CN112529021B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112529021B CN112529021B CN202011588940.9A CN202011588940A CN112529021B CN 112529021 B CN112529021 B CN 112529021B CN 202011588940 A CN202011588940 A CN 202011588940A CN 112529021 B CN112529021 B CN 112529021B
- Authority
- CN
- China
- Prior art keywords
- matching
- feature
- algorithm
- threshold value
- features
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 19
- 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 13
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了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，包括在对待匹配图像和参考图像通过SIFT算法得到的特征描述子进行计算特征之间的点积，取点积的反余弦结果并排序之后，先用低阈值进行匹配，当低阈值没有足够的匹配对时，提至高阈值重新匹配；对低阈值得到的匹配集使用MSAC单应性变换模型筛选，对高阈值得到的匹配集使用MSAC仿射变换模型筛选。本发明在0.6阈值时通过MSAC单应性模型算法筛选后获得分布较为均匀特征匹配对；0.8阈值时通过MSAC仿射模型算法筛选后得到正确匹配对的结果较稳定。根据两种模型的特性对不同精度的特征匹配集使用不同的模型，提高了算法的匹配精度。
Description
技术领域
本发明涉及图像匹配的技术领域，尤其涉及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。
背景技术
图像匹配是数字图像处理领域的重要方法之一，是融合、拼接等图像处理过程的基础。基于特征的图像匹配算法受噪声、遮挡等因素影响较小，在应用中较为广泛。尺度不变特征变换算法SIFT(Scale Invariant Feature Transformation Feature)算法是基于特征匹配的算法之一，在图像匹配中有着重要的地位，通过SIFT算法获得的特征对旋转、尺度、仿射等变换具有较高的鲁棒性，适用于航拍图像的匹配。
SIFT算法的过程主要包括：构造高斯金字塔、寻找每一层(不同尺度空间的图像)中的极值点(最大或最小点)、确定特征点的位置和方向、生成描述子、最后进行匹配。然而，当SIFT算法从图像中提取大量特征点时，匹配结果不可避免地会出现许多误匹配，这将影响SIFT算法的图像匹配精度和精度。
在单一阈值时，阈值的选取影响特征匹配集的精度。高阈值获得的特征匹配集匹配精度较低，出现较多的错误匹配对；低阈值可以提高匹配精度，但物体形变较大时会出现匹配对较少或无匹配情况。
现有技术的RANSAC算法对噪声等异常点有良好的鲁棒性。对于空间中的所有数据点，RANSAC算法根据点的分布设计目标函数与约束条件，定义在某种迭代下，满足约束条件的数据称之为内点，不满足约束条件的点为外点。它主要从一组包含外点的数据中，通过迭代的方法，得出最适应内点的参数模型。在每次迭代计算模型的过程中，分别记录符合要求的内点数量和外点数量，并时刻更新内点数目的最大值，直到满足某种设定要求。最后，将得到最多内点的函数作为其输出结果。它是一种不断迭代计算找最优的算法，提高迭代的次数可以得到更好的结果。MSAC算法是RANSAC算法的改进，改进的地方主要在代价函数的计算方法。RANSAC算法的内点得不到任何分数，外点获得一个恒定的分数，所以它对于阈值选取过于敏感，这个值过大时会导致算法失效，过小会导致算法不稳定。而MSAC的内点和外点都参与了对模型的评价，可以做到部分补偿这些负面影响。
在一些匹配精度较高且匹配对较多的航拍图像中，采用仿射变换模型会导致特征匹配对集中到某一区域，不利于图像后期拼接、融合等处理展开；在一些匹配精度较低的情况下，由于特征点较少，且单应性变换模型的自由度较多，所以得到的结果不稳定。
发明内容
针对上述技术问题，本发明的目的在于提供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，通过筛选特征匹配提高算法的匹配精度。
为实现上述目的，本发明提供了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，包括如下步骤：
S1：对待匹配图像和参考图像通过SIFT算法得到的特征描述子进行计算特征之间的点积，取点积的反余弦结果并排序；
S2：特征点匹配采用高低两个阈值，保留匹配距离与第二个最近匹配距离之比小于低阈值的特征，当航拍图像特征变化较大，使用低阈值没有足够的匹配对时，提至高阈值重新匹配，根据阈值不同得到的特征匹配集匹配精度不同；
S3：对于匹配特征对中出现的误匹配对，提出依据匹配精度选择不同模型的MSAC算法筛选匹配对，对低阈值得到的匹配精度较高的特征匹配集，使用单应性变换模型进行筛选；
对高阈值得到的匹配精度较低的特征匹配集，使用仿射变换模型筛选。
可选的，所述步骤S3中，实验中低阈值获得的特征匹配集使用单应性变换模型的MSAC算法进行筛选，高阈值获得的特征匹配集使用仿射变换模型的MSAC算法进行筛选，剔除误匹配。
由上，通过本发明的基于尺度不变特征变换算法特征的航拍图像匹配方法，当航拍图像在0.6阈值可得到大于等于10个特征匹配对时，匹配效果较好，特征匹配集的精度较高，通过MSAC单应性模型算法筛选去除错误匹配对，获得分布较为均匀特征匹配对；当使用阈值0.6进行匹配获得的特征匹配对小于10个时，使用0.8阈值重新匹配，得到的匹配精度较低，通过MSAC仿射模型算法筛选去除错误匹配对，筛选得到正确匹配对的效果较稳定。根据两种模型的特性对不同精度的特征匹配集使用不同的模型，提高了算法的匹配精度。
附图说明
图1是本发明的基于尺度不变特征变换算法特征的航拍图像匹配方法的流程图。
具体实施方式
下面参见图1对本发明所述基于尺度不变特征变换算法特征的航拍图像匹配方法进行详细说明。
本发明的基于尺度不变特征变换算法特征的航拍图像匹配方法，包括步骤如下：
首先，对待匹配图像和参考图像通过SIFT算法得到的特征描述子进行计算特征之间的点积，取点积的反余弦结果并排序。
然后，特征点匹配采用高低两个阈值，保留匹配距离与第二个最近匹配距离之比小于低阈值的特征，当航拍图像特征变化较大，使用低阈值没有足够的匹配对时，提至高阈值重新匹配，根据阈值不同得到的特征匹配集匹配精度不同；
最后，对于匹配特征对中出现的误匹配对，提出依据匹配精度选择不同模型的MSAC算法筛选匹配对，对低阈值得到的匹配精度较高的特征匹配集，使用单应性变换模型进行筛选；对高阈值得到的匹配精度较低的特征匹配集，使用仿射变换模型筛选。
其中，MSAC算法中单应性变换模型在正确匹配对较多的情况下获得的结果是位置均匀的正确的匹配对，仿射变换模型在正确率较低的情况下得到结果更稳定些。实验中低阈值获得的特征匹配集使用单应性变换模型的MSAC算法进行筛选，高阈值获得的特征匹配集使用仿射变换模型的MSAC算法进行筛选，剔除了误匹配，提高了算法的精确性。
本发明通过SIFT特征进行图像匹配，匹配方法为计算特征描述子之间的点积，取点积的反余弦结果并排序，保留匹配距离与第二个最近匹配距离之比小于阈值的特征作为匹配对。使用高低阈值(0.6和0.8)得到不同匹配精度的特征匹配集，根据不同精度的匹配集选择不同的特征筛选模型。较高匹配精度的特征集使用MSAC的单应性变换模型进行特征对筛选，较低匹配精度的特征集使用MSAC的仿射变换模型进行特征对筛选。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于尺度不变特征变换算法特征的航拍图像匹配方法，其特征在于，包括如下步骤：
S1：对待匹配图像和参考图像通过SIFT算法得到的特征描述子进行计算特征之间的点积，取点积的反余弦结果并排序；
S2：特征点匹配采用高低两个阈值，保留匹配距离与第二个最近匹配距离之比小于低阈值的特征，当航拍图像特征变化较大，使用低阈值没有足够的匹配对时，提至高阈值重新匹配，根据阈值不同得到的特征匹配集匹配精度不同；
S3：对于匹配特征对中出现的误匹配对，提出依据匹配精度选择不同模型的MSAC算法筛选匹配对，对低阈值得到的匹配精度较高的特征匹配集，使用单应性变换模型进行筛选；
对高阈值得到的匹配精度较低的特征匹配集，使用仿射变换模型筛选；
所述步骤S3中，实验中低阈值获得的特征匹配集使用单应性变换模型的MSAC算法进行筛选，高阈值获得的特征匹配集使用仿射变换模型的MSAC算法进行筛选，剔除误匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011588940.9A CN112529021B (zh) | 2020-12-29 | 2020-12-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011588940.9A CN112529021B (zh) | 2020-12-29 | 2020-12-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529021A CN112529021A (zh) | 2021-03-19 |
| CN112529021B true CN112529021B (zh) | 2024-05-28 |
Family
ID=74976982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011588940.9A Active CN112529021B (zh) | 2020-12-29 | 2020-12-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529021B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200461A (zh) * | 2014-08-04 | 2014-12-10 | 西安电子科技大学 | 基于互信息图像选块和sift特征的遥感图像配准方法 |
| CN105551022A (zh) * | 2015-12-07 | 2016-05-04 | 北京大学 | 一种基于形状交互矩阵的图像错误匹配检验方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN108961162A (zh) * | 2018-03-12 | 2018-12-07 | 北京林业大学 | 一种无人机林区航拍图像拼接方法和*** |
| CN110310310A (zh) * | 2019-03-27 | 2019-10-08 | 南京航空航天大学 | 一种针对航空影像配准的改进方法 |
-
2020
- 2020-12-29 CN CN202011588940.9A patent/CN112529021B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200461A (zh) * | 2014-08-04 | 2014-12-10 | 西安电子科技大学 | 基于互信息图像选块和sift特征的遥感图像配准方法 |
| CN105551022A (zh) * | 2015-12-07 | 2016-05-04 | 北京大学 | 一种基于形状交互矩阵的图像错误匹配检验方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN108961162A (zh) * | 2018-03-12 | 2018-12-07 | 北京林业大学 | 一种无人机林区航拍图像拼接方法和*** |
| CN110310310A (zh) * | 2019-03-27 | 2019-10-08 | 南京航空航天大学 | 一种针对航空影像配准的改进方法 |
Non-Patent Citations (1)
| Title |
|---|
| A Novel Image Registration Algorithm for Remote Sensing Under Affine Transformation;Zhili Song 等;IEEE;20131119;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529021A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
| CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理*** | |
| CN106600639B (zh) | 遗传算法结合自适应阈值约束的icp位姿定位技术 | |
| CN106991388B (zh) | 关键点定位方法 | |
| CN110310310B (zh) | 一种针对航空影像配准的改进方法 | |
| CN113592923B (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
| CN109993052B (zh) | 一种复杂场景下尺度自适应的目标跟踪方法和*** | |
| CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
| CN108492263B (zh) | 一种镜头径向畸变校正方法 | |
| CN110827332A (zh) | 一种基于卷积神经网络的sar图像的配准方法 | |
| CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
| CN110310305B (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
| Etezadifar et al. | A new sample consensus based on sparse coding for improved matching of SIFT features on remote sensing images | |
| CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
| CN115511752A (zh) | 基于bp神经网络的点坐标去畸变方法及存储介质 | |
| CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
| CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
| CN109191503B (zh) | 基于条件随机场的遥感影像变化检测方法及*** | |
| CN116167921B (zh) | 一种飞行太空舱全景图像拼接方法及*** | |
| CN112529021B (zh) | 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 | |
| CN113128518A (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
| CN111104922A (zh) | 一种基于有序抽样的特征匹配算法 | |
| CN113470085B (zh) | 一种基于改进的ransac的图像配准方法 | |
| CN113674332B (zh) | 一种基于拓扑结构与多尺度特征的点云配准方法 | |
| CN115908485A (zh) | 一种面向太空中非合作目标的实时位姿跟踪方法及其*** |
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 |