CN103177444A - 一种sar图像自动配准方法 - Google Patents
一种sar图像自动配准方法 Download PDFInfo
- Publication number
- CN103177444A CN103177444A CN2013100751326A CN201310075132A CN103177444A CN 103177444 A CN103177444 A CN 103177444A CN 2013100751326 A CN2013100751326 A CN 2013100751326A CN 201310075132 A CN201310075132 A CN 201310075132A CN 103177444 A CN103177444 A CN 103177444A
- Authority
- CN
- China
- Prior art keywords
- sift
- image
- point
- registration
- steps
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种SAR图像自动配准方法,所述方法分析SIFT配准点在SAR图像复杂地形条件下特征点选择遇到的问题,通过与Delaunay三角网组合并编码,利用Delaunay三角化原理,通过自动阈值判断编码特征点三角形相似性,由于SIFT配准和Delaunay三角网对旋转等几何变化都具有鲁棒性,因此SIFT-Delaunay编码算法能够有效地利用三角形之间的相似性对SIFT配准的错误配准点滤除,达到准确配准的目的。
Description
技术领域
本发明属于信号处理技术领域,尤其是涉及一种SAR图像自动配准方法。
背景技术
SAR图像配准是将在不同时段、不同视角或不同传感器下获得的同一场景的两幅或者多幅图像进行叠加的过程,即通过寻找一种空间变换,使得两幅图像中代表同一目标的对应点达到空间位置上的一致。由于图像配准技术在变换检测,图像数据融合以及目标识别等多个领域广泛的应用,是图像处理的基本任务之一,因而得到了广泛的研究。
图像配准一般有两种方法:基于区域的方法和基于特征的图像配准。其中基于区域的方法其原理是通过比较两幅图像中像素灰度的相似度完成配准。此类方法不需要对图像进行预处理,对尺寸较小、灰度变化不大的图像配准精度高,有空间相关法、不变距法和频域相关法等,这些方法都是利用图像的灰度信息,配准精度高,但是对于图像变化敏感,复杂度高,对目标旋转比较敏感。对于视角、灰度、结构变化都比较大的遥感图像而言配准精度较差,因此不适合SAR图像配准。因而目前对于SAR图像的配准一般都是基于特征的方法。
基于特征的方法并不直接对灰度级图像进行操作,而是通过提取参考图像和待配准图像上的一些共同特征,建立特征之间的对应关系,进而实现图像的配准,常用的有点特征,轮廓特征,边缘特征以及主成分特征等,基于特征的方法对图像变化和图像旋转不是很敏感,但是配准受相似特征的影响,特征点容易出现差错。
SAR图像自动配准问题是SAR图像解译的关键技术之一,长期以来未有得到很好的解决。尺度不变特征变换SIFT算法是一种比较成功的自动配准算法,但由于场景的复杂性,SIFT算法不能解决相似特征不同位置的问题。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,本发明提出了一种SAR图像自动配准方法。所述方法基于Delaunay三角拓扑理论,提出了一种SIFT-Delaunay编码的自动配准算法,通过实测数据试验,本发明能够解决SAR图像仿射变换中SIFT算法配准中的问题,实现SAR图像自动配准。
为解决上述技术问题,本发明所采用的技术方案是:
一种SAR图像自动配准方法,所述方法步骤如下:
步骤A,SIFT特征匹配:
采用SIFT算法提取SAR图像的局部特征,在尺度空间寻找极值点,提取位置、尺度、旋转不变量参数;对两幅待配准的图像分别提取SIFT特征,并逐一进行比对,对两幅图像中满足匹配要求的特征点进行保留,不满足要求的则删掉;
步骤B,SIFT-Delaunay编码
针对在步骤A中两幅图像的SIFT匹配对,采用SIFT-Delaunay编码消除错误的匹配对;
步骤B-1,对每幅图像中的SIFT特征点,采用Delaunay三角网逐点***法,建立Delaunay三角网;
步骤B-2,对Delaunay三角网每一个三角形,利用三角形中三个顶点的对应关系,建立内部仿射变换模型,剔出不满足比例关系的特征点;
步骤B-3,对每一对三角形,逐一比较对应的边和夹角,判断是否满足以下条件:
|L1-L′1|<T1,|L2-L′2|<T1,|L3-L′3|<T1
|A1-A′1|<T2,|A2-A′2|<T2,|A3-A′3|<T2
其中T1,T2是根据全部对应边和夹角设定的的阈值,L1,L2,L3分别为基准图像三角形的三个边,L′1,L′2,L′3为待配准图像三角形的三个边,A1,A2,A3为基准图像三角形的三个夹角,A′1,A′2,A′3为待配准图像三角形的三个夹角;
如果不满足条件,则继续查找三个顶点分别对应的其他三角形,如果一个点所连接的所有三角都不满足对应条件,则删除这个点;
如果满足条件,则保留该三角形的三个顶点;保留所有满足条件的对应点,最后将这些点作为配准的参考点,对两幅图像进行配准。
所述步骤A中,SIFT特征匹配的具体步骤如下:
步骤A-1,SIFT特征向量的生成
步骤A-1-1,利用高斯差分核与图像卷积得到高斯差分DOG图像,通过比较DOG图像中像素点的灰度值判定极值点的位置和尺度;利用稳定性度量删除不稳定的特征点,确定特征点集;
步骤A-1-2,利用特征点邻域像素的梯度方向分布特征,为每一个特征点指定方向参数,使算子具有尺度不变性,确定特征点主方向;
步骤A-1-3,将坐标轴旋转到特征点主方向,以特征点为中心取4×4的m倍数大小的窗口,m为正整数,在每个4×4的图像小方块里计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点,每个种子点8个方向,形成一个8×m维SIFT特征向量,将特征向量的长度归一化,得到SIFT特征向量;
步骤A-2,特征向量的匹配
采用欧氏距离作为两幅图像SIFT特征点的相似性度量,设定比例阈值,通过相似性度量得到匹配对。
本发明的有益效果是:本发明提出了一种SAR图像自动配准方法,所述方法分析SIFT配准点在SAR图像复杂地形条件下特征点选择遇到的问题,通过与Delaunay三角网组合并编码,利用Delaunay三角化原理,通过自动阈值判断编码特征点三角形相似性,由于SIFT配准和Delaunay三角网对旋转等几何变化都具有鲁棒性,因此SIFT-Delaunay编码算法能够有效地利用三角形之间的相似性对SIFT配准的错误配准点滤除,达到准确配准的目的。
附图说明
图1是带有错误配准点的Delaunay三角网;图1a是基准图像的三角网,图1b是待配准图像的三角网。
图2是Delaunay三角网中对应的一对三角形;图2a是基准图像的一个三角形,图2b是待配准图像的一个三角形。
图3是错误配准点已经消除的Delaunay三角网;图3a是基准图像的三角网,图3b是已配准图像的三角网。
图4是基准SAR图像。
图5是待配准SAR图像。
图6是配准后图像。
具体实施方式
下面结合附图,对本发明提出的一种SAR图像自动配准方法进行详细说明:
一种SAR图像自动配准方法,步骤如下:
步骤A,SIFT特征匹配
SIFT方法原理是一种提取图像局部特征的方法,利用多尺度方法将邻域的灰度变化描述成具有某种不变性质的向量,将该向量点作为SIFT特征;
步骤A-1,特征点的检测及其精确位置的确定
首先利用高斯差分核与图像卷积得到高斯差分DoG图像,通过比较DoG图像中像素点的灰度值确定极值点的位置和尺度;然后利用稳定性度量删除不稳定的特征点最终确定特征点集;
高斯差分DoG定义为
D(x,y,σ)=[G(x,y,k)-G(x,y,σ)]*I(x,y)=L(x,y,kσ)-L(x,y,σ)
其中:
L(x,y,σ)=G(x,y,σ)*I(x,y),
I(x,y)为不同尺度因子下的高斯核
G(x,y,σ)=exp[-(x2+y2)/2σ2]/2πσ2,
(x,y)是空间坐标,k、σ是尺度坐标;
DOG金字塔通过高斯金字塔中相邻尺度空间函数相减得到,DOG金字塔的第一层的尺度因子与高斯金字塔的第一层是一致的;
为了检测到DOG空间的极值点,需要将DOG尺度空间中的每个象素同他相邻的8个像素以及上下层中的9个相邻像素点总共26个像素点进行比较,以确保在尺度空间和二维空间都能检测到局部极值点;
由于DOG值对噪声和边缘比较敏感,因此,由以上方式得到的局部极值点还需要进一步验证才能精确定位为特征点,通过拟合三维二次函数来精确确定为特征点的位置和尺度,同时可以去除对比度低的极值点和不稳定的边缘相应点,以增强匹配的准确度和稳定性,提高抗干扰能力。
步骤A-2,特征点方向的确定
利用特征点邻域像素的梯度方向分布特征,为每一个特征点指定方向参数,使算子具有尺度不变性:
θ(x,y)=tan2(L(x+1,y)-(x-1,y))/((x,y+1)-(x,y-1))
其中,m(x,y)表示梯度值,θ(x,y)表示梯度方向;L所用的尺度是每个特征点各自所在的尺度,在实际计算中,在以特征点为中心的邻域窗口内采样,并用梯度方向直方图统计邻域像素的梯度方向;梯度直方图的范围是0到360度,其中每10度一个柱,一共36个柱;梯度直方图中峰值的方向,当存在另一个相当主峰值80%的峰值时,可将此方向认定为该特征点的辅方向;一个特征点可以被指定为多个方向,一个主方向,一个以上的辅方向,这样可以增强程序的鲁棒性;
步骤A-3,特征向量的生成
将坐标轴旋转到特征点主方向,以保持其旋转不变性,再以特征点为中心以取8×8的窗口为例,其中每小格代表特征点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,长度代表梯度模值;在每个4×4的图像小方块里计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点;形成了2×2个种子点,每个种子点8个方向,共可生成32个数据,形成一个32维SIFT特征向量;这种方式增强了算法的抗干扰能力,对定位有偏差的特征点也有较好的容错性;此刻,生成的SIFT特征向量已经除去了尺度变换和旋转等几何变形的影响,再将特征向量的长度归一化,就可以进一步除去光照变化的影响;
步骤A-4,特征向量的匹配
当待匹配的两幅图像的SIFT特征向量生成后,须进行相似性度量,一般采用距离度量函数作为工具,通过相似性度量可以得到图像间潜在的匹配;这里采用欧氏距离作为两幅图像间的相似性度量,获取SIFT特征向量后,采用优先k-d树近似BBF搜索算法,进行优先搜索来查找每个特征点的2个近似最近邻特征点,在这两个特征点中,如果最近的距离除以次近的距离小于某个比例阈值,则接受这一对匹配点;降低这个比例阈值,SIFT匹配点数目会减少,但更加稳定;接着进行消除错配,通过相似性度量得到潜在的匹配时,需要根据几何限制和其他附加约束消除错误匹配,提高鲁棒性,这样就利用SIFT特征匹配算法实现了图像匹配;
在SAR成像过程中,由于航迹的调整,会造成不同航次的SAR图像存在倾斜角不同的问题,同时还存在复杂场景中有相似场景的问题,也就是不同位置的配准点的匹配程度很高,这就使得相似性度量的配准会存在误配准的问题;
针对上述问题,我们引入Delaunay三角拓扑理论,在两幅图像只有仿射变换的条件下,利用Delaunay三角剖分进行目标点匹配;
步骤B,SIFT-Delaunay编码
由上面的步骤得到的控制点一一对应,但是由于场景的复杂性,有的特征点的特征向量相似,但几何位置并不真的对应,由于我们所用的数据具有仿射不变性,因此采用基于Qi算法的Delaunay三角网逐点***法,建立Delaunay三角网,如图1所示,对图1b的每一个三角形,利用三个顶点的行列号与对应的图1a基准图像的三角形对应,建立内部仿射变换模型,剔出不满足比例关系的特征点;
构建好Delaunay三角网,每个点都对应一个以上的三角形,利用对应点的坐标编码确定好每个点对应三角形的另外两个点,利用三个顶点对应基准图像和待配准图像确定好该三角形内部的仿射变换模型参数,由于对应点基本上是一致的,所以参数取所有对应三角形的均值;具体实现方式如下:
逐一比较对应三角形,每个三角形,有三个边和三个夹角,如图2所示,对基准三角形图2a,判断待配准三角形图2b是否满足以下条件:
|L1-L′1|<T1,|L2-L′2|<T1,|L3-L′3|<T1
|A1-A′1|<T2,|A2-A′2|<T2,|A3-A′3|<T2
其中T1,T2是根据全部对应边和夹角的均值调整作的阈值,其中T1,T2是根据全部对应边和夹角设定的的阈值,L1,L2,L3分别为基准图像三角形的三个边,L′1,L′2,L′3为待配准图像三角形的三个边,A1,A2,A3为基准图像三角形的三个夹角,A′1,A′2,A′3为待配准图像三角形的三个夹角;如果上面条件都满足,则记住该三角形的三个顶点,如果不满足则继续查找三个顶点分别对应的其他三角形,如果一个点所连接的所有三角形都不满足,则删除这个点;记下所有满足条件的对应点。如图3所示,是错误配准点消除后的Delaunay三角网;图3a是基准图像的三角网,图3b是已配准图像的三角网。
为了验证算法的有效性,我们给出一组实验,实验数据为同一场景的SAR图像,不同之处在于两组图像姿态角不同,如图4,图5所示。
分别对两幅图像进行SIFT特征点搜索,并对两组特征点进行相似计算,由于地面的复杂性,有的特征点并不是真正的配准点,所以我们对配准后的Delaunay三角网进行编码,消除错误匹配点,得到最后的配准结果如图6所示。
通过配准结果可以看出,本发明用到的SAR数据相当复杂,囊括了海洋,陆地,陆地上还有城市,平原和山区,可以说地面错综复杂的情况使得单纯的SIFT配准算法失效,产生了不同位置的局部特征相似情况;同时,待配准的图像与基准图像姿态角不一致,这也给配准带来了干扰。由于SIFT算法和Delaunay三角网特征都有较好的抗旋转等几何变化的影响,因此在本发明选用这两种算法并提出了基于SIFT-Delaunay的编码算法,能够有效地滤除错误特征点,在复杂背景和有几何变化的情况下可以正确的配准。
Claims (2)
1.一种SAR图像自动配准方法,其特征在于,所述方法步骤如下:
步骤A,SIFT特征匹配:
采用SIFT算法提取SAR图像的局部特征,在尺度空间寻找极值点,提取位置、尺度、旋转不变量参数;对两幅待配准的图像分别提取SIFT特征,并逐一进行比对,对两幅图像中满足匹配要求的特征点进行保留,不满足要求的则删掉;
步骤B,SIFT-Delaunay编码
针对在步骤A中两幅图像的SIFT匹配对,采用SIFT-Delaunay编码消除错误的匹配对;
步骤B-1,对每幅图像中的SIFT特征点,采用Delaunay三角网逐点***法,建立Delaunay三角网;
步骤B-2,对Delaunay三角网每一个三角形,利用三角形中三个顶点的对应关系,建立内部仿射变换模型,剔出不满足比例关系的特征点;
步骤B-3,对每一对三角形,逐一比较对应的边和夹角,判断是否满足以下条件:
|L1-L′1|<T1,|L2-L′2|<T1,|L3-L′3|<T1
|A1-A′1|<T2,|A2-A′2|<T2,|A3-A′3|<T2
其中T1,T2是根据全部对应边和夹角设定的的阈值,L1,L2,L3分别为基准图像三角形的三个边,L′1,L′2,L′3为待配准图像三角形的三个边,A1,A2,A3为基准图像三角形的三个夹角,A′1,A′2,A′3为待配准图像三角形的三个夹角;
如果不满足条件,则继续查找三个顶点分别对应的其他三角形,如果一个点所连接的所有三角形都不满足对应条件,则删除这个点;
如果满足条件,则保留该三角形的三个顶点;保留所有满足条件的对应点,最后将这些点作为配准的参考点,对两幅图像进行配准。
2.根据权利要求1所述的一种SAR图像自动配准方法,其特征在于,所述步骤A中,SIFT特征匹配的具体步骤如下:
步骤A-1,SIFT特征向量的生成
步骤A-1-1,利用高斯差分核与图像卷积得到高斯差分DOG图像,通过比较DOG图像中像素点的灰度值判定极值点的位置和尺度;利用稳定性度量删除不稳定的特征点,确定特征点集;
步骤A-1-2,利用特征点邻域像素的梯度方向分布特征,为每一个特征点指定方向参数,使算子具有尺度不变性,确定特征点主方向;
步骤A-1-3,将坐标轴旋转到特征点主方向,以特征点为中心取4×4的m倍数大小的窗口,m为正整数,在每个4×4的图像小方块里计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点,每个种子点8个方向,形成一个8×m维SIFT特征向量,将特征向量的长度归一化,得到SIFT特征向量;
步骤A-2,特征向量的匹配
采用欧氏距离作为两幅图像SIFT特征点的相似性度量,设定比例阈值,通过相似性度量得到匹配对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100751326A CN103177444A (zh) | 2013-03-08 | 2013-03-08 | 一种sar图像自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100751326A CN103177444A (zh) | 2013-03-08 | 2013-03-08 | 一种sar图像自动配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103177444A true CN103177444A (zh) | 2013-06-26 |
Family
ID=48637274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100751326A Pending CN103177444A (zh) | 2013-03-08 | 2013-03-08 | 一种sar图像自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177444A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914847A (zh) * | 2014-04-10 | 2014-07-09 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN104077770A (zh) * | 2014-06-17 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
CN104282016A (zh) * | 2014-08-22 | 2015-01-14 | 四川九成信息技术有限公司 | 嵌入式图像数据处理方法 |
CN104867126A (zh) * | 2014-02-25 | 2015-08-26 | 西安电子科技大学 | 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 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
CN103927785B (zh) * | 2014-04-22 | 2016-08-24 | 同济大学 | 一种面向近景摄影立体影像数据的特征点匹配方法 |
CN105930848A (zh) * | 2016-04-08 | 2016-09-07 | 西安电子科技大学 | 基于sar-sift特征的sar图像目标识别方法 |
CN106815832A (zh) * | 2016-12-20 | 2017-06-09 | 华中科技大学 | 一种表面贴装技术的钢网图像自动配准方法和*** |
CN107831182A (zh) * | 2016-09-14 | 2018-03-23 | 中国石油化工股份有限公司 | 一种匹配矿物分析图像与扫描电镜图像的方法 |
CN109188433A (zh) * | 2018-08-20 | 2019-01-11 | 南京理工大学 | 基于无控制点的双机载sar图像目标定位的方法 |
CN110097585A (zh) * | 2019-04-29 | 2019-08-06 | 中国水利水电科学研究院 | 一种基于sift算法的sar影像匹配方法及*** |
CN110263795A (zh) * | 2019-06-04 | 2019-09-20 | 华东师范大学 | 一种基于隐式形状模型与图匹配的目标检测方法 |
CN110503678A (zh) * | 2019-08-28 | 2019-11-26 | 徐衍胜 | 基于拓扑结构约束的导航设备红外与光学异源配准方法 |
CN111125414A (zh) * | 2019-12-26 | 2020-05-08 | 盐城禅图智能科技有限公司 | 一种无人机遥感图像特定目标自动搜索方法 |
CN111179323A (zh) * | 2019-12-30 | 2020-05-19 | 上海研境医疗科技有限公司 | 医学影像特征点匹配方法、装置、设备及存储介质 |
CN117761695A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 基于自适应分区sift的多角度sar三维成像方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833765A (zh) * | 2010-04-30 | 2010-09-15 | 天津大学 | 基于双向匹配和三角形约束的特征匹配方法 |
CN102542523A (zh) * | 2011-12-28 | 2012-07-04 | 天津大学 | 一种基于街景的城市图片信息认证方法 |
-
2013
- 2013-03-08 CN CN2013100751326A patent/CN103177444A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833765A (zh) * | 2010-04-30 | 2010-09-15 | 天津大学 | 基于双向匹配和三角形约束的特征匹配方法 |
CN102542523A (zh) * | 2011-12-28 | 2012-07-04 | 天津大学 | 一种基于街景的城市图片信息认证方法 |
Non-Patent Citations (3)
Title |
---|
刘向增等: "《基于仿射不变SIFT特征的SAR图像配准》", 《光电工程》, vol. 37, no. 11, 30 November 2010 (2010-11-30) * |
***: "《指纹图像分割与参考点提取算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2006 (2006-12-15) * |
李玲玲等: "《基于Harris-Affine和SIFT特征匹配的图像自动配准》", 《华中科技大学学报(自然科学版)》, vol. 36, no. 8, 31 August 2008 (2008-08-31) * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867126B (zh) * | 2014-02-25 | 2017-10-17 | 西安电子科技大学 | 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 |
CN104867126A (zh) * | 2014-02-25 | 2015-08-26 | 西安电子科技大学 | 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 |
CN103914847A (zh) * | 2014-04-10 | 2014-07-09 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN103914847B (zh) * | 2014-04-10 | 2017-03-29 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN103927785B (zh) * | 2014-04-22 | 2016-08-24 | 同济大学 | 一种面向近景摄影立体影像数据的特征点匹配方法 |
CN104077770A (zh) * | 2014-06-17 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
CN104077770B (zh) * | 2014-06-17 | 2017-03-15 | 中国科学院合肥物质科学研究院 | 一种植物叶片图像局部自适应树形结构特征匹配方法 |
CN104282016A (zh) * | 2014-08-22 | 2015-01-14 | 四川九成信息技术有限公司 | 嵌入式图像数据处理方法 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
CN105787943B (zh) * | 2016-03-03 | 2018-08-31 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
CN105930848A (zh) * | 2016-04-08 | 2016-09-07 | 西安电子科技大学 | 基于sar-sift特征的sar图像目标识别方法 |
CN105930848B (zh) * | 2016-04-08 | 2019-02-15 | 西安电子科技大学 | 基于sar-sift特征的sar图像目标识别方法 |
CN107831182A (zh) * | 2016-09-14 | 2018-03-23 | 中国石油化工股份有限公司 | 一种匹配矿物分析图像与扫描电镜图像的方法 |
CN106815832A (zh) * | 2016-12-20 | 2017-06-09 | 华中科技大学 | 一种表面贴装技术的钢网图像自动配准方法和*** |
CN106815832B (zh) * | 2016-12-20 | 2019-05-21 | 华中科技大学 | 一种表面贴装技术的钢网图像自动配准方法和*** |
CN109188433B (zh) * | 2018-08-20 | 2022-11-04 | 南京理工大学 | 基于无控制点的双机载sar图像目标定位的方法 |
CN109188433A (zh) * | 2018-08-20 | 2019-01-11 | 南京理工大学 | 基于无控制点的双机载sar图像目标定位的方法 |
CN110097585A (zh) * | 2019-04-29 | 2019-08-06 | 中国水利水电科学研究院 | 一种基于sift算法的sar影像匹配方法及*** |
CN110263795A (zh) * | 2019-06-04 | 2019-09-20 | 华东师范大学 | 一种基于隐式形状模型与图匹配的目标检测方法 |
CN110263795B (zh) * | 2019-06-04 | 2023-02-03 | 华东师范大学 | 一种基于隐式形状模型与图匹配的目标检测方法 |
CN110503678A (zh) * | 2019-08-28 | 2019-11-26 | 徐衍胜 | 基于拓扑结构约束的导航设备红外与光学异源配准方法 |
CN111125414A (zh) * | 2019-12-26 | 2020-05-08 | 盐城禅图智能科技有限公司 | 一种无人机遥感图像特定目标自动搜索方法 |
CN111125414B (zh) * | 2019-12-26 | 2023-08-18 | 郑州航空工业管理学院 | 一种无人机遥感图像特定目标自动搜索方法 |
CN111179323A (zh) * | 2019-12-30 | 2020-05-19 | 上海研境医疗科技有限公司 | 医学影像特征点匹配方法、装置、设备及存储介质 |
CN117761695A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 基于自适应分区sift的多角度sar三维成像方法 |
CN117761695B (zh) * | 2024-02-22 | 2024-04-30 | 中国科学院空天信息创新研究院 | 基于自适应分区sift的多角度sar三维成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177444A (zh) | 一种sar图像自动配准方法 | |
Novatnack et al. | Scale-dependent/invariant local 3D shape descriptors for fully automatic registration of multiple sets of range images | |
Awrangjeb et al. | Automatic detection of residential buildings using LIDAR data and multispectral imagery | |
CN106485740B (zh) | 一种结合稳定点和特征点的多时相sar图像配准方法 | |
Zhang et al. | Accurate centerline detection and line width estimation of thick lines using the radon transform | |
Awrangjeb et al. | Building detection in complex scenes thorough effective separation of buildings from trees | |
Lin et al. | Image registration based on corner detection and affine transformation | |
CN100587518C (zh) | 遥感影像高精度控制点自动选择方法 | |
Hu et al. | A robust method for semi-automatic extraction of road centerlines using a piecewise parabolic model and least square template matching | |
CN106556412A (zh) | 一种室内环境下考虑地面约束的rgb‑d视觉里程计方法 | |
CN102903109B (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
Wang et al. | A robust approach for automatic registration of aerial images with untextured aerial lidar data | |
CN103065135A (zh) | 基于数字图像处理的车牌号码匹配算法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN104077760A (zh) | 一种航空摄影测量的快速拼接***及其实现方法 | |
Chen et al. | Robust affine-invariant line matching for high resolution remote sensing images | |
Abed et al. | Echo amplitude normalization of full-waveform airborne laser scanning data based on robust incidence angle estimation | |
Chen et al. | Feature line generation and regularization from point clouds | |
Wang et al. | Combining optimized SAR-SIFT features and RD model for multisource SAR image registration | |
Huang et al. | SAR and optical images registration using shape context | |
Marques et al. | Crater delineation by dynamic programming | |
Ren et al. | Automated SAR reference image preparation for navigation | |
Wan et al. | The P2L method of mismatch detection for push broom high-resolution satellite images | |
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 |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130626 |