CN106157306B - 一种基于多个光谱图像的配准方法以及装置 - Google Patents

一种基于多个光谱图像的配准方法以及装置 Download PDF

Info

Publication number
CN106157306B
CN106157306B CN201610509928.1A CN201610509928A CN106157306B CN 106157306 B CN106157306 B CN 106157306B CN 201610509928 A CN201610509928 A CN 201610509928A CN 106157306 B CN106157306 B CN 106157306B
Authority
CN
China
Prior art keywords
region
interest
feature
spectral image
spectral
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
Application number
CN201610509928.1A
Other languages
English (en)
Other versions
CN106157306A (zh
Inventor
杨健
付天宇
王涌天
李勤
范敬凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201610509928.1A priority Critical patent/CN106157306B/zh
Publication of CN106157306A publication Critical patent/CN106157306A/zh
Application granted granted Critical
Publication of CN106157306B publication Critical patent/CN106157306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开一种基于多个光谱图像的配准方法以及装置。其中，所述方法包括：获取对同一物体成像得到的多个光谱图像；利用显著性分析技术对每一光谱图像进行显著性分析，得到与每一光谱图像对应的显著性图；根据显著性图分别对每一光谱图像进行区域划分，得到感兴趣区域和非感兴趣区域；利用FAST特征点检测算法提取感兴趣区域和非感兴趣区域的特征点；基于特征点与感兴趣区域和非感兴趣区域的位置关系，利用EOH特征描述算子对特征点进行特征描述，得到特征点的EOH特征；根据EOH特征对多个光谱图像的特征点进行匹配，从而实现多光谱图像的配准。通过本发明，不仅能避免多个光谱图像对同一物体成像结果不同引起的误匹配，而且还能改善多个光谱图像配准速度慢的问题。

Description

一种基于多个光谱图像的配准方法以及装置
技术领域
本发明涉及图像配准领域，具体地，涉及一种基于多个光谱图像的配准方法以及装置。
背景技术
不同的光传感器的工作波长不同，因此，它们输出的信息也有所不同。例如，可见光图像主要反映了拍摄场景内物体的物理位置信息，但是存在感兴趣区域不突出等缺点；而红外图像则主要反映了物体的热量信息，但是存在成像质量低等问题。图像配准技术则通过在多个光谱图像上提取特征点，将处于不同光谱图像的对应特征点进行匹配，实现多源信息的融合，在军事等领域有着广泛的应用。
对于多个光谱图像的配准，主要流程如下：特征点提取，特征点描述以及特征点匹配。为了提高特征描述的区分度，Yi.Z.等人提出尺度限制条件，以减少在多源图像配准情况下，由SIFT(Scale-invariant feature transform，尺度不变量特征变换)特征描述偏差引起的误匹配率。Huang等人利用NSCT(NonsubSampled contourlet transform，非下采样Contourlet变换)将图像增强，通过NSCT，图像中物体的结构信息被增强，同时保证结构信息在多源图像中的不变性，因此，在NSCT图像上，利用SIFT可以提取到更多的特征点，此外，利用GM(Gradient mirroring，梯度反射)计算特征方向，改善了SIFT特征方向只受灰度差异影响等问题，提高了特征描述的区分度，实现了红外图像与可见光图像的精确匹配。
然而，由于待配准的光谱图像所处的波段不同，因此，对同一物体成像的结果不同，导致利用SIFT等角点检测器提取的特征点质量较差，并且不同点的特征描述区分度较低，无法满足多源图像精确匹配的需求。Yi.Z.等人提出的方法在可见光图像与远红外图像配准时，由于图像间所处的波段差异较大，尺度限制条件失效，导致匹配效果较差，而Huang等人提出的方法在匹配图像纹理较弱的情况下，尽管SIFT提取的特征点较多，但是特征点的质量较差，导致匹配精度降低。
发明内容
本发明的目的是提供一种基于多个光谱图像的配准方法以及装置。其中，所述方法不仅能避免多个光谱图像对同一物体成像结果不同引起的误匹配，而且还能改善多个光谱图像配准速度慢的问题。
为了实现上述目的，本发明提供一种基于多个光谱图像的配准方法。所述方法包括：
获取对同一物体成像得到的多个光谱图像；
利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图；
根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域；
利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点；
基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征；
根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准。
可选地，所述根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域，包括：
根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；
根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
可选地，所述利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点之前，所述方法还包括：
根据以下公式一计算得到每个感兴趣区域的最小对比率：
根据以下公式二计算得到所述非感兴趣区域的最小对比率：
其中，N表示光谱图像的感兴趣区域的个数，Si表示光谱图像第i个感兴趣区域的面积，表示光谱图像第i个感兴趣区域在光谱图像上的灰度均值，表示光谱图像第i个感兴趣区域在与光谱图像对应的显著性图上的均值，σi表示光谱图像第i个感兴趣区域的显著性值的方差，INSmean表示光谱图像的非感兴趣区域在与光谱图像对应的显著性图上的均值，S′表示光谱图像的非感兴趣区域的面积，表示光谱图像第i个感兴趣区域的最小对比率，MCout表示光谱图像的非感兴趣区域的最小对比率。
可选地，所述基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征，包括：
针对所述特征点的属性为所述特征点设置窗宽；
利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
可选地，所述根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准，包括：
根据所述EOH特征计算得到多个光谱图像的特征点的相似度；
根据所述相似度求解匹配特征点；
根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
可选地，所述根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准之前，所述方法还包括：
利用随机采样一致性对所述匹配特征点进行筛选，剔除所述匹配特征点中的误匹配点。
相应地，本发明还提供一种基于多个光谱图像的配准装置。所述装置包括：
获取单元，用于获取对同一物体成像得到的多个光谱图像；
分析单元，用于利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图；
划分单元，用于根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域；
提取单元，用于利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点；
描述单元，用于基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征；
配准单元，用于根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准。
可选地，所述划分单元，具体用于：
根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；
根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
可选地，所述描述单元，具体用于：
针对所述特征点的属性为所述特征点设置窗宽；
利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
可选地，所述配准单元，具体用于：
根据所述EOH特征计算得到多个光谱图像的特征点的相似度；
根据所述相似度求解匹配特征点；
根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
通过上述技术方案，获取对同一物体成像得到的多个光谱图像；利用显著性分析技术对每一光谱图像进行显著性分析，得到与每一光谱图像对应的显著性图；根据显著性图分别对每一光谱图像进行区域划分，得到感兴趣区域和非感兴趣区域；利用FAST特征点检测算法提取感兴趣区域和非感兴趣区域的特征点；基于特征点与感兴趣区域和非感兴趣区域的位置关系，利用EOH特征描述算子对特征点进行特征描述，得到特征点的EOH特征；根据EOH特征对多个光谱图像的特征点进行匹配，实现多光谱图像的配准，不仅能避免多个光谱图像对同一物体成像结果不同引起的误匹配，而且还能改善多个光谱图像配准速度慢的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的基于多个光谱图像的配准方法的流程图；
图2是本发明一实施例提供的基于多个光谱图像的配准装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一实施例提供的基于多个光谱图像的配准方法的流程图。如图1所示，本发明一实施例提供的基于多个光谱图像的配准方法包括：
在步骤S101中，获取对同一物体成像得到的多个光谱图像。
其中，所述多个光谱图像指的是处于不同波段的图像。
接着，在步骤S102中，利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图。
其中，通过显著性分析，求解光谱图像上每个像素点的显著性值，找到光谱图像中的重要信息，得到显著性图。
紧接着，在步骤S103中，根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域。
具体地，该步骤包括：根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
在具体的实施方式中，利用显著性分析求解得到的像素点的显著性值介于0到1之间，选取显著性值0.5为预设阈值，根据显著性图对光谱图像进行划分，大于预设阈值的区域为感兴趣区域(ROI，region of interest)，小于预设阈值的区域为非感兴趣区域(NROI，non region of interest)，识别出图像的关键区域，以减少特征点的搜索范围，提高筛选出特征点的质量。
然后，在步骤S104中，利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点。
具体地，在该步骤之前，所述方法还包括：
根据以下公式一计算得到每个感兴趣区域的最小对比率：
根据以下公式二计算得到所述非感兴趣区域的最小对比率：
其中，N表示光谱图像的感兴趣区域的个数，Si表示光谱图像第i个感兴趣区域的面积，表示光谱图像第i个感兴趣区域在光谱图像上的灰度均值，表示光谱图像第i个感兴趣区域在与光谱图像对应的显著性图上的均值，σi表示光谱图像第i个感兴趣区域的显著性值的方差，INSmean表示光谱图像的非感兴趣区域在与光谱图像对应的显著性图上的均值，S′表示光谱图像的非感兴趣区域的面积，表示光谱图像第i个感兴趣区域的最小对比率，MCout表示光谱图像的非感兴趣区域的最小对比率。
在得到每个感兴趣区域的最小对比率和非感兴趣区域的最小对比率之后，利用FAST(Features from Accelerated Segment Test，快速分割测试的特征)特征点检测算法在每个感兴趣区域与非感兴趣区域以不同的最小对比率提取特征点。对图像感兴趣区域外与区域内采用不同的特征点搜索策略，满足不同图像以及图像中不同区域的特征点筛选需求。利用FAST特征点检测算法，对重要信息区域提取高质量特征点，不仅提高了特征点提取的速度，同时为多个光谱图像的精确匹配打下了基础。
接着，在步骤S105中，基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征。
具体地，该步骤包括：针对所述特征点的属性为所述特征点设置窗宽；利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
在具体的实施方式中，根据特征点的属性设置不同的窗宽，即如果特征点p位于感兴趣区域内，则窗宽为：
min(d(p,NROI))
其中，窗宽为位于感兴趣区域内的特征点p到非感兴趣区域的最小距离。
如果特征点p位于非感兴趣区域，则窗宽为：
其中，ROIi表示光谱图像的第i个感兴趣区域，min(d(p,ROIi))表示位于非感兴趣区域内的特征点p到光谱图像第i个感兴趣区域的最小距离。根据特征点的窗宽，求解对应的EOH(edge orientation histogram，边缘方向直方图)特征。利用改进的EOH特征描述算子，根据不同特征点周围的信息，对特征点进行描述，使特征点之间的描述区分度增大，提高多个光谱图像上特征点匹配的精度。
最后，在步骤S106中，根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准。
具体地，该步骤包括：根据所述EOH特征计算得到多个光谱图像的特征点的相似度；根据所述相似度求解匹配特征点；根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
优选地，所述方法还包括：利用随机采样一致性对所述匹配特征点进行筛选，剔除所述匹配特征点中的误匹配点。藉此，能够实现多个光谱图像的最优配准。
本实施例通过获取对同一物体成像得到的多个光谱图像；利用显著性分析技术对每一光谱图像进行显著性分析，得到与每一光谱图像对应的显著性图；根据显著性图分别对每一光谱图像进行区域划分，得到感兴趣区域和非感兴趣区域；利用FAST特征点检测算法提取感兴趣区域和非感兴趣区域的特征点；基于特征点与感兴趣区域和非感兴趣区域的位置关系，利用EOH特征描述算子对特征点进行特征描述，得到特征点的EOH特征；根据EOH特征对多个光谱图像的特征点进行匹配，实现多光谱图像的配准，不仅能避免多个光谱图像对同一物体成像结果不同引起的误匹配，而且还能改善多个光谱图像配准速度慢的问题。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图2是本发明一实施例提供的基于多个光谱图像的配准装置的结构示意图。如图2所示，本发明一实施例提供的基于多个光谱图像的配准装置包括：
获取单元201，用于获取对同一物体成像得到的多个光谱图像；
分析单元202，用于利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图；
划分单元203，用于根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域；
提取单元204，用于利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点；
描述单元205，用于基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征；
配准单元206，用于根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准。
在本发明一可选实施方式中，所述划分单元203，具体用于：
根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；
根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
在本发明一可选实施方式中，所述描述单元205，具体用于：
针对所述特征点的属性为所述特征点设置窗宽；
利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
在本发明一可选实施方式中，所述配准单元206，具体用于：
根据所述EOH特征计算得到多个光谱图像的特征点的相似度；
根据所述相似度求解匹配特征点；
根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
对于本发明一实施例提供的基于多个光谱图像的配准装置中还涉及的具体细节已在本发明一实施例提供的基于多个光谱图像的配准方法中作了详细的描述，在此不再赘述。
应当注意的是，在本发明的系统的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于多个光谱图像的配准方法，其特征在于，所述方法包括：
获取对同一物体成像得到的多个光谱图像；
利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图；
根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域；
利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点；
基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征；
根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准；
若特征点位于感兴趣区域内，则改进的EOH特征描述算子对应的窗宽为：
min(d(p,NROI))；
其中，NROI表示非感兴趣的区域，min(d(p,NROI))为位于感兴趣区域内的特征点p到非感兴趣区域的最小距离；
若特征点位于非感兴趣区域，则改进的EOH特征描述算子对应的窗宽为：
其中，表示光谱图像第i个感兴趣区域在与光谱图像对应的显著性图上的均值，ROI表示感兴趣的区域，ROIi表示光谱图像的第i个感兴趣区域，min(d(p,ROIi))表示位于非感兴趣区域内的特征点p到光谱图像第i个感兴趣区域的最小距离，N为光谱图像的感兴趣区域的个数。
2.根据权利要求1所述的基于多个光谱图像的配准方法，其特征在于，所述根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域，包括：
根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；
根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
3.根据权利要求1所述的基于多个光谱图像的配准方法，其特征在于，所述利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点之前，所述方法还包括：
根据以下公式一计算得到每个感兴趣区域的最小对比率：
根据以下公式二计算得到所述非感兴趣区域的最小对比率：
其中，N表示光谱图像的感兴趣区域的个数，Si表示光谱图像第i个感兴趣区域的面积，表示光谱图像第i个感兴趣区域在光谱图像上的灰度均值，表示光谱图像第i个感兴趣区域在与光谱图像对应的显著性图上的均值，σi表示光谱图像第i个感兴趣区域的显著性值的方差，INSmean表示光谱图像的非感兴趣区域在与光谱图像对应的显著性图上的均值，S′表示光谱图像的非感兴趣区域的面积，表示光谱图像第i个感兴趣区域的最小对比率，MCout表示光谱图像的非感兴趣区域的最小对比率。
4.根据权利要求1所述的基于多个光谱图像的配准方法，其特征在于，所述基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征，包括：
针对所述特征点的属性为所述特征点设置窗宽；
利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
5.根据权利要求1所述的基于多个光谱图像的配准方法，其特征在于，所述根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准，包括：
根据所述EOH特征计算得到多个光谱图像的特征点的相似度；
根据所述相似度求解匹配特征点；
根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
6.根据权利要求5所述的基于多个光谱图像的配准方法，其特征在于，所述根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准之前，所述方法还包括：
利用随机采样一致性对所述匹配特征点进行筛选，剔除所述匹配特征点中的误匹配点。
7.一种基于多个光谱图像的配准装置，其特征在于，所述装置包括：
获取单元，用于获取对同一物体成像得到的多个光谱图像；
分析单元，用于利用显著性分析技术对所述多个光谱图像中的每一光谱图像进行显著性分析，得到多个与所述每一光谱图像对应的显著性图；
划分单元，用于根据所述显著性图分别对所述每一光谱图像进行区域划分，得到所述每一光谱图像的感兴趣区域和非感兴趣区域；
提取单元，用于利用FAST特征点检测算法提取所述每一光谱图像的感兴趣区域和非感兴趣区域的特征点；
描述单元，用于基于所述特征点与所述感兴趣区域和所述非感兴趣区域的位置关系，利用改进的EOH特征描述算子对所述特征点进行特征描述，得到特征点的EOH特征；
配准单元，用于根据所述EOH特征对所述多个光谱图像的特征点进行匹配，从而实现多个光谱图像的配准；
若特征点位于感兴趣区域内，则改进的EOH特征描述算子对应的窗宽为：
min(d(p,NROI))；
其中，NROI表示非感兴趣的区域，min(d(p,NROI))为位于感兴趣区域内的特征点p到非感兴趣区域的最小距离；
若特征点位于非感兴趣区域，则改进的EOH特征描述算子对应的窗宽为：
其中，表示光谱图像第i个感兴趣区域在与光谱图像对应的显著性图上的均值，ROI表示感兴趣的区域，ROIi表示光谱图像的第i个感兴趣区域，min(d(p,ROIi))表示位于非感兴趣区域内的特征点p到光谱图像第i个感兴趣区域的最小距离，N为光谱图像的感兴趣区域的个数。
8.根据权利要求7所述的基于多个光谱图像的配准装置，其特征在于，所述划分单元，具体用于：
根据所述显著性图将光谱图像像素点的显著性值大于预设阈值的区域划分为感兴趣区域；
根据所述显著性图将光谱图像像素点的显著性值小于预设阈值的区域划分为非感兴趣区域。
9.根据权利要求7所述的基于多个光谱图像的配准装置，其特征在于，所述描述单元，具体用于：
针对所述特征点的属性为所述特征点设置窗宽；
利用改进的EOH特征描述算子根据所述特征点的窗宽求解得到与所述特征点对应的EOH特征。
10.根据权利要求7所述的基于多个光谱图像的配准装置，其特征在于，所述配准单元，具体用于：
根据所述EOH特征计算得到多个光谱图像的特征点的相似度；
根据所述相似度求解匹配特征点；
根据所述匹配特征点求解对应的形变场，实现多个光谱图像的配准。
CN201610509928.1A 2016-06-30 2016-06-30 一种基于多个光谱图像的配准方法以及装置 Active CN106157306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610509928.1A CN106157306B (zh) 2016-06-30 2016-06-30 一种基于多个光谱图像的配准方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610509928.1A CN106157306B (zh) 2016-06-30 2016-06-30 一种基于多个光谱图像的配准方法以及装置

Publications (2)

Publication Number Publication Date
CN106157306A CN106157306A (zh) 2016-11-23
CN106157306B true CN106157306B (zh) 2019-05-07

Family

ID=57350939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610509928.1A Active CN106157306B (zh) 2016-06-30 2016-06-30 一种基于多个光谱图像的配准方法以及装置

Country Status (1)

Country Link
CN (1) CN106157306B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723836A (zh) * 2019-03-21 2020-09-29 杭州三坛医疗科技有限公司 图像相似度的计算方法及装置、电子设备、存储介质
CN112132237B (zh) * 2020-11-23 2021-07-06 广东弓叶科技有限公司 一种纯净像元光谱库建立方法及装置
CN116958216B (zh) * 2023-07-25 2024-05-28 南京航空航天大学 一种基于特征点距离估计的多光谱图像通道间配准方法
CN118447380A (zh) * 2024-05-15 2024-08-06 深圳市中科云驰环境科技有限公司 基于多维光谱参数的水下异物检测方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024155A (zh) * 2010-12-06 2011-04-20 广州科易光电技术有限公司 基于边缘检测的多光谱图像快速匹配方法
CN104112278A (zh) * 2014-08-01 2014-10-22 西安电子科技大学 基于协方差的多光谱图像实时配准方法
CN104992400A (zh) * 2015-06-19 2015-10-21 北京邮电大学 多光谱图像配准方法和装置
CN104992431A (zh) * 2015-06-19 2015-10-21 北京邮电大学 多光谱图像配准的方法及装置
CN105049850A (zh) * 2015-03-24 2015-11-11 上海大学 基于感兴趣区域的hevc码率控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024155A (zh) * 2010-12-06 2011-04-20 广州科易光电技术有限公司 基于边缘检测的多光谱图像快速匹配方法
CN104112278A (zh) * 2014-08-01 2014-10-22 西安电子科技大学 基于协方差的多光谱图像实时配准方法
CN105049850A (zh) * 2015-03-24 2015-11-11 上海大学 基于感兴趣区域的hevc码率控制方法
CN104992400A (zh) * 2015-06-19 2015-10-21 北京邮电大学 多光谱图像配准方法和装置
CN104992431A (zh) * 2015-06-19 2015-10-21 北京邮电大学 多光谱图像配准的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multispectral Image Feature Points;Cristhian Aguilera 等;《Sensors》;20121231;第12661-12672页
基于视觉注意的红外与可见光图像配准;刘志庭;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;正文第4章

Also Published As

Publication number Publication date
CN106157306A (zh) 2016-11-23

Similar Documents

Publication Publication Date Title
Fattal Dehazing using color-lines
CN106446873B (zh) 人脸检测方法及装置
US10445616B2 (en) Enhanced phase correlation for image registration
CN106157306B (zh) 一种基于多个光谱图像的配准方法以及装置
Uss et al. Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images
JPS63118889A (ja) 画像を用いた変化検出方法
CN108711144B (zh) 增强现实方法及装置
Wang et al. A robust multisource image automatic registration system based on the SIFT descriptor
CN109948420B (zh) 人脸比对方法、装置及终端设备
CN107766864B (zh) 提取特征的方法和装置、物体识别的方法和装置
CN109918531A (zh) 一种毒品原植物的搜查方法、装置和计算机可读存储介质
Guryanov et al. Fast medical image registration using bidirectional empirical mode decomposition
CN116109535A (zh) 一种图像融合方法、设备及计算机可读存储介质
CN113284066B (zh) 遥感影像自动云检测方法和装置
Dibs et al. Automatic keypoints extraction from UAV image with refine and improved scale invariant features transform (RI-SIFT)
CN114119695A (zh) 一种图像标注方法、装置及电子设备
Jin et al. Registration of UAV images using improved structural shape similarity based on mathematical morphology and phase congruency
Salehpour et al. Hierarchical approach for synthetic aperture radar and optical image coregistration using local and global geometric relationship of invariant features
Li et al. Robust optical and SAR image registration based on phase congruency scale space
Liu et al. A new affine invariant descriptor framework in shearlets domain for SAR image multiscale registration
Ordóñez et al. Comparing area-based and feature-based methods for co-registration of multispectral bands on GPU
CN113570539A (zh) 螺丝漏锁检测方法及系统、装置和存储介质
Lee et al. Combining eye fixation and context-directed saliency for attentive object segmentation
Zhou et al. A multi-weight fusion framework for infrared and visible image fusion
Zhang et al. Region of interest detection based on salient feature clustering for remote sensing images

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