CN116342912A - 基于相关峰分析的异源遥感图像匹配方法及系统 - Google Patents
基于相关峰分析的异源遥感图像匹配方法及系统 Download PDFInfo
- Publication number
- CN116342912A CN116342912A CN202310622904.7A CN202310622904A CN116342912A CN 116342912 A CN116342912 A CN 116342912A CN 202310622904 A CN202310622904 A CN 202310622904A CN 116342912 A CN116342912 A CN 116342912A
- Authority
- CN
- China
- Prior art keywords
- correlation
- matching
- correlation peak
- peak
- gradient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001370 static light scattering Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相关峰分析的异源遥感图像匹配方法及系统，包括对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，计算两个逐像素特征描述子的相关性，生成相关面；确定相关峰的自适应范围；计算相关峰的自适应范围内的相对高度与坡度；将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性。采用计算逐像素特征描述子的相关性，生成相关面，进而得到匹配位置，相比于现有的直接利用模板计算相关峰位置，确定匹配位置的方法，本申请生成的相关面更可靠，通过设置的约束条件进行相关峰的判断，利用主峰的高度和尖锐度，作为评价场景匹配可靠性，得到的匹配位置更精确。
Description
技术领域
本发明涉及异源图像匹配技术领域，尤其涉及一种基于相关峰分析的异源遥感图像匹配方法及系统。
背景技术
影像匹配即在两幅或多幅影像间使用一定的算法寻找到足够的同名像点对的过程，是几何纠正、地形制图、影像融合和变化检测等诸多遥感应用的关键预处理步骤，其匹配精度直接决定了后续遥感应用的质量。
影像匹配技术在各领域应用的重要性以及问题的复杂性，使得提高影像匹配的效果日益成为学术研究的热门问题。作为影像处理和摄影测量领域的关键环节，国内外也提出了多种不同的匹配方法。根据影像匹配方法中匹配基元的不同，可以将其分为基于特征的影像匹配方法和基于区域的影像匹配方法。其中，基于区域的匹配方法又可细分为基于强度度量的匹配方法和描述子度量的匹配方法。
基于特征的匹配算法的主要流程包括特征提取、特征匹配、误差剔除和精度评定。特征提取主要的目标包括点特征、线特征和面特征。
大多数模板匹配技术关注于设计或构建一些复杂的相似性度量，其可以大致分为基于强度的度量，如NCC、MI；以及基于描述子的度量，如HOPC、DLSS、AWOG等。但很少有研究通过分析匹配得到的相关面以更精确地确定匹配位置。传统的图像匹配方法往往将相关面上相关性值最大的位置作为正确匹配，然而这种策略并不总是可靠的。这是因为图像中相似的结构会导致在相关面上出现多个高度相似的峰，而相似性值最高的位置并不一定是正确的匹配位置。
为了评价模板匹配的可靠性，需要详细分析相关面的特性。一般来说，整个相关面上的局部最大区域定义为相关峰，其中最高峰，或称为主峰，通常被认为是正确匹配的位置。如果主峰的最大相似度接近于一个或多个子峰的最大相似度，则表明存在几个相似的区域，这会降低模板匹配的可信度。因此，子峰与主峰的比值可被用作预测模板匹配可靠性的指标，但此前采用峰值比的方法只是简单地以局部最大的相关值作为相关峰的高度来计算比值，忽略了整个相关面上峰的相对关系，当峰与周围区域的相似度差异较小时，可能会导致误判。除子峰与主峰的比值外，其他一些指标，如主峰的高度和尖锐度也被用作评价场景匹配可靠性的指标，但此前采用相关面指标来评价匹配可靠性的研究大多只选择固定的范围（即一定大小的圆或正方形）作为相关峰的范围，而忽略了峰本身的固有特性与不同峰之间的区别。
鉴于此，本发明提出了一种基于相关峰分析的多模态遥感影像匹配方法，根据相关峰的梯度动态确定相关面中各峰的范围，最终在多个相关峰之中确定最佳匹配结果，实现遥感影像的精准匹配。
发明内容
因此，本发明的目的在于提供一种基于相关峰分析的多模态遥感影像匹配方法，根据相关峰的梯度动态确定相关面中各峰的范围，并对相关峰参数进行描述，最终在多个相关峰之中确定最佳匹配结果。
为了实现上述目的，本发明的一种基于相关峰分析的多模态遥感影像匹配方法，包括如下步骤：
S1、对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；
S2、根据生成的相关面确定相关峰的自适应范围；
S3、计算相关峰的自适应范围内的相对高度与坡度；
S4、将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
进一步优选的，在S1中，对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子包括如下步骤：
S101、判断异源遥感影像对的参考图像和目标图像的分辨率是否相同，若不相同，按照相同分辨率进行重采样；
S102、采用相位一致性方向直方图作为描述子，分别构建参考图像和目标图像两幅影像的逐像素特征表达。
进一步优选的，所述采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；包括采用滑动窗口的方式在参考影像上逐行列地裁剪，得到与输入的目标影像相同大小的影像块；
采用互相关作为相似性度量，根据如下公式逐行列地计算相似性，生成相关面：
其中，f(i, j)为参考影像f在(i, j)位置的特征值；
为参考影像f的影像特征的平均值；g(i, j)为目标影像g在(i, j)位置的特征值，/>
为目标影像g的影像特征的平均值。
进一步优选的，在S2中，根据生成的相关面确定相关峰的自适应范围，包括：
S201、将相关面上局部最大区域定义为相关峰；
S202、采用Sobel算子计算局部最大值邻域的水平梯度幅值与竖直梯度幅值；
S203、根据得到的梯度幅值，按照如下公式计算梯度方向：
S204、设置梯度阈值
，将得到的梯度幅值与设置的梯度阈值进行对比，
提取出相关峰范围内所有梯度大于该阈值的封闭区域，作为相关峰的自适应范围。
再进一步，在S203中，所述计算梯度方向时还包括，根据如下公式确定梯度的正负：
其中：Δθ表示原始梯度向量Gra与计算得到的理想梯度方向dir的差值，mag表示原始梯度向量Gra的幅值。
进一步优选的，在S3中，计算相关峰的自适应范围内的相对高度包括：
计算相关峰底部平面的平均高程zH，将相关峰的平均高程与相关峰的顶部高程H进行差值计算，得到相关峰的相对高度d。
进一步优选的，在S3中，计算相关峰的自适应范围内的坡度包括：
将相关峰拟合为二维高斯函数，通过二维高斯函数的参数对相关峰的特征进行描述；
将相关峰按照如下公式所示的二维高斯曲面表示：
相关峰的坡度按照如下公式计算：
其中，a二维高斯曲面的底部平面椭圆方程的长轴；b为二维高斯曲面的底部平面椭圆方程的短轴；A为局部最大值H的相关值，
为局部最大值的坐标，/>
分别为x方向和y方向上的方差。
进一步优选的，在S4中，所述将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性时，包括：
设定第一阈值T1、第二阈值T2和第三阈值T3；按照以下验证条件进行可靠性计算：
条件1：将相关峰自适应范围的主峰的相对高度H1与第一阈值T1比较；
条件2：当H1大于T1时，将其余次高峰与主峰之间的相对高度H2与第二阈值T2进行比较；
条件3：当H2大于T2时，将主峰的坡度与第三阈值T3进行比较；当主峰的坡度大于第三阈值T3时，认为本次匹配可靠，取主峰峰顶所在位置为正确匹配位置；
当条件1至条件3中出现任意一项条件不满足时，舍弃本次匹配的结果。
本申请还提供一种基于相关峰分析的多模态遥感影像匹配系统，用于实施上述基于相关峰分析的多模态遥感影像匹配方法，包括数据获取模块、相关性分析模块、自适应范围参数计算模块、匹配可靠性分析模块；
所述数据获取模块用于获取输入的异源遥感影像对；
所述自适应范围参数计算模块用于对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；根据生成的相关面确定相关峰的自适应范围；计算相关峰的自适应范围内的相对高度与坡度；
所述匹配可靠性分析模块，用于将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于相关峰分析的多模态遥感影像匹配方法的步骤。
本申请公开的一种基于相关峰分析的异源遥感图像匹配方法及系统相比于现有技术，至少具有以下优点： 本申请采用计算逐像素特征描述子的相关性，生成相关面，并利用生成的相关面进行相关峰的计算，进而得到匹配位置，相比于现有的直接利用模板计算相关峰位置，确定匹配位置的方法，本申请生成的相关面更可靠，通过设置的约束条件进行相关峰的判断，利用主峰的高度和尖锐度，作为评价场景匹配可靠性，得到的匹配位置更精确。
附图说明
图1为本发明的一种基于相关峰分析的多模态遥感影像匹配方法的流程示意图。
图2为本发明中原始梯度向量Gra示意图。
图3为本发明中理想情况下的梯度向量Dir示意图。
图4为本发明中调整后的梯度向量示意图。
图5为本发明中相关峰的自适应范围的示意图。
图6为本发明中相关峰底部平面的平均高程示意图。
图7为本发明中相关峰的相对高度的示意图。
图8为本发明中将相关峰相关峰近似为二维高斯曲面的示意图。
图9为本发明中相关峰近似二维高斯曲面的相对高度与底部半径的示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的一种基于相关峰分析的多模态遥感影像匹配方法，包括如下步骤：
S1、对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；
S2、根据生成的相关面确定相关峰的自适应范围；
S3、计算相关峰的自适应范围内的相对高度与坡度；
S4、将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
在S1中，对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子包括如下步骤：
S101、判断异源遥感影像对的参考图像和目标图像的分辨率是否相同，若不相同，按照相同分辨率进行重采样；即根据输入影像对的分辨率信息，判断两幅影像的分辨率是否一致，一致则进行后续处理，不一致则将两幅影像重采样至相同分辨率。
S102、采用相位一致性方向直方图作为描述子，分别构建参考图像和目标图像两幅影像的逐像素特征表达。
进一步优选的，所述采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；包括采用滑动窗口的方式在参考影像上逐行列地裁剪，得到与输入的目标影像相同大小的影像块；
采用互相关作为相似性度量，根据如下公式1逐行列地计算相似性，生成相关面：
其中，f(i, j)为参考影像f在(i, j)位置的特征值；
为参考影像f的影像特征的平均值；g(i, j)为目标影像g在(i, j)位置的特征值，/>
为目标影像g的影像特征的平均值。
进一步，在S2中，根据生成的相关面确定相关峰的自适应范围，包括：
S201、将相关面上局部最大区域定义为相关峰；
S202、采用Sobel算子计算局部最大值邻域的水平梯度幅值与竖直梯度幅值；
为了获得相关峰的自适应范围，一个大小为21×21的窗口在整个相关面中逐行列地滑动，当该窗口中心的值为整个邻域内最大值时，这个邻域被认为是一个相关峰的大致范围。通常相关峰的上半部分梯度幅值较大，而下半部分梯度幅值较小，因此可以采局部最大值邻域的梯度变化确定相关峰的范围。采用Sobel算子计算局部最大值邻域的水平与竖直梯度幅值（即gx和gy），其梯度方向计算公式如下：
其中，A为某一点的3×3邻域，1/8为Sobel核的梯度输出归一化因子， gx 和 gy 分别为输出的水平与竖直梯度。
S203、根据得到的梯度幅值，按照如下公式3计算梯度方向：
理想情况下，梯度方向应该从相关面的最高点指向外围，符合该情况的梯度被定义为是正向的，而指向最高点的梯度被定义为负向。为了在不影响分析性能的情况下降低时间复杂度，本发明设计了一种简单的方法来将它们约束为没有特定方向的标量。以Gra表示原始梯度向量（如图2所示），Dir表示在理想情况下的梯度方向（如图3所示），则Gra和Dir之间的角度可以表示为Δθ，再进一步，在S203中，所述计算梯度方向时还包括，根据如下公式确定梯度的正负：
其中：Δθ表示原始梯度向量Gra与计算得到的理想梯度方向dir的差值，mag表示原始梯度向量Gra的幅值。
调整后的梯度既具有原始梯度的幅值，又具有理想梯度的方向（如图4所示）。由于理想梯度方向严格指向从最高点到外围，调整后的梯度也可以视为一组标量，正值表示从最高点指向外围，负值表示从外围指向中心。
S204、设置梯度阈值
，将得到的梯度幅值与设置的梯度阈值进行对比，提取出相关峰范围内所有梯度大于梯度阈值/>
的封闭区域，作为相关峰的自适应范围。如图5所示。由于相关峰的顶部可能较为平滑，长度小于10的中心区域被忽略，以避免局部最大值附近的小区域被错误地判断为相关峰的范围。
在确定了相关峰的自适应范围后，就可以提取出峰值的边界。为了量化相关峰的特征，本发明设计了两个新的指标，称为峰的相对高度和坡度。如果将相关峰视为一个山峰，则可以将其相关值视为高程。理想情况下，相关峰的边界可以构成一个具有相同高度的圆，但模板和参考图像之间的强度差异使其变得不规则。
在S3中，计算相关峰的自适应范围内的相对高度包括：
如图6所示计算相关峰底部平面的平均高程zH，将相关峰的平均高程与相关峰的顶部高程H进行差值计算，得到相关峰的相对高度d，如图7所示；
在S3中，计算相关峰的自适应范围内的坡度包括：
将相关峰拟合为二维高斯函数，通过二维高斯函数的参数对相关峰的特征进行描述；
将相关峰按照如下公式所示的二维高斯曲面表示：
因此，可以将相关峰拟合为二维高斯函数，通过二维高斯函数的参数对相关峰的特征进行描述。其中，二维高斯函数的底部平面的可以被描述为一个椭圆方程：
其中，A为局部最大值H的相关值，
为局部最大值的坐标，/>
分别为x方向和y方向上的方差。
则椭圆的长半轴a与短半轴b可以表述为：
为便于计算，椭圆的平均半径可近似为
，则相关峰的坡度可以定义为：
在S4中，所述将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性时，包括：
设定第一阈值T1、第二阈值T2和第三阈值T3；按照以下验证条件进行可靠性计算：
条件1：将相关峰自适应范围的主峰的相对高度H1与第一阈值T1比较；
条件2：当H1大于T1时，将其余次高峰与主峰之间的相对高度H2与第二阈值T2进行比较；
条件3：当H2大于T2时，将主峰的坡度与第三阈值T3进行比较；当主峰的坡度大于第三阈值T3时，认为本次匹配可靠，取主峰峰顶所在位置为正确匹配位置；
当条件1至条件3中出现任意一项条件不满足时，舍弃本次匹配的结果。
具体按照以下步骤验证匹配可靠性：
步骤D1：取相对高度最大的相关峰为主峰，预设其为正确匹配所在的位置。若主峰的相对高度大于阈值T1，认为其与周边区域具有足够的区分度；计算其余次高峰与主峰之间相对高度的比值，若计算结果大于阈值T2，认为主峰与其余次高峰之间存在足够区分度；判断主峰的坡度与预设定阈值T3之间的关系，以保证主峰有足够的尖锐度。
步骤D2：若主峰满足以上条件，认为本次匹配较为可靠，取主峰峰顶所在位置为正确匹配位置；若不满足以上条件，认为本次匹配的可靠性较低，舍弃本次匹配的结果。
本申请还提供一种基于相关峰分析的多模态遥感影像匹配系统，用于实施上述基于相关峰分析的多模态遥感影像匹配方法，包括数据获取模块、相关性分析模块、自适应范围参数计算模块、匹配可靠性分析模块；
所述数据获取模块用于获取输入的异源遥感影像对；
所述自适应范围参数计算模块用于对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；根据生成的相关面确定相关峰的自适应范围；计算相关峰的自适应范围内的相对高度与坡度；
所述匹配可靠性分析模块，用于将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于相关峰分析的多模态遥感影像匹配方法的步骤。 显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于相关峰分析的多模态遥感影像匹配方法，其特征在于，包括如下步骤：
S1、对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；
S2、根据生成的相关面确定相关峰的自适应范围；
S3、计算相关峰的自适应范围内的相对高度与坡度；
S4、将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
2.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S1中，对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，包括如下步骤：
S101、判断异源遥感影像对的参考图像和目标图像的分辨率是否相同，若不相同，按照相同分辨率进行重采样；
S102、采用相位一致性方向直方图作为描述子，分别构建参考图像和目标图像两幅影像的逐像素特征表达。
3.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，所述采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；包括采用滑动窗口的方式在参考影像上逐行列地裁剪，得到与输入的目标影像相同大小的影像块；
采用互相关作为相似性度量，根据如下公式逐行列地计算相似性，生成相关面：
其中，f(i, j)为参考影像f在(i, j)位置的特征值；
为参考影像f的影像特征的平均值；g(i, j)为目标影像g在(i, j)位置的特征值，/>
为目标影像g的影像特征的平均值。
4.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S2中，根据生成的相关面确定相关峰的自适应范围，包括：
S201、将相关面上局部最大区域定义为相关峰；
S202、采用Sobel算子计算局部最大值邻域的水平梯度幅值与竖直梯度幅值；
S203、根据得到的梯度幅值，按照如下公式计算梯度方向：
S204、设置梯度阈值
，将得到的梯度幅值与设置的梯度阈值进行对比，
提取出相关峰范围内所有梯度大于该阈值的封闭区域，作为相关峰的自适应范围。
5.根据权利要求4所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S203中，所述计算梯度方向时还包括，根据如下公式确定梯度的正负：
其中：Δθ表示原始梯度向量Gra与计算得到的理想梯度方向dir的差值，mag表示原始梯度向量Gra的幅值。
6.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S3中，计算相关峰的自适应范围内的相对高度包括：
计算相关峰底部平面的平均高程zH，将相关峰的平均高程zH与相关峰的顶部高程H进行差值计算，得到相关峰的相对高度d。
7.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S3中，计算相关峰的自适应范围内的坡度包括：
将相关峰拟合为二维高斯函数，通过二维高斯函数的参数对相关峰的特征进行描述；
将相关峰按照如下公式进行二维高斯曲面表示：
相关峰的坡度按照如下公式计算：
其中，a为二维高斯曲面的底部平面椭圆方程的长轴；b为二维高斯曲面的底部平面椭圆方程的短轴；A为局部最大值H的相关值，
为局部最大值的坐标，/>
分别为x方向和y方向上的方差。
8.根据权利要求1所述的基于相关峰分析的多模态遥感影像匹配方法，其特征在于，在S4中，所述将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性时，包括：
设定第一阈值T1、第二阈值T2和第三阈值T3；按照以下验证条件进行可靠性计算：
条件1：将相关峰自适应范围的主峰的相对高度H1与第一阈值T1比较；
条件2：当H1大于T1时，将其余次高峰与主峰之间的相对高度H2与第二阈值T2进行比较；
条件3：当H2大于T2时，将主峰的坡度与第三阈值T3进行比较；当主峰的坡度大于第三阈值T3时，认为本次匹配可靠，取主峰峰顶所在位置为正确匹配位置；
当条件1至条件3中出现任意一项条件不满足时，舍弃本次匹配的结果。
9.一种基于相关峰分析的多模态遥感影像匹配系统，其特征在于，用于实施上述权利要求1-8中任意一项所述的基于相关峰分析的多模态遥感影像匹配方法，包括数据获取模块、相关性分析模块、自适应范围参数计算模块、匹配可靠性分析模块；
所述数据获取模块用于获取输入的异源遥感影像对；
所述自适应范围参数计算模块用于对输入的异源遥感影像对的参考图像和目标图像分别构建逐像素特征描述子，采用滑动窗口匹配逐行列地计算两个逐像素特征描述子的相关性，生成相关面；根据生成的相关面确定相关峰的自适应范围；计算相关峰的自适应范围内的相对高度与坡度；
所述匹配可靠性分析模块，用于将相对高度作为基本约束，将相关峰的主峰的高度与坡度与其他各峰之比作为组合匹配指标，计算匹配位置的可靠性，当匹配位置的可靠性不满足预设要求时舍弃匹配结果，直至满足预设要求完成匹配。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于相关峰分析的多模态遥感影像匹配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622904.7A CN116342912B (zh) | 2023-05-30 | 2023-05-30 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622904.7A CN116342912B (zh) | 2023-05-30 | 2023-05-30 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116342912A true CN116342912A (zh) | 2023-06-27 |
| CN116342912B CN116342912B (zh) | 2023-08-11 |
Family
ID=86886192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310622904.7A Active CN116342912B (zh) | 2023-05-30 | 2023-05-30 | 基于相关峰分析的异源遥感图像匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342912B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6084989A (en) * | 1996-11-15 | 2000-07-04 | Lockheed Martin Corporation | System and method for automatically determining the position of landmarks in digitized images derived from a satellite-based imaging system |
| CN101589622A (zh) * | 2006-11-14 | 2009-11-25 | 索尼德国有限责任公司 | 使用两种匹配判据的运动估计和场景变换检测 |
| US20100086220A1 (en) * | 2008-10-08 | 2010-04-08 | Harris Corporation | Image registration using rotation tolerant correlation method |
| CN103164853A (zh) * | 2013-02-06 | 2013-06-19 | 中国人民解放军第二炮兵装备研究院第三研究所 | 成像匹配辅助导航的可匹配性评估方法 |
| CN106355646A (zh) * | 2016-09-13 | 2017-01-25 | 广州市香港科大霍英东研究院 | 应用于图像处理的表面细化方法、装置以及系统 |
| CN107330447A (zh) * | 2017-06-05 | 2017-11-07 | 三峡大学 | 一种反馈式icm神经网络和fpf相结合的剪影识别系统 |
| CN108765471A (zh) * | 2018-03-29 | 2018-11-06 | 北京航天自动控制研究所 | 一种基于运算资源负载均衡技术的dsp图像匹配方法 |
| CN111046960A (zh) * | 2019-12-17 | 2020-04-21 | 湖北航天技术研究院总体设计所 | 一种异源图像分区匹配的方法 |
| CN111126431A (zh) * | 2019-11-13 | 2020-05-08 | 广州供电局有限公司 | 一种基于模板匹配的海量电力缺陷照片快速筛选方法 |
| CN114022729A (zh) * | 2021-10-27 | 2022-02-08 | 华中科技大学 | 基于孪生网络和监督训练的异源图像匹配定位方法和系统 |
| CN114140397A (zh) * | 2021-11-13 | 2022-03-04 | 北京中勘迈普科技有限公司 | 全数字地面成像法重力近区地形改正方法及系统 |
-
2023
- 2023-05-30 CN CN202310622904.7A patent/CN116342912B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6084989A (en) * | 1996-11-15 | 2000-07-04 | Lockheed Martin Corporation | System and method for automatically determining the position of landmarks in digitized images derived from a satellite-based imaging system |
| CN101589622A (zh) * | 2006-11-14 | 2009-11-25 | 索尼德国有限责任公司 | 使用两种匹配判据的运动估计和场景变换检测 |
| US20100086220A1 (en) * | 2008-10-08 | 2010-04-08 | Harris Corporation | Image registration using rotation tolerant correlation method |
| CN103164853A (zh) * | 2013-02-06 | 2013-06-19 | 中国人民解放军第二炮兵装备研究院第三研究所 | 成像匹配辅助导航的可匹配性评估方法 |
| CN106355646A (zh) * | 2016-09-13 | 2017-01-25 | 广州市香港科大霍英东研究院 | 应用于图像处理的表面细化方法、装置以及系统 |
| CN107330447A (zh) * | 2017-06-05 | 2017-11-07 | 三峡大学 | 一种反馈式icm神经网络和fpf相结合的剪影识别系统 |
| CN108765471A (zh) * | 2018-03-29 | 2018-11-06 | 北京航天自动控制研究所 | 一种基于运算资源负载均衡技术的dsp图像匹配方法 |
| CN111126431A (zh) * | 2019-11-13 | 2020-05-08 | 广州供电局有限公司 | 一种基于模板匹配的海量电力缺陷照片快速筛选方法 |
| CN111046960A (zh) * | 2019-12-17 | 2020-04-21 | 湖北航天技术研究院总体设计所 | 一种异源图像分区匹配的方法 |
| CN114022729A (zh) * | 2021-10-27 | 2022-02-08 | 华中科技大学 | 基于孪生网络和监督训练的异源图像匹配定位方法和系统 |
| CN114140397A (zh) * | 2021-11-13 | 2022-03-04 | 北京中勘迈普科技有限公司 | 全数字地面成像法重力近区地形改正方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 符艳军等: ""基于相关面后处理的可能误匹配点剔除方法"", 《西安理工大学学报》, pages 345 - 350 * |
| 陈刚等: ""基于相关面特征的多子区异谱图像匹配算法"", 《红外技术》, pages 229 - 236 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116342912B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
| US10867189B2 (en) | Systems and methods for lane-marker detection | |
| Lee et al. | Robust CCD and IR image registration using gradient-based statistical information | |
| US10430951B2 (en) | Method and device for straight line detection and image processing | |
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| US8577099B2 (en) | Method, apparatus, and program for detecting facial characteristic points | |
| CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
| CN104616278B (zh) | 三维点云兴趣点检测方法和系统 | |
| US20020081032A1 (en) | Image processing methods and apparatus for detecting human eyes, human face, and other objects in an image | |
| US20040066964A1 (en) | Fast two dimensional object localization based on oriented edges | |
| EP3690700A1 (en) | Image similarity calculation method and device, and storage medium | |
| US20140226895A1 (en) | Feature Point Based Robust Three-Dimensional Rigid Body Registration | |
| CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
| KR20010080219A (ko) | 화상 처리 장치 및 화상 처리 방법 및, 기록 매체 | |
| CN113313701B (zh) | 基于形状先验的电动汽车充电口两阶段视觉检测定位方法 | |
| CN112336342A (zh) | 手部关键点检测方法、装置及终端设备 | |
| CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
| CN114331879A (zh) | 一种均衡化二阶梯度直方图描述子的可见光与红外图像配准方法 | |
| US8687854B2 (en) | Information processing apparatus, control method for the same, and computer-readable storage medium | |
| CN112329880A (zh) | 一种基于相似性度量和几何特征的模板快速匹配方法 | |
| CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别系统 | |
| CN107710229B (zh) | 图像中的形状识别方法、装置、设备及计算机存储介质 | |
| CN111814784B (zh) | 基于图像处理的液位识别方法及相关装置 | |
| CN116342912B (zh) | 基于相关峰分析的异源遥感图像匹配方法及系统 | |
| CN117893468A (zh) | 一种快速3d孔洞检测方法、系统、计算机设备及介质 |
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 |