CN112634335A - 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 - Google Patents
面向非线性辐射畸变的稳健遥感影像特征点对提取方法 Download PDFInfo
- Publication number
- CN112634335A CN112634335A CN202011564394.5A CN202011564394A CN112634335A CN 112634335 A CN112634335 A CN 112634335A CN 202011564394 A CN202011564394 A CN 202011564394A CN 112634335 A CN112634335 A CN 112634335A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- feature
- point
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005855 radiation Effects 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- FFGPTBGBLSHEPO-UHFFFAOYSA-N carbamazepine Chemical compound C1=CC2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 FFGPTBGBLSHEPO-UHFFFAOYSA-N 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其具体步骤包括：对获取的两幅多模态遥感影像进行影像预处理；对主从影像分别提取其精确角点与边缘特征点，获取每个影像的特征点：生成特征点的特征向量：对多模态影像特征点的特征向量进行配准：对所有候选匹配点对，利用RANSAC算法作进一步筛选，最终得到精准、均匀且对非线性辐射畸变鲁棒的特征匹配点对。本发明利用对非线性辐射畸变鲁棒的相位一致性测度矩图作为特征点提取的对象，可以获得大量准确鲁棒的特征点信息，采用分图像块提取Harris角点的方式，有效避免因光照辐射不均导致的图像特征点分布过于集中，特征提取效率低下的问题。
Description
技术领域
本发明属于遥感图像处理技术领域，尤其涉及一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法。
背景技术
目前，多模态遥感影像特征匹配已经成为遥感图像处理领域的一个非常重要的研究方向。由多模态遥感影像特征提取的匹配信息，能广泛应用于国民生产生活与经济建设的诸多领域，如自然灾害与环境监测，多源信息联合定位，城市规划与重大工程建设等。然而，多模态遥感影像来源各异，其分辨率、光谱、角度、时相等细节均有所不同，也为克服异源图像匹配差异、提高匹配精确性与稳定性带来了不小的挑战。
多模态遥感影像特征匹配方法中，目前应用比较广泛的是基于互信息的遥感影像匹配方法和基于SIFT及其改进策略的模板特征提取方法。这两类方法在特定的任务中具有很好的表现，但是仍存在不小的局限性，难以应对较高的非线性辐射畸变和噪声。
李欣，杨宇辉等人在论文《利用方向相位特征进行多源遥感影像匹配》(武汉大学学报(信息科学版),2020,45(04):488-494)中公开了一种基于方向相位特征进行多源遥感影像匹配的方法，该方法利用已有的成像参数和地理参考信息对图像作初步校准，基于校准图应用分块Harris算法提取参考影像的特征点，接着利用影像在多个方向上的相位特征图像对特征点构建密集特征描述符，并采用滑动窗口的方式确定匹配点对，最后利用一定阶数的泰勒级数将匹配结果精度拟合到子像素级，实现稳定可靠同名点的匹配。虽然该方法有效利用了相位一致性特征，可以在一定程度上对抗非线性辐射畸变，但是该方法对地理信息的初步校准具有很强的依赖性，仅在具有少量像素偏差时准确性较高，当遥感影像偏差较大时，其计算量变大同时性能变差。
西南交通大学提出的专利申请“一种快速鲁棒的多模态遥感影像匹配方法和***”(申请号CN201710773285.6，公开号CN107563438A)公开了一种整合各种局部特征描述符的多模态遥感影像自动匹配方法。该方法首先对影像的每个像素提取局部特征描述符，形成逐像素的特征表达图，然后基于该特征表达图利用三维傅里叶变换在频率域建立一种快速的匹配相似性测度，最后采用模板匹配进行同名点识别。该方法通过对多个传统局部特征描述符如HOG、LSS或SURF的综合，在一定程度上提高了对影像共有结构、形状、纹理等属性描述的精确性与匹配性能，但传统的描述符仍不具有对非线性辐射畸变的鲁棒性，而逐像素的匹配方法也降低了计算的效率，不利于多模态影像的有效匹配。
发明内容
针对现有多模态遥感影像难以提取精准均匀的鲁棒性特征信息，导致异源信息融合困难、卫星无控定位精度低的问题，本发明公开了一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法。
本发明公开了一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其具体步骤如下：
S1，对获取的两幅多模态遥感影像进行影像预处理，具体包括：
S11，判断所获取的多模态遥感影像是否为全色黑白，如果是则转入S12，否则将多模态遥感影像加权成为黑白影像；
S12，设置多模态遥感影像中的一幅影像为主影像，另一幅影像为从影像；
S13，将主影像和从影像分别进行重采样，使其分辨率大小相同；
S14，分别提取主影像和从影像的相位一致性最大矩图与最小矩图；
设置滤波器尺度数Ns=4，方向数No=6；
对主影像的每个像素点(x,y)，计算其在所有不同尺度s、不同方向o下的相位一致性测度PC(x,y)，计算公式为：
式中，wo(x,y)为像素点(x,y)处的基于频响范围的权值函数，T为噪声阈值，ξ为偏移量，运算符
表示当且仅当其表达式为正时取其本身，否则取0，像素点(x,y)处的振幅分量Aso(x,y)、相位偏差函数ΔΦso(x,y)的计算公式分别为：
其中，
与
的计算公式为：
式中，[Eso(x,y),oso(x,y)]为像素点(x,y)处的滤波后的响应分量，其表达式为：
式中,Leven(x,y,s,o)与Lodd(x,y,s,o)分别为二维log-Gabor滤波函数在空间域内像素点(x,y)处的实部与虚部，*表示卷积运算，I(x,y)为像素点(x,y)处的灰度值，其中二维log-Gabor滤波函数的表达式为：
式中，(ρ，θ)代表对数极坐标，(s，o)为滤波器的尺度与方向，ρs和θso为中心频率对应参数，σρ和σθ分别为ρ和θ的带宽；
取方向o的不同尺度数下的PC(x，y)的最大值，作为方向o的相位一致性测度，记作PC(θo)，θo表示PC(x，y)取最大值时方向o的角度值；
对主影像和从影像，分别计算其所包含的像素点(x，y)的主轴ψ，最大矩Mψ，最小矩mψ，其具体过程包括，
首先计算中间变量a、b、c，其计算公式为，
根据中间变量，计算像素点(x，y)的主轴ψ、最大矩Mψ、最小矩mψ，其计算公式为，
影像中所有像素点的最大矩Mψ与最小矩mψ的集合，分别构成该影像的相位一致性最大矩图与最小矩图。
S2，对主从影像分别提取其精确角点与边缘特征点，获取每个影像的特征点：
S21，将最小矩图均匀分为N×N个不重叠的矩形图像小块，并在每个小块中利用多尺度Harris算法精确提取其角点；
设置高斯核函数的尺度σi，i＝1，2，3，其中σ1＝0.5，σ2＝1，σ3＝2；
利用高斯核函数对每个图像小块滤波，最终为每个图像小块生成一个包含三幅图像的多尺度图像集，对该图像集利用Harris算法提取若干角点，沿小尺度到大尺度方向迭代滤除伪角点，得到精确角点，保存角点的Harris算子值；
S22，将每个图像小块提取的精确角点的Harris算子值进行排序，取Harris算子值最大的K个点为此图像小块的特征角点，则最终特征角点的数量为N×N×K；
S23，对最大矩图使用FAST算法，提取若干个边缘特征点，并进一步筛选出重复率较高的M个边缘特征点，构成边缘特征点集，将其与特征角点相结合，得到此影像的最终特征点；
S3，生成特征点的特征向量：
S31，利用log-Gabor滤波器生成主从影像的最大值索引图；
S311，计算主从影像每个像素点(x,y)在0、30°、60°、90°、120°、150°这6个滤波方向下的log-Gabor卷积层幅值Ao(x,y)，其公式为：
式中，Ns为滤波器不同尺度总数；
S312，将6个滤波方向对应的log-Gabor卷积层幅值依次编号为1～6；
S313，比较该6个幅值大小，取最大值对应编号为该像素点的索引值；
S314，所有像素点索引值的集合构成最大值索引图。
S32，基于主从影像的所有特征点，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块，利用分布直方图构建特征向量；
S321，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块；
S322，使用以该特征点为中心，标准差等于J/2的高斯函数，取每个像素点对应处的高斯函数值作为该像素点的权重；
S323，将局部图像块均匀划分为6×6的子块；
S324，为每个子块建立一个包含6个组数的分布直方图：每个子块均为最大值索引图的一部分，其像素值分布在1～6之间，统计每个子块中像素值为i的点的个数，记为vi，并以vi作为直方图向量V＝(v1,v2,v3,v4,v5,v6)的第i个元素，其中，i∈{1,2,3,4,5,6}；
S325，依次连接所有子块的直方图向量得到特征向量，并对其做归一化处理，最终获得向量的维数为6×6×6＝216；
S4，对多模态影像特征点的特征向量进行配准：
S41，对主影像的每个特征点的特征向量，计算其与从影像所有特征点的特征向量之间的归一化互相关系数；
S42，对归一化互相关系数按照由高到低排序，取归一化互相关系数最高的点与该主影像的特征点构成候选匹配点对；
S5，对所有候选匹配点对，利用RANSAC算法作进一步筛选，最终得到精准、均匀且对非线性辐射畸变鲁棒的特征匹配点对。
本发明的有益效果为：
一、本发明利用了相位一致性信息构建主从影像最大矩与最小矩图；对最小矩图应用基于分块的多尺度Harris算法精确提取角点特征；对最大矩图应用FAST算法提取具有较高重复率的边缘特征；将主从影像各自的精确角点与边缘特征点的集合作为该影像特征点。上述过程利用对非线性辐射畸变鲁棒的相位一致性测度矩图作为特征点提取的对象，可以获得大量准确鲁棒的特征点信息。多尺度迭代的Harris算法与FAST算法则进一步提高了特征点提取的精确性。此外分图像块提取Harris角点可有效避免因光照辐射不均导致的图像特征点分布过于集中，特征提取效率低下的问题。
二、本发明基于log-Gabor滤波器构建最大值索引图；通过最大值索引图描述特征点向量；计算主影像每个特征点向量与从影像所有特征点向量的归一化互相关系数；将上述系数排序，取相似性最高的点对为候选匹配点对；进一步应用RANSAC算法剔除误匹配点对，筛选精匹配点对。上述过程通过最大值索引图实现了特征描述符对非线性辐射畸变的鲁棒性。RANSAC算法则更进一步保证了匹配点对的精准度，最终解决了精准均匀且鲁棒的特征点对提取的问题。
附图说明
图1是一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法的步骤流程图；
图2是分图像块多尺度Harris角点提取的结果示意图；
图3是本发明中的一种可选的最大值索引示意图；
图4是本发明的仿真结果图。
具体实施方式
为了更好的了解本发明内容，这里给出一个实施例。
图1是根据本发明实施例的多模态遥感影像精准鲁棒的特征点提取方法的步骤流程图，如图1所示，本实施例公开了一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其具体步骤如下：
S1，对获取的两幅多模态遥感影像进行影像预处理，具体包括：
S11，判断所获取的多模态遥感影像是否为全色黑白，如果是则转入S12，否则将多模态遥感影像加权成为黑白影像；
S12，设置多模态遥感影像中的一幅影像为主影像，另一幅影像为从影像；
S13，将主影像和从影像分别进行重采样，使其分辨率大小相同；
S14，分别提取主影像和从影像的相位一致性最大矩图与最小矩图；
设置滤波器尺度数Ns=4，方向数No=6；
对主影像的每个像素点(x,y)，计算其在所有不同尺度s、不同方向o下的相位一致性测度PC(x,y)，计算公式为：
式中，wo(x,y)为像素点(x,y)处的基于频响范围的权值函数，T为噪声阈值，ξ为偏移量，运算符
表示当且仅当其表达式为正时取其本身，否则取0，像素点(x，y)处的振幅分量Aso(x，y)、相位偏差函数ΔΦso(x，y)的计算公式分别为：
其中，
与
的计算公式为：
式中，[Eso(x，y)，oso(x，y)]为像素点(x，y)处的滤波后的响应分量，其表达式为：
式中，Leven(x，y，s，o)与Lodd(x，y，s，o)分别为二维log-Gabor滤波函数在空间域内像素点(x，y)处的实部与虚部，*表示卷积运算，I(x，y)为像素点(x，y)处的灰度值，其中二维log-Gabor滤波函数的表达式为：
式中，(ρ，θ)代表对数极坐标，(s，o)为滤波器的尺度与方向，ρs和θso为中心频率对应参数，σρ和σθ分别为ρ和θ的带宽；
取方向o的不同尺度数下的PC(x，y)的最大值，作为方向o的相位一致性测度，记作PC(θo)，θo表示PC(x，y)取最大值时方向o的角度值；
对主影像和从影像，分别计算其所包含的像素点(x，y)的主轴ψ，最大矩MΨ，最小矩mΨ，其具体过程包括，
首先计算中间变量a、b、c，其计算公式为，
根据中间变量，计算像素点(x,y)的主轴Ψ、最大矩MΨ、最小矩mΨ，其计算公式为，
影像中所有像素点的最大矩MΨ与最小矩mΨ的集合，分别构成该影像的相位一致性最大矩图与最小矩图。
S2，对主从影像分别提取其精确角点与边缘特征点，获取每个影像的特征点：
S21，将最小矩图均匀分为N×N个不重叠的矩形图像小块，并在每个小块中利用多尺度Harris算法精确提取其角点；
设置高斯核函数的尺度σi，i=1,2,3，其中σ1＝0.5，σ2＝1，σ3＝2；
利用高斯核函数对每个图像小块滤波，最终为每个图像小块生成一个包含三幅图像的多尺度图像集，对该图像集利用Harris算法提取若干角点，沿小尺度到大尺度方向迭代滤除伪角点，得到精确角点，保存角点的Harris算子值；
S22，将每个图像小块提取的精确角点的Harris算子值进行排序，取Harris算子值最大的K个点为此图像小块的特征角点，则最终特征角点的数量为N×N×K；
S23，对最大矩图使用FAST算法，提取若干个边缘特征点，并进一步筛选出重复率较高的M个边缘特征点，构成边缘特征点集，将其与特征角点相结合，得到此影像的最终特征点；
图2是根据本发明实施例中的分图像块多尺度Harris角点提取的结果示意图；
S3，生成特征点的特征向量：
S31，利用log-Gabor滤波器生成主从影像的最大值索引图；
S311，计算主从影像每个像素点(x,y)在0、30°、60°、90°、120°、150°这6个滤波方向下的log-Gabor卷积层幅值Ao(x,y)，其公式为：
式中，Ns为滤波器不同尺度总数；
S312，将6个滤波方向对应的log-Gabor卷积层幅值依次编号为1～6；
S313，比较该6个幅值大小，取最大值对应编号为该像素点的索引值；
S314，所有像素点索引值的集合构成最大值索引图，如图3所示。
S32，基于主从影像的所有特征点，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块，利用分布直方图构建特征向量；
S321，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块；
S322，使用以该特征点为中心，标准差等于J/2的高斯函数，取每个像素点对应处的高斯函数值作为该像素点的权重；
S323，将局部图像块均匀划分为6×6的子块；
S324，为每个子块建立一个包含6个组数的分布直方图：每个子块均为最大值索引图的一部分，其像素值分布在1～6之间，统计每个子块中像素值为i的点的个数，记为vi，并以vi作为直方图向量V＝(v1,v2,v3,v4,v5,v6)的第i个元素，其中，i∈{1,2,3,4,5,6}；
S325，依次连接所有子块的直方图向量得到特征向量，并对其做归一化处理，最终获得向量的维数为6×6×6＝216；
S4，对多模态影像特征点的特征向量进行配准：
S41，对主影像的每个特征点的特征向量，计算其与从影像所有特征点的特征向量之间的归一化互相关系数；
S42，对归一化互相关系数按照由高到低排序，取归一化互相关系数最高的点与该主影像的特征点构成候选匹配点对；
S5，对所有候选匹配点对，利用RANSAC算法作进一步筛选，最终得到精准、均匀且对非线性辐射畸变鲁棒的特征匹配点对。
图4为本发明方法的最终结果仿真图。图4中左边为来自资源一号的全色光学影像，右边为来自高分三号卫星的SAR影像。将光学影像设置为主影像，SAR影像设置为从影像后，经过本发明所示方法提取、匹配特征点。提取的特征点定位精度达到1像素精度。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其特征在于，其具体步骤如下：
S1，对获取的两幅多模态遥感影像进行影像预处理；
S2，对主从影像分别提取其精确角点与边缘特征点，获取每个影像的特征点：
S3，生成特征点的特征向量；
S4，对多模态影像特征点的特征向量进行配准；
S5，对所有候选匹配点对，利用RANSAC算法作进一步筛选，最终得到精准、均匀且对非线性辐射畸变鲁棒的特征匹配点对。
2.一种如权利要求1所述的面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其特征在于，所述的步骤S1，其具体步骤为：
S11，判断所获取的多模态遥感影像是否为全色黑白，如果是，则转入S12，否则将多模态遥感影像加权成为黑白影像；
S12，设置多模态遥感影像中的一幅影像为主影像，另一幅影像为从影像；
S13，将主影像和从影像分别进行重采样，使其分辨率大小相同；
S14，分别提取主影像和从影像的相位一致性最大矩图与最小矩图；
设置滤波器尺度数Ns＝4，方向数No＝6；
对主影像的每个像素点(x,y)，计算其在所有不同尺度s、不同方向o下的相位一致性测度PC(x,y)，计算公式为：
式中，wo(x,y)为像素点(x,y)处的基于频响范围的权值函数，T为噪声阈值，ξ为偏移量，运算符
表示当且仅当其表达式为正时取其本身，否则取0，像素点(x,y)处的振幅分量Aso(x,y)、相位偏差函数ΔΦso(x,y)的计算公式分别为：
其中，
与
的计算公式为：
式中，[Eso(x,y),oso(x,y)]为像素点(x,y)处的滤波后的响应分量，其表达式为：
[Eso(x,y),Oso(x,y)]
＝[I(x,y)*Leven(x,y,s,o),I(x,y)*Lodd(x,y,s,o)]，
式中,Leven(x,y,s,o)与Lodd(x,y,s,o)分别为二维log-Gabor滤波函数在空间域内像素点(x,y)处的实部与虚部，*表示卷积运算，I(x,y)为像素点(x,y)处的灰度值，其中二维log-Gabor滤波函数的表达式为：
式中，(ρ,θ)代表对数极坐标，(s,o)为滤波器的尺度与方向，ρs和θso为中心频率对应参数，σρ和σθ分别为ρ和θ的带宽；
取方向o的不同尺度数下的PC(x,y)的最大值，作为方向o的相位一致性测度，记作PC(θo)，θo表示PC(x,y)取最大值时方向o的角度值；
对主影像和从影像，分别计算其所包含的像素点(x,y)的主轴ψ，最大矩Mψ，最小矩mψ，其具体过程包括，
首先计算中间变量a、b、c，其计算公式为，
根据中间变量，计算像素点(x,y)的主轴ψ、最大矩Mψ、最小矩mψ，其计算公式为，
影像中所有像素点的最大矩Mψ与最小矩mψ的集合，分别构成该影像的相位一致性最大矩图与最小矩图。
3.一种如权利要求1所述的面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其特征在于，所述的步骤S2，其具体步骤为：
S21，将最小矩图均匀分为N×N个不重叠的矩形图像小块，并在每个小块中利用多尺度Harris算法精确提取其角点；
设置高斯核函数的尺度σi，i＝1,2,3，其中σ1＝0.5，σ2＝1，σ3＝2；
利用高斯核函数对每个图像小块滤波，最终为每个图像小块生成一个包含三幅图像的多尺度图像集，对该图像集利用Harris算法提取若干角点，沿小尺度到大尺度方向迭代滤除伪角点，得到精确角点，保存角点的Harris算子值；
S22，将每个图像小块提取的精确角点的Harris算子值进行排序，取Harris算子值最大的K个点为此图像小块的特征角点，则最终特征角点的数量为N×N×K；
S23，对最大矩图使用FAST算法，提取若干个边缘特征点，并进一步筛选出重复率较高的M个边缘特征点，构成边缘特征点集，将其与特征角点相结合，得到此影像的最终特征点。
4.一种如权利要求1所述的面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其特征在于，所述的步骤S3，其具体步骤为：
S31，利用log-Gabor滤波器生成主从影像的最大值索引图；
S311，计算主从影像每个像素点(x,y)在0、30°、60°、90°、120°、150°这6个滤波方向下的log-Gabor卷积层幅值Ao(x,y)，其公式为：
式中，Ns为滤波器不同尺度总数，Aso(x,y)为像素点(x,y)处的振幅分量；
S312，将6个滤波方向对应的log-Gabor卷积层幅值依次编号为1～6；
S313，比较该6个幅值大小，取最大值对应编号为该像素点的索引值；
S314，所有像素点索引值的集合构成最大值索引图；
S32，基于主从影像的所有特征点，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块，利用分布直方图构建特征向量；
S321，在最大值索引图中选择一个以特征点为中心的J×J像素的局部图像块；
S322，使用以该特征点为中心，标准差等于J/2的高斯函数，取每个像素点对应处的高斯函数值作为该像素点的权重；
S323，将局部图像块均匀划分为6×6的子块；
S324，为每个子块建立一个包含6个组数的分布直方图：每个子块均为最大值索引图的一部分，其像素值分布在1～6之间，统计每个子块中像素值为i的点的个数，记为vi，并以vi作为直方图向量V＝(v1,v2,v3,v4,v5,v6)的第i个元素，其中，i∈{1,2,3,4,5,6}；
S325，依次连接所有子块的直方图向量得到特征向量，并对其做归一化处理，最终获得向量的维数为6×6×6＝216。
5.一种如权利要求1所述的面向非线性辐射畸变的稳健遥感影像特征点对提取方法，其特征在于，所述的步骤S4，其具体步骤为：
S41，对主影像的每个特征点的特征向量，计算其与从影像所有特征点的特征向量之间的归一化互相关系数；
S42，对归一化互相关系数按照由高到低排序，取归一化互相关系数最高的点与该主影像的特征点构成候选匹配点对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564394.5A CN112634335A (zh) | 2020-12-25 | 2020-12-25 | 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564394.5A CN112634335A (zh) | 2020-12-25 | 2020-12-25 | 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112634335A true CN112634335A (zh) | 2021-04-09 |
Family
ID=75324939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011564394.5A Pending CN112634335A (zh) | 2020-12-25 | 2020-12-25 | 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634335A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066015A (zh) * | 2021-05-14 | 2021-07-02 | 清华大学 | 一种基于神经网络的多模态遥感影像旋转差异校正方法 |
| CN113256653A (zh) * | 2021-05-25 | 2021-08-13 | 南京信息工程大学 | 一种面向高层地物的异源高分遥感影像配准方法 |
| CN113409369A (zh) * | 2021-05-25 | 2021-09-17 | 西安电子科技大学 | 基于改进rift的多模遥感图像配准方法 |
| CN113643334A (zh) * | 2021-07-09 | 2021-11-12 | 西安电子科技大学 | 基于结构相似性的异源遥感图像配准方法 |
| CN114216454A (zh) * | 2021-10-27 | 2022-03-22 | 湖北航天飞行器研究所 | 一种gps拒止环境下基于异源图像匹配的无人机自主导航定位方法 |
| CN115205558A (zh) * | 2022-08-16 | 2022-10-18 | 中国测绘科学研究院 | 一种具有旋转和尺度不变性的多模态影像匹配方法及装置 |
| CN118229749A (zh) * | 2024-05-24 | 2024-06-21 | 航天宏图信息技术股份有限公司 | 全月数字正射影像配准方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261014A (zh) * | 2015-09-30 | 2016-01-20 | 西南交通大学 | 一种多传感器遥感影像匹配方法 |
| US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
| CN107563438A (zh) * | 2017-08-31 | 2018-01-09 | 西南交通大学 | 一种快速鲁棒的多模态遥感影像匹配方法和*** |
| CN108198157A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于显著目标区域提取和nsst的异源图像融合方法 |
| CN111985502A (zh) * | 2020-08-03 | 2020-11-24 | 武汉大学 | 具有尺度与旋转不变性的多模态影像特征匹配方法 |
-
2020
- 2020-12-25 CN CN202011564394.5A patent/CN112634335A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9245201B1 (en) * | 2013-03-15 | 2016-01-26 | Excelis Inc. | Method and system for automatic registration of images |
| CN105261014A (zh) * | 2015-09-30 | 2016-01-20 | 西南交通大学 | 一种多传感器遥感影像匹配方法 |
| CN107563438A (zh) * | 2017-08-31 | 2018-01-09 | 西南交通大学 | 一种快速鲁棒的多模态遥感影像匹配方法和*** |
| CN108198157A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于显著目标区域提取和nsst的异源图像融合方法 |
| CN111985502A (zh) * | 2020-08-03 | 2020-11-24 | 武汉大学 | 具有尺度与旋转不变性的多模态影像特征匹配方法 |
Non-Patent Citations (4)
| Title |
|---|
| PETER KOVESI: "Image Features from Phase Congruency", 《VIDERE A JOURNAL OF COMPUTER VISION RESEARCH》 * |
| PETER KOVESI: "Phase Congruency Detects Corners and Edges", 《PROC. VIITH DIGITAL IMAGE COMPUTING: TECHNIQUES AND APPLICATIONS》 * |
| 李欣等: "利用方向相位特征进行多源遥感影像匹配", 《武汉大学学报(信息科学版)》 * |
| 钟佩珂等: "基于相位一致性的红外多光谱影像波段间特征匹配", 《地理与地理信息科学》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066015A (zh) * | 2021-05-14 | 2021-07-02 | 清华大学 | 一种基于神经网络的多模态遥感影像旋转差异校正方法 |
| CN113256653A (zh) * | 2021-05-25 | 2021-08-13 | 南京信息工程大学 | 一种面向高层地物的异源高分遥感影像配准方法 |
| CN113409369A (zh) * | 2021-05-25 | 2021-09-17 | 西安电子科技大学 | 基于改进rift的多模遥感图像配准方法 |
| CN113256653B (zh) * | 2021-05-25 | 2023-05-09 | 南京信息工程大学 | 一种面向高层地物的异源高分遥感影像配准方法 |
| CN113643334A (zh) * | 2021-07-09 | 2021-11-12 | 西安电子科技大学 | 基于结构相似性的异源遥感图像配准方法 |
| CN114216454A (zh) * | 2021-10-27 | 2022-03-22 | 湖北航天飞行器研究所 | 一种gps拒止环境下基于异源图像匹配的无人机自主导航定位方法 |
| CN114216454B (zh) * | 2021-10-27 | 2023-09-08 | 湖北航天飞行器研究所 | 一种gps拒止环境下基于异源图像匹配的无人机自主导航定位方法 |
| CN115205558A (zh) * | 2022-08-16 | 2022-10-18 | 中国测绘科学研究院 | 一种具有旋转和尺度不变性的多模态影像匹配方法及装置 |
| CN115205558B (zh) * | 2022-08-16 | 2023-03-24 | 中国测绘科学研究院 | 一种具有旋转和尺度不变性的多模态影像匹配方法及装置 |
| CN118229749A (zh) * | 2024-05-24 | 2024-06-21 | 航天宏图信息技术股份有限公司 | 全月数字正射影像配准方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112634335A (zh) | 面向非线性辐射畸变的稳健遥感影像特征点对提取方法 | |
| 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 | |
| WO2019042232A1 (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和*** | |
| CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及*** | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
| Zhang et al. | Application of migration image registration algorithm based on improved SURF in remote sensing image mosaic | |
| CN110969669B (zh) | 基于互信息配准的可见光与红外相机联合标定方法 | |
| CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
| CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和*** | |
| CN107481274A (zh) | 一种三维作物点云的鲁棒性重构方法 | |
| CN108765476A (zh) | 一种偏振图像配准方法 | |
| CN110458876B (zh) | 基于sar-sift特征的多时相polsar图像配准方法 | |
| CN110009745B (zh) | 根据平面基元和模型驱动对点云提取平面的方法 | |
| 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 | |
| CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
| Huang et al. | SAR and optical images registration using shape context | |
| Paffenholz et al. | Geo-referencing point clouds with transformational and positional uncertainties | |
| Kang et al. | Image registration based on harris corner and mutual information | |
| Zhang et al. | LPPCO: A novel multimodal medical image registration using new feature descriptor based on the local phase and phase congruency of different orientations | |
| Yu et al. | High-Precision pixelwise SAR–optical image registration via flow fusion estimation based on an attention mechanism | |
| CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
| CN113066015B (zh) | 一种基于神经网络的多模态遥感影像旋转差异校正方法 | |
| CN113674407B (zh) | 基于双目视觉图像的三维地形重建方法、装置及存储介质 | |
| CN115511928A (zh) | 多光谱图像的匹配方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |