CN112396643A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112396643A CN112396643A CN202011440900.XA CN202011440900A CN112396643A CN 112396643 A CN112396643 A CN 112396643A CN 202011440900 A CN202011440900 A CN 202011440900A CN 112396643 A CN112396643 A CN 112396643A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- resolution
- matching
- points
- 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 36
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种尺度不变特征与几何特征融合的多模态高分遥感影像配准技术,属于卫星遥感影像处理技术领域。首先,以参考影像分辨率为基准,对感测影像进行重采样,使其为同一分辨率,分别对其提取局部特征点和几何特征点,并采用SIFT方法生成描述符;其次,采用交叉双向匹配与改进的RANSAC方法完成粗匹配与精匹配;最后,利用上述同名点与影像边界格网点采用分段线性变换模型对影像进行高精度配准。实验分析表明,本发明能有效克服多模态高分遥感影像间的非线性灰度差异,剔除误匹配点,实现多源多尺度多时相影像间的高精度自动配准,为多模态影像协同应用提供了有效的技术支撑。
Description
技术领域
本发明涉及卫星遥感影像处理技术领域,更具体的说是涉及一种尺度不变特征和几何特征融合的遥感影像自动配准技术。
背景技术
多源多尺度多时相(多模态)高分遥感影像是通过不同传感器所获取,各种遥感影像具有自身的特征和优势,将遥感数据应用于影像镶嵌、三维建模、变化检测等方面是遥感行业应用的一个重要趋势。为了充分有效地利用多模态影像信息,则需要在地理空间上对它们进行高精度的几何配准。由于成像机理的不同,多模态遥感影像间往往存在显著的非线性灰度差异,因此多模态遥感影像之间的配准及同名点匹配成为一个难点问题。
目前,遥感影像的配准方法较多,但主要分为:基于特征的方法和基于灰度的方法。
基于特征的方法首先通过在影像间提取特征,其特征包括点特征、线特征、面特征,然后寻找特征之间的相似性进行匹配与配准。大多数学者都针对单一特征进行同名点匹配进而完成影像配准,而对于多模态影像辐射特性和几何特性较大时,有相关研究表明,匹配正确的单一特征点较少,有些情况下甚至没有匹配点。这些方法对于几何变形具有较好的鲁棒性,但对具有灰度差异较大的多模态遥感影像而言,共有特征提取并正确匹配是一个较大难题。
基于灰度的方法则主要是建立一种相似性测度准则,采用模板匹配的策略在影像间进行同名点的识别。一般常用的相似性测度包括了相关系数、互信息、归一化互信息等。基于灰度的方法配准精度较高,但需要利用图像的全部灰度信息,耗时较多,同时由于多模态高分影像对同一地物的反射率不同,导致出现不同的灰度信息,所以较难适用于多模态高分影像的自动配准。
此外,随着影像空间分辨率的提高,影像细节特征越发明显,影像自动配准的干扰增多。鉴于此,本发明则提出一种尺度不变特征与几何特征融合的多模态高分遥感影像配准技术。首先,提取影像间的尺度不变特征,同时将自适应阈值Canny与分块Harris算子相结合提取几何特征,用稳定性较好的SIFT描述子对尺度不变特征点与几何特征点进行描述,然后利用FLANN方法与双向匹配进行粗匹配,采用改进的RANSAC寻求更多的同名点,最后利用分段线性变换模型实现多模态高分遥感影像的配准。
发明内容
本发明的目的是提供一种尺度不变特征与几何特征融合的多模态高分遥感影像配准技术,该发明能够解决多模态高空间分辨率影像间的非线性灰度差异,能够自动快速在影像间获取较多的几何特征和尺度不变特征同名点对,并通过分段线性模型实现影像的高精度配准。
为了实现上述目的,本发明采用如下技术方案实现:主要包括尺度不变特征点和几何特征点提取、特征描述符匹配、影像配准三部分。
1.尺度不变特征和几何特征生成步骤如下:
S1:设参考影像I1的分辨率信息为R1,感测影像I2的分辨率信息为R2,判断影像I1与I2的分辨率是否一致,若不一致,将感测影像I2分辨率重采样至参考影像I1分辨率R1;
S2:利用SIFT提取尺度不变特征点;
S3:采用自适应阈值的Canny算子分别提取参考影像I1与感测影像I2边缘特征,记为C1和C2;
S4:采用分块的提取策略,利用Harris算子在边缘特征C1和边缘特征C2中提取大量且分布均匀的边缘特征点,具体是将参考影像和感测影像的边缘特征图像划分为若干个互不重叠、规则的块,在每个图像块中,计算每个像素的Harris强度值Q,并根据强度值Q进行从大到小排序,选择Q值较大的点作为该图像块的几何特征点;
S5:采用SIFT对几何特征点和尺度不变特征点生成128维描述符;
S6:记参考影像I1与感测影像I2的所有特征点集合分别为PI1(i=1,2,3,…,M)与PI2(j=1,2,3,…,N),参考影像I1与感测影像I2的描述符集合分别为DI1(i=1,2,3,…,N)与DI2(j=1,2,3,…,M);
2.特征描述符匹配步骤如下:
S7:传统特征点描述符依据欧式距离比值法完成粗匹配,而本发明为了剔除一些误匹配点,以获得较多的粗匹配点对,采用交叉双向匹配完成特征点的粗匹配;
S8:在经过上述粗匹配后,依然存在较多误匹配点,传统方法采用RANSAC方法,但此方法采用全随机的数据选取方式选取初始匹配点,且迭代次数较多,运算时间较长,匹配准确度依然有待提高。本发明提出一种改进的RANSAC,通过加入特征点邻域归一化互信息作为新的约束条件,即:通过计算粗匹配点对邻域归一化互信息,选取其中归一化互信息值较大的特征点构建新的匹配点集合,获得数量更多正确匹配点。
S9:利用上述步骤获得的同名点较多,但依然无法全部覆盖参考影像和感测影像,为此本发明在参考影像边界区域产生一定数量的格网点,并利用单应性变换矩阵约束进行影像边界格网点匹配,以增强多模态高分影像的配准精度。
3.影像配准步骤如下:
S10:综上利用获取的同名点对和匹配影像边界格网点构建不规则三角网,对每个三角网区域利用仿射变换进行校正,消除局部变形,获得高精度的配准影像。
本发明方法与现有技术相比:
针对多模态高分遥感影像间的非线性灰度差异造成误匹配点较多、配准精度较低的问题,本发明构建了一种局部特征与几何特征相结合的配准方法,影像间的边缘几何结构特征反映了局部信息的强度变化,能反应多模态高分影像的共有属性,与传统配准方法灰度相似性相结合,能有效加强多模态影像之间的匹配。实验分析表明,该技术有效提高了配准的精度,且具有良好的普适性和鲁棒性。
附图说明
图1为本发明提供的整体流程图;
图2为本发明提供的归一化互信息约束示意图;
图3为本发明部分数据自适应阈值Canny边缘提取结果图;
图4为本发明尺度不变特征点与几何特征点提取结果图;
图5为本发明提供多模态高分影像实验数据;
图6为本发明提供的影像匹配结果图;
图7为本发明提供的配准结果及棋盘格精度验证结果图;
表1为本发明提供的多模态高分影像实验数据详细信息;
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下步骤为尺度不变特征和几何特征生成部分:
Step 1:设参考影像I1的分辨率信息为R1,感测影像I2的分辨率信息为R2,判断影像I1与I2的分辨率是否一致,若不一致,将感测影像I2分辨率重采样至参考影像I1分辨率R1;
Step 2:利用经典SIFT提取参考影像I1与感测影像I2局部特征点;
Step 3:采用自适应Canny提取参考影像I1与感测影像I2边缘特征,记为C1和C2;
Step 4:采用分块的提取策略,利用Harris算子在边缘特征C1和C2中提取大量且分布均匀的边缘特征点,具体是:
(1)将参考影像和感测影像的边缘特征图像C1和C2划分为若干个互不重叠、规则的块,其中C1和C2中块的大小为边缘特征图像长宽的1/2;
(2)在每个图像块中,计算每个像素的Harris强度值Q,若Q值是局部极大值,则该像素点是特征点;
(3)为了使几何特征点均匀地分布在影像上,根据强度值Q进行从大到小排序,选择Q值较大的点作为该图像块的几何特征点。
Step 5:采用稳定性与鲁棒性较好的SIFT高维描述子对几何特征点和尺度不变特征点生成128维描述符;
Step 6:记参考影像I1与感测影像I2的所有特征点集分别为PI1(i=1,2,3,…,M)与PI2(j=1,2,3,…,N),参考影像I1与感测影像I2的描述符集合分别为DI1(i=1,2,3,…,N)与DI2(j=1,2,3,…,M);
以下步骤为特征描述符匹配部分:
Step 7:传统特征点描述符依据欧式距离比值法完成粗匹配,而本发明为了剔除一些误匹配点,以获得较多的粗匹配点对,采用快速FLANN方法与交叉双向匹配完成特征点的粗匹配;
Step 8:在经过上述粗匹配后,依然存在较多误匹配点,传统方法采用RANSAC模型,但此模型采用全随机的数据选取方式选取初始匹配点,且迭代次数较多,运算时间较长。本发明提出一种改进的RANSAC方法,具体是:
(1)改进的RANSAC模型采用计算特征点邻域归一化互信息作为新的约束条件,归一化互信息公式定义如下:
其中,H(A)为参考图像特征点邻域信息熵,H(B)为感测影像特征点邻域信息熵,H(A,B)为特征点邻域联合熵。联合熵表达式如下:
H(A,B)=-∑x,yp(x,y)log(p(x,y)) (2)
(2)首先在以粗匹配点的坐标为中心,在其周围建立N*N邻域,利用特征点邻域的灰度信息计算匹配点对的归一化互信息,选取归一化互信息值较大的特征点构建新的匹配点集,特征点邻域的归一化互信息可以判断匹配点的相关性,归一化互信息值越大,相互包含的信息量越多,表明两区域越相关;
(3)采用RANSAC模型获得数量较多的同名点,为后续多模态高分影像配准提高精度。
Step9:利用上述步骤获得的同名点较多,但依然无法全部覆盖参考影像和感测影像,为此本发明在参考影像边界区域产生一定数量的格网点,并利用单应性变换矩阵约束进行影像边界格网点匹配,以增强多模态高分影像的配准精度。
以下步骤为影像配准部分:
Step 10:综上利用获取的同名点对和匹配影像边界格网点构建不规则三角网,对每个三角网区域利用仿射变换进行校正,消除局部变形,获得高精度的配准影像。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,该方案所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于该方案所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一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,主要包括局部特征点和几何特征点提取、特征描述符匹配、影像配准三部分:
尺度不变特征和几何特征生成步骤如下:
S1:设参考影像I1的分辨率信息为R1,感测影像I2的分辨率信息为R2,判断影像I1与I2的分辨率是否一致,若不一致,将感测影像I2分辨率重采样至参考影像I1分辨率R1;
S2:利用SIFT提取尺度不变特征点;
S3:采用自适应阈值的Canny算法分别提取参考影像I1与感测影像I2边缘特征,记为C1和C2;
S4:采用分块的提取策略,利用Harris算子在边缘特征C1和边缘特征C2中提取大量且分布均匀的边缘特征点,具体是将参考影像和感测影像的边缘特征图像划分为若干个互不重叠、规则的块,在每个图像块中,计算每个像素的Harris强度值Q,并根据强度值Q进行从大到小排序,选择Q值较大的点作为该图像块的几何特征点;
S5:采用SIFT对几何特征点和尺度不变特征点生成128维描述符;
S6:记参考影像I1与感测影像I2的所有特征点集合分别为PI1(i=1,2,3,…,M)与PI2(j=1,2,3,…,N),参考影像I1与感测影像I2的描述符集合分别为DI1(i=1,2,3,…,N)与DI2(j=1,2,3,…,M);
特征描述符匹配步骤如下:
S7:传统特征点描述符依据欧式距离比值法完成粗匹配,而本发明为了剔除一些误匹配点,以获得较多的粗匹配点对,采用交叉双向匹配完成特征点的粗匹配;
S8:本发明提出一种改进的RANSAC模型,通过加入特征点邻域归一化互信息作为新的约束条件,即:通过计算粗匹配点对邻域归一化互信息,构建新的匹配点集合,获得数量更多正确匹配点;
S9:利用上述步骤获得的同名点较多,但依然无法全部覆盖参考影像和感测影像,为此本发明在参考影像边界区域产生一定数量的格网点,并利用单应性变换矩阵约束进行影像边界格网点匹配,以增强多模态高分影像的配准精度;
影像配准步骤如下:
S10:综上利用获取的同名点对和匹配影像边界格网点构建不规则三角网,对每个三角网区域利用仿射变换进行校正,消除局部变形,获得高精度的配准影像。
2.根据权利要求1所述的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,在步骤S1-S6,获取特征点及特征点描述符。
3.根据权利要求1和权利要求2所述的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,在步骤S7-S9中,完成特征点的粗匹配与精匹配。
4.根据权利要求1、权利要求2、权利要求3所述的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,在步骤10中,完成多模态高分影像配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440900.XA CN112396643A (zh) | 2020-12-08 | 2020-12-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440900.XA CN112396643A (zh) | 2020-12-08 | 2020-12-08 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396643A true CN112396643A (zh) | 2021-02-23 |
Family
ID=74625396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011440900.XA Pending CN112396643A (zh) | 2020-12-08 | 2020-12-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396643A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037913A (zh) * | 2022-01-10 | 2022-02-11 | 成都国星宇航科技有限公司 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
CN114694040A (zh) * | 2022-05-31 | 2022-07-01 | 潍坊绘圆地理信息有限公司 | 基于动态阈值的光学遥感数据分块配准的数据识别方法 |
CN115100449A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | 遥感数据多目标关联匹配与轨迹生成方法及设备 |
TWI807449B (zh) * | 2021-10-15 | 2023-07-01 | 國立臺灣科技大學 | 多視角立體影像產生方法及系統 |
CN116503756A (zh) * | 2023-05-25 | 2023-07-28 | 数字太空(北京)科技股份公司 | 基于地面控制点数据库建立地表纹理基准面的方法 |
CN117315433A (zh) * | 2023-11-30 | 2023-12-29 | 中国科学院空天信息创新研究院 | 基于分布一致性约束的遥感多模态多空间泛函映射方法 |
WO2024012024A1 (zh) * | 2022-07-14 | 2024-01-18 | 北京数慧时空信息技术有限公司 | 一种光学遥感影像几何质量可用性评价方法 |
CN117765272A (zh) * | 2024-02-22 | 2024-03-26 | 国科大杭州高等研究院 | 一种辐射-几何不变的异源影像控制点提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
-
2020
- 2020-12-08 CN CN202011440900.XA patent/CN112396643A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
Non-Patent Citations (3)
Title |
---|
张博文 等: "基于改进SIFT 算法的山谷地形影像匹配", 软 件, pages 1 * |
朱红 等: "Delaunay三角网优化下的小面元遥感影像配准算法", 信号处理, no. 09, pages 2 * |
王万同 等: "基于SIFT点特征和Canny边缘特征匹配的多源遥感影像配准研究", 计算机科学, no. 07 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI807449B (zh) * | 2021-10-15 | 2023-07-01 | 國立臺灣科技大學 | 多視角立體影像產生方法及系統 |
CN114037913A (zh) * | 2022-01-10 | 2022-02-11 | 成都国星宇航科技有限公司 | 遥感影像的自动纠偏方法、装置、电子设备及存储介质 |
CN114694040A (zh) * | 2022-05-31 | 2022-07-01 | 潍坊绘圆地理信息有限公司 | 基于动态阈值的光学遥感数据分块配准的数据识别方法 |
WO2024012024A1 (zh) * | 2022-07-14 | 2024-01-18 | 北京数慧时空信息技术有限公司 | 一种光学遥感影像几何质量可用性评价方法 |
CN115100449A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | 遥感数据多目标关联匹配与轨迹生成方法及设备 |
CN116503756A (zh) * | 2023-05-25 | 2023-07-28 | 数字太空(北京)科技股份公司 | 基于地面控制点数据库建立地表纹理基准面的方法 |
CN116503756B (zh) * | 2023-05-25 | 2024-01-12 | 数字太空(北京)科技股份公司 | 基于地面控制点数据库建立地表纹理基准面的方法 |
CN117315433A (zh) * | 2023-11-30 | 2023-12-29 | 中国科学院空天信息创新研究院 | 基于分布一致性约束的遥感多模态多空间泛函映射方法 |
CN117315433B (zh) * | 2023-11-30 | 2024-02-13 | 中国科学院空天信息创新研究院 | 基于分布一致性约束的遥感多模态多空间泛函映射方法 |
CN117765272A (zh) * | 2024-02-22 | 2024-03-26 | 国科大杭州高等研究院 | 一种辐射-几何不变的异源影像控制点提取方法 |
CN117765272B (zh) * | 2024-02-22 | 2024-05-28 | 国科大杭州高等研究院 | 一种辐射-几何不变的异源影像控制点提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Han et al. | Visible and infrared image registration in man-made environments employing hybrid visual features | |
Ma et al. | A novel two-step registration method for remote sensing images based on deep and local features | |
Ye et al. | A local descriptor based registration method for multispectral remote sensing images with non-linear intensity differences | |
Buch et al. | Pose estimation using local structure-specific shape and appearance context | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
Fan et al. | Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT | |
Kumar Mishra et al. | A review of optical imagery and airborne lidar data registration methods | |
CN106991695A (zh) | 一种图像配准方法及装置 | |
CN104318548A (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
Chen et al. | Robust affine-invariant line matching for high resolution remote sensing images | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
CN111192194B (zh) | 一种针对幕墙建筑立面的全景图像拼接方法 | |
Fan et al. | Registration of multiresolution remote sensing images based on L2-siamese model | |
Subramanyam | Automatic feature based image registration using SIFT algorithm | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN109493384A (zh) | 相机位姿估计方法、系统、设备及存储介质 | |
CN107154017A (zh) | 一种基于sift特征点匹配的图像拼接方法 | |
Gao et al. | Multi-scale PIIFD for registration of multi-source remote sensing images | |
Bellavia et al. | HarrisZ+: Harris corner selection for next-gen image matching pipelines | |
Chen et al. | Robust visible-infrared image matching by exploiting dominant edge orientations | |
Hu et al. | Multiscale structural feature transform for multi-modal image matching | |
Chen et al. | A novel Fourier descriptor based image alignment algorithm for automatic optical inspection | |
Huang et al. | Multimodal image matching using self similarity |
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 |