CN105354841B - 一种快速遥感影像匹配方法及系统 - Google Patents
一种快速遥感影像匹配方法及系统 Download PDFInfo
- Publication number
- CN105354841B CN105354841B CN201510687565.6A CN201510687565A CN105354841B CN 105354841 B CN105354841 B CN 105354841B CN 201510687565 A CN201510687565 A CN 201510687565A CN 105354841 B CN105354841 B CN 105354841B
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- matched
- histogram
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000010354 integration Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种快速遥感影像匹配方法及系统，该方法包括以下步骤：S1、获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；S2、对待匹配影像和候选匹配区域进行精匹配，具体步骤为：S21、在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；S22、根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；S23、根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。本发明大大缩短了影像匹配的过程，提高了匹配的精度和算法的鲁棒性。
Description
技术领域
本发明涉及数字图像处理领域，尤其涉及一种快速遥感影像匹配方法及系统。
背景技术
影像匹配在遥感领域是基本且极富挑战性的技术，是包括环境监测、影像融合、影像配准、地图更新、景象辅助导航等遥感应用的关键前提，是航空航天摄影测量、遥感图像处理的核心问题，是自动化、高可靠的从影像中获取位置信息的关键步骤。其主要目标是在两幅影像中找到相同景象的重叠区域。由于遥感影像像素级别高，其光学畸变和几何畸变特别大，使得高效获取高精度的匹配结果非常困难，特别是对于不同源的影像，大多数方法难以达到实际的应用需求。因而本发明的主要内容是快速的获得影像之间的高精度匹配，以满足无人机景象辅助匹配导航等应用需求。
2006年熊智等在《宇航学报》上发表的论文“景象匹配辅助导航系统中的精确图象匹配算法研究”中在基于Hausdorff距离粗匹配的基础上采用最小二乘法实现参考图与实测图之间的匹配，该方法依赖于粗匹配的精度，难以在鲁棒性上得到保证。2010年颜洁等在《信息传输与接入技术》上发表的论文“基于图像匹配的定位分析”中采用多分辨率的匹配策略由低到高逐步得到较高精度的匹配影像，该方法最大的缺陷就是在低分辨率的层级进行匹配时，由于其信息丢失较多，并不能很好的定位搜索区域。2014年J.Liang等在《IEEETRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》上发表的论文“Automaticregistration of multisensor images using anintegrated spatial and mutualinformation(SMI)metric”中采用互信息(mutual information,MI)的度量方法对多传感器的遥感影像进行自动的配准，但是基于互信息的方法并不能在整个搜索空间中得到一个全局最优的匹配结果，因而不可避免的降低了该方法的鲁棒性。2014年Bin Li等在《IEEEGEOSCIENCE AND REMOTE SENSING LETTERS》上发表的论文“Image Matching Based onTwo-Column Histogram Hashing and Improved RANSAC”中首先采用两列直方图(two-column histogram,TCH)哈希技术得到初始的匹配区域，然后再利用尺度不变特征变换(Scale-invariant feature transform,SIFT)算子和一种改进的随机采样一致性(RANdomSAmple Consensus,RANSAC)技术得到较精确的匹配，该方法在构建哈希表和构建初始匹配的过程中都采用SIFT算子，其实时性难以得到保证，且其匹配精度很大程度上依赖于SIFT算子。
综上所述，尽管目前在影像匹配领域有许多相关技术出现，但都因某种局限性，很难同时保证影像匹配的精度和影像匹配的效率，而这两项指标是很多遥感应用的前提，因而有必要发明一种高效且高匹配精度的遥感影像匹配方法，满足无人机景象辅助导航等应用需求。
发明内容
本发明要解决的技术问题在于针对现有技术中影像匹配的匹配精度和匹配效率难以同时满足的缺陷，提供一种匹配精度高的快速遥感影像匹配方法和系统。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种快速遥感影像匹配方法，包括以下步骤：
S1、获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；
S2、对待匹配影像和候选匹配区域进行精匹配，具体步骤为：
S21、在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；
S22、根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；
S23、根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。
步骤S1具体包括以下步骤：
S11、对基准影像和待匹配影像进行直方图均衡化，并计算积分直方图；
S12、在基准影像中构建与待匹配影像相同大小的滑动窗口，设置步长进行滑动，将滑动窗口区域的影像与待匹配影像进行直方图匹配，选取相似度最大的区域作为候选匹配区域。
步骤S11中计算积分直方图的方法具体为：
先确定直方图的桶数nBin，然后根据影像大小nW×nH构建一个nW×nH×nBin的统计表；分别对每一个桶，逐像素统计该像素点所在位置和像素点所围区域中包含该桶像素值的个数。
步骤S12中直方图的匹配采用空间金字塔匹配方法。
步骤2中概率表达模型的计算公式为：
其匹配表达模型的计算公式为：
其中，xn和yn分别表示提取的第n对初始特征点匹配，N为初始匹配的大小，X＝(x1，x2，…，yN)T，Y＝(y1，y2，…，yN)T，θ＝{f，σ2，γ}为未知参数，cn为2×1的未知系数，α，β为初始化量，且α为图像面积，β取值范围为[0.08,0.12]。
本发明还提供一种快速遥感影像匹配系统，具体包括：
粗匹配单元，用于获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；
精匹配单元，用于对待匹配影像和候选匹配区域进行精匹配，具体包括以下部分：
特征提取单元，用于在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；
模型构建单元，用于根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；
模型计算单元，根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。
所述粗匹配单元具体包括：
直方图计算单元，用于对基准影像和待匹配影像进行直方图均衡化，并计算积分直方图；
候选匹配区域计算单元，用于在基准影像中构建与待匹配影像相同大小的滑动窗口，设置步长进行滑动，将滑动窗口区域的影像与待匹配影像进行直方图匹配，选取相似度最大的区域作为候选匹配区域。
本发明产生的有益效果是：本发明的快速遥感影像匹配方法，采用由粗到精的匹配策略，通过积分直方图匹配的方法在基准影像中快速的找到候选匹配区域，然后将该区域与实时采集的待匹配影像进行精确匹配，通过一种带有全局约束的概率模型构建待匹配影像与基准影像的几何关系，以找到待匹配影像在基准影像中的相对位置；本方法大大缩短了影像匹配的过程，提高了匹配的精度和算法的鲁棒性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的快速遥感影像匹配方法的流程图；
图2是本发明实施例的快速遥感影像匹配系统的结构示意图；
图3是本发明实施例的快速遥感影像匹配方法的结构框图；
图4是本发明实施例的快速遥感影像匹配方法的基准影像；
图5是本发明实施例的快速遥感影像匹配方法的待匹配影像；
图6是本发明实施例的快速遥感影像匹配方法的候选匹配区域影像；
图7是本发明实施例的快速遥感影像匹配方法的精匹配区域影像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的快速遥感影像匹配方法，包括以下步骤：
S1、获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；
S11、对基准影像和待匹配影像进行直方图均衡化，并计算积分直方图；计算积分直方图的方法具体为：
先确定直方图的桶数nBin，然后根据影像大小nW×nH构建一个nW×nH×nBin的统计表；分别对每一个桶，逐像素统计该像素点所在位置和像素点所围区域中包含该桶像素值的个数。
S12、在基准影像中构建与待匹配影像相同大小的滑动窗口，设置步长进行滑动，将滑动窗口区域的影像与待匹配影像进行直方图匹配，选取相似度最大的区域作为候选匹配区域；直方图的匹配采用空间金字塔匹配方法。
S2、对待匹配影像和候选匹配区域进行精匹配，具体步骤为：
S21、在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；
S22、根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；
概率表达模型的计算公式为：
其匹配表达模型的计算公式为：
其中，xn和yn分别表示提取的第n对初始特征点匹配，N为初始匹配的大小，X＝(x1，x2，…，xN)T，Y＝(y1，y2，…，yN)T，θ＝{f，σ2，γ}为未知参数，cn为2×1的未知系数，α，β为初始化量，且α为图像面积，β取值范围为[0.08,0.12]。
S23、根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。
如图2所示，本发明实施例的快速遥感影像匹配系统用于实现本发明实施例的快速遥感影像匹配方法，该系统具体包括粗匹配单元201和精匹配单元202，其中：
粗匹配单元201，用于获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；
粗匹配单元202具体包括以下两个部分：
直方图计算单元，用于对基准影像和待匹配影像进行直方图均衡化，并计算积分直方图；
候选匹配区域计算单元，用于在基准影像中构建与待匹配影像相同大小的滑动窗口，设置步长进行滑动，将滑动窗口区域的影像与待匹配影像进行直方图匹配，选取相似度最大的区域作为候选匹配区域。
精匹配单元，用于对待匹配影像和候选匹配区域进行精匹配；
精匹配单元具体包括以下三个部分：
特征提取单元，用于在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；
模型构建单元，用于根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；
模型计算单元，根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。
如图3所示，在本发明的另一个实施例中，本实施例的实现步骤如下：
1、粗匹配步骤，图4为基准影像，图5为待匹配影像SAR影像，如图3所示:
(1)首先分别对图4和图5进行直方图均衡化并计算积分直方图。
积分直方图的计算方法如下:
a.首先确定直方图的桶数nBin，根据影像的大小(nW×nH)构建一个nW×nH×nBin的统计表。
b.然后分别对每一个桶，进行逐像素的统计，每个统计值的意义是，在该像素点所在位置和像素原点所围区域中包含该桶像素值的个数，统计方法如下设计：
b1.首先对于每一个像素点，将其像素值对应的桶位记1；
b2.对每一桶，其统计值更新为前几行统计值的累加；
b3.对每一桶，其统计值更新为前几列统计值的累加；
b4.对每一桶，每一像素点最终的统计值由上方像素点的统计值加上左方像素点的统计值，再减去左上方像素点的统计值，按照从左至右，从上到下的顺序计算。
(2)接着在基准影像中构建与待匹配影像相同大小的滑动窗口，并以一定的步长滑动。将窗口区域的影像与待匹配影像进行直方图匹配，初始匹配结果如图6所示。
匹配方法可以采用空间金字塔匹配方法，空间金字塔构建中的直方图可以直接从积分直方图中得到，其计算公式为His(i+h-1,j+w-1)-His(i-1,j+w-1)-His(i+h-1,j-1)+His(i-1,j-1)，其中His(i,j)表示积分直方图统计表中，第i行，第j列，每一个桶位的统计值，式中h和w分别表示空间金字塔中每一个图像块的高度和宽度。其中本实施例基准图像的分辨率为1000×1000像素，SAR影像为400×400像素，基准影像窗口滑动步长为80，积分直方图桶大小为8，空间金字塔为3层。
2、精匹配步骤，如图3所示：
(1)首先对粗匹配中得到的粗匹配区域和待匹配影像分别进行特征点的提取，特征点的提取可以采用加速鲁棒特征子、ORB算子等等。
(2)接着由特征点构成的候选匹配f:X→Y构建概率表达模型，概率表达模型中，将正确的匹配构建为高斯分布，错误的匹配构建为均匀分布，然后构建混合概率模型:
其中xn和yn分别表示提取的第n对初始特征点匹配，N为初始匹配的大小，则X＝(x1，x2，…，xN)T，Y＝(y1，y2，…，yN)T，θ＝{f，σ2，γ}包含所有未知参数集，γ为混合系数，表示初始匹配点为正确匹配的可能性，f为两特征点集的变换模型,在可再生核希尔伯特空间中，其表达式为这里cn为2×1的系数，K(x，xn)＝exp(-β||x-xn||2)·I2×2为点x与点xn的高斯核。
变换函数的先验约束为：
从而可以构建带有隐变量的对数似然函数：
其中，pn＝P(zn＝1|xn，yn，θold)，∈n＝||yn-f(xn)||。
(3)通过EM算法以上模型进行求解，即最大化带有隐变量的对数似然函数Q(θ，θold)。
a.首先初始化参数λ，β，γ，α，f(xn)计算
b.然后按如下步骤进行迭代，直到Q(θ，θold)收敛：
b1.通过公式
更新P＝diag(p1，p2，…，pN)；
b2.通过公式C＝(K+λσ2P-1)-1Y更新矩阵C，C＝(c1，c2，…，cN)T，其中核矩阵K的第i行第j列的元素Kij＝exp(-β||xi-xj||2)；
b3.通过公式更新∈i；
b4.通过公式更新参数σ2；
b5.通过公式更新参数γ.
c.通过公式得到匹配模型f。
(4)通过匹配模型得到影像的精确匹配，如图7所示。
其中本实施例中参数初始化如下设置：λ＝1000，γ＝0.9，f(xn)＝xn，β＝0.1，α为待匹配影像的大小。
将本发明的方法在不同分辨率的遥感影像中进行试验，试验的结果显示，本发明在基准影像中得到的精匹配区域与待匹配影像相一致，并且匹配结果精度高，实时性好，对无人机景象辅助导航等应用有重要的指导意义。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种快速遥感影像匹配方法，其特征在于，包括以下步骤：
S1、获取基准影像和待匹配影像并对其进行粗匹配，分别对两幅影像构建积分直方图，根据待匹配影像与基准影像积分直方图的相似度确定候选匹配区域；
S11、对基准影像和待匹配影像进行直方图均衡化，并计算积分直方图；
a.首先确定直方图的桶数nBin，根据影像的大小nW×nH构建一个nW×nH×nBin的统计表；
b.然后分别对每一个桶，进行逐像素的统计，每个统计值的意义是，在该像素点所在位置和像素原点所围区域中包含该桶像素值的个数，统计方法如下设计：
b1.首先对于每一个像素点，将其像素值对应的桶位记1；
b2.对每一桶，其统计值更新为前几行统计值的累加；
b3.对每一桶，在步骤b2的更新基础上，其统计值更新为前几列统计值的累加；
b4.对每一桶，每一像素点最终的统计值由上方像素点的统计值加上左方像素点的统计值，再减去左上方像素点的统计值，按照从左至右，从上到下的顺序计算；
S12、在基准影像中构建与待匹配影像相同大小的滑动窗口，设置步长进行滑动，将滑动窗口区域的影像与待匹配影像进行直方图匹配，选取相似度最大的区域作为候选匹配区域；
匹配方法可以采用空间金字塔匹配方法，空间金字塔构建中的直方图直接从积分直方图中得到，其计算公式为：
His(i+h-1,j+w-1)-His(i-1,j+w-1)-His(i+h-1,j-1)+His(i-1,j-1)
其中His(i,j)表示积分直方图统计表中，第i行，第j列，每一个桶位的统计值，式中h和w分别表示空间金字塔中每一个图像块的高度和宽度；
S2、对待匹配影像和候选匹配区域进行精匹配，具体步骤为：
S21、在待匹配影像和候选匹配区域中进行特征提取，并构建特征点匹配集合；
S22、根据特征点的匹配集合构建概率表达模型和特征点映射的形式化表达；
S23、根据最大期望算法剔除误匹配，计算得出精确匹配模型，并通过精确匹配模型得到影像的精确匹配区域。
2.根据权利要求1所述的快速遥感影像匹配方法，其特征在于，步骤2中概率表达模型的计算公式为：
其匹配表达模型的计算公式为：
其中，xn和yn分别表示提取的第n对初始特征点匹配，N为初始匹配的大小，X＝(x1，x２，…，xN)T，Y＝(y1，y2，…，yN)T,θ＝{f，σ2，γ}为未知参数，cn为2×1的未知系数，α，β为初始化量，且α为图像面积，β取值范围为[0.08,0.12]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510687565.6A CN105354841B (zh) | 2015-10-21 | 2015-10-21 | 一种快速遥感影像匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510687565.6A CN105354841B (zh) | 2015-10-21 | 2015-10-21 | 一种快速遥感影像匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105354841A CN105354841A (zh) | 2016-02-24 |
| CN105354841B true CN105354841B (zh) | 2019-02-01 |
Family
ID=55330808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510687565.6A Expired - Fee Related CN105354841B (zh) | 2015-10-21 | 2015-10-21 | 一种快速遥感影像匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105354841B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP2019045898A (ja) * | 2017-08-29 | 2019-03-22 | エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ | 飛行体制御方法、飛行体、プログラム及び記録媒体 |
| CN107918938A (zh) * | 2017-11-16 | 2018-04-17 | 凌云光技术集团有限责任公司 | 一种点集与点集的匹配方法及装置 |
| CN109598750B (zh) * | 2018-12-07 | 2023-05-23 | 中国地质大学（武汉） | 一种基于变形空间金字塔的大尺度差异图像特征点匹配方法 |
| CN110148161A (zh) * | 2019-04-12 | 2019-08-20 | 中国地质大学（武汉） | 一种遥感图像误匹配剔除方法及系统 |
| CN111079556B (zh) * | 2019-11-25 | 2023-08-15 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
| CN110992413A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军火箭军工程大学 | 机载遥感影像的高精度快速配准方法 |
| CN114937211B (zh) * | 2022-07-25 | 2022-10-21 | 北京数慧时空信息技术有限公司 | 基于不变对象的遥感影像变化检测方法 |
| CN116109485B (zh) * | 2023-02-22 | 2024-09-20 | 中科星图数字地球合肥有限公司 | 遥感影像的更新方法、装置、电子设备和存储介质 |
| CN116543051B (zh) * | 2023-06-02 | 2024-07-02 | 江苏省人民医院（南京医科大学第一附属医院） | 基于计算机视觉技术的神经外科医学影像分析方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
-
2015
- 2015-10-21 CN CN201510687565.6A patent/CN105354841B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Applying Machine Learning and Audio Analysis Techniques to Insect Recognition in";Diego F. Silva等;《International Conference on Machine Learning and Applications》;20131231;第99-104页 |
| "SIFT特征匹配和VFC算法的电子稳像技术";姜哲颖等;《武汉工程大学学报》;20150930;第37卷(第9期);论文第45-47页 |
| "一种基于直方图相似度的快速图像匹配算法";芦俊等;《浙江省信号处理学会2013学术年会》;20131103;第219-221页，图1 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105354841A (zh) | 2016-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
| CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
| Yang et al. | Automated registration of dense terrestrial laser-scanning point clouds using curves | |
| CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
| CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
| CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
| Fan et al. | Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT | |
| CN104574421B (zh) | 一种大幅面小重合区域高精度多光谱图像配准方法及装置 | |
| CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
| CN107301654A (zh) | 一种多传感器的高精度即时定位与建图方法 | |
| CN113012208B (zh) | 多视角遥感图像配准方法及系统 | |
| CN103854283A (zh) | 一种基于在线学习的移动增强现实跟踪注册方法 | |
| CN112883850B (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
| CN104331899B (zh) | 一种sar图像配准方法及装置 | |
| CN104732546B (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
| CN108759788B (zh) | 无人机影像定位定姿方法及无人机 | |
| Xu et al. | An automatic optical and SAR image registration method with iterative level set segmentation and SIFT | |
| CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
| CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
| 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 | |
| CN107240130A (zh) | 遥感影像配准方法、装置及系统 | |
| CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| Song et al. | Small UAV based multi-viewpoint image registration for monitoring cultivated land changes in mountainous terrain | |
| CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
| CN109829939B (zh) | 一种缩小多视影像匹配同名像点搜索范围的方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190201 Termination date: 20211021 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |