CN103985132B - 基于k近邻图的误匹配点迭代检测方法 - Google Patents
基于k近邻图的误匹配点迭代检测方法 Download PDFInfo
- Publication number
- CN103985132B CN103985132B CN201410235159.1A CN201410235159A CN103985132B CN 103985132 B CN103985132 B CN 103985132B CN 201410235159 A CN201410235159 A CN 201410235159A CN 103985132 B CN103985132 B CN 103985132B
- Authority
- CN
- China
- Prior art keywords
- point
- match
- error
- points
- original image
- 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
本发明针对现有误匹配点检测方法的不足,提出了一种基于K近邻图的误匹配点迭代检测方法,可以提高误匹配点检测精度。处理过程为:(1)将匹配点分为若干组,对每一组匹配点分别按照步骤(2)‑(5)进行误匹配点检测;(2)在原始图像上构建K近邻图;(3)对于每一对匹配点,通过K近邻图获得距离最近的K对匹配点,然后使用K对匹配点建立变换模型,将该对匹配点和变换模型的误差作为该对匹配点的误差;(4)删除误差最大的S匹配点;(5)迭代检测终止判断。如果所有剩余匹配点的误差都小于给定阈值,则停止迭代;否则N=N‑S,返回步骤(2)。
Description
技术领域
本发明涉及图像处理技术,具体地说,是一种基于K近邻图的误匹配点迭代检测方法,用于检测并删除遥感图像匹配中产生的误匹配点,提高遥感图像匹配精度。
背景技术
遥感图像匹配是遥感图像处理中的一个重要步骤,在遥感图像配准、目标识别、目标跟踪、变化检测、图像拼接等领域得到了广泛的应用。遥感图像匹配是通过一定的匹配算法在两幅图像之间寻找的高精度匹配点。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。近几年来,随着图像匹配技术的不断发展,匹配精度和自动化水平不断提高,尤其是以SIFT为代表的尺度、旋转不变特征匹配算法,使得遥感图像匹配的精度得到了极大的提升。但是,由于光照、地物变化、不同成像角度和成像时间、几何变形等因素的影响,无论采用何种图像匹配算法,总会产生误匹配点。因此,对于遥感图像匹配,误匹配点检测是一个必须步骤,其精度直接影响图像匹配的精度。
在遥感图像匹配中,随机采样一致性方法(Random Sample Consensus,RANSAC)和多项式拟合方法通常用于误匹配点检测。RANSAC方法是从一组包含异常数据的样本数据集中,估算最优模型参数(给定的两幅图像之间的变换模型)的迭代方法。在误匹配点检测中,通常使用基本矩阵或者单应矩阵作为变换模型,和变换模型误差较大的匹配点就是误匹配点。多项式拟合方法是假设所有正确的匹配点满足某一个多项式模型,然后使用最小二乘拟合等方法求解多项式的系数,最后计算每个匹配点和多项式模型的误差,误差大于设定阈值的匹配点就是误匹配点。虽然RNASAC方法和多项式拟合方法的原理、计算方法不同,但都是假设所有正确的匹配点满足一个统一的模型。但是对于部分覆盖范围较大的遥感图像,受复杂地形、几何变形等的影响,所有正确匹配点无法满足同一个模型,因此,常用的RANSAC方法和多项式拟合方法无法直接用于该类遥感图像的误匹配检测。
发明内容
本发明针对现有误匹配点检测技术的不足,提出了一种基于K近邻图的误匹配点迭代检测方法,准确的完成误匹配点检测,进一步提高图像匹配的精度。本发明实施的前提是使用图像匹配方法获得了匹配点。
本发明的技术方案如下:
一种基于K近邻图的误匹配点迭代检测方法,其特征在于包括以下步骤:
(1)匹配点分组。对于待检测的N对匹配点,按照原始图像上匹配点的坐标,将匹配点分为若干组,然后对每一组匹配点分别按照步骤(2)-(5)进行误匹配点检测;
(2)在原始图像上构建K近邻图。将原始图上的每一个匹配点作为K近邻图的一个顶点,对于每个顶点,如果其它顶点是该顶点的K近邻点,则这两个顶点存在一条无向边;顶点和顶点之间的无向边构成了K近邻图。
(3)计算每一对匹配点的误差。对于每一对匹配点,通过K近邻图获得距离最近的K对匹配点,然后使用K对匹配点建立变换模型,计算每对匹配点和变换模型的误差作为该对匹配点的误差。
(4)删除误差最大的匹配点。所有匹配点的误差计算完成后,删除误差最大的S对匹配点;
(5)迭代检测终止判断。如果所有剩余匹配点的误差都小于给定阈值,则停止迭代;否则N=N-S,返回步骤(2)。
进一步,步骤(1)中的匹配点分组,采用网格划分的方法,首先对原始图像进行网格划分,网格大小为M*N,然后根据原始图像上匹配点的坐标,将所有匹配点分配到不同的网格;M和N的取值根据原始图像大小来确定,保证每一个网格都有上百个匹配点。
进一步,步骤(2)中K的取值根据步骤(3)选择的变换模型来确定,K的取值要大于计算变换模型参数所需要的最少匹配点个数。
进一步,步骤(2)中的K近邻图为无向图,使用邻接表存储,记为G=(V,E),其中V为顶点的集合,E为边的集合;构建准则如下:把原始图像中的每一个匹配点作为K近邻图的一个顶点,构成顶点集合V=v1,...vN,N为原始图像中匹配点的总个数;对于顶点vi,如果顶点vj是vi的K最近邻域中的点,则vi和vj之间存在一条无向边;顶点vi的K最近邻域中的点是距离顶点vi最近的K个顶点;两个顶点之间的距离是顶点对应的原始图像上匹配点的欧式距离。
进一步,步骤(3)中的变换模型为n阶多项式、基本矩阵、单应矩阵。
进一步,步骤(3)中的匹配点误差计算公式为:
上式中,(xi,yi)为匹配点对Mi在原始图像上的坐标,(x′i,y′i)为匹配点对Mi在基准图像上的坐标,按照构建的变换模型换算到原始图像上的坐标。
本发明与现有技术相比具有下列优点:通过构建K近邻图,实现了只在图像局部建立变换模型。由于图像局部区域范围较小,因此,所有正确的匹配点都能满足同一个变换模型,从而很好的克服了传统RANSAC方法和多项式拟合方法的缺点,提高了误匹配点检测的精度。
附图说明
图1基于K近邻图的误匹配点迭代检测流程图
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。
图1基于K近邻图的误匹配点迭代检测流程图,包括五个步骤:
(1)匹配点分组。对于大数据量的遥感影像,由于获得的匹配点较多,如果直接进行误匹配点检测,会导致速度比较慢,因此,首先对图像匹配获得的匹配点进行分组。匹配点分组采用网格划分的方法,首先对原始图像进行网格划分,网格大小为M*N,然后根据原始图像上匹配点的坐标,将所有匹配点分配到不同的网格。M和N的取值根据原始图像大小来确定,保证每一个网格都有上百个匹配点。不同网格的匹配点形成若干组匹配点。对于每一组匹配点,分别按照步骤(2)-(5)进行误匹配点检测。
(2)在原始图像上构建K近邻图。图是数据之间关系的一种表示方式,由顶点的集合和边的集合(顶点之间的关系)构成。如果边没有方向,则称为无向图,如果边有方向,则称为有向图。本发明专利中,构建的K近邻图为无向图,记为G=(V,E),其中V为顶点的集合,E为边的集合。其中K的取值根据步骤(3)选择的变换模型来确定,K的值要大于计算变换模型参数所需要的最少匹配点个数。具体构建准则如下:
把原始图像中的每一个匹配点作为K近邻图的一个顶点,构成顶点集合V=v1,...vN,N为原始图像中匹配点的总个数。N的初始值为自动匹配方法获得的匹配点总个数,随着不断迭代检测和删除,N的值会不断减小。对于顶点vi,如果顶点vi是vi的K最近邻域中的点,则vi和vi之间存在一条无向边。顶点vi的K最近邻域中的点是距离顶点vi最近的K个顶点。两个顶点之间的距离是顶点对应的原始图像上匹配点的欧式距离。
图的存储方法包括邻接矩阵和邻接表。邻接矩阵是一个n*n的矩阵,矩阵中存储边的信息。而邻接表是另一种存储结构,每个顶点vi的所有邻接点构成一个线性表,其优点是可以方便的获取顶点的K个邻接点。由于本发明专利中,需要通过K近邻图获得距离某一匹配点最近的K对匹配点,因此采用邻接表的存储方法。
(3)计算每一对匹配点的误差。构建K近邻图后,对于每一个匹配点,使用其K个最近邻的匹配点计算其相对于给定模型的误差。对于每一对匹配点Mi,i=1,...,N,首先根据原始图像上的匹配点,从K近邻图中获取K对匹配点,然后使用K对匹配点建立给定的变换模型。遥感图像中通常使用n阶多项式、基本矩阵、单应矩阵等变换模型。可以选择任意一种变换模型进行误差计算。在本发明的实施例中,使用一阶多项式模型,多项式的系数采用最小二乘拟合方法计算获得;最后计算匹配点Mi和给定模型的误差,并将该误差作为匹配点Mi的误差。误差计算公式如下:
上式中,(xi,yi)为匹配点对Mi在原始图像上的坐标,(x′i,y′i)为匹配点对Mi为基准图像上的坐标,按照构建的变换模型换算到原始图像上的坐标。
(4)删除误差最大的S对匹配点。所有匹配点的误差计算完成后,根据其误差判定那一些匹配点是误匹配点。由于误匹配点也参与误差计算,即使是一对正确的匹配点,由于参与误差计算的匹配点可能是误匹配点,也会导致计算的误差和实际误差不一致,无法直接根据误差来检测所有误匹配点。因此,一次检测只判定S对误差最大的匹配点为误匹配点,并删除该S对匹配点。S的值最小为1,最大值需要根据匹配点的总个数来确定。
(5)迭代检测终止判断。由于一次检测无法检测所有误匹配点,因此,需要通过不断迭代来完成所有误匹配点的检测。对于剩余的所有匹配点,判断误差是否小于设定的阈值,如果满足,则停止迭代,算法退出。否则,N=N-S,返回步骤(2)重新迭代计算。
通过以上五个步骤,可以完成误匹配点的自动检测并删除误匹配点,剩余的匹配点就是满足误差要求的正确匹配点。
本发明的实施例在PC平台上已经实现,经过实验验证,本发明的方法可以有效检测并删除误匹配点,提高图像匹配的精度。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (5)
1.一种基于K近邻图的误匹配点迭代检测方法,用于检测并删除遥感图像匹配中产生的误匹配点,提高遥感图像匹配精度,其特征在于包括如下步骤:
(1)匹配点分组,对于待检测的N对匹配点,按照原始图像上匹配点的坐标,将匹配点分为若干组,然后对每一组匹配点分别按照步骤(2)-(5)进行误匹配点检测;
(2)构建K近邻图,使用原始图上的匹配点构建K近邻图,K的取值根据步骤(3)选择的变换模型来确定,K的取值要大于计算变换模型参数所需要的最少匹配点个数;
(3)计算每一对匹配点的误差,对于每一对匹配点,通过K近邻图获得距离最近的K对匹配点,然后使用K对匹配点建立变换模型,计算每对匹配点和变换模型的误差作为该对匹配点的误差;
(4)删除误差最大的匹配点,所有匹配点的误差计算完成后,删除误差最大的S对匹配点;
(5)迭代检测终止判断,如果所有剩余匹配点的误差都小于给定阈值,则停止迭代;否则N=N-S,返回步骤(2)。
2.根据权利要求1中所述的方法,其特征在于:步骤(1)中的匹配点分组,采用网格划分的方法,首先对原始图像进行网格划分,网格大小为M*N,然后根据原始图像上匹配点的坐标,将所有匹配点分配到不同的网格;M和N的取值根据原始图像大小来确定,保证每一个网格都有上百个匹配点。
3.根据权利要求1中所述的方法,其特征在于:步骤(2)中的K近邻图为无向图,使用邻接表存储,记为G=(V,E),其中V为顶点的集合,E为边的集合;构建准则如下:把原始图像中的每一个匹配点作为K近邻图的一个顶点,构成顶点集合V=v1,...vN,N为原始图像中匹配点的总个数;对于顶点vi,如果顶点vj是vi的K最近邻域中的点,则vi和vj之间存在一条无向边;顶点vi的K最近邻域中的点是距离顶点vi最近的K个顶点;两个顶点之间的距离是顶点对应的原始图像上匹配点的欧式距离。
4.根据权利要求1中所述的方法,其特征在于:步骤(3)中的变换模型为n阶多项式、基本矩阵、单应矩阵。
5.根据权利要求1中所述的方法,其特征在于:步骤(3)中的匹配点误差计算公式为:
上式中,(xi,yi)为匹配点对Mi在原始图像上的坐标,(x′i,y′i)为匹配点对Mi在基准图像上的坐标,按照构建的变换模型换算到原始图像上的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410235159.1A CN103985132B (zh) | 2014-05-30 | 2014-05-30 | 基于k近邻图的误匹配点迭代检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410235159.1A CN103985132B (zh) | 2014-05-30 | 2014-05-30 | 基于k近邻图的误匹配点迭代检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103985132A CN103985132A (zh) | 2014-08-13 |
CN103985132B true CN103985132B (zh) | 2017-04-19 |
Family
ID=51277090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410235159.1A Active CN103985132B (zh) | 2014-05-30 | 2014-05-30 | 基于k近邻图的误匹配点迭代检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103985132B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530341B (zh) * | 2016-11-01 | 2019-12-31 | 成都理工大学 | 一种保持局部拓扑不变性的点配准算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003053223A2 (en) * | 2001-12-21 | 2003-07-03 | Whitehead Institute For Biomedical Research | Prostate cancer diagnosis and outcome prediction by expression analysis |
CN102629330A (zh) * | 2012-02-29 | 2012-08-08 | 华南理工大学 | 一种深度图像与彩色图像的快速高精度匹配方法 |
CN103116891A (zh) * | 2013-03-12 | 2013-05-22 | 上海海事大学 | 一种基于双向邻域过滤策略的遥感图像配准方法 |
CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
-
2014
- 2014-05-30 CN CN201410235159.1A patent/CN103985132B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003053223A2 (en) * | 2001-12-21 | 2003-07-03 | Whitehead Institute For Biomedical Research | Prostate cancer diagnosis and outcome prediction by expression analysis |
CN102629330A (zh) * | 2012-02-29 | 2012-08-08 | 华南理工大学 | 一种深度图像与彩色图像的快速高精度匹配方法 |
CN103116891A (zh) * | 2013-03-12 | 2013-05-22 | 上海海事大学 | 一种基于双向邻域过滤策略的遥感图像配准方法 |
CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
Non-Patent Citations (1)
Title |
---|
A robust graph transformation matching for non-rigid registration;Wendy Aguilar et al.;《Image and Vision Computing》;20090630;897-910 * |
Also Published As
Publication number | Publication date |
---|---|
CN103985132A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN103411553B (zh) | 多线结构光视觉传感器的快速标定方法 | |
CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
Zhou et al. | A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes | |
CN102565810B (zh) | 一种遥感影像上土地利用地物边界轮廓提取方法 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN103295239A (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN102034104A (zh) | 三维点云中基于随机采样一致性的特征线检测方法 | |
CN109886939A (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN103530590A (zh) | Dpm二维码识别系统 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN110852243B (zh) | 一种基于改进YOLOv3的道路交叉口检测方法及装置 | |
CN105139379A (zh) | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 | |
CN104282038A (zh) | 基于局部子邻域划分的点云特征点提取方法 | |
CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
CN102779340A (zh) | 一种基于Delaunay三角剖分的特征点坐标自动对应方法 | |
CN110221312A (zh) | 一种基于激光雷达快速检测地面点云的方法 | |
CN110110687A (zh) | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN103985132B (zh) | 基于k近邻图的误匹配点迭代检测方法 | |
CN109544632A (zh) | 一种基于层次主题模型的语义slam对象关联方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |