CN102968787A - 基于点特征的图像适配性判断方法 - Google Patents
基于点特征的图像适配性判断方法 Download PDFInfo
- Publication number
- CN102968787A CN102968787A CN2012104104072A CN201210410407A CN102968787A CN 102968787 A CN102968787 A CN 102968787A CN 2012104104072 A CN2012104104072 A CN 2012104104072A CN 201210410407 A CN201210410407 A CN 201210410407A CN 102968787 A CN102968787 A CN 102968787A
- Authority
- CN
- China
- Prior art keywords
- reference map
- image
- unique point
- suitability
- real
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点特征的图像适配性判断方法,其步骤为:(1)结合基准图数据库和实时图得到最优退化模型,即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围,最终输出一组理想最优退化模型;(2)利用最优退化模型参数结合基准图数据库进行图像适配性评价,得到基准图图像集合的适配性排序结果;即,通过输入基准图数据库中的基准图图像集合、由上述步骤(1)得到的一组最优退化模型,最终输出基准图图像集合的适配性排序结果。本发明原理简单,能够方便快捷地定性分析图像适配性,并可提高图像配准任务的成功率。
Description
技术领域
本发明主要涉及到图像分析领域,特指一种基于点特征的图像适配性判断方法。
背景技术
图像适配性评价是评价图像是否适合匹配,它是在需要图像匹配的任务前选择合适匹配区域的区域作为基准图,是提高匹配任务成功率的重要保障。
图像配准方法可以分为两种:基于区域的配准方法和基于特征的配准方法。现有适配性分析都是基于区域配准方法进行的,而近些年来随着点特征匹配方法的蓬勃发展,如SIFT、SURF、FAST、BIRSK等,它们在图像配准领域中展示了有益的性能,成为国内外研究的热点,而基于点特征的适配性判断方法还未见有学者进行研究。因此,亟需一种基于点特征的图像适配性评价方法。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、能够方便快捷地定性分析图像适配性、可提高图像配准任务的成功率的基于点特征的图像适配性判断方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于点特征的图像适配性判断方法,其步骤为:
(1)结合基准图数据库和实时图得到最优退化模型,即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围,最终输出一组理想最优退化模型;
(2)利用最优退化模型结合基准图数据库进行图像适配性评价,得到基准图图像集合的适配性排序结果;即,通过输入基准图数据库中的基准图图像集合、由上述步骤(1)得到的一组最优退化模型,最终输出基准图图像集合的适配性排序结果。
作为本发明的进一步改进:
所述步骤(1)的具体步骤为:
步骤1.1、对基准图数据库中的基准图Iref与实时图Iobs进行灰度归一化预处理,用特征提取算法进行特征提取,得到基准图特征点集合Fref和实时图特征点集合Fobs,根据下式(6),得到真点集合Freal,其中f为图像的特征点;
对一幅参考图Iref和相应的实时图Iobs,定义真点集合为Freal:
步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2v…m·v}的m次退化,m为自然数,v为退化模型的参数,对这m次图像进行特征提取,得到特征点集合的集合ΩF={F1,F2,…,Fm};
步骤1.3、根据Fref及ΩF,由下式(7)计算Fref中所有特征点的重复性RF;
定义特征点的重复性RF为:
步骤1.4、由下式(8)对Fref中的特征点进行排序,得到FO序列,表示对原特征点的序列进行重新排序后所得到新的序列中第k个位置的特征点,F0为对基准图进行特征提取,得到特征点集合,m为实验次数,O为排序算子;
步骤1.5、根据FO序列及真点集合Freal绘制真点率曲线,计算积分选取积分值最大的退化模型及参数范围作为优化退化模型;其中,定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合Freal的比率,FO(c)为FO序列前c%的特征点对应的集合。
所述步骤(2)的具体步骤为:
步骤2.1、对基准图数据库中基准图进行灰度归一化预处理,用步骤(1)得到的最优退化模型对其进行m次退化,得到m幅图像;再分别提取特征,得到特征点集合的集合ΩF={F1,F2,…,Fm};
步骤2.2、对基准图进行特征提取,得到特征点集合F0;根据F0和ΩF,由上式(7)计算F0中所有特征点的重复性RF;
步骤2.3、由上式(8)对F0中的特征点进行排序,得到FO序列;再由下式(9)计算适配性评价函数g,根据每幅基准图计算出的适配性评价函数,在基准图图像集合中给出适配性排序结果:
其中,FO(c)为FO序列前c%的特征点对应的集合,RFO(c)为FO(c)集合中所有特征点对应的最低RF,定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合Freal的比率,t为实验次数,|Fref|为特征点个数。
与现有技术相比,本发明的优点在于:本发明的图像适配性判断方法,是通过分析基准图在退化情况下特征点数目和稳健程度来度量图像的适配性,利用少量的实时图和对应的基准图选择合适的退化模型,建立适配性评价函数,最终能对给定的基准图进行适配性判断;本发明能对给定的一个基准图图像集合进行适配性排序,从而指导图像配准的基准图选择,提高图像配准任务的成功率。
附图说明
图1是本发明的流程示意图。
图2是本发明中最优退化模型参数选择阶段的流程示意图。
图3是本发明中适配性评价阶段的流程示意图。
图4是本发明在具体应用实例的SAR图像数据示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
基于点特征的配准方法可以分为特征点检测和描述子生成两个阶段。对于一种特定特征点检测算子,无论描述算子如何建立,都是寻找不同图源相同位置特征点的相似关系。因此,本发明方法的原理就是通过分析基准图在退化情况下特征点数目和稳健程度来度量图像的适配性,其是一种基于点特征配准算法的适配性分析机制,利用少量的实时图和对应的基准图选择合适的退化模型,建立适配性评价函数,最终能对给定的基准图进行适配性判断。
对一幅数字图像I,可以先定义检测出的特征集合为
F=FD(I)={f1,f2,…,fn} (1)
定义ep为像素误差,其中p为允许像素误差;有:
a)对特征f1和特征f2,有
b)对特征f1和特征集合F1,有
c)对特征集合F1和特征集合F2,有
对图像I1和I2,定义图像的重复率RI为
其中,|F1|和|F2|为特征点集合F1、F2的特征点个数。
如图1所示,本发明的基于点特征的图像适配性判断方法,其步骤为:
1、结合基准图数据库和实时图得到最优退化模型,即通过输入严格对准的基准图数据库中的基准图与相应的实时图、几种退化模型及参数范围,最终输出一组理想退化模型,其对应参数为{v 2v…m·v}。
2、利用最优退化模型参数结合基准图数据库进行图像适配性评价,得到基准图图像集合的适配性排序结果;即,通过输入基准图数据库中的基准图图像集合、由步骤1得到的一组最优退化模型,最终输出基准图图像集合的适配性排序结果。
通过按照上面的流程,计算出各幅基准图的适配性评价函数,可以对其进行适配性排序,从而指导选择合适的基准图进行配准。
如图2所示,本发明中进行最优退化模型参数选择阶段的具体过程为:
步骤1.1、对基准图数据库中的基准图Iref与实时图Iobs进行灰度归一化预处理,用特征提取算法进行特征提取,基准图特征点集合Fref和实时图特征点集合Fobs,根据下式(6),得到真点集合Freal,其中f为图像的特征点。
对一幅参考图Iref和相应的实时图Iobs,定义真点集合为Freal:
步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2v…m·v}的m次退化,m为自然数,v为退化模型的参数,对这m次图像进行特征提取,得到特征点集合的集合ΩF={F1,F2,…,Fm}。
步骤1.3、根据Fref及ΩF,由下式(7)计算Fref中所有特征点的重复性RF。
步骤1.4、由下式(8)对Fref中的特征点进行排序,得到FO序列。表示对原特征点的序列进行重新排序后所得到新的序列中第k个位置的特征点,F0为对基准图进行特征提取,得到特征点集合,m为实验次数,另O为排序算子,有:
步骤1.5、根据FO序列及真点集合Freal绘制真点率曲线,计算积分选取积分值最大的退化模型及参数范围作为优化退化模型。其中,定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合Freal的比率,FO(c)为FO序列前c%的特征点对应的集合。
如图3所示,本发明中进行图像适配性评价的具体过程为:
步骤2.1、对基准图数据库中基准图进行灰度归一化预处理,用步骤1得到的最优退化模型对其进行m次退化,得到m幅图像;再分别提取特征,得到特征点集合的集合ΩF={F1,F2,…,Fm}。
步骤2.2、对基准图进行特征提取,得到特征点集合F0;根据F0和ΩF,由上式(7)计算F0中所有特征点的重复性RF。
步骤2.3、由上式(8)对F0中的特征点进行排序,得到FO序列;再由下式(9)计算适配性评价函数g,根据每幅基准图计算出的适配性评价函数,能在基准图图像集合中给出适配性排序结果。
令FO(c)为FO序列前c%的特征点对应的集合,RFO(c)为FO(c)集合中所有特征点对应的最低RF,定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合Freal的比率,t为实验次数,Fref|为特征点个数;令适配性评价函数为:
如图4所示,为一个具体的应用实施例,取10幅大小为256x256的5米分辨率的C、L波段的对应图像对作为实验数据,其中以L波段图像作为基准图,以C波段图像作为实时图,以FAST算子为例进行适配性判断,下表1为真实适配性结果。
表1 10组SAR图像真实适配性
下表2为本算例采用的退化模型及参数范围,以及通过本方法计算出的sum值,选取sum值最大的模型作为最优退化模型,得到的适配性排序结果如表3所示。
表2退化模型参数
表3 10组SAR图像适配性评价值
上述结论在一定误差范围内基本正确。
综上所述,本发明的方法能够简单、方便、快捷地定性分析图像适配性,对图像配准适配区的选择具有重要的理论意义和实用价值。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (3)
1.一种基于点特征的图像适配性判断方法,其特征在于,步骤为:
(1)结合基准图数据库和实时图得到最优退化模型,即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围,最终输出一组理想最优退化模型;
(2)利用最优退化模型结合基准图数据库进行图像适配性评价,得到基准图图像集合的适配性排序结果;即,通过输入基准图数据库中的基准图图像集合、由上述步骤(1)得到的一组最优退化模型,最终输出基准图图像集合的适配性排序结果。
2.根据权利要求1所述的基于点特征的图像适配性判断方法,其特征在于,所述步骤(1)的具体步骤为:
步骤1.1、对基准图数据库中的基准图Iref与实时图Iobs进行灰度归一化预处理,用特征提取算法进行特征提取,得到基准图特征点集合Fref和实时图特征点集合Fobs,根据下式(6),得到真点集合Freal,其中f为图像的特征点;
对一幅参考图Iref和相应的实时图Iobs,定义真点集合为Freal:
其中,
步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2v…m·v}的m次退化,m为自然数,v为退化模型的参数,对这m次图像进行特征提取,得到特征点集合的集合ΩF={F1,F2,…,Fm};
步骤1.3、根据Fref及ΩF,由下式(7)计算Fref中所有特征点的重复性RF;
定义特征点的重复性RF为:
步骤1.4、由下式(8)对Fref中的特征点进行排序,得到FO序列,表示对原特征点的序列进行重新排序后所得到新的序列中第k个位置的特征点,F0为对基准图进行特征提取,得到特征点集合,n0为特征点集合F1中特征点的个数,O为排序算子;
3.根据权利要求2所述的基于点特征的图像适配性判断方法,其特征在于,所述步骤(2)的具体步骤为:
步骤2.1、对基准图数据库中基准图进行灰度归一化预处理,用步骤(1)得到的最优退化模型对其进行m次退化,得到m幅幅图像;再分别提取特征,得到特征点集合的集合ΩF={F1,F2,…,Fm};
步骤2.2、对基准图进行特征提取,得到特征点集合F0;根据F0和ΩF,由上式(7)计算F0中所有特征点的重复性RF;
步骤2.3、由上式(8)对F0中的特征点进行排序,得到FO序列;再由下式(9)计算适配性评价函数g,根据每幅基准图计算出的适配性评价函数,在基准图图像集合中给出适配性排序结果:
其中,FO(c)为FO序列前c%的特征点对应的集合,RFO(c)为FO(c)集合中所有特征点对应的最低RF,定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合Freal的比率,t为实验次数,|Fref|为特征点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210410407.2A CN102968787B (zh) | 2012-10-24 | 2012-10-24 | 基于点特征的图像适配性判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210410407.2A CN102968787B (zh) | 2012-10-24 | 2012-10-24 | 基于点特征的图像适配性判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968787A true CN102968787A (zh) | 2013-03-13 |
CN102968787B CN102968787B (zh) | 2016-01-06 |
Family
ID=47798913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210410407.2A Active CN102968787B (zh) | 2012-10-24 | 2012-10-24 | 基于点特征的图像适配性判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968787B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392234A (zh) * | 2014-11-27 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317383A1 (en) * | 2005-12-22 | 2008-12-25 | Koninklijke Philips Electronics, N.V. | Adaptive Point-Based Elastic Image Registration |
CN102005047A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像配准系统及其方法 |
CN102141399A (zh) * | 2010-12-16 | 2011-08-03 | 西北工业大学 | 基于动态关键帧的非适配区景象匹配方法 |
-
2012
- 2012-10-24 CN CN201210410407.2A patent/CN102968787B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317383A1 (en) * | 2005-12-22 | 2008-12-25 | Koninklijke Philips Electronics, N.V. | Adaptive Point-Based Elastic Image Registration |
CN102005047A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像配准系统及其方法 |
CN102141399A (zh) * | 2010-12-16 | 2011-08-03 | 西北工业大学 | 基于动态关键帧的非适配区景象匹配方法 |
Non-Patent Citations (3)
Title |
---|
ZHAOHUI YANG等: "Predicting the Suitability for Scene Matching Using SVM", 《INTERNATIONAL CONFERENCE ON AUDIO,LANGUAGE AND IMAGE PROCESSING,2008》 * |
任三孩等: "SAR图像适配区选择方法", 《国防科技大学学报》 * |
卜彦龙等: "面向SAR匹配辅助导航的景象区域适配性", 《光学精密工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392234A (zh) * | 2014-11-27 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
CN104392234B (zh) * | 2014-11-27 | 2017-11-07 | 中国人民解放军国防科学技术大学 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN110728705B (zh) * | 2019-09-24 | 2022-07-15 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102968787B (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279759B (zh) | 一种基于卷积神经网络的车辆前方可通行性分析方法 | |
CN103810299B (zh) | 基于多特征融合的图像检索方法 | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN108229444A (zh) | 一种基于整体和局部深度特征融合的行人再识别方法 | |
CN102110227B (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
Li | Remotely sensed images and GIS data fusion for automatic change detection | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
CN102024152B (zh) | 一种基于稀疏表达和字典学习进行交通标志识别的方法 | |
CN108288014A (zh) | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN105930867A (zh) | 一种基于时间序列夜光遥感影像的数据挖掘方法 | |
CN104077705A (zh) | 基于svm的景区电子商务推送方法及系统 | |
CN104361342A (zh) | 一种基于几何不变形状特征的在线植物物种识别方法 | |
CN107729922A (zh) | 基于深度学习超分辨率技术的遥感图像道路提取方法 | |
CN105787488A (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
CN104331686A (zh) | 一种土壤地表秸秆覆盖率人工辅助识别系统 | |
Chu et al. | MFGAN: Multi feature guided aggregation network for remote sensing image | |
CN103839075A (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
CN102968787A (zh) | 基于点特征的图像适配性判断方法 | |
Soltani et al. | Efficiency of Google Earth Engine (GEE) system in land use change assessment and predicting it using CA-Markov model (Case study of Urmia plain) | |
CN106295662A (zh) | 一种车标识别方法和系统 | |
CN105205161A (zh) | 一种基于互联网图片的同时目标搜索与分割方法 | |
CN110472092A (zh) | 一种街景图片的地理定位方法及系统 |
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 |