, 10(3):373-380. ]

[28]
陈巡, 钟凤媛, 刘雅鑫, 等. 基于ModelBuilder的图斑相似度分析[J]. 现代信息科技, 2021, 5(2):66-69,75.

[ Chen X, Zhong F Y, Liu Y X, et al. Pattern similarity analysis based on ModelBuilder[J]. Modern Information Technology, 2021, 5(2):66-69,75. ] DOI:10.19850/j.cnki.2096-4706.2021.02.017

DOI

[29]
郭庆胜, 丁虹. 基于栅格数据的面状目标空间方向相似性研究[J]. 武汉大学学报·信息科学版, 2004, 29(5):447-450,465.

[ Guo Q S, Ding H. Similarity for spatial directions between areal objects in raster data[J]. Geomatics and Information Science of Wuhan University, 2004, 29(5):447-450,465. ] DOI:10.3321/j.issn:1671-8860.2004.05.016

DOI

[30]
Liu J H, Zhang J F, Xu F J, et al. Adaptive algorithm for automated polygonal approximation of high spatial resolution remote sensing imagery segmentation contours[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(2):1099-1106. DOI:10.1109/TGRS.2013.2247407

DOI

Options
文章导航

/

〈 〉