Nothing Special   »   [go: up one dir, main page]

CN107301661A - 基于边缘点特征的高分辨率遥感图像配准方法 - Google Patents

基于边缘点特征的高分辨率遥感图像配准方法 Download PDF

Info

Publication number
CN107301661A
CN107301661A CN201710557777.1A CN201710557777A CN107301661A CN 107301661 A CN107301661 A CN 107301661A CN 201710557777 A CN201710557777 A CN 201710557777A CN 107301661 A CN107301661 A CN 107301661A
Authority
CN
China
Prior art keywords
image
point
matching
feature
edge
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
Application number
CN201710557777.1A
Other languages
English (en)
Other versions
CN107301661B (zh
Inventor
郭擎
何梦梦
李安
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710557777.1A priority Critical patent/CN107301661B/zh
Publication of CN107301661A publication Critical patent/CN107301661A/zh
Application granted granted Critical
Publication of CN107301661B publication Critical patent/CN107301661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于边缘点特征的高分辨率遥感图像配准方法，包括下列步骤：图像预处理：对参考图像和待配准图像在进行特征提取之前进行小波变换；特征提取：提取小波变换后获得的低频近似参考图像和低频近似待配准图像的边缘点特征；特征点匹配：依据基于角度的特征匹配算法进行特征点匹配；匹配点对筛选：依据初始匹配点的质量进行匹配点对的筛选；仿射变换参数计算：依据行列坐标值对筛选后的匹配点对分区，依据各区质量最优的匹配点对进行仿射变换参数计算，获得相应的仿射变换参数；图像配准步骤：运用仿射变换参数得到配准后的图像。本发明具有较高的配准精度和配准速度，适于高分辨遥感图像及其他图像的配准，配准精度达到亚像素级别。

Description

基于边缘点特征的高分辨率遥感图像配准方法
技术领域
本发明涉及图像处理技术领域，更为具体地，涉及高分辨遥感图像配准方法，尤其是亚米级高分辨率遥感图像的自动特征级配准方法。
背景技术
遥感图像配准是后端多种遥感应用的基础和前提，配准精度直接影响后续应用的效果，配准的自动化处理和配准效率的提高对海量遥感数据分析具有重要意义，也是学者们关注的焦点。SIFT(Scale Invariant Feature Transform)和SURF(Speed Up RobustFeatures)是常用的典型遥感图像配准方法。SIFT具有尺度不变性，在噪声干扰、仿射变换等方面有良好的鲁棒性，但计算量大，耗时长，且采用欧氏距离匹配特征点会产生较多误匹配点对。SURF算法优化了配准时间，在尺度和仿射变换下保持不变性，但配准精度有待提高，匹配率较低。随着遥感图像分辨率的日益提高，遥感图像的尺寸和数据量不断增大，以及随着遥感应用的发展，都对图像配准的性能提出越来越高的要求，特征配准方法克服灰度配准方法的局限，是目前遥感图像配准领域研究的重点。
发明内容
鉴于上述问题，本发明提供一种高分辨率遥感图像配准方法，这种方法适于高分辨率遥感图像配准，且具有较高的配准精度和配准速度。
本发明实现上述目的的技术方案为：
一种基于边缘点特征的高分辨率遥感图像配准方法，包括下列步骤：
图像预处理：对参考图像和待配准图像在进行特征提取之前进行小波 变换，以获得的低频近似参考图像(参考图像经过一级Haar小波变换后的低频近似图像)和低频近似待配准图像(待配准图像经过一级Haar小波变换后的低频近似图像)作为特征提取的基础；
特征提取：提取低频近似参考图像和低频近似待配准图像的边缘点特征，获得相应的初始特征点集；
特征点匹配：对初始特征点集中的每一个特征点添加主、辅方向，依据基于角度的特征匹配算法进行特征点匹配，获得初始匹配点对；
匹配点对筛选：依据初始匹配点的质量进行匹配点对的筛选，获得筛选后的匹配点对集；
仿射变换参数计算：依据行列坐标值对筛选后的匹配点对分区，依据各区质量最优的匹配点对进行仿射变换参数计算，获得相应的仿射变换参数。
这种方法还可以包括图像配准步骤：对待配准图像运用仿射变换参数进行双线性插值，得到配准后的图像。
优选的，在图像预处理步骤，所述图像如为SAR遥感图像，先对图像进行滤波预处理，去除图像的斑点噪声，对滤波预处理后的图像进行所述的小波变换，所述滤波预处理优选采用增强的Frost滤波方法。
所述小波变换可以为一级Haar小波变换，将相应图像分解为四副子带图：低频近似图像、水平细节图像、垂直细节图像和对角细节图像。
优选的，对光学遥感图像采用Canny边缘检测算法提取边缘特征，对SAR遥感图像采用ROA(Ratio of Averages)边缘检测算法提取边缘特征，在边缘特征的基础上提取点特征，获得所述的边缘点特征。
所述采用Canny边缘检测算法提取边缘特征的具体方式优选为：
1)依据下列公式对图像I(x,y)进行高斯滤波，得到平滑后的图像IS(x,y)：
Is(x,y)＝I(x,y)*G(x,y)
其中，是二维高斯函数，
σ是高斯滤波器参数；
2)依据下列公式计算图像IS(x,y)中各个像元的梯度方向H(x,y)和梯度幅值M(x,y):
其中，kx(x,y)和ky(x,y)分别为沿x和y方向的偏导数，依据下列公式计算：
3)将梯度方向合并到4个方向，利用非极大值抑制找到边缘位置，即用一个3×3的邻域窗口作用于梯度幅值阵列M(x,y)，比较中心像元的梯度幅值Mcenter(x,y)和其梯度方向所在方向的两个相邻像元的梯度幅值Mnear1(x,y)和Mnear2(x,y)，若Mcenter(x,y)>Mnear1(x,y)且Mcenter(x,y)>Mnear2(x,y)，则将此中心像元标记为候选边缘像元，并保留中心像元的梯度幅值Mcenter(x,y)，否则，规定此中心像元为非边缘像元，并令Mcenter(x,y)＝0；
4)制定高阈值Thigh和低阈值Tlow两个阈值滤除非边缘像元，如果像元的 梯度幅值M(x,y)大于Thigh，则此像元为边缘像元，如果M(x,y)小于Tlow，则此像元是非边缘像元，对于处于Thigh和Tlow之间的像元，如果其与边缘像元邻接，则认为是边缘像元，否则是非边缘像元。
所述采用ROA边缘检测算法提取边缘特征的具体方式优选为：
1)取一定尺寸的滑动窗口的中心像素点作为边缘待检测点，则过该点的某直线将滑动窗口划分为A和B两个区域，计算两区域内所有待检测点的灰度均值μA与μB，令
则ri≥1，其中i＝1,2,3,4，分别表示将滑动窗口划分为A和B两个区域的直线在垂直检测方向、水平检测方向、45°对角线检测方向和135°对角线检测方向，
2)定义待检测点的ROA梯度强度
r＝max(r1，r2，r3，r4)，
3)选一个全局阈值T与r值进行比较，当r值大于T值时，将该点判断为边缘点。
在特征点匹配步骤中所述采用的基于角度的特征匹配算法可以包括：
1)利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使匹配算子具备旋转不变性，对于每幅低频近似图像I(x,y)，在以边缘特征点为中心的3×3邻域窗口内，依据下列公式计算其梯度值m(x,y)和梯度方向θ(x,y):
2)将梯度方向的取值范围[0,2π]分为36段，分别统计梯度幅值直方图，其峰值代表该边缘特征点的主方向，在梯度方向直方图中，当某梯度幅值达到主方向峰值80％以上时，将此方向作为该点的辅方向，
3)对任意一个特征点，将梯度方向变换到以特征点主方向为基准的坐标系中，并将以特征点为中心的16×16邻域均匀分成4×4个子区域，对每个子区域分别统计8个方向的梯度直方图，则构成一个128维的特征向量，然后将该特征向量长度归一化，以该长度归一化的特征向量作为对该特征点的描述，
4)对低频近似参考图像上的每一个特征点，计算其分别与低频近似待匹配图像上的各特征点之间的角度值θ，若获得的最小角度值θmin与次小角度值θsec之比小于设定的相关阈值t，则该最小角度值θmin涉及的两个特征点构成一对匹配点对，所述角度值θ依据下列内积公式计算：
其中为用于描述所述低频近似参考图像上的相应特征点特征向量，为用于描述所述低频近似待配准图像上的相应特征点的特征向量。
所述匹配点对筛选步骤可以包括：
1)对得到的初始特征匹配点对集，按各特征点涉及的最小角度值θmin和次小角度值θsec之比由小到大排序，选择其中比值最小的8个匹配点对作为拟合样本；
2)利用拟合样本进行模型参数拟合，得到符合这些数据的一个基本模 型M；
3)用模型M检验所有的匹配特征点对中的所有特征点，如果该点距模型M的距离小于某个阈值，则此点属于内点，否则为外点，将由内点组成的匹配点对列入筛选后的匹配点对集。
所述仿射变换参数计算步骤可以包括：
1)根据图像尺寸的大小，利用双阈值方法进行分区，设定分区的低阈值和高阈值，若匹配点对的行列坐标值均小于低阈值，则归为低坐标值区，若匹配点对的行列坐标值均大于高阈值，则归为高坐标值区，其余的匹配点对归为中坐标值区，所述低坐标值区、中坐标值区和高坐标值区内均至少有一对匹配点对；
2)在各区按质量好坏对匹配点对进行排序，分别在各区内选择其中质量最好的一对匹配点对，用于计算仿射变换参数；
3)将用于计算仿射变换参数的各匹配点对的各点坐标乘以2，获得对应于原图坐标的3组匹配点对T1(i1,j1,x1,y1)、T2(i2,j2,x2,y2)和T3(i3,j3,x3,y3)，其中坐标(xn,yn)为第n组匹配点对中待配准影像上的匹配点的坐标，坐标(in,jn)为第n组匹配点对中参考图像上的匹配点的坐标，n＝1,2,3，为各组匹配点对的编号；
4)对应于原图坐标的3组匹配点对T1(i1,j1,x1,y1)、T2(i2,j2,x2,y2)和T3(i3,j3,x3,y3)代入下列仿射变换公式，求解获得用于仿射变换计算的参数，
其中，s表示图像的缩放比例，dx和dy分别表示图像在x和y方向上的平移量，α表示影像的旋转角度。
本发明的有益效果为：通过小波变换，以变换后的低频近似图像为基础进行特征提取及其他相关运算，既利用了图像的大部分信息，又大大降低了计算量；根据图像来源不同，使用不同的特征提取方法，有利于更好地提取特征；利用稳定且定位准确的边缘点特征进行匹配，有利于保证匹配效果；特征匹配时使用角度匹配，减少了误匹配点对的产生；分区域选取匹配点对，有利于保证全局优化；采用质量约束改进随机一致性算法，有利于进一步提高配准精度。
本发明适应于高分辨遥感图像及其他图像的配准，配准精度达到亚像素级别。
附图说明
通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。
图1为本发明的流程图；
图2为根据本发明具体实施例的配准过程示意图；
图3为根据本发明的方法中采用的一级Haar小波变换分解示意图；
图4为根据本发明的方法中采用的Canny边缘检测算法过程图；
图5为根据本发明的方法中采用的ROA边缘检测算法过程图；
图6为根据本发明的方法中采用的特征匹配过程图；
图7为根据本发明的方法中采用的质量约束的改进RANSAC(Random SampleConsensus)滤除错误匹配点对过程图；
图8为根据本发明的方法中采用的分块均匀选点计算仿射变换参数过程图；
图9是本发明应用于光学图像配准的一个实施例；
图10是本发明应用于SAR图像配准的一个实施例。
具体实施方式
参见图1、图2和图9，当参考图像和待配准图像是高分辨率光学遥感图像(参见图9)，包括如下步骤：(a)一级Haar小波变换；(b)Canny边缘提取；(c)特征点对匹配；(d)改进的RANSAC滤除错误匹配点对；(e)分块均匀选取匹配点对计算仿射变换参数；(f)将参数运用到待配准图像，得到配准后图像，完成配准。
参见图1、图2和图10，当参考图像和待配准图像是高分辨率SAR遥感图像，包括如下步骤：(a)增强的Frost滤波预处理；(b)一级Haar小波变换；(c)ROA边缘提取；(d)特征点对匹配；(e)改进的RANSAC滤除错误匹配点对；(f)分块均匀选取匹配点对计算仿射变换参数；(g)得到配准后图像，完成配准。
参见图3，Haar小波变换函数作为最简单的正交小波变换函数，因其构造简单，计算方便的特点被广泛应用。本发明的方法在特征提取之前先对图像进行Haar小波变换得到其低频近似图像，在低频近似图像基础上进行后续处理来提高图像配准的速率。图像经过一级Haar小波分解后可得到四幅子带图，分别为低频近似图像、水平细节图像、垂直细节图像和对角细节图像，取其中的低频近似图像作为后续特征提取等的图像。
参见图4，Canny边缘检测算法是一种阶梯型边缘检测算子。它既可以 控制边缘的细节信息，又能抑制噪声，且使用双阈值来检测强边缘和弱边缘，可以很好地检测出真正的弱边缘。其步骤如下：
1)依据公式(1)、(2)对图像I(x，y)进行高斯滤波，得到平滑后的图像IS(x，y)：
Is(x，y)＝I(x，y)*G(x，y) (1)
其中，I(x，y)为作为输入源数据的任意二维图像，可以是低频近似参考图像，也可以是低频近似待配准图像，G(x，y)是用于高斯滤波的二维高斯函数，σ是高斯滤波器参数，即是高斯分布的标准偏差，为正值，可根据图像处理要求设定，σ取值越大，高斯滤波器的频带越宽，得到的图像越平滑，也即越模糊，(x，y)代表像素的模板坐标，模板中心位置为(0，0)，可以用坐标点(x，y)表示一个3×3的邻域，设中心点的坐标为(0，0)，相邻的点以此类推，如下：
(-1，-1) (0，-1) (1，-1)
(-1，0) (0，0) (1，0)
(-1，1) (0，1) (1，1)
2)依据公式(3)、(4)、(5)、(6)计算图像IS(x，y)中各个像元的梯度方向H(x，y)和梯度幅值M(x，y)，其中kx(x，y)和ky(x，y)分别为沿x和y方向的偏导数，如下：
3)将梯度方向合并到4个方向，利用非极大值抑制找到边缘位置。即用一个3×3的邻域窗口作用于梯度幅值阵列M(x,y)，每个中心像元的邻域像元一定在其中的一个方向内，比较中心像元的梯度幅值Mcenter(x,y)和其梯度方向所在方向的两个相邻像元的梯度幅值Mnear1(x,y)和Mnear2(x,y)。若Mcenter(x,y)>Mnear1(x,y)并且Mcenter(x,y)>Mnear2(x,y)，则将此中心像元标记为候选边缘像元，并保留中心像元的梯度幅值Mcenter(x,y)；否则，规定此中心像元为非边缘像元，并令Mcenter(x,y)＝0。
4)制定双阈值(高阈值Thigh和低阈值Tlow)来滤除非边缘像元。如果像元的梯度幅值M(x,y)大于Thigh，则此像元为边缘像元；若M(x,y)小于Tlow，则此像元是非边缘像元。对于处于Thigh和Tlow之间的像元，如果其与边缘像元邻接，则认为是边缘像元，否则是非边缘像元，很好地体现了只有强弱边缘相接时才输出真正的弱边缘。双阈值(高阈值Thigh和低阈值Tlow)的选取可按照梯度幅值的直方图来计算，例如，一种优选的方式为，按照梯度幅值从低到高的顺序，选取占直方图总数70％所对应的梯度幅值为高阈值，高阈值的0.4为低阈值。
参见图5，ROA算子对图像中的乘性噪声具有很好的抑制作用，可以保持边缘检测的稳定性，适用于SAR图像的边缘检测。它将两个相邻区域 的像素灰度均值的比值作为检测特征量。其步骤如下：
1)取一定尺寸的滑动窗口的中心像素点作为边缘待检测点，则过该点的某直线将滑动窗口划分为A和B两个区域，计算两区域内所有待检测点的灰度均值μA与μB。令
则有两区域灰度均值比值的最大值ri≥1(i＝1,2,3,4，分别表示垂直检测方向、水平检测方向、45°对角线检测方向和135°对角线检测方向)。ri越趋近于1，即A和B两区域的均值越接近，则它们很可能属于同一区域，从而待检测点越不可能处于A和B的边界上；反之ri越大，则A和B的差别越大，待检测点处于两区域间边界上的可能性也越大。
2)因边缘走向不同，故按垂直检测方向、水平检测方向、45°对角线检测方向和135°对角线检测方向这4个边缘方向各检测一次，则待检测点的ROA梯度强度r为最大值，有r＝max(r1，r2，r3，r4)。
3)由于r值仅与两区域均值之比有关，而与区域具体的均值大小无关，故可选一个全局阈值T与r值进行比较。当r值大于T值时，将该点判断为边缘点。全局阈值T可以根据经验和所用的具体影像确定，本发明采用的一个优选取值为2.7，如T值过大，可能只能检测出强边缘，细小的边缘检测不出来；如T值过小，检测出的边缘可能过多。
参见图6，在经过边缘特征提取后，分别得到参考图像和待配准图像的低频近似图像的二值图像，根据二值图像的属性分别提取边缘点信息作为初始待匹配特征点集。在匹配之前，需要先确定特征点的方向和描述。本发明的方法借鉴SIFT算法思想，但提出基于角度的特征匹配算法。包括以 下步骤：
1)利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使匹配算子具备旋转不变性。对于每幅低频近似图像I(x,y)，在以边缘特征点为中心的3×3邻域窗口内按下面的公式(8)、(9)计算其梯度值m(x,y)和梯度方向θ(x,y)。
2)将梯度方向的取值范围[0,2π]分为36段，分别统计梯度幅值直方图，其峰值代表该边缘特征点的主方向。在梯度方向直方图中，当某梯度幅值达到主方向峰值80％以上时，将此方向作为该点的辅方向。因此，一个特征点可能具有多个方向，这可以增强匹配的鲁棒性。
3)对任意一个特征点，将梯度方向变换到以特征点主方向为基准的坐标系中，并将以特征点为中心的16×16邻域均匀分成4×4个子区域，对每个子区域分别统计8个方向的梯度直方图，则构成一个128维的特征向量，然后将该特征向量长度归一化，该向量就是特征点描述。
4)确定完特征点方向和描述后，通过利用特征向量计算角度对特征点进行匹配。将低频近似参考图像上的每个特征点的特征向量分别与低频近似待配准图像上的每个特征点的特征向量做内积得到角度值θ，如公式(10)。若特征点的最小角度值θmin与次小角度值θsec之比小于某一个阈值t，如公式(11)，则认为这两个特征点是一对匹配点对。
阈值t可以根据经验选取，本发明采用的一个优选值为0.75，阈值t越小，得到的匹配点对数越少；阈值t越大，得到的匹配点对数越多，可能会含有相对较多的错误匹配点对。
参见图7，现有技术往往直接利用RANSAC算法滤除错误匹配点对。RANSAC算法是一种随机参数估计算法，其目标函数因问题的不同而不同。虽然RANSAC算法可以在很大程度上过滤掉误差较大的错误匹配点对，但是它不考虑匹配点对质量的好坏，每次都要随机抽取匹配点对，迭代次数较多，计算复杂度较大，浪费时间。并且当初始匹配点对中误匹配点对较多时或者抽取的匹配点对中含有较多的误匹配点对时就会对图像配准造成误差。
为此本发明方法提出了改进的RANSAC算法来滤除错误匹配点对：将特征匹配中得到的特征点最小角和次小角的角度比值作为匹配点对质量好坏的定量表示(即比值越小则质量越好)。不从匹配点对中随机选取8个匹配点对(也可以根据计算需要，选取其他数量)作为拟合样本进行模型参数拟合，而是根据匹配点对质量的好坏进行排序，在模型参数拟合时选择质量最好的前8个匹配点对进行估计，然后选择距该模型一定距离阈值内的匹配点对作为最终的匹配点对。上述改进解决了多次选择样本集带来的时间耗费问题，并且能够有效减少因选择错误匹配点对而造成的图像配准 误差，提高图像配准的精度。
改进的RANSAC算法筛选匹配点对的主要步骤是：
1)对得到的初始特征匹配点对集按特征点最小角度值θmin和次小角度值θsec之比由小到大排序，选择其中比值最小的8个匹配点对作为样本。
2)将样本进行模型参数拟合，得到符合这些数据的一个基本模型M。
3)用模型M检验所有特征匹配点对中的所有点，如果该点距模型M的距离小于某个阈值，则此点属于内点(符合模型的数据)，否则为外点(不符合模型的数据)。最后得到筛选后的匹配点对集。
参见图8，两幅图像经过改进的RANSAC后得到了质量较好(此处质量的标准与RANSAC中一致)的匹配点对，传统方法往往是从这些质量好的匹配点对中随机选取3对来计算仿射变换参数。由于选取的匹配点对可能集中在图像上的某一区域，求解出来的参数容易陷入局部最优而无法整体最优，影响图像配准精度。本发明方法针对这一问题提出了分块均匀提取匹配点对的方法，其步骤如下：
1)根据图像尺寸的大小，利用双阈值方法进行分区。
若匹配点对的行列坐标值均小于分区坐标的低阈值，则归为第一块(低坐标值区)；若匹配点对的行列坐标值均大于分区坐标的高阈值，则归为第二块(高坐标值区)；剩下的匹配点对归为第三块(中坐标值区)，也可以根据需要设置其他的分区数量和方式。
2)在每一块中按质量好坏对匹配点对进行排序，分别选择其中质量最好的一对，最终使选取的匹配点对均匀分布在图像上。
3)因这些匹配点对均是在一级小波分解后的低频近似图像上得到的， 低频近似图像的尺寸是原图尺寸的一半，所以在计算仿射变换参数前要将这些匹配点对的平移参量乘以2。即将选取的3组匹配点对T1(i1,j1,x1,y1)、T2(i2,j2,x2,y2)、T3(i3,j3,x3,y3)(其中，Tn(in,jn,xn,yn)(n＝1,2,3)表示特征匹配点对在参考图像中的坐标(in,jn)和在待配准图像中的坐标(xn,yn))坐标值分别乘以2，再计算仿射变换参数，才是原图的变换参数。主要包括：
将所选匹配点对代入仿射变换公式(12)。式中，s表示影像的缩放比例；dx和dy分别表示影像在x和y方向上的平移量；α表示影像的旋转角度，(xn,yn)和(in,jn)分别为待配准影像和参考影像上匹配特征点对的坐标。
通过解算上式得到仿射变换的参数。
对于二维图像，由于配准参数包括影像的缩放比例s、x方向上的平移量dx、y方向上的平移量dy和旋转角度α，只需要三对匹配点对，代入仿射变换公式，就能计算出未知量配准参数，具体计算过程如下：
把上述公式(12)转化为一次多项式
其中，(i,j)为参考图像的坐标(in,jn)，(x,y)为待配准图像的坐标(xn,yn)。a0＝dx，a1＝s×cosα，a2＝-s×cosα，b0＝dy，b1＝s×sinα，b2＝s×cosα，
公式(13)中代入三对匹配点对的坐标，变形得到公式(14)：
通过解算得到仿射变换的参数(a0,a1,a2,b0,b1,b2)，参见公式(15)：
4)对原始的待配准图像运用得到的仿射变换参数进行双线性插值，得到配准后的图像，完成配准。
本发明面向细节纹理信息丰富的高分辨率遥感图像，对参考图像与待配准图像都进行一级Haar小波变换，基于小波变换后的低频近似图像进行匹配，然后根据匹配结果完成原图的配准，从而有效减少计算量，提高配准速度；根据图像来源不同使用不同的特征提取方法更好地提取边缘点特征，利用边缘点特征既可准确定位，又可获得稳定的特征；在特征匹配环节，同时考虑特征点的主、辅方向特征，使得一个特征点拥有多个方向的特征描述，从而增强图像配准的鲁棒性，然后根据特征点间最小角与次小角的角度比值小于某个阈值来确定初始匹配点对，减少误匹配点对的产生；在匹配点对筛选环节，对随机抽样一致性算法进行改进，通过添加约束条件，优先选择质量好的匹配点对进行模型参数拟合，以此提高图像配准的精确度；仿射变换环节，采取分区域选取匹配点对的策略，从而使匹配点对在图像中均匀分布，以避免配准中的局部最优问题，进一步提高图像配准精度。
下面是本发明的几个具体应用实例：
应用实例一：
数据构成：参考图像为WorldView-2的全色图像(2014年10月湛江市某区域，分辨率0.5m)，待配准图像为Pleiades全色图像(2016年11月湛江市某区域，分辨率0.5m)。
处理平台：Windows 7，matlab2014a。
作用：实现了不同卫星传感器不同时相图像的自动配准。
效果：达到了亚像素级配准精度，配准精度为0.5676像素。配准精度和匹配率都远好于SIFT算法和SURF算法，配准速度比SIFT算法快。
应用实例二：
数据构成：参考图像为WorldView-2多光谱图像中的第5波段(2014年10月湛江市某区域，分辨率2m)，待配准图像为WorldView-2多光谱图像中的第3波段(2014年10月湛江市某区域，分辨率2m)。
处理平台：Windows 7，matlab2014a。
作用：实现了相同传感器不同波段图像的自动配准。
效果：达到了亚像素级配准精度，配准精度为0.3801像素。配准精度好于SIFT算法和SURF算法，匹配率高于SURF算法，配准速度比SIFT算法快。
应用实例三：
数据构成：参考图像仍为WorldView-2多光谱图像中的第5波段(2014 年10月湛江市某区域，分辨率2m)，待配准图像为旋转18°的WorldView-2多光谱图像中的第3波段(2014年10月湛江市某区域，分辨率2m)。
处理平台：Windows 7，matlab2014a。
作用：实现了相同传感器不同波段大角度旋转图像的自动配准。
效果：达到了亚像素级配准精度，配准精度为0.4899像素。配准精度和匹配率都好于SIFT算法和SURF算法，配准速度比SIFT算法快。
应用实例四：
数据构成：参考图像为参考图像为WorldView-2的全色图像(2014年10月湛江市某区域，分辨率0.5m)，待配准图像为变换后的参考图像为WorldView-2的全色图像(2014年10月湛江市某区域，分辨率0.5m)。
处理平台：Windows 7，matlab2014a。
作用：实现了相同传感器光学图像的自动配准。
效果：达到了亚像素级配准精度，配准精度为0.1868像素。配准精度和匹配率都好于SIFT算法和SURF算法，配准速度比SIFT算法快。
应用实例五：
数据构成：参考图像为TerraSAR图像(2014年4月湛江市某区域，分辨率0.5m)，待配准图像为变换后的TerraSAR图像(2014年4月湛江市某区域，分辨率0.5m)。
处理平台：Windows 7，matlab2014a。
作用：实现了相同传感器SAR图像的自动配准。
效果：达到了亚像素级配准精度，配准精度为0.2107像素。配准精度和匹配率都好于SIFT算法和SURF算法，配准速度比SIFT算法快。
应用实例六：
数据构成：参考图像为WorldView-2的全色图像(2014年10月湛江市某区域，分辨率0.5m)，待配准图像为参考图像为WorldView-2多光谱图像中的第5波段(2014年10月湛江市某区域，分辨率2m)。
处理平台：Windows 7，matlab2014a。
作用：实现了同一卫星不同传感器不同分辨率(分辨率相差4倍)图像的自动配准。
效果：配准精度为1.7423像素。配准精度和匹配率都远好于SIFT算法和SURF算法，配准速度比SIFT算法快。
以上所述仅为本发明技术方案的较佳实施例，并非用于限定本发明的保护范围。显然，本领域技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围。倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于边缘点特征的高分辨率遥感图像配准方法，包括下列步骤：
图像预处理：对参考图像和待配准图像在进行特征提取之前进行小波变换，以获得的低频近似参考图像和低频近似待配准图像作为特征提取的基础；
特征提取：提取低频近似参考图像和低频近似待配准图像的边缘点特征，获得相应的初始特征点集；
特征点匹配：对初始特征点集中的每一个特征点添加主、辅方向，依据基于角度的特征匹配算法进行特征点匹配，获得初始匹配点对；
匹配点对筛选：依据初始匹配点的质量进行匹配点对的筛选，获得筛选后的匹配点对集；
仿射变换参数计算：依据行列坐标值对筛选后的匹配点对分区，依据各区质量最优的匹配点对进行仿射变换参数计算，获得相应的仿射变换参数。
2.如权利要求1所述的方法，其特征在于还包括图像配准步骤：对待配准图像运用仿射变换参数进行双线性插值，得到配准后的图像。
3.如权利要求1所述的方法，其特征在于在图像预处理步骤，所述图像如为SAR遥感图像，先对图像进行滤波预处理，去除图像的斑点噪声，对滤波预处理后的图像进行所述的小波变换，所述滤波预处理优选采用增强的Frost滤波方法。
4.如权利要求1所述的方法，其特征在于所述小波变换为一级Haar小波变换，相应图像分解为四副子带图：低频近似图像、水平细节图像、垂直细节图像和对角细节图像。
5.如权利要求1所述的方法，其特征在于在特征提取步骤，对光学遥感图像采用Canny边缘检测算法提取边缘特征，对SAR遥感图像采用ROA边缘检测算法提取边缘特征，在边缘特征的基础上提取点特征，获得所述的边缘点特征。
6.如权利要求5所述的方法，其特征在于所述采用Canny边缘检测算法提取边缘特征的具体方式为：
1) 依据下列公式对图像I(x,y)进行高斯滤波，得到平滑后的图像I S(x,y)：
其中，，是二维高斯函数，
σ是高斯滤波器参数;
2) 依据下列公式计算图像I S(x,y)中各个像元的梯度方向H(x,y)和梯度幅值M(x,y):
其中，k x(x,y)和k y(x,y)分别为沿x和y方向的偏导数，依据下列公式计算：
3) 将梯度方向合并到4个方向，利用非极大值抑制找到边缘位置，即用一个3×3的邻域窗口作用于梯度幅值阵列M(x,y)，比较中心像元的梯度幅值M center(x,y)和其梯度方向所在方向的两个相邻像元的梯度幅值M near1(x,y)和M near2(x,y)，若M center(x,y) > M near1(x,y)且M center(x,y) > M near2(x,y)，则将此中心像元标记为候选边缘像元，并保留中心像元的梯度幅值M center(x,y)，否则，规定此中心像元为非边缘像元，并令M center(x,y) = 0;
4) 制定高阈值T high和低阈值T low两个阈值滤除非边缘像元，如果像元的梯度幅值M(x, y)大于T high，则此像元为边缘像元，如果M(x,y)小于T low，则此像元是非边缘像元，对于处于T high和T low之间的像元，如果其与边缘像元邻接，则认为是边缘像元，否则是非边缘像元。
7.如权利要求5所述的方法，其特征在于所述采用ROA边缘检测算法提取边缘特征的具体方式为：
1) 取一定尺寸的滑动窗口的中心像素点作为边缘待检测点，则过该点的某直线将滑动窗口划分为A和B两个区域，计算两区域内所有待检测点的灰度均值μ A 与μ B，令
，
则r i≥ 1，其中i= 1, 2, 3, 4，分别表示将滑动窗口划分为A和B两个区域的直线在垂直检测方向、水平检测方向、45°对角线检测方向和135°对角线检测方向，
2) 定义待检测点的ROA梯度强度
r = max(r 1 ，r 2 ，r 3 ，r 4)，
3) 选一个全局阈值T与r值进行比较，当r值大于T值时，将该点判断为边缘点。
8.如权利要求1、2、3、4、5、6或7所述的方法，其特征在于在特征点匹配步骤中所述采用的基于角度的特征匹配算法包括：
1) 利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使匹配算子具备旋转不变性，对于每幅低频近似图像I(x,y)，在以边缘特征点为中心的3×3邻域窗口内，依据下列公式计算其梯度值m(x,y)和梯度方向θ(x,y):
2) 将梯度方向的取值范围[0, 2π]分为36段，分别统计梯度幅值直方图，其峰值代表该边缘特征点的主方向，在梯度方向直方图中，当某梯度幅值达到主方向峰值80%以上时，将此方向作为该点的辅方向，
3) 对任意一个特征点，将梯度方向变换到以特征点主方向为基准的坐标系中，并将以特征点为中心的16×16邻域均匀分成4×4个子区域，对每个子区域分别统计8个方向的梯度直方图，则构成一个128维的特征向量，然后将该特征向量长度归一化，以该长度归一化的特征向量作为对该特征点的描述，
4) 对低频近似参考图像上的每一个特征点，计算其分别与低频近似待匹配图像上的各特征点之间的角度值θ，若获得的最小角度值θ min与次小角度值θ sec之比小于设定的相关阈值t，则该最小角度值θ min涉及的两个特征点构成一对匹配点对，所述角度值θ依据下列内积公式计算：
其中为用于描述所述低频近似参考图像上的相应特征点特征向量，为用于描述所述低频近似待配准图像上的相应特征点的特征向量。
9.如权利要求8所述的方法，其特征在于所述匹配点对筛选步骤，包括：
1）对得到的初始特征匹配点对集，按各特征点涉及的最小角度值θ min和次小角度值θ sec之比由小到大排序，选择其中比值最小的8个匹配点对作为拟合样本；
2）利用拟合样本进行模型参数拟合，得到符合这些数据的一个基本模型M；
3）用模型M检验所有的匹配特征点对中的所有特征点，如果该点距模型M的距离小于某个阈值，则此点属于内点，否则为外点，将由内点组成的匹配点对列入筛选后的匹配点对集。
10.如权利要求9所述的方法，其特征在于所述仿射变换参数计算步骤包括：
1) 根据图像尺寸的大小，利用双阈值方法进行分区，设定分区的低阈值和高阈值，若匹配点对的行列坐标值均小于低阈值，则归为低坐标值区，若匹配点对的行列坐标值均大于高阈值，则归为高坐标值区，其余的匹配点对归为中坐标值区，所述低坐标值区、中坐标值区和高坐标值区内均至少有一对匹配点对；
2) 在各区按质量好坏对匹配点对进行排序，分别在各区内选择其中质量最好的一对匹配点对，用于计算仿射变换参数；
3) 将用于计算仿射变换参数的各匹配点对的各点坐标乘以2，获得对应于原图坐标的3组匹配点对、和，其中坐标为第n组匹配点对中待配准影像上的匹配点的坐标，坐标为第n组匹配点对中参考图像上的匹配点的坐标, n=1, 2, 3，为各组匹配点对的编号；
4) 对应于原图坐标的3组匹配点对、和代入下列仿射变换公式，求解获得用于仿射变换计算的参数，
其中，s表示图像的缩放比例，d x和d y 分别表示图像在x和y方向上的平移量，α表示影像的旋转角度。
CN201710557777.1A 2017-07-10 2017-07-10 基于边缘点特征的高分辨率遥感图像配准方法 Active CN107301661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710557777.1A CN107301661B (zh) 2017-07-10 2017-07-10 基于边缘点特征的高分辨率遥感图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710557777.1A CN107301661B (zh) 2017-07-10 2017-07-10 基于边缘点特征的高分辨率遥感图像配准方法

Publications (2)

Publication Number Publication Date
CN107301661A true CN107301661A (zh) 2017-10-27
CN107301661B CN107301661B (zh) 2020-09-11

Family

ID=60132743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710557777.1A Active CN107301661B (zh) 2017-07-10 2017-07-10 基于边缘点特征的高分辨率遥感图像配准方法

Country Status (1)

Country Link
CN (1) CN107301661B (zh)

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235775A (zh) * 2017-12-18 2018-06-29 香港应用科技研究院有限公司 具有伪边缘消除的基于块的边缘像素检测的系统和方法
CN108492260A (zh) * 2018-02-07 2018-09-04 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
CN108596867A (zh) * 2018-05-09 2018-09-28 五邑大学 一种基于orb算法的图片校正方法及系统
CN108615248A (zh) * 2018-04-27 2018-10-02 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN109359513A (zh) * 2018-08-29 2019-02-19 中山大学 一种基于边缘检测和颜色匹配的异常检测方法
CN109389612A (zh) * 2018-08-31 2019-02-26 南京理工大学 一种城轨列车受电弓滑板边缘检测方法
CN109727279A (zh) * 2018-06-04 2019-05-07 南京师范大学 一种矢量数据与遥感影像的自动配准方法
CN109741376A (zh) * 2018-11-19 2019-05-10 天津津航技术物理研究所 一种基于改进ransac算法的中、长波红外图像配准方法
CN109934860A (zh) * 2019-03-21 2019-06-25 大连海事大学 一种基于sift-flann与误匹配点剔除的图像配准方法
CN109993800A (zh) * 2019-03-18 2019-07-09 五邑大学 一种工件尺寸的检测方法、装置及存储介质
CN110555883A (zh) * 2018-04-27 2019-12-10 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置及存储介质
CN110751680A (zh) * 2019-10-17 2020-02-04 中国科学院云南天文台 一种具有快速对齐算法的图像处理方法
CN110970132A (zh) * 2019-11-01 2020-04-07 广东炬海科技股份有限公司 一种基于移动护理的病情预警系统
CN111028276A (zh) * 2019-12-09 2020-04-17 Oppo广东移动通信有限公司 图像对齐方法、装置、存储介质及电子设备
CN111028292A (zh) * 2019-12-13 2020-04-17 中国电子科技集团公司第二十研究所 一种亚像素级图像匹配导航定位方法
CN111311658A (zh) * 2020-04-02 2020-06-19 烟台艾睿光电科技有限公司 双光成像系统图像配准方法及相关装置
CN111507055A (zh) * 2019-01-30 2020-08-07 深圳晶源信息技术有限公司 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法
CN111652790A (zh) * 2019-04-16 2020-09-11 上海铼锶信息技术有限公司 一种亚像素图像配准方法
CN111797744A (zh) * 2020-06-28 2020-10-20 武汉大学 一种基于共现滤波算法的多模态遥感图像匹配方法
CN111806702A (zh) * 2020-06-30 2020-10-23 鑫喆喆 基于信号检测的跳伞机构弹出平台及方法
CN111868783A (zh) * 2019-02-14 2020-10-30 中国水利水电科学研究院 基于边界提取的区域合并图像分割算法
CN112017217A (zh) * 2020-09-02 2020-12-01 国家卫星气象中心(国家空间天气监测预警中心) 一种多频太赫兹探测仪遥感数据通道间的配准方法及装置
CN112164086A (zh) * 2020-10-12 2021-01-01 华雁智能科技(集团)股份有限公司 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112381748A (zh) * 2020-11-16 2021-02-19 上海亨临光电科技有限公司 基于纹理特征点的太赫兹与可见光图像配准方法及装置
CN112419350A (zh) * 2020-11-20 2021-02-26 武汉大学 基于地物边界信息的遥感影像自动化几何配准方法及系统
CN112509016A (zh) * 2020-09-28 2021-03-16 杭州向正科技有限公司 基于多个低成本摄像头拍摄输出高清画面的方法
CN112529021A (zh) * 2020-12-29 2021-03-19 辽宁工程技术大学 一种基于尺度不变特征变换算法特征的航拍图像匹配方法
CN112862868A (zh) * 2021-01-31 2021-05-28 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN113269706A (zh) * 2020-02-14 2021-08-17 中国科学院国家空间科学中心 激光雷达图像质量评价方法、装置、设备及存储介质
CN114004770A (zh) * 2022-01-04 2022-02-01 成都国星宇航科技有限公司 一种卫星时空图的精校正方法、装置及存储介质
CN114373153A (zh) * 2022-01-12 2022-04-19 北京拙河科技有限公司 一种基于多尺度阵列相机的视频成像优化系统与方法
CN115049708A (zh) * 2022-04-12 2022-09-13 南京雷电信息技术有限公司 基于lsd直线检测与模板匹配的sar图像配准方法
CN115689943A (zh) * 2022-11-18 2023-02-03 武汉保诚信科技有限公司 一种基于梯度对称性的微图码运动模糊检测方法
CN115775269A (zh) * 2023-02-10 2023-03-10 西南交通大学 一种基于线特征的列车图像精确配准方法
CN116612390A (zh) * 2023-07-21 2023-08-18 山东鑫邦建设集团有限公司 一种建筑工程用的信息管理系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702235A (zh) * 2009-11-25 2010-05-05 上海电力学院 基于三角剖分的图像配准方法
CN101877140A (zh) * 2009-12-18 2010-11-03 北京邮电大学 一种基于全景图的全景虚拟游方法
CN102622732A (zh) * 2012-03-14 2012-08-01 上海大学 一种前扫声纳图像拼接方法
CN102663725A (zh) * 2012-03-05 2012-09-12 西北工业大学 基于线特征和控制点的可见光和sar图像配准方法
CN102663756A (zh) * 2012-04-20 2012-09-12 华南理工大学 印刷电路板中异型元件和高密度封装元器件的配准方法
CN102837406A (zh) * 2012-08-17 2012-12-26 浙江工业大学 基于fast-9图像特征快速配准算法的模具监视方法
CN103020945A (zh) * 2011-09-21 2013-04-03 中国科学院电子学研究所 一种多源传感器的遥感图像配准方法
CN103514606A (zh) * 2013-10-14 2014-01-15 武汉大学 一种异源遥感影像配准方法
CN103745463A (zh) * 2013-12-26 2014-04-23 大连理工大学 基于梯度信息的新颖多源图像快速配准方法
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN103886569A (zh) * 2014-04-03 2014-06-25 北京航空航天大学 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法
CN105303544A (zh) * 2015-10-30 2016-02-03 河海大学 一种基于最小边界距离的视频拼接方法
CN105809640A (zh) * 2016-03-09 2016-07-27 长春理工大学 基于多传感器融合的低照度视频图像增强方法
CN106558072A (zh) * 2016-11-22 2017-04-05 重庆信科设计有限公司 一种基于改进sift特征在遥感图像上配准的方法
CN106683127A (zh) * 2017-01-05 2017-05-17 南京觅踪电子科技有限公司 一种基于surf算法的多模态医学图像配准方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702235A (zh) * 2009-11-25 2010-05-05 上海电力学院 基于三角剖分的图像配准方法
CN101877140A (zh) * 2009-12-18 2010-11-03 北京邮电大学 一种基于全景图的全景虚拟游方法
CN103020945A (zh) * 2011-09-21 2013-04-03 中国科学院电子学研究所 一种多源传感器的遥感图像配准方法
CN102663725A (zh) * 2012-03-05 2012-09-12 西北工业大学 基于线特征和控制点的可见光和sar图像配准方法
CN102622732A (zh) * 2012-03-14 2012-08-01 上海大学 一种前扫声纳图像拼接方法
CN102663756A (zh) * 2012-04-20 2012-09-12 华南理工大学 印刷电路板中异型元件和高密度封装元器件的配准方法
CN102837406A (zh) * 2012-08-17 2012-12-26 浙江工业大学 基于fast-9图像特征快速配准算法的模具监视方法
CN103514606A (zh) * 2013-10-14 2014-01-15 武汉大学 一种异源遥感影像配准方法
CN103745463A (zh) * 2013-12-26 2014-04-23 大连理工大学 基于梯度信息的新颖多源图像快速配准方法
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN103886569A (zh) * 2014-04-03 2014-06-25 北京航空航天大学 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法
CN105303544A (zh) * 2015-10-30 2016-02-03 河海大学 一种基于最小边界距离的视频拼接方法
CN105809640A (zh) * 2016-03-09 2016-07-27 长春理工大学 基于多传感器融合的低照度视频图像增强方法
CN106558072A (zh) * 2016-11-22 2017-04-05 重庆信科设计有限公司 一种基于改进sift特征在遥感图像上配准的方法
CN106683127A (zh) * 2017-01-05 2017-05-17 南京觅踪电子科技有限公司 一种基于surf算法的多模态医学图像配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
熊平等: "《多视频多图像实时配准》", 《计算机应用与软件》 *
许钢等: "《改进型SIFT立体匹配算法研究》", 《计算机工程与应用》 *

Cited By (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235775A (zh) * 2017-12-18 2018-06-29 香港应用科技研究院有限公司 具有伪边缘消除的基于块的边缘像素检测的系统和方法
CN108235775B (zh) * 2017-12-18 2021-06-15 香港应用科技研究院有限公司 具有伪边缘消除的基于块的边缘像素检测的系统和方法
US11430128B2 (en) 2018-02-07 2022-08-30 Chang'an University Geological linear body extraction method based on tensor voting coupled with Hough transformation
CN108492260A (zh) * 2018-02-07 2018-09-04 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
CN108492260B (zh) * 2018-02-07 2019-01-08 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
WO2019153746A1 (zh) * 2018-02-07 2019-08-15 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
CN110555883A (zh) * 2018-04-27 2019-12-10 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置及存储介质
US11481923B2 (en) 2018-04-27 2022-10-25 Tencent Technology (Shenzhen) Company Limited Relocalization method and apparatus in camera pose tracking process, device, and storage medium
CN110555883B (zh) * 2018-04-27 2022-07-22 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置及存储介质
CN108615248B (zh) * 2018-04-27 2022-04-05 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN108615248A (zh) * 2018-04-27 2018-10-02 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN108596867A (zh) * 2018-05-09 2018-09-28 五邑大学 一种基于orb算法的图片校正方法及系统
CN109727279A (zh) * 2018-06-04 2019-05-07 南京师范大学 一种矢量数据与遥感影像的自动配准方法
CN109727279B (zh) * 2018-06-04 2022-07-29 南京师范大学 一种矢量数据与遥感影像的自动配准方法
CN109359513A (zh) * 2018-08-29 2019-02-19 中山大学 一种基于边缘检测和颜色匹配的异常检测方法
CN109359513B (zh) * 2018-08-29 2020-10-30 中山大学 一种基于边缘检测和颜色匹配的异常检测方法
CN109389612A (zh) * 2018-08-31 2019-02-26 南京理工大学 一种城轨列车受电弓滑板边缘检测方法
CN109741376A (zh) * 2018-11-19 2019-05-10 天津津航技术物理研究所 一种基于改进ransac算法的中、长波红外图像配准方法
CN111507055A (zh) * 2019-01-30 2020-08-07 深圳晶源信息技术有限公司 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法
CN111868783A (zh) * 2019-02-14 2020-10-30 中国水利水电科学研究院 基于边界提取的区域合并图像分割算法
CN111868783B (zh) * 2019-02-14 2021-03-23 中国水利水电科学研究院 基于边界提取的区域合并图像分割算法
CN109993800B (zh) * 2019-03-18 2023-01-03 五邑大学 一种工件尺寸的检测方法、装置及存储介质
CN109993800A (zh) * 2019-03-18 2019-07-09 五邑大学 一种工件尺寸的检测方法、装置及存储介质
CN109934860A (zh) * 2019-03-21 2019-06-25 大连海事大学 一种基于sift-flann与误匹配点剔除的图像配准方法
CN109934860B (zh) * 2019-03-21 2022-10-18 大连海事大学 一种基于sift-flann与误匹配点剔除的图像配准方法
CN111652790B (zh) * 2019-04-16 2023-06-02 上海铼锶信息技术有限公司 一种亚像素图像配准方法
CN111652790A (zh) * 2019-04-16 2020-09-11 上海铼锶信息技术有限公司 一种亚像素图像配准方法
CN110751680A (zh) * 2019-10-17 2020-02-04 中国科学院云南天文台 一种具有快速对齐算法的图像处理方法
CN110970132B (zh) * 2019-11-01 2023-06-16 广东炬海科技股份有限公司 一种基于移动护理的病情预警系统
CN110970132A (zh) * 2019-11-01 2020-04-07 广东炬海科技股份有限公司 一种基于移动护理的病情预警系统
CN111028276A (zh) * 2019-12-09 2020-04-17 Oppo广东移动通信有限公司 图像对齐方法、装置、存储介质及电子设备
CN111028292A (zh) * 2019-12-13 2020-04-17 中国电子科技集团公司第二十研究所 一种亚像素级图像匹配导航定位方法
CN113269706A (zh) * 2020-02-14 2021-08-17 中国科学院国家空间科学中心 激光雷达图像质量评价方法、装置、设备及存储介质
CN113269706B (zh) * 2020-02-14 2023-11-14 中国科学院国家空间科学中心 激光雷达图像质量评价方法、装置、设备及存储介质
CN111311658B (zh) * 2020-04-02 2023-11-07 烟台艾睿光电科技有限公司 双光成像系统图像配准方法及相关装置
CN111311658A (zh) * 2020-04-02 2020-06-19 烟台艾睿光电科技有限公司 双光成像系统图像配准方法及相关装置
CN111797744A (zh) * 2020-06-28 2020-10-20 武汉大学 一种基于共现滤波算法的多模态遥感图像匹配方法
CN111806702A (zh) * 2020-06-30 2020-10-23 鑫喆喆 基于信号检测的跳伞机构弹出平台及方法
CN112017217A (zh) * 2020-09-02 2020-12-01 国家卫星气象中心(国家空间天气监测预警中心) 一种多频太赫兹探测仪遥感数据通道间的配准方法及装置
CN112017217B (zh) * 2020-09-02 2022-05-03 国家卫星气象中心(国家空间天气监测预警中心) 一种多频太赫兹探测仪遥感数据通道间的配准方法及装置
CN112509016A (zh) * 2020-09-28 2021-03-16 杭州向正科技有限公司 基于多个低成本摄像头拍摄输出高清画面的方法
CN112164086B (zh) * 2020-10-12 2024-07-19 华雁智能科技(集团)股份有限公司 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112164086A (zh) * 2020-10-12 2021-01-01 华雁智能科技(集团)股份有限公司 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112381748A (zh) * 2020-11-16 2021-02-19 上海亨临光电科技有限公司 基于纹理特征点的太赫兹与可见光图像配准方法及装置
CN112419350B (zh) * 2020-11-20 2023-06-02 武汉大学 基于地物边界信息的遥感影像自动化几何配准方法及系统
CN112419350A (zh) * 2020-11-20 2021-02-26 武汉大学 基于地物边界信息的遥感影像自动化几何配准方法及系统
CN112529021A (zh) * 2020-12-29 2021-03-19 辽宁工程技术大学 一种基于尺度不变特征变换算法特征的航拍图像匹配方法
CN112529021B (zh) * 2020-12-29 2024-05-28 辽宁工程技术大学 一种基于尺度不变特征变换算法特征的航拍图像匹配方法
CN112862868A (zh) * 2021-01-31 2021-05-28 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN112862868B (zh) * 2021-01-31 2023-12-01 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN114004770A (zh) * 2022-01-04 2022-02-01 成都国星宇航科技有限公司 一种卫星时空图的精校正方法、装置及存储介质
CN114373153A (zh) * 2022-01-12 2022-04-19 北京拙河科技有限公司 一种基于多尺度阵列相机的视频成像优化系统与方法
CN114373153B (zh) * 2022-01-12 2022-12-27 北京拙河科技有限公司 一种基于多尺度阵列相机的视频成像优化系统与方法
CN115049708B (zh) * 2022-04-12 2023-04-07 南京雷电信息技术有限公司 基于lsd直线检测与模板匹配的sar图像配准方法
CN115049708A (zh) * 2022-04-12 2022-09-13 南京雷电信息技术有限公司 基于lsd直线检测与模板匹配的sar图像配准方法
CN115689943A (zh) * 2022-11-18 2023-02-03 武汉保诚信科技有限公司 一种基于梯度对称性的微图码运动模糊检测方法
CN115775269A (zh) * 2023-02-10 2023-03-10 西南交通大学 一种基于线特征的列车图像精确配准方法
CN115775269B (zh) * 2023-02-10 2023-05-02 西南交通大学 一种基于线特征的列车图像精确配准方法
CN116612390B (zh) * 2023-07-21 2023-10-03 山东鑫邦建设集团有限公司 一种建筑工程用的信息管理系统
CN116612390A (zh) * 2023-07-21 2023-08-18 山东鑫邦建设集团有限公司 一种建筑工程用的信息管理系统

Also Published As

Publication number Publication date
CN107301661B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN107452030B (zh) 基于轮廓检测和特征匹配的图像配准方法
CN103080979B (zh) 从照片合成肖像素描的系统和方法
CN105787943B (zh) 基于多尺度图像块特征和稀疏表示的sar图像配准方法
CN103871039B (zh) 一种sar图像变化检测差异图生成方法
CN102360503B (zh) 基于空间贴近度和像素相似性的sar图像变化检测方法
CN112801141B (zh) 基于模板匹配和孪生神经网络优化的异源图像匹配方法
CN109712149B (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN104732546B (zh) 区域相似性和局部空间约束的非刚性sar图像配准方法
CN107862708A (zh) 一种sar与可见光图像配准方法
CN116664559A (zh) 基于机器视觉的内存条损伤快速检测方法
CN108257153B (zh) 一种基于方向梯度统计特征的目标跟踪方法
CN104680536B (zh) 利用改进的非局部均值算法对sar图像变化的检测方法
CN110929598B (zh) 基于轮廓特征的无人机载sar图像匹配方法
Wu et al. Research on crack detection algorithm of asphalt pavement
CN115147613A (zh) 一种基于多向融合的红外小目标检测方法
CN106204596B (zh) 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN105303538A (zh) 一种基于nsct和pca的高斯噪声方差估计方法
CN113093164A (zh) 一种平移不变和噪声稳健的雷达图像目标识别方法
Wang et al. Underwater Terrain Image Stitching Based on Spatial Gradient Feature Block.
CN107256399B (zh) 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法
CN109886988A (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN112348853B (zh) 基于红外显著性特征融合的粒子滤波跟踪的方法

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
GR01 Patent grant
GR01 Patent grant