CN113643334A - 基于结构相似性的异源遥感图像配准方法 - Google Patents
基于结构相似性的异源遥感图像配准方法 Download PDFInfo
- Publication number
- CN113643334A CN113643334A CN202110779204.XA CN202110779204A CN113643334A CN 113643334 A CN113643334 A CN 113643334A CN 202110779204 A CN202110779204 A CN 202110779204A CN 113643334 A CN113643334 A CN 113643334A
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- reference image
- phase consistency
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 2
- 229940088594 vitamin Drugs 0.000 claims 2
- 229930003231 vitamin Natural products 0.000 claims 2
- 235000013343 vitamin Nutrition 0.000 claims 2
- 239000011782 vitamin Substances 0.000 claims 2
- 150000003722 vitamin derivatives Chemical class 0.000 claims 2
- 230000005855 radiation Effects 0.000 abstract description 10
- 230000004927 fusion Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012163 sequencing technique 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感图像技术领域，公开了一种基于结构相似性的异源遥感图像配准方法。该方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与相位一致性局部自相似性所组成的混和特征描述子进行特征描述，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
技术领域
本发明涉及遥感图像配准技术领域，具体涉及一种基于结构相似性的异源遥感图像配准方法。
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。异源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。由于异源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异源图像配准领域。结构特征是对图像信息更高层次的描述，可以在异源图像中稳定存在，因此基于结构特征的图像配准方法常用于异源图像间的匹配，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异源图像配准结果，需要提取到稳定的结构特征信息。图像中最基本的结构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-InvariantFeature Transform，SIFT)、加速鲁棒特征(Speeded-Up Robust Features，SURF)、ORB(Oriented FAST 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，由于异源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特征算法在异源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结构相似性的异源遥感图像配准方法，其涉及一种结构相似性(Structural Properties)方法，该方法利用图像的相位一致性(PhaseCongruency，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(Maximum Index Map，MIM)与相位一致性局部自相似性(Local Self-Similarity)所组成的混和描述子进行特征描述，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。
一种基于结构相似性的异源遥感图像配准方法，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分别为遥感图像，且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，计算基准图像和待配准图像对应的最大索引图；
步骤4，根据基准图像和待配准图像的相位一致性信息，构造相位一致性自相似(PCSS)描述子；
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剃度位置方向直方图GLOH(Gradient Location-Orientation Histogram)特征描述子；
步骤6，将基准图像和待配准图像的PCSS描述子和似GLOH特征描述子进行结合，构建混合特征描述子；
步骤7，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混合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，由于异源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。首先，构造基准图像与实时图像的卷积序列所构造的最大索引图以及PCSS描述子；其次，基于基准图像和实时图像的混和描述子进行相似性度量，提高同名点之间的相似性；最后，用基于最近邻配准的算法进行相似性度量，得到粗配准结果，再通过FSC算法进行误匹配点剔除，得到最终的精配准结果。
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为本发明实施例的第一组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6为本发明实施例的第二组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为本发明实施例的第三组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。
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结构相似性的异源遥感图像配准方法，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：
式中，(ρ，θ)是对数极坐标；下标s表示2D-LGF的尺度，下标o分别表示2D-LGF的方向；(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，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，i表示虚数单位；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：
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：
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；
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：
式中
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得到，即
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。
式中，三个中间量a，b，c计算公式如下所示：
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，计算基准图像和待配准图像各自的最大索引图；
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：
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
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
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
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。
对于基准图像和待配准图像均按照以上方式构造最大索引图。
步骤4，根据基准图像和待配准图像的相位一致性特征，构造相位一致性自相似(PCSS)描述子；
在局部区域中，以每个像素为中心取一定大小的邻域(3像素*3像素)作为子窗口，并计算所有的子窗口与中心子窗口的相位一致性差方和(Sum of Square Differences，SSD)，然后利用以下公式对SSD进行归一化处理转化为“相关曲面”Sq(x，y)。
式中，SSDq(x，y)为相位一致性差方和，varnoise是一个常数，表示由光照和噪声等引起的灰度变化；varauto(q)用来顾及子窗口的对比度以及相应的模式结构，当模式改变时，边界区域比平坦区域具有更好的容忍度。在实际应用中，varauto(q)为中心子窗口与其邻域(半径为1)内子窗口间的SSD最大值。
为了使描述子对于局部仿射形变具有一定的容忍性，把相关曲面转化到对数极坐标下，并在角度和径向方向上分别划分20份和4份，形成80个子区域。在每个子区域里，选择最大“相关值”作为特征值，形成80维PCSS描述子。最后对PCSS描述子进行归一化处理，进一步消除灰度变化造成的影响。
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。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，f＜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，将基准图像和待配准图像的PCSS描述子和似GLOH描述子进行结合，构建混合特征描述子；
将步骤4得到的80维PCSS描述子和步骤5所得到152维的似GLOH特征描述子进行组合，得到每一个特征点的具有232维混合描述子。
步骤7，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混合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：
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 tanceRatio＞Tresh，据绝匹配对
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
图5(a)为实验数据1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5(b)和图5(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6(a)为实验数据2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3中的SAR图像与可见光图像配准连线图，可以看出，在SAR图像成像质量较差且两幅图像存在辐射差异的情况下，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。
本发明能够对存在较大辐射差异、成像质量较差、较大灰度差异且场景复杂的异源图像实现精确配准，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)
1.一种基于结构相似性的异源遥感图像配准方法，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分别为遥感图像，且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，计算基准图像和待配准图像对应的最大索引图；
步骤4，根据基准图像和待配准图像的相位一致性信息，构造相位一致性自相似描述子；
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，将基准图像和待配准图像的相位一致性自相似描述子和似GLOH特征描述子进行结合，构建混合特征描述子；
步骤7，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混合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所述的基于结构相似性的异源遥感图像配准方法，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)：
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：
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，为了防止分母为零；
表示封闭的值为正值时运算结果等于其本身，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：
式中
E(x，y)是一个局部能量函数，
3.根据权利要求1所述的基于结构相似性的异源遥感图像配准方法，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：
式中，三个中间量a、b、c计算公式如下：
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所述的基于结构相似性的异源遥感图像配准方法，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所述的基于结构相似性的异源遥感图像配准方法，其特征在于，所述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)：
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
ω为方向索引，ω＝1，2，…，No；
3.4，建立与原始图像具有同样尺寸的空白图像MIM；
其中，所述原始图像为基准图像或待配准图像；
3.5，对于MIM中的每个像素点(x，y)处，得到在
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
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1所述的基于结构相似性的异源遥感图像配准方法，其特征在于，所述构造相位一致性自相似描述子的过程为：
首先，在局部区域中，以每个像素为中心取一定大小的邻域作为子窗口，并计算所有的子窗口与中心子窗口的相位一致性差方和SSDq(x，y)，然后对SSDq(x，y)进行归一化处理将其转化为相关曲面Sq(x，y)；
式中，varnoise是常数，表示由光照和噪声等引起的灰度变化；varaulo(q)用来顾及子窗口的对比度以及相应的模式结构，其值为中心子窗口与其邻域内子窗口间的SSDq(x，y)最大值；
然后，把相关曲面转化到对数极坐标下，并在角度和径向方向上分别划分m1份和n1份，形成m1*n1个子区域；在每个子区域里，选择最大相关值作为特征值，形成m1*n1维PCSS描述子；m1，n1为正整数；
最后对PCSS描述子进行归一化处理即可。
7.根据权利要求6所述的基于结构相似性的异源遥感图像配准方法，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。
8.根据权利要求7所述的基于结构相似性的异源遥感图像配准方法，其特征在于，所述混合特征描述子为：将步骤4得到的m1×n1维PCSS描述子和步骤5所得到D*d维的似GLOH特征描述子进行组合，得到每一个特征点的具有m1*n1+D*d维混合描述子。
9.根据权利要求1所述的基于结构相似性的异源遥感图像配准方法，其特征在于，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混合特征描述子进行相似性度量，具体为：对基准图像和待配准图像每个特征点对应的混合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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779204.XA CN113643334A (zh) | 2021-07-09 | 2021-07-09 | 基于结构相似性的异源遥感图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779204.XA CN113643334A (zh) | 2021-07-09 | 2021-07-09 | 基于结构相似性的异源遥感图像配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643334A true CN113643334A (zh) | 2021-11-12 |
Family
ID=78416977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110779204.XA Pending CN113643334A (zh) | 2021-07-09 | 2021-07-09 | 基于结构相似性的异源遥感图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643334A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119686A (zh) * | 2021-11-24 | 2022-03-01 | 刘文平 | 空间布局相似计算的多源遥感影像配准方法 |
| 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 |
| CN116129146A (zh) * | 2023-03-29 | 2023-05-16 | 中国工程物理研究院计算机应用研究所 | 一种基于局部特征一致性的异源图像匹配方法及系统 |
| CN116485858A (zh) * | 2023-06-25 | 2023-07-25 | 中国人民解放军国防科技大学 | 基于多尺度跨模态邻域描述子的异源图像配准方法及装置 |
| CN117746156A (zh) * | 2023-12-29 | 2024-03-22 | 北京鸿鹄云图科技股份有限公司 | 一种智能图形识别与测量方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
-
2021
- 2021-07-09 CN CN202110779204.XA patent/CN113643334A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 (2)
| Title |
|---|
| JING HUANG 等: "Multimodal image matching using self similarity", 《2011 IEEE APPLIED IMAGERY PATTERN RECOGNITION WORKSHOP (AIPR)》 * |
| 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》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119686A (zh) * | 2021-11-24 | 2022-03-01 | 刘文平 | 空间布局相似计算的多源遥感影像配准方法 |
| 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 |
| CN116129146A (zh) * | 2023-03-29 | 2023-05-16 | 中国工程物理研究院计算机应用研究所 | 一种基于局部特征一致性的异源图像匹配方法及系统 |
| CN116129146B (zh) * | 2023-03-29 | 2023-09-01 | 中国工程物理研究院计算机应用研究所 | 一种基于局部特征一致性的异源图像匹配方法及系统 |
| CN116485858A (zh) * | 2023-06-25 | 2023-07-25 | 中国人民解放军国防科技大学 | 基于多尺度跨模态邻域描述子的异源图像配准方法及装置 |
| CN116485858B (zh) * | 2023-06-25 | 2023-09-01 | 中国人民解放军国防科技大学 | 基于多尺度跨模态邻域描述子的异源图像配准方法及装置 |
| CN117746156A (zh) * | 2023-12-29 | 2024-03-22 | 北京鸿鹄云图科技股份有限公司 | 一种智能图形识别与测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113643334A (zh) | 基于结构相似性的异源遥感图像配准方法 | |
| CN110332887B (zh) | 一种基于特征光标点的单目视觉位姿测量系统及方法 | |
| CN111080529A (zh) | 一种加强鲁棒性的无人机航拍图像拼接方法 | |
| CN110569861B (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
| CN112150520A (zh) | 一种基于特征点的图像配准方法 | |
| Fan et al. | SAR image registration using multiscale image patch features with sparse representation | |
| CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
| CN116883464A (zh) | 一种针对大视角差异光学与sar遥感图像的配准方法 | |
| 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 | |
| Huang et al. | SAR and optical images registration using shape context | |
| CN113409369A (zh) | 基于改进rift的多模遥感图像配准方法 | |
| CN112288784B (zh) | 一种描述子邻域自适应的弱纹理遥感影像配准方法 | |
| CN116468760A (zh) | 一种基于各向异性扩散描述的多源遥感图像配准方法 | |
| CN116612165A (zh) | 一种针对大视角差异sar图像的配准方法 | |
| CN114241022B (zh) | 一种无人机图像自动配准方法及系统 | |
| CN114565653B (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
| Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
| Huang et al. | Robust registration of multimodal remote sensing images with spectrum congruency | |
| Li et al. | Unmanned aerial vehicle image matching based on improved RANSAC algorithm and SURF algorithm | |
| WO2018076137A1 (zh) | 一种高光谱图像特征描述子的获取方法及装置 | |
| 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 | |
| Pan et al. | High-resolution optical and SAR image registration using local self-similar descriptor based on edge feature | |
| Wang et al. | A multi-sensor image matching method based on KAZE-HOG features | |
| Yu et al. | Stable feature point extraction for accurate multi-temporal SAR image registration | |
| Qiangxian et al. | A Directional Region-Based Feature Point Matching Algorithm based on SURF |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |
|
| RJ01 | Rejection of invention patent application after publication |