CN101751673B - 基于相位一致特征的多光谱图像配准检测修正方法 - Google Patents
基于相位一致特征的多光谱图像配准检测修正方法 Download PDFInfo
- Publication number
- CN101751673B CN101751673B CN2009102658236A CN200910265823A CN101751673B CN 101751673 B CN101751673 B CN 101751673B CN 2009102658236 A CN2009102658236 A CN 2009102658236A CN 200910265823 A CN200910265823 A CN 200910265823A CN 101751673 B CN101751673 B CN 101751673B
- Authority
- CN
- China
- Prior art keywords
- image
- band image
- evaluated
- battle array
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像预处理方法,具体涉及一种基于相位一致特征的多光谱遥感图像配准检测修正方法。它包括(1)指定参考波段图像和待评价波段图像;(2)在参考波段图像和待评价波段图像中进行相位一致特征点提取;(3)计算相关系数阵S;(4)计算参数T;(5)计算空间一致阵C;(6)计算匹配矩阵M和新的参数T’;(7)判定ΔT是否小于预设值;(8)对图像进行校正。本发明的效果是:该方法具有稳定的特征定位精度的优点,使多光谱配准精度提高到了0.3像元。
Description
技术领域
本发明属于图像预处理方法,具体涉及一种基于相位一致特征的多光谱遥感图像配准检测修正方法。
背景技术
多光谱卫星遥感图像是指卫星对同一地域拍摄的不同光谱下的图像,最简单的多光谱图像就是对同一地点拍摄的R、G、B三色图像。这些图像在使用过程中可能会将其再叠放在一起,此时由于图像间微小的位置差异可能导致叠放的图像出现“重影”。这种情况非常不利于图像的精确分析。
常用的图像配准方法分为基于图像灰度和基于图像特征两大类。基于图像灰度的方法,直接利用图像的灰度信息,建立两幅图像之间相似性度量,不需要对图像进行特征提取,省去了特征匹配这个难点,由于用到了全部的图像信息,因此提高了配准的精度和鲁棒性,但同时也存在计算量大、速度较慢等缺点。基于图像特征的方法,通过提取参考图像和待配准图像的一些共同特征,建立特征之间的对应关系,从而提取控制点对,实现图像的自动配准。这类方法的优点是它提取了图像的显著特征,大大压缩了图像的信息量,使得计算量小、速度较快,而且对图像灰度的变化具有鲁棒性,但特征匹配的难度较高,易出现误匹配。与基于灰度的方法相比,基于特征的方法不是直接在图像的灰度层次上计算两块图像之间的相似性,而是在特征的层次上进行配准,因此它对图像灰度变化不太敏感,更适合于灰度相差较大的多光谱不同谱段图像之间的配准。根据其关键步骤特征选择和特征匹配方法的不同,具体的基于特征的图像自动配准方法是多种多样的,但这类方法的基本处理流程是一致的:首先要对待配准图像进行特征提取,再利用提取的特征完成两幅图像特征之间的匹配,通过特征的匹配关系建立图像之间的配准映射变换。由于卫星多光谱遥感图像不同谱段间的差异复杂性,现有的基于特征的图像自动配准方法仍然不能同时稳定可靠地解决特征稳定提取与特征误匹配问题。
发明内容
本发明的目的是针对现有技术缺陷,提供一种能精确对多光谱图像波段配准精度进行检测和修正,修正后图像可以很好匹配,且计算量不大的基于相位一致特征的多光谱遥感图像配准检测修正方法。
本发明是这样实现的:基于相位一致特征的多光谱遥感图像配准检测修正方法,包括下述步骤:
(1)指定参考波段图像和待评价波段图像
在同一组多光谱图像中指定任意一幅作为参考波段图像,其余图像作为待评价波段图像;
(2)在参考波段图像和待评价波段图像中进行相位一致特征点提取
在步骤(2)处理后的参考波段图像和其中一幅需要修正的待评价波段图像中提取特征点,特征点的数量范围为50~200个,在步骤(2)中根据相位一致性大小,由大到小的开始选取特征点,取满预设特征点的数量;
(3)计算相关系数阵S
首先对每个特征点均以该点为中心取像素窗,像素窗的大小为7×7~15×15,参考波段图像和待评价波段图像中像素窗的大小必须一致,对每个参考波段图像中的像素窗均计算与待评价波段图像中每个像素窗中的相关系数,该相关系数组成相关系数阵S;
(4)计算参数T
参数T为
其中a、b、c、d、x、y均为待求参数,这几个参数按照下述方法计算得到。
在步骤(3)中得到的S阵中取相关度最大的6个点,分别得到这6个相关系数对应的参考波段图像和待评价波段图像特征点,参考图像中的6个特征点的灰度值按照的形式排列成A阵,待评价波段图像中的6个特征点的灰度值按照的形式排列成B阵,设定TA=B,求出T阵中的每个未知参数;
(5)计算空间一致阵C
对每个待评价波段图像特征点的坐标均计算经过T阵变换后的坐标值,检验变换后的坐标值与参考波段图像中每个特征点坐标的欧氏距离,若距离小于等于预设值则判定为1,大于预设值则判定为0,这些值构成空间一致阵C
(6)计算匹配矩阵M和新的参数T’
令空间一致阵C与步骤(3)中计算得到的相关系数阵S点乘,得到的就是匹配矩阵M;用匹配矩阵M中的所有点按照步骤(5)的方法计算新的变换模型T’参数;
(7)判定ΔT是否小于预设值
令Δa=a-a’,Δb=b-b’,Δc=c-c’,Δd=d-d’,Δx=x-x’,Δy=y-y’,令
判断ΔT是否小于0.0001,若ΔT小于0.0001则执行步骤(8),否则执行步骤(5)计算参数T,此时用于计算参数T的矩阵是匹配矩阵M;
(8)对图像进行校正
用匹配成功的匹配特征点对待评价波段图像进行现行校正,校正方法选用现有的线性校正方法。
如上所述的基于相位一致特征的多光谱遥感图像配准检测修正方法,其中,在步骤(2)前先在整幅图像中先均匀的设定小区域,特征点在这些设定的小区域内选取,所述的区域大小为100×100~300×300的正方形像素区。
如上所述的基于相位一致特征的遥感图像检测修正方法,其中,所述的均匀区域分布是5×5、10×10等。
如上所述的一种基于相位一致特征的遥感图像检测修正方法,其中,在步骤步骤(3)选取特征点时在相位一致图中用曲面插值法精确定位特征点。
如上所述的一种基于相位一致特征的遥感图像检测修正方法,其中,步骤(4)中的像素窗大小为9×9。
本发明的显著效果是:该方法不仅利用了相位一致特征对遥感图像亮度和对比度具有不变性,能捕捉图像的不变特征,同时适用于阶跃边缘、线边缘、屋脊型边缘及介于阶跃边缘和线边缘之间的边缘信息等多种边缘特征的检测,并且相位一致是一个无量纲的量,可以对大多数图像使用较为固定的阈值,相位一致特征检测算法对线形物体产生单线响应,抗噪能力强,检测到的特征不会因为噪声而出现波动,具有更稳定的特征定位精度的优点;而且采用特征相似和空间一致相结合匹配策略实现了多光谱图像波段配准高精度检测,根据检测结果修正了遥感图像地面数据处理系统中波段配准精度,使多光谱配准精度提高到了0.3像元。
附图说明
图1是在图像中设定小区域的示意图(5×5)。
具体实施方式
基于相位一致特征的多光谱遥感图像配准检测修正方法,包括下述步骤:
(1)指定参考波段图像和待评价波段图像
所述的参考波段图像和待评价波段图像都是卫星拍摄的多光谱图像,这些图像是同一地点不同波段的图像。指定其中的任意一幅图像作为参考波段图像,其余图像均作为待评价波段图像。最终将所有待评价波段图像指定过程不需要任何其它要求。
(2)相位一致特征点提取
采用相位一致算法(phase congreuncy)对参考波段图像和待评价波段图像进行相位一致特征提取。
在步骤(2)中特征点的数量范围为50~200个,特征点从步骤(2)中得到的图像中相位一致性由大到小的开始选取,取满预设特征点的数量。参考波段图像和待评价波段图像中特征点的数量可以相同也可以不同,例如在参考波段图像中特征点数量为50个,待评价波段图像中特征点数量为200个。
(3)计算相关系数阵S
首先对每个特征点(包括参考波段图像和待评价波段图像中的特征点)均以该点为中心取像素窗,像素窗的大小为7×7~15×15,例如7×7、9×9、11×11、15×15。即使由于特征点位置过近而使像素窗部分重叠也不影响本方法的继续执行。像素窗中的值是步骤(2)中得到的相位值。参考波段图像和待评价波段图像中像素窗的大小必须一致。对每个参考波段图像中的像素窗均计算待评价波段图像中每个像素窗中的相关系数。例如在参考波段图像中取50个特征点,本步骤中的像素窗取7×7,那么在参考波段图像中会有50个像素窗;类似的若在待评价波段图像中取200个特征点,那么在待评价波段图像中会有200个像素窗,本步骤计算参考波段图像中50个像素窗中的每个像素窗与待评价波段图像中200个像素窗中的每个像素窗的相关系数,该相关系数组成相关系数阵S。对本例中S应为50×200的矩阵,矩阵的行为参考波段图像中的像素窗的序号,矩阵的列为待评价波段图像中像素窗的序号,矩阵的值为相应像素窗之间的相关系数。
(4)计算参数T
参数T的形式为
其中a、b、c、d、x、y均为待求参数。这几个参数按照下述方法计算得到。
在步骤(3)中得到的S阵中取相关度最大的6个点(即矩阵数值最大的6个点)分别得到这6个相关系数对应的参考波段图像和待评价波段图像特征点,即参考图像中的特征点6个,待评价波段图像中的特征点6个。参考图像中的6个特征点的灰度值按照的形式排列成A阵,待评价波段图像中的6个特征点的灰度值按照的形式排列成B阵,设定TA=B,由于A阵和B阵中所有的值均为已知,因此可以唯一的求出T阵中的每个参数。
(5)计算空间一致阵C
对每个待评价波段图像特征点的坐标均计算经过T阵变换后的坐标值,检验变换后的坐标值与参考波段图像中每个特征点坐标的欧氏距离,若距离小于等于预设值则判定为1,大于预设值则判定为0,这些值构成空间一致阵C。同样以参考波段图像中取50个特征点,待评价波段图像中取200个特征点为例,每个待评价波段图像中的特征点均有坐标,用[xsi,ysi]表示,其中i表示第i个特征点,本例中i取值范围为1~200。按照公式
T[xsi,ysi,1]’=[x’si,y’si,1]’
计算变换后的坐标[x’si,y’si],然后计算该坐标与参考波段图像中取50个特征点中每个特征点坐标[xrk,yrk]的距离,其中k表示第k个特征点,本例中k取值范围为1~50。若距离小于等于预设值则判定结果为1,否则判定结果为0。本例中所述的预设值是一维高斯函数方差取0.5时的值,当然也可以根据实际情况取其它数值。所得的判定结果组成空间一致阵C,该阵也应是50×200的矩阵。
计算完成后C阵应呈现类似对角阵的形式,即其中部分值以对较阵的形式为1,其余为0或散点1值。
(6)计算匹配矩阵M和新的参数T’
令空间一致阵C与步骤(3)中计算得到的相关系数阵S点乘,得到的就是匹配矩阵M。用匹配矩阵M中的所有点按照步骤(4)的方法计算新的参数T’。本步骤使用的参数多于计算参数T’需要的数量,可以用拟合的方法计算T’中的每个参数。计算后
(7)判定ΔT是否小于预设值
令Δa=a-a’,Δb=b-b’,Δc=c-c’,Δd=d-d’,Δx=x-x’,Δy=y-y’,
令
判断ΔT是否小于0.0001,若ΔT小于0.0001则执行步骤(8),否则执行步骤(4)计算参数T,只是此时用于计算参数T的矩阵不再是相关系数阵S,而是匹配矩阵M,其余计算过程均按照步骤(4)中的步骤计算。
(8)对图像进行校正
用匹配成功的匹配特征点对待评价波段图像进行现行校正,校正方法可以选用现有的线性校正方法。所述的匹配特征点是指在最后一次循环中步骤(7)中匹配矩阵M判定为非零的参考波段图像和待评价波段图像对应的特征点。所述的线性校正方法是指用这些匹配成功的特征点求公式y=kx+b中的参数k和参数b,其中x为待评价波段图像中的特征点,y为参考波段图像中的特征点,匹配成功的特征点往往多于计算参数k,b所需要的值,此时可以用拟合的方式求得所需参数。求得参数k,b后就可以用该参数对地面数据处理系统进行图像校正了。
为了避免在步骤(2)选取特征点中特征点的选择不均匀,在整幅图像中先均匀的设定小区域,如5×5、10×10等。如附图1所示。特征点只能在这些设定的小区域内选取,后续计算时仅针对参考波段图像和待评价波段图像相对应的小区域进行计算,这样既可以保证在大幅卫星遥感图像上特征点均匀分布,避免特征点过于随机选取,又可以大大减少计算量。所述的区域范围是100×100~300×300的正方形像素区,例如100×100,150×150,200×200,250×250,300×300都是可以选择的。
为了进一步提高校正精度,在步骤(2)选取特征点时在相位一致图上采用曲面插值法定位特征点,提高了特征点的定位精度,使得基于相位一致特征的多光谱遥感图像配准检测修正方法的检测精度提高到0.001个像素,而上述方法的精度仅为1个像素。
Claims (5)
1.基于相位一致特征的多光谱遥感图像配准检测修正方法,包括下述步骤:
(1)指定参考波段图像和待评价波段图像
在同一组多光谱图像中指定任意一幅作为参考波段图像,其余图像作为待评价波段图像;
(2)在参考波段图像和待评价波段图像中提取相位一致特征点
在参考波段图像和其中一幅需要修正的待评价波段图像中提取特征点,特征点的数量范围为50~200个,特征点从图像中相位一致性由大到小的开始选取,取满预设特征点的数量;
(3)计算相关系数阵S
首先对每个特征点均以该点为中心取像素窗,像素窗的大小为7×7~15×15,参考波段图像和待评价波段图像中像素窗的大小必须一致,对每个参考波段图像中的像素窗均计算待评价波段图像中每个像素窗中的相关系数,该相关系数组成相关系数阵S;
(4)计算参数T
参数T为:
其中a、b、c、d、x、y均为待求参数,这几个参数按照下述方法计算得到,
在步骤(3)中得到的S阵中取相关度最大的6个相关系数,分别得到这6个相关系数对应的参考波段图像和待评价波段图像特征点,参考图像中的6个特征点按照 的形式排列成A阵,待评价波段图像中的6个特征点按照 的形式排列成B阵,设定TA=B,求出T阵中的每个未知参数初值;
(5)计算空间一致阵C
对每个待评价波段图像特征点的坐标均计算经过T阵变换后的坐标值,检验变换后的坐标值与参考波段图像中每个特征点坐标的欧氏距离,若距离小于等于预设值则判定为1,大于预设值则判定为0,这些值构成空间一致阵C;
(6)计算匹配矩阵M和新的变换模型T’参数
令空间一致阵C与步骤(3)中计算得到的相关系数阵S点乘,得到的就是匹配矩阵M;用匹配矩阵M中的所有点按照步骤(4)的方法计算新的变换模型T’参数;
(7)判定ΔT是否小于预设值
令Δa=a-a’,Δb=b-b’,Δc=c-c’,Δd=d-d’,Δx=x-x’,Δy=y-y’,
令
判断ΔT是否小于0.0001,若ΔT小于0.0001则执行步骤(8),否则执行步骤(4)计算参数T,此时用于计算参数T的矩阵不再是相关系数阵S,而是匹配矩阵M,其余计算过程均按照步骤(4)中的步骤计算;
(8)对图像进行校正
用匹配成功的匹配特征点对待评价波段图像进行现行校正,校正方法选用现有的线性校正方法。
2.如权利要求1所述的一种基于相位一致特征的多光谱遥感图像配准检测修正方法,其特征在于:在步骤(2)前先在整幅图像中先进行均匀的提取检测区域,特征点在这些设定的小区域内选取。
3.如权利要求2所述的一种基于相位一致特征的多光谱遥感图像配准检测修正方法,其特征在于:所述的区域范围是100×100~300×300的正方形像素区。
4.如权利要求1所述的一种基于相位一致特征的多光谱遥感图像配准检测修正方法,其特征在于:在步骤(2)选取特征点时用相位一致图曲面插值法精确定位特征点。
5.如权利要求1所述的一种基于相位一致特征的多光谱遥感图像配准检测修正方法,其特征在于:步骤(3)中的像素窗大小为9×9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102658236A CN101751673B (zh) | 2009-12-24 | 2009-12-24 | 基于相位一致特征的多光谱图像配准检测修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102658236A CN101751673B (zh) | 2009-12-24 | 2009-12-24 | 基于相位一致特征的多光谱图像配准检测修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101751673A CN101751673A (zh) | 2010-06-23 |
CN101751673B true CN101751673B (zh) | 2012-05-23 |
Family
ID=42478616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102658236A Active CN101751673B (zh) | 2009-12-24 | 2009-12-24 | 基于相位一致特征的多光谱图像配准检测修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101751673B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024155B (zh) * | 2010-12-06 | 2012-10-03 | 广州科易光电技术有限公司 | 基于边缘检测的多光谱图像快速匹配方法 |
CN104112278B (zh) * | 2014-08-01 | 2017-02-15 | 西安电子科技大学 | 基于协方差的多光谱图像实时配准方法 |
CN104616280B (zh) * | 2014-11-26 | 2017-07-28 | 西安电子科技大学 | 基于最大稳定极值区域和相位一致性的图像配准方法 |
CN104732532B (zh) * | 2015-03-11 | 2017-05-31 | 中国空间技术研究院 | 一种遥感卫星多光谱图像配准方法 |
CN112529781B (zh) * | 2021-02-10 | 2021-06-22 | 芯视界(北京)科技有限公司 | 图像处理方法、装置以及可读存储介质 |
CN114136463B (zh) * | 2021-11-30 | 2023-07-25 | 湖北久之洋信息科技有限公司 | 一种基于红外热像仪的自动对焦标定方法、装置及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN101609550A (zh) * | 2009-07-10 | 2009-12-23 | 南方医科大学 | 基于流形子空间的图像配准方法 |
-
2009
- 2009-12-24 CN CN2009102658236A patent/CN101751673B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN101609550A (zh) * | 2009-07-10 | 2009-12-23 | 南方医科大学 | 基于流形子空间的图像配准方法 |
Non-Patent Citations (4)
Title |
---|
Barbara Zitova, et al..Image registration methods: a survey.《Image and Vision Computing》.2003,第21卷(第11期),977-1000. * |
JP特開2008-191937A 2008.08.21 |
肖鹏峰,等..一种基于相位一致的高分辨率遥感图像特征检测方法.《遥感学报》.2007,第11卷(第3期),303-310. * |
肖鹏峰,等。.一种基于相位一致的高分辨率遥感图像特征检测方法.《遥感学报》.2007,第11卷(第3期),303-310. |
Also Published As
Publication number | Publication date |
---|---|
CN101751673A (zh) | 2010-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101751673B (zh) | 基于相位一致特征的多光谱图像配准检测修正方法 | |
CN101499130B (zh) | 一种指纹识别方法和指纹识别系统 | |
US20200134366A1 (en) | Target recognition method and apparatus for a deformed image | |
CN109886878B (zh) | 一种基于由粗到精配准的红外图像拼接方法 | |
CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
WO2014103297A1 (ja) | 物体識別装置、方法及び記憶媒体 | |
US20070269107A1 (en) | Object Recognition Device, Object Recognition Method, Object Recognition Program, Feature Registration Device, Feature Registration Method, and Feature Registration Program | |
CN110097535B (zh) | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 | |
CN102521560A (zh) | 高鲁棒仪表指针图像识别方法 | |
CN107274441B (zh) | 一种高光谱图像的波段校准方法和系统 | |
CN101266296A (zh) | 高光谱小目标探测方法及装置 | |
CN103226819A (zh) | 一种基于分段统计的相对辐射校正方法 | |
CN107341824A (zh) | 一种图像配准的综合评价指标生成方法 | |
US9547913B2 (en) | Information processing device, information processing apparatus, information processing method, and program | |
CN105279244A (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
US10380415B2 (en) | Method for determining a colour value of an object in an image | |
CN104112278A (zh) | 基于协方差的多光谱图像实时配准方法 | |
Van Niel et al. | A simple method to improve field-level rice identification: toward operational monitoring with satellite remote sensing | |
US11232289B2 (en) | Face identification method and terminal device using the same | |
JP2010097341A (ja) | 入力画像から検出対象物の像を検出する画像処理装置 | |
US11301962B2 (en) | Image processing method, image processing apparatus, and medium | |
CN107832715A (zh) | 一种自适应近邻的人脸识别算法 | |
US11108918B2 (en) | Assessing print quality using intensity histograms and perimeter lengths | |
CN110263777A (zh) | 基于空谱结合的局部保持投影算法的目标检测方法及系统 | |
CN108664917A (zh) | 基于辅变字典及最大边际线性映射的人脸识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |