CN109191501B - 一种多源高空间分辨率影像的自动几何配准方法 - Google Patents
一种多源高空间分辨率影像的自动几何配准方法 Download PDFInfo
- Publication number
- CN109191501B CN109191501B CN201810888429.7A CN201810888429A CN109191501B CN 109191501 B CN109191501 B CN 109191501B CN 201810888429 A CN201810888429 A CN 201810888429A CN 109191501 B CN109191501 B CN 109191501B
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- reference image
- matrix
- feature matching
- 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
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
Abstract
一种多源高空间分辨率影像的自动几何配准方法,步骤(1)、使用参考影像对待配准影像进行重采样处理;步骤(2)、对处理后的待配准影像划分网格;步骤(3)、计算每个网格内的待配准影像和零矩阵影像之间的互信息量,互信息量最小值所对应的区域作为待配准影像中的特征匹配区域;步骤(4)、使用特征匹配区域遍历参考影像,计算每个网格内的特征匹配区域和参考影像之间的归一化互信息量,将归一化互信息量最大值所对应的区域作为参考影像匹配区域;步骤(5)、提取特征匹配区域和参考影像匹配区域的中心点坐标,计算出最终的转换参数;步骤(6)待配准影像使用最终的转换参数,得到影像配准后的结果。同名点分布均匀、配准精度高、速度快。
Description
技术领域
本发明涉及测绘地理信息技术领域,特别涉及一种多源高空间分辨率影像的自动几何配准方法。
背景技术
随着遥感技术的发展,不同时间、空间和光谱分辨率的遥感数据被广泛应用于各行各业,为我国的城市规划、城市建设、城市管理和生态文明等提供了重要的数据源。不同数据的几何配准是实现多源遥感影像综合应用的前提和关键步骤。当前,遥感影像配准方法主要包括人工配准和自动配准两种。
人工配准是在专业软件中导入待配准影像和参考影像,基于人工识别方式寻找影像之间的同名点,利用四参数模型计算待配准影像坐标信息来实现影像的配准,该方法工作量大、费时费力,且配准的精度会因人工选点的准确度而产生一定影响。
自动配准方法是利用算法程序,自动识别待配准影像和参考影像的特征区域来确定两景影像的同名点,并通过同名点计算四参数模型来实现影像的配准。目前常用的自动配准方法包括基于特征和基于灰度的自动配准方法,基于特征的自动配准方法是通过提取边缘、纹理和区域等特征信息进行图像之间的匹配,常见的有Moravec、Forstner、Harris、SIFT等算法,该类方法适用于匹配区域较小的图像,当匹配区域较大时,则这类方法的匹配效率明显降低,且对于特征不明显的区域,误匹配会明显增多,配准精度受到影响;基于灰度的自动配准方法主要依赖图像上的灰度统计信息,现有的方法会因不同传感器影像的灰度特征差异而导致配准精度不高,且基于全局的灰度统计也会让大区域影像的匹配效率不高。因此,对于高空间分辨率影像,匹配区域通常较大,需要一种既能保证配准精度,又能快速完成的自动几何配准方法。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种配准精度高、同名点分布均匀和配准速度快的多源高空间分辨率影像的自动几何配准方法。
本发明解决上述技术问题所采用的技术方案为:一种多源高空间分辨率影像的自动几何配准方法,其特征在于:包括以下步骤:
步骤(1)、输入待配准影像和参考影像,使用参考影像对待配准影像进行重采样处理,得到N×M待配准影像;
步骤(2)、对处理后得到的N×M待配准影像划分网格,划分成为k×k的网格,其中,单个网格矩阵为INT(N/k)×INT(M/k),网格数为k2;其中,k为正整数,k≥2,INT()函数为取整函数;
步骤(3)、使用j×j的零矩阵影像遍历步骤(2)中的每个网格内对应的待配准影像,分别计算每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量,将每个网格内j×j区域的互信息量最小值所对应的区域作为该网格内的待配准影像中的特征匹配区域;其中j为正整数,j×j区域远小于单个网格的INT(N/k)×INT(M/k)区域;
步骤(4)、分别使用每个网格内待配准影像的特征匹配区域遍历参考影像,并分别计算每个网格内待配准影像的特征匹配区域和参考影像之间的归一化互信息量,将归一化互信息量的最大值所对应的区域作为该网格内待配准影像的特征匹配区域相对应的参考影像匹配区域;
步骤(5)、提取每个网格内的待配准影像中的特征匹配区域的中心点坐标和相对应的参考影像匹配区域的中心点坐标,形成k2对坐标点对,计算出满足残差要求的转换参数,作为最终的转换参数;
步骤(6)、在步骤(1)中输入的待配准影像中使用步骤(5)中最终的转换参数,得到影像配准后的结果。
具体的,所述步骤(1)的重采样处理的计算公式为:
其中,(N原始,M原始)为输入的待配准影像的分辨率,(N′,M′)为参考影像的分辨率,(N,M)为重采样处理后的待配准影像的分辨率,INT()函数为取整函数。
作为改进,所述步骤(3)中的每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量的计算公式为:
其中,U为待配准影像的矩阵,[0]为零矩阵影像的矩阵,I(U;[0])为待配准影像和零矩阵影像之间的互信息值,H(U)为待配准影像的信息熵,H([0])为零矩阵影像的信息熵,H(U,[0])为待配准影像和零矩阵影像之间的联合信息熵,P(u)为待配准影像的概率密度,P([0])为零矩阵影像的概率密度,P(u,[0])为待配准影像和零矩阵影像之间的联合概率密度;
其中,ux,y为待配准影像的矩阵U中的像素点,x为像素点ux,y对应在待配准影像的矩阵U中的横坐标,y为像素点ux,y对应在待配准影像的矩阵U中的纵坐标,h(ux,y)为待配准影像的像素直方图统计值;h(ux,y,[0])为待配准影像的像素点和零矩阵影像之间的像素联合直方图统计值;z为待配准影像像素的分类数目;其中z为预设值;
根据公式(2),将公式(1)的互信息量的计算公式转换为:
进一步的,所述步骤(4)中计算每个网格内待配准影像的特征匹配区域和参考影像之间的互信息量的计算公式如下:
其中,W为特征匹配区域的矩阵,V为参考影像的矩阵,I(W;V)为特征匹配区域和参考影像之间的互信息值,H(W)为特征匹配区域的信息熵,H(V)为参考影像的信息熵,H(W,V)为特征匹配区域和参考影像之间的联合信息熵,P(w)是特征匹配区域的概率密度,P(v)为参考影像的概率密度,P(w,v)为特征匹配区域和参考影像之间的联合概率密度;
其中,为特征匹配区域的矩阵W中的像素点,x0为像素点对应在特征匹配区域的矩阵W中的横坐标,y0为像素点对应在特征匹配区域的矩阵W中的纵坐标,为参考影像的矩阵V中的像素点,x1为像素点对应在参考影像矩阵V中的横坐标,y1为像素点对应在参考影像矩阵V中的纵坐标,为特征匹配区域影像的像素直方图统计值,为参考影像的像素直方图统计值,为特征匹配区域影像的像素和参考影像之间的像素联合直方图统计值;z1为特征匹配区域影像和参考影像像素的分类数目;其中z1为预设值;
因此根据公式(4)和公式(5),待配准影像的特征匹配区域与参考影像之间的互信息量计算公式为:
对公式(6)归一化处理,得到待配准影像的特征匹配区域和参考影像之间的归一化互信息量计算公式为:
具体的,所述步骤(5)中的具体步骤为:
步骤(5-1)、采用平面四参数转换模型对k2对坐标点对进行计算,计算出转换参数,并计算出每对坐标点对的转换残差;
步骤(5-2)、判断是否有坐标点对的转换残差大于阈值,如有,则剔除该坐标点对,得到剩余的坐标点对,转入步骤(5-3),反之,则输出该转换参数;
步骤(5-3)、使用步骤(5-1)中的方法,使用剩余的坐标点对计算转换参数并计算出每对坐标点对的转换残差,直至每对坐标点对的转换残差均小于阈值时,则输出满足残差要求时所对应的转换参数,作为最终的转换参数。
与现有技术相比,本发明的优点在于:通过将待配准影像划分成k×k的网格,使待配准影像和参考影像之间的匹配同名点分布均匀,并且通过计算各网格内的待配准影像与零矩阵影像之间的互信息量,提取出待配准影像的特征匹配区域,有效降低了计算量,提高了计算速度,并通过计算特征匹配区域和参考影像之间的归一化互信息量,有效提高特征匹配区域和参考影像的配准精度,因此配准效率高。
附图说明
图1为本发明实施例的配准方法的流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,一种多源高空间分辨率影像的自动几何配准方法包括以下步骤:
步骤(1)、输入待配准影像和参考影像,使用参考影像对待配准影像进行重采样处理,得到N×M待配准影像;本实施例中,N=18210,M=12760;
其中,重采样处理的计算公式为:
其中,(N原始,M原始)为输入的待配准影像的分辨率,(N′,M′)为参考影像的分辨率,(N,M)为重采样处理后的待配准影像的分辨率,INT()函数为取整函数;
步骤(2)、对处理后得到的N×M待配准影像划分网格,划分成为k×k的网格,其中,单个网格矩阵为INT(N/k)×INT(M/k),网格数为k2;其中,k为正整数,k≥2,INT()函数为取整函数;
对N×M的待配准影像分别从上至下、从左至右进行划分,对划分后待配准影像右侧和下侧多余不能划分的部分舍弃,本实施例中,待配准影像的矩阵为18210×12760,k=6,因此单个网格矩阵为3035×2126,网格数为36,待配准影像的12757~12760列的影像不进行划分;该步骤将待配准影像划分成网格,主要目的是使待配准影像和参考影像之间的匹配坐标点分布均匀。
步骤(3)、使用j×j的零矩阵影像遍历步骤(2)中的每个网格内对应的待配准影像,分别计算每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量,将每个网格内j×j区域的互信息量最小值所对应的区域作为该网格内的待配准影像中的特征匹配区域;其中j为正整数,j×j区域远小于单个网格的INT(N/k)×INT(M/k)区域;本实施例中,j=16;
其中,每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量的计算公式为:
其中,U为待配准影像的矩阵,[0]为零矩阵影像的矩阵,I(U;[0])为待配准影像和零矩阵影像之间的互信息值,H(U)为待配准影像的信息熵,H([0])为零矩阵影像的信息熵,H(U,[0])为待配准影像和零矩阵影像之间的联合信息熵,P(u)为待配准影像的概率密度,P([0])为零矩阵影像的概率密度,P(u,[0])为待配准影像和零矩阵影像之间的联合概率密度;
其中,ux,y为待配准影像的矩阵U中的像素点,x为像素点ux,y对应在待配准影像的矩阵U中的横坐标,y为像素点ux,y对应在待配准影像的矩阵U中的纵坐标,h(ux,y)为待配准影像的像素直方图统计值;h(ux,y,[0])为待配准影像的像素点和零矩阵影像之间的像素联合直方图统计值;z为待配准影像像素的分类数目;其中z为预设值,本实施例中z=8;
根据公式(2),将公式(1)的互信息量的计算公式转换为:
该步骤获取了待配准影像各网格内待匹配区域的信息量大小,若区域的互信息值较大,说明该区域与零矩阵影像较为相似,信息量较少,反之则信息量较多。该步骤的主要目的是为了提取待配准影像的关键信息,用少量关键信息作为配准的依据,能有效降低计算量,提高算法的计算速度。
步骤(4)、分别使用每个网格内待配准影像的特征匹配区域遍历参考影像,并分别计算每个网格内待配准影像的特征匹配区域和参考影像之间的归一化互信息量,将归一化互信息量的最大值所对应的区域作为该网格内待配准影像的特征匹配区域相对应的参考影像匹配区域;
计算每个网格内待配准影像的特征匹配区域和参考影像之间的互信息量的计算公式如下:
其中,W为特征匹配区域的矩阵,V为参考影像的矩阵,I(W;V)为特征匹配区域和参考影像之间的互信息值,H(W)为特征匹配区域的信息熵,H(V)为参考影像的信息熵,H(W,V)为特征匹配区域和参考影像之间的联合信息熵,P(w)是特征匹配区域的概率密度,P(v)为参考影像的概率密度,P(w,v)为特征匹配区域和参考影像之间的联合概率密度;
其中,为特征匹配区域的矩阵W中的像素点,x0为像素点对应在特征匹配区域的矩阵W中的横坐标,y0为像素点对应在特征匹配区域的矩阵W中的纵坐标,为参考影像的矩阵V中的像素点,x1为像素点对应在参考影像矩阵V中的横坐标,y1为像素点对应在参考影像矩阵V中的纵坐标,为特征匹配区域影像的像素直方图统计值,为参考影像的像素直方图统计值,为特征匹配区域影像的像素和参考影像之间的像素联合直方图统计值;z1为特征匹配区域影像和参考影像像素的分类数目;其中z1为预设值,本实施例中,z1=8;
因此根据公式(4)和公式(5),待配准影像的特征匹配区域与参考影像之间的互信息量计算公式为:
对公式(6)归一化处理,得到待配准影像的特征匹配区域和参考影像之间的归一化互信息量计算公式为:
步骤(5)、提取每个网格内的待配准影像中的特征匹配区域的中心点坐标和相对应的参考影像匹配区域的中心点坐标,形成k2对坐标点对,计算出满足残差要求的转换参数,作为最终的转换参数;本实施例中,k2=36;
具体步骤为:
步骤(5-1)、采用平面四参数转换模型对k2对坐标点对进行计算,计算出转换参数,并计算出每对坐标点对的转换残差;
步骤(5-2)、判断是否有坐标点对的转换残差大于阈值,如有,则剔除该坐标点对,得到剩余的坐标点对,转入步骤(5-3),反之,则输出该转换参数;本实施例中,阈值为2个像元;
步骤(5-3)、使用步骤(5-1)中的方法,使用剩余的坐标点对计算转换参数并计算出每对坐标点对的转换残差,直至每对坐标点对的转换残差均小于阈值时,则输出满足残差要求时所对应的转换参数,作为最终的转换参数。
步骤(6)、在步骤(1)中输入的待配准影像中使用步骤(5)中最终的转换参数,得到影像配准后的结果。
该方法适用于多源高空间分辨率影像的配准,如:GF数据,ZY数据及无人机影像,通过将待配准影像划分网格,使待配准影像和参考影像之间的匹配同名点分布均匀,提高了配准的稳定性和精度;并且通过计算每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量,并根据互信息量提取出待配准影像中信息量较大的特征匹配区域,解决了现有配准算法中的直接采用整景的待配准影像与参考影像进行匹配,计算量大的问题,有效降低了计算量,提高了算法的效率;且通过计算特征匹配区域和参考影像之间的归一化互信息量,寻找同名区域,减少了数据自身引起的不确定性及误差,有效提高了配准精度。
Claims (5)
1.一种多源高空间分辨率影像的自动几何配准方法,其特征在于:包括以下步骤:
步骤(1)、输入待配准影像和参考影像,使用参考影像对待配准影像进行重采样处理,得到N×M待配准影像;
步骤(2)、对处理后得到的N×M待配准影像划分网格,划分成为k×k的网格,其中,单个网格矩阵为INT(N/k)×INT(M/k),网格数为k2;其中,k为正整数,k32,INT()函数为取整函数;
步骤(3)、使用j×j的零矩阵影像遍历步骤(2)中的每个网格内对应的待配准影像,分别计算每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量,将每个网格内j×j区域的互信息量最小值所对应的区域作为该网格内的待配准影像中的特征匹配区域;其中j为正整数,j×j区域远小于单个网格的INT(N/k)×INT(M/k)区域;
步骤(4)、分别使用每个网格内待配准影像的特征匹配区域遍历参考影像,并分别计算每个网格内待配准影像的特征匹配区域和参考影像之间的归一化互信息量,将归一化互信息量的最大值所对应的区域作为该网格内待配准影像的特征匹配区域相对应的参考影像匹配区域;
步骤(5)、提取每个网格内的待配准影像中的特征匹配区域的中心点坐标和相对应的参考影像匹配区域的中心点坐标,形成k2对坐标点对,计算出满足残差要求的转换参数,作为最终的转换参数;
步骤(6)、在步骤(1)中输入的待配准影像中使用步骤(5)中最终的转换参数,得到影像配准后的结果。
3.根据权利要求1所述的多源高空间分辨率影像的自动几何配准方法,其特征在于:所述步骤(3)中的每个网格内j×j区域的待配准影像和零矩阵影像之间的互信息量的计算公式为:
其中,U为待配准影像的矩阵,[0]为零矩阵影像的矩阵,I(U;[0])为待配准影像和零矩阵影像之间的互信息值,H(U)为待配准影像的信息熵,H([0])为零矩阵影像的信息熵,H(U,[0])为待配准影像和零矩阵影像之间的联合信息熵,P(u)为待配准影像的概率密度,P([0])为零矩阵影像的概率密度,P(u,[0])为待配准影像和零矩阵影像之间的联合概率密度;
其中,ux,y为待配准影像的矩阵U中的像素点,x为像素点ux,y对应在待配准影像的矩阵U中的横坐标,y为像素点ux,y对应在待配准影像的矩阵U中的纵坐标,h(ux,y)为待配准影像的像素直方图统计值;h(ux,y,[0])为待配准影像的像素点和零矩阵影像之间的像素联合直方图统计值;z为待配准影像像素的分类数目;其中z为预设值;
根据公式(2),将公式(1)的互信息量的计算公式转换为:
4.根据权利要求1所述的多源高空间分辨率影像的自动几何配准方法,其特征在于:所述步骤(4)中计算每个网格内待配准影像的特征匹配区域和参考影像之间的互信息量的计算公式如下:
其中,W为特征匹配区域的矩阵,V为参考影像的矩阵,I(W;V)为特征匹配区域和参考影像之间的互信息值,H(W)为特征匹配区域的信息熵,H(V)为参考影像的信 息熵,H(W,V)为特征匹配区域和参考影像之间的联合信息熵,P(w)是特征匹配区域的概率密度,P(v)为参考影像的概率密度,P(w,v)为特征匹配区域和参考影像之间的联合概率密度;
设其中,为特征匹配区域的矩阵W中的像素点,x0为像素点对应在特征匹配区域的矩阵W中的横坐标,y0为像素点对应在特征匹配区域的矩阵W中的纵坐标,为参考影像的矩阵V中的像素点,x1为像素点对应在参考影像矩阵V中的横坐标,y1为像素点对应在参考影像矩阵V中的纵坐标,为特征匹配区域影像的像素直方图统计值,为参考影像的像素直方图统计值,为特征匹配区域影像的像素和参考影像之间的像素联合直方图统计值;z1为特征匹配区域影像和参考影像像素的分类数目;其中z1为预设值;
因此根据公式(4)和公式(5),待配准影像的特征匹配区域与参考影像之间的互信息量计算公式为:
对公式(6)归一化处理,得到待配准影像的特征匹配区域和参考影像之间的归一化互信息量计算公式为:
5.根据权利要求1所述的多源高空间分辨率影像的自动几何配准方法,其特征在于:所述步骤(5)中的具体步骤为:
步骤(5-1)、采用平面四参数转换模型对k2对坐标点对进行计算,计算出转换参数,并计算出每对坐标点对的转换残差;
步骤(5-2)、判断是否有坐标点对的转换残差大于阈值,如有,则剔除该坐标点对,得到剩余的坐标点对,转入步骤(5-3),反之,则输出该转换参数;
步骤(5-3)、使用步骤(5-1)中的方法,使用剩余的坐标点对计算转换参数并计算出每对坐标点对的转换残差,直至每对坐标点对的转换残差均小于阈值时,则输出满足残差要求时所对应的转换参数,作为最终的转换参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888429.7A CN109191501B (zh) | 2018-08-07 | 2018-08-07 | 一种多源高空间分辨率影像的自动几何配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888429.7A CN109191501B (zh) | 2018-08-07 | 2018-08-07 | 一种多源高空间分辨率影像的自动几何配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191501A CN109191501A (zh) | 2019-01-11 |
CN109191501B true CN109191501B (zh) | 2021-08-24 |
Family
ID=64920719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810888429.7A Active CN109191501B (zh) | 2018-08-07 | 2018-08-07 | 一种多源高空间分辨率影像的自动几何配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191501B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200845A (zh) * | 2020-10-22 | 2021-01-08 | 清华大学 | 一种图像配准方法和装置 |
CN112419350B (zh) * | 2020-11-20 | 2023-06-02 | 武汉大学 | 基于地物边界信息的遥感影像自动化几何配准方法及系统 |
CN115830087B (zh) * | 2022-12-09 | 2024-02-20 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
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 |
CN108364307A (zh) * | 2018-02-11 | 2018-08-03 | 湖南文理学院 | 一种基于α-Renyi互信息的医学图像配准方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100456323C (zh) * | 2006-11-17 | 2009-01-28 | 南方医科大学 | 三维图像的快速配准方法 |
CN103646395B (zh) * | 2013-11-28 | 2016-06-01 | 中南大学 | 一种基于格网法的高精度影像配准方法 |
US11024044B2 (en) * | 2016-09-26 | 2021-06-01 | Digitalglobe, Inc. | Techniques for image co-registration |
-
2018
- 2018-08-07 CN CN201810888429.7A patent/CN109191501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN104361590A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种控制点自适应分布的高分辨率遥感影像配准方法 |
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 |
CN108364307A (zh) * | 2018-02-11 | 2018-08-03 | 湖南文理学院 | 一种基于α-Renyi互信息的医学图像配准方法 |
Non-Patent Citations (2)
Title |
---|
Multi-modal volume registration by maximization of mutual information;William M.Wells;《Medical Image Analysis》;19960331;第1卷(第1期);35-51 * |
基于边缘特征点互信息熵的医学图像配准方法;魏本征;《数据采集与处理》;20180315;第33卷(第2期);248-258 * |
Also Published As
Publication number | Publication date |
---|---|
CN109191501A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN109191501B (zh) | 一种多源高空间分辨率影像的自动几何配准方法 | |
CN101750606B (zh) | 自动和稳健的卫星遥感影像正射校正方法 | |
CN100461820C (zh) | 图像处理装置及图像处理中的登录数据生成方法 | |
CN103646395B (zh) | 一种基于格网法的高精度影像配准方法 | |
CN102509099A (zh) | 一种图像显著区域检测方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
TW201516969A (zh) | 視訊物件追蹤方法 | |
CN103353941A (zh) | 基于视角分类的自然标志物注册方法 | |
CN116503705A (zh) | 一种数字城市多源数据的融合方法 | |
CN103065311A (zh) | 基于基准影像库的卫星影像自动配准方法 | |
CN110738693A (zh) | 一种地基成像雷达多角度图像配准方法 | |
CN108682005B (zh) | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 | |
CN107392948B (zh) | 一种分振幅实时偏振成像系统的图像配准方法 | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN109345544B (zh) | 一种24色卡的色差自动分析方法 | |
CN114677468B (zh) | 基于逆向建模的模型修正方法、装置、设备和存储介质 | |
CN116206156A (zh) | 一种阴影干扰下的路面裂缝分类识别方法 | |
CN116109933A (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN114283081B (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
CN115205251A (zh) | 一种光学遥感影像几何质量可用性评价方法 | |
CN114463534A (zh) | 一种目标关键点检测方法、装置、设备及存储介质 | |
CN109948421B (zh) | 基于pca和属性配置文件的高光谱图像分类方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant after: Ningbo Institute of Surveying and mapping and remote sensing technology Applicant after: Ningbo alatu Digital Technology Co.,Ltd. Address before: 315042 No.36 Heji street, Yinzhou District, Ningbo City, Zhejiang Province Applicant before: NINGBO INSTITUTE OF SURVEYING & MAPPING Applicant before: NINGBO ALATU DIGITAL TECHNOLOGY CENTER |
|
GR01 | Patent grant | ||
GR01 | Patent grant |