CN105205811A - 一种烟田遥感图像匹配算法 - Google Patents
一种烟田遥感图像匹配算法 Download PDFInfo
- Publication number
- CN105205811A CN105205811A CN201510548515.XA CN201510548515A CN105205811A CN 105205811 A CN105205811 A CN 105205811A CN 201510548515 A CN201510548515 A CN 201510548515A CN 105205811 A CN105205811 A CN 105205811A
- Authority
- CN
- China
- Prior art keywords
- delta
- point
- omega
- sigma
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种烟田遥感图像匹配算法,该算法是以SURF特征点提取算法中的多尺度和特征点描述符为理论基础,将传统Harris角点检测算法在单一尺度下检测角点变为多尺度提取,使检测出的特征点具有尺度不变性,将尺度空间理论和特征点描述符的思想应用到传统的Harris角点检测算法中,实现了具有抗尺度、光照及噪声变化的特征点提取算法,提高了遥感图像配准精度和速率。
Description
技术领域
本发明涉及数字图像处理领域,更具体地,涉及一种烟田遥感图像匹配算法。
背景技术
目前烟田图像匹配大致可分为基于灰度值和基于特征两大类。其中,基于特征的方法取得了飞速的发展,常用的图像特征有点、边缘、区域和轮廓等。一般而言,提取特征点相对容易,能对图像间的旋转、平移、光照等变化保持不变。特征点是在图像局部区域中变化最剧烈的点,如交叉点。特征点提取的精度及质量好坏直接影响后续的图像配准、图像拼接、物体识别等视觉处理任务。
现有技术中一般采用Harri算法,但该算法只能在单一尺度下检测角点,不具有尺度不变性,而且时间效率低。此外,基于Harris的匹配算法通常采用灰度窗口的相关系数进行匹配,如果图像发生光照、尺度、噪声等变化则会提取出伪角点。
发明内容
本发明提供一种烟田遥感图像匹配算法,该算法时间效率较高。
为了达到上述技术效果,本发明的技术方案如下:
一种烟田遥感图像匹配算法,包括以下步骤:
S1:采用单尺度Harris角点检测算法对图像进行检测并提取角点,获得图像角点集;
S2:使用Hessian矩阵检测图像极值点,进行特征点定位,并确定特征点所在位置及尺度值;
S3:将Harris检测出的角点集与S2中提取的特征点合并,剔除重复点及对尺度变化不稳定的特征点,形成初始特征点集;
S4:确定初始特征点集的主方向,并为每个特征点生成64维的特征描述符;
S5:分别对参考图像和待配准图像使用S1-S4的方法提取特征点,然后进行特征点匹配。
进一步地,所述步骤S1的过程如下:
以图像I(x,y)中的一点(x,y)为中心,给定一个小窗ω,令小窗ω在图像I(x,y)中不同方向的位移为Δx、Δy,图像I(x,y)中每一点的自相关函数表示为:
式中Ix、Iy为图像I(x,y)的方向导数, 为高斯滤波器;
计算M(x,y)的特征值来确定点(x,y)是否是角点。
进一步地,所述步骤S2的过程如下:
S31:利用SURF算法计算图像I(x,y)尺度空间中的极值点作为候选特征点;
S32:定义图像I(x,y)中的点x在尺度σ处的Hessian矩阵定矩阵 利用H矩阵求出图像在(x,y,σ)处的极值后,在极值点的3×3×3立体邻域内进行非极大值抑制,选择比上一尺度、下一尺度及本尺度周围的26个邻域值都大或者都小的极值点作为候选特征点,然后在尺度空间和图像空间中进行插值运算,得到稳定特征点位置及所在尺度值;
S33:以特征点为中心,计算半径为6s邻域内的点在水平和垂直方向上的Harr小波响应,然后给这些响应值赋予高斯权重系数,接着将60°范围内的响应累加形成新的矢量,最后遍历整个圆像区域,选择最长矢量方向作为特征点的主方向;
S34:以特征点为中心,将坐标轴旋转到主方向,按主方向选取边长为20s的正方形区域,将该窗口区域划分成4×4的子区域,计算5s×5s范围内的小波响应,相对于主方向的水平、垂直方向的Haar小波响应为dx、dy,同样赋予响应值系数,然后将每个子区域的响应系数及其绝对值相加形成矢量V=(Σdx,Σdy,Σ|dx|,Σ|dy|)即为特征描述符,式中s表示特征点的尺度值。
与现有技术相比,本发明技术方案的有益效果是:
本发明算法是以SURF特征点提取算法中的多尺度和特征点描述符为理论基础,将传统Harris角点检测算法在单一尺度下检测角点变为多尺度提取,使检测出的特征点具有尺度不变性,将尺度空间理论和特征点描述符的思想应用到传统的Harris角点检测算法中,实现了具有抗尺度、光照及噪声变化的特征点提取算法,提高了遥感图像配准精度和速率。
附图说明
图1为本发明的流程图;
图2为匹配参考图;
图3为采用Harris匹配的实验结果图;
图4为采用本发明算法匹配的实验结果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种烟田遥感图像匹配算法,包括以下步骤:
S1:采用单尺度Harris角点检测算法对图像进行检测并提取角点,获得图像角点集;
S2:使用Hessian矩阵检测图像极值点,进行特征点定位,并确定特征点所在位置及尺度值;
S3:将Harris检测出的角点集与S2中提取的特征点合并,剔除重复点及对尺度变化不稳定的特征点,形成初始特征点集;
S4:确定初始特征点集的主方向,并为每个特征点生成64维的特征描述符;
S5:分别对参考图像和待配准图像使用S1-S4的方法提取特征点,然后进行特征点匹配。
步骤S1的过程如下:
以图像I(x,y)中的一点(x,y)为中心,给定一个小窗ω,令小窗ω在图像I(x,y)中不同方向的位移为Δx、Δy,图像I(x,y)中每一点的自相关函数表示为:
式中Ix、Iy为图像I(x,y)的方向导数, 为高斯滤波器;
计算M(x,y)的特征值来确定点(x,y)是否是角点。
步骤S2的过程如下:
S31:利用SURF算法计算图像I(x,y)尺度空间中的极值点作为候选特征点;
S32:定义图像I(x,y)中的点x在尺度σ处的Hessian矩阵定矩阵 利用H矩阵求出图像在(x,y,σ)处的极值后,在极值点的3×3×3立体邻域内进行非极大值抑制,选择比上一尺度、下一尺度及本尺度周围的26个邻域值都大或者都小的极值点作为候选特征点,然后在尺度空间和图像空间中进行插值运算,得到稳定特征点位置及所在尺度值;
S33:以特征点为中心,计算半径为6s邻域内的点在水平和垂直方向上的Harr小波响应,然后给这些响应值赋予高斯权重系数,接着将60°范围内的响应累加形成新的矢量,最后遍历整个圆像区域,选择最长矢量方向作为特征点的主方向;
S34:以特征点为中心,将坐标轴旋转到主方向,按主方向选取边长为20s的正方形区域,将该窗口区域划分成4×4的子区域,计算5s×5s范围内的小波响应,相对于主方向的水平、垂直方向的Haar小波响应为dx、dy,同样赋予响应值系数,然后将每个子区域的响应系数及其绝对值相加形成矢量V=(Σdx,Σdy,Σ|dx|,Σ|dy|)即为特征描述符,式中s表示特征点的尺度值。
本发明算法是以SURF特征点提取算法中的多尺度和特征点描述符为理论基础,将传统Harris角点检测算法在单一尺度下检测角点变为多尺度提取,使检测出的特征点具有尺度不变性,将尺度空间理论和特征点描述符的思想应用到传统的Harris角点检测算法中,实现了具有抗尺度、光照及噪声变化的特征点提取算法,提高了遥感图像配准精度和速率。
利用本发明算随机对5幅烟田图像与参考图像进行匹配,与传统的算法实验结果对比如图2-4所示,并与传统的算法进行比较匹配时间,如表1所示:
表1匹配时间对比表
图像编号 | Harri算法(时间/s) | 本发明算法(时间/s) |
1 | 11.2 | 7.4 |
2 | 17.5 | 11.3 |
3 | 39.6 | 31 |
4 | 40 | 26.5 |
5 | 24.6 | 17.3 |
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种烟田遥感图像匹配算法,其特征在于,包括以下步骤:
S1:采用单尺度Harris角点检测算法对图像进行检测并提取角点,获得图像角点集;
S2:使用Hessian矩阵检测图像极值点,进行特征点定位,并确定特征点所在位置及尺度值;
S3:将Harris检测出的角点集与S2中提取的特征点合并,剔除重复点及对尺度变化不稳定的特征点,形成初始特征点集;
S4:确定初始特征点集的主方向,并为每个特征点生成64维的特征描述符;
S5:分别对参考图像和待配准图像使用S1-S4的方法提取特征点,然后进行特征点匹配。
2.根据权利要求1所述的烟田遥感图像匹配算法,其特征在于,所述步骤S1的过程如下:
以图像I(x,y)中的一点(x,y)为中心,给定一个小窗ω,令小窗ω在图像I(x,y)中不同方向的位移为Δx、Δy,图像I(x,y)中每一点的自相关函数表示为:
式中Ix、Iy为图像I(x,y)的方向导数, 为高斯滤波器;
计算M(x,y)的特征值来确定点(x,y)是否是角点。
3.根据权利要求2所述的烟田遥感图像匹配算法,其特征在于,所述步骤S2的过程如下:
S31:利用SURF算法计算图像I(x,y)尺度空间中的极值点作为候选特征点;
S32:定义图像I(x,y)中的点x在尺度σ处的Hessian矩阵定矩阵 利用H矩阵求出图像在(x,y,σ)处的极值后,在极值点的3×3×3立体邻域内进行非极大值抑制,选择比上一尺度、下一尺度及本尺度周围的26个邻域值都大或者都小的极值点作为候选特征点,然后在尺度空间和图像空间中进行插值运算,得到稳定特征点位置及所在尺度值;
S33:以特征点为中心,计算半径为6s邻域内的点在水平和垂直方向上的Harr小波响应,然后给这些响应值赋予高斯权重系数,接着将60°范围内的响应累加形成新的矢量,最后遍历整个圆像区域,选择最长矢量方向作为特征点的主方向;
S34:以特征点为中心,将坐标轴旋转到主方向,按主方向选取边长为20s的正方形区域,将该窗口区域划分成4×4的子区域,计算5s×5s范围内的小波响应,相对于主方向的水平、垂直方向的Haar小波响应为dx、dy,同样赋予响应值系数,然后将每个子区域的响应系数及其绝对值相加形成矢量V=(Σdx,Σdy,Σ|dx|,Σ|dy|)即为特征描述符,
式中s表示特征点的尺度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548515.XA CN105205811A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田遥感图像匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548515.XA CN105205811A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田遥感图像匹配算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105205811A true CN105205811A (zh) | 2015-12-30 |
Family
ID=54953473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510548515.XA Pending CN105205811A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田遥感图像匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023198A (zh) * | 2016-05-16 | 2016-10-12 | 天津工业大学 | 基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110317922A1 (en) * | 2008-07-29 | 2011-12-29 | Superfish Ltd. | Increasing interest point coverage in an image |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN104008548A (zh) * | 2014-06-04 | 2014-08-27 | 无锡观智视觉科技有限公司 | 一种用于车载环视系统摄像头参数标定的特征点抽取方法 |
CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
-
2015
- 2015-08-31 CN CN201510548515.XA patent/CN105205811A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110317922A1 (en) * | 2008-07-29 | 2011-12-29 | Superfish Ltd. | Increasing interest point coverage in an image |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN104008548A (zh) * | 2014-06-04 | 2014-08-27 | 无锡观智视觉科技有限公司 | 一种用于车载环视系统摄像头参数标定的特征点抽取方法 |
CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
Non-Patent Citations (1)
Title |
---|
葛盼盼 等: "基于Harris角点和SURF特征的遥感图像匹配算法", 《计算机应用研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023198A (zh) * | 2016-05-16 | 2016-10-12 | 天津工业大学 | 基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426186B (zh) | 一种改进的surf快速匹配方法 | |
CN103456022B (zh) | 一种高分辨率遥感图像特征匹配方法 | |
CN104376319B (zh) | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 | |
CN105760812A (zh) | 一种基于Hough变换的车道线检测方法 | |
CN101650784B (zh) | 一种利用结构上下文特征进行图像匹配的方法 | |
CN105261014A (zh) | 一种多传感器遥感影像匹配方法 | |
CN102122359A (zh) | 一种图像配准方法及装置 | |
CN103400388A (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
CN103985108A (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
CN105184822A (zh) | 一种目标跟踪模板更新方法 | |
CN105389774A (zh) | 对齐图像的方法和装置 | |
CN101916445A (zh) | 一种基于仿射参数估计的图像配准方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN103345628A (zh) | 基于分层描述的目标识别和形状检索方法 | |
CN104715491A (zh) | 一种基于一维灰度矩的亚像素边缘检测方法 | |
CN104240231A (zh) | 基于局部结构二进制模式的多源图像配准 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN109558908A (zh) | 一种给定区域最优边缘的确定方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN105513094A (zh) | 基于三维Delaunay三角剖分的立体视觉跟踪方法及系统 | |
CN103400136A (zh) | 基于弹性匹配的目标识别方法 | |
CN103914690A (zh) | 一种基于射影不变量的形状匹配方法 | |
CN104156723A (zh) | 一种具有尺度不变性的最稳定极值区域的提取方法 | |
CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
CN110599509A (zh) | 一种基于八方向分数阶微分算子的边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151230 |
|
WD01 | Invention patent application deemed withdrawn after publication |