CN113409369A - 基于改进rift的多模遥感图像配准方法 - Google Patents

基于改进rift的多模遥感图像配准方法 Download PDF

Info

Publication number
CN113409369A
CN113409369A CN202110568291.4A CN202110568291A CN113409369A CN 113409369 A CN113409369 A CN 113409369A CN 202110568291 A CN202110568291 A CN 202110568291A CN 113409369 A CN113409369 A CN 113409369A
Authority
CN
China
Prior art keywords
image
registered
reference image
maximum index
remote sensing
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
Application number
CN202110568291.4A
Other languages
English (en)
Inventor
梁毅
刘倩
怀园园
邢孟道
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.)
Xidian University
Original Assignee
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 Xidian University filed Critical Xidian University
Priority to CN202110568291.4A priority Critical patent/CN113409369A/zh
Publication of CN113409369A publication Critical patent/CN113409369A/zh
Pending legal-status Critical Current

Links

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
    • 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

本发明属于遥感图像配准技术领域，具体公开了一种基于改进RIFT的多模遥感图像配准方法，提出一种改进辐射不变特征变换RIFT方法，该算法利用图像的相位一致性信息代替图像的强度信息和梯度信息进行特征点检测，并使用基准图像和实时图像各自的相位一致性幅度的最大索引图进行特征描述，而且该方法的特征点检测过程不依赖于地理信息，并且对非线性辐射畸变表现出良好的鲁棒性。

Description

基于改进RIFT的多模遥感图像配准方法
技术领域
本发明涉及遥感图像配准技术领域，具体涉及一种基于改进RIFT的多模遥感图像配准方法。
背景技术
图像配准技术是图像处理领域的重要组成部分，并且在弹体定位、航空制导、计算机视觉、模式识别、遥感技术、医学、气候学等军事和民用领域应用广泛。多模图像的配准技术可以弥补单一传感器图像在图像配准技术中的不足，是当前图像配准技术领域的研究热点。由于多模遥感图像之间存在着非线性灰度差以及辐射强度差异，基于灰度信息的图像配准方法往往不适用于多模遥感图像配准领域。特征信息是对图像信息更高层次的描述，可以在多模遥感图像中稳定存在，因此基于特征信息的图像配准方法常用于多模遥感图像间的匹配，也成为国内外在该领域中研究的主要方向。
为了取得鲁棒性强且精确度高的多模遥感图像配准结果，需要提取到稳定的特征信息。图像中最基本的特征信息是点特征和线特征。点特征在图像匹配、立体场景匹配中有着广泛的应用。目前常用的特征提取算法有尺度不变特征变换(Scale-Invariant FeatureTransform，SIFT)、加速鲁棒特征(Speeded-Up Robust Features，SURF)、ORB(OrientedFAST and Rotated BRIEF)和一些改进的SIFT算法，然而这些方法通常使用强度信息或梯度信息进行特征的检测和描述，由于遥感图像可能存在一定程度的辐射畸变会导致这些算法失效，难以取得稳定的配准效果。
发明内容
针对传统的基于强度信息或梯度信息的点特征算法在多模遥感图像配准中所存在的问题，本发明的目的在于提供一种基于改进RIFT的多模遥感图像配准方法，提出一种改进辐射不变特征变换(Radiation-Invariant Feature Transform，RIFT)方法，该算法利用图像的相位一致性(Phase Congruency，PC)信息代替图像的强度信息和梯度信息进行特征点检测，并使用基准图像和实时图像各自的相位一致性幅度的最大索引图(MaximumIndex Map，MIM)进行特征描述，而且该方法的特征点检测过程不依赖于地理信息，并且对非线性辐射畸变表现出良好的鲁棒性。
为了达到上述目的，本发明采用以下技术方案予以实现。
一种基于改进RIFT的多模遥感图像配准方法，包括以下步骤：
步骤1，获取同一区域的基准图像和待配准图像，对基准图像和待配准图像分别进行基于Log-Gabor滤波器的相位一致性测量，得到基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息；
其中，所述基准图像和待配准图像为遥感图像，待配准图像为实时图像；
步骤2，根据基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息，获取对应的最大矩和最小矩，进而完成边缘点检测和角点检测，得到基准图像和待配准图像的特征点；
步骤3，根据基准图像和待配准图像的相位一致性信息中的卷积序列，计算基准图像对应的一个最大索引图和待配准图像所对应的多个候选最大索引图；
步骤4，分别计算基准图像对应的一个最大索引图与待配准图像所对应的每个候选最大索引图之间的图像相似性，并将相似性最大的候选最大索引图作为待配准图像的最大索引图；
步骤5，根据基准图像的最大索引图和待配准图像的最大索引图，分别构建基准图像和待配准图像中每个特征点的似GLOH特征描述子；
步骤6，采用最近邻度量算法对基准图像和待配准图像的所有特征点的似GLOH特征描述子进行相似性度量，获得最终配准的同名点对，完成图像配准。
与现有技术相比，本发明的有益效果为：
本发明首先利用图像的PC信息获取图像的特征信息，由于多模遥感图像之间存在着辐射差异和灰度差异，相位一致性信息不受灰度差异、辐射差异以及光照差异的影响，具有强鲁棒性，对图像的特征表示更具有意义。通过判断基准图像的初始卷积序列所构造的最大索引图(MIM)与实时图像不同卷积序列所构造的最大索引图之间的相似性，得到相似性最高的最大索引图对，实现旋转不变性。其次，基于最大索引图构造每个特征点的类GLOH描述子，该方法可以减少描述子的维度，降低算法的时间复杂度。最后，用基于最近邻配准的算法进行相似性度量，得到最终所匹配的同名点对。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明方法的实现流程图
图2为本发明实施例的相位一致性示例图；其中(a)为原始图像，(b)为该原始图像的相位一致性结果图；
图3为本发明实施例的特征检测示例图；其中(a)原始图像，(b)为最小矩图，(c)为最大矩图，(d)特征点检测图；
图4为本发明实施例的最大索引图构造示意图；
图5为本发明实施例的描述子构造示意图；
图6为本发明实施例的SAR图像和可见光图像的配准结果；其中(a)为配准结果连线图，(b)为融合图，(c)为棋盘格拼接图；
图7为本发明实施例的红外图像和可见光图像的配准结果；其中(a)为配准结果连线图，(b)为融合图，(c)为棋盘格拼接图；
图8为本发明实施例的SAR图像和SAR图像的配准结果；其中(a)为配准结果连线图，(b)为融合图，(c)为棋盘格拼接图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，本发明提供的一种基于改进RIFT的多模遥感图像配准方法，包括以下步骤：
步骤1，获取同一区域的基准图像和待配准图像，对基准图像和待配准图像分别进行基于Log-Gabor滤波器的相位一致性测量，得到基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息；
其中，所述基准图像和待配准图像为遥感图像，待配准图像为实时图像；
二维Log-Gabor函数(2Dimensional Log-Gabor Function，2D-LGF)的定义为：
Figure BDA0003081635510000041
式中，(ρ，θ)是对数极坐标；s和o分别是2D-LGF的尺度和方向；(ρs，θ(s，o))是2D-LGF的中心频率；σρ和σθ分别是以ρ和θ表示的带宽。
2D-LGF是一种频率滤波器，通过傅里叶逆变换得到其对应的空间域滤波器，即
L(x，y，s，o)＝Leven(x，y，s，o)+iLodd(x，y，s，o)
式中，实部Leven(x，y，s，o)为偶对称Log-Gabor小波，虚部Lodd(x，y，s，o)为奇对称Log-Gabor小波。该空间域滤波器即为本发明的Log-Gabor滤波器。
在二维空间，给定一幅输入图像I(x，y)，如图2(a)所示，首先将图像I(x，y)与Log-Gabor滤波器的偶对称小波和奇对称小波进行卷积，得到在尺度s和方向o位置的响应分量eso(x，y)和oso(x，y)，其定义如下：
eso(x，y)＝I(x，y)*Leven(x，y，s，o)
oso(x，y)＝I(x，y)*Lodd(x，y，s，o)
基于上述卷积响应分量可以得到图像I(x，y)在尺度s和方向o处的振幅分量Aso(x，y)和相位分量φso(x，y)，其定义如下：
Figure BDA0003081635510000051
Figure BDA0003081635510000052
考虑到图像的噪声和各个尺度、各个方向的分析结果，需要引入一个噪声补偿项T，这时需要综合考虑滤波器的带宽和空间宽度等信息，滤波器对噪声响应的幅度通常直接正比于它的带宽，所以根据以上结论，可以得到最终二维相位一致性模型的定义：
Figure BDA0003081635510000053
通过上式计算得到精确的PC图，如图2(b)所示。其中PC(x，y)是图像I(x，y)的相位一致性信息，(x，y)表示像素点在图像中的坐标，w0(x，y)为给定频率扩展的加权因子；ξ是一个很小的值，是为了防止分母为零；
Figure BDA0003081635510000061
运算符为了防止结果为负值，即封闭的值为正值时结果等于其本身，否则为零。Δφso(x，y)是一个敏感的相位偏差函数。Aso(x，y)Δφso(x，y)的定义为：
Figure BDA0003081635510000062
式中
Figure BDA0003081635510000063
Figure BDA0003081635510000064
E(x，y)是一个局部能量函数，它的两个部分通过信号和一对正交滤波器进行卷积来得到，即
Figure BDA0003081635510000065
步骤2，根据基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息，获取对应的最大矩和最小矩，进而完成边缘点检测和角点检测，得到基准图像和待配准图像的特征点；
在通过PC模型计算基准图像和待配准图像在不同角度和不同尺度下的相位一致性信息后，可以通过下面公式计算基准图像和待配准图像的最小矩m和最大矩M，以此分别检测每幅图像的角点和边缘点。
Figure BDA0003081635510000066
Figure BDA0003081635510000067
式中，三个中间量a，b，c计算公式如下所示：
Figure BDA0003081635510000071
Figure BDA0003081635510000072
Figure BDA0003081635510000073
式中，PC(θo)为图像在θo方向下的PC测度，即相位一致性信息。
图3(a)为原始图像，对于最小矩图m，如图3(b)所示，首先计算每个像素点的Harris响应值，再对每一个像素点取3*3大小的邻域进行非极大值抑制，得到角点检测结果。
对于最大矩图M，如图3(c)所示，首先进行FAST角点检测，然后选取响应强度最高的2500个角点作为边缘点，得到边缘点检测结果。
将每幅图像的角点和边缘点合并作为其最终的特征点，特征点检测结果如图3(d)所示。
步骤3，根据基准图像和待配准图像的相位一致性信息中的卷积序列，计算基准图像对应的一个最大索引图和待配准图像所对应的多个候选最大索引图；
最大索引图是由Log-Gabor滤波器的卷积序列——振幅Aso(x，y)所构建的，Ns个尺度和No个方向(本发明取Ns＝4，No＝6)，首先将在同一方向Ns个尺度的Aso(x，y)累加，获得Log-Gabor滤波卷积层Ao(x，y)，如下式所示：
Figure BDA0003081635510000074
Ao(x，y)具有6个方向，与原图具有同样的尺寸，如图4所示，将Ao(x，y)按方向顺序(0°～150°)排列为
Figure BDA0003081635510000075
ω为方向索引，ω＝1，2，…，No。首先建立与原图具有同样尺寸的空白图像MIM，对于MIM中的每个像素点(x，y)处，可以得到在
Figure BDA0003081635510000076
中相同位置的6个像素值，然后将这6个像素值中的最大值所在的
Figure BDA0003081635510000081
的方向索引值ωmax作为MIM图(x，y)处的新像素值，遍历所有像素点，得到MIM，其中像素值均为索引值，即1-No。
(3.1)对于基准图像IA，直接构造MIMA。
(3.2)对于实时图像IB，改变构造
Figure BDA0003081635510000082
时Ao(x，y)的顺序，每一次改变都是设置不同的第1层，即将第1～6层依次设置为第1层。如第1组
Figure BDA0003081635510000083
是以(0°，30°，60°，90°，120°，150°)排序的，其索引为(1，2，3，4，5，6)，第2组
Figure BDA0003081635510000084
则是以(30°，60°，90°，120°，150°，0°)排序的，其索引为(1，2，3，4，5，6)，如此依次生成集合
Figure BDA0003081635510000085
下标ω＝1，2，…，No，然后根据
Figure BDA0003081635510000086
来构造不同的
Figure BDA0003081635510000087
步骤4，分别计算基准图像对应的一个最大索引图与待配准图像所对应的每个候选最大索引图之间的图像相似性，并将相似性最大的候选最大索引图作为待配准图像的最大索引图；
本发明根据步骤3所得到的实时图像的
Figure BDA0003081635510000088
中总会存在某一
Figure BDA0003081635510000089
与MIMA相似，通过计算
Figure BDA00030816355100000810
中的每一个
Figure BDA00030816355100000811
与MIMA的灰度分布相似性，选取与MIMA相似性最高的
Figure BDA00030816355100000812
作为实时图像最终所需要的最大索引图。
这里通过直方图匹配的方法计算
Figure BDA00030816355100000813
中的每一个
Figure BDA00030816355100000814
与MIMA的灰度分布相似性。具体地，分别计算每一个
Figure BDA00030816355100000815
与MIMA的灰度分布直方图，然后计算两个直方图的巴氏距离，选取巴氏距离最小的一对最大索引图作为最终所需要的最大索引图对。
步骤5，根据基准图像的最大索引图和待配准图像的最大索引图，分别构建基准图像和待配准图像中每个特征点的似GLOH特征描述子；
由于原RIFT算法采用了类似SIFT描述子的构造方法，其计算量较大，为了提高计算速度和描述子的独特性，本发明采用了一种似GLOH的仿射状同心圆支撑区域来构造描述子。如图5所示，在最大索引图上以特征点所在的坐标为中心建立极坐标系，取半径R＝48的圆形区域作为支撑区域，相比矩形支撑区域，圆形支撑区域具有更好的旋转不变性，本发明在构造描述子时分别以{r1＝0.25R，r2＝0.5R，r3＝0.75R}为半径取环形区域，r＜0.25R的区域保留为圆形，并均等取8个方向将环形区域分割为扇形子区域，共计19个子区域。统计每一个子区域内各个索引编号的个数，然后连接为19*8共152维的描述向量，对该描述向量进行归一化，得到归一化后的描述向量，再对归一化后的描述向量中大于0.2的元素进行截断，最后再次进行归一化，得到最终的似GLOH特征描述子。
步骤6，采用最近邻度量算法对基准图像和待配准图像的所有特征点的似GLOH特征描述子进行相似性度量，获得最终配准的同名点对，完成图像配准。
对基准图像和实时图像每个特征点对应的特征描述子采用欧氏距离进行度量。计算最近欧式距离与次近欧式距离之间的比值，如果该值小于某阈值，则认为二者为匹配点对。
具体地，假定参考图像的特征点集为p，待配准图像的特征点集为q，对特征点集p中的每个点，逐一计算其与特征点集q中每个点的距离，得到特征点之间的距离集合D。将距离集合D中的元素进行排序，得到最近距离dmin和次近邻距离dn-min。
最近邻度量算法通过判断最近邻距离和次近邻距离的比值来区分正确匹配对和错误匹配对：
Figure BDA0003081635510000091
因此，对于正确的匹配对，其最近邻距离dmin要远远小于次近邻距离dn-min，即Distan ceRatio＜＜1；而错误的匹配对，其最近邻距离dmin和次近邻距离dn-min差距不大，即Distan ceRatio≈1。所以可取一个距离比的阈值Tresh∈(0，1)来区分正确匹配对和错误匹配对。当特征点对是正确匹配点对时，其距离比值集中在值较小的区域，而错误匹配时，其距离比值集中在值较大的区域。本发明中当拒绝所有距离比率大于0.75的匹配点时，可剔除近90％的错误匹配点，同时仅损失小于5％的正确匹配点，即：
Dis tan ceRatio＞Tresh，拒绝匹配对
Dis tan ceRatio≤Tresh，接受匹配对为候选匹配对。
仿真实验
下面通过仿真实验对本发明的效果做进一步说明。
(1)仿真条件
利用一组SAR图像与可见光图像的实测数据进行配准仿真分析，并与传统的SIFT算法仿真结果进行对比。仿真参数如表1所示：
表1配准数据具体信息
Figure BDA0003081635510000101
图6(a)为实验数据中的SAR图像与可见光图像配准连线图，可以看出，在两幅图像的场景复杂而且SAR图像受噪声干扰的情况下，所能匹配到的同名点个数较多。图6(b)和图6(c)分别为基于配准结果所得到的融合图和棋盘格拼接图，通过融合图和棋盘格拼接图可以看出配准精度较高。
图7(a)为实验数据中的红外图像与可见光图像配准连线图，可以看出，在两幅图像存在灰度差异以及辐射差异的情况下，所能匹配到的同名点个数多。图7(b)和图7(c)分别为基于配准结果所得到的融合图和棋盘格拼接图，通过融合图和棋盘格拼接图可以看出配准精度较高。
图8(a)为实验数据中的SAR图像与SAR图像配准连线图，可以看出，在两幅图像存在较大的旋转角度且成像质量较差的情况下，所能匹配到的同名点个数多。图8(b)和图8(c)分别为基于配准结果所得到的融合图和棋盘格拼接图，通过融合图和棋盘格拼接图可以看出配准精度较高。
本发明能够对存在较大辐射差异、成像质量较差、具有旋转角度差异、较大灰度差异且场景复杂的多模遥感图像实现精确配准，这是因为图像的相位一致性对图像之间的辐射差异、光照变化以及灰度差异具有强鲁棒性。基于图像的相位一致性进行特征检测以及特征描述稳定性高，更容易提取到同名点之间的相似信息，在很大程度上提高配准结果的正确率，得到更加精确的配准结果。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种基于改进RIFT的多模遥感图像配准方法，其特征在于，包括以下步骤：
步骤1，获取同一区域的基准图像和待配准图像，对基准图像和待配准图像分别进行基于Log-Gabor滤波器的相位一致性测量，得到基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息；
其中，所述基准图像和待配准图像为遥感图像，待配准图像为实时图像；
步骤2，根据基准图像和待配准图像对应的不同角度不同尺度下的相位一致性信息，获取对应的最大矩和最小矩，进而完成边缘点检测和角点检测，得到基准图像和待配准图像的特征点；
步骤3，根据基准图像和待配准图像的相位一致性信息中的卷积序列，计算基准图像对应的一个最大索引图和待配准图像所对应的多个候选最大索引图；
步骤4，分别计算基准图像对应的一个最大索引图与待配准图像所对应的每个候选最大索引图之间的图像相似性，并将相似性最大的候选最大索引图作为待配准图像的最大索引图；
步骤5，根据基准图像的最大索引图和待配准图像的最大索引图，分别构建基准图像和待配准图像中每个特征点的似GLOH特征描述子；
步骤6，采用最近邻度量算法对基准图像和待配准图像的所有特征点的似GLOH特征描述子进行相似性度量，获得最终配准的同名点对，完成图像配准。
2.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，步骤1中，所述基于Log-Gabor滤波器的相位一致性测量的具体过程：
1.1，对于一幅输入图像I(x,y)，首先，将图像I(x,y)分别与Log-Gabor滤波器的偶对称小波和奇对称小波进行卷积，得到在尺度s和方向o位置的响应分量eso(x,y)和oso(x,y)：
eso(x,y)＝I(x,y)*Leven(x,y,s,o)
oso(x,y)＝I(x,y)*Lodd(x,y,s,o)
其中，Leven(x,y,s,o)为偶对称Log-Gabor小波，Lodd(x,y,s,o)为奇对称Log-Gabor小波；
1.2，计算图像I(x,y)在尺度s和方向o处的振幅分量Aso(x,y)和相位分量φso(x,y):
Figure FDA0003081635500000021
Figure FDA0003081635500000022
1.3，考虑到图像的噪声，引入一个噪声补偿项T，综合考虑滤波器的带宽、空间宽度信息及滤波器对噪声响应的幅度正比于其带宽，所以得到最终二维相位一致性模型为：
Figure FDA0003081635500000023
其中，PC(x,y)是图像I(x,y)的相位一致性信息，(x,y)表示像素点在图像中的坐标，w0(x,y)为给定频率扩展的加权因子；ζ是一个很小的值，为了防止分母为零；
Figure FDA0003081635500000024
表示封闭的值为正值时运算结果等于其本身，否则为零，△φso(x,y)是一个敏感的相位偏差函数；Aso(x,y)△φso(x,y)的定义为:
Figure FDA0003081635500000025
式中
Figure FDA0003081635500000031
E(x,y)是一个局部能量函数，
Figure FDA0003081635500000032
3.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，步骤2中，所述最大矩M和最小矩m的计算公式为：
Figure FDA0003081635500000033
Figure FDA0003081635500000034
式中，三个中间量a、b、c计算公式如下：
Figure FDA0003081635500000035
Figure FDA0003081635500000036
Figure FDA0003081635500000037
式中，PC(θo)为图像在θo方向下的PC测度，即相位一致性信息。
4.根据权利要求3所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，所述边缘点检测的过程为：首先对最大矩M进行FAST角点检测，然后选取响应强度最高的设定个数的角点作为边缘点，得到边缘点检测结果；
所述角点检测的过程为：首先计算最小矩m中每个像素点的Harris响应值，再对每一个像素点取设定大小的邻域进行非极大值抑制，得到角点检测结果；
每幅图像的边缘点检测结果和角点检测结果组成其特征点。
5.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，所述基准图像对应的一个最大索引图的获取过程为：
3.1，设定Log-Gabor滤波器的卷积序列具有Ns个尺度和No个方向；
3.2，将在同一方向Ns个尺度的Aso(x，y)累加，获得Log-Gabor滤波卷积层Ao(x，y)：
Figure FDA0003081635500000041
其中，Ao(x，y)具有No个方向，与原图具有同样的尺寸；
3.3，将所有方向的Ao(x，y)按方向顺序0°～150°排列为
Figure FDA0003081635500000042
，ω为方向索引，ω＝1，2，…，No；
3.4，建立与基准图像具有同样尺寸的空白图像MIM；
3.5，对于MIM中的每个像素点(x，y)处，得到在
Figure FDA0003081635500000043
中相同位置的No个像素值；
3.6，将步骤3.5得到的No个像素值中的最大值所在的
Figure FDA0003081635500000044
的方向索引值ωmax作为MIM图(x，y)处的新像素值；
3.7，重复步骤3.5-3.6，遍历MIM中的所有像素点，得到新的MIM，即为最大索引图。
6.根据权利要求5所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，所述待配准图像所对应的多个候选最大索引图的获取过程为：
对于待配准图像，按照步骤3.1-3.7，得到一个候选最大索引图；然后，改变步骤3.3中构造
Figure FDA0003081635500000045
时Ao(x，y)的顺序，每一次改变都是设置不同的第1层，即将第1～No层依次设置为第1层，如此依次生成集合
Figure FDA0003081635500000046
，下标ω＝1，2，…，No，然后根据
Figure FDA0003081635500000047
按照步骤3.4-3.7，构造不同的
Figure FDA0003081635500000048
，即得到不同的候选最大索引图。
7.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，所述分别计算基准图像对应的一个最大索引图与待配准图像所对应的每个候选最大索引图之间的图像相似性，具体为：通过直方图匹配的方法计算每个待配准图像所对应的候选最大索引图与基准图像对应的一个最大索引图的灰度分布相似性，即分别计算每个待配准图像所对应的候选最大索引图与基准图像对应的一个最大索引图的灰度分布直方图，然后计算每个待配准图像对应的灰度分布直方图与基准图像对应的灰度分布直方图之间的巴氏距离，巴氏距离越小则相似性越高。
8.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，所述构建基准图像和待配准图像中每个特征点的似GLOH特征描述子，具体过程为：
首先，分别在基准图像和待配准图像的最大索引图上以特征点所在的坐标为中心建立极坐标系，取半径R的圆形区域作为支撑区域；
其次，对于每个支撑区域，将其按d个方向划分为D个扇形子区域；d、D分别为正数；
最后，统计每一个子区域内各个索引编号的个数，然后连接为D*d维的描述向量，对该描述向量进行归一化，得到归一化后的描述向量，再对归一化后的描述向量中大于0.2的元素进行截断，最后再次进行归一化，得到最终的似GLOH特征描述子。
9.根据权利要求1所述的基于改进RIFT的多模遥感图像配准方法，其特征在于，步骤6中，所述采用最近邻度量算法对基准图像和待配准图像的所有特征点的似GLOH特征描述子进行相似性度量，具体为：对基准图像和实时图像每个特征点对应的特征描述子采用欧氏距离进行度量，即计算最近欧式距离与次近欧式距离之间的比值，如果该比值小于某阈值，则认为二者为匹配点对。
CN202110568291.4A 2021-05-25 2021-05-25 基于改进rift的多模遥感图像配准方法 Pending CN113409369A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110568291.4A CN113409369A (zh) 2021-05-25 2021-05-25 基于改进rift的多模遥感图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110568291.4A CN113409369A (zh) 2021-05-25 2021-05-25 基于改进rift的多模遥感图像配准方法

Publications (1)

Publication Number Publication Date
CN113409369A true CN113409369A (zh) 2021-09-17

Family

ID=77674786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110568291.4A Pending CN113409369A (zh) 2021-05-25 2021-05-25 基于改进rift的多模遥感图像配准方法

Country Status (1)

Country Link
CN (1) CN113409369A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241022A (zh) * 2022-02-28 2022-03-25 北京艾尔思时代科技有限公司 一种无人机图像自动配准方法及系统
US12131517B1 (en) * 2023-08-18 2024-10-29 Jinan University Multi-source image correspondence method and system based on heterogeneous model fitting

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914847A (zh) * 2014-04-10 2014-07-09 西安电子科技大学 基于相位一致性和sift的sar图像配准方法
CN109523585A (zh) * 2018-11-19 2019-03-26 武汉大学 一种基于方向相位一致性的多源遥感影像特征匹配方法
CN111126508A (zh) * 2019-12-31 2020-05-08 湖南云顶智能科技有限公司 一种基于hopc改进的异源图像匹配方法
CN111462198A (zh) * 2020-03-10 2020-07-28 西南交通大学 一种尺度、旋转和辐射不变性的多模态影像配准方法
CN112132006A (zh) * 2020-09-21 2020-12-25 西南交通大学 一种面向耕地保护的林地和建筑物智能提取方法
CN112288784A (zh) * 2020-10-09 2021-01-29 武汉大学 一种描述子邻域自适应的弱纹理遥感影像配准方法
CN112634335A (zh) * 2020-12-25 2021-04-09 清华大学 面向非线性辐射畸变的稳健遥感影像特征点对提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914847A (zh) * 2014-04-10 2014-07-09 西安电子科技大学 基于相位一致性和sift的sar图像配准方法
CN109523585A (zh) * 2018-11-19 2019-03-26 武汉大学 一种基于方向相位一致性的多源遥感影像特征匹配方法
CN111126508A (zh) * 2019-12-31 2020-05-08 湖南云顶智能科技有限公司 一种基于hopc改进的异源图像匹配方法
CN111462198A (zh) * 2020-03-10 2020-07-28 西南交通大学 一种尺度、旋转和辐射不变性的多模态影像配准方法
CN112132006A (zh) * 2020-09-21 2020-12-25 西南交通大学 一种面向耕地保护的林地和建筑物智能提取方法
CN112288784A (zh) * 2020-10-09 2021-01-29 武汉大学 一种描述子邻域自适应的弱纹理遥感影像配准方法
CN112634335A (zh) * 2020-12-25 2021-04-09 清华大学 面向非线性辐射畸变的稳健遥感影像特征点对提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜刚 等: "一种改进的辐射不变特征多源图像配准算法", 《测绘科学》 *
梁毅 等: "利用SAR图像匹配的弹体定位新方法", 《西安电子科技大学学报（自然科学版）》 *
熊欣: "《人脸识别技术与应用》", 黄河水利出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241022A (zh) * 2022-02-28 2022-03-25 北京艾尔思时代科技有限公司 一种无人机图像自动配准方法及系统
CN114241022B (zh) * 2022-02-28 2022-06-03 北京艾尔思时代科技有限公司 一种无人机图像自动配准方法及系统
US12131517B1 (en) * 2023-08-18 2024-10-29 Jinan University Multi-source image correspondence method and system based on heterogeneous model fitting

Similar Documents

Publication Publication Date Title
Yao et al. Multi-modal remote sensing image matching considering co-occurrence filter
CN113643334A (zh) 基于结构相似性的异源遥感图像配准方法
CN110135438B (zh) 一种基于梯度幅值预运算的改进surf算法
CN113409369A (zh) 基于改进rift的多模遥感图像配准方法
CN110569861A (zh) 一种基于点特征和轮廓特征融合的图像匹配定位方法
CN112288784B (zh) 一种描述子邻域自适应的弱纹理遥感影像配准方法
CN103077528A (zh) 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法
CN116883464A (zh) 一种针对大视角差异光学与sar遥感图像的配准方法
CN116612165A (zh) 一种针对大视角差异sar图像的配准方法
CN115641367A (zh) 一种基于多级特征匹配的红外和可见光图像配准方法
CN116452995A (zh) 基于机载任务机的航拍图像定位方法
CN118279618A (zh) 一种基于稳健特征点的光学图像与sar图像匹配方法
CN117173437A (zh) 多维定向自相似特征的多模态遥感影像混合匹配方法和系统
Zhao et al. Principal direction-based Hough transform for line detection
CN116543184A (zh) 一种局部能量响应特征变换的多模态图像匹配方法及系统
CN115205558B (zh) 一种具有旋转和尺度不变性的多模态影像匹配方法及装置
Li et al. Unmanned aerial vehicle image matching based on improved RANSAC algorithm and SURF algorithm
CN115861792A (zh) 一种加权相位定向描述的多模态遥感影像匹配方法
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
CN115131413A (zh) 基于多尺度三维频域卷积特征的多模遥感图像配准方法
Wang et al. A multi-sensor image matching method based on KAZE-HOG features
CN114241022A (zh) 一种无人机图像自动配准方法及系统
Wang et al. An adaptive SAR and optical images registration approach based on SOI-SIFT
Xiong et al. Feature Matching of Multimodal Images Based on Nonlinear Diffusion and Progressive Filtering
CN118447271A (zh) 一种融合空间与相位特征的光学与sar异源卫星图像匹配方法

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