改进MSAC估计F与H矩阵在匹配点中的提纯

针对立体影像匹配中误匹配问题,通常通过某种约束来剔除误匹配。在多视图几何中,多采用基本矩阵和单应矩阵约束同名像点的位置。本文采用改进的稳健MSAC算法估计基本矩阵与单应矩阵,分别对不同地物类型的影像进行误匹配剔除。试验结果表明:(1)改进后的MSAC算法性能优于原算法;(2)单应矩阵适合于平坦地区影像,且其约束力高于基本矩阵;而基本矩阵则适合于任意立体影像。     

运动视频序列影像的自动配准

影像配准是运动视频处理应用中的关键技术,从计算机视觉角度出发提出了一种针对运动视频处理的自动影像配准方法。其主要思路可以归结为基于特征匹配的配准过程,具体分为3个方面:利用Harris算子检测角点特征;以互相关函数为测度对角点特征进行初步匹配,特别使用RANSAC拟合基础矩阵F的方法剔除匹配中的错误对应;利用得到的结果重新拟合配准模型进行重采样变换。最后进一步分析了此方法应用于具体运动视频处理时需要考虑的一些问题。     

一种具有仿射不变性的倾斜影像快速匹配方法

提出了一种较为快速且具有仿射不变性的倾斜影像匹配方法。通过估算影像的相机轴定向参数计算出初始仿射矩阵,通过逆仿射变换得到纠正影像,对纠正影像进行SIFT匹配。首先利用比值提纯法(NNDR)、归一化互相关(NCC)测度约束和左右一致性检验得到粗匹配点对,由粗匹配点对利用RANSAC方法计算出基本矩阵F和单应矩阵H。匹配时,匹配策略采用最邻近匹配,并利用极线约束、单应矩阵约束、NCC测度约束和主方向差值一致性约束剔除误匹配。通过对三组典型的倾斜影像数据进行试验,试验表明该方法匹配准确率高,匹配点对较为密集、均匀,且效率较高。     

运动视频序列影像的自动配准

影像配准是运动视频处理应用中的关键技术,从计算机视觉角度出发提出了一种针对运动视频处理的自动影像配准方法.其主要思路可以归结为基于特征匹配的配准过程,具体分为3个方面:利用Harris算子检测角点特征;以互相关函数为测度对角点特征进行初步匹配,特别使用RANSAC拟合基础矩阵F的方法剔除匹配中的错误对应;利用得到的结果重新拟合配准模型进行重采样变换.最后进一步分析了此方法应用于具体运动视频处理时需要考虑的一些问题.     

不同特征提取算法对相机运动估计的适用性研究

针对不同特征提取算法对不同传感器平台获取的影像空间相对关系估计的适用性问题,该文以不同来源的影像数据为研究对象进行实验分析。采用基于特征的影像匹配算法SIFT,SURF,ORB对影像进行特征提取和匹配,利用RANSAC算法进行粗差剔除,随后使用归一化的八点法估计基础矩阵,最后采用辛普森距离统计像素均方根误差。结果表明,在不考虑速度的情况下,SIFT算法对于各类影像的相对位置关系估计有较好的精度;ORB算法在速度上有较大优势,检测和匹配的特征点数目最多;SURF算法的速度和精度介于两者之间。     

基于本质矩阵的无人机影像精确匹配

无人机影像以其低成本、获取容易、信息量大等优点得到了广泛的应用。影像匹配是影像数据处理的重要环节，常用影像匹配的方法存在误匹配多或剔除大量正确匹配的问题。LMedS算法比其他稳健方法更严格，"5点算法"得到的本质矩阵可用于匹配点对共面的场景。本文使用LMedS算法结合"5点算法"求解本质矩阵作为剔除误差的模型，同时利用ORB算法提取速度快的特点，构建了一种精准同时兼顾了效率的匹配方法。本文对该算法开展了试验研究，并与其他常规算法进行比较。试验结果表明，本文算法保留的匹配点数数量多，分布较均匀，适用于多种场景，是一种有效、快速精准的影像匹配算法。     

城市环境下基于C/S架构的影像空间定位

针对城市环境下影像空间定位精度低等问题,提出了一种在C/S架构下基于影像的移动平台空间自定位方法。首先对预采集的城市建筑物序列影像,利用最近邻距离比率(nearest neighbor distance ratio,NNDR)算法和归一化互相关匹配(normalized cross correlation,NCC)算法得到SIFT粗匹配,通过随机抽样一致(random sample consensus,RANSAC)算法对粗匹配点进行优化,通过精确解算基本矩阵 F 和投影矩阵 P ,建立建筑物三维点云模型,进而获得由影像特征点、像点坐标以及物方点坐标组成的物方特征库。其次以用户通过手机拍摄的影像作为定位影像,进行特征提取并与物方特征库影像匹配,获取对应物方点坐标。最后通过精确计算定位影像外方位元素,并在手机客户端中显示所拍照瞬间手机的空间位置,实现移动平台空间自定位。实验结果表明,该方法能够达到厘米级定位精度,可作为其他空间定位方法的有效补充。     

基于SIFT的宽基线立体影像密集匹配

提出基于对极几何和单应映射双重约束及SIFT特征的宽基线立体影像多阶段准密集匹配算法。算法包括三个阶段：①基于特征点的空间分布和信息熵选取一定数量的最优SIFT特征点集并进行最小二乘初始稀疏匹配及立体像对的基本矩阵和单应矩阵估计;②对于其余特征,利用同名核线倾斜角及SIFT特征的尺度信息对匹配窗口的仿射变换参数进行迭代优化及变形改正、提取仿射不变SIFT特征描述符,并基于双重约束信息及欧氏距离测度进行匹配;③考虑宽基线立体影像较低的特征提取重复率,对第②步左右影像中未能成功匹配的特征点,基于双向搜索策略,采用基于盒滤波加速计算的SSD测度在变形改正后的双重约束区域中进行匹配,并对匹配结果进行加权最小二乘拟合定位。实际的宽基线立体影像试验结果证明了算法的有效性,可为后续的三维重建提供较为可靠的密集或准密集匹配点。     

结合局部单应矩阵的ZY-3遥感影像稠密匹配

针对现有的特征点匹配结果的密集度无法满足于三维重建的需求问题,本文提出了一种结合局部单应矩阵的资源三号遥感影像稠密匹配方法。首先,采用ASIFT算法对资源三号遥感影像进行特征点匹配,通过随机抽样一致性(RANSAC)算法对初始的匹配结果进行优化,提高ASIFT匹配结果的精度;其次,以优化后ASIFT匹配结果作为匹配基元,构建Delaunay三角网,利用Delaunay三角网间的同名三角单元的单应矩阵关系对已有匹配结果进行加密;最后,通过灰度相似性和最小二乘双重约束提高加密特征点的精度,从而达到精匹配的目的。实验选取ZY-3遥感影像作为实验数据,实验表明,本文算法具有较好的可靠性与鲁棒性,能获得比ASIFT匹配多6倍的同名点。     

子像素匹配策略的对极几何估计算法

基本矩阵在计算机视觉中扮演着十分重要的角色,对极几何(即核线几何)的估计过程就是求解基本矩阵的过程,所以如何提高对极几何的估计精度一直是计算机视觉中的一个研究热点。本文通过提取子像素特征点,并经高精度影像匹配,最终用子像素匹配点来实现对极几何的稳健估计。实验表明,该计算法在平均余差和平均对级距离上都明显小于基于整像素级的对极几何估计结果,有效改善了对级几何的估计精度和稳定性。     

基于深度学习的异源立体影像对匹配方法

相对于同源影像立体匹配,基于无人机倾斜摄影与近景摄影获取的异源影像在空间特征、视场角及分辨率等方面均存在较大的差异,给影像匹配带来困难。本文利用基于单应性变换的卷积神经网络提取特征点,在匹配阶段采用交叉注意力机制的图神经网络进行特征点匹配。该方法较好地克服了异源影像间因存在较大视差和扭曲变换而导致的匹配效果较差的问题,并以河北省廊坊市大城县的马家祠堂为试验数据,对比传统SURF （加速稳定性征）算法与深度学习算法的匹配效果。结果表明,基于深度学习算法对存在大视角差异的异源影像的匹配率更高。     

一种快速的无人机影像无缝拼接方法

本文针对传统的低空无人机影像拼接处理速度慢和几何精度低的问题,提出了一种快速的无人机影像无缝拼接方法:对输入的原始影像按一定尺度进行降采样,在降采样的影像上进行SURF特征提取和匹配,利用RANSAC方法估计初始的相对单应矩阵,然后用Levenberg-Marquardt方法精化单应矩阵,计算出初始的绝对单应矩阵后利用稀疏光束法平差估计出精确的单应矩阵,通过降采样影像与原始影像的单应关系传递单应矩阵到原始影像级,最后进行影像合成,形成整体拼接图。实验结果表明该方法可以有效地提高拼接速度,解决拼接错位问题。     

沙漠地区无人机影像连接点提取

提出了一种纹理自适应的影像连接点提取方法,有针对性地解决沙漠地区无人机影像对比度低、相似性强、纹理信息不均衡,经常会造成连接点过少甚至提取、匹配失败的突出问题。该方法利用影像金字塔进行粗匹配,建立影像之间近似单应变换关系;通过对原始影像分块计算灰度共生矩阵的熵来评估影像纹理指标,并据此实现特征点的自适应提取与匹配。实验表明,该方法能够得到数量较多、分布均匀、可靠性强的同名点。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中，粗差是不可避免的，因此，获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除，该算法受抽样次数、误差阈值的影响，还会残存部分误匹配的特征点。利用图论原理，对SIFT算法提取的特征点进行预处理，通过构建特征点的能量函数剔除能量较低的特征点，可以提高匹配特征点的稳健性，减少特征点的粗差。本文提出了一种新的方法，将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法，利用该算法可以提高特征点的稳健性，获取高精度的单应矩阵。采用两组无人机影像进行验证，本文提出的算法与单独利用图论剔除特征点的算法相比，粗差剔除率分别提高了5.31%和14.29%，说明该方法效果较好。     

顾及粗差的低空数字影像拼接

低空遥感影像相对于传统航空和卫星影像覆盖面积小且像幅数多,影像拼接是内业处理的重要工作之一。低空摄影机畸变大及飞行平台不稳定等因素易产生同名点匹配定位粗差,可能致使拼接低空影像接边误差较大。为减少这些粗差,利用具有尺度、旋转和平移不变性的SIFT算法进行低空影像匹配,然后采用Huber算法约束粗差,并通过Levenberg-Marquardt非线性最小二乘法进行平差,以获得精确的影像拼接单应矩阵。实验验证了该方法可减少拼接缝,提高了拼接精度。     

一种改进的APAP影像匹配算法

针对无人机影像匹配时易出现影像重影、透视失真和耗时较长等问题，本文提出了一种改进的APAP算法。该算法首先利用SIFT算法选取特征点，通过改进RANSAC算法去除误匹配点；然后根据APAP算法对影像进行网格划分，求每个网格的单应性矩阵，并对单应性矩阵进行线性化；最后根据线性化的单应性矩阵进行影像匹配，单应性矩阵的线性化不仅对影像匹配时产生的重影现象有较好的削弱作用，而且能减少非重叠区域的透视失真。试验结果表明，本文方法在匹配效率和匹配效果方面效果显著。     

一种基于Hough变换的对极几何稳健估计算法

从基本矩阵的性质和作用出发,首先从理论上证明了如果在一条2维直线上有多于给定的3个以上的匹配点,多余的点将被视为冗余点不能用作匹配点;然后针对该问题引入了Hough变换算法,在建立匹配点对应关系的同时剔除冗余的共线点。实验表明,用改进后的算法估计出的基本矩阵在平均余差和对极距离上都小于改进前的算法,提高了基本矩阵的估计精度和稳定性。     

利用A-AKAZE算法进行喀斯特地区无人机影像匹配

喀斯特地区地形复杂，无人机影像匹配难度大、耗时多。针对如何提高该区域无人机影像的匹配效率，本文提出了一种基于AKAZE的改进算法。该算法首先利用完全仿射不变框架对原始影像进行视角模拟；然后利用AKAZE算法对模拟影像进行特征点提取和描述，并获得原始影像的特征点和描述符；最后利用基于单应性矩阵的RANSAC算法对原始影像进行精匹配，进而剔除粗匹配过程中错误匹配点对。本文对该改进算法开展了试验研究，并与ASIFT和AKAZE等常用算法进行了试验对比分析。试验结果表明，对喀斯特地区无人机影像匹配而言，与ASIFT算法相比，在保持相当匹配正确率的情况下，基于A-AKAZE算法的匹配总耗时是ASIFT算法耗时的50%左右，可以较大幅度地减少匹配总耗时；与AKAZE算法相比，基于A-AKAZE算法的影像总匹配对数及正确匹配对数至少是ASIFT算法的影像总匹配对数及正确匹配对数的7倍。综合考虑匹配耗时和正确匹配对数，本文算法优于AKAZE和ASIFT等常用算法，更适合于喀斯特地区的无人机影像匹配。     

一种改进的无人机影像拼接粗差剔除算法

利用无人机技术可以获取高分辨率影像。为了获取高精度的变换矩阵,提高影像匹配效率,本文对RANSAC算法进行了改进,加入影像的灰度信息进行约束,进一步剔除匹配粗差,最后采用均方根误差进行质量评判。为了验证算法的可靠性,选取一组山区影像和一组具有旋转偏角的建筑物影像进行验证。验证结果表明,匹配点粗差剔除率分别提高了15.15%和23.22%,本文算法的均方根误差较小,精度有显著的提高。