CN116958216B - 一种基于特征点距离估计的多光谱图像通道间配准方法 - Google Patents
一种基于特征点距离估计的多光谱图像通道间配准方法 Download PDFInfo
- Publication number
- CN116958216B CN116958216B CN202310913370.3A CN202310913370A CN116958216B CN 116958216 B CN116958216 B CN 116958216B CN 202310913370 A CN202310913370 A CN 202310913370A CN 116958216 B CN116958216 B CN 116958216B
- Authority
- CN
- China
- Prior art keywords
- parallax
- multispectral
- distance
- point pairs
- camera
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 title description 12
- 230000000694 effects Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000001131 transforming effect Effects 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征点距离估计的多光谱图像通道间配准方法，包括：采集获得多个相机镜头共同拍摄的待配准多光谱图像，获取每个图像的特征点及其描述符向量，通过比较其描述符向量相似度的方式，获得待配准多光谱图像间的粗匹配特征点对，基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除，基于点聚类算法对不同距离的特征点对进行聚类，得到正确匹配点对，计算仿射矩阵，基于计算的仿射矩阵对多光谱图像进行变换，得到通道对齐的多光谱图像数据。本发明克服了传统滤除方法在误匹配点对比例较大时鲁棒性下降问题，图像整体匹配效果更优。
Description
技术领域
本发明属于多光谱图像配准技术领域，具体涉及一种基于特征点距离估计的多光谱图像通道间配准方法。
背景技术
图像配准领域中主要有基于频域、区域和特征三类图像匹配方法，基于特征的图像匹配具有鲁棒性高、适用性强、速度快的优点，是研究的热点。随着特征点检测方法和尺度不变特征变换方法的提出，基于特征点的图像配准方法快速发展应用，SIFT、SURF、ORB、KAZE、LIFT等算法相继提出。SIFT算法在图像中寻找的兴趣点进行信息向量描述，不但具有使图像分层为不同大小的尺度空间和旋转不变性的特点，而且在图像缩放、光照变化或位置转换等不同程度的图像变换都能够保持较好的匹配效果。
多光谱成像技术是新一代光电探测技术，由于其特有的兼具成像和光谱探测的优点，已广泛应用于陆地海洋地理遥感，目标监测，医学光谱成像诊断等领域。目前多光谱相机采集主要通过多个镜头共同拍摄，镜头间的位置差异导致镜头间的图像未良好对齐，需对多光谱图像进行通道间配准对齐，良好对齐效果是后续分析与处理的前提。由于每个镜头包含的光谱通道不同，不同通道的光谱图像存在较大差异，基于特征点的图像匹配方法获得的匹配特征点对中存在较多的误匹配，现有特征点滤除方法如RANSAC、PROSAC、USAC等在误匹配点对比例较高时鲁棒性较差。
因而目前亟需一种精准鲁棒的多光谱图像通道配准方法。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于特征点距离估计的多光谱图像通道间配准方法，构建多光谱镜头间成像距离视差模型，对于基于特征点的图像匹配方法获得的粗匹配特征点对进行有效误匹配点对滤除，并基于点聚类算法滤除离群点的方法对特征点对进一步筛选，最终筛选获得的正确匹配点对计算仿射矩阵，基于计算的仿射矩阵对多光谱图像进行变换，实现良好的多光谱图像通道对齐。
为实现上述技术目的，本发明采取的技术方案为：
一种基于特征点距离估计的多光谱图像通道间配准方法，包括以下步骤：
S1:采用多光谱相机进行图像采集，获得多个相机镜头共同拍摄的待配准多光谱图像；
S2:对S1获得的待配准多光谱图像，基于特征点的图像配准方法获取每个图像的特征点及其描述符向量；
S3:对S2获得的特征点，通过比较其描述符向量相似度的方式，获得待配准多光谱图像间的粗匹配特征点对；
S4:对于S3获得的粗匹配特征点对，基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除；
S5:对于经过S4处理后保留的特征点对，基于点聚类算法对不同距离的特征点对进行聚类，剔除离群点对，得到正确匹配点对；
S6:利用S5得到的正确匹配点对计算仿射矩阵，基于计算的仿射矩阵对多光谱图像进行变换，得到通道对齐的多光谱图像数据。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤S1中，所述多光谱相机采集的图像由多个镜头共同拍摄，每个镜头包含1个或多个多光谱通道。
上述的步骤S2中，对于每个镜头获取的待配准多光谱图像，采用基于特征点的图像配准算法检测特征点并生成特征点描述符向量
上述的步骤S3中，采用欧式距离衡量相似度，具体的：
对于S2获得的特征点，比较其描述符向量间的欧式距离，两幅图像间描述符向量满足预设范围的特征点组成一对粗匹配特征点对。
上述的步骤S4所述基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，具体为：
已知两个相机镜头视场朝向相同，相机镜头位置关系为存在水平与垂直方向上的平移，以相机镜头1光心构建三维坐标：
相机镜头1光心空间坐标为C1(0,0,0)，相机镜头N光心空间坐标为CN(aN,bn,0)，对于空间中一点P(X,Y,Z)，其在镜头1、镜头N上像素坐标为p1(x1,y1)、pN(xN,yN)，相机焦距为f，像元大小为d；
则空间点坐标与其在相机成像平面像素坐标存在如下关系：
镜头1:
镜头N:
整理得：
视差D，即距离视差模型为：
由上式可知由于镜头间位置差异，同一物体在不同镜头成像面上存在视差，在相机参数及位置确定已知情况下，视差大小与物体同镜头距离有关成反比，视差方向箭头N光心指向镜头1光心。
上述的步骤S4所述根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除，具体为：
假设多光谱相机拍摄的物体距离为Z1米到Z2米范围内，则根据距离视差模型计算得物体成像点沿视差方向的视差范围为(D1,D2)，与视差方向垂直的方向上偏移为0；
设定误差阈值α，则误差阈值内即视差范围为(D1-α,D2+α)，与视差方向垂直方向上偏移(-α,α)的特征点对为符合预设视差范围的特征点对，对不符合预设视差范围的特征点对进行滤除。
上述的步骤S5中，对于图像上的不同景物物体，其分布在不同距离范围内，视差大小由距离而定，分布于同一距离范围内的特征点对，采用点聚类算法对特征点视差大小及视差垂直方向误差进行聚类，对不同距离的特征点对进行聚类，筛选保留不同距离的特征点对，并剔除离群点对，得到正确匹配点对，提升特征点对的筛选效果。
本发明具有以下有益效果：
本发明通过多光谱相机镜头间位置关系，利用双目相机测距原理构建距离视差模型，估计特征点视差范围，基于此对特征点距离估计异常的误匹配特征点对进行滤除，实现精准稳健的多光谱图像通道配准。
1.本发明基于相机镜头位置关系构建特征点对距离视差模型，对特征点对中的误匹配点有效滤除，克服了传统滤除方法在误匹配点对比例较大时鲁棒性下降问题；
2.本发明基于特征点距离的方法对位于不同距离的图层上的正确匹配特征点对都能有效保留，图像整体匹配效果更优。
附图说明
图1是双目相机成像原理图；
图2是本发明实施例中多光谱相机镜头结构及通道组合；
图3是本发明中基于DBSCAN聚类滤除离群点示意图；
图4是本发明中筛选的正确匹配的特征点对连线效果图；
图5是运用本发明进行多光谱通道对齐前后效果图；
图6是运用本发明对齐后四镜头多光谱图像效果图；
图7是本发明基于特征点距离估计的多光谱图像通道间配准方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图7所示，本发明的一种基于特征点距离估计的多光谱图像通道间配准方法，基于镜头间位置关系构建距离视差模型，对误匹配特征点对进行滤除，基于图像区域统计滤波的方法进一步优化误匹配特征点滤除效果，具体包括以下步骤：
S1:采用多光谱相机进行图像采集，获得多个相机镜头共同拍摄的待配准多光谱图像；
S2:对S1获得的待配准多光谱图像，基于特征点的图像配准方法获取每个图像的特征点及其描述符向量；
S3:对S2获得的特征点，通过比较其描述符向量相似度的方式，获得待配准多光谱图像间的粗匹配特征点对，此时特征点对存在大量误匹配；
S4:使用基于特征点距离估计的方法剔除误匹配点对：对于S3获得的粗匹配特征点对，基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除；
S5:基于图像区域统计滤波方法进一步剔除离群匹配点对，优化误匹配特征点滤除效果：对于经过S4处理后保留的特征点对，基于点聚类算法对不同距离的特征点对进行聚类，有效筛选保留不同距离的特征点对，并剔除离群点对，得到正确匹配点对；
S6:利用S5得到的正确匹配点对计算仿射矩阵，基于计算的仿射矩阵对多光谱图像进行变换，得到通道对齐的多光谱图像数据，即利用得到的特征点对求解仿射变换模型矩阵，利用仿射矩阵对多光谱图像进行变换，完成多光谱图像的通道间对齐。
本发明通过多光谱相机镜头间位置关系，利用双目相机测距原理构建距离视差模型，估计特征点视差区间，基于此对特征点距离估计异常的误匹配特征点对进行滤除，实现精准稳健的多光谱图像通道配准。
实施例中，步骤S1中，多光谱图像由多个包含不同光谱通道的镜头共同拍摄，每个镜头包含1个或多个多光谱通道，由于镜头间位置差异，拍摄图像未良好对齐，双目相机成像原理如图1所示。
实施例中，在步骤S2中，对于不同镜头拍摄的图像，采用基于特征点的图像配准算法检测特征点并生成特征点描述符向量。
如对于相机N：特征点集为{(x1,y1),(x2,y2),…}，特征点描述符向量集为)。
实施例中，在步骤S3中，采用欧式距离衡量相似度，具体的：
对于S2获得的特征点，比较其描述符向量间的欧式距离，两幅图像间描述符向量满足预设范围的特征点组成一对粗匹配特征点对。
实施例中，步骤S4所述基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，具体为：
已知两个相机镜头视场朝向相同，相机镜头位置关系为存在水平与垂直方向上的平移，以相机镜头1光心构建三维坐标：
相机镜头1光心空间坐标为C1(0,0,0)，相机镜头N光心空间坐标为CN(aN,bn,0)，对于空间中一点P(X,Y,Z)，其在镜头1、镜头N上像素坐标为p1(x1,y1)、pN(xN,yN)，相机焦距为f，像元大小为d；
则空间点坐标与其在相机成像平面像素坐标存在如下关系：
镜头1:
镜头N:
整理得：
视差D，即距离视差模型为：
由上式可知由于镜头间位置差异，同一物体在不同镜头成像面上存在视差，在相机参数及位置确定已知情况下，视差大小与物体同镜头距离有关成反比，视差方向箭头N光心指向镜头1光心。
实施例中，步骤S4所述根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除，具体为：
对于正确匹配的特征点对，其表示空间中的同一物体在两个镜头上所成的像素点，应当符合上述对于拍摄物体视差计算。
假设多光谱相机拍摄的物体距离为Z1米到Z2米范围内，则理想情况下根据距离视差模型计算得物体成像点沿视差方向的视差范围为(D1,D2)，与视差方向垂直的方向上偏移为0；
在实际应用中特征点存在定位误差，设定误差阈值α，则误差阈值内即视差范围为(D1-α,D2+α)，与视差方向垂直方向上偏移(-α,α)的特征点对为符合预设视差范围的特征点对，对不符合预设视差范围的特征点对进行滤除。
实施例中，在步骤S5中，对于图像上的不同景物物体，其分布在不同距离范围内，视差大小由距离而定，分布于同一距离范围内的特征点对，其视差是相近的，采用DBSCAN聚类的方法对特征点视差大小及视差垂直方向误差进行聚类，对不同距离的特征点对进行聚类，有效筛选保留不同距离的特征点对，并剔除离群点对，得到正确匹配点对，提升特征点对的筛选效果。
实施例1
本发明的一种基于特征点距离估计的多光谱图像通道间配准方法，包括以下步骤：
S1:通过多光谱相机进行多光谱图像采集，获得一组多个镜头共同拍摄的多光谱图像，使用到的多光谱相机镜头位置关系及通道组成如图2所示。
S2-S3:基于SIFT图像配准方法提取图像上的特征点及描述符，比较描述符间的欧式距离，对于描述符相近的特征点组成粗匹配特征点对。
S4:如图2所示，相机间位置关系已知，以上方两个镜头为例，左侧为目标图像1，右侧为待配准图像2，右侧相机较左侧相机水平向右平移a＝18mm，相机参数已知(焦距f＝25mm，像元大小d＝0.00375mm)，基于上式可知
y1-y2＝0
对于相机2来说，其与相机1图像上的点存在水平向左的视差偏移，偏移像素点由空间点到成像平面距离决定，筛选拍摄场景中物体与相机成像面距离区间为(2m，+∞)，则筛选视差像素点区间为，60≥x1-x2≥0且y1-y2＝0的特征点对，然而在实际运用中，特征点的定位存在误差，固设定了一个像素点偏差阈值α＝3，则实际筛选视差区间为63≥x1-x2≥-3且|y1-y2|≤3的特征点对，如图2为筛选的符合视差区间的特征点对及滤除的误匹配特征点对，可以看出符合视差区间的特征点对连线平行，滤除的特征点对连线大多交叉，可见基于特征点距离估计的方法对于筛选误匹配特征点对具有良好的效果。
S5:基于DBSACN聚类方法，对网格内容特征点对以视差大小及视差垂直方向的偏差为参数对特征点对聚类分析，参数设置半径esp＝0.4pixels、核心点周围所需的最小数据点数设置为5。
图3为DBSCAN聚类的效果图，其中点簇1、点簇2的点为保留的点对、离群点为滤除的点对。特征点对分布于不同距离的景物物体上，DBSCAN聚类可以将特征点对聚类为多个点簇，并标识出离群点，对于聚类的代表不同距离特征点的多个点簇保留，并对离群点进行滤除，进一步提升特征点对滤除效果。
筛选的正确匹配的特征点对连线效果如图4所示。
S6:以上述步骤保留下来的特征点对计算仿射变换矩阵，基于计算的仿射矩阵对多光谱图像进行变换，得到通道对齐的多光谱图像数据。
同理基于特征点距离估计的多光谱图像通道间配准方法完成下侧两个镜头与左上方镜头图像的配准，除左上角基准镜头外其余3个镜头图像各取光谱通道组成新的图像，比较配准前后通道对齐效果，其中图5左侧为通道配准前叠影严重对齐效果差，图5右侧为通道配准后通道对齐效果良好，图6通道对齐后的四个镜头图像。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于特征点距离估计的多光谱图像通道间配准方法，其特征在于，包括以下步骤：
S1:采用多光谱相机进行图像采集，获得多个相机镜头共同拍摄的待配准多光谱图像；
S2:对S1获得的待配准多光谱图像，基于特征点的图像配准方法获取每个图像的特征点及其描述符向量；
S3:对S2获得的特征点，通过比较其描述符向量相似度的方式，获得待配准多光谱图像间的粗匹配特征点对；
S4:对于S3获得的粗匹配特征点对，基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除；
S5:对于经过S4处理后保留的特征点对，基于点聚类算法对不同距离的特征点对进行聚类，剔除离群点对，得到正确匹配点对；
S6:利用S5得到的正确匹配点对计算仿射矩阵，基于计算的仿射矩阵对多光谱图像进行变换，得到通道对齐的多光谱图像数据；
步骤S4所述基于多光谱相机的镜头位置关系，根据双目相机测距原理构建距离视差模型，具体为：
已知两个相机镜头视场朝向相同，相机镜头位置关系为存在水平与垂直方向上的平移，以相机镜头1光心构建三维坐标：
相机镜头1光心空间坐标为C1(0,0,0)，相机镜头N光心空间坐标为CN(aN,bn,0)，对于空间中一点P(X,Y,Z)，其在镜头1、镜头N上像素坐标为p1(x1,y1)、pN(xN,yN)，相机焦距为f，像元大小为d；
则空间点坐标与其在相机成像平面像素坐标存在如下关系：
镜头1:
镜头N:
整理得：
视差D，即距离视差模型为：
由上式可知由于镜头间位置差异，同一物体在不同镜头成像面上存在视差，在相机参数及位置确定已知情况下，视差大小与物体同镜头距离有关成反比，视差方向箭头N光心指向镜头1光心；
步骤S4所述根据距离视差模型计算特征点所在距离视差范围，对不符合预设视差范围的特征点对进行滤除，具体为：
假设多光谱相机拍摄的物体距离为Z1米到Z2米范围内，则根据距离视差模型计算得物体成像点沿视差方向的视差范围为(D1,D2)，与视差方向垂直的方向上偏移为0；
设定误差阈值α，则误差阈值内即视差范围为(D1-α,D2+α)，与视差方向垂直方向上偏移(-α,α)的特征点对为符合预设视差范围的特征点对，对不符合预设视差范围的特征点对进行滤除。
2.根据权利要求1所述的一种基于特征点距离估计的多光谱图像通道间配准方法，其特征在于，步骤S1中，所述多光谱相机采集的图像由多个镜头共同拍摄，每个镜头包含1个或多个多光谱通道。
3.根据权利要求1所述的一种基于特征点距离估计的多光谱图像通道间配准方法，其特征在于，在步骤S2中，对于每个镜头获取的待配准多光谱图像，采用基于特征点的图像配准算法检测特征点并生成特征点描述符向量。
4.根据权利要求1所述的一种基于特征点距离估计的多光谱图像通道间配准方法，其特征在于，在步骤S3中，采用欧式距离衡量相似度，具体的：
对于S2获得的特征点，比较其描述符向量间的欧式距离，两幅图像间描述符向量满足预设范围的特征点组成一对粗匹配特征点对。
5.根据权利要求1所述的一种基于特征点距离估计的多光谱图像通道间配准方法，其特征在于，在步骤S5中，对于图像上的不同景物物体，其分布在不同距离范围内，视差大小由距离而定，分布于同一距离范围内的特征点对，采用点聚类算法对特征点视差大小及视差垂直方向误差进行聚类，对不同距离的特征点对进行聚类，筛选保留不同距离的特征点对，并剔除离群点对，得到正确匹配点对，提升特征点对的筛选效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913370.3A CN116958216B (zh) | 2023-07-25 | 2023-07-25 | 一种基于特征点距离估计的多光谱图像通道间配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913370.3A CN116958216B (zh) | 2023-07-25 | 2023-07-25 | 一种基于特征点距离估计的多光谱图像通道间配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958216A CN116958216A (zh) | 2023-10-27 |
| CN116958216B true CN116958216B (zh) | 2024-05-28 |
Family
ID=88452420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913370.3A Active CN116958216B (zh) | 2023-07-25 | 2023-07-25 | 一种基于特征点距离估计的多光谱图像通道间配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958216B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157306A (zh) * | 2016-06-30 | 2016-11-23 | 北京理工大学 | 一种基于多个光谱图像的配准方法以及装置 |
| CN111681271A (zh) * | 2020-08-11 | 2020-09-18 | 湖南大学 | 一种多通道多光谱相机配准方法、系统及介质 |
| CN111985398A (zh) * | 2020-08-20 | 2020-11-24 | 广州洪拓光电技术有限公司 | 红外辅助双目测距方法和距离补偿热值采集方法 |
| CN115511928A (zh) * | 2022-09-19 | 2022-12-23 | 武汉大学 | 多光谱图像的匹配方法 |
-
2023
- 2023-07-25 CN CN202310913370.3A patent/CN116958216B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157306A (zh) * | 2016-06-30 | 2016-11-23 | 北京理工大学 | 一种基于多个光谱图像的配准方法以及装置 |
| CN111681271A (zh) * | 2020-08-11 | 2020-09-18 | 湖南大学 | 一种多通道多光谱相机配准方法、系统及介质 |
| CN111985398A (zh) * | 2020-08-20 | 2020-11-24 | 广州洪拓光电技术有限公司 | 红外辅助双目测距方法和距离补偿热值采集方法 |
| CN115511928A (zh) * | 2022-09-19 | 2022-12-23 | 武汉大学 | 多光谱图像的匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于特征点描述符的多光谱图像配准算法研究;金宏彬;《中国博士学位论文全文数据库》;20190815(第8期);第1-75页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958216A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11546576B2 (en) | Systems and methods for dynamic calibration of array cameras | |
| CN107833181B (zh) | 一种基于变焦立体视觉的三维全景图像生成方法 | |
| CN110855903A (zh) | 一种多路视频实时拼接方法 | |
| CN107194991B (zh) | 一种基于骨架点局域动态更新的三维全局可视化监控系统构建方法 | |
| CN109903227B (zh) | 基于相机几何位置关系的全景影像拼接方法 | |
| CN109064404A (zh) | 一种基于多相机标定的全景拼接方法、全景拼接系统 | |
| CN106683137B (zh) | 基于人工标志的单目多目标识别与定位方法 | |
| CN106204574B (zh) | 基于目标平面运动特征的相机位姿自标定方法 | |
| WO2021098080A1 (zh) | 基于边缘特征的多光谱相机外参自校正算法 | |
| CN111080709B (zh) | 基于轨迹特征配准的多光谱立体相机自标定算法 | |
| WO2021098083A1 (zh) | 基于显著特征的多光谱相机动态立体标定算法 | |
| JP6174104B2 (ja) | 室内２ｄ平面図の生成方法、装置及びシステム | |
| CN104966063A (zh) | 基于gpu与cpu协同计算的矿井多摄像机视频融合方法 | |
| CN112734822B (zh) | 一种基于红外和可见光图像的立体匹配算法 | |
| CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
| CN110956661A (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
| CN112946679B (zh) | 一种基于人工智能的无人机测绘果冻效应检测方法及系统 | |
| CN111783834B (zh) | 一种基于联合图频谱特征分析的异源图像匹配方法 | |
| CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
| CN117456114A (zh) | 基于多视图的三维图像重建方法及系统 | |
| CN116958216B (zh) | 一种基于特征点距离估计的多光谱图像通道间配准方法 | |
| CN116823895A (zh) | 基于可变模板的rgb-d相机多视角匹配的数字图像计算方法及系统 | |
| CN112017221A (zh) | 基于尺度空间的多模态图像配准方法、装置和设备 | |
| CN114998532B (zh) | 一种基于数字图像重建的三维影像视觉传达优化方法 | |
| CN108090930A (zh) | 基于双目立体相机的障碍物视觉检测系统及方法 |
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 | ||
| GR01 | Patent grant |