CN107292922A - 一种用于光学与合成孔径雷达图像配准的方法 - Google Patents
一种用于光学与合成孔径雷达图像配准的方法 Download PDFInfo
- Publication number
- CN107292922A CN107292922A CN201710485233.9A CN201710485233A CN107292922A CN 107292922 A CN107292922 A CN 107292922A CN 201710485233 A CN201710485233 A CN 201710485233A CN 107292922 A CN107292922 A CN 107292922A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- point
- mtd
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像配准技术领域，具体涉及一种用于光学与合成孔径雷达图像配准的方法。本发明采用了基于线特征和空间约束准则进行配准，通过提取相应的直线特征并且通过求取对应的交点，间接得到点特征，并对交点进行特征向量描述，并对初始匹配后的点对采用空间约束准则进行筛选，最终完成图像配准，同常用的配准方法相比，本发明的图像点对配准率得到了一定程度的提升，有利于后续的图像融合等工作。
Description
技术领域
本发明属于图像配准技术领域，具体涉及一种用于光学与合成孔径雷达图像配准的方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)能够在全气候条件下全天提供高分辨率图像。随着成像技术的发展，获取某一地区图像的方法变得多种多样，这些图像之间可能会存在成像方式、拍摄角度、拍摄时间等方面的差异。不同的成像方法之间存在一定的互补性，例如SAR图像能够清晰地反映目标的细节信息，光学图像能给人以直观的认识。为充分发挥不同成像方式的优势，需要对图像进行融合操作，而配准是图像融合的必要步骤。
图像配准的目的是找到参考图像和待配准图像之间的变换关系，求取对应的变换矩阵。配准按照数据类型分为同源图像配准和异源图像配准，按照方法分为基于特征和基于灰度信息两大类。方法的选择对于配准效果影响很大，基于特征的配准方法具有鲁棒性强、运算速度较高的优点，而对于大场景图像配准而言，基于灰度的配准方法运算量较大，无法满足图像快速配准的要求。因此对于异源大场景图像配准，多采用基于特征的配准方法。其中常用特征有点特征、线特征、轮廓特征等，特征的选取需要根据图像数据的实际特点进行选择。
在异源图像配准中，以光学图像和SAR图像配准最为常见，但是由于SAR采用相干原理侧视成像，所成图像具有一定的特殊性。其中由于SAR图像中每个像素点的灰度值实际上反映的是目标散射强度，基于灰度信息的配准方法将不能很好地实现图像配准，而受相干斑噪声以及图像畸变等因素影响，常用的基于特征配准方法如尺度不变特征转换算法(Scale-invariant feature transform，SIFT)、Speeded-Up Robust Features(SURF)算法等对光学和 SAR异源图像配准的效果有限，点对正确匹配率较低，无法达到精确配准的要求。因此迫切需要一种新的方法实现光学图像与SAR图像配准。
发明内容
为了解决传统方法对于光学图像与SAR图像配准适用性较差的问题，本发明提出了一种新的基于线特征与空间一致性准则(Spatial Consistency Matching，SCM)SAR图像与光学图像配准方法。
本发明的技术方案是：一种用于光学与合成孔径雷达图像配准的方法，其特征在于，包括以下步骤：
S1、采用LSD算法分别提取光学图像与SAR图像中的线段特征；LSD算法相较霍夫变换(Hough Transform)，LSD算法的运算效率更高，虚警率低，检测结果能够达到亚像素级别，被广泛应用于遥感图像的线特征检测；
S2、分别对步骤S1中获得的线段进行筛选以降低重复率；
S3、分别获得光学图像与SAR图像中的线段交点；
S4、对获取的光学图像线段交点和SAR图像线段交点进行特征向量描述，获得初始配对点；
S5、对初始配对点进行筛选以剔除误匹配点对；
S6、对经过步骤S5后获得的匹配点对，用随机抽样一致算法求取对应的变换矩阵。
上述方案中，步骤S1所述的采用LSD算法提取光学图像与SAR图像中的直线特征采用的是目前传统的技术，本发明对其进行简要描述，主要包括：
S11、以尺度S对输入图像进行高斯下采样，获得特征点；
S12、计算每一个特征点点的梯度值和梯度方向；
S13、根据梯度值对所有点按小到大的顺序进行伪排序，设置标记值对所有点的状态进行标记，所述标记值包括已使用和未使用，该步骤中将所有点的状态设置为未使用；
S14、将梯度小于阈值ρ的点的状态设置为已使用；
S15、采用梯度最大的点作为种子点，并将其状态设置为已使用，通过以下方法提取直线特征：
S151、以种子点为起点，搜索周围状态设置为未使用并且方向在阈值[-ρ,ρ]范围内的点，将被搜索到的点状态设置为已使用；
S152、根据步骤S151得到的所有点，生成包含所有点的矩形R；
S153、判断同性点密度是否满足阈值D，若不满足，将矩形R设置为多个矩形框，直至满足；
S154、计算虚警概率点数目NFA；
S155、改变矩形R使得NFA的值更小直至NFA≤ε，获得直线特征。
进一步的，所述步骤S2的具体方法为：
采用极坐标形式，设直线与x坐标轴的正向夹角为θ，原点到直线的距离为d，通过以下判别式对直线进行筛选：
|θ1-θ2|>5°
|ρ1-ρ2|>1
保留满足上述判别式的直线。
上述方案用于在完成直线特征提取之后，对直线进行筛选，以便降低重复率和减少后期求取直线交点时不必要的运算量。
进一步的，所述步骤S3的具体方法为：
对直线ρ1＝xcosθ1+ysinθ1和直线，通过以下公式获得它们的直线交点坐标(x0，y0)：
判断获得的直线交点是否超出图像行列范围，若是，则舍去该点，否者进入下一步。
进一步的，所述步骤S4具体方法为：
S41、设图像中的任意一点为L(x,y)，点L(x,y)的模m(x,y)以及方向θ(x,y)的公式为：
θ(x,y)＝tan-1{[L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}
S42、得到模值及方向后，进行方向分配：以一定大小的半径在输入图像上划定一块圆形区域，并以10度为间隔在0°-360°范围内进行划分，对直线交点的邻域像素进行统计，得到整个36柱梯度直方图，指定梯度直方图的峰值方向为直线交点的主方向；
S43、在得到直线交点的位置、尺度和方向信息后，首先旋转坐标轴使其x轴方向与交点的主方向重合，然后在交点周围选取8×8的窗口；以45°为间隔，在0°-360°的范围内共有 8个梯度方向，对特征点周围4×4的邻域进行梯度计算，最终得到2×2＝4个种子点；实际计算中，为了提高特征匹配的鲁棒性，通常对每个特征点采用4×4＝16个种子点的方式进行特征描述，得到128维特征向量。
S44、计算参考图像和待配准图像中特征向量之间的欧氏距离，若最小距离与次小距离比值小于等于阈值，则认为是初始匹配点对。
上述方案通过对线段交点进行特征向量描述，并用最邻近准则对点对进行初步筛选；传统的方法有穷举法、归一化互相关匹配法(Normalized Corss Correlation，NCC)、奇异值分解算法(Singular Value Decomposition，SVD)等，其中由于交点数量较多，超出计算机的处理能力，穷举法无法完成点对的配准操作。而NCC算法、SVD算法同样无法实现点对的正确配准。
进一步的，所述步骤S5具体方法为：
在计算机视觉应用中，常考虑图像中点对的空间位置关系，包括长度关系和角度关系。由于空间位置关系不易受图像噪声等因素的影响，可以很好地用来剔除误匹配点对。
采用空间一致性准则对步骤S4中获得的初始匹配点对进行筛选，剔除不满足以下公式的初始匹配点对：
|θ(B,C)-θ(b,c)|<Tθ
||BC|/|bc|-α|<Tα
其中，当参考图像和待配准图像仅存在尺寸或者分辨率上的差异时，θ(B,C)为光学图像中的直线BC与水平方向的夹角；θ(b,c)为SAR图像中的直线bc与水平方向的夹角；光学图像中(B,C)两点之间的距离为|BC|，SAR图像中(b,c)两点之间的距离为|bc|，Tθ、Tα分别为角度差和距离比值差的阈值，α为距离比值的阈值。若阈值设置较小，则点对配准率会得到相应提高，但是一定程度上减少了点对数目，影响后续变换矩阵的求取。
进一步的，所述步骤S6具体方法为采用随机抽样一致算法获得对应的变换矩阵，包括：
S61、从匹配点对中随机抽取3组作为初始随机抽样一致算法的样本，计算出相应的仿射变换矩阵，设定初始的最优的内点数M为0，其中仿射变换模型为：
其中为变换矩阵，表示平移变换的程度；
S62、计算待配准图像中剩余的匹配点对经过仿射变换后对应的坐标，通过设置合理的阈值T，计算其与参考图像中对应点对之间的距离，并与设定的阈值进行比较划分为内点数据和外点数据；
S63、如果当前内点数大于最优内点数M，那么就更新M的值，保存最优的仿射矩阵；
S64、重复执行步骤S61-步骤S63，直至获得具有最多点满足的函数为求取的变换矩阵，满足该变换矩阵的点为最终配准点对。
本发明的有益效果为：本发明采用了基于线特征和空间约束准则进行配准，通过提取相应的直线特征并且通过求取对应的交点，间接得到点特征，并对交点进行特征向量描述，并对初始匹配后的点对采用空间约束准则进行筛选，最终完成图像配准，同常用的配准方法相比，本发明的图像点对配准率得到了一定程度的提升，有利于后续的图像融合等工作。
附图说明
图1为基于线特征与空间约束的光学图像与SAR图像配准流程图；
图2为光学图像与SAR图像直线特征图；
图3为极坐标表示的直线及其交点示意图；
图4为特征向量描述过程示意图；
图5空间约束一致性准则示意图；
图6为基于SIFT算法的光学图像和SAR图像配准结果图；
图7为基于SURF算法的光学图像和SAR图像配准结果图；
图8为基于本发明的光学图像和SAR图像配准结果图。
具体实施方式
下面结合实施例，详细描述本发明的技术方案：
实施例
下面以所用的光学图像与SAR图像数据分别为德国Oberpfaffenhofen地区、美国Albuquerque地区以及美国Fort Jefferson地区为例。
附图2为采用LSD算法提取的直线特征图，德国Oberpfaffenhofen地区的光学图像和SAR 图像大小分别为800×800、1200×1300，美国Albuquerque地区的光学图像和SAR图像大小分别为399×459、500×457，美国Fort Jefferson地区的光学图像和SAR图像大小分别为570×440、 531×399。
附图4为特征向量描述过程示意图。图4（a）为直线交点主方向示意图，图4（b）为特征点描述向量示意图。
附图5为空间约束准则示意图。当点对之间空间位置关系满足如图所示时，认为符合空间一致性准则。
附图6给出了采用SIFT算法的配准结果图像，高斯尺度空间共有4组，每组内有6层图像。得到对应极值点后，通过特征描述，得到对应的128维特征向量。点对的匹配采用最邻近准则。通过计算参考图像点与待配准图像点对之间的欧氏距离，若最小距离与次小距离的比值在设定阈值范围内，则认为点对正确匹配。三组对应的距离阈值为0.75、0.8、0.8，可以看出SIFT算法不能很好地实现光学图像和SAR图像的配准。
附图7给出了采用SURF算法的配准结果图像，与SIFT算法不同，SURF算法通过改变高斯模糊模板的尺寸得到相应的尺度空间，共有5组，每组有5层图像。得到对应极值点并进行特征向量描述，得到对应的64维向量。计算对应向量之间欧式距离，并将距离最小的点对设定为匹配点对。同样SURF算法也无法实现光学图像和SAR图像的配准。
附图8为本发明所用方法的配准结果，德国Oberpfaffenhofen地区、美国Albuquerque地区和美国Fort Jefferson地区的光学图像与SAR图像的空间约束准则参数设置如下：
表1为本发明方法与SIFT算法、SURF算法配准效果对比示意：
表1本发明方法与SIFT算法、SURF算法配准效果对比
| 点对数目 | 正确匹配数目 | 匹配准确率 | |
| SIFT算法 | 30 | 53 | 56.6％ |
| SURF算法 | 50 | 4 | 8％ |
| 本发明方法 | 6 | 5 | 83.33％ |
(a)德国Oberpfaffenhofen地区
| 点对数目 | 正确匹配数目 | 匹配准确率 | |
| SIFT算法 | 35 | 24 | 68.57％ |
| SURF算法 | 28 | 1 | 3.57％ |
| 本发明方法 | 6 | 5 | 83.33％ |
(b)美国Albuquerque地区
| 点对数目 | 正确匹配数目 | 匹配准确率 | |
| SIFT算法 | 66 | 27 | 40.61％ |
| SURF算法 | 106 | 17 | 16.04％ |
| 本发明方法 | 6 | 4 | 66.67％ |
(c)美国Fort Jefferson地区
由表1可以看出，本发明的方法较好地完成了光学图像和SAR图像的配准。
Claims (6)
1.一种用于光学与合成孔径雷达图像配准的方法，其特征在于，包括以下步骤：
S1、采用LSD算法分别提取光学图像与SAR图像中的直线线段特征；
S2、分别对步骤S1中获得的线段进行筛选以降低重复率；
S3、分别获得光学图像与SAR图像中的线段交点；
S4、对获取的光学图像线段交点和SAR图像线段交点进行特征向量描述，获得初始配对点；
S5、对初始配对点进行筛选以剔除误匹配点对；
S6、对经过步骤S5后获得的匹配点对，用随机抽样一致算法求取对应的变换矩阵。
2.根据权利要求1所述的一种用于光学与合成孔径雷达图像配准的方法，其特征在于，所述步骤S2的具体方法为：
采用参数形式，设直线的垂线与x坐标轴的正向夹角为θ，原点到直线的距离为d，通过以下判别式对直线进行筛选：
|θ1-θ2|>5°
|ρ1-ρ2|>1
保留满足上述判别式的直线。
3.根据权利要求2所述的一种用于光学与合成孔径雷达图像配准的方法，其特征在于，所述步骤S3的具体方法为：
对直线ρ1＝x cosθ1+y sinθ1和直线ρ2＝x cosθ2+y sinθ2，通过以下公式获得它们的直线交点坐标(x0，y0)：
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>sin&theta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>sin&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
判断获得的直线交点是否超出图像行列范围，若是，则舍去该点，否者进入下一步。
4.根据权利要求3述的一种用于光学与合成孔径雷达图像配准的方法，其特征在于，所述步骤S4具体方法为：
S41、设图像中的任意一点为L(x,y)，点L(x,y)的模m(x,y)以及方向θ(x,y)的公式为：
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>{</mo>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>/</mo>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
S42、得到模值及方向后，进行方向分配：以一定大小的半径在输入图像上划定一块圆形区域，并以10度为间隔在0°-360°范围内进行划分，对直线交点的邻域像素进行统计，得到整个36柱梯度直方图，指定梯度直方图的峰值方向为直线交点的主方向；
S43、在得到直线交点的位置、尺度和方向信息后，首先旋转坐标轴使其x轴方向与交点的主方向重合，然后在交点周围选取8×8的窗口；以45°为间隔，在0°-360°的范围内共有8个梯度方向，对特征点周围4×4的邻域进行梯度计算，最终得到2×2＝4个种子点；
S44、设定光学图像为参考图像，SAR图像为待配准图像，计算参考图像和待配准图像中特征向量之间的欧氏距离，若最小距离与次小距离比值小于等于阈值，则认为是初始匹配点对。
5.根据权利要求4述的一种用于光学与合成孔径雷达图像配准的方法，其特征在于，所述步骤S5具体方法为：
采用空间一致性准则对步骤S4中获得的初始匹配点对进行筛选，剔除不满足以下公式的初始匹配点对：
|θ(B,C)-θ(b,c)|<Tθ
||BC|/|bc|-α|<Tα
其中，θ(B,C)为光学图像中的直线BC与水平方向的夹角；θ(b,c)为SAR图像中的直线bc与水平方向的夹角；光学图像中(B,C)两点之间的距离为|BC|，SAR图像中(b,c)两点之间的距离为|bc|，Tθ、Tα分别为角度差和距离比值差的阈值，α为距离比值的阈值。
6.根据权利要求5述的一种用于光学与合成孔径雷达图像配准的方法，其特征在于，所述步骤S6具体方法为采用随机抽样一致算法获得对应的变换矩阵，包括：
S61、从匹配点对中随机抽取3组作为初始随机抽样一致算法的样本，计算出相应的仿射变换矩阵，设定初始的最优的内点数M为0，其中仿射变换模型为：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中为变换矩阵，表示平移变换的程度；
S62、计算待配准图像中剩余的匹配点对经过仿射变换后对应的坐标，通过设置合理的阈值T，计算其与参考图像中对应点对之间的距离，并与设定的阈值进行比较划分为内点数据和外点数据；
S63、如果当前内点数大于最优内点数M，那么就更新M的值，保存最优的仿射矩阵；
S64、重复执行步骤S61-步骤S63，直至获得具有最多点满足的函数为求取的变换矩阵，满足该变换矩阵的点为最终配准点对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710485233.9A CN107292922B (zh) | 2017-06-23 | 2017-06-23 | 一种用于光学与合成孔径雷达图像配准的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710485233.9A CN107292922B (zh) | 2017-06-23 | 2017-06-23 | 一种用于光学与合成孔径雷达图像配准的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292922A true CN107292922A (zh) | 2017-10-24 |
| CN107292922B CN107292922B (zh) | 2019-08-02 |
Family
ID=60096890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710485233.9A Active CN107292922B (zh) | 2017-06-23 | 2017-06-23 | 一种用于光学与合成孔径雷达图像配准的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292922B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346162A (zh) * | 2018-03-26 | 2018-07-31 | 西安电子科技大学 | 基于结构信息和空间约束的遥感图像配准方法 |
| CN108447016A (zh) * | 2018-02-05 | 2018-08-24 | 西安电子科技大学 | 基于直线交点的光学图像和sar图像的匹配方法 |
| CN108510532A (zh) * | 2018-03-30 | 2018-09-07 | 西安电子科技大学 | 基于深度卷积gan的光学和sar图像配准方法 |
| CN108564606A (zh) * | 2018-03-30 | 2018-09-21 | 西安电子科技大学 | 基于图像转换的异源图像块匹配方法 |
| CN109165657A (zh) * | 2018-08-20 | 2019-01-08 | 贵州宜行智通科技有限公司 | 一种基于改进sift的图像特征检测方法及装置 |
| CN110855906A (zh) * | 2018-07-24 | 2020-02-28 | 黑芝麻智能科技(上海)有限公司 | 利用安装在车辆周围的摄像机和雷达进行360度全景环视的拼接光学图像的方法 |
| CN113671499A (zh) * | 2021-08-06 | 2021-11-19 | 南京航空航天大学 | 一种基于提取回波矩阵图的sar与光学图像相配准方法 |
| CN114004770A (zh) * | 2022-01-04 | 2022-02-01 | 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 |
| CN114723794A (zh) * | 2022-04-12 | 2022-07-08 | 南京雷电信息技术有限公司 | 基于lsd直线检测的sar图像配准方法 |
| CN114972453A (zh) * | 2022-04-12 | 2022-08-30 | 南京雷电信息技术有限公司 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
| CN115035326A (zh) * | 2022-06-09 | 2022-09-09 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008364A (ja) * | 2011-06-22 | 2013-01-10 | Boeing Co:The | 画像の表示 |
| CN104574401A (zh) * | 2015-01-09 | 2015-04-29 | 北京环境特性研究所 | 一种基于平行线匹配的图像配准方法 |
-
2017
- 2017-06-23 CN CN201710485233.9A patent/CN107292922B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008364A (ja) * | 2011-06-22 | 2013-01-10 | Boeing Co:The | 画像の表示 |
| CN104574401A (zh) * | 2015-01-09 | 2015-04-29 | 北京环境特性研究所 | 一种基于平行线匹配的图像配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高永光等: "基于直线特征和谱图理论的光学与SAR图像配准", 《地理空间信息》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447016A (zh) * | 2018-02-05 | 2018-08-24 | 西安电子科技大学 | 基于直线交点的光学图像和sar图像的匹配方法 |
| CN108447016B (zh) * | 2018-02-05 | 2021-06-01 | 西安电子科技大学 | 基于直线交点的光学图像和sar图像的匹配方法 |
| CN108346162B (zh) * | 2018-03-26 | 2019-10-11 | 西安电子科技大学 | 基于结构信息和空间约束的遥感图像配准方法 |
| CN108346162A (zh) * | 2018-03-26 | 2018-07-31 | 西安电子科技大学 | 基于结构信息和空间约束的遥感图像配准方法 |
| CN108564606B (zh) * | 2018-03-30 | 2022-06-24 | 西安电子科技大学 | 基于图像转换的异源图像块匹配方法 |
| CN108510532A (zh) * | 2018-03-30 | 2018-09-07 | 西安电子科技大学 | 基于深度卷积gan的光学和sar图像配准方法 |
| CN108564606A (zh) * | 2018-03-30 | 2018-09-21 | 西安电子科技大学 | 基于图像转换的异源图像块匹配方法 |
| CN108510532B (zh) * | 2018-03-30 | 2022-07-15 | 西安电子科技大学 | 基于深度卷积gan的光学和sar图像配准方法 |
| CN110855906A (zh) * | 2018-07-24 | 2020-02-28 | 黑芝麻智能科技(上海)有限公司 | 利用安装在车辆周围的摄像机和雷达进行360度全景环视的拼接光学图像的方法 |
| CN110855906B (zh) * | 2018-07-24 | 2022-06-17 | 黑芝麻智能科技(上海)有限公司 | 拼接全景光学图像的方法 |
| CN109165657A (zh) * | 2018-08-20 | 2019-01-08 | 贵州宜行智通科技有限公司 | 一种基于改进sift的图像特征检测方法及装置 |
| CN113671499A (zh) * | 2021-08-06 | 2021-11-19 | 南京航空航天大学 | 一种基于提取回波矩阵图的sar与光学图像相配准方法 |
| 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 |
| CN114004770A (zh) * | 2022-01-04 | 2022-02-01 | 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 |
| CN114723794A (zh) * | 2022-04-12 | 2022-07-08 | 南京雷电信息技术有限公司 | 基于lsd直线检测的sar图像配准方法 |
| CN114972453A (zh) * | 2022-04-12 | 2022-08-30 | 南京雷电信息技术有限公司 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
| CN114723794B (zh) * | 2022-04-12 | 2023-03-24 | 南京雷电信息技术有限公司 | 基于lsd直线检测的sar图像配准方法 |
| CN114972453B (zh) * | 2022-04-12 | 2023-05-05 | 南京雷电信息技术有限公司 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
| CN115035326A (zh) * | 2022-06-09 | 2022-09-09 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
| CN115035326B (zh) * | 2022-06-09 | 2024-04-12 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292922B (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292922A (zh) | 一种用于光学与合成孔径雷达图像配准的方法 | |
| Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
| CN106228547B (zh) | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 | |
| CN111695522B (zh) | 一种平面内的旋转不变人脸检测方法、装置及存储介质 | |
| CN111340701B (zh) | 一种基于聚类法筛选匹配点的电路板图像拼接方法 | |
| CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
| CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
| CN107945111A (zh) | 一种基于surf特征提取结合cs‑lbp描述符的图像拼接方法 | |
| CN104134200A (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
| CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN108960115A (zh) | 基于角点的多方向文本检测方法 | |
| CN109102003A (zh) | 一种基于红外物理特征融合的小目标检测方法和系统 | |
| CN105631872A (zh) | 基于多特征点的遥感图像配准方法 | |
| CN107689058A (zh) | 一种基于surf特征提取的图像配准算法 | |
| CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
| Jansson et al. | Exploring the ability of CNN s to generalise to previously unseen scales over wide scale ranges | |
| Gao et al. | Multiscale curvelet scattering network | |
| CN111462198A (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
| Chen et al. | Oriented object detection by searching corner points in remote sensing imagery | |
| CN109711420B (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 | |
| CN105139017B (zh) | 融合仿射不变角点特征及视觉颜色特征的车牌定位算法 | |
| CN101159063A (zh) | 超复数互相关与目标中心距离加权相结合的跟踪算法 | |
| Zhang et al. | Traffic Sign Detection and Recognition Based onDeep Learning. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |