CN110148161A - 一种遥感图像误匹配剔除方法及系统 - Google Patents
一种遥感图像误匹配剔除方法及系统 Download PDFInfo
- Publication number
- CN110148161A CN110148161A CN201910295235.0A CN201910295235A CN110148161A CN 110148161 A CN110148161 A CN 110148161A CN 201910295235 A CN201910295235 A CN 201910295235A CN 110148161 A CN110148161 A CN 110148161A
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- formula
- error hiding
- processed
- images
- 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.)
- Pending
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
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种遥感图像误匹配剔除方法及系统,包括:首先采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;然后建立误匹配剔除模型P;进而采用最大似然估计求解P中的参数集,得到误匹配剔除模型P的具体值;最后利用P的具体值对N对特征点中的误匹配特征点进行剔除。本发明的有益效果是:本发明所提出的技术方案将特征匹配问题作为概率模型,并采用EM迭代法求解,为了充分利用遥感图像的局部结构稳定性,引入了局部几何约束,可使算法效率更高,剔除精确度更高,且该方法对于遥感图像的非刚性变形是非常有效的,并且对于大量异常值是鲁棒的。
Description
技术领域
本发明涉及遥感图像处理领域,尤其涉及一种遥感图像误匹配剔除方法及系统。
背景技术
图像匹配通常涉及到对两幅图像中对应结构或目标进行识别随后对齐的过程。这里匹配的图像通常为包含纹理信息的灰度或彩色图像,也可以是由目标范围二值图像所表示的图形或形状。图像匹配技术有着极其广泛的应用背景,例如在计算机视觉、模式识别、医学图像分析、以及遥感图像处理等领域中,当需要整合从不同角度或不同传感器获取的图像所包含的信息,或者需要找出在不同时间或不同拍摄条件下获取的图像之间的异同,又或为了分割或目标检测而进行基于模型的匹配时,建立一个好的图像匹配往往是必不可少的。
图像匹配主要有两种方法:基于灰度的方法和基于特征的方法。基于灰度的方法是直接依赖像素灰度信息;基于特征的方法首先提取图像中一些显著性结构,即点、直线、曲线或曲面等,然后对这些几何特征进行匹配。相对于原始的灰度图像,特征为图像表达提供了更为精简的形式,这将会大大降低计算成本。基于特征的匹配方法也称作点集匹配方法。
点集匹配是从图像匹配各种具体应用中抽象出来更为基本的问题,其中“点”通常为角点或由特征提取算法获取的其它一些点特征,例如图像的兴趣点和形状轮廓的采样点。点集匹配主要是建立模型求解对应关系和变换函数这两个未知变量。这两者之间是相互联系的,我们只需要求解其中一个变量,求解另一个变量就变得很简单。
根据具体数据和应用,点匹配任务大致可以分为两大类:刚性点集匹配和非刚性点集匹配。在刚性匹配中,点集只允许存在平移、旋转和尺度缩放等简单的变换,从而与之对应的模型参数较少,求解相对简单,相关的研究工作比较成熟。相比之下,由于点集之间潜在的非线性映射未知、复杂、难以建模,且简单的分段仿射和多项式模型等又不足以产生好的近似效果,非刚性匹配问题往往困难得多。非刚性的情况存在于很多实际任务中,例如手写字符识别、形状识别、可变形物体运动跟踪以及医学图像配准,使得非刚性匹配很变得尤为重要。
发明内容
为了解决上述问题,本发明提供了一种遥感图像误匹配剔除方法及系统。
一种遥感图像误匹配剔除方法,主要包括以下步骤:
S101:采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
S102:建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(1)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
S103:结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,采用最大似然估计求解所述参数集θ,从而得到误匹配剔除模型P的具体值;
S104:利用步骤S103中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
进一步地,步骤S103中,采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值的求解过程如下:
S201:采用最大似然估计求解误匹配剔除模型P的参数集θ,等价于最小化如公式(2)所示的负对数似然函数E(θ):
S202:采用EM算法对参数集θ进行求解:
首先,初始化f(x)、P、γ和σ2;其中,A和H初始化为单位矩阵,初始化为常数,P初始化为对角单位矩阵;
然后,根据公式(2),采用EM算法准则并省略与θ无关的项,得到如公式(3)所示的完全对数的似然函数Q(θ,θold):
上式中,pn=P(zn=1|xn,yn,θold)为一个后验概率,指示xn和yn属于内点的程度;关联隐变量zn∈{0,1},用于指示内点和离群点,当zn=0时,特征点为离群点,当zn=1时,特征点为内点;
S203:EM算法中的E步和M步分别为:
E步:利用贝叶斯准则得到pn的表达式如公式(4)所示:
M步:利用当前的后验概率对参数集θ进行估计:θnew=argmaxθQ(θ,θold),具体为:
令完全对数的似然函数Q(θ,θold)对σ2和γ求偏导数并使其为零,得到:
其中,F=(f(x1),...f(xN))T,上标new表示更新后的值,上标old表示更新前的值;
采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新;
S204:EM迭代是否收敛?若是,得到最终的参数集θ,从而得到P的值,结束迭代;否则,返回至S203中的E步。
进一步地,步骤S203中,采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新,具体步骤包括:
S301:采用TPS算法对N对特征点之间的非刚性映射进行建模,并将TPS函数分解成全局仿射变换和局部非仿射变换,分别由系数A和H控制,如公式(5)所示:
上式中,A是3×3的仿射矩阵,H是N×N的非仿射形变参数矩阵,为第n对特征点的TPS函数的核,且
S302:去除公式(3)中对f(x)的估计没有影响的项,并加上TPS函数中的固有项,得到如公式(6)所示的能量函数E(A,H):
上式中,λ1为预设值,取值为5000,K为的矩阵化形式;
S303:对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项:
上式中,Wij为N*N的权值矩阵;
S304:将公式(7)所示的迁移代价项和公式(6)所示的能量函数相结合,得到如公式(8)所示的EM算法的能量函数:
上式中,λ2为预设值,取值为10000;
S305:采用迭代求解方法,对公式(8)中的A和H进行求解,并将得到的A和H带入f(x)的表达式,得到f(x)。
进一步地,步骤S303中,对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项,具体步骤如下:
S401:对X中所有的特征点,搜寻其k邻域;
S402:令Wij为N*N的权值矩阵,如果xj不属于xi的邻域,令Wij=0,如果xj属于xi的邻域,则将Wij作为未知的权值,最小化如公式(9)所示的重构误差E(W),以得到最优权值Wij:
其中,权值矩阵Wij满足约束:结合此约束条件和公式(9),即可求出Wij;
S404:将公式(9)经过f(x)变换后,得到如公式(10)所示的迁移代价项:
进一步地,步骤S305中,采用迭代求解方法,对公式(8)中的A和H进行求解的方法为:确定其中一个参数来求解另一个参数:即首先将W固定,对E求A的偏导并将其设置为零,可以得到:A=(XTRX)-1(XTPY-XTRKH);同理可以得到:H=(KTRK+λ1σ2K+εI)-1(KTPY-KTRXA);其中,ε为为了数值稳定添加的常数项,取值为10-6,R=P+λ2σ2Q,Q=(I-W)TP(I-W);如此反复迭代,直到E(A,H)<10-6时,收敛,此时的A和H为最终结果。
进一步地,步骤S204中,EM迭代的收敛条件为:EM算法中的能量函数小于或者等于10-6,或者迭代次数大于200次;能量函数表达式如公式(8)所示。
进一步地,步骤S104中,利用建立的误匹配剔除模型P,分别对N对特征点进行精确匹配,以剔除误匹配的特征点的方法为:若pn<0.75,则pn对应的特征点对xn和yn为误匹配。
进一步地,一种遥感图像误匹配剔除系统,其特征在于:包括以下模块:
粗匹配模块,用于采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
误匹配剔除模型建立模块,用于建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(11)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
参数集求解模块,用于采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值;
精准匹配模块,用于利用参数集求解模块中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
本发明提供的技术方案带来的有益效果是:本发明所提出的技术方案将特征匹配问题作为概率模型,并采用EM迭代法求解,为了充分利用遥感图像的局部结构稳定性,引入了局部几何约束,可使算法效率更高,剔除精确度更高,且该方法对于遥感图像的非刚性变形是非常有效的,并且对于大量异常值是鲁棒的。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种遥感图像误匹配剔除方法的流程图;
图2是本发明实施例中一种遥感图像误匹配剔除系统的模块组成示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种遥感图像误匹配剔除方法及系统。
请参考图1,图1是本发明实施例中一种遥感图像误匹配剔除方法的流程图,具体包括如下步骤:
S101:采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
S102:建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(1)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
S103:结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,采用最大似然估计求解所述参数集θ,从而得到误匹配剔除模型P的具体值;
S104:利用步骤S103中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
步骤S103中,采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值的求解过程如下:
S201:采用最大似然估计求解误匹配剔除模型P的参数集θ,等价于最小化如公式(2)所示的负对数似然函数E(θ):
S202:采用EM算法对参数集θ进行求解:
首先,初始化f(x)、P、γ和σ2;其中,A和H初始化为单位矩阵,初始化为常数;P初始化为对角单位矩阵;
然后,根据公式(2),采用EM算法准则并省略与θ无关的项,得到如公式(3)所示的完全对数的似然函数Q(θ,θold):
上式中,pn=P(zn=1|xn,yn,θold)为一个后验概率,指示xn和yn属于内点的程度;关联隐变量zn∈{0,1},用于指示内点和离群点,当zn=0时,特征点为离群点,当zn=1时,特征点为内点;
S203:EM算法中的E步和M步分别为:
E步:利用贝叶斯准则得到pn的表达式如公式(4)所示:
M步:利用当前的后验概率对参数集θ进行估计:θnew=argmaxθQ(θ,θold),具体为:
令完全对数的似然函数Q(θ,θold)对σ2和γ求偏导数并使其为零,得到:
其中,F=(f(x1),...f(xN))T,上标new表示更新后的值,上标old表示更新前的值;
采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新;
S204:EM迭代是否收敛?若是,得到最终的参数集θ,从而得到P的值,结束迭代;否则,返回至S203中的E步。
步骤S203中,采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新,具体步骤包括:
S301:采用TPS算法对N对特征点之间的非刚性映射进行建模,并将TPS函数分解成全局仿射变换和局部非仿射变换,分别由系数A和H控制,如公式(5)所示:
上式中,A是3×3的仿射矩阵,H是N×N的非仿射形变参数矩阵,为第n对特征点的TPS函数的核,且
S302:去除公式(3)中对f(x)的估计没有影响的项,并加上TPS函数中的固有项,得到如公式(6)所示的能量函数E(A,H):
上式中,λ1为预设值,取值为5000,K为的矩阵化形式;
S303:对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项:
上式中,Wij为N*N的权值矩阵;
S304:将公式(7)所示的迁移代价项和公式(6)所示的能量函数相结合,得到如公式(8)所示的EM算法的能量函数:
上式中,λ2为预设值,取值为10000;
S305:采用迭代求解方法,对公式(8)中的A和H进行求解,并将得到的A和H带入f(x)的表达式,得到f(x)。
步骤S303中,对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项,具体步骤如下:
S401:对X中所有的特征点,搜寻其k邻域(即k个‘最近’的点,本发明设置为15);
S402:令Wij为N*N的权值矩阵,如果xj不属于xi的邻域,令Wij=0,如果xj属于xi的邻域,则将Wij作为未知的权值,最小化如公式(9)所示的重构误差E(W),以得到最优权值Wij:
其中,权值矩阵Wij满足约束:(即W每行之和为1),结合此约束条件和公式(9),即可求出Wij;
S404:将公式(9)经过f(x)变换后,得到如公式(10)所示的迁移代价项:
步骤S305中,采用迭代求解方法,对公式(8)中的A和H进行求解的方法为:确定其中一个参数来求解另一个参数:即首先将W固定,对E求A的偏导并将其设置为零,可以得到:A=(XTRX)-1(XTPY-XTRKH);同理可以得到:H=(KTRK+λ1σ2K+εI)-1(KTRY-KTRXA);其中,ε为为了数值稳定添加的常数项,取值为10-6,R=P+λ2σ2Q,Q=(I-W)TP(I-W);如此反复迭代,直到E(A,H)<10-6时,收敛,此时的A和H为最终结果。
步骤S204中,EM迭代的收敛条件为:EM算法中的能量函数小于或者等于10-6,或者迭代次数大于200次;能量函数表达式如公式(8)所示。
步骤S104中,利用建立的误匹配剔除模型P,分别对N对特征点进行精确匹配,以剔除误匹配的特征点的方法为:若pn<0.75,则pn对应的特征点对xn和yn为误匹配。
请参阅图2,图2是本发明实施例中一种遥感图像误匹配剔除系统的模块组成示意图,其特征在于:该系统包括顺次连接的粗匹配模块11、误匹配剔除模型建立模块12、参数集求解模块13和精准匹配模块14;
粗匹配模块11,用于采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
误匹配剔除模型建立模块12,用于建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(11)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
参数集求解模块13,用于采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值;
精准匹配模块14,用于利用参数集求解模块13中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
本发明的有益效果是:本发明所提出的技术方案将特征匹配问题作为概率模型,并采用EM迭代法求解,为了充分利用遥感图像的局部结构稳定性,引入了局部几何约束,可使算法效率更高,剔除精确度更高,且该方法对于遥感图像的非刚性变形是非常有效的,并且对于大量异常值是鲁棒的。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种遥感图像误匹配剔除方法,其特征在于:包括以下步骤:
S101:采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
S102:建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(1)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
S103:结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,采用最大似然估计求解所述参数集θ,从而得到误匹配剔除模型P的具体值;
S104:利用步骤S103中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
2.如权利要求1所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S103中,采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值的求解过程如下:
S201:采用最大似然估计求解误匹配剔除模型P的参数集θ,等价于最小化如公式(2)所示的负对数似然函数E(θ):
S202:采用EM算法对参数集θ进行求解:
首先,初始化f(x)、P、γ和σ2;其中,A和H初始化为单位矩阵,初始化为常数;P初始化为对角单位矩阵;
然后,根据公式(2),采用EM算法准则并省略与θ无关的项,得到如公式(3)所示的完全对数的似然函数Q(θ,θold):
上式中,pn=P(zn=1|xn,yn,θold)为一个后验概率,指示xn和yn属于内点的程度;关联隐变量zn∈{0,1},用于指示内点和离群点,当zn=0时,特征点为离群点,当zn=1时,特征点为内点;
S203:EM算法中的E步和M步分别为:
E步:利用贝叶斯准则得到pn的表达式如公式(4)所示:
M步:利用当前的后验概率对参数集θ进行估计:θnew=argmaxθQ(θ,θold),具体为:
令完全对数的似然函数Q(θ,θold)对σ2和γ求偏导数并使其为零,得到:
其中,F=(f(x1),...f(xN))T,上标new表示更新后的值,上标old表示更新前的值;
采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新;
S204:EM迭代是否收敛?若是,得到最终的参数集θ,从而得到P的具体值,结束迭代;否则,返回至S203中的E步。
3.如权利要求2所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S203中,采用TPS函数对f(x)进行建模,并用迭代求解的方法求解f(x)中的参数A和H,以对f(x)进行更新,具体步骤包括:
S301:采用TPS算法对N对特征点之间的非刚性映射进行建模,并将TPS函数分解成全局仿射变换和局部非仿射变换,分别由系数A和H控制,如公式(5)所示:
上式中,A是3×3的仿射矩阵,H是N×N的非仿射形变参数矩阵,为第n对特征点的TPS函数的核,且
S302:去除公式(3)中对f(x)的估计没有影响的项,并加上TPS函数中的固有项,得到如公式(6)所示的能量函数E(A,H):
上式中,λ1为预设值,取值为5000,K为的矩阵化形式;
S303:对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项:
上式中,Wij为N*N的权值矩阵;
S304:将公式(7)所示的迁移代价项和公式(6)所示的能量函数相结合,得到如公式(8)所示的EM算法的能量函数:
上式中,λ2为预设值,取值为10000;
S305:采用迭代求解方法,对公式(8)中的A和H进行求解,并将得到的A和H带入f(x)的表达式,得到f(x)。
4.如权利要求3所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S303中,对X中所有的特征点,添加局部几何约束,得到如公式(7)所示的迁移代价项,具体步骤如下:
S401:对X中所有的特征点,搜寻其k邻域;
S402:令Wij为N*N的权值矩阵,如果xj不属于xi的邻域,令Wij=0,如果xj属于xi的邻域,则将Wij作为未知的权值,最小化如公式(9)所示的重构误差E(W),以得到最优权值Wij:
其中,权值矩阵Wij满足约束:结合此约束条件和公式(9),即可求出Wij;
S404:将公式(9)经过f(x)变换后,得到如公式(10)所示的迁移代价项:
5.如权利要求3所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S305中,采用迭代求解方法,对公式(8)中的A和H进行求解的方法为:确定其中一个参数来求解另一个参数:即首先将W固定,对E求A的偏导并将其设置为零,可以得到:A=(XTRX)-1(XTPY-XTRKH);同理可以得到:H=(KTRK+λ1σ2K+εI)-1(KTPY-KTRXA);其中,ε为为了数值稳定添加的常数项,取值为10-6,R=P+λ2σ2Q,Q=(I-W)TP(I-W);如此反复迭代,直到E(A,H)<10-6时,收敛,此时的A和H为最终结果。
6.如权利要求3所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S204中,EM迭代的收敛条件为:EM算法中的能量函数小于或者等于10-6,或者迭代次数大于200次;能量函数表达式如公式(8)所示。
7.如权利要求1所述的一种遥感图像误匹配剔除方法,其特征在于:步骤S104中,利用建立的误匹配剔除模型P,分别对N对特征点进行精确匹配,以剔除误匹配的特征点的方法为:若pn<0.75,则pn对应的特征点对xn和yn为误匹配。
8.一种遥感图像误匹配剔除系统,其特征在于:包括以下模块:
粗匹配模块,用于采用SIFT算法在待处理的两幅图像上各提取一组特征点,并对两组特征点建立粗略的一一对应的关系,以对两幅待处理的图像的特征点进行粗匹配;
所述待处理的两幅图像分别为第一待处理图像和第二待处理图像;所述两组特征点分别为从所述第一待处理图像上提取的第一组特征点和从所述第二待处理图像上提取的与所述第一组特征点一一对应的第二组特征点 所述第一组特征点和所述第二组特征点内均有N个特征点,即所述两组特征点组成N对一一对应的特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)};且这N对特征点中的内点服从高斯分布,协方差为σ2I,离群点服从均匀分布1/a;I为单位矩阵;
误匹配剔除模型建立模块,用于建立误匹配剔除模型P;其中,P=diag(p1,,...,pn,...,pN),pn的表达式如公式(11)所示:
上式中,参数集θ={f,σ2,γ}表示所有未知参数的集合,γ指示隐变量边缘分布;f表示待处理的两幅图像之间潜在的几何变换;
参数集求解模块,用于采用最大似然估计求解所述参数集θ,并结合N对特征点{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}的值,计算得到误匹配剔除模型P的具体值;
精准匹配模块,用于利用参数集求中得到的误匹配剔除模型P的具体值,对N对特征点中的误匹配特征点进行剔除,从而建立待处理的两幅图像的精准特征匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295235.0A CN110148161A (zh) | 2019-04-12 | 2019-04-12 | 一种遥感图像误匹配剔除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295235.0A CN110148161A (zh) | 2019-04-12 | 2019-04-12 | 一种遥感图像误匹配剔除方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110148161A true CN110148161A (zh) | 2019-08-20 |
Family
ID=67588838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910295235.0A Pending CN110148161A (zh) | 2019-04-12 | 2019-04-12 | 一种遥感图像误匹配剔除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148161A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915657A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种点云配准方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354841A (zh) * | 2015-10-21 | 2016-02-24 | 武汉工程大学 | 一种快速遥感影像匹配方法及系统 |
CN105469110A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及系统 |
CN105488754A (zh) * | 2015-11-19 | 2016-04-13 | 武汉大学 | 基于局部线性迁移和仿射变换的图像特征匹配方法及系统 |
CN107609604A (zh) * | 2017-10-19 | 2018-01-19 | 北京工业大学 | 一种基于l1范数的二维概率线性判别分析的图像识别方法 |
CN109285110A (zh) * | 2018-09-13 | 2019-01-29 | 武汉大学 | 基于鲁棒匹配与变换的红外可见光图像配准方法及系统 |
-
2019
- 2019-04-12 CN CN201910295235.0A patent/CN110148161A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354841A (zh) * | 2015-10-21 | 2016-02-24 | 武汉工程大学 | 一种快速遥感影像匹配方法及系统 |
CN105469110A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及系统 |
CN105488754A (zh) * | 2015-11-19 | 2016-04-13 | 武汉大学 | 基于局部线性迁移和仿射变换的图像特征匹配方法及系统 |
CN107609604A (zh) * | 2017-10-19 | 2018-01-19 | 北京工业大学 | 一种基于l1范数的二维概率线性判别分析的图像识别方法 |
CN109285110A (zh) * | 2018-09-13 | 2019-01-29 | 武汉大学 | 基于鲁棒匹配与变换的红外可见光图像配准方法及系统 |
Non-Patent Citations (1)
Title |
---|
JUN CHEN等: "Mismatch Removal for Remote Sensing Images Based on Non-Rigid Transformation and Local Geometrical Constraint", 《IEEE ACCESS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915657A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种点云配准方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Multi-temporal remote sensing image registration using deep convolutional features | |
CN108596053B (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
CN108594816B (zh) | 一种通过改进orb-slam算法实现定位与构图的方法和系统 | |
CN112017220B (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
CN112581515B (zh) | 基于图神经网络的户外场景点云配准方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN109544603B (zh) | 基于深度迁移学习的目标跟踪方法 | |
CN112883850B (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
US20070098219A1 (en) | Method and system for filtering, registering, and matching 2.5D normal maps | |
CN109685830B (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
Yang et al. | Non-rigid point set registration via global and local constraints | |
CN110688440A (zh) | 一种适用于子地图重叠部分较少的地图融合方法 | |
CN110148161A (zh) | 一种遥感图像误匹配剔除方法及系统 | |
Wang et al. | Multidimensional particle swarm optimization-based unsupervised planar segmentation algorithm of unorganized point clouds | |
Dan et al. | Multifeature energy optimization framework and parameter adjustment-based nonrigid point set registration | |
CN115690439A (zh) | 基于图像平面的特征点聚集方法、装置及电子设备 | |
Dinh et al. | StereoPairFree: self-constructed stereo correspondence network from natural images | |
CN115239776A (zh) | 点云的配准方法、装置、设备和介质 | |
Gao et al. | Gabor texture in active appearance models | |
Chen et al. | An application of improved RANSAC algorithm in visual positioning | |
Sun et al. | A robust point set registration approach with multiple effective constraints | |
CN113256693A (zh) | 基于K-means与正态分布变换的多视角配准方法 | |
Liu et al. | An improved local descriptor based object recognition in cluttered 3D point clouds | |
Chen et al. | Mismatch removal for remote sensing images based on non-rigid transformation and local geometrical constraint |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190820 |
|
WD01 | Invention patent application deemed withdrawn after publication |