CN116385891A - 基于高分二号卫星遥感影像的同名点匹配方法及装置 - Google Patents
基于高分二号卫星遥感影像的同名点匹配方法及装置 Download PDFInfo
- Publication number
- CN116385891A CN116385891A CN202211408312.7A CN202211408312A CN116385891A CN 116385891 A CN116385891 A CN 116385891A CN 202211408312 A CN202211408312 A CN 202211408312A CN 116385891 A CN116385891 A CN 116385891A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- point
- matching
- resolution
- 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 48
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分二号卫星遥感影像的同名点匹配方法及装置。所述方法包括:对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量;根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。本发明可以提高影像匹配的可靠性与准确性,有效减少同名点量测的工作量。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别是一种基于高分二号卫星遥感影像的同名点匹配方法及装置。
背景技术
随着遥感技术的不断发展,遥感信息源的不断增加,遥感技术的应用领域变得越来越广泛,遥感技术与国民经济、生态保护间的关系也越来越紧密,在生产生活中的土地资源调查、生态环境监测、农业监测与作物估产、灾害预报与灾情评估、海洋环境调查,或者与日常生活息息相关的天气预报、空气质量监测、电子地图与导航等活动中,遥感都发挥了重大作用。
在众多分辨率的遥感影像中,高空间分辨率图像(简称“高分图像”)因其包含了地物丰富的纹理、形状、结构、邻域关系等信息,在地物分类、目标提取与识别、变化检测等工作中,高分影像已成为重要的数据基础。高分二号作为我国广泛应用的亚米级遥感卫星,在处理其遥感影像的过程中,无论是数据正射还是配准,准确地找出影像同名点是后续影像处理的重要基础环节。
影像同名点的获取,是基于影像匹配技术来实现的一种图像处理过程。目前,已有的影像匹配方法,总体上可分为两类,一类是基于区域的图像匹配,其可细分为基于灰度信息的图像匹配方法和基于变换域信息的图像匹配方法,该类方法的优点为算法本身实现相对简单,但由于图像对于光照强度和一些非线性的变换较为敏感,且计算量较大,所用时间较长,对于像高分二号卫星这样信息丰富的亚米级遥感影像来说,该方法的弊端就更为显著了。另一类是基于特征的图像匹配,与上述图像匹配方法不同的是,其首先通过特征提取算子对图像的目标区域进行特征提取,然后利用匹配算法对得到图像的局部特征信息进行图像匹配,拥有运算量小、鲁棒性好、适应性好的特点。常用的有Harris 角点、SIFT(尺度不变特征转换,Scale-invariant feature)、SURF(加速鲁棒特征,Speed Up RobustFeatures)等多种特征描述算子。其中SIFT特征匹配算法由于具有高独特性、尺度不变性、多量性、可扩展性等优点,而被广泛应用。但其128维的特征描述向量在带来丰富信息的同时也造成了运算复杂性,且原始的匹配点位仍会存在许多噪声点和错误点,直接使用会使匹配结果产生很大畸变。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于高分二号卫星遥感影像的同名点匹配方法及装置。
本发明的技术解决方案是:
第一方面,本发明实施例提供了一种基于高分二号卫星遥感影像的同名点匹配方法,所述方法包括:
对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;
通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;
根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到 SIFT特征向量;
根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;
根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
可选地,所述通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集,包括:
将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像;
通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔;
根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点;
对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
可选地,所述根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量,包括:
根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向;
根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征;
根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
可选地,所述根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点,包括:
对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列;
根据所述有序序列,确定单应性矩阵求解点集;
基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
第二方面,本发明实施例提供了一种基于高分二号卫星遥感影像的同名点匹配装置,所述装置包括:
处理图像获取模块,用于对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;
特征点集获取模块,用于通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;
特征向量获取模块,用于根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量;
匹配特征点获取模块,用于根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;
同名点确定模块,用于根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
可选地,所述特征点集获取模块包括:
图像生成单元,用于将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像;
高斯差分金字塔创建单元,用于通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔;
极值特征点确定单元,用于根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点;
特征点集获取单元,用于对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
可选地,所述特征向量获取模块包括:
特征点确定方法获取单元,用于根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向;
目标图像特征确定单元,用于根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征;
特征向量生成单元,用于根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
可选地,所述同名点确定模块包括:
有序序列获取单元,用于对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列;
求解点集确定单元,用于根据所述有序序列,确定单应性矩阵求解点集;
同名点确定单元,用于基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
本发明与现有技术相比的优点在于:本发明实施例提供了一种基于高分二号卫星遥感影像的同名点匹配方法,首先进行图像初始化处理,将待匹配高分二号卫星遥感影像及参考底图转化为大小合适的灰度图像,并通过高斯函数与图像进行卷积运算来得到高斯金字塔与DOG金字塔,再在DOG尺度空间内初步定位极值点,然后过滤点集内的噪声及边缘效应造成的冗余点位,在获取精确特征点集后通过点领域像素梯度方向的分布特性为特征点确定方向,生成改进后的稳定SIFT特征向量。并通过计算欧式距离最近邻与此近邻比值对特征点对进行初始匹配,最终使用特征点对与RANSAC算法迭代计算得到最优模型,完成匹配点位的提纯与剔错。本发明在利用现有技术的基础上,在生成特征描述向量时进行了改进,引入了圆这一概念,圆具有其他形状所不具备的旋转不变性原则,在关键点中心生成同心圆,每个同心圆具有唯一的梯度方向,使得特征描述符自身具有选择不变性的同时,维数又能有所减少。相比于原始 128维的特征描述符,该方法既降低了运算复杂度,也提高了匹配效率。同时,本发明在点位初始匹配后还引入了RANSAC算法,经过迭代解算最优模型,对于匹配点位中仍存在的噪声及错误点位具有很高的提纯效果,提高了最终影像匹配的可靠性与准确性,有效减少同名点量测的人工工作量。
附图说明
图1为本发明实施例提供的一种基于高分二号卫星遥感影像的同名点匹配方法的步骤流程图;
图2为本发明实施例提供的一种高斯差分金字塔的示意图;
图3为本发明实施例提供的一种改进后特征描述向量的示意图;
图4为本发明实施例提供的一种使用RANSAC算法后使用最小二成法拟合最终最优模型的示意图;
图5为本发明实施例提供的一种基于高分二号卫星遥感影像的同名点匹配装置的结构示意图。
具体实施方式
实施例一
参照图1,示出了本发明实施例提供的一种基于高分二号卫星遥感影像的同名点匹配方法的步骤流程图,如图1所示,该方法可以包括以下步骤:
步骤101:对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像。
在本发明实施例中,首先可以进行图像初始化处理,即将选取的高分二号卫星遥感影像图像以及所需使用的参考底图转化为大小合适的灰度图像,即处理后的图像,以后续的处理工作。
在对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像之后,执行步骤102。
步骤102:通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集。
在对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像对应的图像尺度空间,并对图像尺度空间进行极值检测,以得到特征点集理后的图像之后,可以通过高斯函数对处理后的图像进行卷积运算,以得到。对于该实现过程可以结合下述具体实现方式进行详细描述。
在本发明实施例的一种具体实现方式中,上述步骤102可以包括:
子步骤A1:将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像。
在本发明实施例中,在得到处理后的图像之后,可以将处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像。
在生成不同尺度的图像之后,执行子步骤A2。
子步骤A2:通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔。
在本示例中,在构建高斯金字塔之后,可以通过将高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据DOG金字塔函数创建高斯差分金字塔,对于创建的高斯差分金字体可以如图2所示。
在创建高斯差分金字塔之后,执行子步骤A3。
子步骤A3:根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点。
在创建高斯差分金字塔之后,可以根据高斯差分金字塔确定出处理后的图像对应的极值特征点。
在根据高斯差分金字塔确定出处理后的图像对应的极值特征点之后,执行子步骤A4。
子步骤A4:对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
在根据高斯差分金字塔确定出处理后的图像对应的极值特征点之后,可以对极值特征点进行插值及曲线拟合处理,以得到相应的特征点集。
对于上述实现过程可以结合下述过程进行详细描述。
在本示例中,图像尺度空间极值检测可以包括以下过程:
一、高斯金字塔构建
将初始化处理后的图像I(x,y)与不同尺度因子下的高斯核函数G(x,y,σ) 进行卷积操作,构成高斯金字塔,生成不同尺度的图像,公式如下:
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中,σ是尺度因子,G(x,y,σ)表示高斯函数,I(x,y)表示图像上的点, *表示尺度可变高斯函数与图像的卷积。
高斯金字塔阶数的确定与金字塔顶层图像和原始图像的大小有关,公式如下:
n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)}]
式中,M,N为图像的宽和高,t为塔顶图像的最小维数的对数值。
本实例中选取的高分二号遥感影像与参考底图的宽高分别为(1568, 1284)和(1732,1421),设定金字塔顶层最小维数为16,代入以上公式可得t=3,n=7。
为保证之后的差分金字塔中每阶有2层图像可检测极值点,设定本实例中每阶高斯金字塔中的图像层数s=2+3=5,同一阶中相邻两层的尺度因子比例系数是k,即第1阶金字塔第2层的尺度因子为kσ,其它层以此类推;第 2阶金字塔的第1层即为第1阶的中间层,其尺度因子是k2σ,第3阶金字塔的第1层即为第2阶的中间层,其尺度因子是k4σ,其它阶以此类推,其中σ=1.52。根据计算可得本实例中/>
二、DOG金字塔构建
通过将高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,用以创建高斯差分金字塔,公式如下:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)
该差值函数近似归一化高斯型拉普拉斯算子,所以通过该差值函数提取的局部极值可以作为相对稳定的图像特征,且比平常所常用的梯度、角点等特征更加稳定。
三、DOG空间的初始特征点检测
构建完DOG尺度空间后,需要在该尺度空间内寻找极值点(最大/最小值),每一个像素都要与其同尺度周围和其上下相邻尺度的图像中的相应点进行比较,检测该点是否为局部极值点,即极值点需同时满足同一层相邻8个像素点及上下相邻两层9个相邻像素点共26个像素点中为极值,最终满足要求的极值点就是那些潜在的具有尺度不变性的特征点。
四、精确特征点位置
经过上诉步骤所检测到的极值点,实质上为离散空间中的极值点,所以需要对该离散空间点插值得到连续空间价值点,并使用三元二次函数对尺度空间 DOG函数进行曲线拟合,以提高关键点的稳定性,达到亚像素精度。其中尺度空间函数D(x,y,σ)在局部极值点(x0,y0,σ)的泰勒展开式即拟合函数如下:
对上式进行求导并让其等于0,可计算出图像的行,列以及尺度三个量修正后的结果:
该结果即为实际极值点相对局部极值点中心的偏移量,代入公式可得到极值点方程为:
在去除低对比度关键点之后,由于DOG算子对于边缘响应强烈,需进一步剔除边缘响应点以提高特征点的稳定性。非特征点的DOG极值在横跨边缘处的主曲率较大,在垂直边缘处的主曲率较小。D的主曲率与海森矩阵的特征值成正比,故使用2×2的海森矩阵H来求D的主曲率:
式中,Dxx,Dyy为对DOG金字塔中某尺度图像x与y方向进行两次求导, Dxy为先对x再对y求偏导数。
令α、β为海森矩阵H的两个特征值,分别表示x方向与y方向的梯度,且α>β,则有:
Tr(H)=Dxy+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2=αβ
式中,Tr(H)为海森矩阵H的迹,Der(H)为海森矩阵H的行列式。令α=r β,则有:
由于(r+1)2/r的比值随着r的增大而增加,且α=β时为最小值,故设定合适阈值r即可检测DOG极值是否为不稳定的边缘响应点,判断式为:
本实例中,阈值r取10,将满足上式条件的特征点保留,将满足上式条件的特征点剔除,以达到消除边缘响应点,保留稳定特征点的目的。
在得到特征点集之后,执行步骤103。
步骤103:根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量。
在得到特征点集之后,可以根据特征点邻域像素梯度方向的分布特性对特征点集进行处理,得到SIFT特征向量,对于该实现过程可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现方式中,上述步骤103可以包括:
子步骤B1:根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向。
在本实施例中,在得到特征点集之后,可以根据特征点邻域梯度方向的分布特性,获取特征点集的特征点确定方向。
子步骤B2:根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征。
在得到特征点集的特征点确定方向之后,可以根据特征点确定方向和向量表现形式,确定特征点集中的目标图像特征。
子步骤B3:根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
在确定特征点集中的目标图像特征之后,可以根据目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
对于上述实现过程可以结合下述流程进行详细描述。
本示例以关键点为中心创建16×16的矩形区域,并将其中半径为8的圆形区域划分为半径相差为2的4个同心圆。利用下列公式对每一个同心圆计算其梯度方向和梯度值:
θ(x,y)=tan-1((L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)))
式中,m(x,y)为梯度值,θ(x,y)为梯度方向,L为每个特征点各自的尺度, (x,y)为指定阶层对应的像素点位置。
在4个同心圆中,利用直方图统计0°~360°均匀分布8个累加梯度方向。在每一同心圆中,对8个梯度方向变换成0°~360°每45度一个方向进行累加运算,同时每个方向梯度值利用高斯加权函数处理。生成8个方向特征向量,在同心圆特征向量中梯度值由大到小排列,然后以关键点为起始点从最内部圆开始到最外侧同心圆依次将每个同心圆特征描述向量进行连接性的按顺序编号,最后利用标准归一化处理减少噪声干扰。公式如下:
将相差180°的梯度方向进行绝对值作差处理,最终将每个同心圆特征向量由8维降到4维,公式如下:
本实例中的改进后特征描述符为四个同心圆,且每个同心圆包含一个4维特征向量,共16维向量表示。该特征描述向量既在抗旋转不变性上有了提升,又削减了维度,在保证算法特征点准确前提下降低了运算复杂性。最终利用归一化处理生成特征描述向量:
对于改进后特征描述向量可以如图3所示。
在根据特征点邻域像素梯度方向的分布特性对特征点集进行处理得到 SIFT特征向量之后,执行步骤104。
步骤104:根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点。
在根据特征点邻域像素梯度方向的分布特性对特征点集进行处理得到 SIFT特征向量之后,可以根据计算得到的SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,以得到匹配特征点。对于该实现过程可以结合下述流程进行详细描述。
SIFT特征向量的匹配,主要包括:
令M代表标准图像,N代表待匹配图像,将本实例中两个图像特征向量集提取为Am和Bn:
利用欧式距离,搜索两组特征向量集元素之间最小距离d(1)和次最小距离 d(2)。欧式距离公式如下:
式中,m和n代表每组特征向量集的维数。
使用最近的欧氏距离除以次近的欧氏距离的比值d(1)/d(2)与设定阈值a 进行比较,本实例中阈值a取0.6,将比值小于阈值a的匹配点对判断为匹配点成功,将比值小于阈值a的匹配点对判断为匹配点失败。
在根据计算得到的SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值得到匹配特征点之后,执行步骤105。
步骤105:根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
在根据计算得到的SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值得到匹配特征点之后,可以根据匹配特征点确定出高分二号卫星遥感影像对应的同名点。对于该实现过程可以结合下述具体实现方式进行详细描述。
在本发明的另一种具体实现方式中,上述步骤105可以包括:
子步骤C1:对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列。
在本发明实施例中,在得到匹配特征点之后,可以对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列。
在得到有序序列之后,执行子步骤C2。
子步骤C2:根据所述有序序列,确定单应性矩阵求解点集。
在得到有序序列之后,可以根据有序序列确定出单应性矩阵求解点集。
在根据有序序列确定出单应性矩阵求解点集之后,执行子步骤C3。
子步骤C3:基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
在根据有序序列确定出单应性矩阵求解点集之后,可以基于单应性矩阵求解点集确定出高分二号卫星遥感影像对应的同名点。
对于该实现过程可以结合下述流程进行详细描述。
在本示例中,可以使用RANSAC算法提纯、剔错:
使用RANSAC算法提纯、剔错,主要包括:
首先对经过初始匹配的点集按照相似度值(最邻近与次邻近比值)由小到大进行排序,使初始匹配点集成为有序序列,再取该有序匹配点集前25%作为单应性矩阵求解点集,在这前25%的匹配点集中逐次按顺序选择4对特征点,来计算当前单应性矩阵,变换公式如下:
式中x,y和x',y'分别为参考底图和待匹配影像上的匹配点位坐标,h11~h33为对应单应性矩阵H,s为尺度参数。
本实例中,采取使h33=1来归一化单应性矩阵H,H中剩余8个参数根据4 对特征点列出的8个线性方程可求解,求得单应性矩阵H后,根据该参数模型计算其余匹配点位的变换误差,即参考底图影像上匹配点位变换后的坐标与其对应匹配点位的距离,和待匹配影像上匹配点位变换后的坐标与其对应匹配点位的距离,两距离之和称为变换误差,公式如下:
对于变换误差小于阈值b(b为3倍匹配点集的最小距离)的点位,计为内点,在本实例中,认为当内点比例大于70%时,该参数模型为较好模型,保存该参数与内点集。
本实例中设定迭代次数为500,循环计算至的步骤,当存在内点比例更优的参数模型时,替换上一次迭代的最优模型,记该次参数模型为最优模型,对于使用RANSAC算法后使用最小二成法拟合最终最优模型可以如图4所示,保存参数与内点集,直至迭代结束。
使用上述迭代完成后的最优参数模型计算而得的内点集,利用最小二乘法对其进行拟合,得到最终的最优模型参数和匹配点集,完成本实例中匹配点位的提纯与剔错。
本发明使高分二号的同名点匹配效率及准确率均在一定程度有所提高,利用被发明的匹配方法,本实例中最终待匹配高分二号影像与参考底图间的精度误差,总体控制在一个像元以内,为后续遥感影像的处理提供了可靠的基础。
实施例二
参照图5,示出了本发明实施例提供的一种基于高分二号卫星遥感影像的同名点匹配装置的结构示意图,如图5所示,该装置可以包括以下模块:
处理图像获取模块510,用于对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;
特征点集获取模块520,用于通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;
特征向量获取模块530,用于根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量;
匹配特征点获取模块540,用于根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;
同名点确定模块550,用于根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
可选地,所述特征点集获取模块包括:
图像生成单元,用于将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像;
高斯差分金字塔创建单元,用于通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔;
极值特征点确定单元,用于根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点;
特征点集获取单元,用于对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
可选地,所述特征向量获取模块包括:
特征点确定方法获取单元,用于根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向;
目标图像特征确定单元,用于根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征;
特征向量生成单元,用于根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
可选地,所述同名点确定模块包括:
有序序列获取单元,用于对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列;
求解点集确定单元,用于根据所述有序序列,确定单应性矩阵求解点集;
同名点确定单元,用于基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
本申请所述具体实施方式可以使本领域的技术人员更全面地理解本申请,但不以任何方式限制本申请。因此,本领域技术人员应当理解,仍然对本申请进行修改或者等同替换;而一切不脱离本申请的精神和技术实质的技术方案及其改进,均应涵盖在本申请专利的保护范围中。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (8)
1.一种基于高分二号卫星遥感影像的同名点匹配方法,其特征在于,所述方法包括:
对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;
通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;
根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量;
根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;
根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
2.根据权利要求1所述的方法,其特征在于,所述通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集,包括:
将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像;
通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔;
根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点;
对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
3.根据权利要求1所述的方法,其特征在于,所述根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量,包括:
根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向;
根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征;
根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点,包括:
对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列;
根据所述有序序列,确定单应性矩阵求解点集;
基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
5.一种基于高分二号卫星遥感影像的同名点匹配装置,其特征在于,所述装置包括:
处理图像获取模块,用于对高分二号卫星遥感影像及与其匹配的参考底图进行灰度处理,得到处理后的图像;
特征点集获取模块,用于通过高斯函数对所述处理后的图像进行卷积运算,得到所述处理后的图像对应的图像尺度空间,并对所述图像尺度空间进行极值检测,以得到特征点集;
特征向量获取模块,用于根据特征点邻域像素梯度方向的分布特性对所述特征点集进行处理,得到SIFT特征向量;
匹配特征点获取模块,用于根据计算得到的所述SIFT特征向量间欧式距离最近邻距离与次近邻距离的比值与设定阈值,获取匹配特征点;
同名点确定模块,用于根据所述匹配特征点,确定所述高分二号卫星遥感影像对应的同名点。
6.根据权利要求5所述的装置,其特征在于,所述特征点集获取模块包括:
图像生成单元,用于将所述处理后的图像与不同尺度因子下的高斯核函数进行卷积操作,构成高斯金字塔,生成不同尺度的图像;
高斯差分金字塔创建单元,用于通过将所述高斯金字塔中相邻的尺度空间的图像函数作差得到DOG金字塔函数,并根据所述DOG金字塔函数创建高斯差分金字塔;
极值特征点确定单元,用于根据所述高斯差分金字塔,确定所述处理后的图像对应的极值特征点;
特征点集获取单元,用于对所述极值特征点进行插值及曲线拟合处理,得到所述特征点集。
7.根据权利要求5所述的装置,其特征在于,所述特征向量获取模块包括:
特征点确定方法获取单元,用于根据特征点邻域像素梯度方向的分布特性,获取所述特征点集的特征点确定方向;
目标图像特征确定单元,用于根据所述特征点确定方向和向量表现形式,确定所述特征点集中的目标图像特征;
特征向量生成单元,用于根据所述目标图像特征,生成具有旋转不变性、尺度不变性的SIFT特征向量。
8.根据权利要求5所述的装置,其特征在于,所述同名点确定模块包括:
有序序列获取单元,用于对经过初始匹配的点集按照相似度值由小到大进行排序,使初始匹配点集成为有序序列;
求解点集确定单元,用于根据所述有序序列,确定单应性矩阵求解点集;
同名点确定单元,用于基于所述单应性矩阵求解点集,确定所述高分二号卫星遥感影像对应的同名点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408312.7A CN116385891A (zh) | 2022-11-10 | 2022-11-10 | 基于高分二号卫星遥感影像的同名点匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408312.7A CN116385891A (zh) | 2022-11-10 | 2022-11-10 | 基于高分二号卫星遥感影像的同名点匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385891A true CN116385891A (zh) | 2023-07-04 |
Family
ID=86960201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408312.7A Pending CN116385891A (zh) | 2022-11-10 | 2022-11-10 | 基于高分二号卫星遥感影像的同名点匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385891A (zh) |
-
2022
- 2022-11-10 CN CN202211408312.7A patent/CN116385891A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160337B (zh) | 一种指针式仪表读数的自动识别方法、系统、介质及设备 | |
CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
CN103839265B (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN104867126B (zh) | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 | |
Rodehorst et al. | Comparison and evaluation of feature point detectors | |
CN101650784B (zh) | 一种利用结构上下文特征进行图像匹配的方法 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN101714254A (zh) | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 | |
US20130135301A1 (en) | Efficient scale-space extraction and description of interest points | |
CN103065135A (zh) | 基于数字图像处理的车牌号码匹配算法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN104574401A (zh) | 一种基于平行线匹配的图像配准方法 | |
CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN116758126A (zh) | 一种基于相似三角形的误匹配剔除的快速点云配准方法 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN114359591A (zh) | 一种融合边缘特征的自适应图像匹配算法 | |
CN115861792A (zh) | 一种加权相位定向描述的多模态遥感影像匹配方法 | |
CN108447092A (zh) | 视觉定位标识物的方法及装置 | |
Liang et al. | Efficient multisource remote sensing image matching using dominant orientation of gradient | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 |
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 |