CN102542565B - 一种用于包含复杂地形遥感图像的误匹配点剔除方法 - Google Patents

一种用于包含复杂地形遥感图像的误匹配点剔除方法 Download PDF

Info

Publication number
CN102542565B
CN102542565B CN201110410911.8A CN201110410911A CN102542565B CN 102542565 B CN102542565 B CN 102542565B CN 201110410911 A CN201110410911 A CN 201110410911A CN 102542565 B CN102542565 B CN 102542565B
Authority
CN
China
Prior art keywords
layer
point
match
match point
mismatching
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
Application number
CN201110410911.8A
Other languages
English (en)
Other versions
CN102542565A (zh
Inventor
单小军
唐娉
郑柯
冯峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Institute of Remote Sensing Applications of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201110410911.8A priority Critical patent/CN102542565B/zh
Publication of CN102542565A publication Critical patent/CN102542565A/zh
Application granted granted Critical
Publication of CN102542565B publication Critical patent/CN102542565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Processing Or Creating Images (AREA)

Abstract

本发明公开一种对包含复杂地形的遥感图像进行图像匹配过程中产生的误匹配点进行有效的剔除误匹配点的方法。本发明实施的前提是参与匹配的基准图像包含比较准确的地理坐标。处理过程为：首先对遥感图像进行图像匹配，生成一定数量的匹配点，并依据基准图像对应的数字高程模型(Digital Elevation Model，DEM)建立初始的匹配点层；然后对初始的匹配点层进行合并，合并高程值相近的匹配点层，形成最终的匹配点层；再对原始图像进行网格划分，把每一层的所有匹配点按照坐标分配到不同的网格中，该步骤为可选步骤；最后，在每一层使用随机采样一致性方法(Random Sample Consensus，RANSAC)方法进行误匹配点剔除。

Description

一种用于包含复杂地形遥感图像的误匹配点剔除方法
技术领域    本发明涉及图像处理技术，具体地说，是对地形复杂地区遥感图像的图像匹配过程中产生的误匹配点进行误匹配点剔除的方法，从而有效消除误匹配点，提高匹配精度。 
背景技术    在图像匹配过程中，无论采用何种匹配方法，由于图像光照、几何变形、噪声、地形等因素的影响，使得图像匹配结果中总会存在一定的误匹配点，从而降低了图像匹配精度。因此，如何有效剔除误匹配点是图像匹配过程中一个非常重要的步骤，关系到图像匹配的精度。目前常用的误匹配点剔除方法包括随机采样一致性方法(Random Sample Consensus，RANSAC)和多项式拟合方法。其中，RANSAC方法是从一组包含异常数据的样本数据集中，估计模型参数(模型拟合)的迭代方法。多次迭代后总能计算出正确的模型，剔除与整体模型相差远的点。RANSAC方法已经广泛应用在遥感图像的误匹配点剔除中，并且取得了较好的效果。但是，RANSAC方法也存在缺点，RANSAC方法的缺点是对所有给定的匹配点采用同一个变换模型进行一致性检验，对于平原地区，所有匹配点基本位于同一个平面上，满足相同的变换模型，可以取得很好的剔除效果。但对于山区和丘陵等地形复杂地区，不同的匹配点位于不同的平面上，因此无法使用同一个变换模型来拟合这些点，从而会导致RANSAC方法剔除了部分正确的匹配点，保留了部分错误的匹配点。因此，如果匹配点无法满足同一个变换模型，就无法直接使用RANSAC方法剔除误匹配点。多项式拟合方法也是用多个匹配点来拟合一个变换模型，然后使用该变换模型剔除与模型相差远的匹配点，因此，也无法适用于地形复杂地区。 
在遥感图像匹配中，待匹配的遥感图像称为原始图像，作为匹配基准的图像称为基准图像，一般情况下，基准图像都包含比较准确的地理坐标。因此，为了克服常用误匹配点剔除方法的缺点，本发明针对地形复杂地区遥感图像的误匹配点剔除问题，结合基准图像地理坐标范围对应的数字高程模型(Digital Elevation Model，DEM)，提出了一个合理、高效的解决方法，能有效的剔除匹配点，提高包含复杂地形的遥感图像的图像匹配精度。 
发明内容    本发明公开一种对地形复杂地区遥感图像进行图像匹配过程中产生的误匹配点进行有效的剔除误匹配点的方法。本发明实施的前提是参与匹配的基准图像包含比较准确的地理坐标。 
本发明的基本思路为：首先对地形复杂地区遥感图像进行图像匹配，生成一定数量的匹配点，根据基准图像上匹配点的地理坐标从DEM获得每对匹配点的高程值，把具有相同高程值的匹配点作为同一层，形成初始的匹配点层；然后对初始的匹配点层进行合并，合并高程值相近的匹配点层，形成最终的匹配点层；再对原始图像进行网格划分，网格大小为M×M，网格划分后，把每一层的所有匹配点按照坐标分配到不同的网格中，该步骤为可选步骤；最后，在每一层使用RANSAC方法对该层每个网格中的或全部的匹配点进行误匹配点剔除。 
实现本发明思路的技术方案流程如图1所示，具体步骤描述如下： 
A.对遥感图像进行匹配，生成匹配点； 
B.对于每一对匹配点，根据基准图像上匹配点的地理坐标，从DEM中读取对应的高程值，并把具有相同高程值的匹配点作为同一层，形成初始匹配点层，每个匹配点层包含两个属性：匹配点个数和高程值； 
C.把步骤B中生成的初始匹配点层按照每层包含的匹配点的个数进行排序，然后按照顺序，从最小的匹配点层开始合并，合并到与该层距离最近的一层中，直到无法合并为止； 
D.对原始图像进行网格划分，网格大小为M×M，网格划分后，把每一层的匹配点按照坐标分配到不同的网格中，该步骤为可选步骤； 
E.在每一个匹配点层，使用RANSAC方法对该层的全部匹配点或每个网格内的匹配点进行误匹配点剔除。 
上述实施步骤的特征在于： 
步骤A中的图像匹配可以根据实际情况，选择不同的图像匹配方法，目的是尽可能多的获得一些精度较高的匹配点，尽可能减少误匹配点，从而提高误匹配点的剔除效果。 
步骤B中，DEM必须选择和基准图像地理坐标范围对应的DEM数据，并且DEM数据的分辨率最好和基准图像的分辨率相同，也可以高于或者低于基准图像的分辨率。 
步骤C中，匹配点层数排序可以按照从小到大或者从大到小的顺序，两个层的距离用两个层的高程值的差的绝对值来表示。 
步骤D为可选步骤，对于大区域或者地形非常复杂的图像选择使用该步骤，对于小区域的图像，可以跳过该步骤。网格划分中网格的大小为经验选择，但不能太小，否则可能会导致网格内的误匹配点过多，影响剔除效率。网格大小可以是固定的，比如500×500，也可以固定生成多少个网格，根据图像大小动态计算网格大小。 
步骤E中，如果选择执行步骤D，则使用RANSAC对每层的每个网格进行误匹配点剔除，如果没有选择执行步骤D，则对每层的全部匹配点进行误匹配点剔除。 
和直接的使用RANSAC方法相比，其优点是：利用DEM数据的高程信息，把图像匹配得到的匹配点分成若干层，每层可能被分为若干网格，从而使全部匹配点被分为能满足统一变换模型的若干组，然后分别使用RANSAC剔除误匹配点，克服了现有方法的缺点，有效减少复杂地形对误匹配点剔除的影响，提高了匹配精度；并且算法计算复杂度低，计算速度快，易于实现。 
附图说明    图1是技术方案流程示意图 
图2是匹配点层合并流程示意图 
具体实施方式    现在结合附图，描述本发明的一种具体实施方式。 
依据技术方案流程示意图图1和“发明内容”中的具体描述，误匹配点剔除的过程主要包括：图像匹 配，建立初始匹配点层，合并初始匹配点层，划分网格、分配匹配点，RANSAC分层剔除误匹配点。 
第一步是图像匹配。图像匹配就是结合实际图像，选择一种适合实际图像的匹配方法，生成初始匹配点。不管采用什么匹配方法，一般要求生成的匹配点存在尽可能多的精度较高的匹配点，如果太少就会影响误匹配点剔除的效果。 
第二步是建立初始匹配点层。该步骤是依据与基准图像地理坐标范围对应的DEM数据，按照基准图像上匹配点的地理坐标从DEM数据中读取每一对匹配点对应的高程值，并把具有相同高程值的匹配点作为同一层，对所有匹配点都依次处理完成后就建立了k层初始匹配点层，记为Li，i＝1…k，每个匹配点层都有两个属性：匹配点个数和高程值，分别记为Ni，Ei，表示第i层的匹配点个数和高程值。 
第三步是合并初始匹配点层。根据匹配点对应的高程值建立的初始匹配点层，相邻多个层的距离非常小，从而使多个层都能满足同一个变换模型，并且一部分匹配点层的匹配点个数太少，可能会使一些层存在一半以上的误匹配点，导致RANSAC方法失效。因此，匹配点层合并的目的是合并距离较近的匹配点层，增加每一层的匹配点个数，保证RANSAC方法的剔除效果。 
某一层包含的匹配点越多，其包含的误匹配点的比例就越少，在剔除误匹配点时准确度就越高。因此，在合并时，应该保留匹配点个数较多的层，而把匹配点个数较小的层合并到较多的层中。合并后，合并的结果层匹配点个数发生了变化，需要重新计算，并且把两个对应不同高程值的层进行了合并，因此，合并的结果层的高程值也需要重新计算。 
为了达到匹配点层合并的目的，本发明首先定义如下计算公式： 
(1)第i层和第j层的距离定义为：Dij＝|Ei-Ej|。 
其中，Ei、Ej分别表示第i层和第j层的高程值。 
(2)把第i层合并到第j层后，第j层新的匹配点个数和高程值的计算公式如下： 
Njnew＝Njold+Ni
Ejnew＝w×Ejold+(1-w)×Ei
其中Njnew表示合并后的第j层的匹配点个数，Njold表示合并前的第j层的匹配点个数，Ejnew表示表示合并后的第j层的高程值，Ejold合并前的第j层的高程值。W为权重系数， 
具体合并方法如下： 
(1)匹配点层排序：按照匹配层的匹配点个数进行排序，排序可以按匹配点个数由大到小排序，也可以由小到大排序； 
(2)匹配点层合并：本发明专利定义以下几个阈值，用来进行匹配点层的合并：匹配点层匹配点个 数阈值：N，当某一层的匹配点个数大于阈值N时，就表示该层可以作为独立的一层了，不一定需要合并到其它层了；两个层的距离最大阈值Dmax、最小阈值Dmin，最大Dmax用来约束匹配点个数小于阈值N的匹配点层的合并，大于阈值Dmax表示两个层合并后可能会无法满足同一个变换模型，最小阈值Dmin用来约束匹配点个数大于阈值N的匹配点层的合并，小于阈值Dmin表示虽然两个层的匹配点个数都非常多，但两个层的距离太近，满足同一个变换模型，可以进行合并，这样可以减少合并结果的层数，提高计算效率。 
合并从匹配点个数最小的层开始，依次由小到大进行合并。对于每个待合并的Li层，首先找到与Li层距离最近的Lj层，然后分两种情况判断能否进行合并：(a)如果Ni≤N，表示匹配点个数较少需要合并，如果Dij＜Dmax，则把Li合并到Lj中，否则把Li作为独立的一层，即使该层的匹配点个数较少；(b)如果Ni＞N，则表示该层可以作为独立的一层，但两个独立的层的距离非常近时，是可以满足同一个变换模型的，对于这样的层也应该进行合并。因此，如果Dij＜Dmin，则把Li合并到Lj中，否则把Li作为独立的一层，即使该层的匹配点个数较多。每次合并后按照匹配点个数和高程值计算公式，重新计算Li层的匹配点个数和高程值，这样依次对每个层都进行判断并合并，直到无法合并为止。 
第四步是划分网格、分配匹配点。该步骤是一个可选步骤，根据图像的大小和图像的地物类型进行选择。对于大区域或者地形非常复杂的图像，即使把匹配点进行了分层处理，但对于每一层的匹配点，可能仍然无法满足同一个变换模型，这时就需要选择该步骤，否则就跳过该步骤。 
该步骤的具体方法为：对原始图像进行网格划分，网格大小为M×M，把原始图像分为的若干个网格。然后根据原始图像的匹配点坐标和网格的坐标范围，把每一对匹配点分配到不同的网格中。网格大小可以根据图像的大小、图像的地物类型进行选择，保证网格都有一定数量匹配点。 
对于大区域或者地形非常复杂的图像，进行网格划分后，把同一层的匹配点分配到不同的网格中，这样可以使每个网格内的匹配点满足同一个变换模型，也就可以使用RANSAC方法了。 
第五步是RANSAC分层剔除误匹配点。该步骤是在分层和网格划分的基础上，使用RANSAC方法剔除误匹配点。误匹配点剔除时，对每一层分别进行处理，如果选择了步骤四，则对每一层的各个网格分别使用RANSAC方法剔除误匹配点，否则就直接对每一层的全部匹配点使用RANSAC方法剔除误匹配点。 
本发明主要是解决地形复杂地区遥感图像匹配后的误匹配点剔除问题，针对该问题，本发明结合DEM数据，提出了一个分层剔除误匹配点的方法。本发明的一个实施例在PC平台实现，可以有效剔除遥感图像中的误匹配点，提高图像匹配精度，并且计算复杂度低，计算速度快，易于实现。 

Claims (6)

1.提供一种用于复杂地形遥感图像的误匹配点剔除方法，有效剔除图像匹配过程中产生的误匹配点，其特征在于包括如下步骤： 
A.对遥感图像进行匹配，生成匹配点； 
B.对于每一对匹配点，根据基准图像上匹配点的地理坐标，从数字高程模型(Digital Elevation Model，DEM)中读取对应的高程值，并把具有相同高程值的匹配点作为同一层，形成初始匹配点层，每个匹配点层包含两个属性：匹配点个数和高程值； 
C.把步骤B中生成的初始匹配点层按照每层包含的匹配点的个数进行排序，然后按照顺序，从最小的匹配点层开始合并，合并到与该层距离最近的一层中，直到无法合并为止；匹配点层合并时，从匹配点个数最小的层开始依次由小到大进行合并，并使用两个层的匹配点个数和两个层的距离作为是否合并的判断准则；具体合并步骤如下：对于每个待合并的Li层，首先找到与Li层距离最近的Lj层，然后分两种情况判断能否进行合并：(a)第i层的匹配点个数Ni≤N，如果Dij＜Dmax，则把Li合并到Lj中，否则把Li作为独立的一层；(b)第i层的匹配点个数Ni＞N，如果Dij＜Dmin，则把Li合并到Lj中，否则把Li作为独立的一层；其中，N、Dmax、Dmin为给定的阈值，i=1…k，j=1…k，k为步骤B中生成的匹配点层数，Dij表示第i层和第j层的距离定义为：Dij=|Ei-Ej|，Ei、Ej分别表示第i层和第j层的高程值；匹配点层合并后，需要重新计算合并后的匹配点层的匹配点个数和高程值； 
D.对待匹配的原始图像进行网格划分，网格大小为M×M，网格划分后，把每一层的匹配点按照坐标分配到不同的网格中，该步骤为可选步骤； 
E.在每一个匹配点层，使用随机采样一致性方法(Random Sample Consensus，RANSAC)对该层的全部匹配点或每个网格内的匹配点进行误匹配点剔除。 
2.根据权利要求1中所述的误匹配点剔除方法，其特征在于：步骤A中的图像匹配可以选择现有的各种图像匹配方法，选择的图像匹配方法要能够获得尽可能多的精度较高的匹配点，并尽可能减少误匹配点。 
3.根据权利要求1中所述的误匹配点剔除方法，其特征在于：步骤B中，数字高程模型必须选择和基准图像地理坐标范围对应的数字高程模型数据，并且数字高程模型数据的分辨率和基准图像的分辨率相同。 
4.根据权利要求1中所述的误匹配点剔除方法，其特征在于：步骤C中，匹配点层排序可以按照从小到大或者从大到小的顺序；两个层的距离用两个层的高程值的差的绝对值来表示 。
5.根据权利要求1中所述的误匹配点剔除方法，其特征在于：步骤D为可选步骤，对于大区域的图像选择使用该步骤，对于小区域的图像，可以跳过该步骤，网格划分中网格的大小为经验选择。 
6.根据权利要求1中所述的误匹配点剔除方法，其特征在于：步骤E中，如果选择执行步骤D，则对每层的每个网格进行误匹配点剔除，如果没有选择执行步骤D，则对每层的全部匹配点进行误匹配点剔除。 
CN201110410911.8A 2011-12-12 2011-12-12 一种用于包含复杂地形遥感图像的误匹配点剔除方法 Active CN102542565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110410911.8A CN102542565B (zh) 2011-12-12 2011-12-12 一种用于包含复杂地形遥感图像的误匹配点剔除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110410911.8A CN102542565B (zh) 2011-12-12 2011-12-12 一种用于包含复杂地形遥感图像的误匹配点剔除方法

Publications (2)

Publication Number Publication Date
CN102542565A CN102542565A (zh) 2012-07-04
CN102542565B true CN102542565B (zh) 2014-07-23

Family

ID=46349387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110410911.8A Active CN102542565B (zh) 2011-12-12 2011-12-12 一种用于包含复杂地形遥感图像的误匹配点剔除方法

Country Status (1)

Country Link
CN (1) CN102542565B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390115B (zh) * 2013-08-02 2016-08-31 国家卫星海洋应用中心 一种海洋卫星遥感观测数据匹配方法和系统
CN109150571B (zh) * 2017-06-27 2021-10-12 中国电信股份有限公司 网格映射方法和装置
CN109325510B (zh) * 2018-07-27 2021-06-08 华南理工大学 一种基于网格统计的图像特征点匹配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024154A (zh) * 2010-11-26 2011-04-20 中国科学院遥感应用研究所 一种用于图像匹配的控制点均匀化方法
CN102073990A (zh) * 2010-11-26 2011-05-25 中国科学院遥感应用研究所 一种遥感图像自动几何纠正的系统框架和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060215935A1 (en) * 2004-04-02 2006-09-28 The Boeing Company System and architecture for automatic image registration
US7773799B2 (en) * 2004-04-02 2010-08-10 The Boeing Company Method for automatic stereo measurement of a point of interest in a scene

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024154A (zh) * 2010-11-26 2011-04-20 中国科学院遥感应用研究所 一种用于图像匹配的控制点均匀化方法
CN102073990A (zh) * 2010-11-26 2011-05-25 中国科学院遥感应用研究所 一种遥感图像自动几何纠正的系统框架和方法

Also Published As

Publication number Publication date
CN102542565A (zh) 2012-07-04

Similar Documents

Publication Publication Date Title
CN106778502B (zh) 一种基于深度残差网络的人群计数方法
CN105651263B (zh) 浅海水深多源遥感融合反演方法
CN110659664B (zh) 一种基于ssd的高精度识别小物体的方法
CN106570468A (zh) 一种重建LiDAR原始点云建筑物轮廓线的方法
CN106372648A (zh) 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN105528785A (zh) 一种双目视觉图像立体匹配方法
CN110009691A (zh) 基于双目立体视觉匹配的视差图像生成方法及系统
CN111046917B (zh) 基于深度神经网络的对象性增强目标检测方法
CN111046767B (zh) 一种基于单目图像的3d目标检测方法
CN103136750B (zh) 双目视觉系统的立体匹配优化方法
CN103310481A (zh) 一种基于模糊熵迭代的点云精简方法
CN107238844A (zh) 基于激光点云雷达数据进行输电线路通道断面图制作方法
CN111028335B (zh) 一种基于深度学习的点云数据的分块面片重建方法
CN108682029A (zh) 多尺度密集匹配方法和系统
CN104751479A (zh) 基于tin数据的建筑物提取方法和装置
CN113610905B (zh) 基于子图像匹配的深度学习遥感图像配准方法及应用
CN102542565B (zh) 一种用于包含复杂地形遥感图像的误匹配点剔除方法
CN104835196A (zh) 一种车载红外图像彩色化三维重建方法
CN106874913A (zh) 一种菜品检测方法
CN112215847A (zh) 基于对抗学习多尺度特征的重叠染色体自动分割方法
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN111259950A (zh) 一种基于3d模型训练yolo神经网络的方法
CN111222453B (zh) 基于密集连接和几何结构约束的遥感影像变化检测方法
CN116935226A (zh) 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质
CN109284667B (zh) 一种面向视频的三流式人体运动行为空间域检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent for invention or patent application
CB02 Change of applicant information

Address after: 100101 Beijing city Chaoyang District Datun Road No. 20 North Chinese Academy of Sciences, Institute of remote sensing and digital earth

Applicant after: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences

Address before: 100101 Beijing city Chaoyang District Datun Road World Science Park of Chinese Academy of Sciences

Applicant before: Inst. of Remote Sensing Application, Chinese Academy of Sciences

COR Change of bibliographic data

Free format text: CORRECT: APPLICANT; FROM: INST. OF REMOTE SENSING APPLICATION, CHINESE ACADEMY OF SCIENCES TO: INSTITUTE OF REMOTE SENSING AND DIGITAL EARTH CHINESE ACADEMY OF SCIENCES

C14 Grant of patent or utility model
GR01 Patent grant