CN104217209A - 一种遥感图像自动配准点错误匹配消除方法 - Google Patents

Abstract

本发明提供了一种遥感图像自动配准点错误匹配消除方法，其特征包括以下步骤:图像获取——提取特征点，建立最初匹配关系——利用欧式空间距离方法在集合U_A中搜索距离其最近的K个特征点——判断{PixA₀，PixB₀}与其周围点的n个特征点符合角度自洽要求——得到同名点集合U_right和错误同名点U_wrong等步骤。通过本发明，两景遥感图像在使用任意特征点提取和匹配算法后，得到匹配点对集合和特征点描述向量后，利用本方法可以实现误匹配特征点对的消除。

Description

一种遥感图像自动配准点错误匹配消除方法

技术领域

本发明属遥感图像处理领域，具体涉及一种遥感图像自动配准点错误匹配消除方法。

背景技术

在多源遥感图像中同名地物的地理位置在大多数情况下并不相同，导致这种现象的原因主要有二个：一是由于在传感器在获取图像瞬间，传感器的位置、姿态存在显著差异；二是由于研究区的地形起伏差异较大。由于这两个因素的存在，使得对多源遥感图像的配准存在一定的困难。目前主要的解决方法是，首先利用研究区的DEM数据对遥感图像正进行正射校正，之后在两景不同传感器或不同时相的遥感图像中选取同名地物点，最后利用选取的同名地物点建立图像变换方程，完成图像变换。但是对于高空间分辨率的遥感图像，难于获取与其分辨率相近的DEM数据，因此对其正射校正存在较大误差，对之后的图像同名点的提取和匹配造成了很大因难。

目前自动提取多源遥感图像同名点地物点的技术发展迅速，提出了多种同点地物点提取算法，目前比较有效的方法是实现图像基本配准之后，以一定尺寸的窗口进行移动计算两景遥感图像的相关系数，但是对于在地形起伏较大地区的高空间分辨率遥感图像，由于同名地物相距较远，往往超过几百个像素，如果搜索范围太大，则计算时间程几何倍数增长，最终导致无法计算。

另一类方法是特征点提取与匹配算法，其中以SIFT(Scale InvariantFeature Transform)和SURF(Speed up Robust Features)特征点提取算法应用最为广泛，在2000╳2000的图像中这两种算法可以提取得到几千个特征点，但是由于遥感图像中存在大量的相似地物，如植被、房屋等，使得在之后的特征点匹配过程中易出现大量的错误匹配点对，所以必须对错误匹配点对进行消除，目前比较有效的方法为RANSAC（Random Sample Consensus）方法，这种方法可以有效的解决地形地伏较小区的误匹配点消除，但是在地形起伏较大地区，由于无法建立准确的数学模型，因此这种方法难于发挥作用，因此本专利提出了更为有效的算法。

发明内容

本发明的目的是为了克服现有技术的缺陷，提供一种可以消除误匹配特征点对的图像特征点误匹配消除方法。

为了实现上述目的，本发明的技术方案为：一种遥感图像自动配准点错误匹配消除方法，包括以下步骤：

步骤1，图像获取：利用Quick Bird或IKONOS传感器获取不同时相的高空间分辨率图像A与图像B；

步骤2，提取特征点，建立最初匹配关系：提取图像A与图像B中的特征点，得到特征点集合{PixA_i|i=1，2，…M}和{PixB_j|j=1，2，…N}，利用FlannBasedMatcher方法进行特征点匹配，得到初始同名点集合U_relation={PixA_i，PixB_i|i=1，2，…min(M，N)}；则U_relation中的特征点由A图像中的特征点集合U_A={PixA_i|i=1，2，…min(M，N)}，和B图像中的特征点集合U_B={PixB_i|i=1，2，…min(M，N)}组成；

步骤3，任意选取U_relation中一对同名特征点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_A中搜索距离其最近的K个特征点，K为小于50的自然数，得到U_Asub={PixA_i|i=1…K}，同理搜索距离PixB₀最近的K个特征点，得到U_Bsub={PixB_i|i=1…K}；根据U_relation判断U_Asub与U_Bsub中同名点的个数n：若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，将其加入U_wrong集合；若n≥3，则得U_Asub与U_Bsub中到n个同名点对集合U_rs={PixA_i，PixB_i|i=1，2…n}；

步骤4，将自洽角度定义为γ,0°≤γ≤60°，对于U_rs中的一对同名点{PixA_i，PixB_i}，计算PixA₀到PixA_i连线与PixA₀自身方向的夹角α，计算PixB₀到PixB_i连线与PixB₀自身方向的夹角β，PixA₀与PixB₀自身夹角由SIFT或SURF特征点提取方法计算得到；若{PixA₀，PixB₀}与U_rs中每一对同名点{PixAi，PixBi}均有｜α－β｜<γ的关系，则认为{PixA₀，PixB₀}与其周围点的n个特征点符合角度自洽要求，{PixA₀，PixB₀}为正确的同名点，将其加入到U_right集合，否则加入Ｕ_wrong集合；

步骤5，对Ur_elation中的每一对同名点{PixA_i，PixB_i|i=1，2，…min(M，N)}，重复进行步骤3与步骤4的操作，得到初选正确同名点集合U_right和错误同名点U_wrong；将U_right作为U_ralation，再重复步骤3与步骤4，直到U_right集合中同名点对数量不再变化为止；其中U_right由A图像中的特征点U_Aright集合与B图像中的特征点U_Bright集合组成；

步骤6，对于U_wrong中的每一对同名点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_Aright中搜索距离其最近的K=10个特征点，得到U_Asub={PixA_i|i=1…K}，同理搜索U_Bright中距离PixB₀最近的特征点，得到U_Bsub={PixB_i|i=1…K}；根据U_right判断U_Asub与U_Bsub中同名点的个数为n；若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，加入U_wrong’集合；若n≥3，则得到n个同名点对U_rs={PixA_i，PixB_i|i=1，2…n}；若{PixA₀，PixB₀}同这n个特征点符合步骤3所述的角度自洽要求，则认为{PixA₀，PixB₀}为正确的同名点，加入U_right’；

步骤7，将U_right’和U_wrong’作为步骤6的初始条件，重复步骤6，直到U_right’和U_wrong’稳定，则U_right’为全部正确同名点；

步骤8，结果的输出：将U_right’输入ArcGis图像校正***，输出图像A’，使图像A’与图像B完全匹配。

所述步骤3中，K=10个特征点。

所述步骤4中，自洽角度γ取45°。

本发明的进步之处在于，通过本发明，两景遥感图像在使用任意特征点提取和匹配算法后，得到匹配点对集合和特征点描述向量后，利用本方法可以实现误匹配特征点对的消除。

附图说明

图1为角度自洽性原理图。

图2为本发明的流程图。

具体实施方式

下面结合附图和实施例对本发明进行进一步描述。

一种遥感图像自动配准点错误匹配消除方法，如图2所示，包括以下步骤：

步骤1，图像获取：利用Quick Bird或IKONOS传感器获取不同时相的高空间分辨率图像A与图像B；

步骤2，提取特征点，建立最初匹配关系：利用SIFT或SURF方法分别提取图像A与图像B中的特征点，得到特征点集合{PixA_i|i=1，2，…M}和{PixB_j|j=1，2，…N}，利用FlannBasedMatcher方法进行特征点匹配，得到初始同名点集合U_relation={PixA_i，PixB_i|i=1，2，…min(M，N)}；则U_relation中的特征点由A图像中的特征点集合U_A={PixA_i|i=1，2，…min(M，N)}，和B图像中的特征点集合U_B={PixB_i|i=1，2，…min(M，N)}组成；本步骤目的是在图像A与B中分别提取得到特征点，并建立最初的匹配关系U_relation，但U_relation中存在正确的同名点和错误的同名点，利用一下步骤选出全部正确的同名点；

步骤3，任意选取U_relation中一对同名特征点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_A中搜索距离其最近的K个特征点，K为小于50的自然数，得到U_Asub={PixA_i|i=1…K}，同理搜索距离PixB₀最近的K个特征点，得到U_Bsub={PixB_i|i=1…K}；这里的搜索并不特别指明，可使用任意方法，如计算与所有点的距离，并选出最近的点；根据U_relation判断U_Asub与U_Bsub中同名点的个数n：若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，将其加入U_wrong集合；若n≥3，则得U_Asub与U_Bsub中到n个同名点对集合U_rs={PixA_i，PixB_i|i=1，2…n}；本步骤的目的是为判断同名特征点{PixA₀，PixB₀}是否正确做准备；{PixA₀，PixB₀}如果是正确的同名点，则在A图像PixA₀周围的K个特征点U_Asub，与在B图像PixB₀周围的K个特征点U_Bsub，必然存在同名点对；若不存在，则有两种可能性，一是U_Asub和U_Bsub中的特征点数K太小，因此要增加K值，二是{PixA₀，PixB₀}是匹配错误的同名点；本步骤中K优选为10；

步骤4，将自洽角度定义为γ,γ=45°，对于U_rs中的一对同名点{PixA_i，PixB_i}，计算PixA₀到PixA_i连线与PixA₀自身方向的夹角α，计算PixB₀到PixB_i连线与PixB₀自身方向的夹角β，PixA₀与PixB₀自身夹角由SIFT或SURF特征点提取方法计算得到；若{PixA₀，PixB₀}与U_rs中每一对同名点{PixAi，PixBi}均有｜α－β｜<γ的关系，则认为{PixA₀，PixB₀}与其周围点的n个特征点符合角度自洽要求，{PixA₀，PixB₀}为正确的同名点，将其加入到U_right集合，否则加入Ｕ_wrong集合；本步骤目的是进一步判别步骤2中{PixA₀，PixB₀}是否为正确的特征点；在步骤2中已经得到以PixA₀和PixB₀为中心的n对同名点，因为U_relation中的错误同名点较多，尽管n对同名点在图像中相对较小的范围内，但不排除仍有错误的可能性；遥感图像在局部区域，尽管由于地形引起了图像畸变，但是地物的相对位置关系不会发生变化，如地物的左右，上下关系，不会显著变化，因此利用这种相对位置关系对{PixA0，PixB0}是否为正确同名点进行判断；利用SIFT或SURF提取的特征点，具有方向性，如图1所示，a与b为同名点，a’与b’为同名点，特征点a的方向，a指向a’的方向，相差角度为α，特征点b的方向（如图所示），b指向b’的方向相差角度为β，经过试验表明α-β的绝对值在45度对可保证后继计算的正确性，即符合角度自洽要求；、

步骤5，对Ur_elation中的每一对同名点{PixA_i，PixB_i|i=1，2，…min(M，N)}，重复进行步骤3与步骤4的操作，得到初选正确同名点集合U_right和错误同名点U_wrong；将U_right作为U_ralation，再重复步骤3与步骤4，直到U_right集合中同名点对数量不再变化为止；其中U_right由A图像中的特征点U_Aright集合与B图像中的特征点U_Bright集合组成；本步骤的目的是对U_relation中每对同名点步骤进行角度自洽的验证，完成后得到U_right，对U_right中的所有点再反复进行验证，直到Uright点数量不再变化；

步骤6，对于U_wrong中的每一对同名点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_Aright中搜索距离其最近的K=10个特征点，得到U_Asub={PixA_i|i=1…K}，同理搜索U_Bright中距离PixB₀最近的特征点，得到U_Bsub={PixB_i|i=1…K}；根据U_right判断U_Asub与U_Bsub中同名点的个数为n；若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，加入U_wrong’集合；若n≥3，则得到n个同名点对U_rs={PixA_i，PixB_i|i=1，2…n}；若{PixA₀，PixB₀}同这n个特征点符合步骤3所述的角度自洽要求，则认为{PixA₀，PixB₀}为正确的同名点，加入U_right’；由于步骤2的U_relation中，同名点错误率很高，因此步骤4得到U_wrong中可能含有正确的同名点，因此，利用U_right，对所有的U_wrong，进行角度自洽验证，判断其正确性；

步骤7，将U_right’和U_wrong’作为步骤6的初始条件，重复步骤6，直到U_right’和U_wrong’稳定，则U_right’为全部正确同名点；

步骤8，结果的输出：将U_right’输入ArcGis图像校正***，输出图像A’，使图像A’与图像B完全匹配。

上面对本发明的实施例作了详细说明，上述实施方式仅为本发明的最优实施例，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种遥感图像自动配准点错误匹配消除方法，其特征在于包括以下步骤：

步骤1，图像获取：利用Quick Bird或IKONOS传感器获取不同时相的高空间分辨率图像A与图像B；

步骤2，提取特征点，建立最初匹配关系：提取图像A与图像B中的特征点，得到特征点集合{PixA_i|i=1，2，…M}和{PixB_j|j=1，2，…N}，利用FlannBasedMatcher方法进行特征点匹配，得到初始同名点集合U_relation={PixA_i，PixB_i|i=1，2，…min(M，N)}；则U_relation中的特征点由A图像中的特征点集合U_A={PixA_i|i=1，2，…min(M，N)}，和B图像中的特征点集合U_B={PixB_i|i=1，2，…min(M，N)}组成；

步骤3，任意选取U_relation中一对同名特征点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_A中搜索距离其最近的K个特征点，K为小于50的自然数，得到U_Asub={PixA_i|i=1…K}，同理搜索距离PixB₀最近的K个特征点，得到U_Bsub={PixB_i|i=1…K}；根据U_relation判断U_Asub与U_Bsub中同名点的个数n：若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，将其加入U_wrong集合；若n≥3，则得U_Asub与U_Bsub中到n个同名点对集合U_rs={PixA_i，PixB_i|i=1，2…n}；

步骤4，将自洽角度定义为γ,0°≤γ≤60°，对于U_rs中的一对同名点{PixA_i，PixB_i}，计算PixA₀到PixA_i连线与PixA₀自身方向的夹角α，计算PixB₀到PixB_i连线与PixB₀自身方向的夹角β，PixA₀与PixB₀自身夹角由SIFT或SURF特征点提取方法计算得到；若{PixA₀，PixB₀}与U_rs中每一对同名点{PixAi，PixBi}均有｜α－β｜<γ的关系，则认为{PixA₀，PixB₀}与其周围点的n个特征点符合角度自洽要求，{PixA₀，PixB₀}为正确的同名点，将其加入到U_right集合，否则加入Ｕ_wrong集合；

步骤5，对Ur_elation中的每一对同名点{PixA_i，PixB_i|i=1，2，…min(M，N)}，重复进行步骤3与步骤4的操作，得到初选正确同名点集合U_right和错误同名点U_wrong；将U_right作为U_ralation，再重复步骤3与步骤4，直到U_right集合中同名点对数量不再变化为止；其中U_right由A图像中的特征点U_Aright集合与B图像中的特征点U_Bright集合组成；

步骤6，对于U_wrong中的每一对同名点{PixA₀，PixB₀}，对于特征点PixA₀，利用欧式空间距离方法在集合U_Aright中搜索距离其最近的K=10个特征点，得到U_Asub={PixA_i|i=1…K}，同理搜索U_Bright中距离PixB₀最近的特征点，得到U_Bsub={PixB_i|i=1…K}；根据U_right判断U_Asub与U_Bsub中同名点的个数为n；若n<3，令K=K+10，重复本步骤；若K>30并且n<3，则认为{PixA₀，PixB₀}为错误同名点，加入U_wrong’集合；若n≥3，则得到n个同名点对U_rs={PixA_i，PixB_i|i=1，2…n}；若{PixA₀，PixB₀}同这n个特征点符合步骤3所述的角度自洽要求，则认为{PixA₀，PixB₀}为正确的同名点，加入U_right’；

步骤7，将U_right’和U_wrong’作为步骤6的初始条件，重复步骤6，直到U_right’和U_wrong’稳定，则U_right’为全部正确同名点；

步骤8，结果的输出：将U_right’输入ArcGis图像校正***，输出图像A’，使图像A’与图像B完全匹配。

2.如权利要求1所述的一种遥感图像自动配准点错误匹配消除方法，其特征在于K=10个特征点。

3.如权利要求1所述的一种遥感图像自动配准点错误匹配消除方法，其特征在于步骤4中，自洽角度γ取45°。