CN108447016B - 基于直线交点的光学图像和sar图像的匹配方法 - Google Patents
基于直线交点的光学图像和sar图像的匹配方法 Download PDFInfo
- Publication number
- CN108447016B CN108447016B CN201810112594.3A CN201810112594A CN108447016B CN 108447016 B CN108447016 B CN 108447016B CN 201810112594 A CN201810112594 A CN 201810112594A CN 108447016 B CN108447016 B CN 108447016B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- optical image
- sar image
- intersection
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 230000001629 suppression Effects 0.000 claims abstract description 9
- 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 8
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000005764 inhibitory process Effects 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于直线交点的光学图像和SAR图像的匹配方法,用于解决现有技术中存在的图像匹配准确度低的技术问题。实施步骤为:获取光学图像和SAR图像的边缘图和方向图;对两幅边缘图进行细化;对细化后的边缘图提取直线段集;对直线段集进行霍夫变换;计算霍夫变换后的点集中各点的线特征;对点集中的各点进行合并;对合并后的点集进行非极大值抑制;求取光学图像的交点集和SAR图像的交点集;对光学图像的交点集与SAR图像的交点集进行匹配,得到匹配集;对匹配集进行提纯,得到仿射变换矩阵,实现光学图像与SAR图像的匹配。本发明通过获取准确度高的直线交点,提高图像的匹配精度,可用于目标识别、定位及图像融合。
Description
技术领域
本发明属于图像处理技术领域,涉及一种光学图像和SAR图像的匹配方法,具体涉及一种基于直线交点的光学图像和SAR图像的匹配方法,可用于对光学图像和SAR图像的目标识别及定位,图像融合。
背景技术
图像匹配技术是图像目标识别及定位,图像融合等技术的基础,在计算机视觉、医学影像配准、遥感数据分析等多个领域都有着广泛的应用。就目前而言,常用的图像匹配方法一般可以分为基于灰度的匹配方法和基于特征的匹配方法。
基于灰度的匹配方法直接利用图像或者预设的模板窗口上的灰度信息作为基准进行匹配,而不考虑显著的特征。其主要思想是定义一个代价函数来度量相似度,计算图像中各个位置上的当前窗口和模板之间的相关函数完成图像匹配。该类方法在同源图像间具有有效性和准确性,但是对图像间的非线性灰度差异敏感,难以应用于异源图像之间的匹配。
由于基于特征的匹配方法并不直接作用于图像灰度,它表达了更高层的图像信息,这一特性使得基于特征的匹配方法对图像的灰度变换、图像变形以及遮挡都有较好的适应能力,更适用于光学图像和SAR图像之间的匹配;而常用的基于特征的匹配方法又分为点、线、面特征;对于光学图像与SAR图像的匹配问题,由于SAR影像相干斑噪声强烈,通常情况下,很少直接对图像提取点特征;由于光学图像和SAR图像的成像机理不同以及SAR图像中的几何畸变,所以基于面特征的匹配方法难以实现准确的匹配,所以基于线特征的图像匹配方法更适合光学图像和SAR图像的匹配。
例如授权公告号为CN103513247B,名称为“合成孔径雷达图像和光学图像同名点匹配的方法”的中国专利,公开了一种合成孔径雷达(SAR)图像和光学图像同名点匹配的方法,包括:获取同一区域的光学图像和SAR图像;根据数字高程模型数据和SAR图像对应的平台位置信息对SAR图像中各像素坐标进行地形补偿修正;在光学图像以特定点为中心提取预设形状的窗口图像块,该特定点就是光学图像的同名点;在其像素坐标进行地形补偿修正处理后的SAR图像中提取全部的不同位置的预设形状的窗口图像块;分别计算其与光学图像的窗口图像块的结构相似性数值;求取一系列的结构相似性数值的最大值,则该最大值所对应的SAR图像图像块中心即为光学图像同名点的匹配位置;该方法提高了SAR图像和光学图像的匹配效果,但存在的缺陷是在获取光学图像的特定点时会存在冗余点和错误点,使得匹配准确度较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种基于直线交点的光学图像和SAR图像的匹配方法,用于解决现有技术中存在的图像匹配准确度低的技术问题。
本发明的技术思路是:分别获取输入的光学图像和SAR图像的边缘图,对边缘图采取进行直线段提取,将直线段进行霍夫变换映射到极坐标下的点,经由领域范围内线特征取弱补强获得合并后的直线对应点,再通过非极大值抑制删除冗余直线,计算所求直线的交点,通过角度一致性约束条件下的欧式距离阈值法进行匹配,经随机采样一致性提纯匹配点对集,得到仿射变换矩阵,实现光学图像与SAR图像的匹配。
根据上述技术思路,实现本发明目的采取的技术方案包括如下步骤:
(1)获取光学图像的边缘图和梯度方向图,同时获取SAR图像的边缘图和梯度方向图:
(1a)采用梯度差分法计算输入的光学图像每个像素点的梯度模值和梯度方向,得到光学图像的梯度模值图和光学图像的梯度方向图,并对光学图像的梯度模值图进行归一化,得到光学图像的边缘图;
(1b)采用Gauss-Gamma双窗函数对输入的SAR图像进行滤波,得到SAR图像的梯度模值图,并对SAR图像的梯度模值图进行归一化,得到SAR图像的边缘图,同时采用ROEWA的仿射斜切变换模板,对输入的SAR图像进行卷积,得到SAR图像的梯度方向图;
(2)对光学图像的边缘图和SAR图像的边缘图进行细化:
采用canny算法,通过光学图像的梯度方向图对光学图像的边缘图进行细化,得到宽度为一个像素的光学图像的边缘图,同时通过SAR图像的梯度方向图对SAR图像的边缘图进行细化,得到宽度为一个像素的SAR图像的边缘图;
(3)分别提取细化后的光学图像的边缘图和SAR图像的边缘图的直线特征,得到光学图像的直线段集和SAR图像的直线段集;
(4)对光学图像的直线段集合和SAR图像的直线段集合进行霍夫变换:
对光学图像的直线段集中的各直线段进行霍夫变换,得到光学图像的点集,同时对SAR图像的直线段集中的各直线段进行霍夫变换,得到SAR图像的点集;
(5)计算光学图像的点集中各点的线特征和SAR图像的点集中各点的线特征:
将光学图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到光学图像各点的线特征,同时将SAR图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到SAR图像各点的线特征;
(6)对光学图像的点集中的各点和SAR图像的点集中各点进行合并:
(6a)以光学图像的点集中的各点为中心,以光学图像边长的0.15倍为边长,选取光学图像的点集中的各点的矩形领域,同时以SAR图像的点集中的各点为中心,以SAR图像边长的0.15倍为边长,选取SAR图像的点集中的各点的矩形领域;
(6b)比较光学图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的光学图像的点集;同时比较SAR图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的SAR图像的点集;
(7)对合并后的光学图像的点集和合并后的SAR图像的点集进行非极大值抑制:
对合并后的光学图像的点集进行非极大值抑制,得到抑制后的光学图像的点集,同时对合并后的SAR图像的点集进行非极大值抑制,得到抑制后的SAR图像的点集;
(8)求取光学图像的交点集和SAR图像的交点集:
(8a)对抑制后的光学图像的点集进行逆霍夫变换,得到光学图像的直线集合,同时对抑制后的SAR图像的点集进行逆霍夫变换,得到SAR图像的直线集合;
(8b)计算光学图像的直线集合中所有直线的交点坐标和各交点的直线夹角,得到光学图像的交点集,同时求取SAR图像的直线集合中所有直线的交点坐标和各交点的直线夹角,得到SAR图像的交点集;
(9)对光学图像的交点集中各点与SAR图像的交点集中各点进行匹配:
(9a)对光学图像的交点集中第一个交点与SAR图像的交点集中各交点进行匹配:
计算光学图像的交点集中第一个交点与SAR图像的交点集中各交点之间的欧式距离,并将计算出的欧式距离中小于预先设定的阈值且满足角度一致性约束条件的最小欧氏距离对应的两个交点作为第一个匹配对;
(9b)对光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点进行匹配:
按照步骤(9a)的方法,获取光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点的匹配对,并将这些匹配对与步骤(9a)中获取的第一个匹配对组成光学图像与SAR图像的匹配集;
(10)对光学图像与SAR图像的匹配集进行提纯:
采用RANSAC算法对光学图像与SAR图像的匹配集进行提纯,得到仿射变换矩阵,实现光学图像与SAR图像的匹配。
本发明与现有技术相比,具有如下优点:
第一,本发明在对光学图像和SAR图像的交点集中各点进行匹配前,通过霍夫变换分别将两幅图像的直线段集映射到点集,并选取领域范围,对该领域范围内的点,按照直线段中心点的梯度值与线段长度乘积大小进行合并,删除线特征小的直线段,将其线特征加到线特征最大的点上,最后进行非极大值抑制,充分利用了直线的特征信息,获得了准确的直线交点集,有效提高了光学图像和SAR图像的匹配准确度。
第二,本发明采取了角度一致性条件来约束光学图像和SAR图像交点集欧氏距离,并采用RANSAC方法对匹配集进行提纯,充分利用了光学图像和SAR图像的交点集的直线夹角信息,进一步提高了光学图像和SAR图像的匹配准确度。
附图说明
图1是本发明的实现流程图;
图2(a)是本发明光学图像的直线集结果图;
图2(b)是本发明SAR图像的直线集结果图;
图3(a)是本发明光学图像的交点集和SAR图像的交点集的匹配结果图;
图3(b)是本发明光学图像和SAR图像的匹配集提纯结果图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,一种基于直线交点的光学图像和SAR图像的匹配方法,包括如下步骤:
步骤1)获取光学图像的边缘图和梯度方向图,同时获取SAR图像的边缘图和梯度方向图,由于光学图像和SAR图像的成像机理不同,所以采取不同的方法获取边缘图和梯度方向图:
步骤1a)针对光学图像噪声是加性的这一特点,采用梯度差分法计算输入的光学图像每个像素点的梯度模值和梯度方向,得到光学图像的梯度模值图和光学图像的梯度方向图,并对光学图像的梯度模值图进行归一化,得到光学图像的边缘图;
步骤1b)针对SAR图像噪声是乘性的这一特点,采用Gauss-Gamma双窗函数对输入的SAR图像进行滤波,可以有效得滤除SAR图像的乘性想干斑噪声,得到准确的SAR图像的梯度模值图,并对SAR图像的梯度模值图进行归一化,得到SAR图像的边缘图;同时采用ROEWA的仿射斜切变换模板,对输入的SAR图像进行卷积,由于ROEWA算子只能计算输入图像的梯度模值,无法直接计算图像的梯度方向,得到SAR图像的梯度方向图;
步骤2)对光学图像的边缘图和SAR图像的边缘图进行细化:
采用canny算法,通过光学图像的梯度方向图对光学图像的边缘图进行细化,得到宽度为一个像素的光学图像的边缘图,同时通过SAR图像的梯度方向图对SAR图像的边缘图进行细化,得到宽度为一个像素的SAR图像的边缘图;
步骤3)分别提取细化后的光学图像的边缘图和SAR图像的边缘图的直线特征:
步骤3a)采用梯度模值伪排序法对细化后的光学图像的边缘图进行领域增长,得到光学图像的种子候选区,并采用区域增长方法计算种子候选区中光学图像的每个种子像素的直线段候选区,同时采用梯度模值伪排序法对细化后的SAR图像的边缘图进行领域增长,得到SAR图像的种子候选区,并采用区域增长方法计算种子候选区中SAR图像的每个种子像素的直线段候选区;
步骤3b)计算光学图像的每个种子像素的直线段候选区的外接矩形长短轴之比,判断外接矩形长短轴之比是否大于设定的阈值,并将大于阈值的外接矩形长短轴之比对应的直线段候选区作为光学图像的边缘图的直线特征,所有被作为直线特征的直线段候选区组成光学图像的直线段集,同时计算SAR图像的每个种子像素的直线段候选区的外接矩形长短轴之比,判断外接矩形长短轴之比是否大于设定的阈值,并将大于阈值的外接矩形长短轴之比对应的直线段候选区作为SAR图像的边缘图的直线特征,所有被作为直线特征的直线段候选区组成SAR图像的直线段集;
步骤4)对光学图像的直线段集合和SAR图像的直线段集合进行霍夫变换:
对光学图像的直线段集中的各直线段进行霍夫变换,把直线段集中的各直线段通过坐标变换对应到点,得到光学图像的点集,同时对SAR图像的直线段集中的各直线段进行霍夫变换,把直线段集中的各直线段通过坐标变换对应到点,得到SAR图像的点集;
步骤5)计算光学图像的点集中各点的线特征和SAR图像的点集中各点的线特征:
将光学图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到光学图像各点的线特征,同时将SAR图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到SAR图像各点的线特征;
步骤6)对光学图像的点集中的各点和SAR图像的点集中各点进行合并:
步骤6a)以光学图像的点集中的各点为中心,以光学图像边长的0.15倍为边长,选取光学图像的点集中的各点的矩形领域,同时以SAR图像的点集中的各点为中心,以SAR图像边长的0.15倍为边长,选取SAR图像的点集中的各点的矩形领域;
步骤6b)比较光学图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的光学图像的点集;同时比较SAR图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的SAR图像的点集;
步骤7)对合并后的光学图像的点集和合并后的SAR图像的点集进行非极大值抑制:
对合并后的光学图像的点集进行非极大值抑制,即对点集中以各点为中心的领域范围内删除线特征非最大值的点,得到抑制后的光学图像的点集;同时对合并后的SAR图像的点集进行非极大值抑制,即对点集中以各点为中心的领域范围内删除线特征非最大值的点,得到抑制后的SAR图像的点集;
步骤8)求取光学图像的交点集和SAR图像的交点集:
步骤8a)对抑制后的光学图像的点集进行逆霍夫变换,即把光学图像的点集通过极坐标与直角坐标间的变换关系对应到直线集合,得到光学图像的直线集合,直线集合如图2(a)所示;同时对抑制后的SAR图像的点集进行逆霍夫变换,即把SAR图像的点集通过极坐标与直角坐标间的变换关系对应到直线集合,得到SAR图像的直线集合,直线集合如图2(b)所示;
步骤8b)计算光学图像的直线集合中两两相交直线的交点坐标,选取构成交点的两条相交直线的锐角为交点夹角,所有交点及它们对应的交点坐标和交点夹角组成光学图像的交点集,同时计算SAR图像的直线集合中两两相交直线的交点坐标,选取构成交点的两条相交直线的锐角为交点夹角,所有交点及它们对应的交点坐标和交点夹角组成SAR图像的交点集;
步骤9)对光学图像的交点集中各点与SAR图像的交点集中各点进行匹配:
步骤9a)对光学图像的交点集中第一个交点与SAR图像的交点集中各交点进行匹配:
计算光学图像的交点集中第一个交点与SAR图像的交点集中各交点之间的欧式距离,并将计算出的欧式距离中小于预先设定的阈值且满足角度一致性约束条件的最小欧氏距离对应的两个交点作为第一个匹配对;角度一致性约束条件为:
步骤9b)对光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点进行匹配:
按照步骤(9a)的方法,获取光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点的匹配对,并将这些匹配对与步骤(9a)中获取的第一个匹配对组成光学图像与SAR图像的匹配集,结果如图3(a)所示;
步骤10)对光学图像与SAR图像的匹配集进行提纯:
由于步骤(9b)中得到的匹配集是有误匹配的,而RANSAC算法是一种建立在现有匹配集上的,通过迭代建立最佳模型删除误匹配的算法,所以采用RANSAC算法对光学图像与SAR图像的匹配集进行提纯,提纯结果如图3(b)所示,同时RANSAC算法迭代得到仿射变换矩阵,实现光学图像与SAR图像的匹配。
Claims (3)
1.一种基于直线交点的光学图像和SAR图像的匹配方法,其特征在于,包括如下步骤:
(1)获取光学图像的边缘图和梯度方向图,同时获取SAR图像的边缘图和梯度方向图:
(1a)采用梯度差分法计算输入的光学图像每个像素点的梯度模值和梯度方向,得到光学图像的梯度模值图和光学图像的梯度方向图,并对光学图像的梯度模值图进行归一化,得到光学图像的边缘图;
(1b)采用Gauss-Gamma双窗函数对输入的SAR图像进行滤波,得到SAR图像的梯度模值图,并对SAR图像的梯度模值图进行归一化,得到SAR图像的边缘图,同时采用ROEWA的仿射斜切变换模板,对输入的SAR图像进行卷积,得到SAR图像的梯度方向图;
(2)对光学图像的边缘图和SAR图像的边缘图进行细化:
采用canny算法,通过光学图像的梯度方向图对光学图像的边缘图进行细化,得到宽度为一个像素的光学图像的边缘图,同时通过SAR图像的梯度方向图对SAR图像的边缘图进行细化,得到宽度为一个像素的SAR图像的边缘图;
(3)分别提取细化后的光学图像的边缘图和SAR图像的边缘图的直线特征,得到光学图像的直线段集和SAR图像的直线段集;
(4)对光学图像的直线段集合和SAR图像的直线段集合进行霍夫变换:
对光学图像的直线段集中的各直线段进行霍夫变换,得到光学图像的点集,同时对SAR图像的直线段集中的各直线段进行霍夫变换,得到SAR图像的点集;
(5)计算光学图像的点集中各点的线特征和SAR图像的点集中各点的线特征:
将光学图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到光学图像各点的线特征,同时将SAR图像的点集中各点对应的线段长度与直线段中点的梯度模值相乘,得到SAR图像各点的线特征;
(6)对光学图像的点集中的各点和SAR图像的点集中各点进行合并:
(6a)以光学图像的点集中的各点为中心,以光学图像边长的0.15倍为边长,选取光学图像的点集中的各点的矩形领域,同时以SAR图像的点集中的各点为中心,以SAR图像边长的0.15倍为边长,选取SAR图像的点集中的各点的矩形领域;
(6b)比较光学图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的光学图像的点集;同时比较SAR图像各点的领域内点的线特征强弱,并保留线特征最强的点,再将非最强的点的线特征叠加到最强点上后删除所述线特征非最强的点,得到合并后的SAR图像的点集;
(7)对合并后的光学图像的点集和合并后的SAR图像的点集进行非极大值抑制:
对合并后的光学图像的点集进行非极大值抑制,得到抑制后的光学图像的点集,同时对合并后的SAR图像的点集进行非极大值抑制,得到抑制后的SAR图像的点集;
(8)求取光学图像的交点集和SAR图像的交点集:
(8a)对抑制后的光学图像的点集进行逆霍夫变换,得到光学图像的直线集合,同时对抑制后的SAR图像的点集进行逆霍夫变换,得到SAR图像的直线集合;
(8b)计算光学图像的直线集合中所有直线的交点坐标和各交点的直线夹角,得到光学图像的交点集,同时求取SAR图像的直线集合中所有直线的交点坐标和各交点的直线夹角,得到SAR图像的交点集;
(9)对光学图像的交点集中各点与SAR图像的交点集中各点进行匹配:
(9a)对光学图像的交点集中第一个交点与SAR图像的交点集中各交点进行匹配:
计算光学图像的交点集中第一个交点与SAR图像的交点集中各交点之间的欧式距离,并将计算出的欧式距离中小于预先设定的阈值且满足角度一致性约束条件的最小欧氏距离对应的两个交点作为第一个匹配对;
(9b)对光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点进行匹配:
按照步骤(9a)的方法,获取光学图像的交点集中除第一个交点的其余交点与SAR图像的交点集中各交点的匹配对,并将这些匹配对与步骤(9a)中获取的第一个匹配对组成光学图像与SAR图像的匹配集;
(10)对光学图像与SAR图像的匹配集进行提纯:
采用RANSAC算法对光学图像与SAR图像的匹配集进行提纯,得到仿射变换矩阵,实现光学图像与SAR图像的匹配。
2.根据权利要求1所述的基于直线交点的光学图像和SAR图像的匹配方法,其特征在于:步骤(3)中所述的分别提取细化后的光学图像的边缘图和SAR图像的边缘图的直线特征,实现步骤如下:
(3a)采用梯度模值伪排序法对细化后的光学图像的边缘图进行领域增长,得到光学图像的种子候选区,并采用区域增长方法计算种子候选区中光学图像的每个种子像素的直线段候选区,同时采用梯度模值伪排序法对细化后的SAR图像的边缘图进行领域增长,得到SAR图像的种子候选区,并采用区域增长方法计算种子候选区中SAR图像的每个种子像素的直线段候选区;
(3b)计算光学图像的每个种子像素的直线段候选区的外接矩形长短轴之比,判断外接矩形长短轴之比是否大于设定的阈值,并将大于阈值的外接矩形长短轴之比对应的直线段候选区作为光学图像的边缘图的直线特征,同时计算SAR图像的每个种子像素的直线段候选区的外接矩形长短轴之比,判断外接矩形长短轴之比是否大于设定的阈值,并将大于阈值的外接矩形长短轴之比对应的直线段候选区作为SAR图像的边缘图的直线特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112594.3A CN108447016B (zh) | 2018-02-05 | 2018-02-05 | 基于直线交点的光学图像和sar图像的匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112594.3A CN108447016B (zh) | 2018-02-05 | 2018-02-05 | 基于直线交点的光学图像和sar图像的匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447016A CN108447016A (zh) | 2018-08-24 |
CN108447016B true CN108447016B (zh) | 2021-06-01 |
Family
ID=63191747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810112594.3A Active CN108447016B (zh) | 2018-02-05 | 2018-02-05 | 基于直线交点的光学图像和sar图像的匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447016B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145922B (zh) * | 2018-09-10 | 2022-03-29 | 成都品果科技有限公司 | 一种自动抠图*** |
CN109409292B (zh) * | 2018-10-26 | 2021-09-03 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN111141208B (zh) * | 2019-01-09 | 2021-08-27 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN110111259B (zh) * | 2019-05-15 | 2021-03-02 | 电子科技大学 | 一种基于区域引导的多源图像融合方法 |
CN113538306B (zh) * | 2021-06-15 | 2024-02-13 | 西安电子科技大学 | 一种sar图像与低分辨率光学图像多图融合方法 |
CN113781532B (zh) * | 2021-08-31 | 2023-02-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar卫星图像与光学图像自动匹配检索方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012185712A (ja) * | 2011-03-07 | 2012-09-27 | Mitsubishi Electric Corp | 画像照合装置または画像照合方法 |
CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
CN103513247A (zh) * | 2012-06-21 | 2014-01-15 | 中国科学院电子学研究所 | 合成孔径雷达图像和光学图像同名点匹配的方法 |
CN107292922A (zh) * | 2017-06-23 | 2017-10-24 | 电子科技大学 | 一种用于光学与合成孔径雷达图像配准的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483816B2 (en) * | 2013-09-03 | 2016-11-01 | Litel Instruments | Method and system for high accuracy and reliability registration of multi modal imagery |
-
2018
- 2018-02-05 CN CN201810112594.3A patent/CN108447016B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012185712A (ja) * | 2011-03-07 | 2012-09-27 | Mitsubishi Electric Corp | 画像照合装置または画像照合方法 |
CN103513247A (zh) * | 2012-06-21 | 2014-01-15 | 中国科学院电子学研究所 | 合成孔径雷达图像和光学图像同名点匹配的方法 |
CN103345757A (zh) * | 2013-07-19 | 2013-10-09 | 武汉大学 | 多层次多特征约束下的光学和sar影像自动配准方法 |
CN107292922A (zh) * | 2017-06-23 | 2017-10-24 | 电子科技大学 | 一种用于光学与合成孔径雷达图像配准的方法 |
Non-Patent Citations (2)
Title |
---|
Matching between SAR images and optical images based on HOG descriptor;Qing Li 等;《IET International Radar Conference 2013》;20131231;第1-4页 * |
基于边缘特征的SAR图像与光学图像的匹配;于秋则 等;《雷达科学与技术》;20031231;第1卷(第4期);第242-245+254页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108447016A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447016B (zh) | 基于直线交点的光学图像和sar图像的匹配方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN104574421B (zh) | 一种大幅面小重合区域高精度多光谱图像配准方法及装置 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
CN102750537B (zh) | 一种高精度图像自动配准方法 | |
CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN110569861B (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN107977664B (zh) | 一种基于单幅图像的道路消失点检测方法 | |
CN113313047B (zh) | 一种基于车道结构先验的车道线检测方法及*** | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN112651259A (zh) | 二维码的定位方法、基于二维码的移动机器人定位方法 | |
CN114419165A (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN103700082A (zh) | 基于对偶四元数相对定向的图像拼接方法 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN111488762A (zh) | 一种车道级定位方法、装置及定位设备 | |
CN116718599B (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN109191473B (zh) | 一种基于对称分析的车辆粘连分割方法 | |
CN108038849A (zh) | 一种识别性能优良的机器人视觉*** | |
CN117078726A (zh) | 一种基于边缘提取的异谱图像配准方法 |
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 |