CN113034555B - 一种基于最小生成树的特征精匹配方法及应用 - Google Patents

一种基于最小生成树的特征精匹配方法及应用 Download PDF

Info

Publication number
CN113034555B
CN113034555B CN202110294704.4A CN202110294704A CN113034555B CN 113034555 B CN113034555 B CN 113034555B CN 202110294704 A CN202110294704 A CN 202110294704A CN 113034555 B CN113034555 B CN 113034555B
Authority
CN
China
Prior art keywords
matching
image
brightness
window
spanning tree
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
Application number
CN202110294704.4A
Other languages
English (en)
Other versions
CN113034555A (zh
Inventor
宋锐
邸馨瑶
李娇娇
曹锴郎
王养利
李云松
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.)
Nanjing Tianxun Remote Sensing Technology Research Institute Co ltd
Xidian University
Original Assignee
Nanjing Tianxun Remote Sensing Technology Research Institute Co ltd
Xidian 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 Nanjing Tianxun Remote Sensing Technology Research Institute Co ltd, Xidian University filed Critical Nanjing Tianxun Remote Sensing Technology Research Institute Co ltd
Priority to CN202110294704.4A priority Critical patent/CN113034555B/zh
Publication of CN113034555A publication Critical patent/CN113034555A/zh
Application granted granted Critical
Publication of CN113034555B publication Critical patent/CN113034555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于数字图像处理技术领域，公开了一种基于最小生成树的特征精匹配方法及应用，将影像转为HSL空间，对L通道采用多尺度高斯函数卷积；矫正影像光照分量增强影像内亮度不均匀区域；将匀光后的三线阵CCD影像间亮度分量均衡化；对预处理后的三线阵CCD匀光影像采用Surf特征匹配作为粗匹配特征点；通过粗匹配特征点对仿射变换关系，计算仿射变换矩阵；依据影像内颜色依据距离信息生成影像最小生成树，并作为权值约束最小二乘匹配算法；计算匹配窗口相关系数，不断迭代搜索窗口并以中心点坐标作为匹配点对输出。本发明提供的稀疏匹配具有较好的配准精度，算法平均匹配精度为97.21％，平均匹配时间为6.3443s。

Description

一种基于最小生成树的特征精匹配方法及应用
技术领域
本发明属于数字图像处理技术领域，尤其涉及一种基于最小生成树的特征精匹配方法及应用。
背景技术
目前遥感影像(Remote Sensing Image)可以真实、清晰的展现地球表面物体的位置、形状、大小、颜色等信息，成为基础地理数据采集与更新的重要数据源。我国先后成功反射了“天绘一号”(TH-1)、“资源三号”(ZY-3)测绘卫星3颗，在高分辨率遥感卫星系统研发方面取得了重大进展，其空间分辨率最高可达2m。对三线阵CCD影像稀疏与稠密匹配是地理信息采集与地图测绘方面的应用需求，也是遥感测绘前方交会、DSM模型生成与三维重建的基础。三线阵CCD影像稀疏匹配算法的研究与优化，重点在于提高匹配精度、速度以及可靠性，为后续三线阵影像前方交会、DSM生成以及目标定位等研究提供技术支持。
稀疏匹配主要分为目前遥感影像匹配主要分为三类：基于灰度匹配、基于特征匹配与基于频域的匹配三种方法。三线阵CCD影像稀疏匹配分为三种，基于灰度匹配算法、基于特征匹配算法、基于频域遥感影像稀疏匹配算法。目前基于特征匹配算法主要完成特征点的提取和整个图像属性(角点、顶点、边缘等)的提取，特征匹配根据提取的特征对图像进行匹配。特征检测与匹配主要分为以下三个步骤：首先，用特征检测算子检测影像中视觉信息丰富区域，确定特征空间范围与多尺度变换检测。其次，对稳定特征点采用特征描述子(特征向量)描述特征点主方向等视觉特征。最后，对两幅影像中检测到的特征进行相关性度量，确定最佳匹配点对。特征匹配在实际应用通常采用特征描述符获取潜在候补匹配特征点，将特征匹配问题的表述转化为从潜在候补匹配集中选择正确匹配的问题。针对三线阵CCD卫星影像稀疏匹配算法，主要采用基于尺度不变特征转换(Scale-invariantfeature transform,SIFT)算法特征点提取并利用最小二乘匹配，滤除误匹配、减少离群值。但匹配时间较长、且匹配算法精度有待提高。最小二乘匹配为区域性窗口匹配，以最相关窗口中心坐标作为匹配点，但遥感影像包含山脉、湖泊、梯田等低纹理与重复纹理区域，在窗口内计算最小二乘匹配算法缺乏全局性，容易造成误匹配现象。为增加特征精匹配过程中的全局性，合理的应用影像匹配窗口邻域像素，提高匹配精度，本发明提出了基于最小生成树的特征精匹配方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术中，遥感影像数据量较大，影像中包含城市、山村等复杂性纹理区域，也包含湖泊、山脉、梯田等低纹理以及重复纹理区域，直接采用特征点匹配算法在匹配精度与匹配时间效果较差。
(2)现有技术影像亮度不均匀且影像间亮度不一致性差，影像匹配窗口的相关性测度是以影像灰度信息为准，影像中阴影等亮度不均匀以及同组影像中亮度不一致的现象，直接影响影像后续特征匹配以及相关性计算的匹配精度。
(3)现有技术在最小二乘匹配算法中，以区域窗口相关性作为特征精匹配，缺乏匹配窗口的全局性。在遥感影像重复纹理尤其是低纹理区域，缺乏限速见距离约束，容易出现误匹配现象。
解决以上问题及缺陷的难度为：一景遥感影像数据量高达1GB，而三线阵CCD遥感影像匹配算法针对三景同轨影像对同时匹配，匹配算法的计算量较大，匹配时间较长。而多景影像间亮度不一致问题会直接影响影像匹配相关性计算的精度，如何均匀影像亮度并解决影像间亮度一致性问题尤为重要。影像最小二乘匹配相关性计算集中于匹配搜索窗口内，而对于遥感影像低纹理以及重复纹理区域的误匹配现象不可忽视。
解决以上问题及缺陷的意义为：本发明针对影像亮度不均匀以及影像间亮度不一致问题，提出了亮度均衡化Gamma影像匀光算法，在Gamma函数矫正后加入亮度均衡化处理。在遥感影像城市、山脉、湖泊、山村、梯田五大地形区域内亮度均值、标准差、信息熵等评价标准中亮度均衡化Gamma影像匀光算法使影像亮度变化更均匀，保留影响细节和视觉效果较好；为解决最小二乘局部匹配不具有全局性的问题，针对卫星三线阵CCD遥感影像，以由粗到精为策略，提出一种基于最小生成树的特征精匹配算法，用于影像稀疏匹配过程。根据影像最小生成树计算影像匹配窗口间相关系数。实验结果表明，以影像最小生成树作为最小二乘精匹配权值，可以增加匹配窗口的全局性，提高匹配精度。基于精确的特征匹配结果以及遥感影像RPC参数作为遥感影像前方交会输入参数，可以精确的解析出遥感影像经纬度以及高程信息，稀疏匹配精度对遥感影像三维测绘至关重要。
发明内容
针对现有技术存在的问题，本发明提供了一种基于最小生成树的特征精匹配方法及应用，具体涉及一种针对三线阵CCD影像基于最小生成树的特征精匹配方法。
本发明是这样实现的，一种针对三线阵CCD影像基于最小生成树的特征精匹配方法首先提出影像间亮度均衡化的二维Gamma函数匀光算法，该算法首先在HSL空间内对影像亮度分量L高斯函数卷积得到影像光照分量，再使用二维Gamma函数矫正影像亮度，最后计算整组影像亮度均值，以正视图为标准，将前视、后视影像L分量映射到影像亮度区间，实现影像匀光以及影像间亮度一致性问题。
进一步，一种基于最小生成树的特征精匹配方法，包括以下步骤：
S1、遥感影像转换为HSL空间，求得影像亮度L分量。
S2、以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像。
S3、将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果。
S4、以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围。
S5、以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息。
S6、以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出。
进一步，步骤S1所述的遥感影像即资源三号以及天绘一号卫星三线阵CCD遥感影像作为初始输入图像，其HSL空间变换(h,s,l)值公式为：
其中，s,l∈[0,1]分别为饱和度与亮度,max为rgb中最大值，min为最小值。
进一步，步骤S2中亮度均匀且影像间亮度一致性的三线阵CCD遥感影像，其获取光照分量以及二维Gamma函数矫正公式为：
I(x，y)＝F(x，y)G(x，y)
其中G为高斯函数，F为源图像，I为光照分量，γ是亮度增强的指数值，由光照分量和光照分量的亮度均值m决定。
进一步，步骤S3中，采用Surf特征检测算子检测影像中稳定特征点，采用特征描述子描述特征点视觉特征，Surf特征匹配算法作为粗匹配结果。
进一步，步骤S4中，以S3的粗匹配特征点对为基础，计算影像仿射变换矩阵。将原坐标向量变换为新坐标向量/>公式为：
其中，A即为求解仿射变换矩阵。
进一步，步骤S5中，以颜色以及距离信息构建影像最小生成树，最小生成树中相邻像素点之间的颜色与距离相似度作为图G中边的权重。其中两点间权值w公式为：
遍历图G中所有的边，根据边的权值由大到小排序，如果满足判断条件则聚合，判断条件为：
其中，Tp、Tq分别为像素点p、q对应的树，Int(Tp)表示Tp中的最大边权重,k为常数。任何两个像素之间的相似性是由它们在树上的最短距离决定的，使每个节点都接受树中所有其他节点的支持。
进一步，所述步骤S6中，将三线阵CCD图像中步骤S4对应待匹配区域窗口内计算相关系数，相关系数计算公式为：
其中，g(x，y)为正视图影像灰度函数，(i,j)为目标窗口中心像素坐标；待匹配影像灰度函数为g'(x，y)，对应的搜索窗口中心像素为(i+r，j+c)。相关系数计算值结果符合预设阈值，则搜索窗口中心像素判定为同名匹配点对。
本发明的另一目的在于提供一种基于最小生成树的特征精匹配系统，包括
影像亮度L分量获取模块，用于遥感影像转换为HSL空间，求得影像亮度L分量。
预处理遥感影像匹配模块，用于，以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像。将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果。
影像待匹配搜索窗口范围获取模块，用于以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围。
影像匹配窗口处理模块，用于以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息。以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述精匹配方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述精匹配方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了一种基于最小生成树的特征精匹配算法。首先采用卫星三线阵影像瓦片金字塔影像分层，针对金字塔顶层影像采用Surf算法分别提取三线阵CCD遥感影像特征匹配点作为影像粗匹配。以由粗到精匹配为策略，计算特征点对间仿射变换矩阵用于精匹配搜索窗口的确定。在精匹配过程中，采用基于最小生成树的最小二乘匹配算法，影像以颜色与距离为测度生成最小生成树，并以最小生成树作为影像最小二乘匹配计算相关系数的权重。以相关系数匹配作为匹配测度不受影像线性畸变的影响。但在相关系数匹配代价计算过程中只考虑局部信息，容易受到影像噪声的影响，且对影像搜索窗口处于弱纹理或重复纹理区域，代价值可能无法准确的反映像素之间的相关性。加入最小生成树增加影像匹配窗口内相关系数计算结果的全局性，提高最小二乘匹配算法的准确度。
附图说明
图1是本发明实施例提供的针对三线阵CCD影像基于最小生成树的特征精匹配方法流程图。
图2是本发明实施例提供的针对三线阵CCD影像基于最小生成树的特征精匹配方法原理图。
图3是本发明实施例提供的Gamma预处理结果示意图。
图4是本发明实施例提供的影像间匀光算法效果图。
图5是本发明实施例提供的各地形区域匀光算法RMSE数据对比图。
图6是本发明实施例提供的区域稀疏匹配结果示意图。
图7是本发明实施例提供的城市区域影像稀疏匹配结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种针对三线阵CCD影像基于最小生成树的特征精匹配方法，下面结合附图对本发明作详细的描述。
本发明选用天绘一号与资源三号卫星三线阵CCD遥感影像有效图像；将影像转为HSL空间，对L通道采用多尺度高斯函数卷积；
采用二维Gamma函数矫正影像光照分量增强影像内亮度不均匀区域；将匀光后的三线阵CCD影像间亮度分量均衡化，解决影像间亮度不一致现象；
以由粗到精匹配为策略，对预处理后的三线阵CCD影像采用Surf特征点匹配作为粗匹配特征点；
通过粗匹配特征点对仿射变换关系，计算仿射变换矩阵，用于预测精匹配搜索窗口范围；
依据影像内颜色依据距离信息生成影像最小生成树，并作为权值约束最小二乘匹配算法；计算匹配窗口相关系数，不断迭代搜索窗口，以匹配窗口中心点坐标作为匹配点对输出。
具体地，图1是本发明实施例提供的针对三线阵CCD影像基于最小生成树的特征精匹配方法包括：
S101、遥感影像转换为HSL空间，求得影像亮度L分量。
S102、以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像。
S103、将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果。
S104、以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围。
S105、以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息。
S106、以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出。
本发明提供的针对三线阵CCD影像基于最小生成树的特征精匹配方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的针对三线阵CCD影像基于最小生成树的特征精匹配方法仅仅是一个具体实施例而已。
图2是本发明实施例提供地针对三线阵CCD影像基于最小生成树的特征精匹配方法原理图。
在本发明一实施例中，步骤S101、首先将遥感影像即资源三号以及天绘一号卫星三线阵CCD遥感影像作为初始输入图像，转换为HSL空间，求得影像亮度L分量。其转换为HSL空间变换(h,s,l)值公式为：
其中，s,l∈[0,1]分别为饱和度与亮度,max为rgb中最大值，min为最小值。
在本发明一实施例中，步骤S102、以二维Gamma函数矫正影像匀光，再对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像，Gamma预处理结果如图3所示，三线阵CCD遥感影像城市、山村、梯田、山脉、湖泊等区域分别采用Mask匀光算法、Wallis匀光算法以及亮度均衡化Gamma影像匀光算法预处理效果.图中可以看出Mask匀光滤波效果较差，存在反差不均匀的现象。其中包含城市、湖泊、山脉等区域影像在Mask滤波、Wallis滤波以及Gamma矫正三种算法预处理结果。获取光照分量以及二维Gamma函数矫正公式为：
I(x，y)＝F(x，y)G(x，y)
其中G为高斯函数，F为源图像，I为光照分量，γ是亮度增强的指数值，由光照分量和光照分量的亮度均值m决定。
在本发明一实施例中，步骤S103、采用Surf特征检测算子检测影像中稳定特征点，采用特征描述子描述特征点视觉特征，Surf特征匹配算法作为粗匹配结果。
在本发明一实施例中，步骤S104、以S103的粗匹配特征点对为基础，计算影像仿射变换矩阵。将原坐标向量变换为新坐标向量/>公式为：
其中，A即为求解仿射变换矩阵。
在本发明一实施例中，步骤S105、以颜色以及距离信息构建影像最小生成树，最小生成树中相邻像素点之间的颜色与距离相似度作为图G中边的权重。其中两点间权值w公式为：
遍历图G中所有的边，根据边的权值由大到小排序，如果满足判断条件则聚合，判断条件为：
其中，Tp、Tq分别为像素点p、q对应的树，Int(Tp)表示Tp中的最大边权重,k为常数。任何两个像素之间的相似性是由它们在树上的最短距离决定的，使每个节点都接受树中所有其他节点的支持。
在本发明一实施例中，步骤S106、将8幅图像中对应的亮细节区域块的图像熵进行相加，并进行8点高斯拟合。高斯曲线的峰值即为所求的低曝光图像的曝光时间17420。同理可求高曝光图像的曝光时间49440。将三线阵CCD图像中步骤S4对应待匹配区域窗口内计算相关系数，相关系数计算公式为：
其中，g(x，y)为正视图影像灰度函数，(i,j)为目标窗口中心像素坐标；待匹配影像灰度函数为g'(x，y)，对应的搜索窗口中心像素为(i+r，j+c)。相关系数计算值结果符合预设阈值，则搜索窗口中心像素判定为同名匹配点对。
本发明的另一目的在于提供一种基于最小生成树的特征精匹配系统，包括
影像亮度L分量获取模块，用于遥感影像转换为HSL空间，求得影像亮度L分量。
预处理遥感影像匹配模块，用于，以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像。将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果。
影像待匹配搜索窗口范围获取模块，用于以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围。
影像匹配窗口处理模块，用于以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息。以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出。
如图4所示，Wallis匀光滤波算法在两幅影像间仍具有一定的亮度不一致现象。亮度均衡化Gamma影像匀光算法预处理在影像匀光以及影像间亮度一致性中效果相对较好。
下面结合实验对本发明的技术效果作详细的描述。
实验1
本实验为客观评价影像匀光效果，针对三线阵CCD影像城市、山村、梯田、山脉、湖泊等区域，分别统计影像原图以及各个匀光算法处理后影像的平均亮度(lm)、标准偏差、信息熵(H)以及影像平均梯度值(▽g)，如表1所示。由表1分析可知，各种地形特征区域的亮度均值：Mask匀光算法远远低于原始影像，使灰度信息损失严重、亮度偏暗。
表1
Wallis匀光算法亮度均值略高于原始影像，由图5可知，Wallis匀光算法影像标准差均远高于原始影像，表明经过Wallis滤波结果，影像反差略大，亮度分布依旧相对不均匀。亮度均衡化Gamma影像匀光处理结果的均最接近于原始影像，且标准差变化略低于原始影像，亮度相对更加均匀，更好地保留影像的细节和视觉效果。
实验2
本实验结果表明，最小生成树的特征精匹配算法稀疏匹配具有较好的配准精度，且针对资源三号以及天绘一号三线阵CCD遥感影像中1000*1000像素的山脉、城市、湖泊、山村以及梯田区域影像，匹配算法平均精度为97.21％。
针对资源三号以及天绘一号三线阵CCD遥感影像中1000*1000像素的山脉、城市、湖泊、山村以及梯田区域影像，依据本发明基于最小生成树的最小二乘匹配算法匹配时间、匹配精度结果如表2。
表2
以山脉区域影像为例：该区域为天绘一号卫星三线阵CCD影像中正视图与前视图局部山脉区域。该区域稀疏匹配结果如图6所示。本组影像输入数据为1000×1000天绘一号卫星正视图与前视图山脉区域，输出正确匹配点对共计196对，匹配时间共计6.220sec。图6的(a)和(b)为匀光后的山脉区域影像原图，图6的(c)和(d)为采用SURF特征提取所提取的特征点，正视图提取特征点3604个，前视图提取4017个特征点，SURF特征匹配255个点对，SURF特征匹配结果如图6的(e)所示。SURF特征匹配结果可以明显看到误匹配对点，采用基于最小生成树的特征精匹配优化算法匹配结果如图6的(f)所示，生成匹配点对共计196对，采用RANSAC去误匹配点0对，匹配精度100％。
第二组城市区域影像资源三号卫星三线阵CCD影像中正视图与前视图局部城市区域稀疏匹配结果如图7所示。本组影像输入数据为1000×1000资源三号卫星正视图与前视图城市区域，输出匹配点对共计348对，误匹配33对，匹配准确率90.517％，匹配时间共计6.3760s。
图7的(a)和(b)为亮度均衡化Gamma影像匀光算法预处理原图，图7的(c)和(d)为采用SURF特征提取所提取的特征点，正视图提取特征点4690个，前视图提取2720个特征点，SURF特征匹配659个点对，SURF特征匹配结果如图7的(e)所示。SURF特征匹配结果可以明显看到误匹配对点，采用基于最小生成树特征精匹配算法结果如图7的(f)所示，生成匹配点对共计348对，采用ransanc算法滤除误匹配结果，去误匹配点33对。其中，特征点仿射变换矩阵为：
。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于最小生成树的特征精匹配方法，其特征在于，所述基于最小生成树的特征精匹配方法包括：
利用影像间亮度均衡化的二维Gamma函数匀光算法在HSL空间内对影像亮度分量L高斯卷积得到影像光照分量，计算整组影像亮度均值，以正视图为标准，将前视、后视影像L分量映射到影像亮度区间，使影像匀光以及影像间亮度一致；
然后使用Surf特征匹配算法作为粗匹配结果，计算特征点间仿射变换矩阵，确定匹配搜所窗口；
再基于影像最小生成树，计算影像待匹配窗口之间最小二乘匹配相关系数，以匹配相关系数最大值作为窗口匹配的测度，窗口中心作为最终匹配点，提高匹配精度；
所述基于最小生成树的特征精匹配方法包括以下步骤：
步骤一、遥感影像转换为HSL空间，求得影像亮度L分量；
步骤二、以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像；
步骤三、将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果；
步骤四、以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围；
步骤五、以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息；
步骤六、以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出；
所述步骤一所述的遥感影像即资源三号以及天绘一号卫星三线阵CCD遥感影像作为初始输入图像，HSL空间变换(h,s,l)值公式为：
其中，s,l∈[0,1]分别为饱和度与亮度,max为rgb中最大值，min为最小值；
所述步骤二中亮度均匀且影像间亮度一致性的三线阵CCD遥感影像，其获取光照分量以及二维Gamma函数矫正公式为：
l(x,y)＝F(x,y)G(x,y)
其中G为高斯函数，F为源图像，I为光照分量，γ是亮度增强的指数值，由光照分量和光照分量的亮度均值m决定；
所述步骤三，采用Surf特征检测算子检测影像中稳定特征点，采用特征描述子描述特征点视觉特征，Surf特征匹配算法作为粗匹配结果；
所述步骤四中，以步骤三的粗匹配特征点对为基础，计算影像仿射变换矩阵；将原坐标向量变换为新坐标向量/>公式为：
其中，A即为求解仿射变换矩阵；
所述步骤五中，以颜色以及距离信息构建影像最小生成树，最小生成树中相邻像素点之间的颜色与距离相似度作为图G中边的权重；两点间权值w公式为：
遍历图G中所有的边，根据边的权值由大到小排序，如果满足判断条件则聚合，判断条件为：
其中，Tp、Tq分别为像素点p、q对应的树，Int(Tp)表示Tp中的最大边权重,k为常数；任何两个像素之间的相似性是由它们在树上的最短距离决定的，使每个节点都接受树中所有其他节点的支持；
所述步骤五中，所述步骤六中，将三线阵CCD图像中步骤S4对应待匹配区域窗口内计算相关系数，相关系数计算公式为：
其中，g(x，y)为正视图影像灰度函数，(i,j)为目标窗口中心像素坐标；待匹配的前后视图影像函数分别为g'(x，y)和g'n(x，y)，对应的搜索窗口中心像素为(i+r，j+c)；相关系数计算值结果符合预设阈值，则搜索窗口中心像素判定为同名匹配点对。
2.一种实施权利要求1所述精匹配方法的基于最小生成树的特征精匹配系统，其特征在于，所述基于最小生成树的特征精匹配系统包括
影像亮度L分量获取模块，用于遥感影像转换为HSL空间，求得影像亮度L分量;
预处理遥感影像匹配模块，用于，以二维Gamma函数为基础，对影像间亮度分量均衡化处理，获取亮度均匀且影像间亮度一致性的三线阵CCD遥感影像;将预处理遥感影像采用Surf特征点匹配作为影像粗匹配结果;
影像待匹配搜索窗口范围获取模块，用于以粗匹配结果计算特征点仿射变换矩阵，确定影像待匹配搜索窗口范围;
影像匹配窗口处理模块，用于以距离以及颜色信息，对影像生成最小生成树，增加匹配窗口内的全局信息;以最小生成树为匹配权重，计算影像匹配窗口内的相关系数，并迭代至搜索窗口最小，匹配窗口中心点作为匹配点输出。
3.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述精匹配方法。
4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述精匹配方法。
CN202110294704.4A 2021-03-19 2021-03-19 一种基于最小生成树的特征精匹配方法及应用 Active CN113034555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110294704.4A CN113034555B (zh) 2021-03-19 2021-03-19 一种基于最小生成树的特征精匹配方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110294704.4A CN113034555B (zh) 2021-03-19 2021-03-19 一种基于最小生成树的特征精匹配方法及应用

Publications (2)

Publication Number Publication Date
CN113034555A CN113034555A (zh) 2021-06-25
CN113034555B true CN113034555B (zh) 2024-03-08

Family

ID=76471976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110294704.4A Active CN113034555B (zh) 2021-03-19 2021-03-19 一种基于最小生成树的特征精匹配方法及应用

Country Status (1)

Country Link
CN (1) CN113034555B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641365B (zh) * 2022-08-25 2023-08-04 北京微视威信息科技有限公司 点云配准方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134220A (zh) * 2014-08-15 2014-11-05 北京东方泰坦科技股份有限公司 一种像方空间一致性的低空遥感影像高精度匹配方法
CN111833393A (zh) * 2020-07-05 2020-10-27 桂林电子科技大学 一种基于边缘信息的双目立体匹配方法
CN112465976A (zh) * 2020-12-14 2021-03-09 广州港数据科技有限公司 堆场三维地图建立方法、库存管理方法、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134220A (zh) * 2014-08-15 2014-11-05 北京东方泰坦科技股份有限公司 一种像方空间一致性的低空遥感影像高精度匹配方法
CN111833393A (zh) * 2020-07-05 2020-10-27 桂林电子科技大学 一种基于边缘信息的双目立体匹配方法
CN112465976A (zh) * 2020-12-14 2021-03-09 广州港数据科技有限公司 堆场三维地图建立方法、库存管理方法、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合Spearman相关性系数与多尺度框架的立体匹配算法;于修成;宋燕;胡浍冕;;上海理工大学学报;20200215(01);88-93 *

Also Published As

Publication number Publication date
CN113034555A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
US20100207936A1 (en) Fusion of a 2d electro-optical image and 3d point cloud data for scene interpretation and registration performance assessment
CN110866531A (zh) 一种基于三维建模的建筑物特征提取方法、系统及存储介质
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN106920235B (zh) 基于矢量底图匹配的星载光学遥感影像自动校正方法
CN109741446B (zh) 一种三维数字地球动态生成精细海岸地形的方法
CN112288628B (zh) 基于光流跟踪和抽帧映射的航拍图像拼接加速方法及系统
Serna et al. Data fusion of objects using techniques such as laser scanning, structured light and photogrammetry for cultural heritage applications
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN112200848B (zh) 低光照弱对比复杂环境下的深度相机视觉增强方法及系统
CN106683125B (zh) 一种基于2d/3d模态切换的rgb-d图像配准方法
Zhang et al. Lidar-guided stereo matching with a spatial consistency constraint
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN113034555B (zh) 一种基于最小生成树的特征精匹配方法及应用
CN113793370A (zh) 三维点云配准方法、装置、电子设备及可读介质
CN112946679A (zh) 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN114494881A (zh) 基于剖分网格的遥感影像变化检测方法、装置、终端
CN117218148B (zh) 基于卫星图像的航道边界确定方法和系统、可读存储介质
CN105631849B (zh) 多边形目标的变化检测方法及装置
CN108447084B (zh) 基于orb特征的立体匹配补偿方法
Zhu et al. Triangulation of well-defined points as a constraint for reliable image matching
CN108416815B (zh) 大气光值的测定方法、设备及计算机可读存储介质
CN116071721A (zh) 一种基于Transformer的高精地图实时预测方法和系统
CN109886988A (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN114140581A (zh) 一种自动建模方法、装置、计算机设备及存储介质

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