CN105654423B - 基于区域的遥感图像配准方法 - Google Patents
基于区域的遥感图像配准方法 Download PDFInfo
- Publication number
- CN105654423B CN105654423B CN201510996051.9A CN201510996051A CN105654423B CN 105654423 B CN105654423 B CN 105654423B CN 201510996051 A CN201510996051 A CN 201510996051A CN 105654423 B CN105654423 B CN 105654423B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- subject
- reference picture
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 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 abstract description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 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 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000004925 denaturation Methods 0.000 claims 1
- 230000036425 denaturation Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于区域的遥感图像配准方法,主要解决现有算法对图像灰度差异较大的多光谱图像不能配准的问题。其技术方案为:1.分别对参考图像和待配准图像建立高斯尺度空间;2.分别产生参考图像和待配准图像的素描图;3.将参考图像和待配准图像的高斯尺度空间图分别与对应的素描图产生各自的结构区域和非结构区域;4.检测结构区域和非结构区域的特征点5.分别将参考图和待配准图的这两种结构区域的特征点相加;6.用SIFT算法得相加后的特征点描述子,利用特征点描述子得到配准参数;7.利用配准参数对待配准图像进行仿射变换,得到配准结果。本发明能够实现对灰度差异较大的多源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,涉及遥感图像配准处理技术领域中的一种基于区域的遥感图像配准方法,可应用于多源和多光谱遥感图像灰度差异较大的配准。
背景技术
图像配准是遥感图像处理、目标识别、图像重建、机器人视觉等领域中的关键技术之一,是多传感器图像融合的基础。待融合图像之间往往存在偏移、旋转、比例等空间变换关系,图像配准就是将不同传感器所采集得到的同一场景的多光谱、多波段或同一传感器在不同时相、不同方位获得同一场景的图像变换到同一坐标系下,以供融合使用,是图像融合特别是数据层融合技术中需要先期解决的问题。目前遥感图像配准主要分为两类:基于区域灰度的配准方法和基于特征的配准方法。其中,基于区域灰度的常用图像配准方法有:互相关法、基于FFT的相位相关法和互信息法等。基于图像特征的方法首先从图像中提取边缘、角点、轮廓和区域中心等特征,然后对特征点进行描述并找到他们之间对应的关系。虽然两种方法能够对大部分遥感图像进行配准,但对于一些因拍摄时间、光谱和获取图像传感器的不同而导致图像灰度差异较大的遥感图像不能配准。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于区域的遥感图像配准方法,以提高特征匹配的准确度,实现对图像灰度有较大差异的遥感图像的配准。
为实现上述目的,本发明的技术方案包括如下:
(1)输入参考图像I和待配准图像J;
(2)建立参考图像I和待配准图像J高斯尺度空间:
(2a)利用下式分别计算参考图像I和待配准图像J的高斯尺度空间各层的尺度值:σi=σ0·c(i-1),其中,σi为第i层的尺度值,i=1,2...,8,σ0为第一层的尺度值,σ0=1.6,c为每层的尺度比,取值为21/3;
(2b)用各层的尺度值σi分别对参考图像I和待配准图像J进行高斯滤波,得到参考图像I的高斯尺度空间图像Ii和待配准图像J的高斯尺度空间图像Ji;
(3)分别对参考图像I和待配准图像J生成素描图;
(4)根据素描图对高斯尺度空间图像进行区域划分:
(4a)将参考图像I的素描图中不为0的像素对应的高斯尺度空间图像Ii中的像素所组成的区域,划作为参考图像的高斯尺度空间图像Ii的非结构区域Fi;将参考图像I素描图中为0的像素对应的高斯尺度空间Ii图像中像素组成的区域,划作为参考图像的高斯尺度空间图像Ii的结构区域Gi;
(4b)将待配准图像J的素描图中不为0的像素对应的高斯尺度空间图像Ji中的像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的非结构区域Ki;将待配准图像J素描图中为0的像素对应的高斯尺度空间Ji图像中像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的结构区域Si;
(5)在高斯尺度空间图像的结构区域和非结构区域检测特征点:
(5a)用Harris方法分别检测参考图像的高斯尺度空间图像Ii的结构区域Gi的特征点和待配准图像的高斯尺度空间图像的Ji的结构区域Si的特征点;
(5b)用SIFT方法分别检测参考图像的高斯尺度空间图像Ii的非结构区域Fi的特征点和待配准图的高斯尺度空间图像的非结构区域Ki的特征点;
(5c)将参考图像的高斯尺度空间图像Ii在结构区域Gi和非结构区域Fi检测到的特征点相结合,得到参考图像的特征点集p1;将待配准图像的高斯尺度空间图像Ji在结构区域Si和非结构区域Ki检测到的特征点相结合,得到待配准图像的特征点集p2;
(6)用SIFT描述子方法分别对参考图像的特征点集p1和待配准图像的特征点集p2生成描述子;
(7)用ransac方法对参考图像的特征点集p1和待配准图像的特征点集p2生成的描述子进行匹配,得到配准参数P;
(8)利用配准参数P,对待配准图像进行几何变换,得到配准结果。
本发明与现有技术相比具有如下优点:
第一,本发明由于采用素描图将高斯尺度空间图像划分为结构区域和非结构区域,并用不同的检测点方法对结构区域和非结构区域进行检测,克服了现有技术不能应对灰度差异较大的遥感图像配准的问题。
第二,本发明由于采用ransac方法求配准参数,使得配准精度更高。
附图说明
图1为本发明的实现流程图;
图2为本发明中对多光谱图像的生成的素描图;
图3为本发明仿真实验中对第一组多光谱遥感图像的配准结果图;
图4为本发明仿真实验中对第二组多源遥感感图像的配准结果图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1,本发明的实现步骤如下。
步骤1,输入遥感图像对。
通过传感器获取两幅遥感图像,分别为参考图像I和待配准图像J。
步骤2,建立高斯尺度空间。
(2a)利用下式分别计算参考图像I和待配准图像J的高斯尺度空间各层的尺度值:
σi=σ0·c(i-1)
其中,σi为第i层的尺度值,i=1,2...,8,σ0为第一层的尺度值,σ0=1.6,c为每层的尺度比,取值为21/3;
(2b)用各层的尺度值σi分别对参考图像I和待配准图像J进行高斯滤波,得到参考图像I的高斯尺度空间图像Ii和待配准图像J的高斯尺度空间图Ji。
步骤3,生成素描图。
生成素描图是由作者武杰于2014年在GRS期刊上发表的论文《基于素描图和核选择的SAR图像降斑方法》中提出的方法,其具体步骤如下:
(3a)用具有不同方向和尺度的边线模板分别检测参考图像I和待配准图像J,分别获得参考图像I和待配准图像J每个像素对各个模板的响应值,待测的参考图像I和待配准图像J,如图2(a)和2(b)所示,其中尺度个数N取值为3,方向个数M取值为18;
(3b)分别对参考图像I和待配准图像J的每一个像素,以各个边线模板的最大响应值作为该像素的奇异性强度,以最大响应值对应的模板的方向作为该像素的局部方向,分别形成参考图像强度图D1和待配准图像强度图D2,用Canny边缘检测中的非极大抑制方法分别对参考图像强度图D1和待配准图像强度图D2进行检测,得到参考图像建议草图C1和待配准图像建议草图C2;
(3c)选取参考图像建议草图C1中具有最大强度的像素,把参考图像建议草图C1中与该最大强度的像素连通的像素进行连接,形成初始建议线段,生成一个参考图像初始素描图S1;选取待配准图像建议草图C2中具有最大强度的像素,把待配准图像建议草图C2中与该最大强度的像素进行连接,形成初始建议线段,生成一个待配准图像初始素描图S2;
(3d)利用边线模型分别评价参考图像初始素描图S1和待配准图像初始素描图S2的编码长度增益△L,设置阈值t=10:若△L<t,则拒绝接受该建议线段,否则,接受该建议线段,将其添加到初始素描图S1和初始素描图S2,并搜索满足该线段末端像素与其余像素在平均拟合误差内的分割线作为新建议线段;
(3e)判断是否搜索到新建议线段:若搜索到新建议线段,则返回步骤(3d),否则结束,即分别得到最终的参考图像素描图和待配准图像素描图,如图2(c)和2(d)所示。
步骤4,根据素描图对高斯尺度空间图像进行区域划分:
(4a)将参考图像I的素描图中不为0的像素对应的高斯尺度空间图像Ii中的像素所组成的区域,划作为参考图像的高斯尺度空间图像Ii的非结构区域Fi;将参考图像I素描图中为0的像素对应的高斯尺度空间Ii图像中像素组成的区域,划作为参考图像的高斯尺度空间图像Ii的结构区域Gi;
(4b)将待配准图像J的素描图中不为0的像素对应的高斯尺度空间图像Ji中的像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的非结构区域Ki;将待配准图像J素描图中为0的像素对应的高斯尺度空间Ji图像中像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的结构区域Si;
步骤5,在高斯尺度空间图像的结构区域和非结构区域检测特征点:
(5a)用Harris方法分别检测参考图像的高斯尺度空间图像Ii的结构区域Gi的特征点和待配准图像的高斯尺度空间图像的Ji的结构区域Si的特征点;
(5b)用SIFT方法分别检测参考图像的高斯尺度空间图像Ii的非结构区域Fi的特征点和待配准图的高斯尺度空间图像的非结构区域Ki的特征点;
步骤6,用SIFT描述子描述特征点;
(6a)分别以参考图像特征点集p1和待配准图像特征点集p2中的的每一个特征点为中心,划分个d×d子区域,并在子区域中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,其中d取值为4;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;将坐标轴旋转到特征点的主方向上,确保特征点描述子的旋转不变性;
(6b)在以特征点为中心,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d×d个区域的梯度方向向量组合形成一个128维的特征点描述子;
步骤7,用ransac计算配准参数,按如下步骤进行:
(7a)用最近邻匹配法对参考图像特征点集p1和待配准图像特征点集p2的描述子生成初始匹配对;
(7b)随机选择3个初试匹配对,使用仿射变换模型计算变换参数P1,并对计数器C清零;
(7c)在余下的初始匹配对中,随机选择一个匹配对(Vi,Vi'),计算Vi经变换参数集P1映射后的特征点Vi *,如果|Vi *-Vi'|<d,则认为Vi满足变换参集P1,其中d取值为3,计数器C加1,Vi为参考图像的描述子,Vi'为待配准图像的描述子;
(7d)将计数器C与第一阈值m进行比较,m一般为特征点匹配点数的1/4:如果计数器C>m,则将(7b)得到的变换参数集P1作为最终配准参数集P;否则,返回(7c)继续执行,直到所有的匹配点对都被计算完且计数器的值仍没有超出预先设定的第二阈值n=1000为止,再选择计数器C最大时所对应的变换参数集P1作为最终配准参数集P。
步骤8,得到配准图像。
根据得到的配准参数集P,进行配准图像,现有技术有多种方法可实现,例如透视变换法,相似变换法和仿射变换法,本实例使用相似变换方法得到配准结果,即对待配准图像的每一个像素利用配准参数集P中的尺度因子s、旋转角度θ、水平位移t0、竖直位移t1,通过下式进行变换得到配准图像:
其中x,y分别为待配准图像每个像素的水平坐标和竖直坐标,x',y'分别为配准图像每个像素的水平坐标和竖直坐标。
下面结合仿真图对本发明的效果做进一步的说明。
1.仿真条件与参数
硬件平台为:Intel(R)Core(TM)i5 CPU 2.20GHz;
软件平台为:Windows 7.0,Matlab 2013a。
仿真实验参数:设高斯尺度空间第一层的尺度值σ0为1.6,构造边线模板的尺度个数N=3,方向个数M=18,阈值t=10,误差d设为3,ransac方法中的第一阈值m为特征点匹配数的1/4,第二阈值n=1000。
仿真实验输入的测试遥感图像分为两类:第一类是一组多光谱遥感图像,第二类是一组多源遥感图像。
2.仿真实验内容:
仿真实验一:用本发明对一组多光谱遥感图像进行配准,结果如图3,其中:
图3(a)是参考图像,大小为761×748像素,传感器类型是Landsat‐7ETM+,5波段;
图3(b)是待配准图像,大小为761×748像素,传感器类型是Landsat 4–5TM,3波段;
图3(c)为配准后的图像。
从图3(c)可见,配准后的图像完全对齐,没有移位,说明本发明对灰度差异较大的图像能够很好的配准。
仿真实验二:用本发明对一组多源遥感图像进行配准,结果如图4,其中:
图4(a)是参考图像,大小为256×256像素,传感器类型是SPOT卫星;
图4(b)是待配准图像,大小为256×256像素,传感器类型是Landsat;
图4(c)为配准后的图像。
从图4(c)可见,配准后的图像完全对齐,没有移位,说明本发明对于多源图像能够很好的配准。
3.仿真实验结对比
将本发明与现有的SIFT算法和SAR‐SIFT算法的总的特征点数及正确匹配的特征点对数进行比较,结果如表1:
表1本发明与现有算法特征点数对比
其中,Pair表示测试的遥感图像对,P‐1为一组多光谱遥感图像,P‐2为一组多源遥感图像,Nr和Ns分别表示参考图像和待配准图像检测到的总特征点个数,Nc表示正确匹配的特征点对个数。
从表1可见,现有SIFT算法和SAR‐SIFT算法都不能对灰度差异较大的多光谱遥感图像实现配准,而本发明能配准图像灰度差异较大的多光谱遥感图像。
综上所述,本发明不仅能配准多源图像,而且能够解决现有算法对图像灰度差异较大的多光谱图像不能配准的问题。
Claims (1)
1.一种基于区域的遥感图像配准方法,其特征在于,包括如下步骤:
(1)输入参考图像I和待配准图像J;
(2)建立参考图像I和待配准图像J高斯尺度空间:
(2a)利用下式分别计算参考图像I和待配准图像J的高斯尺度空间各层的尺度值:σi=σ0·c(i-1),其中,σi为第i层的尺度值,i=1,2...,8,σ0为第一层的尺度值,σ0=1.6,c为每层的尺度比,取值为21/3;
(2b)用各层的尺度值σi分别对参考图像I和待配准图像J进行高斯滤波,得到参考图像I的高斯尺度空间图像Ii和待配准图像J的高斯尺度空间图像Ji;
(3)分别对参考图像I和待配准图像J生成素描图:
(3a)用具有不同方向和尺度的边线模板分别检测参考图像I和待配准图像J,分别获得参考图像I和待配准图像J每个像素对各个模板的响应值,其中尺度个数N取值为3,方向个数M取值为18;
(3b)分别对参考图像I和待配准图像J的每一个像素,以各个边线模板的最大响应值作为该像素的奇异性强度,以最大响应值对应的模板的方向作为该像素的局部方向,分别形成参考图像强度图D1和待配准图像强度图D2,用Canny边缘检测中的非极大抑制方法分别对参考图像强度图D1和待配准图像强度图D2进行检测,得到参考图像建议草图C1和待配准图像建议草图C2;
(3c)选取参考图像建议草图C1中具有最大强度的像素,把参考图像建议草图C1中与该像素连通的像素连接形成初始建议线段,生成一个参考图像初始素描图S1;选取待配准图像建议草图C2中具有最大强度的像素,把待配准图像建议草图C2中与该像素连通的像素连接形成初始建议线段,生成一个待配准图像初始素描图S2;
(3d)利用边线模型分别评价参考图像初始素描图S1和待配准图像初始素描图S2的编码长度增益△L,设置阈值t=10:若△L<t,则拒绝接受该建议线段,否则,接受该建议线段,将其添加到初始素描图S1和初始素描图S2,并搜索满足该线段末端像素与其余像素在平均拟合误差内的分割线作为新建议线段;
(3e)判断是否搜索到新建议线段:若搜索到新建议线段,则返回步骤(3d),否则结束,即分别得到最终的参考图像素描图和待配准图像素描图;
(4)根据素描图对高斯尺度空间图像进行区域划分:
(4a)将参考图像I的素描图中不为0的像素对应的高斯尺度空间图像Ii中的像素所组成的区域,划作为参考图像的高斯尺度空间图像Ii的非结构区域Fi;将参考图像I素描图中为0的像素对应的高斯尺度空间Ii图像中像素组成的区域,划作为参考图像的高斯尺度空间图像Ii的结构区域Gi;
(4b)将待配准图像J的素描图中不为0的像素对应的高斯尺度空间图像Ji中的像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的非结构区域Ki;将待配准图像J素描图中为0的像素对应的高斯尺度空间Ji图像中像素组成的区域,划作为待配准图像的高斯尺度空间图像Ji的结构区域Si;
(5)在高斯尺度空间图像的结构区域和非结构区域检测特征点:
(5a)用Harris方法分别检测参考图像的高斯尺度空间图像Ii的结构区域Gi的特征点和待配准图像的高斯尺度空间图像的Ji的结构区域Si的特征点;
(5b)用SIFT方法分别检测参考图像的高斯尺度空间图像Ii的非结构区域Fi的特征点和待配准图的高斯尺度空间图像的非结构区域Ki的特征点;
(5c)将参考图像的高斯尺度空间图像Ii在结构区域Gi和非结构区域Fi检测到的特征点相结合,得到参考图像的特征点集p1;将待配准图像的高斯尺度空间图像Ji在结构区域Si和非结构区域Ki检测到的特征点相结合,得到待配准图像的特征点集p2;
(6)用SIFT描述子方法分别对参考图像的特征点集p1和待配准图像的特征点集p2生成描述子:
(6a)分别以参考图像特征点集p1和待配准图像特征点集p2中的的每一个特征点为中心,划分d×d个子区域,并在子区域中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,其中d取值为4;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;将坐标轴旋转到特征点的主方向上,确保特征点描述子的旋转不变性;
(6b)在以特征点为中心,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d×d个区域的梯度方向向量组合形成一个128维的特征点描述子;
(7)用ransac方法对参考图像的特征点集p1和待配准图像的特征点集p2生成的描述子进行匹配,得到配准参数P:
(7a)用最近邻匹配法对参考图像的特征点集p1和待配准图像的特征点集p2的描述子生成初始匹配对;
(7b)随机选择3个初试匹配对,使用仿射变换模型计算变换参数集P1,并对计数器C清零;
(7c)在余下的初始匹配对中,随机选择一个匹配对(Vi,Vi'),计算Vi经变换参数集P1映射后的特征点Vi *,如果|Vi *-Vi'|<d,则认为Vi满足变换参数P1,其中d取值为3,计数器C加1,Vi为参考图像的描述子,Vi'为待配准图像的描述子;
(7d)将计数器C与阈值m进行比较,m为特征点匹配数的1/4:如果计数器C>m,则将(7b)得到的变换参数集P1作为最终配准参数集P;否则,返回(7c)继续执行,直到所有的匹配点对都被计算完且计数器的值仍没有超出预先设定的阈值n=1000为止,再选择计数器C最大时所对应的变换参数集P1作为最终配准参数集P;
(8)利用配准参数P,对待配准图像进行几何变换,得到配准结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996051.9A CN105654423B (zh) | 2015-12-28 | 2015-12-28 | 基于区域的遥感图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510996051.9A CN105654423B (zh) | 2015-12-28 | 2015-12-28 | 基于区域的遥感图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654423A CN105654423A (zh) | 2016-06-08 |
CN105654423B true CN105654423B (zh) | 2019-03-26 |
Family
ID=56476901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510996051.9A Active CN105654423B (zh) | 2015-12-28 | 2015-12-28 | 基于区域的遥感图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654423B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341824B (zh) * | 2017-06-12 | 2020-07-28 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
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 |
CN108846806B (zh) * | 2018-05-14 | 2020-11-10 | 北京洛斯达科技发展有限公司 | 图像处理方法、图像处理装置以及记录介质 |
CN109727279B (zh) * | 2018-06-04 | 2022-07-29 | 南京师范大学 | 一种矢量数据与遥感影像的自动配准方法 |
CN108961325B (zh) * | 2018-06-13 | 2021-12-24 | 中国科学院光电研究院 | 多/高光谱遥感图像波段间配准方法 |
CN109308324A (zh) * | 2018-09-08 | 2019-02-05 | 中山大学 | 一种基于手绘风格推荐的图像检索方法及系统 |
CN110197504B (zh) * | 2019-06-05 | 2021-07-20 | 首都师范大学 | 图像配准方法、装置、电子设备及计算机可读存储介质 |
CN114004770B (zh) * | 2022-01-04 | 2022-04-26 | 成都国星宇航科技有限公司 | 一种卫星时空图的精校正方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989352A (zh) * | 2009-08-06 | 2011-03-23 | 宋智礼 | 基于改进的sift算法与李萨如图轨迹的图像配准方法 |
KR20120026864A (ko) * | 2010-09-10 | 2012-03-20 | 성균관대학교산학협력단 | 콘텍스트 교차에 근거한 라인 매칭 방법 |
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 |
CN104778463A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于sift和多子图匹配的遥感影像城区提取方法 |
-
2015
- 2015-12-28 CN CN201510996051.9A patent/CN105654423B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989352A (zh) * | 2009-08-06 | 2011-03-23 | 宋智礼 | 基于改进的sift算法与李萨如图轨迹的图像配准方法 |
KR20120026864A (ko) * | 2010-09-10 | 2012-03-20 | 성균관대학교산학협력단 | 콘텍스트 교차에 근거한 라인 매칭 방법 |
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 |
CN104778463A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于sift和多子图匹配的遥感影像城区提取方法 |
Non-Patent Citations (1)
Title |
---|
一种基于NSCT和SIFT的遥感图像配准算法;梁栋等;《仪器仪表学报》;20110531;第32卷(第5期);第1083-1088页 |
Also Published As
Publication number | Publication date |
---|---|
CN105654423A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654423B (zh) | 基于区域的遥感图像配准方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
US10445616B2 (en) | Enhanced phase correlation for image registration | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
CN102005047B (zh) | 图像配准系统及其方法 | |
Huang et al. | Feature-based image registration using the shape context | |
Hasan et al. | Multi-spectral remote sensing image registration via spatial relationship analysis on sift keypoints | |
CN104751465A (zh) | 一种基于lk光流约束的orb图像特征配准方法 | |
CN104200463B (zh) | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 | |
CN103914847A (zh) | 基于相位一致性和sift的sar图像配准方法 | |
CN106127690A (zh) | 一种无人机遥感图像快速拼接方法 | |
CN105631872B (zh) | 基于多特征点的遥感图像配准方法 | |
CN104599258A (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN104021559A (zh) | 基于互信息和Harris角点检测的图像配准方法 | |
CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN110569861A (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
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 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN111462198B (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
Alam et al. | Entropy-based image registration method using the curvelet transform | |
Ravanbakhsh et al. | A comparative study of DEM registration approaches | |
Dalmiya et al. | A survey of registration techniques in remote sensing images | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
Huang et al. | SAR and optical images registration using shape context | |
CN112149728B (zh) | 一种快速的多模态图像模板匹配方法 |
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 |