CN112288030A - 一种基于自适应物方面元的最小二乘匹配方法 - Google Patents
一种基于自适应物方面元的最小二乘匹配方法 Download PDFInfo
- Publication number
- CN112288030A CN112288030A CN202011244051.0A CN202011244051A CN112288030A CN 112288030 A CN112288030 A CN 112288030A CN 202011244051 A CN202011244051 A CN 202011244051A CN 112288030 A CN112288030 A CN 112288030A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- column
- matching
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Abstract
本发明属于遥感图像处理影像匹配技术领域,公开了一种基于自适应物方面元的最小二乘匹配方法,利用初始匹配像对通过空间前方交会与共线方程投影关系得到初始物方三维点坐标,作为物方面元主点;以物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。本发明能够提高匹配精度和匹配成功率。
Description
技术领域
本发明涉及遥感图像处理影像匹配技术领域,尤其涉及一种基于自适应物方面元的最小二乘匹配方法。
背景技术
近年来,基于物方面元的匹配优化方法被广泛地用于提高单点匹配精度,它的基本思想是:1)利用初始匹配通过前方交会计算物点坐标;2)以初始物点坐标为中心在物方建立一个面元;3)根据投影关系将物方面元上的物点分别投影到参考影像和搜索影像上;4)通过几何投影关系建立误差方程并利用最小二乘平差计算最优匹配像素和最终物点坐标。根据空间几何关系,物方面元的几何意义是对象点局部的一个切平面。然而,切平面只存在于连续的地物表面,因而基于物方面元的优化方法在表面不连续的边缘如城市遥感影像中的建筑棱角线会出现误匹配或匹配精度不高的现象。而且,对于最小二乘平差计算,设置的初始参数会直接影响匹配结果。初始参数与最终结果相差较大时,很可能会因为改正值不收敛而导致无法求解。只有初始参数接近最终优化结果,误差方程的改正值才会收敛在一个可接受的范围内,得到最优匹配结果。
发明内容
针对现有技术的缺点,本发明提供一种基于自适应物方面元的最小二乘匹配方法,以达到提高影像匹配精度,提升匹配方法稳定性的目的。
本发明提供一种基于自适应物方面元的最小二乘匹配方法,包括以下步骤:
步骤1,利用初始匹配像对,通过空间前方交会与共线方程投影关系得到初始物方三维点坐标P(Xc,Yc,Zc),作为物方面元主点;
步骤2,以所述物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。
优选的,所述步骤1中,采用如下公式获得所述初始物方三维点坐标P(Xc,Yc,Zc):
Xc=Xs0+λ0u0c=Xs+λuc
Yc=Ys0+λ0v0c=Ys+λvc
Zc=Zs0+λ0w0c=Zs+λwc
其中,(Xs0,Ys0,Zs0)和(Xs,Ys,Zs)分别为参考影像和搜索影像的内方位元素,λ0和λ为投影系数,(u0c,v0c,w0c)和(uc,vc,wc)为分别为待匹配像点(x0c,y0c)和(xc,yc)的像空间辅助坐标。
优选的,所述步骤2包括以下子步骤:
步骤2.1,以参考影像上待匹配像点(x0c,y0c)为基准,从所述参考影像上取出9个待匹配像素周围N×N个像素大小的参考影像窗口,分别记为R1(x0,y0),R2(x0,y0),……,R9(x0,y0);
步骤2.2,过所述物方面元主点P(Xc,Yc,Zc),建立平面P;
步骤2.3,分别计算9个参考影像窗口R1(x0,y0),R2(x0,y0),……,R9(x0,y0)中各像素投影到所述平面P上得到的物点坐标,得到9个初始物方面元,分别记为P1(X,Y,Z),P2(X,Y,Z),……,P9(X,Y,Z);
步骤2.4,由空间投影共线条件方程分别计算9个初始物方面元投影到搜索影像上的像点坐标,得到9个搜索影像窗口,分别记为S1(x,y),S2(x,y),……,S9(x,y);
步骤2.5,分别计算影像窗口R1与S1,R2与S2,……,R9与S9的归一化互相关系数,确定初始匹配影像窗口;
步骤2.6,以所述初始影像窗口为基础,扩展影像窗口尺寸,并计算参考影像窗口与搜索影像窗口间的归一化互相关系数,确定匹配影像窗口和匹配物方面元尺寸;
步骤2.7,所述匹配影像窗口内逐像素建立以辐射畸变和几何畸变为未知数的基于影像灰度的误差方程;
步骤2.8,计算所述误差方程,通过最小二乘法求解辐射畸变与几何畸变改正值;
步骤2.9,畸变参数迭代优化,当所有改正值小于预设改正值阈值时,停止迭代,取匹配物方面元主点投影到参考影像与各搜索影像的投影点为最佳匹配点位;否则,计算改正值改正畸变参数,重复步骤2.7和2.8,并将迭代次数计算值+1,当迭代次数大于预设次数阈值仍未出现所有改正值小于预设改正值阈值时,判断匹配失败。
优选的,步骤2.1中,待匹配像素(x0c,y0c)分别位于9个参考影像窗口的第1行第1列、第1行第(N+1)/2列、第1行第N列、第(N+1)/2行第1列、第(N+1)/2行第(N+1)/2列、第(N+1)/2行第N列、第N行第1列、第N行第(N+1)/2列和第N行第N列。
优选的,步骤2.2中,在物空间坐标系中,以(a,b,c)为法向量,过所述物方面元主点P(Xc,Yc,Zc),建立平面P,法向量(a,b,c)的方向角(α,β)为预设值。
优选的,所述步骤2.5中,分别计算影像窗口R1与S1,R2与S2,……,R9与S9的归一化互相关系数,取相关系数最接近于1的一对Ri与Si(i=1,2,…,9)作为初始匹配影像窗口,记为R0(x0,y0);
所述步骤2.6中,以初始匹配影像窗口R0(x0,y0)为基础,逐行或列增加影像窗口像素数目,得到待匹配影像窗口,记为Rk(x0,y0)(k=1,2,…),并根据影像与物方面元间的投影关系计算搜索影像像点坐标Sk(xi,yi),直到待匹配影像窗口Rk与搜索影像像点坐标Sk间灰度值相关系数最接近1,以此时影像窗口的行列数作为匹配物方面元尺寸,得到匹配影像窗口。
优选的,所述步骤2.6中,影像窗口的扩展方法如下:
R1:向下增加一行并向右增加一列;
R2:向下增加一行;
R3:向下增加一行并向左增加一列;
R4:向右增加一列;
R5:下、上方向各增加一行,右、左方向各增加一列;
R6:向左增加一列;
R7:向上增加一行并向右增加一列;
R8:向上增加一行;
R9:向上增加一行并向左增加一列。
优选的,所述步骤2.7中,所述误差方程表示如下:
其中,v为投影误差,g0(x0,y0)、g(x,y)分别为像点(x0,y0)与(x,y)的灰度值,h0、h1为辐射畸变系数,dh0和dh1分别为h0和h1的改正值,(dx,dy)为几何畸变改正值。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在发明中,首先利用初始匹配像对通过空间前方交会与共线方程投影关系得到初始物方三维点坐标P(Xc,Yc,Zc),作为物方面元主点;然后以物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。即本发明利用待匹配像素周围影像像素灰度值的相关性选择一个最相似的匹配影像窗口(影像窗口尺寸不固定,初始匹配像素在匹配影像窗口的位置不固定)建立误差方程,能够提高匹配精度和匹配成功率。
附图说明
图1为本发明实施例提供的一种基于自适应物方面元的最小二乘匹配方法的流程图;
图2为本发明实施例中主点位置计算相关系数(NCC)对比图;
图3为本发明实施例中影像窗口尺寸计算相关系数对比图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种基于自适应物方面元的最小二乘匹配方法,主要包括以下步骤:
步骤1,利用初始匹配像对,通过空间前方交会与共线方程投影关系得到初始物方三维点坐标P(Xc,Yc,Zc),作为物方面元主点。
步骤2,以物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。
下面对本发明做进一步的说明。
本发明技术方案可采用计算机软件技术实现自动运行流程。本发明的实施例是对两对城市区域低空遥感影像进行匹配,参照图1,本发明实施例流程步骤如下:
步骤1,利用初始匹配像对,通过空间前方交会与共线方程投影关系得到初始物方三维点坐标P(Xc,Yc,Zc),作为物方面元主点。
具体的,首先输入影像相关参数,采用前方交会方法(公式(1))计算匹配点对应的初始物方三维点坐标P(Xc,Yc,Zc)。
Xc=Xs0+λ0u0c=Xs+λuc
Yc=Ys0+λ0v0c=Ys+λvc (1)
Zc=Zs0+λ0w0c=Zs+λwc
其中,(Xs0,Ys0,Zs0)和(Xs,Ys,Zs)分别为参考影像和搜索影像的内方位元素,λ0和λ为投影系数,(u0c,v0c,w0c)和(uc,vc,wc)为分别为待匹配像点(x0c,y0c)和(xc,yc)的像空间辅助坐标。
步骤2,以物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。
即基于待匹配像素及其周围影像像素的相关性,确定最优匹配窗口,根据空间几何投影关系及影像像素灰度建立误差方程,通过迭代求解辐射畸变和几何畸变改正值对匹配像素坐标进行优化。
例如,可设阈值为10-5,即当求解的每个畸变参数的改正值均小于10-5时停止迭代,否则,采用求得的改正值改正相关参数继续迭代。记录迭代次数,当迭代次数超过300次时,迭代失败,该点无效。
实施例的步骤2中匹配优化过程具体实现步骤如下:
步骤2.1,以参考影像上待匹配像点(x0c,y0c)为基准,从所述参考影像上取出9个待匹配像素周围N×N个像素大小的参考影像窗口,分别记为R1(x0,y0),R2(x0,y0),……,R9(x0,y0)。
待匹配像素(x0c,y0c)分别位于9个参考影像窗口的第1行第1列、第1行第(N+1)/2列、第1行第N列、第(N+1)/2行第1列、第(N+1)/2行第(N+1)/2列、第(N+1)/2行第N列、第N行第1列、第N行第(N+1)/2列和第N行第N列。
其中,N通常取值为7或5。例如,以参考影像上待匹配像点(x0c,y0c)为主点,从参考影像上取出9个主点周围7×7个像素大小的影像窗口,分别记为R1(x0,y0),R2(x0,y0),……,R9(x0,y0),参照图2,主点(x0c,y0c)分别位于9个影像窗口的第1行第1列(西北)、第1行第4列(北)、第1行第7列(东北)、第4行第1列(西)、第4行第4列(中心)、第4行第7列(东)、7行第1列(西南)、第7行第4列(南)和第7行第7列(东南)。
步骤2.2,过物方面元主点P(Xc,Yc,Zc)在物空间坐标系中建立一张平面P,平面P的法向量为(a,b,c),那么平面P的方程即为:
a(X-Xc)+b(Y-Yc)+c(Z-Zc)=0 (2)
其中,法向量(a,b,c)可由其方向角(α,β)(实施例中初值设为(0°,90°))表示,即:
步骤2.3,分别计算9个参考影像窗口R1(x0,y0),R2(x0,y0),……,R9(x0,y0)中各像素投影到所述平面P上得到的物点坐标,得到9个初始物方面元,分别记为P1(X,Y,Z),P2(X,Y,Z),……,P9(X,Y,Z)。
具体的,联立物方面元方程与投影方程(公式(4)):
其中,λ为投影系数;(u0,v0,w0)为Ri(x0,y0)中的像点在像空间辅助坐标系中的坐标。
步骤2.4,由空间投影共线条件方程分别计算9个初始物方面元投影到搜索影像上的像点坐标,得到9个搜索影像窗口,分别记为S1(x,y),S2(x,y),……,S9(x,y)。
具体的,由共线条件方程(公式(5))分别计算物方面元Pi上物点Pi(X,Y,Z)投影到搜索影像上的像点坐标,得到9个搜索影像窗口Si(x,y)(i=1,2,…,9);
步骤2.5,分别计算影像窗口R1与S1,R2与S2,……,R9与S9对应像素灰度值的归一化互相关系数(公式(6)),确定初始匹配影像窗口。
具体的,参照图2,取相关系数最接近于1的一对Ri与Si(i=1,2,…,9)作为初始匹配影像窗口,记为R0(x0,y0);
其中,g0(x0,y0)、g(x,y)分别为参考影像窗口中像点(x0,y0)与搜索影像窗口中像点(x,y)的灰度值。
即在初始9个匹配窗口中选择一对最相似的初始影像窗口,确定初始匹配主点在影像窗口中的位置。
步骤2.6,以初始影像窗口为基础,扩展影像窗口尺寸,并计算参考影像窗口与搜索影像窗口间的归一化互相关系数,确定匹配影像窗口和匹配物方面元尺寸。
具体的,以初始匹配影像窗口R0(x0,y0)为基础,参照图3,逐行或列增加影像窗口像素数目,得到待匹配影像窗口,记为Rk(x0,y0)(k=1,2,…),并根据影像与物方面元间的投影关系计算搜索影像像点坐标Sk(xi,yi),同时计算对应像素灰度值的归一化互相关系数(公式(6)),直到待匹配影像窗口Rk与搜索影像像点坐标Sk间灰度值相关系数最大(最接近1),以此时影像窗口的行列数作为匹配物方面元尺寸,得到匹配影像窗口。
其中,影像窗口扩展方法如下:
R1:向南(下)增加一行并向东(右)增加一列;
R2:向南(下)增加一行;
R3:向南(下)增加一行并向西(左)增加一列;
R4:向东(右)增加一列;
R5:南(下)、北(上)方向各增加一行,东(右)、西(左)方向各增加一列;
R6:向西(左)增加一列;
R7:向北(上)增加一行并向东(右)增加一列;
R8:向北(上)增加一行;
R9:向北(上)增加一行并向西(左)增加一列。
即在以N*N大小影像窗口为基础,逐行/列扩大影像窗口尺寸,知道待匹配影像窗口相似度最高,这样对于弱纹理区域可以采用大尺寸影像窗口匹配增加信息量,对于纹理复杂区域,可以采用小尺寸影像窗口提高匹配效率。
步骤2.7,匹配影像窗口内逐像素建立以辐射畸变和几何畸变为未知数的基于影像灰度的误差方程(公式(7))。
其中,v为投影误差,g0(x0,y0)、g(x,y)分别为像点(x0,y0)与(x,y)的灰度值,h0、h1为辐射畸变系数,dh0和dh1分别为辐射畸变系数h0和h1i的改正值,(dxi,dyi)分别为像点坐标(x,y)几何畸变改正值。
步骤2.8,将公式(1)-(5)带入公式(7),计算误差方程,通过最小二乘法求解辐射畸变与几何畸变改正值。
步骤2.9,畸变参数迭代优化,当所有改正值小于预设改正值阈值时,停止迭代,取匹配物方面元主点投影到参考影像与各搜索影像的投影点为最佳匹配点位;否则,计算改正值改正畸变参数,重复步骤2.7和2.8,并将迭代次数计算值+1,当迭代次数大于预设次数阈值仍未出现所有改正值小于预设改正值阈值时,判断匹配失败。
具体实施时可根据精度要求预设改正值阈值和次数阈值,例如,设改正值阈值为10-5,即当所有改正值小于10-5时,停止迭代,如果改正值不满足阈值要求则将迭代次数+1并重复步骤2.7-2.8。
匹配完成后的将结果记录为txt文档,文档内容包括:初始匹配点三维点坐标、改正后三维点坐标、参考影像像点坐标、搜索影像像点坐标、匹配迭代次数、是否迭代成功等。
本发明首先以初始待匹配点为主点中心选取9个固定、小尺寸的影像窗口;然后通过投影关系和相关系数确定主点位置与影像窗口及投影物方面元尺寸,最后基于影像窗口中对应像素灰度值建立误差方程,进行辐射畸变和几何畸变改正参数的迭代优化,搜索最佳匹配点位。相对传统的基于物方面元的最小二乘匹配,本发明自适应地选取有效特征参与匹配,能够降低深度不连续对匹配结果的干扰并提高弱纹理区域匹配成功率,提高遥感影像匹配的精度和稳定性。与此同时,本发明在影像的弱纹理区域通过影像窗口扩展增加了匹配像素数目,提高了弱纹理区域匹配的成功率。
以下通过仿真实验来验证本发明的有效性:
仿真实验采用两对各两张航向重叠的城市区域(西北大学校区,广东省阳江市城区)真彩色低空遥感影像,并得到准确的内外方位元素,相邻影像间的重叠度均大于80%,标准影像大小分别为3888×2592和8206×6078。
评价指标:对匹配成功率和匹配精度两个方面进行评价。
(1)匹配成功率:统计比较采用基于多通道的最小二乘匹配方法和传统的最小二乘匹配方法分别对均匀分布在两张影像重叠部分46337个(西北大学)和165352个(阳江)初始像对匹配优化成功的概率。
(2)匹配精度:统计比较匹配点前方交会得到的三维点相对高程精度,相对高程中误差越小匹配精度越高。
仿真结果:根据评价指标,仿真实验的实验数据如表1所示:
表1:实验结果统计表
从表1的实验结果可以看出,对比同一数据影像匹配结果,自适应物方面元的匹配成功率更高,误差更小。这是因为本发明利用影像本身的特征、纹理信息自适应选取相关性更高的影像像素参与匹配,突出了影像中的角点、边缘等特征纹理信息,同时通过面元扩展的方法增加了弱纹理区域影像窗口内的像素数目,初始匹配相关性越好,匹配精度和稳定性也越好,因而匹配结果优于传统的基于灰度影像的最小二乘匹配方法。
本发明实施例提供的一种基于自适应物方面元的最小二乘匹配方法至少包括如下技术效果:
(1)通过影像灰度相关性自适应确定待匹配像点在影像窗口的位置,突出匹配影像窗口中角点、边缘等特征纹理信息,提高了匹配精度。
(2)通过面元扩展的方法增加了弱纹理区域参与匹配像素数目,丰富了影像匹配窗口的信息量,提高了影像匹配的精度和稳定性。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于自适应物方面元的最小二乘匹配方法,其特征在于,包括以下步骤:
步骤1,利用初始匹配像对,通过空间前方交会与共线方程投影关系得到初始物方三维点坐标P(Xc,Yc,Zc),作为物方面元主点;
步骤2,以所述物方面元主点为基准,根据物方面元投影到待匹配影像得到的影像窗口中各像素相关性,确定匹配物方面元尺寸和待匹配像素在影像窗口中的位置,根据空间几何投影关系建立误差方程,通过最小二乘迭代优化求得辐射畸变和几何畸变改正值,搜索最佳匹配点位。
2.根据权利要求1所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,所述步骤1中,采用如下公式获得所述初始物方三维点坐标P(Xc,Yc,Zc):
Xc=Xs0+λ0u0c=Xs+λuc
Yc=Ys0+λ0v0c=Ys+λvc
Zc=Zs0+λ0w0c=Zs+λwc
其中,(Xs0,Ys0,Zs0)和(Xs,Ys,Zs)分别为参考影像和搜索影像的内方位元素,λ0和λ为投影系数,(u0c,v0c,w0c)和(uc,vc,wc)为分别为待匹配像点(x0c,y0c)和(xc,yc)的像空间辅助坐标。
3.根据权利要求1所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,所述步骤2包括以下子步骤:
步骤2.1,以参考影像上待匹配像点(x0c,y0c)为基准,从所述参考影像上取出9个待匹配像素周围N×N个像素大小的参考影像窗口,分别记为R1(x0,y0),R2(x0,y0),……,R9(x0,y0);
步骤2.2,过所述物方面元主点P(Xc,Yc,Zc),建立平面P;
步骤2.3,分别计算9个参考影像窗口R1(x0,y0),R2(x0,y0),……,R9(x0,y0)中各像素投影到所述平面P上得到的物点坐标,得到9个初始物方面元,分别记为P1(X,Y,Z),P2(X,Y,Z),……,P9(X,Y,Z);
步骤2.4,由空间投影共线条件方程分别计算9个初始物方面元投影到搜索影像上的像点坐标,得到9个搜索影像窗口,分别记为S1(x,y),S2(x,y),……,S9(x,y);
步骤2.5,分别计算影像窗口R1与S1,R2与S2,……,R9与S9的归一化互相关系数,确定初始匹配影像窗口;
步骤2.6,以所述初始影像窗口为基础,扩展影像窗口尺寸,并计算参考影像窗口与搜索影像窗口间的归一化互相关系数,确定匹配影像窗口和匹配物方面元尺寸;
步骤2.7,所述匹配影像窗口内逐像素建立以辐射畸变和几何畸变为未知数的基于影像灰度的误差方程;
步骤2.8,计算所述误差方程,通过最小二乘法求解辐射畸变与几何畸变改正值;
步骤2.9,畸变参数迭代优化,当所有改正值小于预设改正值阈值时,停止迭代,取匹配物方面元主点投影到参考影像与各搜索影像的投影点为最佳匹配点位;否则,计算改正值改正畸变参数,重复步骤2.7和2.8,并将迭代次数计算值+1,当迭代次数大于预设次数阈值仍未出现所有改正值小于预设改正值阈值时,判断匹配失败。
4.根据权利要求3所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,步骤2.1中,待匹配像素(x0c,y0c)分别位于9个参考影像窗口的第1行第1列、第1行第(N+1)/2列、第1行第N列、第(N+1)/2行第1列、第(N+1)/2行第(N+1)/2列、第(N+1)/2行第N列、第N行第1列、第N行第(N+1)/2列和第N行第N列。
5.根据权利要求3所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,步骤2.2中,在物空间坐标系中,以(a,b,c)为法向量,过所述物方面元主点P(Xc,Yc,Zc),建立平面P,法向量(a,b,c)的方向角(α,β)为预设值。
6.根据权利要求3所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,所述步骤2.5中,分别计算影像窗口R1与S1,R2与S2,……,R9与S9的归一化互相关系数,取相关系数最接近于1的一对Ri与Si(i=1,2,…,9)作为初始匹配影像窗口,记为R0(x0,y0);
所述步骤2.6中,以初始匹配影像窗口R0(x0,y0)为基础,逐行或列增加影像窗口像素数目,得到待匹配影像窗口,记为Rk(x0,y0)(k=1,2,…),并根据影像与物方面元间的投影关系计算搜索影像像点坐标Sk(xi,yi),直到待匹配影像窗口Rk与搜索影像像点坐标Sk间灰度值相关系数最接近1,以此时影像窗口的行列数作为匹配物方面元尺寸,得到匹配影像窗口。
7.根据权利要求3所述的基于自适应物方面元的最小二乘匹配方法,其特征在于,所述步骤2.6中,影像窗口的扩展方法如下:
R1:向下增加一行并向右增加一列;
R2:向下增加一行;
R3:向下增加一行并向左增加一列;
R4:向右增加一列;
R5:下、上方向各增加一行,右、左方向各增加一列;
R6:向左增加一列;
R7:向上增加一行并向右增加一列;
R8:向上增加一行;
R9:向上增加一行并向左增加一列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244051.0A CN112288030A (zh) | 2020-11-10 | 2020-11-10 | 一种基于自适应物方面元的最小二乘匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244051.0A CN112288030A (zh) | 2020-11-10 | 2020-11-10 | 一种基于自适应物方面元的最小二乘匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288030A true CN112288030A (zh) | 2021-01-29 |
Family
ID=74351796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011244051.0A Pending CN112288030A (zh) | 2020-11-10 | 2020-11-10 | 一种基于自适应物方面元的最小二乘匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288030A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119995A (zh) * | 2021-11-08 | 2022-03-01 | 山东科技大学 | 一种基于物方面元的空地影像匹配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07318327A (ja) * | 1994-05-25 | 1995-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 3次元輪郭位置補正方法 |
CN103473782A (zh) * | 2013-09-24 | 2013-12-25 | 测绘遥感信息工程国家重点实验室深圳研发中心 | 基于物方垂直双面元的最小二乘匹配方法 |
CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
CN105825543A (zh) * | 2016-03-31 | 2016-08-03 | 武汉大学 | 基于低空遥感影像的多视密集点云生成方法及系统 |
CN108052986A (zh) * | 2017-12-29 | 2018-05-18 | 黑龙江龙飞航空摄影有限公司 | 基于多通道的最小二乘匹配方法 |
-
2020
- 2020-11-10 CN CN202011244051.0A patent/CN112288030A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07318327A (ja) * | 1994-05-25 | 1995-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 3次元輪郭位置補正方法 |
CN103473782A (zh) * | 2013-09-24 | 2013-12-25 | 测绘遥感信息工程国家重点实验室深圳研发中心 | 基于物方垂直双面元的最小二乘匹配方法 |
CN105184863A (zh) * | 2015-07-23 | 2015-12-23 | 同济大学 | 一种基于无人机航拍序列影像的边坡三维重建方法 |
CN105825543A (zh) * | 2016-03-31 | 2016-08-03 | 武汉大学 | 基于低空遥感影像的多视密集点云生成方法及系统 |
CN108052986A (zh) * | 2017-12-29 | 2018-05-18 | 黑龙江龙飞航空摄影有限公司 | 基于多通道的最小二乘匹配方法 |
Non-Patent Citations (2)
Title |
---|
张过等: "基于有理多项式系数模型的物方面元最小二乘匹配", 《测绘学报》, vol. 40, no. 5, pages 592 - 597 * |
杨楠等: "基于非固定初始面元的无人机影像点云优化算法", 《武汉大学学报·信息科学版》, vol. 41, no. 8, pages 1014 - 1019 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119995A (zh) * | 2021-11-08 | 2022-03-01 | 山东科技大学 | 一种基于物方面元的空地影像匹配方法 |
CN114119995B (zh) * | 2021-11-08 | 2024-03-15 | 山东科技大学 | 一种基于物方面元的空地影像匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952338B (zh) | 基于深度学习的三维重建的方法、系统及可读存储介质 | |
CN111540005B (zh) | 基于二维栅格地图的回环检测方法 | |
CN111667506B (zh) | 一种基于orb特征点的运动估计方法 | |
CN113409410A (zh) | 一种基于3d激光雷达的多特征融合igv定位与建图方法 | |
CN113269094B (zh) | 基于特征提取算法和关键帧的激光slam系统及方法 | |
CN111553425B (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
CN106651897B (zh) | 一种基于超像素分割的视差修正方法 | |
CN112288030A (zh) | 一种基于自适应物方面元的最小二乘匹配方法 | |
CN115049535B (zh) | 鱼眼镜头有效区域获取与图像精细校正方法 | |
CN110390639A (zh) | 正射影像的处理拼接方法、装置、设备及存储介质 | |
Wang et al. | A Target Corner Detection Algorithm Based on the Fusion of FAST and Harris | |
CN105303566A (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN111192324A (zh) | 线段交点位置的确定方法、装置及可读存储介质 | |
CN113808033A (zh) | 图像文档校正方法、系统、终端及介质 | |
CN111126418A (zh) | 一种基于平面透视投影的倾斜影像匹配方法 | |
Chen et al. | Multi-stage matching approach for mobile platform visual imagery | |
CN110322476B (zh) | 一种改进stc和surf特征联合优化的目标跟踪方法 | |
CN108052986B (zh) | 基于多通道的最小二乘匹配方法 | |
JP7195092B2 (ja) | 手描きの表の識別 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN109636840B (zh) | 一种基于鬼影像检测建筑物阴影的方法 | |
CN111508067B (zh) | 一种基于垂直平面和垂直线的轻量级室内建模方法 | |
CN113920525A (zh) | 文本矫正方法、装置、设备及存储介质 | |
CN112927256A (zh) | 一种分割区域的边界融合方法、装置、移动机器人 |
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 |