CN104217209A - 一种遥感图像自动配准点错误匹配消除方法 - Google Patents
一种遥感图像自动配准点错误匹配消除方法 Download PDFInfo
- Publication number
- CN104217209A CN104217209A CN201310217341.XA CN201310217341A CN104217209A CN 104217209 A CN104217209 A CN 104217209A CN 201310217341 A CN201310217341 A CN 201310217341A CN 104217209 A CN104217209 A CN 104217209A
- Authority
- CN
- China
- Prior art keywords
- pixa
- pixb
- same place
- unique point
- image
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
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UA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Uright和错误同名点Uwrong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
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{PixAi|i=1,2,…M}和{PixBj|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Urelation={PixAi,PixBi|i=1,2,…min(M,N)};则Urelation中的特征点由A图像中的特征点集合UA={PixAi|i=1,2,…min(M,N)},和B图像中的特征点集合UB={PixBi|i=1,2,…min(M,N)}组成;
步骤3,任意选取Urelation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UA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UAsub={PixAi|i=1…K},同理搜索距离PixB0最近的K个特征点,得到UBsub={PixBi|i=1…K};根据Urelation判断UAsub与UBsub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Uwrong集合;若n≥3,则得UAsub与UBsub中到n个同名点对集合Urs={PixAi,PixBi|i=1,2…n};
步骤4,将自洽角度定义为γ,0°≤γ≤60°,对于Urs中的一对同名点{PixAi,PixBi},计算PixA0到PixAi连线与PixA0自身方向的夹角α,计算PixB0到PixBi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Urs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Uright集合,否则加入Uwrong集合;
步骤5,对Urelation中的每一对同名点{PixAi,PixBi|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Uright和错误同名点Uwrong;将Uright作为Uralation,再重复步骤3与步骤4,直到Uright集合中同名点对数量不再变化为止;其中Uright由A图像中的特征点UAright集合与B图像中的特征点UBright集合组成;
步骤6,对于Uwrong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UAright中搜索距离其最近的K=10个特征点,得到UAsub={PixAi|i=1…K},同理搜索UBright中距离PixB0最近的特征点,得到UBsub={PixBi|i=1…K};根据Uright判断UAsub与UBsub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Uwrong’集合;若n≥3,则得到n个同名点对Urs={PixAi,PixBi|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Uright’;
步骤7,将Uright’和Uwrong’作为步骤6的初始条件,重复步骤6,直到Uright’和Uwrong’稳定,则Uright’为全部正确同名点;
步骤8,结果的输出:将Uright’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{PixAi|i=1,2,…M}和{PixBj|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Urelation={PixAi,PixBi|i=1,2,…min(M,N)};则Urelation中的特征点由A图像中的特征点集合UA={PixAi|i=1,2,…min(M,N)},和B图像中的特征点集合UB={PixBi|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Urelation,但Urelation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Urelation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UA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UAsub={PixAi|i=1…K},同理搜索距离PixB0最近的K个特征点,得到UBsub={PixBi|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Urelation判断UAsub与UBsub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Uwrong集合;若n≥3,则得UAsub与UBsub中到n个同名点对集合Urs={PixAi,PixBi|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UAsub,与在B图像PixB0周围的K个特征点UBsub,必然存在同名点对;若不存在,则有两种可能性,一是UAsub和UBsub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Urs中的一对同名点{PixAi,PixBi},计算PixA0到PixAi连线与PixA0自身方向的夹角α,计算PixB0到PixBi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Urs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Uright集合,否则加入Uwrong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Urelation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Urelation中的每一对同名点{PixAi,PixBi|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Uright和错误同名点Uwrong;将Uright作为Uralation,再重复步骤3与步骤4,直到Uright集合中同名点对数量不再变化为止;其中Uright由A图像中的特征点UAright集合与B图像中的特征点UBright集合组成;本步骤的目的是对Urelation中每对同名点步骤进行角度自洽的验证,完成后得到Uright,对Uright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Uwrong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UAright中搜索距离其最近的K=10个特征点,得到UAsub={PixAi|i=1…K},同理搜索UBright中距离PixB0最近的特征点,得到UBsub={PixBi|i=1…K};根据Uright判断UAsub与UBsub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Uwrong’集合;若n≥3,则得到n个同名点对Urs={PixAi,PixBi|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Uright’;由于步骤2的Urelation中,同名点错误率很高,因此步骤4得到Uwrong中可能含有正确的同名点,因此,利用Uright,对所有的Uwrong,进行角度自洽验证,判断其正确性;
步骤7,将Uright’和Uwrong’作为步骤6的初始条件,重复步骤6,直到Uright’和Uwrong’稳定,则Uright’为全部正确同名点;
步骤8,结果的输出:将Uright’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{PixAi|i=1,2,…M}和{PixBj|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Urelation={PixAi,PixBi|i=1,2,…min(M,N)};则Urelation中的特征点由A图像中的特征点集合UA={PixAi|i=1,2,…min(M,N)},和B图像中的特征点集合UB={PixBi|i=1,2,…min(M,N)}组成;
步骤3,任意选取Urelation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UA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UAsub={PixAi|i=1…K},同理搜索距离PixB0最近的K个特征点,得到UBsub={PixBi|i=1…K};根据Urelation判断UAsub与UBsub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Uwrong集合;若n≥3,则得UAsub与UBsub中到n个同名点对集合Urs={PixAi,PixBi|i=1,2…n};
步骤4,将自洽角度定义为γ,0°≤γ≤60°,对于Urs中的一对同名点{PixAi,PixBi},计算PixA0到PixAi连线与PixA0自身方向的夹角α,计算PixB0到PixBi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Urs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Uright集合,否则加入Uwrong集合;
步骤5,对Urelation中的每一对同名点{PixAi,PixBi|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Uright和错误同名点Uwrong;将Uright作为Uralation,再重复步骤3与步骤4,直到Uright集合中同名点对数量不再变化为止;其中Uright由A图像中的特征点UAright集合与B图像中的特征点UBright集合组成;
步骤6,对于Uwrong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UAright中搜索距离其最近的K=10个特征点,得到UAsub={PixAi|i=1…K},同理搜索UBright中距离PixB0最近的特征点,得到UBsub={PixBi|i=1…K};根据Uright判断UAsub与UBsub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Uwrong’集合;若n≥3,则得到n个同名点对Urs={PixAi,PixBi|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Uright’;
步骤7,将Uright’和Uwrong’作为步骤6的初始条件,重复步骤6,直到Uright’和Uwrong’稳定,则Uright’为全部正确同名点;
步骤8,结果的输出:将Uright’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°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310217341.XA CN104217209B (zh) | 2013-06-03 | 2013-06-03 | 一种遥感图像自动配准点错误匹配消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310217341.XA CN104217209B (zh) | 2013-06-03 | 2013-06-03 | 一种遥感图像自动配准点错误匹配消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217209A true CN104217209A (zh) | 2014-12-17 |
CN104217209B CN104217209B (zh) | 2017-06-20 |
Family
ID=52098672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310217341.XA Active CN104217209B (zh) | 2013-06-03 | 2013-06-03 | 一种遥感图像自动配准点错误匹配消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217209B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881671A (zh) * | 2015-05-21 | 2015-09-02 | 电子科技大学 | 一种基于2D-Gabor的高分遥感影像局部特征提取方法 |
CN105630923A (zh) * | 2015-12-23 | 2016-06-01 | 浪潮软件股份有限公司 | 一种实现档案管理信息化的方法 |
CN106023187A (zh) * | 2016-05-17 | 2016-10-12 | 西北工业大学 | 一种基于sift特征和角度相对距离的图像配准方法 |
CN106257497A (zh) * | 2016-07-27 | 2016-12-28 | 中测高科(北京)测绘工程技术有限责任公司 | 一种图像同名点的匹配方法及装置 |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
CN112419379A (zh) * | 2020-11-30 | 2021-02-26 | 北京农业智能装备技术研究中心 | 多光谱相机的多通道图像匹配方法及装置 |
CN114937145A (zh) * | 2022-07-26 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350101A (zh) * | 2008-09-09 | 2009-01-21 | 北京航空航天大学 | 多幅深度图像自动配准方法 |
US20120082340A1 (en) * | 2006-09-25 | 2012-04-05 | Sri International | System and method for providing mobile range sensing |
US20120195165A1 (en) * | 2011-01-31 | 2012-08-02 | Chevron U.S.A. Inc. | Exploitation of self-consistency and differences between volume images and interpreted spatial/volumetric context |
CN102663441A (zh) * | 2012-03-05 | 2012-09-12 | 河南理工大学 | 基于点线关系一致性的错误匹配去除方法 |
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 |
CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
-
2013
- 2013-06-03 CN CN201310217341.XA patent/CN104217209B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120082340A1 (en) * | 2006-09-25 | 2012-04-05 | Sri International | System and method for providing mobile range sensing |
CN101350101A (zh) * | 2008-09-09 | 2009-01-21 | 北京航空航天大学 | 多幅深度图像自动配准方法 |
US20120195165A1 (en) * | 2011-01-31 | 2012-08-02 | Chevron U.S.A. Inc. | Exploitation of self-consistency and differences between volume images and interpreted spatial/volumetric context |
CN102663441A (zh) * | 2012-03-05 | 2012-09-12 | 河南理工大学 | 基于点线关系一致性的错误匹配去除方法 |
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 |
CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881671A (zh) * | 2015-05-21 | 2015-09-02 | 电子科技大学 | 一种基于2D-Gabor的高分遥感影像局部特征提取方法 |
CN104881671B (zh) * | 2015-05-21 | 2018-01-19 | 电子科技大学 | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 |
CN105630923A (zh) * | 2015-12-23 | 2016-06-01 | 浪潮软件股份有限公司 | 一种实现档案管理信息化的方法 |
CN106023187A (zh) * | 2016-05-17 | 2016-10-12 | 西北工业大学 | 一种基于sift特征和角度相对距离的图像配准方法 |
CN106257497A (zh) * | 2016-07-27 | 2016-12-28 | 中测高科(北京)测绘工程技术有限责任公司 | 一种图像同名点的匹配方法及装置 |
CN106257497B (zh) * | 2016-07-27 | 2020-05-08 | 中测高科(北京)测绘工程技术有限责任公司 | 一种图像同名点的匹配方法及装置 |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
CN107346550B (zh) * | 2017-07-05 | 2019-09-20 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
CN112419379A (zh) * | 2020-11-30 | 2021-02-26 | 北京农业智能装备技术研究中心 | 多光谱相机的多通道图像匹配方法及装置 |
CN114937145A (zh) * | 2022-07-26 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
CN114937145B (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于地学信息的遥感影像特征点匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104217209B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217209A (zh) | 一种遥感图像自动配准点错误匹配消除方法 | |
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
Lu et al. | 2-line exhaustive searching for real-time vanishing point estimation in manhattan world | |
CN107292907B (zh) | 一种对跟随目标进行定位的方法以及跟随设备 | |
CN103440659B (zh) | 基于星图匹配的星空图像畸变检测与估计方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及*** | |
CN105160686B (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
CN103854283A (zh) | 一种基于在线学习的移动增强现实跟踪注册方法 | |
CN104077760A (zh) | 一种航空摄影测量的快速拼接***及其实现方法 | |
CN105046701B (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
Santana-Cedrés et al. | Automatic correction of perspective and optical distortions | |
Quan et al. | Deep generative matching network for optical and SAR image registration | |
CN113012208B (zh) | 多视角遥感图像配准方法及*** | |
CN102750691B (zh) | 基于角点对cs距离匹配的图像配准方法 | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN108961164A (zh) | 基于几何不变量的图像配准拼接方法和装置及计算机设备 | |
CN113095385A (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
CN110852150B (zh) | 一种人脸验证方法、***、设备及计算机可读存储介质 | |
CN104200460A (zh) | 基于图像特征和互信息的图像配准方法 | |
CN106651950B (zh) | 一种基于二次曲线透视投影不变性的单相机位姿估计方法 | |
Gao et al. | Image matching method based on multi-scale corner detection | |
Rathnayake et al. | An efficient approach towards image stitching in aerial images | |
Chen et al. | Geometric and non-linear radiometric distortion robust multimodal image matching via exploiting deep feature maps | |
Huang et al. | Circle detection and fitting using laser range finder for positioning system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |