CN105631872B - 基于多特征点的遥感图像配准方法 - Google Patents
基于多特征点的遥感图像配准方法 Download PDFInfo
- Publication number
- CN105631872B CN105631872B CN201510996054.2A CN201510996054A CN105631872B CN 105631872 B CN105631872 B CN 105631872B CN 201510996054 A CN201510996054 A CN 201510996054A CN 105631872 B CN105631872 B CN 105631872B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- registration
- scale space
- represent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 22
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 238000009792 diffusion process Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多特征点的遥感图像配准方法,主要解决传统多源和多光谱遥感图像配准精度低的缺点。其实现步骤为:1.输入两幅遥感图像;2.构造输入图像的各向异性尺度空间;3.在输入图像的各向异性尺度空间中分别使用Harris和Hessian算子进行特征点检测;4.分别将输入图像的两种特征点检测结果结合并生成特征向量;5.将输入图像的特征向量进行匹配,删除错误匹配的特征点对,输出配准结果。本发明具有配准精度高的优点,可用于多源遥感图像和多光谱遥感图像的配准。
Description
技术领域
本发明属于图像处理技术领域,涉及遥感图像配准,可应用于多源、多光谱遥感图像的配准。
背景技术
图像配准是图像处理中非常关键的一个步骤,它是指将不同时刻、不同视角或者是不同传感器获取的同一场景的两幅或者多幅图像进行叠加对准的过程。图像配准技术已经被广泛地用于图像变化检测、图像拼接、医学领域以及模式识别领域。图像配准的方法大致可以分为两类:基于灰度信息的图像配准方法和基于特征信息的图像配准方法。
基于灰度的图像配准是以整幅图像像素间的灰度信息为依据,建立待配准图像和参考图像之间的相似性度量函数,利用某一种搜索算法,寻找出使得相似性度量函数达到最优值的变换模型参数。这种算法容易实现,在配准之前不用提取图像的特征,只需要获取其灰度信息,但是其应用范围较窄,不能直接用于校正图像的非线性形变,且在最优变换的搜索过程中需要巨大的计算量。
基于特征的图像配准方法是目前图像配准最常用的方法之一,其最大的优点在于能够将对整个图像进行的各种分析转化为对图像特征信息,即特征点、特征曲线、边缘、较小的区域的分析,从而大大减小了图像处理过程的运算量,而且对灰度变化、图像变形以及遮挡等都有较好的适应能力,以及能够实现在复杂成像条件下图像的快速、精确配准。经典的特征点提取算子有:Harris算子,Hessian算子等,但是Harris算子主要针对角点特征检测,对于纹理特征较多的图像检测效果不佳导致图像配准不精确,Hessian算子主要针对纹理特征检测,对于角点信息较多的图像配准结果不准确。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于多特征点的遥感图像配准方法,以提高配准效果,满足多传感器和多光谱图像的配准要求。
为实现上述目的,本发明的技术方案包括如下:
(1)输入参考遥感图像I1和待配准遥感图像I2;
(2)构造参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像:
(2a)计算各向异性尺度空间各层的尺度值;
其中,σi表示各向异性尺度空间的第i层图像尺度值,σ0表示尺度参数的初始基准值,i=0,1,2,...,L-1,i表示各向异性尺度空间层的序号,L表示各向异性尺度空间层的总数;
(2b)将尺度空间值转换到时间度量值;
(2c)对输入图像采用标准差为σ0的高斯滤波,得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像;
(2d)将各向异性尺度空间层的序号i从零开始;
(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵;
(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i+1层图像:
Ii+1=(I-(ti+1-ti)·A(Ii))-1Ii,
其中,Ii+1表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i+1层图像,A(Ii)表示各向异性尺度空间的第i层图像的扩散矩阵,I表示一个与A(Ii)同等大小的单位矩阵,ti和ti+1分别表示各向异性尺度空间的第i层和第i+1层的时间度量值,Ii表示各向异性尺度空间的第i层图像,(·)-1表示逆矩阵操作;
(2g)判断i≥L-1是否成立,若成立,得到参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像,否则,令i=i+1,返回步骤(2e);
(3)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Hessian算子进行纹理特征检测,得到参考遥感图像I1的第一特征点集P1和待配准遥感图像I2的第一特征点集Q1,特征点集中保存的是特征点的坐标信息;
(4)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Harris算子进行角点特征检测,得到参考遥感图像I1的第二特征点集P2和待配准遥感图像I2的第二特征点集Q2;
(5)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合,删除重复的坐标点后得到参考遥感图像I1的最终特征点集P;将待配准遥感图像的第一特征点集Q1与第二特征点集Q2进行结合,删除重复的坐标点后得到待配准遥感图像的最终特征点集Q;
(6)分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2;
(7)将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配,得到初始匹配点对;
(8)使用随机抽样一致性算法RANSAC,提纯初始匹配点对,剔出误匹配点,得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数;
(9)根据仿射变换参数值,对待配准遥感图像I2进行仿射变换,得到仿射变换后的图像F1;
(10)将仿射变换后的图像F1与参考遥感图像I1进行融合,得到融合后的图像。
本发明与现有技术相比具有如下优点:
第一,本发明是通过各向异性扩散方程构建尺度空间,并在各向异性尺度空间上检测特征点,各向异性扩散方程具有选择性的扩散平滑、较好的兼顾噪声去除和边缘保护。
第二,本发明使用两种不同的检测方法进行特征点检测,使得检测的特征不仅有纹理信息,而且还有角点信息,使得特征点信息更加全面、丰富和稳定,配准结果更加精确。
附图说明
图1为本发明的实现流程图;
图2为用本发明对多源遥感图像的配准结果图;
图3为用本发明对多光谱遥感图像的配准结果图。
具体实施方式
参考附图1,本发明的实现步骤如下:
步骤1,输入两幅图像
通过传感器拍摄的两幅图像,其中一幅作为参考遥感图像I1,另一幅作为待配准遥感图像I2。
步骤2,构建参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像
(2a)计算参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像的尺度值:
其中,σi表示参考遥感图像I1或者待配准遥感图像I2的各向异性尺度空间的第i层图像的尺度值,σ0表示尺度参数的初始基准值,设置为1.6,i表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间层的序号,i=0,1,2,...,L-1,L表示遥感图像I1或者待配准遥感图像I2各向异性尺度空间包含的图像总数,设置为8;
(2b)将尺度空间值转换到时间度量值:
其中,ti是进化时间,其表示参考遥感图像I1或者待配准遥感图像I2的各向异性尺度空间的第i层图像尺度的时间度量值;
(2c)对参考遥感图像I1或者待配准遥感图像I2采用标准差为σ0的高斯滤波,得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像;
(2d)将各向异性尺度空间层的序号i从零开始;
(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵;
其中,gi表示各向异性尺度空间的第i层图像的扩散系数矩阵,表示各向异性尺度空间的第i层图像Ii使用标准差为1的高斯滤波后的图像,表示高斯滤波后的图像的梯度幅度,|·|表示取模操作,K表示对比度因子,K的取值为梯度幅度的统计直方图70%百分位的梯度幅度值;
(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i+1层图像:
Ii+1=(I-(ti+1-ti)·A(Ii))-1Ii,
其中,A(Ii)表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i层图像Ii的扩散矩阵,I是一个与A(Ii)同等大小的单位矩阵,ti和ti+1分别是各向异性尺度空间的第i层和第i+1层的时间度量值,(·)-1表示逆矩阵操作,Ii+1表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i+1层图像;
(2g)判断i≥L-1是否成立,若成立,得到参考遥感图像I1或者待配准遥感图像I2的各向异性尺度空间,否则,令i=i+1,返回步骤(2e)。
步骤3,分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Hessian算子进行纹理特征检测,得到参考遥感图像I1的第一特征点集P1和待配准遥感图像I2的第一特征点集Q1。
(3a)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间图像沿x轴方向的一阶微分和二阶微分:
其中,Ii表示参考遥感图像I1或者待配准遥感图像I2各向异性尺度空间的第i层图像,表示图像Ii沿x轴正方向的一阶微分,表示图像Ii沿x轴正方向的二阶微分,表示相关操作,i=0,1,...,L-1;
(3b)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间图像沿y轴方向的一阶微分和二阶微分:
其中,表示图像Ii沿y轴正方向的一阶微分,表示图像Ii沿y轴正方向的二阶微分;
(3c)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间图像的混合微分:
其中,表示图像Ii的混合微分;
(3d)在一阶微分,二阶微分和混合微分的基础上,分别计算参考遥感图像I1和待配准遥感图像I2的Hessian矩阵:
其中,σi是σi的整数值,表示各向异性尺度空间图像每个像素的Hessian矩阵;
(3e)通过计算参考遥感图像I1和待配准遥感图像I2的Hessian矩阵局部极大值进行特征点检测:
将每一个像素的Hessian矩阵行列式值与它所有的相邻点的Hessian矩阵行列值进行比较,理论上,比较的范围是当前尺度、上一尺度和下一尺度上的3个大小为σi*σi的矩形窗口。但是,为了加快搜索速度,窗口大小固定为3*3,则搜索空间是一个边长为3个像素的立方体:中间的检测点和它同尺度的8个相邻点,以及和上、下相邻尺度对应的9*2个像素点—共26个点比较,当每个像素的Hessian矩阵行列式值大于它所有的相邻点的Hessian矩阵行列值时,即为极值点,该极值点为检测出的纹理特征。
步骤4,分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Harris算子进行角点特征检测,得到参考遥感图像I1的第二特征点集P2和待配准遥感图像I2的第二特征点集Q2:
因为现有的许多角点检测技术,都是沿着水平和垂直两个方向进行,或者水平、垂直和对角线4个方向进行,容易将边缘特征点误检测为角点特征,由于Harris角点检测法是沿着泰勒公式展开,它可以沿着各个方向进行,可以有效地避免将边缘特征误检测为角点特征。其主要步骤如下:
(4a)计算参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间各层图像的Harris矩阵:
其中,g是标准差为的高斯函数,表示各向异性尺度空间的第i层图像Ii沿x轴正方向的一阶微分,表示图像Ii沿y轴正方向的一阶微分,u(X,σi)表示图像Ii中位置为X的像素的Harris矩阵,X表示像素位置坐标,*表示卷积操作,在这个过程中采用高斯函数,是因为距离中心点的位置权重越大,越远离中心点的位置,权重越小,这样可以降低噪声的影响,提高角点检测的精度;
(4b)计算各向异性尺度空间各层图像每个像素点的Harris角点响应:
R(X,σi)=det(u(X,σi))-d·tr(u(X,σi))2
其中,det(·)表示矩阵的行列式,d表示任意常数,取值为0.04-0.06之间的任意数,tr(·)是矩阵的迹,即矩阵主对角线元素的总和,R(X,σi)表示各向异性尺度空间的第i层图像Ii中位置为X的像素的Harris角点响应;
(4c)根据每个像素的Harris角点响应R判断像素点是否是角点:若Harris角点响应R大于阈值dsh=0.8,则该像素点为Harris角点,并将其提取出来;否则,视为非角点。
步骤5,分别对参考遥感图像I1和待配准遥感图像I2的特征点集进行结合:
(5a)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合,删除重复的坐标点后得到参考遥感图像I1的最终特征点集P;
(5b)将待配准遥感图像I2的第一特征点集Q1与第二特征点集Q2进行结合,删除重复的坐标点后得到待配准遥感图像的最终特征点集Q。
步骤6,分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2:
(6a)在以特征点为中心,半径为6σi的圆形区域内,计算特征点邻域像素的梯度幅度和梯度方向,得到梯度方向直方图;将梯度方向直方图中大于梯度最大值0.8倍的数值对应的梯度方向,作为特征点的主方向;确定主方向的模值和方向,再将坐标轴旋转到特征点的主方向上,确保特征向量的旋转不变性;
(6b)在以特征点为中心,半径为12σi的圆形区域内,将笛卡尔坐标转换为对数极坐标,并将圆形区域沿半径方向分为3个区间,分别为内圆,中间圆和外圆;将内圆作为一个整体,中间圆和外圆沿半径方向等分为8个区间,共形成17个子区域;在每个子区域中计算所有像素在8个方向上的梯度幅度和梯度方向,每个子区域得到一个8维梯度直方图;最后将17个子区域的梯度方向向量组合形成一个136维的特征点的描述子,该136维特征点描述子为特征点的特征向量。
步骤7,将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配,得到初始匹配点对:
(7a)计算参考遥感图像I1中每个特征点的特征向量与待配准遥感图像I2中每个特征点的特征向量的欧氏距离,并将欧氏距离从小到大进行排序,取最近邻欧氏距离和次近邻欧式距离;
(7b)将最近邻欧氏距离和次近邻欧式距离的比值设置为r,当r小于阈值dratio=0.8时则被选为最优匹配点对,获得初始匹配点集。
步骤8,使用随机抽样一致性算法RANSAC,提纯初始匹配点对,剔出误匹配点,得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数:
(8a)初始化循环次数N为0,初始化最优点集Con中包含的匹配点对个数为0;
(8b)令N=N+1,判断N>500是否成立,若成立,则执行步骤(8h);否则,执行步骤(8c);
(8c)从初始匹配点集中随机抽取3个不同的匹配点对,并根据这3个匹配点对,计算变换矩阵M;
(8d)根据初始匹配点集计算满足变换矩阵M的点集C,返回点集C中的元素个数;
(8e)判断点集C中元素个数是否大于阈值Tsh,若成立,执行步骤(8f);否则,执行步骤(8b),Tsh设置为初始匹配点集中点对总数的0.05倍;
(8f)判断点集C中元素个数是否大于当前最优点集Con中元素个数,若成立,执行步骤(8g);否则,执行步骤(8b);
(8g)用点集C代替当前最优点集Con,使用仿射变换模型,计算满足点集Con的仿射变换参数,返回步骤(8b);
(8h)输出当前最优点集Con和仿射变换参数。
步骤9,根据仿射变换参数值,对待配准遥感图像I2进行仿射变换,得到仿射变换后的图像F1。
步骤10,将仿射变换后的图像F1与参考遥感图像I1进行融合,得到融合后的图像。
以下结合仿真图对本发明的效果做进一步的说明。
1.仿真条件:
硬件平台为:Intel(R)Core(TM)i5CPU 2.20GHz;
软件平台为:Windows 8.1,Matlab 2010a
2.仿真实验内容:
仿真实验参数设置:取参考遥感图像I1和待配准遥感图像I2各向异性尺度空间总的层数L为8;基准尺度值σ0为1.6,Harris函数阈值dsh为0.8。
本发明的仿真实验输入的测试遥感图像分为两类:一是多光谱遥感图像对,二是多源遥感图像对。
仿真实验一:本发明仿真实验一是对两幅多源图像进行图像配准,这两幅配准实验图像分别是传感器A拍摄的图像和传感器B拍摄的图像,仿真结果如图2所示,其中:图2(a)是传感器A拍摄的图像,即参考遥感图像I1,图2(b)是传感器B拍摄的图像,即待配准遥感图像I2,图2(c)是使用本发明的方法对参考遥感图像和待配准遥感图像的配准结果,图2(d)是使用本发明的方法对参考图像和配准后的图像的融合结果。
仿真实验二:本发明仿真实验二是两幅多光谱图像进行图像配准,这两幅配准实验图像是大小均为512*512的TM影像,其中图3(a)是12波段的参考遥感图像I1,图3(b)是9波段的待配准遥感图像I2,图3(c)是使用本发明对参考遥感图像和待配准遥感图像的配准结果,图3(d)是使用本发明对参考图像和配准后的图像的融合结果。
由图2(c),图3(c)的配准图可以看出,本发明找到的多源待配准遥感图像可以和多源参考遥感图像完全对齐,多光谱待配准遥感图像也可以和输入的多光谱参考遥感图像完全对齐,结果没有移位,完全配准。
由图2(d),图3(d)的融合图可以看出,本发明找到的多源遥感图像对和多光谱遥感图像对的重叠区域可以很精确地融合,结果几乎没有错位。
Claims (8)
1.一种基于多特征点的遥感图像配准方法,包括如下步骤:
(1)输入参考遥感图像I1和待配准遥感图像I2;
(2)构造参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像:
(2a)计算各向异性尺度空间各层的尺度值;
其中,σi表示各向异性尺度空间的第i层图像尺度值,σ0表示尺度参数的初始基准值,i=0,1,2,...,L-1,i表示各向异性尺度空间层的序号,L表示各向异性尺度空间层的总数;
(2b)将尺度空间值转换到时间度量值;
(2c)对输入图像采用标准差为σ0的高斯滤波,得到参考遥感图像I1和待配准遥感图像I2各向异性尺度空间第0层图像;
(2d)将各向异性尺度空间层的序号i从零开始;
(2e)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵;
(2f)计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i+1层图像:
其中,表示参考遥感图像I1各向异性尺度空间的第i+1层图像,表示待配准遥感图像I2各向异性尺度空间的第i+1层图像,表示参考遥感图像I1各向异性尺度空间的第i层图像的扩散矩阵,E1表示一个与同等大小的单位矩阵,表示待配准遥感图像I2各向异性尺度空间的第i层图像的扩散矩阵,E2表示一个与同等大小的单位矩阵,ti和ti+1分别表示各向异性尺度空间的第i层和第i+1层的时间度量值,表示参考遥感图像I1各向异性尺度空间的第i层图像,表示待配准遥感图像I2各向异性尺度空间的第i层图像,(·)-1表示逆矩阵操作;
(2g)判断i≥L-1是否成立,若成立,得到参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像,否则,令i=i+1,返回步骤(2e);
(3)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Hessian算子进行纹理特征检测,得到参考遥感图像I1的第一特征点集P1和待配准遥感图像I2的第一特征点集Q1,特征点集中保存的是特征点的坐标信息;
(4)分别在参考遥感图像I1和待配准遥感图像I2的各向异性尺度空间图像上使用Harris算子进行角点特征检测,得到参考遥感图像I1的第二特征点集P2和待配准遥感图像I2的第二特征点集Q2;
(5)将参考遥感图像I1的第一特征点集P1与第二特征点集P2进行结合,删除重复的坐标点后得到参考遥感图像I1的最终特征点集P;将待配准遥感图像的第一特征点集Q1与第二特征点集Q2进行结合,删除重复的坐标点后得到待配准遥感图像的最终特征点集Q;
(6)分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2;
(7)将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配,得到初始匹配点对;
(8)使用随机抽样一致性算法RANSAC,提纯初始匹配点对,剔出误匹配点,得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数;
(9)根据仿射变换参数值,对待配准遥感图像I2进行仿射变换,得到仿射变换后的图像F1;
(10)将仿射变换后的图像F1与参考遥感图像I1进行融合,得到融合后的图像。
2.根据权利要求1所述的方法,其中步骤(2b)中将尺度空间值转换到时间度量值,按照下式进行:
其中,ti表示各向异性尺度空间的第i层图像尺度的时间度量值。
3.根据权利要求1所述的方法,其中步骤(2e)中计算参考遥感图像I1和待配准遥感图像I2各向异性尺度空间的第i层图像的扩散系数矩阵,按如下公式计算:
其中,gi表示各向异性尺度空间中第i层图像的扩散系数矩阵,表示各向异性尺度空间的第i层图像Ii使用标准差为1的高斯滤波后的图像,表示高斯滤波后的图像的梯度幅度,|·|表示取模操作,K表示对比度因子,K的取值为梯度幅度的统计直方图70%的梯度幅度值。
4.根据权利要求1所述的方法,其中步骤(3)中使用Hessian算子在各向异性尺度空间图像上进行纹理特征检测,按如下步骤进行:
(3a)计算各向异性尺度空间图像沿x轴方向的一阶微分和二阶微分:
其中,Ii表示各向异性尺度空间的第i层图像,表示图像Ii沿x轴正方向的一阶微分,表示图像Ii沿x轴正方向的二阶微分,表示相关操作;
(3b)计算各向异性尺度空间图像沿y轴方向的一阶微分和二阶微分:
其中,表示图像Ii沿y轴正方向的一阶微分,表示图像Ii沿y轴正方向的二阶微分;
(3c)计算各向异性尺度空间图像的混合微分:
其中,表示图像Ii的混合微分;
(3d)在一阶微分,二阶微分和混合微分的基础上,计算Hessian矩阵:
其中,σi是σi的整数值,表示各向异性尺度空间图像每个像素的Hessian矩阵;
(3e)通过Hessian矩阵局部极大值进行特征点检测:
将每一个像素的Hessian矩阵行列式值与它同尺度的8个相邻点,以及上、下相邻尺度对应的9*2个像素点—共26个点的Hessian矩阵行列值进行比较,当其值大于它的相邻点的Hessian矩阵行列式时,即为极值点,该极值点为检测出的纹理特征点。
5.根据权利要求1所述的方法,其中步骤(4)中使用Harris算子在各向异性尺度空间图像上进行角点特征检测,按如下步骤进行:
(4a)计算各向异性尺度空间各层图像的Harris矩阵:
其中,g是标准差为的高斯函数,表示各向异性尺度空间的第i层图像Ii沿x轴正方向的一阶微分,表示图像Ii沿y轴正方向的一阶微分,u(X,σi)表示图像Ii中位置为X的像素的Harris矩阵,X表示像素位置坐标,*表示卷积操作;
(4b)计算各向异性尺度空间各层图像每个像素点的Harris角点响应:
R(X,σi)=det(u(X,σi))-d·tr(u(X,σi))2
其中,det(·)表示矩阵的行列式,d表示任意常数,取值为0.04-0.06之间的任意数,tr(·)是矩阵的迹,R(X,σi)表示各向异性尺度空间的第i层图像Ii中位置为X的像素的Harris角点响应;
(4c)根据每个像素的Harris角点响应判断像素点是否是角点:若Harris角点响应R大于某一阈值dsh,则该像素点为Harris角点,并将其提取出来;否则,视为非角点,设置阈值dsh为0.8。
6.根据权利要求1所述的方法,其中步骤(6)中分别生成参考遥感图像I1的特征点集P的特征向量D1和待配准遥感图像I2的特征点集Q的特征向量D2,按如下步骤进行:
(6a)在以特征点为中心,半径为6σi的圆形区域内计算特征点邻域像素的梯度幅度和梯度方向,得到梯度方向直方图;将梯度方向直方图中大于最大值0.8倍的数值对应的梯度方向,作为特征点的主方向;确定主方向的模值和方向,将坐标轴旋转到特征点的主方向上,确保特征向量的旋转不变性;
(6b)在以特征点为中心,半径为12σi的圆形区域内,将笛卡尔坐标转换为对数极坐标,并将圆形区域沿半径方向分为3个区间,分别为内圆,中间圆和外圆;将内圆作为一个整体,中间圆和外圆沿半径方向等分为8个区间,共形成17个子区域;在每个子区域中计算所有像素在8个方向上的梯度幅度和梯度方向,每个子区域得到一个8维梯度直方图;最后将17个子区域的梯度方向向量组合形成一个136维的特征点的描述子,该136维特征点描述子为特征点的特征向量。
7.根据权利要求1所述的方法,其中步骤(7)中将参考遥感图像I1的特征向量D1和待配准遥感图像I2的特征向量D2进行匹配,按如下步骤进行:
(7a)计算参考遥感图像I1中每个特征点的特征向量与待配准遥感图像I2中每个特征点的特征向量的欧氏距离,并将欧氏距离从小到大进行排序,取最近邻欧氏距离和次近邻欧式距离;
(7b)将最近邻欧氏距离和次近邻欧式距离的比值设置为r,当r小于阈值dratio时则被选为最优匹配点对,获得初始匹配点集,dratio设置为0.8。
8.根据权利要求1所述的方法,其中步骤(8)中使用随机抽样一致性算法RANSAC,提纯初始匹配点对,剔出误匹配点,得到待配准遥感图像I2到参考遥感图像I1的仿射变换参数,按如下步骤进行:
(8a)初始化循环次数N为0,初始化最优点集Con中包含的匹配点对个数为0;
(8b)令N=N+1,判断N>500是否成立,若成立,执行步骤(8h);否则,执行步骤(8c);
(8c)从初始匹配点集中随机抽取3个不同的匹配点对,并根据这3个匹配点对,计算变换矩阵M;
(8d)根据初始匹配点集计算满足变换矩阵M的点集C,返回点集C中的元素个数;
(8e)判断点集C中元素个数是否大于阈值Tsh,若成立,执行步骤(8f);否则,执行步骤(8b),Tsh设置为初始匹配点集中点对总数的0.05倍;
(8f)判断点集C中元素个数是否大于当前最优点集Con中元素个数,若成立,执行步骤(8g);否则,执行步骤(8b);
(8g)用点集C代替当前最优点集Con,使用仿射变换模型,计算满足点集Con的仿射变换参数,返回步骤(8b);
(8h)输出当前最优点集Con和仿射变换参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996054.2A CN105631872B (zh) | 2015-12-28 | 2015-12-28 | 基于多特征点的遥感图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996054.2A CN105631872B (zh) | 2015-12-28 | 2015-12-28 | 基于多特征点的遥感图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631872A CN105631872A (zh) | 2016-06-01 |
CN105631872B true CN105631872B (zh) | 2018-06-26 |
Family
ID=56046758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510996054.2A Active CN105631872B (zh) | 2015-12-28 | 2015-12-28 | 基于多特征点的遥感图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631872B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102309995B1 (ko) * | 2016-06-24 | 2021-10-06 | 베크만 컬터, 인코포레이티드 | 이미지 아틀라스 시스템 및 방법 |
CN106373147A (zh) * | 2016-08-22 | 2017-02-01 | 西安电子科技大学 | 基于改进拉普拉斯多极值抑制的sar图像配准方法 |
CN106355577B (zh) * | 2016-09-08 | 2019-02-12 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
CN106981077B (zh) * | 2017-03-24 | 2020-12-25 | 中国人民解放军国防科学技术大学 | 基于dce和lss的红外图像和可见光图像配准方法 |
CN108510531A (zh) * | 2018-03-26 | 2018-09-07 | 西安电子科技大学 | 基于pcncc和邻域信息的sar图像配准方法 |
CN109523585B (zh) * | 2018-11-19 | 2021-10-22 | 武汉大学 | 一种基于方向相位一致性的多源遥感影像特征匹配方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198456A (zh) * | 2013-03-21 | 2013-07-10 | 西安电子科技大学 | 基于方向波域隐马尔可夫树模型的遥感图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152877B2 (en) * | 2010-11-24 | 2015-10-06 | Indian Statistical Institute | Rough wavelet granular space and classification of multispectral remote sensing image |
-
2015
- 2015-12-28 CN CN201510996054.2A patent/CN105631872B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198456A (zh) * | 2013-03-21 | 2013-07-10 | 西安电子科技大学 | 基于方向波域隐马尔可夫树模型的遥感图像融合方法 |
Non-Patent Citations (1)
Title |
---|
基于PDE 的自适应各向异性图像配准方法研究;蒋淑静等;《通信学报》;20130531;第34卷(第5期);192-199 * |
Also Published As
Publication number | Publication date |
---|---|
CN105631872A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631872B (zh) | 基于多特征点的遥感图像配准方法 | |
CN105427298B (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
CN104318548B (zh) | 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 | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN105957007B (zh) | 基于特征点平面相似度的图像拼接方法 | |
CN104867126B (zh) | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 | |
CN105184822B (zh) | 一种目标跟踪模板更新方法 | |
CN104933673B (zh) | 基于解析搜索亚像素偏移量的干涉sar图像精配准方法 | |
CN105823416B (zh) | 多相机测量物体的方法和装置 | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN110532894A (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN107424181A (zh) | 一种改进的图像拼接关键帧快速提取方法 | |
CN105654423B (zh) | 基于区域的遥感图像配准方法 | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN107993258A (zh) | 一种图像配准方法及装置 | |
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 | |
CN108010086A (zh) | 基于网球场标志线交点的摄像机标定方法、装置和介质 | |
CN108921864A (zh) | 一种光条中心提取方法及装置 | |
CN108346162A (zh) | 基于结构信息和空间约束的遥感图像配准方法 | |
CN104764407B (zh) | 一种电缆护套厚度的精细测量方法 | |
CN112254656A (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
CN109117851A (zh) | 一种基于网格统计约束的视频图像匹配方法 |
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 |