CN104778679B - 一种基于高分一号卫星数据的控制点图元快速匹配方法 - Google Patents
一种基于高分一号卫星数据的控制点图元快速匹配方法 Download PDFInfo
- Publication number
- CN104778679B CN104778679B CN201410797757.8A CN201410797757A CN104778679B CN 104778679 B CN104778679 B CN 104778679B CN 201410797757 A CN201410797757 A CN 201410797757A CN 104778679 B CN104778679 B CN 104778679B
- Authority
- CN
- China
- Prior art keywords
- image
- high score
- point
- pel
- compartmentalization
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明属于计算机数字图像处理与模式识别技术领域,主要涉及遥感图像的快速配准方法,具体涉及一种基于高分一号卫星数据的控制点图元快速匹配方法。基本流程包括:在高分参考影像集中进行图元采集与增强处理,构建图元数据库;对待校正影像进行区域化与增强处理;通过RPC辅助方法获取同区域图元集;对区域化高分影像及同区域图元集进行特征点提取,通过RANSAC算法、多项式错点迭代剔除等方法获取最终匹配结果。本发明可以不依赖大数据量的参考影像完成高分一号卫星影像的配准,通过对控制点图元数据库的不断完善,今后对每一幅高分影像都能在数据库中找到对应区域的控制点图元,从而完成图像配准,为后续工作打下良好基础。
Description
技术领域
本发明属于计算机数字图像处理与模式识别技术领域,主要涉及遥感图像的快速配准方法,具体涉及一种基于高分一号卫星数据的控制点图元快速匹配方法。
背景技术
图像配准是图像处理中的一项基本技术,它用来匹配来自相同或者不同传感器、相互间具有一定几何形变的两幅或者多幅图像。在遥感图像处理中,配准技术一直受到极大的关注,它是遥感图像镶嵌、多传感器信息融合、变化检测等相关应用的一个重要环节,同时图像配准在计算机视觉、运动目标检测、视觉图像、立体视觉等多个领域的用处也越来越广泛。
目前国内外主要的图像配准方法大致分为基于区域的配准方法和基于特征的配准方法。
基于区域的配准方法通常直接利用图像区域的灰度信息,建立两幅图像之间的相似性度量,然后采用某种搜索方法,寻找使相似性度量值最大的变换参数,由于该方法利用了区域内所有像素的灰度信息,所以配准精度较高,但是计算量大,速度较慢,对噪声和光照的鲁棒性较差。
基于特征的图像配准方法首先提取图像的不变特征(点、线、面),然后对这些不变进行匹配而完成图像之间的配准。点特征是图像配准中应用最多的特征,称为特征点。由于图像的特征点比区域内的像素点要少得多,因此大大减少了配准过程的计算,稳定的特征点可以减少噪声的影响,对灰度变化、图像形变以及部分遮挡等都有较好的适应能力,因此在图像配准领域得到了广泛的应用。
特征点提取包括角点和斑点。Moravec在1977年提出了利用图像灰度自相关函数的Moravec兴趣点检测算子,主要利用影像灰度方差;Harries等人1988年提出了Moravec算子的改进算子-Harries算子,该算子对于“L”型的角点特征最敏感,实验表明,该算子对于图像存在旋转、照明变化和透视变形时是稳定的,详见文献:Chris Harris, MikeStephens,A Combined Corner and Edge Detector,4th Alvey Vision Conference,1988,pp147-151。
角点检测算法还有1995年Smith和Brady等提出的SUSAN算法,该方法基于灰度变化特征,对于纹理信息丰富的图像,可以提取出大量的特征点。但当噪声较大或干扰物过多时,特征点大幅度增加将显著增加特征点匹配的运算量。因此该方法适合于具有明显角度特征,且信噪比较高的场合,如公路的十字路口,房屋的棱角等人造物体。
Forstner于1987年提出一种快速兴趣点检测算子,该算子可以检测角点和圆形斑点,其基本思想是对最佳窗口内每个像元的边缘直线进行加权中心化,得到角点坐标或圆心坐标。该算子的优点是具有亚像元的定位精度。张力等利用Forstner算子提取影像的特征点进行立体像对加密。
以上算子均不具有尺度不变性,对于不同比例尺拍摄的影像通常无法获取相同的特征点。Mikolajczyk和Schmid等人利用Laplace响应对不同尺度生成的Harris角点进行比较,生成局部最优角点,这样就将多尺度性质引入Harris角点检测中,又称为Harris-Laplace检测法。该方法检测的角点在位置和尺度空间都是局部最大响应值,因此可以对不同尺度的影像进行特征检测和匹配。
另外一种著名的尺度不变特征点检测算法是SIFT(Scale Invariant FeatureTransform)算法,由David G.Lowe于2004年总结提出的基于局部不变量特征的图像匹配算法。该算法对于斑点特征具有很好的提取效果。SIFT算子对图像旋转、尺度缩放、甚至部分的三维视角变化和光照变化都能保持局部不变性,从而成为稳定性、适应性较强的局部特征匹配算子,详见文献:David G.Lowe,″Distinctive image features from scale-invariant Keypoints,″International Journal of Computer Vision,60,2(2004),pp.91-110。
SURF(Speeded Up Robust Features)算法是Herbert Bay,Tinne Tuytelaars和Luc Van Gool在2006年提出的一个新的基于局部不变量特征的匹配算法,详见文献:BayH,Tuytelaars T,Gool L V. SURF..speeded up robust features[A].Springer LNCS,2006.404-417。采用积分图像加速计算,使用尺寸不变的图像栈模式与近似滤波器计算实现尺度分析,并通过Hessain矩阵计算并提取不变量特征,在处理旋转变化和图像模糊退化方面比SIFT算法更加鲁棒,而在处理图像光照变化和成像视点变化方面弱于SIFT算法。SURF算法最重要的优势是计算时间大概只有SIFT的1/3。对于高分辨率遥感图像,SURF 算法的快速性相比SIFT算法有很大优势,同时其特征点的提取效果也可以很好的满足后续的配准工作。
目前遥感领域内的图像配准依赖于参考影像,这种方法有两个缺陷,一是由于整幅的参考影像覆盖范围较大,若对整幅参考影像提取特征点,必然会降低算法效率,同时提取到的特征点必然包含一些辨识度不高的特征点;二是参考影像大小不同,分辨率不同,不便于管理。
随着科技的飞速进步与经济生活的快速发展,特别是我国第一颗高分辨率对地观测卫星-高分一号卫星的成功发射,这对遥感图像匹配技术提出了更高的要求,针对高分一号卫星数据的匹配精度高、匹配速度快、不依赖参考影像的图像配准方法已经成为应用领域的迫切需求。
发明内容
(一)发明目的
本发明的目的是:针对遥感图像的配准,提供一种基于高分一号卫星数据的控制点图元快速匹配方法,构建并不断完善控制点图元数据库,使高分影像能够快速完成图像配准而不依赖整幅参考影像。
(二)技术解决方案
本发明提供了一种基于高分一号卫星数据的控制点图元快速匹配方法,包括以下步骤:
步骤10、图元采集与增强处理,获取控制点图元集;
步骤20、高分影像区域化与增强处理,获取区域化高分影像集;
步骤30、通过RPC辅助的粗定位方法,建立区域化高分影像的同区域图元集。
步骤40、分别对区域化高分影像及同区域图元集进行快速SURF 特征点提取;
步骤50、利用RANSAC法对提取到的特征点进行错误点稀疏剔除;
步骤60、区域化的高分影像间匹配点合并;
步骤70、混合区域的多项式错点迭代剔除;
所述步骤10中图元采集与增强处理,获取控制点图元集,其图元集的获取来源于高分一号卫星影像,与其他遥感影像不同,高分影像是16位影像,像素值集中在0~500之间,故采集与增强方法不同于其他遥感影像;目前遥感领域内的图像配准依赖于参考影像,这种方法有两个缺陷,一是由于整幅的参考影像覆盖范围较大,若对整幅参考影像提取特征点,必然会降低算法效率,同时提取到的特征点必然包含一些无意义的特征点;二是参考影像大小不同,分辨率不同,不便于管理,通过构建并完善控制点图元数据库可以改善以上两个缺点。具体步骤是:
1、选取高分参考影像上特征明显的控制点进行标记;
2、标记控制点位置为图元中心位置,以不同大小窗口采集不同大小的图元;
3、根据整幅高分影像像素分布情况对图元进行增强,将图元由 16位影像转换为8位影像,具体增强方式描述如下:
统计整幅高分参考影像灰度直方图。设统计直方图的灰度值最小值dfMin=-0.5,最大值dfMax=65535.5,若最小值为0,最大值为65535,则无法统计0和65535这两个端点值;统计直方图份数nBuckets=65536,即每一级灰度值都要统计其像素个数;
根据统计直方图,获取高分影像总像素个数Total,并获取高分影像前2%像素的上限值,记为low,获取高分影像后2%像素的下限值,记为high;
由于要将图元进行增强并由16位影像转换为8位影像,故设转换目标影像象素值下限dfDstMin,上限为dfDstMax;
对待增强图元影像的每一个像素值PixValue做如下判断并做相应的操作:
4、将图元分辨率、大小、传感器类型,图元中心点、左右角点地理坐标,图元保存路径等信息写入数据库。
所述步骤20中高分影像区域化处理与增强处理以获取区域化高分影像集,具体步骤是:
1、对整幅待校正高分影像进行区域化分割。由于高分影像包含信息的不同,如高山、平原、河流、建筑等,特征匹配时所依赖的模型也会不同,若不做区域化处理直接提取整幅影像特征点,匹配结果效果较差,故需进行区域化处理,得到的每幅区域化高分影像尽可能分布在同类地形或包含同种地物;
2、根据整幅高分影像像素分布情况对区域化高分影像进行增强,将区域化高分影像由16位影像转换为8位影像,且保存为图像文件,文件名称包含区域化高分影像左上角点图像坐标,图像坐标指以图像左上角为坐标原点,水平向右方向为X轴,垂直向下方向为Y轴的坐标体系的像素坐标。
所述步骤30通过RPC辅助的图元粗定位方法,获取同区域控制点图元集,具体步骤是:
1、计算区域化高分影像四个角点在整幅高分影像中的图像坐标;
2、根据DEM文件建立RPC辅助的像点坐标与地理坐标的转换模型,把上述四个角点的图像坐标转换为地理坐标,并得到最大最小地理坐标,即区域化高分影像地理坐标范围;
3、计算每幅区域化高分影像的地理坐标范围,并根据其地理坐标范围查询步骤10中建立的图元数据库,得到对应区域的图元集;
所述步骤40中分别对区域化高分影像及同区域图元集进行改进的快速SURF特征点提取,并完成特征匹配,具体步骤是:
1、判断一幅区域化高分影像通过图元粗定位获取的对应区域图元集是否为空,若为空,则不进行改进SURF特征点提取,若非空,提取区域化高分影像的SURF特征点,并将特征点进行保存,若后续匹配需要再次用到区域化高分影像的SURF特征点,可直接使用保存结果,改进的快速SURF特征点提取过程具体描述如下:
构建Hessian矩阵构造高斯金字塔尺度空间。对图像上任意一点象素I(x,y),选用二阶标准高斯函数作为滤波器,通过特定核间的卷积计算二阶偏导数得出Hessian矩阵如下:
其中L(x,t)=G(t)*I(x,t),L(x,t)是一幅图像在不同解析度下的表示,可以利用高斯核G(t)与图像函数I(x)在点x的卷积来实现,其中高斯核g(x)为高斯函数,t为高斯方差;
构建Hessian矩阵判别式det(H)=LxxLyy-(0.9Lxy)2,判别式的值是 Hessian矩阵的特征值,可以利用判定结果的符号将所有点分类,根据判别式取值正负,来判别该点是或不是极值点,不同模板的高斯平滑后得到了一张近似Hessian行列式图;
利用非极大值抑制初步确定特征点。由于高分遥感影像纹理较丰富,为了降低特征点数量并且将强特征点进行保留,构造m×m的滤波器,将经过Hessian矩阵处理过的每个像素点与其三维领域的 n(n=m2*3)个点进行大小比较,如果它是这n个点中的最大值或者最小值,则保留下来作为初步的特征点;
精确定位极值点。采用3维线性插值法得到亚像素级的特征点,同时也去掉那些值小于一定阈值的点,为了降低弱特征点的数量,通过增加极值的方式,使检测到的特征点数量减少,最终只有几个特征最强点会被检测出来;
选取特征点的主方向。在特征点的领域(例如,半径为6s的圆内, s为该点所在的尺度)内,统计60度扇形内所有点的水平Haar小波特征和垂直Haar小波特征总和,这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转,最后将最大值那个扇形的方向作为该特征点的主方向。
构造SURF特征点描述算子。在特征点周围取一个正方形框,框的边长为20s(s是所检测到该特征点所在的尺度)。该框方向为特征点主方向,然后把该框分为k个子区域,统计每个子区域像素的水平方向和垂直方向的Haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该Haar小波特征为水平方向值之和,水平方向绝对值之和,垂直方向之和,垂直方向绝对值之和。这样每个子区域就有4个值,所以每个特征点就是4*k维的向量;
2、提取对应区域图元集的SURF特征点,将特征点进行保存;
3、通过K邻近原理判断特征点的有效性,通过计算特征点间的欧氏距离判断特征点是否匹配,并把初步判断相互匹配的特征点进行保存,特征匹配过程具体描述如下:
以对应区域图元提取的特征点建立KD树,即K-dimension tree;
将区域化高分影像中的每个特征点到KD-tree中寻找k个最近邻点,这里k=2;
如果k(k=2)近邻找到了,计算区域化高分影像特征点与这两个特征点间的欧氏距离d0,d1,两个n维向量a(x11,x12,...,xn4与 b(x21,x22,...,x2n)间的欧氏距离如果d0/d1小于阈值NN_SQ_DIST_RATIO_THR,则认为特征点是有效特征。
所述步骤50中利用RANSAC算法对提取到的特征点进行错误点剔除,具体步骤是:
1、对步骤40中得到的新的特征点使用RANSAC算法进行特征匹配,计算出匹配最佳的图像转换矩阵,通过反复测试、迭代找出错误最小的模型,使得尽量多的特征点间符合这个变换关系,不符合这个变换关系的特征点要剔除,每个图元只保留3~5个特征点,RANSAC算法剔除错误特征点具体描述如下:
(1)从特征点集中随机抽选一个RANSAC样本,一般为n个匹配点对;
(2)根据这n个匹配点对计算变换矩阵M;
(3)根据特征点集,变换矩阵M以及误差度量函数计算满足当前变换矩阵的一致集consensus,并返回一致集中元素个数;
(4)根据当前一致集中元素个数判断是否为最优一致集,若是则更新当前最优一致集;
(5)更新当前错误概率p,若p仍大于允许的最小错误概率(一般为0.01,即正确率达到99%)则重复(1)至(4)继续迭代,直到当前错误概率p小于最小错误概率,当前错误概率p的计算公式为:
p=(1-in_fracm)k
其中in_frac是当前最优一致集中元素(内点)个数占特征点总数的百分比,表征了当前最优一致集的优劣;m是计算变换矩阵需要的最小特征点对个数,是固定值,一般是4;k是迭代次数。
2、保存区域化高分影像及对应区域图元集间相匹配的特征点到文本文件,不同的区域化高分影像分开保存,文本文件名与区域化高分影像文件名一致,并加上“SURF”字符标记为特征点文本文件。
所述步骤60中区域化的高分影像间匹配点合并,具体步骤是:
1、读取步骤50中得到的特征点文本文件,并根据文本文件名称中包含的左上角点图像坐标将区域化高分影像特征点在区域化高分影像中的图像坐标转化为在整幅高分影像中的图像坐标;
2、合并所有特征点文本文件,得到一个针对整幅高分影像和对应区域图元集的特征点文件。
所述步骤70中混合区域的多项式错点迭代剔除,具体步骤是:
1、三倍标准差剔除错误控制点。计算所有控制点的误差平均值和标准差,然后对控制点进行逐个筛选,若控制点误差大于3倍标准差,剔除该控制点;
2、多项式迭代剔除错误控制点。需要设置多项式阶数,最多迭代次数,最大允许误差像素,具体算法描述如下:
(1)读取待校正影像、参考影像的X坐标,Y坐标,这里的待校正影像坐标为图像坐标,参考影像坐标为地理坐标;
(2)根据读取的坐标信息计算多项式系数;
(3)计算每个控制点的X方向残差res_x、Y方向残差res_y,均方误差若满足以下条件:
ptRMS>剩余迭代次数*最大允许误差像素
则将该控制点剔除,保存最大均方误差为maxErr;
(4)若最大均方误差maxErr大于最大允许误差像素且剩余迭代次数不为0,则重复(1)至(3)继续迭代,直至满足迭代停止条件。
(三)技术效果
本发明与现有的技术方案相比具有如下的优点及有益效果:本发明只需要输入一幅高分影像,就可以自动完成图像配准并显示配准结果,提高了图像配准的自动化水平;本发明针对遥感图像数据量大的特点,优化了图像配准算法,大大减少了遥感图像配准时间,提高了工作效率;本发明提出了一种适用于高分一号卫星数据的图像配准方法,通过构建并完善控制点图元数据库,改变了过去遥感图像配准依赖参考影像的现状;本发明的控制点图元数据库只需构建一次,并且可以在后续工作中不断完善,若数据库合理且完善,则今后的每一幅高分影像都可以在数据库中找到对应区域图元,从而完成图像配准。实验结果表明:本发明提出的基于高分一号卫星数据的控制点图元快速匹配方法可以自动完成高分一号影像的匹配,大大减少了配准时间,提高了工作效率,并且通过构建和完善控制点图元数据库结束了遥感图像配准依赖整幅参考影像的现状。
附图说明
图1是本发明实施例的基于高分一号卫星数据的控制点图元快速匹配流程图
图2是控制点图元的高分参考影像源
图3是获取的图元集(部分)
图4是待校正高分影像
图5是区域化高分影像集(部分)
图6是一幅区域化高分影像
图7是图6所示区域化高分影像的对应区域图元集
图8是合并后特征点匹配图
图9是图8中匹配特征点误差统计图(部分)
图10是错点剔除后特征点匹配图
图11是图10中匹配特征点误差统计图(部分)
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,是本发明实施例的基于高分一号卫星数据的控制点图元快速匹配方法流程图,本实施例包括如下步骤:
步骤10、图元采集与增强,获取图元集;
本实例图元集的获取来源于如图2的16位高分参考影像,由于高分影像是16位影像,像素值集中在0~500之间,故采集与增强的方式不同于其他影像;目前遥感领域内的图像配准依赖于参考影像,这种方法有两个缺陷,一是由于整幅的参考影像覆盖范围较大,若对整幅参考影像提取特征点,必然会降低算法效率,同时提取到的特征点必然包含一些辨识度不高的特征点;二是参考影像大小不同,分辨率不同,不便于管理,通过构建并完善控制点图元数据库可以改善以上两个缺点,具体步骤如下:
11:选取高分参考影像上特征明显的控制点进行标记;
12:标记控制点位置为图元中心位置,以不同大小窗口采集不同大小的图元,本实例采集512*512大小的图元,图元集(部分)如图 3所示;
13:根据整幅高分影像像素分布情况对图元进行增强,将图元由 16位影像转换为8位影像,具体增强方式步骤如下:
131:统计整幅高分参考影像灰度直方图。设统计直方图的灰度值最小值dfMin=-0.5,最大值dfMax=65535.5,若最小值为0,最大值为65535,则无法统计0和65535这两个端点值;统计直方图份数nBuckets=65536,即每一级灰度值都要统计其像素个数;
132:根据统计直方图,获取高分影像总像素个数Total,并获取高分影像前2%像素的上限值,记为low,获取高分影像后2%像素的下限值,记为high;
133:由于要将图元进行增强并由16位影像转换为8位影像,故设转换目标影像象素值下限dfDstMin=0,上限为dfDstMax=255;
134:对待增强图元影像的每一个像素值PixValue做如下判断并做相应的操作:
14:将图元分辨率、大小、传感器类型,图元中心点、左右角点地理坐标,图元保存路径等信息写入数据库。
步骤20、高分影像区域化与增强,获取区域化高分影像集;
本实例待校正高分影像如图4,由于高分影像包含信息的不同,如高山、平原、河流、建筑等,特征提取时所依赖的模型也会不同,若不做区域化处理直接提取整幅影像特征点,所得结果效果不好,故需进行区域化处理,得到的每幅区域化高分影像尽可能只包含一种地形或一类地物,具体步骤如下:
21:对整幅待校正高分影像进行区域化分割。
22:根据整幅高分影像像素分布情况对区域化高分影像进行增强,将区域化高分影像由16位影像转换为8位影像,且保存为图像文件,最终获取的区域化高分影像集如图5,文件名称包含区域化高分影像左上角点图像坐标,图像坐标指以图像左上角为坐标原点,水平向右方向为X轴,垂直向下方向为Y轴的坐标体系的像素坐标。
步骤30、通过RPC辅助的粗定位方法,建立区域化高分影像的同区域图元集;
本实例区域化高分影像粗定位以获取同区域图元集步骤如下:
31:计算区域化高分影像四个角点在整幅高分影像中的图像坐标;
32:根据DEM文件建立RPC辅助的像点坐标与地理坐标的转换模型,把上述四个角点的图像坐标转换为地理坐标,并得到最大最小地理坐标,即区域化高分影像地理坐标范围;
33:计算每幅区域化高分影像的地理坐标范围,并根据其地理坐标范围查询步骤14中建立的图元数据库,得到对应区域的图元集,本实例其中一幅区域化高分影像及其对应区域图元集如图6,图7。
34:将查询到的对应区域图元的个数及图元路径保存于文本文件中,不同的区域化高分影像查询结果分开保存,且文本文件名称与区域化高分影像名称保持一致。
步骤40、分别对区域化高分影像及同区域图元集进行快速SURF 特征点提取;
本实例主要利用改进的SURF方法对区域化高分影像集以及对应区域图元集进行快速特征点提取,并初步确定匹配特征点,具体步骤如下:
41:判断一幅区域化高分影像通过图元粗定位获取的对应区域图元集是否为空,若为空,则不进行改进SURF特征点提取,若非空,提取区域化高分影像的SURF特征点,并将特征点进行保存,若后续匹配需要再次用到区域化高分影像的SURF特征点,可直接使用保存结果,改进的快速SURF特征点提取过程具体描述如下:
411:构建Hessian矩阵构造高斯金字塔尺度空间。对图像上任意一点象素I(x,y),选用二阶标准高斯函数作为滤波器,通过特定核间的卷积计算二阶偏导数得出Hessian矩阵如下:
其中L(x,t)=G(t)*I(x,t),L(x,t)是一幅图像在不同解析度下的表示,可以利用高斯核G(t)与图像函数I(x)在点x的卷积来实现,其中高斯核g(x)为高斯函数,t为高斯方差;
412:构建Hessian矩阵判别式det(H)=LxxLyy-(0.9Lxy)2,判别式的值是Hessian矩阵的特征值,可以利用判定结果的符号将所有点分类,根据判别式取值正负,来判别该点是或不是极值点,不同模板的高斯平滑后得到了一张近似Hessian行列式图;
413:利用非极大值抑制初步确定特征点。本实例构造4×4的滤波器,将经过Hessian矩阵处理过的每个像素点与其三维领域的47 个点进行大小比较,如果它是这47个点中的最大值或者最小值,则保留下来作为初步的特征点;
414:精确定位极值点。采用3维线性插值法得到亚像素级的特征点,同时也去掉那些值小于一定阈值的点,增加极值使检测到的特征点数量减少,最终只有几个特征最强点会被检测出来;
415:选取特征点的主方向。在特征点的领域(例如,半径为6s 的圆内,s为该点所在的尺度)内,统计60度扇形内所有点的水平Haar 小波特征和垂直Haar小波特征总和,这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转,最后将最大值那个扇形的方向作为该特征点的主方向。
416:构造SURF特征点描述算子。在特征点周围取一个正方形框,框的边长为20s(s是所检测到该特征点所在的尺度)。该框方向为特征点主方向,然后把该框分为4个子区域,统计每个子区域像素的水平方向和垂直方向的Haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该Haar小波特征为水平方向值之和,水平方向绝对值之和,垂直方向之和,垂直方向绝对值之和。这样每个子区域就有4个值,所以每个特征点就是4*4=16维的向量;
42:提取对应区域图元集的SURF特征点,将特征点保存在文本文件中;
43:通过K邻近原理判断特征点的有效性,通过计算特征点间的欧氏距离判断特征点是否匹配,并把初步判断相互匹配的特征点保存于新的描述子中,特征匹配过程具体描述如下:
431:以对应区域图元提取的特征点描述子feature_Ref建立KD 树,即K-dimension tree;
432:将区域化高分影像中的每个特征点feature_Rec到KD-tree 中寻找k个最近邻点,本实例中k=2;
433:如果k=2近邻找到了,计算区域化高分影像特征点与这两个特征点间的欧氏距离d0,d1,两个n维向量a(x11,x12,...,x1n)与 b(x21,x22,...,x2n)间的欧氏距离如果d0/d1小于阈值NN_SQ_DIST_RATIO_THR,本实例阈值取0.2,则认为特征点是有效特征。
步骤50:利用RANSAC法对提取到的特征点进行错误点稀疏剔除;
本实例具体利用RANSAC法对提取到的特征点进行错误点剔除,具体步骤如下:
51:对步骤43中得到的新的特征点描述子使用RANSAC算法进行特征匹配,计算出匹配最佳的图像转换矩阵,通过反复测试、迭代找出错误最小的模型,使得尽量多的特征点间符合这个变换关系,不符合这个变换关系的特征点要剔除,每个图元只保留3~5个特征点,本实例每个匹配到的图元最多保留3个特征点,RANSAC算法剔除错误特征点具体描述如下:
511:从特征点集中随机抽选一个RANSAC样本,本实例 RANSAC样本为4个匹配点对;
512:根据这4个匹配点对计算变换矩阵M;
513:根据特征点集,变换矩阵M以及误差度量函数计算满足当前变换矩阵的一致集consensus,并返回一致集中元素个数;
514:根据当前一致集中元素个数判断是否为最优一致集,若是则更新当前最优一致集;
515:更新当前错误概率p,若p仍大于允许的最小错误概率 (p_badxform,一般为0.01,即正确率达到99%)则重复511至514 继续迭代,直到当前错误概率p小于最小错误概率,当前错误概率p 的计算公式为:
p=(1-in_fracm)k
其中in_frac是当前最优一致集中元素(内点)个数占特征点总数的百分比,表征了当前最优一致集的优劣;m是计算变换矩阵需要的最小特征点对个数,是固定值,一般是4;k是迭代次数,本实例中设置为20。
52:保存区域化高分影像及对应区域图元集间相匹配的特征点到文本文件,不同的区域化高分影像分开保存,文本文件名与区域化高分影像文件名一致,并加上“SURF”字符标记为特征点文本文件,匹配特征点保存格式为:[区域化高分影像特征点图像坐标X][区域化高分影像特征点图像坐标Y][区域化高分影像特征点图像坐标 Z];[图元特征点地理坐标X][图元特征点地理坐标Y][图元特征点地理坐标Z],一组匹配特征点占文本文件一行。
步骤60:区域化的高分影像间匹配点合并;
本实例区域间匹配点合并,具体步骤如下:
61:读取步骤52中得到的特征点文本文件,并根据文本文件名称中包含的左上角点图像坐标将区域化高分影像特征点在区域化高分影像中的图像坐标转化为在整幅高分影像中的图像坐标;
62:合并所有特征点文本文件,得到一个针对整幅高分影像和对应区域图元集的特征点文件。本实例区域间匹配点合并后待校正影像与控制点图元特征点匹配图如图8,特征点误差统计图如图9
步骤70、混合区域的多项式错点迭代剔除;
本实例混合区域错点剔除主要通过三倍标准差剔除以及多项式迭代剔除错误控制点,具体步骤如下:
71:三倍标准差剔除错误控制点。计算所有控制点的误差平均值和标准差,然后对控制点进行逐个筛选,若控制点误差大于3倍标准差,剔除该控制点;
72:多项式迭代剔除错误控制点。本实例默认为三阶多项式,迭代次数20次,最大允许误差像素为5个像素,具体算法描述如下:
721:读取待校正影像、参考影像的X坐标,Y坐标,这里的待校正影像坐标为图像坐标,参考影像坐标为地理坐标;
722:根据读取的坐标信息进行三阶多项式的系数计算;
723:计算每个控制点的X方向残差res_x、Y方向残差res_y,均方误差若满足以下条件:
ptRMS>剩余迭代次数*最大允许误差像素
则将该控制点剔除,保存最大均方误差为maxErr;
724:若最大均方误差maxErr大于最大允许误差像素且剩余迭代次数不为0,则重复721至723继续迭代,直至满足迭代停止条件。本实例混合区域错点剔除后所获得的最终待校正影像与控制点图元特征点匹配图如图10,特征点误差统计图如图11。
实验结果表明,通过本技术方案,可以不依赖整幅参考影像快速完成高分一号卫星影像的配准,配准耗费时间大大减少,并且配准效果理想。通过对图元数据库的不断完善,今后对每一幅高分影像都能在数据库中找到对应区域的控制点图元,从而完成图像配准,提高了工作效率,为后续工作打下良好基础。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,包括:
步骤10、图元采集与增强处理,获取控制点图元集;其图元集的获取来源于高分一号卫星影像,具体步骤是:
选取高分参考影像上特征明显的控制点进行标记;
标记控制点位置为图元中心位置,以不同大小窗口采集不同大小的图元;
根据整幅高分影像像素分布情况对图元进行增强处理,将图元由16位影像转换为8位影像;
将图元分辨率、图元大小、传感器类型、图元中心点地理坐标、图元左上角点地理坐标、图元右下角点地理坐标、图元保存路径信息写入数据库;
步骤20、高分影像区域化与增强处理,获取区域化高分影像集;
步骤30、通过RPC辅助的粗定位方法,建立区域化高分影像的同区域图元集;其具体步骤是:
计算区域化高分影像四个角点在整幅高分影像中的图像坐标;
根据DEM文件建立RPC辅助的图像坐标与地理坐标的转换模型,把上述四个角点的图像坐标转换为地理坐标,并得到最大最小地理坐标,即区域化高分影像地理坐标范围;
计算每幅区域化高分影像的地理坐标范围,并根据其地理坐标范围查询步骤10中建立的图元数据库,得到对应区域的控制点图元集;
将查询到的对应区域的控制点图元集的个数及图元路径保存于文本文件中,不同的区域化高分影像查询结果分开保存,且文本文件名称与区域化高分影像名称保持一致;
步骤40、分别对区域化高分影像及同区域图元集进行快速SURF特征点提取;
步骤50、利用RANSAC法对提取到的特征点进行错误点稀疏剔除;
步骤60、区域化高分影像间匹配点合并;
步骤70、混合区域的多项式错点迭代剔除。
2.如权利要求1所述的基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,所述步骤20中高分影像区域化与增强处理,获取区域化高分影像集,具体步骤是:
对整幅待校正高分影像进行区域化分割,得到的每幅区域化高分影像尽可能分布在同类地形或包含同种地物;
根据整幅高分影像像素分布情况对区域化高分影像进行增强,将区域化高分影像由16位影像转换为8位影像,且保存为图像文件,文件名称包含区域化高分影像左上角点图像坐标,图像坐标指以图像左上角为坐标原点,水平向右方向为X轴,垂直向下方向为Y轴的坐标体系的像素坐标。
3.如权利要求1所述的基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,所述步骤40中分别对区域化高分影像及同区域图元集进行快速SURF特征点提取,具体步骤是:
判断一幅区域化高分影像通过图元粗定位获取的对应区域图元集是否为空,若为空,直接返回判断下一幅区域化高分影像,若非空,提取区域化高分影像的SURF特征点,并把特征点进行保存,当后续处理需要再次用到区域化高分影像的SURF特征点时,可直接进行特征点使用,避免了特征点重复提取,节省了大量时间;
对同区域控制点图元集进行同样处理,将快速提取的SURF特征点进行保存;
通过K邻近原理判断特征点的有效性,通过计算特征点间的欧氏距离判断特征点是否匹配,并把初步判断相互匹配的特征点对保存于匹配点集合中。
4.如权利要求1所述的基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,所述步骤50中利用RANSAC算法对提取到的匹配点进行错误点稀疏剔除,具体步骤是:
对步骤40中得到的匹配点集合使用RANSAC算法进行特征匹配,计算出匹配最佳的图像转换矩阵,通过反复测试、迭代找出错误最小的模型,使得尽量多的特征点间符合这个变换关系,不符合这个变换关系的特征点要剔除,考虑到最终特征点集合的匹配效率问题,每个图元只保留3~5个特征点;
保存区域化高分影像及对应区域图元集间相匹配的特征点到文本文件,不同的区域化高分影像分开保存,文本文件名与区域化高分影像文件名一致,并加上“SURF”字符标记为特征点文本文件。
5.如权利要求1所述的基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,所述步骤60中区域化高分影像间匹配点合并,具体步骤是:
读取步骤50中得到的特征点文本文件,并根据文本文件名称中包含的左上角点图像坐标将区域化高分影像特征点在区域化高分影像中的图像坐标转化为在整幅高分影像中的图像坐标;
合并所有特征点文本文件,得到一个针对整幅高分影像和同区域图元集的特征点文件。
6.如权利要求1所述的基于高分一号卫星数据的控制点图元快速匹配方法,其特征在于,所述步骤70中混合区域错点多项式迭代剔除,具体步骤是:
三倍标准差剔除错误控制点;计算所有控制点的误差平均值和标准差,然后对控制点进行逐个筛选,若控制点误差大于3倍标准差,剔除该控制点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410797757.8A CN104778679B (zh) | 2014-12-22 | 2014-12-22 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410797757.8A CN104778679B (zh) | 2014-12-22 | 2014-12-22 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778679A CN104778679A (zh) | 2015-07-15 |
CN104778679B true CN104778679B (zh) | 2019-07-12 |
Family
ID=53620127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410797757.8A Expired - Fee Related CN104778679B (zh) | 2014-12-22 | 2014-12-22 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778679B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239463B (zh) * | 2016-03-28 | 2020-07-07 | 中国移动通信集团江苏有限公司 | 一种景区地图生成方法及装置 |
CN106920235B (zh) * | 2017-02-28 | 2020-06-26 | 中国科学院电子学研究所 | 基于矢量底图匹配的星载光学遥感影像自动校正方法 |
CN107610164B (zh) * | 2017-09-11 | 2020-07-14 | 北京空间飞行器总体设计部 | 一种基于多特征混合的高分四号影像配准方法 |
CN107607205A (zh) * | 2017-09-30 | 2018-01-19 | 江苏西格数据科技有限公司 | 线束颜色顺序检测系统和方法 |
CN108921847B (zh) * | 2018-08-08 | 2022-06-24 | 长沙理工大学 | 基于机器视觉的桥梁底部检测方法 |
CN109785283B (zh) * | 2018-11-27 | 2021-05-04 | 佛山市奥策科技有限公司 | 一种用于织物分割的纹理特征匹配方法及装置 |
CN109598751B (zh) * | 2018-12-14 | 2023-05-23 | 强联智创(苏州)医疗科技有限公司 | 一种医学影像图片处理的方法、设备及装置 |
CN110675388B (zh) * | 2019-09-27 | 2024-02-02 | 沈阳派得林科技有限责任公司 | 一种焊缝图像相似性比较方法 |
CN111695396A (zh) * | 2019-12-19 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种遥感图像匹配方法、装置、电子设备及可读存储介质 |
CN112418049B (zh) * | 2020-11-17 | 2023-06-13 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感影像的水体变化检测方法 |
CN112988934B (zh) * | 2021-03-15 | 2021-09-28 | 南宁师范大学 | 基于snap架构的高分三号卫星数据转换方法及装置 |
CN113643369A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 针对遥感影像的定位信息校正方法 |
CN114037913B (zh) * | 2022-01-10 | 2022-04-26 | 成都国星宇航科技有限公司 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218783A (zh) * | 2013-04-17 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 基于控制点影像数据库的卫星遥感图像快速几何纠正方法 |
CN103810701A (zh) * | 2014-01-15 | 2014-05-21 | 北京农业信息技术研究中心 | 一种无人机载成像高光谱几何校正的方法及系统 |
-
2014
- 2014-12-22 CN CN201410797757.8A patent/CN104778679B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218783A (zh) * | 2013-04-17 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 基于控制点影像数据库的卫星遥感图像快速几何纠正方法 |
CN103810701A (zh) * | 2014-01-15 | 2014-05-21 | 北京农业信息技术研究中心 | 一种无人机载成像高光谱几何校正的方法及系统 |
Non-Patent Citations (4)
Title |
---|
基于SURF特征提取的遥感图像自动配准;葛盼盼 等;《计算机系统应用》;20140331;第23卷(第3期);摘要、正文第1-3部分 * |
基于图像匹配的星载遥感影像自动几何精校正算法;张多坤 等;《遥感技术与应用》;20081031;第23卷(第5期);全文 * |
星载遥感影像几何精校正方法研究及系统设计;李立钢;《中国博士学位论文全文数据库 信息科技辑》;20070615(第06期);第5.3节、第6.5-6.8节 * |
遥感影像纠正中控制点库建立相关技术;莫华 等;《测绘科学技术学报》;20070228;第24卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778679A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778679B (zh) | 一种基于高分一号卫星数据的控制点图元快速匹配方法 | |
Unsalan et al. | Road network detection using probabilistic and graph theoretical methods | |
Chen et al. | Vehicle detection in high-resolution aerial images via sparse representation and superpixels | |
CN104156965B (zh) | 一种矿井监控图像自动快速拼接方法 | |
CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
Cléri et al. | Automatic georeferencing of a heritage of old analog aerial photographs | |
Liu et al. | Multi-sensor image registration by combining local self-similarity matching and mutual information | |
Guo et al. | Exploring GIS knowledge to improve building extraction and change detection from VHR imagery in urban areas | |
Li et al. | A novel framework for urban change detection using VHR satellite images | |
Dowman | Automating image registration and absolute orientation: solutions and problems | |
Bähr | Image segmentation for change detection in urban environments | |
Hussnain et al. | Automatic feature detection, description and matching from mobile laser scanning data and aerial imagery | |
Changjie et al. | Algorithm of remote sensing image matching based on corner-point | |
Aktar et al. | Robust mosaicking of maize fields from aerial imagery | |
Elwan et al. | SAR image matching based on local feature detection and description using convolutional neural network | |
Jende et al. | Low-level tie feature extraction of mobile mapping data (mls/images) and aerial imagery | |
Yuan et al. | Graph neural network based multi-feature fusion for building change detection | |
Jiao et al. | Individual Building Rooftop and Tree Crown Segmentation from High‐Resolution Urban Aerial Optical Images | |
Sushma et al. | Text detection in color images | |
Avudaiamma et al. | Automatic building extraction from VHR satellite image | |
Cui et al. | Building detection and recognition from high resolution remotely sensed imagery | |
Wang et al. | Application of improved SURF algorithm in real scene matching and recognition | |
Yildirim et al. | Comparison of image matching algorithms on satellite images taken in different seasons |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 Termination date: 20191222 |