CN110378379A - 航空图像特征点匹配方法 - Google Patents

航空图像特征点匹配方法 Download PDF

Info

Publication number
CN110378379A
CN110378379A CN201910521233.9A CN201910521233A CN110378379A CN 110378379 A CN110378379 A CN 110378379A CN 201910521233 A CN201910521233 A CN 201910521233A CN 110378379 A CN110378379 A CN 110378379A
Authority
CN
China
Prior art keywords
characteristic point
image
point
matching
benchmark 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
Application number
CN201910521233.9A
Other languages
English (en)
Other versions
CN110378379B (zh
Inventor
张志伟
周文宗
胡伍生
沙月进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910521233.9A priority Critical patent/CN110378379B/zh
Publication of CN110378379A publication Critical patent/CN110378379A/zh
Application granted granted Critical
Publication of CN110378379B publication Critical patent/CN110378379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种航空图像特征点匹配方法，包括以下步骤：S1：对基准图像和匹配图像均执行以下操作：以特征点为中心，取特征点周围一定数量的像素，将所述特征点周围的像素与特征点一起作为特征点特征矩阵；S2：对基准图像的特征点建立相关性系数矩阵；S3：将基准图像中的特征点按照特异性从强到弱放入队列进行储存；S4：对基准图像和匹配图像进行连接点匹配。本发明有效提高了方法的稳定性和准确性。

Description

航空图像特征点匹配方法
技术领域
本发明涉及航空摄影测量领域，特别是涉及航空图像特征点匹配方法。
背景技术
空中三角测量中需要借助连接点来拼接多条航线上的一系列图像，将这些图像的重叠部分相互拼接起来。这一过程的精度好坏决定了空中三角测量的精度高低，因此对于连接点的精度要求严格。传统的航测中，需要人力布置像控点，在获得航空影像后，还需要人工像控点标记，得到整组图像的重叠区域。进入二十世纪八十年代后，随着计算机和数字图像技术的出现，空中三角测量的图像数字化，人工手段被数字图像处理算法所取代。空中三角测量所使用的主要技术是特征点的匹配，特征点匹配已有很多不同的算法，如基于极线、基于区域灰度相关、基于特征的算法都用于特征点匹配。每种算法都有各自的优缺点，因此他们的使用领域也不同。其在空三中的应用还有很大的改进空间。现有技术中的航空图像特征点匹配方法往往稳定性和准确性不够。
发明内容
发明目的：本发明的目的是提供一种航空图像特征点匹配方法，有效提高了稳定性和准确性。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的航空图像特征点匹配方法，包括以下步骤：
S1：对基准图像和匹配图像均执行以下操作：以特征点为中心，取特征点周围一定数量的像素，将所述特征点周围的像素与特征点一起作为特征点特征矩阵；
S2：对基准图像的特征点建立相关性系数矩阵；
S3：将基准图像中的特征点按照特异性从强到弱放入队列进行储存；
S4：对基准图像和匹配图像进行连接点匹配。
进一步，所述步骤S1中，特征点周围一定数量的像素为特征点周围7×7的像素。
进一步，所述步骤S2中，相关性系数矩阵ρ根据式(1)计算得到：
式(1)中，ρ(i,j)为基准图像中第i个特征点和第j个特征点的相关性系数，0≤i≤n-1，0≤j≤n-1，n为基准图像中特征点的总数。
进一步，所述步骤S3中，特异性与Ii成反比，Ii根据式(2)计算得出特征点的特异性值：
式(2)中，Ii为相关性系数矩阵ρ中第i行所有元素之和。
进一步，所述步骤S4具体包括以下步骤：
S41：从队列头部取出特异性最强的特征点作为待匹配点；
S42：寻找匹配图像中与待匹配点的相关性系数最大的特征点，并判断该相关性系数最大的特征点与待匹配点之间的距离是否大于阈值：，如果否，则判定匹配成功；如果是，则返回步骤S41。
有益效果：本发明公开了航空图像特征点匹配方法，通过自相关选出的特异性最强特征点作为匹配点，有效提高了方法的稳定性和准确性。
附图说明
图1为本发明具体实施方式中方法的流程图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种航空图像特征点匹配方法，如图1所示，包括以下步骤：
S1：对基准图像和匹配图像均执行以下操作：以特征点为中心，取特征点周围一定数量的像素，将所述特征点周围的像素与特征点一起作为特征点特征矩阵；
S2：对基准图像的特征点建立相关性系数矩阵；
S3：将基准图像中的特征点按照特异性从强到弱放入队列进行储存；
S4：对基准图像和匹配图像进行连接点匹配。
步骤S1中，特征点周围一定数量的像素为特征点周围7×7的像素。
步骤S2中，相关性系数矩阵ρ根据式(1)计算得到：
式(1)中，ρ(i,j)为基准图像中第i个特征点和第j个特征点的相关性系数，0≤i≤n-1，0≤j≤n-1，n为基准图像中特征点的总数。
步骤S3中，特异性与Ii成反比，Ii根据式(2)计算得出特征点的特异性值：
式(2)中，Ii为相关性系数矩阵ρ中第i行所有元素之和。
步骤S4具体包括以下步骤：
S41：从队列头部取出特异性最强的特征点作为待匹配点；
S42：寻找匹配图像中与待匹配点的相关性系数最大的特征点，并判断该相关性系数最大的特征点与待匹配点之间的距离是否大于阈值：，如果否，则判定匹配成功；如果是，则返回步骤S41。

Claims (5)

1.航空图像特征点匹配方法，其特征在于：包括以下步骤：
S1：对基准图像和匹配图像均执行以下操作：以特征点为中心，取特征点周围一定数量的像素，将所述特征点周围的像素与特征点一起作为特征点特征矩阵；
S2：对基准图像的特征点建立相关性系数矩阵；
S3：将基准图像中的特征点按照特异性从强到弱放入队列进行储存；
S4：对基准图像和匹配图像进行连接点匹配。
2.根据权利要求1所述的航空图像特征点匹配方法，其特征在于：所述步骤S1中，特征点周围一定数量的像素为特征点周围7×7的像素。
3.根据权利要求1所述的航空图像特征点匹配方法，其特征在于：所述步骤S2中，相关性系数矩阵ρ根据式(1)计算得到：
式(1)中，ρ(i,j)为基准图像中第i个特征点和第j个特征点的相关性系数，0≤i≤n-1，0≤j≤n-1，n为基准图像中特征点的总数。
4.根据权利要求3所述的航空图像特征点匹配方法，其特征在于：所述步骤S3中，特异性与Ii成反比，Ii根据式(2)计算得出特征点的特异性值：
式(2)中，Ii为相关性系数矩阵ρ中第i行所有元素之和。
5.根据权利要求1所述的航空图像特征点匹配方法，其特征在于：所述步骤S4具体包括以下步骤：
S41：从队列头部取出特异性最强的特征点作为待匹配点；
S42：寻找匹配图像中与待匹配点的相关性系数最大的特征点，并判断该相关性系数最大的特征点与待匹配点之间的距离是否大于阈值：如果否，则判定匹配成功；如果是，则返回步骤S41。
CN201910521233.9A 2019-06-17 2019-06-17 航空图像特征点匹配方法 Active CN110378379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910521233.9A CN110378379B (zh) 2019-06-17 2019-06-17 航空图像特征点匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521233.9A CN110378379B (zh) 2019-06-17 2019-06-17 航空图像特征点匹配方法

Publications (2)

Publication Number Publication Date
CN110378379A true CN110378379A (zh) 2019-10-25
CN110378379B CN110378379B (zh) 2023-10-13

Family

ID=68248950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521233.9A Active CN110378379B (zh) 2019-06-17 2019-06-17 航空图像特征点匹配方法

Country Status (1)

Country Link
CN (1) CN110378379B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110091065A1 (en) * 2009-10-21 2011-04-21 MindTree Limited Image Alignment Using Translation Invariant Feature Matching
CN102592129A (zh) * 2012-01-02 2012-07-18 西安电子科技大学 基于场景驱动的智能手机图像特征点选取方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110091065A1 (en) * 2009-10-21 2011-04-21 MindTree Limited Image Alignment Using Translation Invariant Feature Matching
CN102592129A (zh) * 2012-01-02 2012-07-18 西安电子科技大学 基于场景驱动的智能手机图像特征点选取方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及系统

Also Published As

Publication number Publication date
CN110378379B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
US11913771B2 (en) Information processing device, object measuring system, object measuring method, and program storing medium
US10169664B2 (en) Re-identifying an object in a test image
CN110033481B (zh) 用于进行图像处理的方法和设备
CN111383333B (zh) 一种分段式sfm三维重建方法
CN103389042A (zh) 基于深度图像的地面自动检测以及场景高度计算的方法
CN105865326A (zh) 实物尺寸测量方法及图像数据库数据采集方法
CN106485751B (zh) 应用于基桩检测中的无人机摄影成像及数据处理方法及系统
CN108961158B (zh) 一种图像合成方法及装置
US20200410688A1 (en) Image Segmentation Method, Image Segmentation Apparatus, Image Segmentation Device
CN110267101B (zh) 一种基于快速三维拼图的无人机航拍视频自动抽帧方法
CN103093458B (zh) 关键帧的检测方法及装置
CN110781962B (zh) 基于轻量级卷积神经网络的目标检测方法
CN110006444B (zh) 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法
CN110287907A (zh) 一种对象检测方法和装置
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
CN109712177A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN111080537B (zh) 水下机器人智能控制方法、介质、设备及系统
CN108010044A (zh) 一种视频边界检测的方法
CN110766711A (zh) 一种视频镜头分割方法、系统、装置和存储介质
CN109493292B (zh) 基于电力设备红外测温图像的增强处理方法和装置
CN105957107A (zh) 行人检测与跟踪方法及装置
CN111882555B (zh) 基于深度学习的网衣检测方法、装置、设备及存储介质
CN109360144A (zh) 一种基于手机平台的图像实时校正改进方法
CN117078624A (zh) 一种基于多维注意力模块的轻量化混凝土裂缝检测方法及装置
CN103533332B (zh) 一种2d视频转3d视频的图像处理方法

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