CN113469003B - 一种遥感图像的匹配方法 - Google Patents

一种遥感图像的匹配方法 Download PDF

Info

Publication number
CN113469003B
CN113469003B CN202110704201.XA CN202110704201A CN113469003B CN 113469003 B CN113469003 B CN 113469003B CN 202110704201 A CN202110704201 A CN 202110704201A CN 113469003 B CN113469003 B CN 113469003B
Authority
CN
China
Prior art keywords
image
complexity
matching
information
reference 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.)
Active
Application number
CN202110704201.XA
Other languages
English (en)
Other versions
CN113469003A (zh
Inventor
崔荣成
温蜜
张凯
孙超
种法广
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.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power 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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202110704201.XA priority Critical patent/CN113469003B/zh
Publication of CN113469003A publication Critical patent/CN113469003A/zh
Application granted granted Critical
Publication of CN113469003B publication Critical patent/CN113469003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明涉及一种遥感图像的匹配方法，属于图像匹配技术。因为该方法结合灰度共生矩阵和层次分析法，定量计算图像的复杂度信息，所以，可以实现遥感图像的更高效的匹配。此外，通过计算图像关键点的复杂度，根据图像的复杂度和关键点数量信息来估计关键点的控制参数。在阈值迭代更新阶段，考虑待匹配两幅图像的综合信息，从而得到匹配结果。所以，本发明可以应用于复制遥感图像的匹配，并同时检测参考图像和目标图像的信息，鲁棒地提取关键点，充分利用图像信息，节约匹配时间，具有更好的对准精度和实时性，从而更好的应用到环境监测、地形勘测、军事侦查、灾害预警等多个领域。

Description

一种遥感图像的匹配方法
技术领域
本发明涉及图像匹配技术，具体涉及一种遥感图像的匹配方法。
背景技术
遥感成像技术广泛应用于目标定位、地质调查和地球表面环境变化探测等领域。图像匹配是遥感成像技术的研究热点之一。遥感影像匹配是指在不同的辐射和几何条件下，对同一场景的两幅或多幅遥感影像进行校正的过程。在遥感应用中，不同的传感器、不同的时间、不同的角度、不同的时间、不同的亮度等因素是非常常见的。因此，研究不同的遥感影像匹配具有重要意义。
图像匹配方法一般分为基于区域和基于特征的方法。在基于区域的方法中，开发人员专注于特征匹配步骤，而不是特征检测，这可能导致较差的特征检测。并且如果图像被复杂的变换变形，这类方法不能够匹配特定场景的相同部分。基于特征的方法提取稳定结构特征，如区域、线段或点作为特征，得到图像间所有假设差异和具有复杂变换不变性和鲁棒性特征描述符。基于特征的方法因其鲁棒性和可靠性成为主要的研究方法。
基于特征的图像匹配方法一般情况通常包括四个重要阶段。首先从目标图像和参考图像中提取重要特征点或关键点。然后构建这些关键描述符，它们不受视口和灯光变化的影响。然后根据提取的特征和它们的描述符匹配目标图像和参考图像，并且通过适当的映射函数(RANSAC)检测和去除离群匹配对。在最后阶段，当异常值很多时，映射函数不能去除错误的匹配对，因此导致匹配过程失败。
尺度不变特征变换(SIFT)算法是图像特征匹配的流行算法之一，它对于图像平移、缩放、旋转是恒定的，对于光变化和仿射投影是不变的。在SIFT图像匹配算法中，提取的关键点对两幅图像之间的比例和旋转变化有一定的鲁棒性。由于遥感图像的高分辨率和复杂性，但是在用于遥感图像匹配的SIFT算法还存在图像信息利用不足、特征提取数量不稳定、匹配精度差、匹配时间长等问题。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种涉及遥感图像的匹配方法。
本发明提供了一种遥感图像的匹配方法，用于对包含目标图像和参考图像的遥感图像进行处理后，得到匹配结果，具有这样的特征，包括：步骤S1，将目标图像和参考图像进行灰度化与图像复杂度计算，得到对应的灰度图像与图像复杂度结果；步骤S2，对灰度图像进行特征提取，得到对应的关键点数量信息；步骤S3，将图像复杂度结果与关键点数量信息进行对比度阈值更新后，分别得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；步骤S4，对最佳目标图像对比度阈值和最佳参考图像对比度阈值进行特征提取，得到目标图像特征信息和参考图像特征信息；步骤S5，将目标图像特征信息和参考图像特征信息进行特征匹配和匹配优化，得到匹配结果；以及步骤S6，若匹配结果满足预定条件，则目标图像和参考图像相匹配。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，步骤S1包括如下子步骤：步骤S1-1，将目标图像和参考图像进行灰度化处理，得到灰度图像；步骤S1-2，提取灰度图像的灰度共生矩阵，得到多个特征值，采用层次分析法对多个特征值进行分析和计算，得到图像复杂度结果。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，步骤S1-2包括如下子步骤：步骤S1-2-1，将目标图像和参考图像对应的灰度图像作为初始图像；步骤S1-2-2，通过灰度共生矩阵计算公式对初始图像进行灰度共生矩阵计算，得到五个特征值；步骤S1-2-3，采用层次分析法对五个特征值之间的权重关系进行分析，并得到比较矩阵；以及步骤S1-2-4，计算比较矩阵的权重分布，进行一致性检验后，得到图像复杂度信息。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，五个特征值分别为能量、对比度、自相关性、同质性及逆差，
能量的具体公式如下：
Figure BDA0003131521500000031
对比度的具体公式如下：
Figure BDA0003131521500000032
在式(1)-式(2)中，
Figure BDA0003131521500000041
Figure BDA0003131521500000042
Figure BDA0003131521500000043
Figure BDA0003131521500000044
自相关性的具体公式如下：
Figure BDA0003131521500000045
同质性的具体公式如下：
Figure BDA0003131521500000046
逆差的具体公式对应如下：
Figure BDA0003131521500000047
其中，k为图像中的像素总数,G(i，j)为图像的灰度共生矩阵，图像复杂度信息的计算公式如下：
COMP＝w1·ASM+w2·COR+w3·CON+w4·HOM+w5·DISS(6)。在本发明提供的遥感图像的匹配方法中，还具有这样的特征：
其中，步骤S1-2-4中，权重分布为：
W＝[0.24，0.17，0.26，0.15，0.18]T(7)
图像复杂度信息的具体公式为：
COMP＝0.24·ASM+0.17·COR+0.26·CON+0.15·HOM+0.18·DISS(8)。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，步骤S3包括如下子步骤：步骤S3-1，设定目标图像初始对比度阈值和参考图像初始对比度阈值，并进行关键点提取，得到关键点数量信息和图像复杂度信息；步骤S3-2，根据关键点数量信息和图像复杂度信息，分别得到目标图像关键点复杂度和参考图像关键点复杂度；
步骤S3-3，计算目标图像关键点复杂度和参考图像关键点复杂度的相对差异RDC；步骤S3-4，判断当前RDC是否为最小值；步骤S3-5，若当前RDC为最小值，则得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；步骤S3-6，若当前RDC不为最小值，判断目标图像关键点复杂度是否小于参考图像关键点复杂度；步骤S3-7，若目标图像关键点复杂度小于参考图像关键点复杂度，则对目标图像关键点复杂度进行对比度阈值调整，重复步骤S3-2至步骤S3-4，得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；以及步骤S3-8，若目标图像关键点复杂度大于参考图像关键点复杂度，则对参考图像关键点复杂度进行对比度阈值调整，重复步骤S3-2至步骤S3-4，得到最佳参考图像对比度阈值和最佳参考图像对比度阈值。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，关键点提取的公式如下：
Figure BDA0003131521500000051
其中，D(X)为关键点位置，X＝[x,y,σ]，(x,y)和σ分别为特征位置和特征比例。
在本发明提供的遥感图像的匹配方法中，还具有这样的特征：其中，步骤S5包括如下子步骤：步骤S5-1，根据目标图像特征信息和参考图像特征信息指定CACT-SIFT描述符，采用最近邻双线性方法得到匹配对；以及步骤S5-2，通过RANSAC离群值拒绝方法指定正确的匹配对，删除错误的匹配点，得到匹配结果。
发明的作用与效果
根据本发明所涉及的一种遥感图像的匹配方法，因为本方法基于图像复杂度计算和对比度阈值自适应调整方法，通过计算图像的复杂度，并结合图像的整体信息，从而提高了图像特征提取的效果。另外，因为该方法结合灰度共生矩阵和层次分析法，定量计算图像的复杂度信息，所以，可以实现遥感图像的更高效的匹配。此外，通过计算图像关键点的复杂度，根据图像的复杂度和关键点数量信息来估计关键点的控制参数。在阈值迭代更新阶段，考虑待匹配两幅图像的综合信息，从而得到匹配结果。所以，本发明可以应用于复制遥感图像的匹配，并同时检测参考图像和目标图像的信息，可以鲁棒地提取关键点，充分利用图像信息，节约匹配时间，具有更好的对准精度和实时性，从而更好的应用到环境监测、地形勘测、军事侦查、灾害预警等多个领域。
附图说明
图1是本发明的实施例中遥感图像的匹配方法的流程图；
图2是本发明的实施例中遥感图像的匹配系统的结构示意图；
图3是本发明的实施例中步骤S1的子步骤的流程图；
图4是本发明的实施例中步骤S1-2的子步骤的流程图；
图5是本发明的实施例中步骤S3的子步骤的流程图；以及
图6是本发明的实施例中步骤S5的子步骤的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明一种涉及遥感图像的匹配方法作具体阐述。
本实施例提供了一种遥感图像的匹配方法，遥感图像包含目标图像和参考图像。该方法采用遥感图像的匹配系统进行遥感图像匹配，其中，该系统包括图像预处理模块、特征提取模块、阈值调整模块、图像匹配模块及控制模块。控制模块控制图像预处理模块、特征提取模块、阈值调整模块、图像匹配模块运行。
图1是本发明的实施例中遥感图像的匹配方法的流程图；图2是本发明的实施例中遥感图像的匹配系统的结构示意图。
如图1与图2所示，本发明的实施例中遥感图像的匹配方法包括如下步骤：
步骤S1，将目标图像和参考图像进行灰度化与图像复杂度计算，分别得到各自对应的灰度图像与图像复杂度结果。
图3是本发明的实施例中步骤S1的子步骤的流程图。
如图3所示，步骤S1包括如下子步骤：
步骤S1-1，将目标图像和参考图像进行灰度化处理，分别得到对应的灰度图像。
步骤S1-2，提取灰度图像的灰度共生矩阵，得到多个特征值，采用层次分析法对多个特征值进行分析和计算，得到对应的图像复杂度结果。
图4是本发明的实施例中步骤S1-2的子步骤的流程图。
如图4所示，步骤S1-2包括如下子步骤：
步骤S1-2-1，将目标图像和参考图像对应的灰度图像作为初始图像。
步骤S1-2-2，通过灰度共生矩阵计算公式对初始图像进行灰度共生矩阵计算，得到五个特征值。
在步骤S1-2-2中，五个特征值分别为能量、对比度、自相关性、同质性及逆差。
能量的具体公式如下：
Figure BDA0003131521500000081
对比度的具体公式如下：
Figure BDA0003131521500000082
在式(1)-式(2)中，
Figure BDA0003131521500000083
Figure BDA0003131521500000091
Figure BDA0003131521500000092
Figure BDA0003131521500000093
自相关性的具体公式如下：
Figure BDA0003131521500000094
同质性的具体公式如下：
Figure BDA0003131521500000095
逆差的具体公式对应如下：
Figure BDA0003131521500000096
其中，k为图像中的像素总数,G(i，j)为图像的灰度共生矩阵，
图像复杂度信息的计算公式如下：
COMP＝w1·ASM+w2·COR+w3·CON+w4·HOM+w5·DISS
(6)。
步骤S1-2-3，采用层次分析法对五个特征值之间的权重关系进行分析，并得到比较矩阵；
在步骤S1-2-3中，采用层次分析法(AHP)对五个特征值因素之间的权重关系进行分析。具体采用九点语言量表来描述五个特征值因素两两比较的显著性，然后得到两两比较矩阵。
五个特征值因素两两比较矩阵的结果如表1所示。
表1五个特征值因素两两比较矩阵的结果
Figure BDA0003131521500000101
步骤S1-2-4，计算比较矩阵的权重分布，进行一致性检验后，得到图像复杂度信息。
通过计算不同比较矩阵下的权重分布，并进行一致性检验，得到最后的权重分布数据如下：
W＝[0.24，0.17，0.26，0.15，0.18]T (7)
根据复杂度计算公式得到最终的复杂度数值：
COMP＝0.24·ASM+0.17·COR+0.26·CON+0.15·HOM+0.18·DISS (8)。
在本实施例中，步骤S1的具体操作过程如下：
在图像预处理模块中输入目标图像和参考图像，进行图像预处理操作，该操作包含图像灰度化操作和图像复杂度计算操作。具体地，首先对输入的目标图像和参考图像进行灰度化处理，得到对应的遥感图像灰度图像。将对应的遥感图像灰度图输入到特征提取模块进行特征提取。然后针对灰度图像进行复杂度定量计算，将最终计算得到的图像复杂度结果输入到阈值调整模块中。
步骤S2，对灰度图像进行特征提取，得到关键点数量信息。
在本实施例中，步骤S2的具体操作过程如下：
特征提取模块接受图像预处理模块的灰度图像和阈值调整模块的阈值，进行灰度图像的给定阈值特征提取操作，得到灰度图像的特关键点数量信息，并将关键点数量信息传输给阈值调整模块进行阈值调整更新。
步骤S3，将图像复杂度结果与关键点数量信息进行对比度阈值更新后，分别得到最佳目标图像对比度阈值和最佳参考图像对比度阈值。
图5是本发明的实施例中步骤S3的子步骤的流程图。
如图5所示，步骤S3包括如下子步骤：
步骤S3-1，设定目标图像初始对比度阈值和参考图像初始对比度阈值，并进行关键点提取，得到关键点数量信息和图像复杂度信息；
在步骤S3-1中，关键点提取公式如下：
Figure BDA0003131521500000111
公式(9)中，D(X)为关键点位置，X＝[x,y,σ]，(x,y)和σ分别为特征位置和特征比例。
步骤S3-2，根据关键点数量信息和图像复杂度信息，分别得到目标图像关键点复杂度和参考图像关键点复杂度。
在步骤S3-2中，根据图像复杂度信息COMP和关键点数量NoK来估计关键点的控制参数，即图像关键点的复杂度CiK。
CiK的计算公式如下：
CiKF(Tc)＝log(COMP(F)×Nok(F，Tc)) (10)
通过公式(10)，分别得到目标图像关键点复杂度和参考图像关键点复杂度。
步骤S3-3，计算目标图像关键点复杂度和参考图像关键点复杂度的相对差异RDC。
在步骤S3-3中，从目标图像和参考图像中提取的关键点的数量来最小化目标图像和参考图像之间的CiK相对差异，这些关键点是通过控制每个图像的Tcf来单独提取的。因此，标准RDC，参考图像和目标图像之间CiK的相对差异定义如下：
Figure BDA0003131521500000121
式(11)中，Cik(Tc_target)表示目标图像对比度阈值的图像关键点的复杂度，Cik(Tc_target)表示参考图像对比度阈值的图像关键点的复杂度。
步骤S3-4，判断当前RDC是否为最小值。
步骤S3-5，若当前RDC为最小值，则得到最佳目标图像对比度阈值和最佳参考图像对比度阈值。
步骤S3-6，若当前RDC不为最小值，判断目标图像关键点复杂度是否小于参考图像关键点复杂度。
步骤S3-7，若目标图像关键点复杂度小于参考图像关键点复杂度，则对目标图像关键点复杂度进行对比度阈值调整，重复步骤S3-2至步骤S3-4，得到最佳目标图像对比度阈值和最佳参考图像对比度阈值。
在步骤S3-7中，对比度阈值调整的过程为：目标图像的对比度阈值＝当前的目标图像的对比度阈值-X目标图形的初始对比度阈值，X为目标图形的初始对比度阈值的系数。
步骤S3-8，若目标图像关键点复杂度大于参考图像关键点复杂度，则对参考图像关键点复杂度进行对比度阈值调整，重复步骤S32至步骤S3-4，得到最佳参考图像对比度阈值和最佳参考图像对比度阈值。
在步骤S3-8中，对比度阈值调整的过程为：参考图像的对比度阈值＝当前的参考图像的对比度阈值-X参考图形的初始对比度阈值，X为参考图形的初始对比度阈值的系数。
在本实施例中，步骤S3的具体操作过程如下：
阈值调整模块首先接收图像预处理模块传递的图像复杂度信息，同时接受特征提取模块的关键点数量信息，计算给定定义的CiK(图像关键点的复杂度)数值，然后计算参考图像和目标图像之间的CiK相对差值(RDC)，并以迭代式方式获取最小值RDC时的阈值信息，从而对初始化的阈值进行调整更新，最后将最佳的阈值结果(最佳参考图像对比度阈值和最佳参考图像对比度阈值)传给特征提取模块。
步骤S4，对最佳目标图像对比度阈值和最佳参考图像对比度阈值进行特征提取，得到目标图像特征信息和参考图像特征信息。
步骤S5，将目标图像特征信息和参考图像特征信息进行特征匹配和匹配优化，得到匹配结果。
图6是本发明的实施例中步骤S5的子步骤的流程图。
如图6所示，步骤S5包括如下子步骤：
步骤S5-1，根据目标图像特征信息和参考图像特征信息指定CACT-SIFT描述符，采用最近邻双线性方法得到匹配对，并用数组对应关系表示。
步骤S5-2，通过RANSAC离群值拒绝方法指定正确的匹配对，删除错误的匹配点，得到匹配结果。
步骤S6，若匹配结果满足预定条件，则目标图像和参考图像相匹配，若匹配结果不满足预定条件，则目标图像和参考图像不匹配。
在本实施例中，在步骤S5与步骤S6的具体操作中，图像匹配模首先接受来自特征提取模块已经进行特征提取的图像对，结合提取的关键点和生成的CACT-SIFT描述符，进行对应特征点的特征匹配。然后根据RANSAC(随机一致性检验)方法拒绝离群值，剔除误匹配点并进行匹配优化。最后得到两幅匹配图像的最优匹配结果。若匹配结果满足设定条件，则判定两幅图像匹配完成。若匹配结果不满足相应条件，则判断两幅图像不是相似图像，无法匹配。
实施例的作用与效果
根据本实施例所涉及的一种遥感图像的匹配方法，因为本方法基于图像复杂度计算和对比度阈值自适应调整方法，通过计算图像的复杂度，并结合图像的整体信息，从而提高了图像特征提取的效果。另外，因为该方法结合灰度共生矩阵和层次分析法，定量计算图像的复杂度信息，所以，可以实现遥感图像的更高效的匹配。此外，通过计算图像关键点的复杂度，根据图像的复杂度和关键点的数量来估计关键点的控制参数。在阈值迭代更新阶段，考虑待匹配两幅图像的综合信息，从而得到匹配结果。所以，本实施例可以应用于复制遥感图像的匹配，并同时检测参考图像和目标图像的信息，可以鲁棒地提取关键点，充分利用图像信息，节约匹配时间长，具有更好的对准精度和实时性，从而更好的应用到环境监测、地形勘测、军事侦查、灾害预警等多个领域。
进一步地，根据本实施例所涉及的一种遥感图像的匹配方法，因为在该方法中，采用层次分析法对所述五个特征值之间的权重关系进行分析，所以，可以系统地对五个特征值进行分析，简洁实用。
进一步地，根据本实施例所涉及的一种遥感图像的匹配方法，因为在步骤3中，通过计算目标图像关键点复杂度和参考图像关键点复杂度，得到二者之间的相对差异RDC，并判定RDC是否为最小值，进行对比度阈值调整，使RDC达到最小值，从而得到最佳阈值结果。所以，通过对比度阈值调整方法，提高了最佳阈值结果的精确度。
进一步地，根据本实施例所涉及的一种遥感图像的匹配方法，因为该方法通过CACT-SIFT描述符，并采用最近邻双线性方法得到匹配对，所以，该方法在图像匹配过程中，受外界干扰因素小，匹配效率高。
进一步地，根据本实施例所涉及的一种遥感图像的匹配方法，因为通过随机一致性检验方法拒绝离群值，剔除误匹配点并进行图像匹配优化，所以，对于很多异常值，可以有效地去除错误的匹配对，从而提高了图像匹配的成功率。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种遥感图像的匹配方法，用于对包含目标图像和参考图像的遥感图像进行处理后，得到匹配结果，其特征在于，包括：
步骤S1，将所述目标图像和所述参考图像进行灰度化与图像复杂度计算，得到对应的灰度图像与图像复杂度结果；
步骤S2，对所述灰度图像进行特征提取，得到对应的关键点数量信息；
步骤S3，将所述图像复杂度结果与所述关键点数量信息进行对比度阈值更新后，分别得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；
步骤S4，对所述最佳目标图像对比度阈值和所述最佳参考图像对比度阈值进行关键点信息特征提取，得到目标图像特征信息和参考图像特征信息；
步骤S5，将所述目标图像特征信息和所述参考图像特征信息进行特征匹配和匹配优化，得到匹配结果，包括如下子步骤：
步骤S5-1，根据所述目标图像特征信息和所述参考图像特征信息指定CACT-SIFT描述符，采用最近邻双线性方法得到匹配对；以及
步骤S5-2，通过RANSAC离群值拒绝方法指定正确的匹配对，删除错误的匹配点，得到匹配结果；以及
步骤S6，若所述匹配结果满足预定条件，则所述目标图像和所述参考图像相匹配。
2.根据权利要求1所述的遥感图像的匹配方法，其特征在于：
其中，步骤S1包括如下子步骤：
步骤S1-1，将所述目标图像和所述参考图像进行灰度化处理，得到灰度图像；
步骤S1-2，提取所述灰度图像的灰度共生矩阵，得到多个特征值，采用层次分析法对多个所述特征值进行分析和计算，得到图像复杂度结果。
3.根据权利要求1所述的遥感图像的匹配方法，其特征在于：
其中，步骤S1-2包括如下子步骤：
步骤S1-2-1，将所述目标图像和所述参考图像对应的灰度图像作为初始图像；
步骤S1-2-2，通过灰度共生矩阵计算公式对所述初始图像进行灰度共生矩阵计算，得到五个特征值；
步骤S1-2-3，采用层次分析法对所述五个特征值之间的权重关系进行分析，并得到比较矩阵；以及
步骤S1-2-4，计算所述比较矩阵的权重分布，进行一致性检验后，得到图像复杂度信息。
4.根据权利要求3所述的遥感图像的匹配方法，其特征在于：
其中，所述五个特征值分别为能量、对比度、自相关性、同质性及逆差，
所述能量的具体公式如下：
Figure FDA0003934396270000031
所述对比度的具体公式如下：
Figure FDA0003934396270000032
在式(1)-式(2)中，
Figure FDA0003934396270000033
Figure FDA0003934396270000034
Figure FDA0003934396270000035
Figure FDA0003934396270000036
所述自相关性的具体公式如下：
Figure FDA0003934396270000037
所述同质性的具体公式如下：
Figure FDA0003934396270000038
所述逆差的具体公式对应如下：
Figure FDA0003934396270000039
其中，k为图像中的像素总数，G(i，j)为图像的灰度共生矩阵，所述图像复杂度信息的计算公式如下：
COMP＝w1·ASM+w2·COR+w3·CON+w4·HOM+w5·DISS (6)。
5.根据权利要求3所述的遥感图像的匹配方法，其特征在于：
其中，步骤S1-2-4中，所述权重分布为：
W＝[0.24，0.17，0.26，0.15，0.18]T (7)
所述图像复杂度信息的具体公式为：
COMP＝0.24·ASM+0.17·COR+0.26·CON+0.15·HOM+0.18·DISS (8)。
6.根据权利要求1所述的遥感图像的匹配方法，其特征在于：
其中，步骤S3包括如下子步骤：
步骤S3-1，设定目标图像初始对比度阈值和参考图像初始对比度阈值，并进行关键点提取，得到关键点数量信息和图像复杂度信息；
步骤S3-2，根据所述关键点数量信息和所述图像复杂度信息，分别得到目标图像关键点复杂度和参考图像关键点复杂度；
步骤S3-3，计算所述目标图像关键点复杂度和所述参考图像关键点复杂度的相对差异RDC；
步骤S3-4，判断当前RDC是否为最小值；
步骤S3-5，若所述当前RDC为最小值，则得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；
步骤S3-6，若所述当前RDC不为最小值，判断所述目标图像关键点复杂度是否小于所述参考图像关键点复杂度；
步骤S3-7，若所述目标图像关键点复杂度小于所述参考图像关键点复杂度，则对所述目标图像关键点复杂度进行对比度阈值调整，重复步骤S3-2至步骤S3-4，得到最佳目标图像对比度阈值和最佳参考图像对比度阈值；以及
步骤S3-8，若所述目标图像关键点复杂度大于所述参考图像关键点复杂度，则对所述参考图像关键点复杂度进行对比度阈值调整，重复步骤S3-2至步骤S3-4，得到最佳参考图像对比度阈值和最佳参考图像对比度阈值。
7.根据权利要求6所述的遥感图像的匹配方法，其特征在于：
其中，步骤3-1中，所述关键点提取的公式如下：
Figure FDA0003934396270000051
其中，D(X)为关键点位置，X＝[x,y,σ]，(x,y)和σ分别为特征位置和特征比例。
CN202110704201.XA 2021-06-24 2021-06-24 一种遥感图像的匹配方法 Active CN113469003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110704201.XA CN113469003B (zh) 2021-06-24 2021-06-24 一种遥感图像的匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110704201.XA CN113469003B (zh) 2021-06-24 2021-06-24 一种遥感图像的匹配方法

Publications (2)

Publication Number Publication Date
CN113469003A CN113469003A (zh) 2021-10-01
CN113469003B true CN113469003B (zh) 2023-03-14

Family

ID=77872728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110704201.XA Active CN113469003B (zh) 2021-06-24 2021-06-24 一种遥感图像的匹配方法

Country Status (1)

Country Link
CN (1) CN113469003B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542526B (zh) * 2023-07-05 2023-09-19 山东省标筑建筑规划设计有限公司 一种国土空间规划中的灾害风险的评估方法、装置和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609555A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度共生矩阵的灰度模板匹配方法
CN108346162A (zh) * 2018-03-26 2018-07-31 西安电子科技大学 基于结构信息和空间约束的遥感图像配准方法
CN110097093A (zh) * 2019-04-15 2019-08-06 河海大学 一种异源图像精确匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085772B (zh) * 2020-08-24 2022-10-18 南京邮电大学 一种遥感图像配准方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609555A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度共生矩阵的灰度模板匹配方法
CN108346162A (zh) * 2018-03-26 2018-07-31 西安电子科技大学 基于结构信息和空间约束的遥感图像配准方法
CN110097093A (zh) * 2019-04-15 2019-08-06 河海大学 一种异源图像精确匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Method of the Extraction of Texture Feature";Haifang Li etc.;《International Symposium on Intelligence computation and Applications》;20081231;第368-377页 *
"融合LBP和GLCM的纹理特征提取方法";王国德等;《计算机工程》;20120630;第38卷(第11期);第199-201页 *

Also Published As

Publication number Publication date
CN113469003A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Ye et al. A multiscale framework with unsupervised learning for remote sensing image registration
Wang et al. Self-supervised deep homography estimation with invertibility constraints
Poiesi et al. Learning general and distinctive 3D local deep descriptors for point cloud registration
Mousavi et al. A two-step descriptor-based keypoint filtering algorithm for robust image matching
Li et al. LAM: Locality affine-invariant feature matching
Lu et al. A novel image registration approach via combining local features and geometric invariants
Zhou et al. Nonrigid feature matching for remote sensing images via probabilistic inference with global and local regularizations
Yu et al. An advanced outlier detected total least-squares algorithm for 3-D point clouds registration
Son et al. A multi-vision sensor-based fast localization system with image matching for challenging outdoor environments
US20200005078A1 (en) Content aware forensic detection of image manipulations
Kahaki et al. Geometric feature descriptor and dissimilarity-based registration of remotely sensed imagery
Liang et al. Image registration using two-layer cascade reciprocal pipeline and context-aware dissimilarity measure
CN113469003B (zh) 一种遥感图像的匹配方法
Yang et al. Non-rigid point set registration via global and local constraints
Hou et al. POS-GIFT: A geometric and intensity-invariant feature transformation for multimodal images
Chen et al. Aerial image matching method based on HSI hash learning
Zhao et al. Learning probabilistic coordinate fields for robust correspondences
Yang et al. Weak texture remote sensing image matching based on hybrid domain features and adaptive description method
Li et al. A genetic-optimized multi-angle normalized cross correlation SIFT for automatic remote sensing registration
Shi et al. Building extraction from high-resolution remotely sensed imagery based on multi-subgraph matching
CN111160433B (zh) 一种高分辨率图像特征点的高速匹配方法及系统
CN111951211B (zh) 一种目标检测方法、装置及计算机可读存储介质
de Lima et al. Toward a smart camera for fast high-level structure extraction
Liang et al. A binary method of multisensor image registration based on angle traversal
WO2020021238A1 (en) Method of model alignment through localisation usage

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