CN107610164B - 一种基于多特征混合的高分四号影像配准方法 - Google Patents
一种基于多特征混合的高分四号影像配准方法 Download PDFInfo
- Publication number
- CN107610164B CN107610164B CN201710812557.9A CN201710812557A CN107610164B CN 107610164 B CN107610164 B CN 107610164B CN 201710812557 A CN201710812557 A CN 201710812557A CN 107610164 B CN107610164 B CN 107610164B
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- reference image
- matching
- point pairs
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明针对高分四号多谱段影像间自动配准,提出了一种鲁棒性、适应性更强的基于多特征混合的高分四号影像配准方法,该方法包括如下步骤:1)先对基准影像和配准影像进行必要的预处理和图像增强处理;2)对影像重叠区域按照地形数据高程特点进行区域分块处理;3)对两幅影像进行两种特征点提取和匹配,形成初始混合点对集;4)通过设定特征点之间的距离阈值来对初始混合点对集进行优化;5)根据配准精度要求,确定最终匹配点对集;6)将最终匹配点对分为控制点和检查点,再根据控制点对建立两影像配准的仿射变换模型,确定仿射变换参数;7)对配准影像进行图像重采样,输出配准结果,并进行配准精度评估。
Description
技术领域
本发明涉及一种基于多特征混合的高分四号卫星影像自动配准方法,用于实现面阵分时成像体制下图像的自动、快速、高精度配准,属于遥感图像处理技术领域。
背景技术
高分四号(GF-4)卫星是我国第一颗地球静止轨道高分辨率对地观测卫星,于2015年12月29日在西昌发射成功,它的成功发射和应用将显著提升我国天基对地观测能力,是突破“同时具有较高空间分辨率和高时间分辨率光学遥感”关键共性技术的一项战略部署,对高轨道高分辨率遥感卫星技术发展具有开创性的重要意义。GF-4卫星以其独特的载荷特性,不仅为气象天气监测、灾害风险预警预报、森林火灾害监测、地震构造信息提取等业务补充了全新的技术手段,并且还在环保、海洋、农业、水利等行业也具有巨大潜力和广阔空间。
GF-4卫星采用面阵分时成像体制,通过旋转滤光轮将不同的滤光片切入光路中,不同谱段之间的切换、平台的抖动震荡、恶劣的辐射环境等因素导致多谱段影像间存在相对较大的辐射差异和几何差异。为保证GF-4卫星多谱段影像间的相对配准精度,需要对GF-4卫星多谱段影像的配准技术进行深入研究。因此,如何自动快速地实现GF-4卫星影像高精度配准已成为该卫星数据应用及推广的关键步骤,同时,这成为一个具有研究价值的问题。
在遥感图像处理中,基于特征的配准算法由于具有匹配效率高、抗噪能力强等优势,不仅成为遥感图像配准的主流方法,更是图像配准研究和改进的热点,主要可用于不同传感器、不同时相间影像的匹配。20世纪末,Harris和Stephens提出Harris算子,对图像旋转和灰度变化都具有不变性,但不具有尺度。1999年,Lowe创造性地改进了之前的算法,提出了一种尺度不变特性变换算法(SIFT),并于2004年对该算法进行完善和总结,为基于图像特征点配准的算法走出了至关重要的一步。局部不变性描述了以其对灰度变化、旋转、缩放的不变性及对仿射变换的部分不变性,随后在国内外被广泛应用和改进。2010年,李芳芳等利用匹配直线构建虚拟角点,提出了一种基于线特征和SIFT点特征的多源遥感影像配准的方法。2011年,梁栋等提出了一种基于NSCT和SIFT的遥感图像配准算法,综合利用了NSCT在图像分解上的灵活性和SIFT算法在特征描述上的有效性来进行遥感图像配准。2012年,唐永鹤等针对局部特征匹配面临的实时性和鲁棒性难以兼顾的问题,提出了一种基于Harris算子的快速图像匹配算法。2013年,张谦等针对多源影像配准中低效率和误匹配的问题,对SIFT算子在特征提取与匹配过程中进行了改进。2015年,许佳佳提出了一种结合Harris与SIFT算子的快速图像配准方法,先提取Harris角点,再利用SIFT算子的特征描述方法描述提取的特征点,通过随机kd树算法对两幅影像的特征点进行匹配。从以上所述可以看出,已有学者在遥感影像配准中采用或改进了Harris和SIFT算法。但由于GF-4影像空间分辨率较低,局部影像模糊,受外部环境影响大等因素,导致采用已有算法在GF-4影像特征提取和匹配过程中仍没有理想的效果。
Harris算法是一种角点检测算法,其特征点能均匀地分布在整个图像,配准效果接近于全局匹配,且图像灰度变化对其影响不大,但不具有尺度不变的特点,在遥感影像自动配准的应用中有局限性。SIFT算法对影像旋转、尺度缩放,甚至部分的三维视角变化和光照变化均能保持局部不变性,是一种稳定性、适应性较强的局部特征匹配算法,但它不具备全局特性,对幅宽较大的影像来说又存在明显的缺陷。那么,如何获取数量丰富且分布均匀的特征点对成了GF-4影像自动配准的关键所在。
发明内容
本发明的技术解决问题是:克服现有技术的不足,通过对GF-4影像特性分析,提出一种鲁棒性、适应性更强的基于多特征混合的高分四号影像自动配准方法,通过结合Harris和SIFT算法各自的优点,再根据互相关系数法双向匹配策略和SIFT匹配策略及RANSAC算法迭代拟合模型参数。
本发明的技术解决方案是:一种基于多特征混合的高分四号影像配准方法,该方法包括如下步骤:
(1)、将基准影像和待配准影像分成m个大小为N*N的区域块,根据每个区域块所对应的地形数据高程信息,将区域块归类为:平滑区域或者地形起伏区域;
(2)、分别采用Harris算法和SIFT算法对基准影像和待配准影像所有区域块进行匹配,获得相互匹配的基准影像区域块和待配准影像区域块及其Harris匹配点对集和SIFT匹配点对集,将Harris匹配点对和SIFT匹配点对合并为初始多特征混合点对集;
(3)、利用RANSAC算法对相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集进行迭代匹配,并剔除误匹配点对,并将剩余的匹配点对合并为整体,对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵;
(4)、采用“十一法”将最终匹配点对分为控制点集和检查点集,根据控制点集,采用RANSAC算法建立基准影像和待配准影像的仿射整体变换模型,根据仿射整体变换模型和阈值T2对控制点集进行迭代搜索,得到控制变换矩阵;
(6)、根据控制变换矩阵,对待配准影像进行空间变换得到配准后的影像,并在对配准后的影像再采用三次卷积法进行灰度重采样,使得相邻像元灰度变化较为平滑和缓、色调柔和。
进一步地,在步骤(1)之前增加预处理步骤:
(1.1)、对基准影像和待配准影像进行辐射定标和大气校正处理,得到消除大气背景的基准影像和待配准影像;
(1.2)、采用灰度均值检测消除大气背景的基准影像和待配准影像中的云区,并将检测出来的云区设置成背景;
(1.3)、采用直方图法增强将云区设置成背景的基准影像和待配准影像的对比度,直至目视图像层次丰富,灰度均匀,轮廓清晰易分辨。
所述步骤(1)将区域块归类的原则为:所述区域块内地形数据高程平均值大于预设阈值时,将该区域块定义为平滑区域;所述区域块内地形数据高程平均值小于等于预设阈值时,将该区域块定义为地形起伏区域。
所述步骤(2)的具体步骤为:
(2.1)、对每个基准影像区域块和每个待配准影像区域块采用Harris算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的Harris特征点;
(2.2)、对每个基准影像区域块和每个待配准影像区域块采用SIFT算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的SIFT特征点;
(2.3)、遍历所有基准影像区域块和待配准影像区域块,根据互相关系数阈值T1,利用互相关系数法对基准影像区域块和待配准影像区域块的Harris特征点进行双向匹配,得到相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集;
(2.4)、遍历所有基准影像区域块和待配准影像区域块,采用SIFT匹配策略对基准影像区域块和待配准影像区域块的SIFT特征点进行匹配,得到相互匹配的基准影像区域块和待配准影像区域块SIFT特征点对集;
(2.5)、对比相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集和SIFT特征点对集,当平滑区域的Harris特征点数量少于SIFT特征点数量或者地形起伏区域的SIFT特征点大于Harris特征点数量时,将相互匹配的基准影像区域块和待配准影像区域块中的Harris特征点对集和SIFT特征点对集合并,形成相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集,结束对应区域块的匹配过程,否则,减小互相关系数阈值T1,重新执行步骤(2.3)~步骤(2.5)。
进一步地,所述步骤(2)与步骤(3)增加如下步骤;遍历基准影像区域块或者待配准区域块中匹配点对,所述匹配点对包括已经匹配的Harris特征点对和SIFT特征点对,从相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集中删除相互之间欧式距离低于预设阈值S的两个特征点中的任意一个特征点所在匹配点对,使得剩下的初始多特征混合点对集中的匹配点对均匀,且初始多特征混合点对集中的剩余匹配点对的个数大于预设门限。
所述步骤(3)的具体为:
(3.1)、采用RANSAC算法,根据区域变换模型和阈值T2对相互匹配的基准影像区域块或者待配准区域块的匹配点对集进行迭代匹配,并剔除误匹配点对,按照区域类型,对于平滑地区,所述区域变换模型采用仿射变换模型,对于地形起伏地区,所述区域变换模型采用二次多项式变换模型;
(3.2)、对已剔除误匹配点的优选后的各个区域点对集进行合并,形成整个基准影像和待配准影像的匹配点对,再采用RANSAC算法,根据整体变换模型和阈值T2对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵,所述整体变换模型采用仿射变换模型;
(3.3)、通过影像整体变换矩阵计算特征点对的区域位置匹配误差RMSE,区域位置匹配误差RMSE小于预设要求;如果小于,则直接输出匹配点对集,否则,重新调整阈值T2,重新执行步骤(3.1)~步骤(3.3),直到满足精度要求为止。
所述控制点集中的匹配点对数:检查点集中的匹配点对数为9:1。
本发明与现有技术相比的有益效果是:
(1)本发明由于采用基于地形数据的地表类型分块处理方法,结合考虑地形地貌对特征点提取的影响,相比传统方法,在获得足够精度的特征点集中,实现了点对的均匀分布和混合点对合理组合。
(2)本发明通过对GF-4影像的SIFT和Harris两种特征点对提取,实现对不同地表覆盖情况的适应性,避免了单一特征点不能覆盖全影像的问题,在没有大幅增加计算量的同时,保证了匹配整体精度。
(3)本发明通过采用RANSAC模型对初始特征点集进行分块迭代和混合点集进行整体迭代的由粗到精过程,提升了海量特征点集搜索的效率,同时保证了匹配整体精度可控,满足具体业务要求。
附图说明
图1为本发明一种基于多特征混合的高分四号影像配准方法流程图;
图2(a)为本发明实施例原始基准影像;
图2(b)为本发明实施例原始待配准影像;
图3(a)为本发明实施例增强后基准影像;
图3(b)为本发明实施例增强后待配准影像;
图4为本发明实施例初始多特征混合点集;
图5为本发明实施例初始匹配结果图;
图6为本发明实施例最终匹配特征点对图;
图7为本发明实施例最终匹配结果图;
图8为本发明实施例配准结果(镶嵌图);
图9为本发明实施例局部细节放大图。
具体实施方式
下面结合附图对本发明“一种基于多特征混合的GF-4卫星影像自动配准方法”作进一步阐述说明。其具体步骤为:
如图1所示,首先,为了提高自动配准方法的效果,在本发明步骤进行之前,对如图2(a)所示的基准影像和如图2(b)所示的待配准影像进行如下预处理:
(a)、对基准影像和待配准影像进行辐射定标和大气校正处理,主要消除地形、大气、云雾等对影像光谱造成的差异影响,得到消除大气背景的基准影像和待配准影像;
(b)、针对GF-4卫星影像云干扰问题,采用灰度均值检测消除大气背景的基准影像和待配准影像中的云区,并将检测出来的云区设置成背景,在后期步骤中设为背景不做处理;
(c)、针对GF-4卫星影像对比度较低问题,采用直方图法增强将云区设置成背景的基准影像和待配准影像的对比度,直至目视图像层次丰富,灰度均匀,轮廓清晰易分辨,如图3(a)和图3(b)所示。该步骤得到基准影像和待配准影像的增强图像,拉伸光谱间距,消除影像整体偏暗或偏亮问题,提高特征检测的效率。
本发明所提供的一种基于多特征混合的GF-4卫星影像自动配准方法包括如下步骤:
(1)、将基准影像和待配准影像分成m个大小为N*N的区域块,根据每个区域块所对应的地形数据高程信息,将区域块归类为:平滑区域或者地形起伏区域。
例如,采用17*17窗口滤波,根据每个区域块所对应的地形数据高程信息,计算区域高程均值;再将影像按高程均值进行区域分割,设定阈值,分为平滑区域和地形起伏区域。
将区域块归类的原则为:所述区域块内地形数据高程平均值大于预设阈值时,将该区域块定义为平滑区域;所述区域块内地形数据高程平均值小于等于预设阈值时,将该区域块定义为地形起伏区域。
(2)、分别采用Harris算法和SIFT算法对基准影像和待配准影像所有区域块进行匹配,获得相互匹配的基准影像区域块和待配准影像区域块及其Harris匹配点对集和SIFT匹配点对集,将Harris匹配点对和SIFT匹配点对合并为初始多特征混合点对集。具体步骤为:
(2.1)、对每个基准影像区域块和每个待配准影像区域块采用Harris算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的Harris特征点。由于Harris算法主要进行角点检测,所述Harris特征点基本为角点。
(2.2)、对每个基准影像区域块和每个待配准影像区域块采用SIFT算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的SIFT特征点;由于SIFT算法主要进行局部不变量特征点提取,所述SIFT特征点基本为中间区域的不变量特征点。
(2.3)、遍历所有基准影像区域块和待配准影像区域块,根据互相关系数阈值T1,利用互相关系数法对基准影像区域块和待配准影像区域块的Harris特征点进行双向匹配,得到相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集;
互相关系数匹配法是一种常见匹配方法,其核心思想是用一个模板窗口遍历待匹配处理图像,并先后计算出模板窗口分别位于待匹配处理图像不同位置时所对应的互相关系数值,取值最大的地方就是模板在待匹配图像中的理想对应匹配位置。归一化相关系数的计算公式如下式(1)所示:
式中,M(x,y)模板图像在点(x,y)处的灰度值,I(x+i,y+j)为待配准图像在点(x+i,y+j)处的灰度值,i、j分别为两个点在x方向和y方向的偏移量。
(2.4)、遍历所有基准影像区域块和待配准影像区域块,采用SIFT匹配策略对基准影像区域块和待配准影像区域块的SIFT特征点进行匹配,得到相互匹配的基准影像区域块和待配准影像区域块SIFT特征点对集;
SIFT匹配策略就是根据匹配点特征向量欧式距离的比值来定义可靠度(Reliability),其值越高表示可靠度越高,然后设定一个阈值T,将两者进行比较,如果Reliability<T,则将相应的匹配点为误匹配,并剔除它。可靠度的计算公式如下:
其中,dF(Da-Db0')表示特征点与最可能的匹配点之间特征向量的欧式距离,dF(Da-Db1')表示特征点与次可能的匹配点之间特征向量的欧式距离,表示特征点与最可能的匹配点和次可能的匹配点特征向量的欧式距离的比值。
(2.5)、对比相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集和SIFT特征点对集,当平滑区域的Harris特征点数量少于SIFT特征点数量或者地形起伏区域的SIFT特征点大于Harris特征点数量时,将相互匹配的基准影像区域块和待配准影像区域块中的Harris特征点对集和SIFT特征点对集合并,形成相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集,结束对应区域块的匹配过程,否则,减小互相关系数阈值T1,重新执行步骤(2.3)~步骤(2.5),初始多特征混合点集如图4所示。
经过初匹配后,在多特征混合点对集中明显存在误匹配,以及特征点分布密集、两点之间距离过近的问题,如图5所示。为了避免出现候选点之间距离过近的情况,设置一个衡量特征点之间距离的阈值S,通过调整S的取值,对初始多特征混合点对集进行优化处理,使得特征点分布更为均匀,且多个分块区域的特征点总和满足用户设定,是影像高精度配准的关键所在。
具体操作为:遍历基准影像区域块或者待配准区域块中匹配点对,所述匹配点对包括已经匹配的Harris特征点对和SIFT特征点对,从相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集中删除相互之间欧式距离低于预设阈值S的两个特征点中的任意一个特征点所在匹配点对,使得剩下的初始多特征混合点对集中的匹配点对均匀,且初始多特征混合点对集中的剩余匹配点对的个数大于预设门限。
两两特征点之间的欧式距离D(m,n),只保留D(m,n)>S的候选点。
式中,(Xm,Ym)表示初始多特征混合点对集中的第m个特征点坐标,(Xn,Yn)表示第n个特征点坐标,D(m,n)表示第m个特征点与第n个特征点之间的欧氏距离.
针对其他误匹配点采用RANSAC算法对初始匹配点对进行精细匹配,并剔除误匹配点对,得到最终特征点集(如图6所示)。具体见步骤(3)。
(3)、利用RANSAC算法对相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集进行迭代匹配,并剔除误匹配点对,并将剩余的匹配点对合并为整体,对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵;
RANSAC算法是一种鲁棒性很好的参数估计方法,最大的特点是抗干扰能力强,只要模型中的匹配特征点不超过50%,就能正确地估算出变换矩阵的参数,但计算复杂,耗时较长。
因此,具体操作为:
(3.1)、采用RANSAC算法,根据区域变换模型和阈值T2,一般为大于0的小数,如0.4~0.6等对相互匹配的基准影像区域块或者待配准区域块的匹配点对集进行迭代匹配,并剔除误匹配点对,按照区域类型,对于平滑地区,所述区域变换模型采用仿射变换模型,对于地形起伏地区,所述区域变换模型采用二次多项式变换模型;
(3.2)、对已剔除误匹配点的优选后的各个区域点对集进行合并,形成整个基准影像和待配准影像的匹配点对,再采用RANSAC算法,根据整体变换模型和阈值T2对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵,所述整体变换模型采用仿射变换模型;
(3.3)、通过影像整体变换矩阵计算特征点对的区域位置匹配误差RMSE,区域位置匹配误差RMSE小于预设要求;如果小于,则直接输出匹配点对集,否则,重新调整阈值T2,通常为逐步减少T2的值,重新执行步骤(3.1)~步骤(3.3),直到满足精度要求为止。
(4)、经过精细匹配后,得到最终匹配点对(如图7所示),再采用“十一法”将最终匹配点对分为控制点集和检查点集,根据控制点集,采用RANSAC算法建立基准影像和待配准影像的仿射整体变换模型,根据仿射整体变换模型和阈值T2对控制点集进行迭代搜索,得到控制变换矩阵;所述控制点集中的匹配点对数:检查点集中的匹配点对数为9:1。其核心思想就是将所有特征点随机分为控制点集和检查点集,数量比为9:1,用90%的点建立匹配模型,10%的点检查精度,其前提条件是点数应该足够多,划分后控制点和检查点应该分布均匀。
(6)、根据控制变换矩阵,对待配准影像进行空间变换得到配准后的影像,并在对配准后的影像再采用三次卷积法进行灰度重采样,使得相邻像元灰度变化较为平滑和缓、色调柔和。
实施例
图8和图9分别为采用本发明方法所得到的最终镶嵌结果和结果的局部细节展示。
对影像配准结果从主观和客观两方面进行评价。主观方面,将配准后的结果与基准影像进行镶嵌,通过两幅图像的叠加显示,从重合位置的连接处即可看出配准结果的好坏,如图8和图9所示。客观方面,在遥感影像配准的应用中,通常以检验用的控制点处的均方根误差(RMSE)作为评估影像配准精度的指标提供给用户,计算出来其值越小,则反应影像配准精度越高。
控制点处的均方根误差(RMSE)如下式所示:
式中,m'为特征点个数,(xl,yl)为原始影像中第l个特征点坐标,(xl',yl')为配准后影像中第l个特征点坐标。
对本实验影像的配准误差进行计算,RMSE值为0.1895,也就是说配准精度在0.2个像素以内。
本发明说明书中未进行详细描述部分属于本领域技术人员公知常识。
Claims (4)
1.一种基于多特征混合的高分四号影像配准方法,其特征在于包括如下步骤:
(1)、将基准影像和待配准影像分成m个大小为N*N的区域块,根据每个区域块所对应的地形数据高程信息,将区域块归类为:平滑区域或者地形起伏区域;
将区域块归类的原则为:所述区域块内地形数据高程平均值大于预设阈值时,将该区域块定义为平滑区域;所述区域块内地形数据高程平均值小于等于预设阈值时,将该区域块定义为地形起伏区域;
(2)、分别采用Harris算法和SIFT算法对基准影像和待配准影像所有区域块进行匹配,获得相互匹配的基准影像区域块和待配准影像区域块及其Harris匹配点对集和SIFT匹配点对集,将Harris匹配点对和SIFT匹配点对合并为初始多特征混合点对集;
(3)、利用RANSAC算法对相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集进行迭代匹配,并剔除误匹配点对,并将剩余的匹配点对合并为整体,对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵;
(4)、按照控制点集中的匹配点对数比检查点集中的匹配点对数为9比1的原则,将最终匹配点对分为控制点集和检查点集,根据控制点集,采用RANSAC算法建立基准影像和待配准影像的仿射整体变换模型,根据仿射整体变换模型和阈值T2对控制点集进行迭代搜索,得到控制变换矩阵;
(5)、根据控制变换矩阵,对待配准影像进行空间变换得到配准后的影像,并在对配准后的影像再采用三次卷积法进行灰度重采样,使得相邻像元灰度变化平滑和缓、色调柔和;
所述步骤(2)与步骤(3)增加如下步骤;遍历基准影像区域块或者待配准区域块中匹配点对,所述匹配点对包括已经匹配的Harris特征点对和SIFT特征点对,从相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集中删除相互之间欧式距离低于预设阈值S的两个特征点中的任意一个特征点所在匹配点对,使得剩下的初始多特征混合点对集中的匹配点对均匀,且初始多特征混合点对集中的剩余匹配点对的个数大于预设门限。
2.根据权利要求1所述的一种基于多特征混合的高分四号影像配准方法,其特征在于在步骤(1)之前增加预处理步骤:
(1.1)、对基准影像和待配准影像进行辐射定标和大气校正处理,得到消除大气背景的基准影像和待配准影像;
(1.2)、采用灰度均值检测消除大气背景的基准影像和待配准影像中的云区,并将检测出来的云区设置成背景;
(1.3)、采用直方图法增强将云区设置成背景的基准影像和待配准影像的对比度,直至目视图像层次丰富,灰度均匀,轮廓清晰。
3.根据权利要求1所述的一种基于多特征混合的高分四号影像配准方法,其特征在于步骤(2)的具体步骤为:
(2.1)、对每个基准影像区域块和每个待配准影像区域块采用Harris算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的Harris特征点;
(2.2)、对每个基准影像区域块和每个待配准影像区域块采用SIFT算法进行特征点提取,得到每个基准影像区域块和每个待配准影像区域块的SIFT特征点;
(2.3)、遍历所有基准影像区域块和待配准影像区域块,根据互相关系数阈值T1,利用互相关系数法对基准影像区域块和待配准影像区域块的Harris特征点进行双向匹配,得到相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集;
(2.4)、遍历所有基准影像区域块和待配准影像区域块,采用SIFT匹配策略对基准影像区域块和待配准影像区域块的SIFT特征点进行匹配,得到相互匹配的基准影像区域块和待配准影像区域块SIFT特征点对集;
(2.5)、对比相互匹配的基准影像区域块和待配准影像区域块Harris特征点对集和SIFT特征点对集,当平滑区域的Harris特征点数量少于SIFT特征点数量或者地形起伏区域的SIFT特征点大于Harris特征点数量时,将相互匹配的基准影像区域块和待配准影像区域块中的Harris特征点对集和SIFT特征点对集合并,形成相互匹配的基准影像区域块和待配准影像区域块的初始多特征混合点对集,结束对应区域块的匹配过程,否则,减小互相关系数阈值T1,重新执行步骤(2.3)~步骤(2.5)。
4.根据权利要求1所述的一种基于多特征混合的高分四号影像配准方法,其特征在于所述步骤(3)的具体为:
(3.1)、采用RANSAC算法,根据区域变换模型和阈值T2对相互匹配的基准影像区域块或者待配准区域块的匹配点对集进行迭代匹配,并剔除误匹配点对,按照区域类型,对于平滑地区,所述区域变换模型采用仿射变换模型,对于地形起伏地区,所述区域变换模型采用二次多项式变换模型;
(3.2)、对已剔除误匹配点的优选后的各个区域点对集进行合并,形成整个基准影像和待配准影像的匹配点对,再采用RANSAC算法,根据整体变换模型和阈值T2对整个基准影像和待配准影像的匹配点对进行迭代搜索,得到影像整体变换矩阵,所述整体变换模型采用仿射变换模型;
(3.3)、通过影像整体变换矩阵计算特征点对的区域位置匹配误差RMSE,区域位置匹配误差RMSE小于预设要求;如果小于,则直接输出匹配点对集,否则,重新调整阈值T2,重新执行步骤(3.1)~步骤(3.3),直到满足精度要求为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710812557.9A CN107610164B (zh) | 2017-09-11 | 2017-09-11 | 一种基于多特征混合的高分四号影像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710812557.9A CN107610164B (zh) | 2017-09-11 | 2017-09-11 | 一种基于多特征混合的高分四号影像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610164A CN107610164A (zh) | 2018-01-19 |
CN107610164B true CN107610164B (zh) | 2020-07-14 |
Family
ID=61062518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710812557.9A Active CN107610164B (zh) | 2017-09-11 | 2017-09-11 | 一种基于多特征混合的高分四号影像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610164B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446588B (zh) * | 2018-02-05 | 2020-09-15 | 中国测绘科学研究院 | 一种双时相遥感影像变化检测方法及系统 |
CN108896188B (zh) * | 2018-06-06 | 2020-07-14 | 北京空间飞行器总体设计部 | 一种共口径高轨遥感卫星红外通道大气校正方法 |
CN109712121B (zh) * | 2018-12-14 | 2023-05-23 | 复旦大学附属华山医院 | 一种医学影像图片处理的方法、设备及装置 |
CN110880003B (zh) * | 2019-10-12 | 2023-01-17 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
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 |
CN112598717B (zh) * | 2020-12-14 | 2024-05-17 | 珠海欧比特卫星大数据有限公司 | 高光谱卫星影像全谱段配准方法及介质 |
CN113033578B (zh) * | 2021-03-30 | 2023-05-16 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
CN115409689B (zh) * | 2021-05-28 | 2023-09-29 | 南京博视医疗科技有限公司 | 一种多模态视网膜眼底图像的配准方法及装置 |
CN114216485B (zh) * | 2022-02-23 | 2022-04-29 | 广州骏天科技有限公司 | 一种用于无人机航拍测绘的图像校准方法 |
CN114757978B (zh) * | 2022-05-19 | 2022-08-30 | 中国科学院空天信息创新研究院 | 一种遥感卫星多相机多载荷图像配对方法 |
CN116503756B (zh) * | 2023-05-25 | 2024-01-12 | 数字太空(北京)科技股份公司 | 基于地面控制点数据库建立地表纹理基准面的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761721A (zh) * | 2013-12-30 | 2014-04-30 | 西北工业大学 | 一种适用于空间绳系机器人的立体视觉快速图像拼接方法 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
CN106296570A (zh) * | 2016-07-28 | 2017-01-04 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN106887016A (zh) * | 2017-03-09 | 2017-06-23 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像自动相对配准方法 |
CN106960449A (zh) * | 2017-03-14 | 2017-07-18 | 西安电子科技大学 | 基于多特征约束的异源配准方法 |
-
2017
- 2017-09-11 CN CN201710812557.9A patent/CN107610164B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761721A (zh) * | 2013-12-30 | 2014-04-30 | 西北工业大学 | 一种适用于空间绳系机器人的立体视觉快速图像拼接方法 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
CN105654423A (zh) * | 2015-12-28 | 2016-06-08 | 西安电子科技大学 | 基于区域的遥感图像配准方法 |
CN106296570A (zh) * | 2016-07-28 | 2017-01-04 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN106887016A (zh) * | 2017-03-09 | 2017-06-23 | 中国科学院遥感与数字地球研究所 | 一种gf‑4卫星序列图像自动相对配准方法 |
CN106960449A (zh) * | 2017-03-14 | 2017-07-18 | 西安电子科技大学 | 基于多特征约束的异源配准方法 |
Non-Patent Citations (1)
Title |
---|
仲明.基于特征点精确配准的图像拼接技术的研究.《中国优秀硕士学位论文全文数据库(信息科技辑)》.2015,(第10期),第1-84页. * |
Also Published As
Publication number | Publication date |
---|---|
CN107610164A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
US11568639B2 (en) | Systems and methods for analyzing remote sensing imagery | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN107451982B (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN113221813B (zh) | 一种海岸线遥感提取方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN110569797A (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN110991430A (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN111696054B (zh) | 基于全极化sar图像的橡胶坝体检测方法 | |
CN111178175A (zh) | 基于高景卫星影像的自动化建筑物信息提取方法及系统 | |
Wolff et al. | Dsm generation from early alos/prism data using sat-pp | |
Zhang et al. | An improved approach for DSM generation from high‐resolution satellite imagery | |
Yang et al. | Application of High-Resolution Satellite Imagery Techniques in the Assessment of Urban Park Green Cover. | |
CN116797855A (zh) | 基于卫星影像数据的输电线路通道变化检测方法及装置 | |
CN115223045A (zh) | 一种水体地貌提取方法 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN117690039A (zh) | 一种综合纹理信息、光谱信息、偏振信息、多角度信息的深度学习云检测方法 |
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 |