CN103544711A - 遥感影像的自动配准方法 - Google Patents
遥感影像的自动配准方法 Download PDFInfo
- Publication number
- CN103544711A CN103544711A CN201310554179.0A CN201310554179A CN103544711A CN 103544711 A CN103544711 A CN 103544711A CN 201310554179 A CN201310554179 A CN 201310554179A CN 103544711 A CN103544711 A CN 103544711A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- registration
- image piece
- piece
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感影像的自动配准方法,将待配准影像配准后的第一配准影像及基准影像按照预定尺寸的规则格网进行了划分,又将划分后的子影像块对中,距离子影像块右下角最近的同名点作为格网划分的交点,生成不规则矩形格网,提高了同名点的均匀度,使同名点分布稀疏的区域的配准精度提高,进而提高整体影像的配准精度;再将不规则矩形格网扩展生成一级子影像块对并进行配准,将配准后的一级子影像块裁剪其所扩展的部分生成修订后的第一配准影像的子影像块,裁去了配准后的可能产生变形边缘区域,最后拼接修订后的第一配准影像的子影像块得到配准后的影像,克服了影像局部变形导致的子影像块地物不完全对应问题,进一步提高了影像的配准精度。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及遥感影像的自动配准方法。
背景技术
影像配准是影像处理、信息集成与分析的最重要环节之一,也是图像拼接、图像融合以及超分辨率重建等技术的基础和重要步骤,在计算机视觉、卫星影像处理以及医学诊断与治疗等领域有广泛的应用。高精度的影像配准可以使后续处理更高效,处理结果更优良。以卫星影像为例,影像配准是在同一场景的两幅或多幅多源影像中,选取基准影像和待配准影像,参考基准影像地物间的几何位置关系,利用预定的匹配算法在基准影像和待配准影像之间识别同名点并将待配准影像上的同名点做几何纠正,使纠正后的待配准影像上的地物间几何位置关系与基准影像一致(同名点位置完全对应)。
相关技术中,使用预定算法获取待配准影像与基准影像的特征点;对待配准影像与基准影像的特征点进行匹配,获取同一目标点在待配准影像与基准影像上的构像点作为同名点;使用二次多项式纠正待配准影像上与基准影像的同名点进行待配准影像与基准影像的配准,使待配准影像的地物间的几何位置关系与基准影像一致,得到第一配准影像;将第一配准影像和基准影像按照预定尺寸的规则格网分块,获取对应同一地理区域或空间范围的配对的子影像块作为子影像块对;将第一配准影像的子影像块和基准影像的子影像块中对应同一地理区域或空间范围的子影像块配对生成子影像块对;使用预定的匹配算法提取子影像块对的特征点;对子影像块对的特征点进行匹配,获取子影像块对的同名点,使用二次多项式纠正子影像块对的同名点进行子影像块的配准,使待配准影像的地物间的几何位置关系与基准影像一致,获取待配准影像配准后的子影像块;依据基准影像的子影像块,拼接待配准影像配准后的子影像块得到待配准影像配准后的影像。
尽管相关技术中对待配准影像进行了配准,但由于待配准影像及基准影像中的特征点分布不均匀,因此选取的同名点不均匀,在进行二次多项式纠正时,位于同名点附近的像素会具有较高的纠正精度,离同名点越远的像素纠正的精度越低。因此,采用规则格网划分子影像块对,会使得划分后的子影像块的同名点的均匀度较低,导致在同名点分布稀疏的区域的配准精度较低,降低整体影像的配准精度;并且由于配准可能产生子影像块的边缘区域的变形,会导致子影像块的地物不完全对应,进一步降低影像的配准精度。
发明内容
本发明的目的在于提供遥感影像的自动配准方法,以解决上述的问题。
在本发明的实施例中提供了遥感影像的自动配准方法,包括:
S101:获取第一配准影像;
S102:将所述第一配准影像和基准影像分别划分为子影像块,将第一配准影像的子影像块与基准影像的子影像块组成子影像块对,获取子影像块对的同名点;
S103:将所述子影像块对按行号及列号进行标记,将行号等于列号的所述子影像块对中,距离子影像块右下角最近的同名点作为格网划分的交点生成不规则矩形格网;
S104:将所述不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块;
S105:将所述第一配准影像的一级子影像块与所述基准影像的一级子影像块配准;
S106:将配准后的所述第一配准影像的一级子影像块中,所述扩展的像素裁减掉,生成修订后的第一配准影像的子影像块;
S107:依据所述基准影像,拼接所述修订后的第一配准影像的子影像块,获取待配准影像配准后的影像。
本发明上述实施例的遥感影像的自动配准方法,将待配准影像配准后的第一配准影像及基准影像按照预定尺寸的规则格网进行了划分,又将划分后的子影像块对中,距离子影像块右下角最近的同名点作为格网划分的交点,生成不规则矩形格网,提高了同名点的均匀度,使同名点分布稀疏的区域的配准精度提高,进而提高整体影像的配准精度;在此基础上将不规则矩形格网进行扩展生成一级子影像块对并进行配准,将配准后的一级子影像块裁剪生成修订后的第一配准影像的子影像块,裁去了由于配准所带来的子影像块的边缘区域可能产生的变形,最后拼接修订后的第一配准影像的子影像块得到配准后的影像,克服了影像局部变形导致的子影像块地物不完全对应问题,进一步提高了影像的配准精度。
附图说明
图1示出了本发明的遥感影像的自动配准方法的一种实施例的示意图;
图2示出了本发明的遥感影像的自动配准方法的另一种实施例的示意图;
图3示出了本发明的遥感影像的自动配准方法中将第一配准影像和基准影像用规则格网划分为子影像块对的一种实施例的示意图;
图4示出了图3中的子影像块对将位于最右侧和最底部的规则格网影像块与边缘影像块合并的一种实施例的示意图;
图5示出了图4中的子影像块中行号等于列号的子影像块的一种实施例的示意图;
图6示出了图5中的行号等于列号的子影像块选取右下角的同名点的一种实施例的示意图;
图7示出了图6中的按照行号等于列号的子影像块右下角的同名点作为格网划分的交点生成不规则矩形格网的一种实施例的示意图;
图8示出了图7中的不规则矩形格网向四周扩张预设个数的像素生成一级子影像块的一种实施例的示意图;
图9示出了图8中的一级子影像块按照预设个数的规则格网划分为二级子影像块的一种实施例的示意图。
具体实施方式
本发明中的名词解释如下:
基准影像:影像匹配时,作为匹配基准的参考影像。
待配准影像:影像匹配时,需要将影像坐标纠正到以参考影像为基准的坐标系下的待匹配影像。
特征点:特征点是反映地物类型或区域地理分布特征的点。在地图上具有准确的地理位置和明确的地理属性及含义。大致包含:①独立地物点;②线型要素或面状要素边界线的拐点或折点;③各种线状要素及面状要素边线之间的交叉点等。通过这些点,在地理信息系统中建立起不同地理类型间的拓扑关系。
同名点:即同名像点,同一目标点在不同像片上的构像点。
子影像块对:子影像块是根据影像划分规则于原始影像中划分出的子级影像块(其空间范围小于原始影像)。子影像块对指分别从基准影像和待配准影像中划分出,对应同一地理区域或空间范围的配对的子影像块。
下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
遥感影像的自动配准方法,如图1所示,包括:
S101:获取第一配准影像;
S102:将所述第一配准影像和基准影像分别划分为子影像块,将第一配准影像的子影像块与基准影像的子影像块组成子影像块对,获取子影像块对的同名点;
其中,划分子影像块包括:
如图3所示,以图像大小为4420(像素行号)*4780(像素列号)的影像为例:
将基准影像和第一配准影像分别按大小为500*500像素的规则格网分块。其中,以左上角像素点(即(0,0)点)为起始点进行划分。由于影像大小不为500的倍数,规则格网分块时会出现500*500、500*280、420*500、420*780四种大小的影像块。
如图4所示,根据离影像右下角最近的大小为500*500的正对角线影像块(如图中影像块A)的位置,将位于其右侧及底部的500*500影像块与边缘影像块合并(即500*280与420*500两种),生成大小在500*500-1000*1000之间的影像块。
对每一个子影像块按格网位置进行编号(i,j),其中i为格网行序号,j为格网列序号,其中i,j=1,2,3,……,n(如图3所示,本示例中i,j=1,2,3,……,9)。该规则格网大小可根据实际情况进行调整,以提高影像配准精度和效率;
S103:将子影像块对按行号及列号进行标记,将行号等于列号的所述子影像块对中,距离子影像块右下角最近的同名点作为格网划分的交点生成不规则矩形格网;
其中,以图4中的子影像块对为例,按行号及列号进行标记,如图5所示,分别提取按规则格网划分后的基准影像和待配准影像上位于正对角线上的对应影像块,即子影像块编号i=j的影像块,使用SURF算法快速选取每一个正对角线子影像块的特征点,匹配基准影像和待配准影像对应位置的子影像块的特征点,获得一系列子影像块对的同名点;在每对子影像块中选择最靠近右下角的同名点作为该影像块的不规则矩形格网节点。如图6所示以编号为(4,4)的正对角线影像块为例选取不规则矩形格网节点,作为格网划分的交点生成不规则矩形格网。
如图7所示,依据对角线上每一个子影像块的不规则矩形格网节点的行列号,形成基于特征的不规则矩形格网,其中对角线上编号为(n,n)的影像块不规则矩形格网节点用整景影像右下角像素代替。
如图7所示,每一个圆点代表相应位置的正对角线子影像块的不规则矩形格网节点,根据不规则矩形格网节点位置形成于特征的不规则矩形格网。
S104:将不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块;
其中,以图7中的不规则矩形格网为例,依据不规则矩形格网,将基准影像和待配准影像划分成地物基本对应的重叠一级子影像块对。划分一级子影像块时,采取重叠区域压盖策略,将每个子影像块对根据其对应不规则矩形格网,向四周拓展m个像素,使得相邻子影像块之间形成重叠区域。如图8所示,本示例中原始子影像块左上角像素行列号为(a,b)、左下角为(c,b)、右上角为(a,d)、右下角为(c,d),则拓展后的一级影像块左上角像素行列号为(a-m,b-m)、左下角为(c+m,b-m)、右上角为(a-m,d+m)、右下角为(c+m,d+m)。
其中m的大小可依据遥感影像的具体情况进行调整,以便提高遥感影像匹配效率和精度,并更好的实现分块配准之后的整景影像无缝拼接。一般例如遥感影像配准前后变形相对小的平原地区,m取较小值,以便减少计算量,而例如影像配准前后变形较大的山地,m取较大值,以便更好地无缝拼接。
S105:将第一配准影像的一级子影像块与基准影像的一级子影像块配准;
S106:将配准后的第一配准影像的一级子影像块中,扩展的像素裁剪掉,生成修订后的第一配准影像的子影像块;
S107:依据基准影像,拼接修订后的第一配准影像的子影像块,获取待配准影像配准后的影像。
本发明上述实施例的遥感影像的自动配准方法,将待配准影像配准后的第一配准影像及基准影像按照预定尺寸的规则格网进行了划分,又将划分后的子影像块右下角的同名点作为格网划分的交点,生成不规则矩形格网,提高同名点的均匀度,进而提高整体影像的配准精度;在此基础上将不规则矩形格网进行扩展生成一级子影像块对并进行配准,将配准后的一级子影像块裁剪生成修订后的第一配准影像的子影像块,裁去了由于配准所带来的子影像块的边缘区域可能产生的变形,最后拼接修订后的第一配准影像的子影像块,得到配准后的影像,克服了影像局部变形导致的子影像块地物不完全对应问题,进一步提高了影像的配准精度。
优选的,在上述的遥感影像的自动配准方法中,如图8所示,将不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:将不规则矩形格网中的每一个网格分别向四周扩展40个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
依据不规则矩形格网,将基准影像和待配准影像划分成地物基本对应的重叠一级子影像块对。划分一级子影像块时,采取重叠区域压盖策略,将每个子影像块对根据其对应不规则矩形格网,向四周拓展m(一般m=40)个像素,使得相邻子影像块之间形成重叠区域。
上述实施例中所扩展的像素通常根据影像配准前后变形的大小来确定,以便可以将匹配后的影像的变形区域裁剪掉,克服了影像局部变形导致的子影像块地物不完全对应问题,提高影像匹配的效率和精度,更好的实现分块配准并裁剪边缘变形区域之后的整景影像无缝拼接。
优选的,在上述的遥感影像的自动配准方法中,将不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:若遥感影像为平原地区的遥感影像,将不规则矩形格网中的每一个网格分别向四周扩展20个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
由于平原地区的遥感影像在遥感影像配准前后变形较小,通过将不规则矩形格网中的每一个网格分别向四周扩展20个像素,就可以将匹配后的遥感影像的变形区域裁剪掉,克服了遥感影像局部变形导致的子影像块地物不完全对应问题,提高遥感影像匹配的效率和精度,更好的实现分块配准并裁剪边缘变形区域之后的整景影像无缝拼接。
优选的,在上述的遥感影像的自动配准方法中,将不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:若遥感影像为山地地区的遥感影像,将不规则矩形格网中的每一个网格分别向四周扩展80个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
由于山地地区的遥感影像在遥感影像配准前后变形较大,通过将不规则矩形格网中的每一个网格分别向四周扩展80个像素,才可以将匹配后的遥感影像的变形区域裁剪掉,克服了遥感影像局部变形导致的子影像块地物不完全对应问题,提高遥感影像匹配的效率和精度,更好的实现分块配准并裁剪边缘变形区域之后的整景影像无缝拼接。
优选的,在上述的遥感影像的自动配准方法中,将第一配准影像的一级子影像块与基准影像的一级子影像块配准包括:将第一配准影像的一级子影像块与基准影像的一级子影像块组成一级子影像块对,将一级子影像块对按照预设个数的规则格网划分为二级子影像块对;遍历二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对;将二级子影像块的特征点对的坐标换算至一级子影像块对,生成一级子影像块对的特征点对;剔除一级子影像块对的特征点对的误配特征点对,获取剔除误配特征点对后的特征点对;根据剔除误配特征点对后的特征点对,进行第一配准影像的一级子影像块与基准影像的一级子影像块的配准,使第一配准影像的一级子影像块与基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块。
其中的坐标换算是指将二级子影像块的“特征点对的坐标”换算至一级子影像块对生成一级子影像块对的“特征点对的坐标”。对子影像块提取特征点时,是将子影像块当做一幅独立的影像进行操作,提取出的特征点位置信息记录的是该点在该子影像块中的行列号。从二级子影像块中提取出的特征点位置信息是指特征点在二级子影像块中的相对位置,而二级子影像块与一级子影像块之前也存在相对位置关系,因此要想获得二级子影像块的特征点在一级子影像块中的相对位置时需要进行一个坐标转换,从而得到二级子影像块的特征点在一级子影像块中的相对位置信息,也即特征点在一级子影像块中的行列号信息。
其中的误配特征点对指特征点匹配时,将本不是同名点的两个或多个特征点当做同名点所构成的特征点对,也即匹配错误的特征点对。由于现有匹配技术并不成熟,特征点匹配的结果中往往会出现将本不是同名点的两个或多个特征点当做同名点,因此为提高影像匹配精度,需要剔除这些匹配错误的特征点。
通过将一级子影像块划分为二级子影像块并提取特征点对换算至一级子影像块,再剔除误配特征点对进行一级子影像块的配准,使得一级子影像块对的特征点对的均匀性提高并且精度更高,从而提高一级子影像块的配准精度,进而提高遥感影像配准的精度。
优选的,在上述的遥感影像的自动配准方法中,如图9所示,将一级子影像块对按照预设个数的规则格网划分为二级子影像块对包括:将一级子影像块对按照3×3的规则格网划分为二级子影像块对。
其中预设个数的规则格网还可根据实际情况进行调整,以提高影像配准精度和效率,以图8中的一级子影像块对为例,可以将一级子影像块对按照3×3的规则格网划分为9个二级子影像块对。
通过将一级子影像块对按照3×3的规则格网划分为9个二级子影像块对,遍历每个二级子影像块对可以得到充足的特征点,使用SIFT算法,初步提取特征点;最后对相应的二级子影像块对作特征点匹配,并将匹配后的每个二级子影像块的特征点对坐标换算回一级子影像块对,从而得到基本均匀分布的一级子影像块特征点对。
优选的,在上述的遥感影像的自动配准方法中,遍历二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对包括:使用尺度不变特征转换SIFT算法,遍历二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对。
通过使用尺度不变特征转换SIFT算法,遍历二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对,稳定性好且处理速度高。
优选的,在上述的遥感影像的自动配准方法中,剔除一级子影像块对的特征点对的误配特征点对,获取剔除误配特征点对后的一级子影像块对的特征点对包括:采用随机抽样一致性RANSAC算法剔除一级子影像块对的特征点对的误配特征点,得到一次修正特征点对;采用最小二乘方法初步拟合一次修正特征点对,计算初步拟合后的特征点对的各点误差及总均方根误差;若总均方根误差大于一个像素,按照各点误差从大到小的顺序,剔除误差最大的点对并计算总均方根误差直至总均方根误差小于一个像素,得到剔除误配特征点对后的一级子影像块对的特征点对。
其中的RANSAC算法是“Random Sample Consensus(随机抽样一致)”的缩写,中文即“随机抽样一致性算法”。各点误差指随机变量x与其平均值之差。均方根误差亦称中误差。即随机变量x的所有可能取值x1,x2,…,xn与其平均值之差的平方和的平均值记为方差,方差的正平方根即均方根误差。本实施例中,总均方根误差和全局均方根误差都指影像的均方根误差,也即中误差。
通过采用RANSAC算法剔除一级子影像块特征点对的误配特征点,得到一次修正特征点对;采用最小二乘方法初步拟合一次修正特征点对,计算初步拟合后的特征点对的各点误差及总均方根误差;若总均方根误差大于一个像素,按照各点误差从大到小的顺序,剔除误差最大的点对并计算总均方根误差直至总均方根误差小于一个像素,可以得到剔除误配特征点对后的一级子影像块对的特征点对,提高一级子影像块的配准精度,从而提高影响配准的精度。
优选的,在上述的遥感影像的自动配准方法中,根据剔除误配特征点对后的特征点对,进行第一配准影像的一级子影像块与基准影像的一级子影像块的配准,使第一配准影像的一级子影像块与基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块包括:对第一配准影像的一级子影像块剔除误配特征点对后的特征点对,使用最小二乘法拟合曲线,获取二次多项式模型,使用二次多项式模型纠正第一配准影像的一级子影像块剔除误配特征点对后的特征点对的几何关系,进行第一配准影像的一级子影像块与基准影像的一级子影像块的配准,使第一配准影像的一级子影像块与基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块。
通过使用二次多项式模型纠正剔除误配特征点对后的特征点对的几何关系,进行第一配准影像的一级子影像块与基准影像的一级子影像块的配准,使第一配准影像的一级子影像块与基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块。可以进一步提高一级子影像块的配准精度,进而提高影响配准的精度。
优选的,在上述的遥感影像的自动配准方法中,获取第一配准影像包括:使用快速稳健特征SURF算法获取待配准影像与基准影像的特征点;对待配准影像与基准影像的特征点进行匹配,获取同名点;使用二次多项式纠正待配准影像上与基准影像的同名点,进行待配准影像与基准影像的配准,使待配准影像的地物间的几何位置关系与基准影像一致,生成第一配准影像。
其中,获取第一配准影像也即进行影像对的自动全局初步配准:
1)分别提取基准影像和待配准影像的特征点。其中通过预设SURF参数使得提取出的特征点数目在满足匹配需求的同时尽可能少,减少程序计算量,加快运行效率;
2)将提取出的基准影像和待配准影像的特征点进行匹配,得到一系列同名点;
3)根据影像对的同名点,使用二次多项式进行拟合,初步纠正待配准影像,生成第一配准影像。
通过使用SURF算法提取特征点并使用二次多项式拟合影像对的同名点,进一步提高第一配准影像的配准效率以及配准精度,从而提高最终的影像配准效率及配准精度。
本发明的实施例还如图2所示,首先生成第一配准影像(即进行影像对的全局初步配准)包括如下内容:
由于受卫星平台、传感器、时相、拍摄角度等多种因素的影响,大幅面异源遥感影像之间的几何关系往往存在全局性的差异,在精确配准之前进行初步配准工作,可以减小整体变形。本发明使用SURF算法进行影像对的全局初步配准,具体步骤如下:
分别提取基准影像和待配准影像的特征点。其中通过预设SURF参数使得提取出的特征点数目在满足匹配需求的同时尽可能少,减少程序计算量,加快运行效率;
将提取出的基准影像和待配准影像的特征点进行匹配,得到一系列同名点;
根据影像对的同名点,使用二次多项式进行拟合,初步纠正待配准影像,得到第一配准影像。
其次,对第一配准影像进行不规则矩形格网的划分:与规则格网相比,不规则矩形格网的优势在于克服了遥感影像局部变形导致的规则格网的子影像块地物不完全对应问题。本发明中不规则矩形格网生成步骤如下:
将基准影像和第一配准影像分别按大小为500*500像素的规则格网分块,并对每一个子影像块按格网位置进行编号(i,j),其中i为格网行序号,j为格网列序号,其中i,j=1,2,3,……,n;n=H/500;H为影像图幅大小。该规则格网大小可根据实际情况进行调整,以提高影像配准精度和效率;
分别提取按规则格网划分后的基准影像和待配准影像上位于正对角线上的对应影像块,即子影像块编号i=j的影像块;
使用SURF算法快速选取每一个子影像块的特征点,匹配基准影像和待配准影像对应位置的子影像块的特征点,获得一系列子影像块对的同名点;
在每对子影像块中选择最靠近右下角的同名点作为该影像块的不规则矩形格网节点;
依据对角线上每一个子影像块的不规则矩形格网节点的行列号,形成基于特征的不规则矩形格网,其中对角线上编号为(n,n)的影像块不规则矩形格网节点用整景影像右下角像素代替。
再次,基于不规则矩形格网的一级子影像块自动划分:
依据不规则矩形格网,将基准影像和待配准影像划分成地物基本对应的重叠一级子影像块对。划分一级子影像块对时,采取重叠区域压盖策略,将每个子影像块对根据其对应不规则矩形格网,向四周拓展m(一般m=40)个像素,使得相邻子影像块之间形成重叠区域。如原始子影像块左上角像素行列号为(a,b)、左下角为(c,b)、右上角为(a,d)、右下角为(c,d),则拓展后的影像块左上角像素行列号为(a-m,b-m)、左下角为(c+m,b-m)、右上角为(a-m,d+m)、右下角为(c+m,d+m)。
其中m的大小可依据影像的具体情况进行调整,以便提高影像匹配效率和精度,并更好的实现分块配准之后的整景影像无缝拼接。一般例如影像配准前后变形相对小的平原地区m取较小值(比如20个像素),以便减少计算量,而例如影像配准前后变形较大的山地m取较大值(比如80像素),以便更好地无缝拼接。
然后,基于特征提取的子影像块对自动精配准:
基于特征点提取的影像配准精度往往取决于地表差异复杂程度,特征点的匹配精度,以及特征点的分布情况等。通常情况,通过不规则矩形格网分块,子影像块尺寸较小,影像块之间的地表差异相对简单。因此,均匀分布的高精度特征点是高精度配准的前提。
基于规则格网的一级子影像块均匀分布的特征点对提取。本实施例采用基于规则格网提取特征点的策略,首先使用k*k(一般k=3,可根据实际情况进行调整,以提高影像配准精度和效率)个数的规则格网将子影像块细分成k*k个二级子影像块;其次使用SIFT算法遍历每个二级子影像块对,初步提取特征点;最后对相应的二级子影像块对作特征点匹配,并将匹配后的每个二级子影像块的特征点对坐标换算回一级子影像块对,从而得到基本均匀分布的一级子影像块特征点对。其中,由于二级子影像块往往较小,为了得到充足的特征点,在用SIFT算法提取特征点时设置宽松的阈值;为了使匹配点对满足高精度的要求,二级子影像块匹配时则设置相对严格的阈值;
误配特征点对剔除:为了提高配准精度,需要剔除一级子影像块中的误配特征点对。首先,采用RANSAC算法消除误匹配特征点对。其次,采用最小二乘方法,初步拟合特征点对,分别计算各点误差和总均方根误差,以总均方根误差在一个像素以内为准则,循环剔除误差最大的误配特征点对;得到剔除误配特征点对后的一级子影像块对的特征点对;
一级子影像块配准:对获得的剔除误配特征点对后的一级子影像块对的特征点对,使用最小二乘法计算二次多项式模型参数。用求得的二次多项式模型,纠正待配准影像的一级子影像块,使其与对应的基准影像的一级子影像块几何关系精确对应。
最后,进行子影像块的无缝拼接:
针对每一个待配准一级子影像块,依据影像特征网格的对应网格范围,分别裁取相应不规则矩形格网范围内的影像,即裁去经拓展后的影像区域(包括经影像配准产生的边缘变形区域);对裁剪后的子影像块,进行完全无缝拼接,得到配准后的完整大幅面影像,配准过程完毕。
本发明为大幅面遥感影像的快速高精度自动配准提供了技术性框架,具有较高的稳健性和较好的拓展性。所述方法具有稳健及高精度特性,有效解决大幅面遥感影像配准难、精度低等问题,能够实现大幅面多源遥感影像的快速自动高精度配准。所述方法通过采用不规则的不规则矩形格网划分子影像块,克服了遥感影像局部变形导致的规则格网的子影像块地物不完全对应问题。同时,所述方法使用并行计算策略,极大地提高了影像配准效率。特别的,本发明的方法配准过程在预设阈值后完全由计算机自动完成,无需人工干预,进一步提高了配准效率,实现了大幅面遥感影像高精度、高效率的自动化配准。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.遥感影像的自动配准方法,其特征在于,包括:获取第一配准影像;将所述第一配准影像和基准影像分别划分为子影像块,将第一配准影像的子影像块与基准影像的子影像块组成子影像块对,获取子影像块对的同名点;
将所述子影像块对按行号及列号进行标记,将行号等于列号的所述子影像块对中,距离子影像块右下角最近的同名点作为格网划分的交点生成不规则矩形格网;
将所述不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块;
将所述第一配准影像的一级子影像块与所述基准影像的一级子影像块配准;
将配准后的所述第一配准影像的一级子影像块中,所述扩展的像素裁剪掉,生成修订后的第一配准影像的子影像块;
依据所述基准影像,拼接所述修订后的第一配准影像的子影像块,获取待配准影像配准后的影像。
2.根据权利要求1所述的遥感影像的自动配准方法,其特征在于,将所述不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:
将所述不规则矩形格网中的每一个网格分别向四周扩展40个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
3.根据权利要求1所述的遥感影像的自动配准方法,其特征在于,将所述不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:
若所述遥感影像为平原地区的遥感影像,将所述不规则矩形格网中的每一个网格分别向四周扩展20个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
4.根据权利要求1所述的遥感影像的自动配准方法,其特征在于,将所述不规则矩形格网中的每一个网格分别向四周扩展预设个数的像素生成第一配准影像的一级子影像块与基准影像的一级子影像块包括:
若所述遥感影像为山地地区的遥感影像,将所述不规则矩形格网中的每一个网格分别向四周扩展80个像素,生成第一配准影像的一级子影像块与基准影像的一级子影像块。
5.根据权利要求1所述的遥感影像的自动配准方法,其特征在于,所述将所述第一配准影像的一级子影像块与所述基准影像的一级子影像块配准包括:
将所述第一配准影像的一级子影像块与所述基准影像的一级子影像块组成一级子影像块对,将所述一级子影像块对按照预设个数的规则格网划分为二级子影像块对;
遍历所述二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对;
将所述二级子影像块的特征点对的坐标换算至一级子影像块对,生成一级子影像块对的特征点对;
剔除所述一级子影像块对的特征点对的误配特征点对,获取剔除误配特征点对后的特征点对;
根据剔除误配特征点对后的特征点对,进行所述第一配准影像的一级子影像块与所述基准影像的一级子影像块的配准,使第一配准影像的一级子影像块与基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块。
6.根据权利要求5所述的遥感影像的自动配准方法,其特征在于,将所述一级子影像块对按照预设个数的规则格网划分为二级子影像块对包括:
将所述一级子影像块对按照3×3的规则格网划分为二级子影像块对。
7.根据权利要求5所述的遥感影像的自动配准方法,其特征在于,所述遍历所述二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对包括:
使用尺度不变特征转换SIFT算法,遍历所述二级子影像块对,提取二级子影像块对的特征点进行匹配,生成二级子影像块的特征点对。
8.根据权利要求5所述的遥感影像的自动配准方法,其特征在于,所述剔除所述一级子影像块对的特征点对的误配特征点对,获取剔除误配特征点对后的一级子影像块对的特征点对包括:
采用随机抽样一致性RANSAC算法剔除所述一级子影像块对的特征点对的误配特征点,得到一次修正特征点对;
采用最小二乘方法初步拟合一次修正特征点对,计算初步拟合后的特征点对的各点误差及总均方根误差;
若总均方根误差大于一个像素,按照各点误差从大到小的顺序,剔除误差最大的点对并计算总均方根误差直至总均方根误差小于一个像素,得到剔除误配特征点对后的一级子影像块对的特征点对。
9.根据权利要求5所述的遥感影像的自动配准方法,其特征在于,所述根据剔除误配特征点对后的特征点对,进行所述第一配准影像的一级子影像块与所述基准影像的一级子影像块的配准,使所述第一配准影像的一级子影像块与所述基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块包括:
对第一配准影像的一级子影像块剔除误配特征点对后的特征点对,使用最小二乘法拟合曲线,获取二次多项式模型,使用二次多项式模型纠正第一配准影像的一级子影像块剔除误配特征点对后的特征点对的几何关系,进行所述第一配准影像的一级子影像块与所述基准影像的一级子影像块的配准,使所述第一配准影像的一级子影像块与所述基准影像的一级子影像块的地物间的几何位置关系一致,得到配准后的一级子影像块。
10.根据权利要求1所述的遥感影像的自动配准方法,其特征在于,所述获取第一配准影像包括:
使用快速稳健特征SURF算法获取所述待配准影像与所述基准影像的特征点;
对所述待配准影像与所述基准影像的特征点进行匹配,获取同名点;
使用二次多项式纠正待配准影像上与基准影像的同名点,进行待配准影像与基准影像的配准,使待配准影像的地物间的几何位置关系与基准影像一致,生成第一配准影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310554179.0A CN103544711B (zh) | 2013-11-08 | 2013-11-08 | 遥感影像的自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310554179.0A CN103544711B (zh) | 2013-11-08 | 2013-11-08 | 遥感影像的自动配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103544711A true CN103544711A (zh) | 2014-01-29 |
CN103544711B CN103544711B (zh) | 2016-08-17 |
Family
ID=49968131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310554179.0A Expired - Fee Related CN103544711B (zh) | 2013-11-08 | 2013-11-08 | 遥感影像的自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103544711B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824301A (zh) * | 2014-03-12 | 2014-05-28 | 中国矿业大学(北京) | 一种数字散斑相关方法中测度函数改进方法 |
CN103868531A (zh) * | 2014-04-04 | 2014-06-18 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星平面和立体精度预估方法 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN104822030A (zh) * | 2015-04-16 | 2015-08-05 | 北京理工大学深圳研究院 | 一种基于图像变形的不规则视频矩形化矫正方法 |
CN105869168A (zh) * | 2016-04-01 | 2016-08-17 | 南京理工大学 | 基于多项式拟合的多源遥感图像形状配准方法 |
CN105913435A (zh) * | 2016-04-13 | 2016-08-31 | 西安航天天绘数据技术有限公司 | 一种适用于大区域的多尺度遥感影像匹配方法及系统 |
CN106780309A (zh) * | 2016-12-21 | 2017-05-31 | 中国航空工业集团公司雷华电子技术研究所 | 一种合成孔径雷达图像拼接方法 |
CN107240130A (zh) * | 2017-06-06 | 2017-10-10 | 苍穹数码技术股份有限公司 | 遥感影像配准方法、装置及系统 |
CN107705244A (zh) * | 2017-09-11 | 2018-02-16 | 中国国土资源航空物探遥感中心 | 一种适用于大区域多幅遥感影像的接边纠正方法 |
CN109271996A (zh) * | 2018-08-21 | 2019-01-25 | 南京理工大学 | 基于surf特征和哈希感知算法的fpc图像自动配准方法 |
CN109859108A (zh) * | 2019-02-12 | 2019-06-07 | 杜都 | 一种图像处理用便于调节图像尺寸裁剪方法 |
CN111815644A (zh) * | 2020-05-21 | 2020-10-23 | 艾瑞迈迪医疗科技(北京)有限公司 | 一种医学影像中患者皮肤面部数据的提取方法和装置 |
CN112465714A (zh) * | 2020-11-24 | 2021-03-09 | 北京航天泰坦科技股份有限公司 | 多时相遥感影像处理方法和装置及设备 |
CN114170305A (zh) * | 2021-11-16 | 2022-03-11 | 埃洛克航空科技(北京)有限公司 | 一种描述分块模型相对位置关系的系统和方法 |
CN114937145A (zh) * | 2022-07-26 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
CN116052848A (zh) * | 2023-04-03 | 2023-05-02 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766400A (zh) * | 2019-01-14 | 2019-05-17 | 北京天下图数据技术有限公司 | 地块标记方法及装置、地块识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147322A1 (en) * | 2003-10-01 | 2005-07-07 | Aryan Saed | Digital composition of a mosaic image |
US20110178389A1 (en) * | 2008-05-02 | 2011-07-21 | Eigen, Inc. | Fused image moldalities guidance |
CN102855628A (zh) * | 2012-08-20 | 2013-01-02 | 武汉大学 | 多源多时相高分辨率卫星遥感影像自动匹配方法 |
CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
-
2013
- 2013-11-08 CN CN201310554179.0A patent/CN103544711B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147322A1 (en) * | 2003-10-01 | 2005-07-07 | Aryan Saed | Digital composition of a mosaic image |
US20110178389A1 (en) * | 2008-05-02 | 2011-07-21 | Eigen, Inc. | Fused image moldalities guidance |
CN102855628A (zh) * | 2012-08-20 | 2013-01-02 | 武汉大学 | 多源多时相高分辨率卫星遥感影像自动匹配方法 |
CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
Non-Patent Citations (3)
Title |
---|
BARBARA ZITOVÁ ET AL.: "Image registration methods:a survey", 《IMAGE AND VISION COMPUTING》 * |
刘汉洲: "图像配准技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李超: "基于控制点影像数据库的遥感卫星影像几何矫正和半自动配准", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824301A (zh) * | 2014-03-12 | 2014-05-28 | 中国矿业大学(北京) | 一种数字散斑相关方法中测度函数改进方法 |
CN103868531A (zh) * | 2014-04-04 | 2014-06-18 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星平面和立体精度预估方法 |
CN103868531B (zh) * | 2014-04-04 | 2019-04-19 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星平面和立体精度预估方法 |
CN104318548B (zh) * | 2014-10-10 | 2017-02-15 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN104822030A (zh) * | 2015-04-16 | 2015-08-05 | 北京理工大学深圳研究院 | 一种基于图像变形的不规则视频矩形化矫正方法 |
CN104822030B (zh) * | 2015-04-16 | 2017-10-17 | 北京理工大学深圳研究院 | 一种基于图像变形的不规则视频矩形化矫正方法 |
CN105869168A (zh) * | 2016-04-01 | 2016-08-17 | 南京理工大学 | 基于多项式拟合的多源遥感图像形状配准方法 |
CN105913435A (zh) * | 2016-04-13 | 2016-08-31 | 西安航天天绘数据技术有限公司 | 一种适用于大区域的多尺度遥感影像匹配方法及系统 |
CN105913435B (zh) * | 2016-04-13 | 2019-05-28 | 西安航天天绘数据技术有限公司 | 一种适用于大区域的多尺度遥感影像匹配方法及系统 |
CN106780309A (zh) * | 2016-12-21 | 2017-05-31 | 中国航空工业集团公司雷华电子技术研究所 | 一种合成孔径雷达图像拼接方法 |
CN107240130B (zh) * | 2017-06-06 | 2020-12-04 | 苍穹数码技术股份有限公司 | 遥感影像配准方法、装置及系统 |
CN107240130A (zh) * | 2017-06-06 | 2017-10-10 | 苍穹数码技术股份有限公司 | 遥感影像配准方法、装置及系统 |
CN107705244A (zh) * | 2017-09-11 | 2018-02-16 | 中国国土资源航空物探遥感中心 | 一种适用于大区域多幅遥感影像的接边纠正方法 |
CN109271996A (zh) * | 2018-08-21 | 2019-01-25 | 南京理工大学 | 基于surf特征和哈希感知算法的fpc图像自动配准方法 |
CN109859108A (zh) * | 2019-02-12 | 2019-06-07 | 杜都 | 一种图像处理用便于调节图像尺寸裁剪方法 |
CN109859108B (zh) * | 2019-02-12 | 2024-03-19 | 长沙英倍迪电子科技有限公司 | 一种图像处理用便于调节图像尺寸裁剪方法 |
CN111815644A (zh) * | 2020-05-21 | 2020-10-23 | 艾瑞迈迪医疗科技(北京)有限公司 | 一种医学影像中患者皮肤面部数据的提取方法和装置 |
CN112465714A (zh) * | 2020-11-24 | 2021-03-09 | 北京航天泰坦科技股份有限公司 | 多时相遥感影像处理方法和装置及设备 |
CN112465714B (zh) * | 2020-11-24 | 2024-05-07 | 航天科工(北京)空间信息应用股份有限公司 | 多时相遥感影像处理方法和装置及设备 |
CN114170305A (zh) * | 2021-11-16 | 2022-03-11 | 埃洛克航空科技(北京)有限公司 | 一种描述分块模型相对位置关系的系统和方法 |
CN114170305B (zh) * | 2021-11-16 | 2022-08-30 | 埃洛克航空科技(北京)有限公司 | 一种描述分块模型相对位置关系的系统和方法 |
CN114937145A (zh) * | 2022-07-26 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
CN114937145B (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
CN116052848A (zh) * | 2023-04-03 | 2023-05-02 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
CN116052848B (zh) * | 2023-04-03 | 2023-06-09 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103544711B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544711A (zh) | 遥感影像的自动配准方法 | |
CN105528797B (zh) | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 | |
CN107590825B (zh) | 一种基于sfm的点云孔洞修补方法 | |
CN109544447B (zh) | 一种图像拼接方法、装置及存储介质 | |
US20210201570A1 (en) | Method and apparatus for generating digital surface model using satellite imagery | |
US10771776B2 (en) | Apparatus and method for generating a camera model for an imaging system | |
TW200926060A (en) | Geospatial modeling system providing user-selectable building shape options and related methods | |
US20090089017A1 (en) | Geospatial modeling system providing inpainting and error calculation features and related methods | |
CN108182722B (zh) | 一种三维物体边缘优化的真正射影像生成方法 | |
CN103646395B (zh) | 一种基于格网法的高精度影像配准方法 | |
CN104392457A (zh) | 倾斜影像的连接点自动匹配方法及装置 | |
CN105139355A (zh) | 一种深度图像的增强方法 | |
CN104851133B (zh) | 一种图像自适应网格生成变分方法 | |
CN104166992B (zh) | 基于网格变形的内容感知双目图像缩放方法 | |
CN103778607B (zh) | 一种图像校正方法 | |
CN116756836B (zh) | 一种隧道超欠挖体积计算方法、电子设备及存储介质 | |
CN102982524A (zh) | 玉米果穗有序图像的拼接方法 | |
CN107958489B (zh) | 一种曲面重建方法及装置 | |
CN107833191A (zh) | 基于图像局部信息的改进Criminisi算法 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN114202610A (zh) | 一种倾斜摄影建筑物单体化模型纹理映射方法 | |
CN104021543A (zh) | 一种基于平面棋盘模板的镜头畸变自校正方法 | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN107016695B (zh) | 一种亚像素级影像配准方法及系统 | |
CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20161108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |