CN108647580A - 基于改进sift引导isar图像特征点提取匹配方法 - Google Patents
基于改进sift引导isar图像特征点提取匹配方法 Download PDFInfo
- Publication number
- CN108647580A CN108647580A CN201810350643.7A CN201810350643A CN108647580A CN 108647580 A CN108647580 A CN 108647580A CN 201810350643 A CN201810350643 A CN 201810350643A CN 108647580 A CN108647580 A CN 108647580A
- Authority
- CN
- China
- Prior art keywords
- matching
- point
- image
- isar
- sift
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及逆合成孔径雷达图像处理技术,尤其涉及一种基于SIFT引导的ISAR图像特征点提取与匹配方法。通过本发明,在保证传统SIFT精确性高,对图像的旋转、缩放鲁棒性较高等优点的基础上,首先通过改进的SIFT匹配算法得到少量匹配精度高的特征点,然后基于图像特征点变换矩阵为引导搜索二次匹配,进一步增加匹配点数目,实现了两幅ISAR图像特征点集的高精度完整匹配,保证了所提特征点尽可能完整反映目标结构,具有重要的工程应用价值。
Description
技术领域
本发明涉及逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)图像处理技术,尤其涉及一种基于改进尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)引导的ISAR图像特征点提取与匹配方法。
背景技术
图像特征点,是指具有明显特性并能标识图像中的目标的点,具有稳定性,一般要求不随着图像的仿射、投影、旋转、缩放而改变。较少的特征点不足以提供足够的信息来表征目标的形状和结构,提取稳定而且足够数量的特征点,对分析目标姿态和形态变化有着重要意义。
二维ISAR图像是目标三维散射中心在成像平面上的投影,通过对多观测视角下的二维图像的处理,可以实现对目标三维几何结构的重建。对于ISAR图像来说,基于序列图像进行目标三维几何结构重建的关键步骤之一,是对所提取的图像特征点序列进行匹配处理,以形成不同图像间特征点的配对关系。所提特征点能否充分反映目标结构,匹配精度是否满足要求,都直接影响重建效果,继而决定重建后的结构分析结果。
关于特征点提取和关联匹配,光学、红外图像中都已有较为深入的研究。目前常用的特征点提取方法有HARRIS、SUSAN、SIFT、SURF等。但大多是基于特征点灰度邻域信息,即建立在相邻两幅图像具有灰度相似性的基础上,并不直接适用于ISAR图像。ISAR图像是以矩阵形式表示的数字图像。矩阵中的每个元素的值都是一个灰度值,对应图像中的像素的灰度级。与光学图像相比,序列ISAR图像中即使是相邻两幅之间,灰度分布差别也很大,因此传统的基于灰度邻域信息的特征点提取方法,对于ISAR图像并不能取得很好的效果。对于ISAR图像来言,其多表现为稀疏孤立的图像斑块,限于其成像质量,其边缘往往比较模糊,当图像转角较大时,所成的ISAR图像灰度相似性不高,因而前一幅所提特征点难以在后续图像中同时检测。同HARRIS提取一样,SUSAN提取只对成像质量较好的具有稳定边缘的ISAR图像有效。SIFT提取所提图像特征点的稳定性不高,成功关联匹配的特征点对数不能满足重构的需求。由于噪声的存在,SURF提取依旧存在把噪声当成特征点的情况。因此,光学和红外图像的特征点提取与关联匹配方法直接应用于ISAR图像并不能取得较好的效果。
发明内容
针对上述技术中存在的问题,本发明提出一种基于改进SIFT引导的ISAR图像特征点提取与匹配方法。考虑到SIFT算法虽然存在匹配点少、部分点对不在目标区域上等缺点,但也具有精确度高,对图像的旋转、缩放鲁棒性较高的优点,本发明针对转角变化较小,灰度相似性相对较高的ISAR图像,提出一种基于改进SIFT算法匹配结果引导的ISAR图像特征点提取与匹配方法。
本发明采用的技术方案为:基于改进SIFT引导的ISAR图像特征点提取与匹配方法,该方法包括以下步骤:
S1:采用改进的SIFT检测算法进行特征点检测。
传统的SIFT检测算法通过在高斯尺度空间完成极值点检测,确定关键点的位置及其所处的尺度,通过选择其领域梯度的主方向作为该点的方向特征,来保证算子的尺度不变性和旋转不变性。不同于光学、红外图像,ISAR图像通常表现为稀疏、孤立的散射中心分布。散射中心在图像中的表现即是图像中较亮的区域。传统的SIFT检测算法在尺度空间极值检测时认为如果某一个像素比它的相邻像素都大或者都小,则将该点将作为一个局部极值点。将其直接应用到ISAR中的结果是,提取的特征点中存在为数不少的暗弱点,其中部分甚至不在目标区域,这些特征点没有任何实际意义,即使匹配重建成功,也不能反映目标的结构,属于无效特征点,既增加了算法损耗,又影响匹配精度。
针对ISAR图像的特性,本发明提出一种改进的SIFT检测算法,该算法把尺度空间极值点检测的准则修改为:一个像素只有在比它尺度空间内相邻的像素都大且幅度值大于一定阈值,才可作为一个局部极值点。阈值可根据实际图像幅度值的分布情况确定,例如取像素能量占图像总能量80%时的幅度值作为阈值。
通过改进的SIFT检测算法,提取的特征点基本都位于目标主体结构上。利用改进的SIFT检测算法所提取的两幅ISAR图像特征点集为Q1,Q2。
S2:采用改进的SIFT匹配算法匹配得到对应特征点集。
由于考虑利用SIFT匹配结果引导接下来的特征匹配,故对匹配结果精度要求较高。传统的SIFT匹配算法采用欧式距离作为匹配度量,导致匹配结果中总包含一定的误匹配,且尺度越大,误匹配越多。因此,本发明利用改进的SIFT匹配算法来消除误匹配,具体做法如下:
S2.1对两幅ISAR图像提取的特征点集Q1和Q2进行匹配;
S2.2基于双向匹配的原则,交换两幅ISAR图像的顺序对特征点集Q2和Q1再次进行匹配;
S2.3取两次匹配结果的交集,消除一个特征点存在多个匹配点的误匹配问题;
S2.4为保证匹配精度,基于匹配相容度对匹配结果进行筛选,解决以欧氏距离作为匹配度量而产生的误匹配问题。
完成精匹配得到的特征点集记为J1,J2。此时利用改进的SIFT匹配算法消除误匹配后的匹配点数较少,不能完整反映目标结构,因此需要进行二次匹配来增加匹配点数。
S3:估计图像特征点变换矩阵
在同一雷达成像平面下,随着转角的变化不同ISAR图像中特征点的坐标关系满足:
其中,θ表示相干时间内转角,M(θ)表示变换矩阵,为第i幅ISAR图像中的第n个特征点位置。表示第i幅ISAR图像匹配成功的特征点对。理想情况下,
事实上,由于ISAR图像质心存在的偏移、成像转角不同引起不同ISAR图像的方位向尺度差异、特征点提取存在的精度误差等因素,特征点坐标矩阵之间的关系并不完全满足式(1),需要进行一定的校正,具体做法如下:
S3.1对ISAR图像进行几何质心归一化
为克服ISAR图像质心存在的偏移,对ISAR图像特征点集J1和J2分别进行几何质心归一化:
式中表示第i幅ISAR图像所匹配特征点的均值坐标。
S3.2:对ISAR图像进行标定以消除尺度差异
对于转角不同引起的尺度差异,可通过ISAR图像标定来消除。目标的距离向分辨率ρr取决于雷达的带宽B,即:
ρr=c/2B (3)
其中c为光速。
目标的方位向分辨率由成像过程中目标转过的角度决定,假定第i幅ISAR图像成像期间转角大小为θi(空间目标转角可根据轨道运行参数得知),则其方位向分辨率为:
其中fc为雷达载频。
根据方位向分辨率距离向分辨率ρr对特征点坐标进行标定以消除尺度差异:
其中称为第i幅ISAR图像的标定矩阵,为第i幅ISAR图像标定以后的第n个特征点的位置。
标定后的特征点对Fi'满足:
由此,不同ISAR图像尺度差异的影响得以消除。
S3.3:估计标定后的图像特征点变换矩阵
记:
E(θ)=F1'-M(θ)·F2' (7)
使E(θ)取值最小的θ即所估计的转角即
此时的即所求的图像特征点变换矩阵。
S4:图像特征点变换矩阵引导搜索二次匹配
定义两幅ISAR图像经过步骤S2匹配后仍未配准的特征点集或通过其他特征点提取方法提取的特征点集为W1,W2,考虑到网格法提取的特征点集可以完整反映目标结构,本发明的W1,W2选用网格法来提取,由J1,J2计算出的图像特征点变换矩阵为二次匹配的具体做法如下:
S4.1按照步骤S3中的方法,对两幅ISAR图像的特征点集W1和W2坐标进行质心归一化、标定处理。
对于W1中的点W1 i,进行质心归一化、标定处理得到的横纵坐标对于W2中的点进行质心归一化、标定处理得到的横纵坐标其中和表示新的特征点集。
S4.2对坐标按图像特征点变换矩阵进行变换,更新坐标得到
S4.3以作为待匹配点,以特征描述子欧式距离为阈值,在中搜索匹配点。待所有的特征点都寻找到匹配点后,即完成了以图像特征点变换矩阵为引导搜索的二次匹配,匹配后的特征点集记为P1和P2。
S5:合并基于改进的SIFT匹配算法精匹配结果和基于图像特征点变换矩阵为引导搜索的二次匹配结果。
取基于改进的SIFT匹配算法精匹配结果J1,J2和基于图像特征点变换矩阵为引导搜索的二次匹配结果P1,P2的并集,实现高精度完整匹配,保证了所提取的特征点尽可能完整反映目标结构。
本发明具有以下有益效果:通过本发明,在保证传统SIFT精确性高,对图像的旋转、缩放鲁棒性较高等优点的基础上,首先通过改进的SIFT匹配算法得到少量匹配精度高的特征点,然后基于图像特征点变换矩阵为引导搜索二次匹配,进一步增加匹配点数目,实现了两幅ISAR图像特征点集的高精度完整匹配,保证了所提特征点尽可能完整反映目标结构,具有重要的工程应用价值。
附图说明
图1是本发明的处理流程图。
图2-(a)为ISAR图像1基于传统SIFT算法的特征点检测结果。
图2-(b)为ISAR图像2基于传统SIFT算法的特征点检测结果。
图3-(a)为ISAR图像1基于改进SIFT算法的特征点检测结果。
图3-(b)为ISAR图像2基于改进SIFT算法的特征点检测结果。
图4-(a)为基于传统SIFT算法ISAR图像单次匹配的结果。
图4-(b)为基于改进SIFT算法ISAR图像双向匹配的结果。
图4-(c)为基于改进SIFT算法ISAR图像去除误匹配后的结果。
图5-(a)为基于网格法的ISAR图像匹配的结果。
图5-(b)为基于改进SIFT算法引导后的果ISAR图像匹配的结果。
图5-(c)为基于本发明最终匹配结果。
具体实施方式
下面结合附图对本发明进行进一步说明:
图1为本发明的总处理流程。
本发明所述一种基于改进SIFT引导的ISAR图像散射点提取与关联匹配方法,主要包括以下步骤:
S1:采用改进的SIFT检测算法进行特征点检测;
S2:采用改进的SIFT匹配算法匹配得到对应特征点集;
S3:估计图像特征点变换矩阵;
S4:图像特征点变换矩阵引导搜索二次匹配;
S5:合并基于改进的SIFT匹配算法精匹配结果和基于图像特征点变换矩阵为引导搜索的二次匹配结果。
为验证本发明的有效性,采用实测数据进行匹配分析。试验中算法基于matlab实现,本文程序运行环境为Matlab 2010Ra,PC配置为Pentium Dual-Core 2.7GHz 2CPU;操作系统为Windows XP SP3,运行内存为2G RAM。
图2为传统SIFT特征点检测结果。由图可知,不同图像特征点位置差异很大,这说明对于ISAR图像,SIFT所提特征稳定性不高,成功匹配的特征点数不能满足重构的要求。
图3为尺度空间极值检测准则修改后的SIFT特征点检测结果。由图可知,所提的特征点基本都位于目标区域,且亮度较强,可视为目标的散射中心,且基本能反映目标的结构特征。
图4为传统SIFT算法和本发明改进SIFT算法的精匹配结果对比。由图可知,传统SIFT算法单次匹配成功的点数量不足,通过双向匹配取交集后匹配效果更好,误匹配点数下降,但仍存在特征向量的欧氏距离满足判断标准的误匹配问题。为此,引入匹配相容度对其进行去除,得到精匹配结果。从图4-(c)可以看出,所匹配的特征点由于数量较少,不能完整的反映目标结构。
图5为本发明改进SIFT引导的匹配结果。图5-(a)为网格法匹配结果。网格法正简单易行,提取散射点数目多且分布均匀,能够很好的地反映目标的结构,缺点是匹配方法过于简单,仅仅依靠姿态变化不大时,散射中心位移不超过固定的网格区域的假设,使得匹配精度不高。图5-(b)为利用改进SIFT算法的匹配结果估算的转换矩阵作为约束,对5-(a)所示匹配结果进行二次匹配结果。图5-(c)为改进SIFT算法匹配结果和引导匹配结果的并集,也即本发明的最终匹配结果。通过对比可以看出,本发明融合SIFT算法与网格法的优势,在保证匹配精度的同时,又解决了SIFT算法匹配点数少,所提特征不能完整反映目标结构的问题。
为分析算法性能,假定匹配点集为M1,M2,转换矩阵为TT(由精匹配结果估计得出),定义匹配误差向量aa和匹配误差matcherror分别为:
aa=TT·M1-M2
matcherror=sum(aa(1,:).*aa(1,:)+aa(2,:).*aa(2,:))/N
其中N为匹配点个数。
则传统SIFT方法,改进SIFT算法,网格法以及本文算法的匹配点个数与匹配误差对比如表1所示。
表1匹配算法性能对比
通过实测数据的处理可知,本发明在保证匹配精度的同时,又解决了SIFT算法匹配点数少,所提特征不能完整反映目标结构的问题。通过改进的SIFT匹配算法得到少量匹配精度高的特征点,然后基于图像特征点变换矩阵为引导搜索二次匹配,进一步增加匹配点数目,实现了两幅ISAR图像特征点集的高精度完整匹配,保证了所提特征点尽可能完整反映目标结构,具有重要的工程应用价值。
Claims (4)
1.基于改进SIFT引导的ISAR图像特征点提取与匹配方法,其特征在于,该方法包括以下步骤:
S1:采用改进的SIFT检测算法进行特征点检测:
针对ISAR图像的特性,本发明提出一种改进的SIFT检测算法,该算法把尺度空间极值点检测的准则修改为:一个像素只有在比它尺度空间内相邻的像素都大且幅度值大于一定阈值,才可作为一个局部极值点;
通过改进的SIFT检测算法,提取的特征点都位于目标主体结构上,所提取的两幅ISAR图像特征点集为Q1,Q2;
S2:采用改进的SIFT匹配算法匹配得到对应特征点集:
本发明利用改进的SIFT匹配算法来消除误匹配,具体做法如下:
S2.1对两幅ISAR图像提取的特征点集Q1和Q2进行匹配;
S2.2基于双向匹配的原则,交换两幅ISAR图像的顺序对特征点集Q2和Q1再次进行匹配;
S2.3取两次匹配结果的交集,消除一个特征点存在多个匹配点的误匹配问题;
S2.4为保证匹配精度,基于匹配相容度对匹配结果进行筛选,解决以欧氏距离作为匹配度量而产生的误匹配问题;
完成精匹配得到的特征点集记为J1,J2;此时利用改进的SIFT匹配算法消除误匹配后的匹配点数较少,不能完整反映目标结构,需要进行二次匹配来增加匹配点数;
S3:估计图像特征点变换矩阵:
在同一雷达成像平面下,随着转角的变化不同ISAR图像中特征点的坐标关系满足:
其中,θ表示相干时间内转角,M(θ)表示变换矩阵,为第i幅ISAR图像中的第n个特征点位置,表示第i幅ISAR图像匹配成功的特征点对,理想情况下,
事实上,由于ISAR图像质心存在的偏移、成像转角不同引起不同ISAR图像的方位向尺度差异、特征点提取存在的精度误差等因素,特征点坐标矩阵之间的关系并不完全满足式(1),需要进行一定的校正,具体做法如下:
S3.1对ISAR图像进行几何质心归一化:
为克服ISAR图像质心存在的偏移,对ISAR图像特征点集J1和J2分别进行几何质心归一化:
式中表示第i幅ISAR图像所匹配特征点的均值坐标;
S3.2对ISAR图像进行标定以消除尺度差异:
对于转角不同引起的尺度差异,可通过ISAR图像标定来消除;目标的距离向分辨率ρr取决于雷达的带宽B,即:
ρr=c/2B (3)
其中c为光速;
目标的方位向分辨率由成像过程中目标转过的角度决定,假定第i幅ISAR图像成像期间转角大小为θi,该空间目标转角可根据轨道运行参数得知,则其方位向分辨率为:
其中fc为雷达载频;
根据方位向分辨率距离向分辨率ρr对特征点坐标进行标定以消除尺度差异:
其中称为第i幅ISAR图像的标定矩阵,为第i幅ISAR图像标定以后的第n个特征点的位置;
标定后的特征点对Fi'满足:
Fi'=Ts iFi (6)
由此,不同ISAR图像尺度差异的影响得以消除;
S3.3估计标定后的图像特征点变换矩阵:
记:
E(θ)=F1'-M(θ)·F′2 (7)
使E(θ)取值最小的θ即所估计的转角即:
此时的即所求的图像特征点变换矩阵;
S4:图像特征点变换矩阵引导搜索二次匹配:
定义两幅ISAR图像经过步骤S2匹配后仍未配准的特征点集或通过其他特征点提取方法提取的特征点集为W1,W2,由J1,J2计算出的图像特征点变换矩阵为二次匹配的具体做法如下:
S4.1按照步骤S3中的方法,对两幅ISAR图像的特征点集W1和W2坐标进行质心归一化、标定处理;
对于W1中的点W1 i,进行质心归一化、标定处理得到的横纵坐标对于W2中的点进行质心归一化、标定处理得到的横纵坐标其中和表示新的特征点集;
S4.2对坐标按图像特征点变换矩阵进行变换,更新坐标得到
S4.3以作为待匹配点,以特征描述子欧式距离为阈值,在中搜索匹配点;待所有的特征点都寻找到匹配点后,即完成了以图像特征点变换矩阵为引导搜索的二次匹配,匹配后的特征点集记为P1和P2;
S5:合并基于改进的SIFT匹配算法精匹配结果和基于图像特征点变换矩阵为引导搜索的二次匹配结果:
取基于改进的SIFT匹配算法精匹配结果J1,J2和基于图像特征点变换矩阵为引导搜索的二次匹配结果P1,P2的并集,实现高精度完整匹配,保证了所提取的特征点尽可能完整反映目标结构。
2.根据权利要求1所述基于改进SIFT引导的ISAR图像特征点提取与匹配方法,其特征在于:S1中的阈值根据实际图像幅度值的分布情况确定。
3.根据权利要求2所述基于改进SIFT引导的ISAR图像特征点提取与匹配方法,其特征在于:S1中的阈值取像素能量占图像总能量80%时的幅度值。
4.根据权利要求1所述基于改进SIFT引导的ISAR图像特征点提取与匹配方法,其特征在于:S4中的其他特征点提取方法为网格法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810350643.7A CN108647580B (zh) | 2018-04-18 | 2018-04-18 | 基于改进sift引导isar图像特征点提取匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810350643.7A CN108647580B (zh) | 2018-04-18 | 2018-04-18 | 基于改进sift引导isar图像特征点提取匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647580A true CN108647580A (zh) | 2018-10-12 |
CN108647580B CN108647580B (zh) | 2020-07-14 |
Family
ID=63746830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810350643.7A Active CN108647580B (zh) | 2018-04-18 | 2018-04-18 | 基于改进sift引导isar图像特征点提取匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647580B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598787A (zh) * | 2018-12-06 | 2019-04-09 | 西安电子科技大学 | 基于isar图像的目标三维重构方法 |
CN109766420A (zh) * | 2018-12-27 | 2019-05-17 | 新疆大学 | 一种印刷体维吾尔文图像单词的高精度匹配算法 |
CN111830504A (zh) * | 2020-07-23 | 2020-10-27 | 中山大学 | 基于序贯融合因式分解的序列isar三维成像方法 |
CN112069651A (zh) * | 2020-07-23 | 2020-12-11 | 西安空间无线电技术研究所 | 一种基于isar成像的自旋稳定目标旋转轴估计方法 |
CN112434705A (zh) * | 2020-11-09 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于高斯金字塔分组的实时sift图像匹配方法 |
CN113192113A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 双目视觉特征点匹配方法、系统、介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605980A (zh) * | 2013-12-04 | 2014-02-26 | 西安电子科技大学 | 基于局部特征匹配的isar目标部件检测方法 |
CN104008546A (zh) * | 2014-05-21 | 2014-08-27 | 西安电子科技大学 | 基于高斯概率和的isar卫星帆板检测方法 |
CN106485740A (zh) * | 2016-10-12 | 2017-03-08 | 武汉大学 | 一种结合稳定点和特征点的多时相sar图像配准方法 |
-
2018
- 2018-04-18 CN CN201810350643.7A patent/CN108647580B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605980A (zh) * | 2013-12-04 | 2014-02-26 | 西安电子科技大学 | 基于局部特征匹配的isar目标部件检测方法 |
CN104008546A (zh) * | 2014-05-21 | 2014-08-27 | 西安电子科技大学 | 基于高斯概率和的isar卫星帆板检测方法 |
CN106485740A (zh) * | 2016-10-12 | 2017-03-08 | 武汉大学 | 一种结合稳定点和特征点的多时相sar图像配准方法 |
Non-Patent Citations (2)
Title |
---|
AYOUB KARINE等: "VISUAL SALIENT SIFT KEYPOINTS DESCRIPTORS FOR AUTOMATIC TARGET RECOGNITION", 《2016 6TH EUROPEAN WORKSHOP ON VISUAL INFORMATION PROCESSING(EUVIP)》 * |
许志伟等: "基于特征配准的ISAR图像方位定标方法", 《电子与信息学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598787A (zh) * | 2018-12-06 | 2019-04-09 | 西安电子科技大学 | 基于isar图像的目标三维重构方法 |
CN109766420A (zh) * | 2018-12-27 | 2019-05-17 | 新疆大学 | 一种印刷体维吾尔文图像单词的高精度匹配算法 |
CN111830504A (zh) * | 2020-07-23 | 2020-10-27 | 中山大学 | 基于序贯融合因式分解的序列isar三维成像方法 |
CN112069651A (zh) * | 2020-07-23 | 2020-12-11 | 西安空间无线电技术研究所 | 一种基于isar成像的自旋稳定目标旋转轴估计方法 |
CN111830504B (zh) * | 2020-07-23 | 2023-11-24 | 中山大学 | 基于序贯融合因式分解的序列isar三维成像方法 |
CN112069651B (zh) * | 2020-07-23 | 2024-04-09 | 西安空间无线电技术研究所 | 一种基于isar成像的自旋稳定目标旋转轴估计方法 |
CN112434705A (zh) * | 2020-11-09 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于高斯金字塔分组的实时sift图像匹配方法 |
CN113192113A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 双目视觉特征点匹配方法、系统、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108647580B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647580A (zh) | 基于改进sift引导isar图像特征点提取匹配方法 | |
Ma et al. | A novel two-step registration method for remote sensing images based on deep and local features | |
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
Gong et al. | A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information | |
Matsuda et al. | Finger-vein authentication based on deformation-tolerant feature-point matching | |
Fan et al. | Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT | |
CN103345757B (zh) | 多层次多特征约束下的光学和sar影像自动配准方法 | |
Pilet et al. | Fast non-rigid surface detection, registration and realistic augmentation | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
Zhong et al. | A robust monocular 3D object tracking method combining statistical and photometric constraints | |
Turetken et al. | Detecting irregular curvilinear structures in gray scale and color imagery using multi-directional oriented flux | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN112396643A (zh) | 一种尺度不变特征与几何特征融合的多模态高分影像配准方法 | |
US20150199573A1 (en) | Global Scene Descriptors for Matching Manhattan Scenes using Edge Maps Associated with Vanishing Points | |
Guo et al. | Research on image detection and matching based on SIFT features | |
CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
Lebeda et al. | Texture-independent long-term tracking using virtual corners | |
CN102915540A (zh) | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 | |
Min et al. | Non-rigid registration for infrared and visible images via gaussian weighted shape context and enhanced affine transformation | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
Potje et al. | Learning geodesic-aware local features from RGB-D images | |
CN108921884A (zh) | 基于改进sift的光学与sar影像配准方法、设备及存储介质 |
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 |