基于NSCT和SURF的遥感图像匹配

SURF(Speed Up Robust Features)算法是对尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法的一种改进,应用到遥感图像匹配领域中可以大大提高匹配速度,但是匹配精度略有下降。为此,本文提出一种基于无下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和SURF的遥感图像匹配算法。首先使用NSCT分别分解参考图像和待匹配图像,得到各自对应的低频分量;然后把这两幅低频分量图像作为SURF算法的输入图像进行预匹配,降低高频噪声对匹配结果的影响;最后利用预匹配结果求解变换模型的参数,并采用随机抽样一致RANSAC(Random Sample Consensus)算法剔除误匹配点对,解决了SURF算法存在的错误匹配问题。实验结果表明,与SIFT算法、SURF算法相比,本文算法具有更高的匹配精度和更快的匹配速度,且抗旋转、噪声、亮度变化能力更强。     

基于SIFT算法和马氏距离的无人机遥感图像配准

提出了一种基于SIUF和马氏距离的无人机遥感图像配准方法.该方法首先使用SIUF算法进行特征点的查找和匹配.由于SIFT算法只考虑点的局部特征信息,没有处理匹配后特征点对的几何分布信息.为了提高特征点对的精度,本文使用马氏距离对SIFT算法得到的结果进行再处理得到新的特征点对.最后,利用新的特征点对进行图像配准.较之以往,该方法可以得到更多的、正确的匹配点对.数值试验证明了该方法的有效性和鲁棒性.     

基于尺度比及坐标偏移约束的图像特征点匹配方法

针对特征向量最近邻次近邻距离比值的特征点匹配算法中存在匹配点对少、误匹配的问题,本文从改善特征点匹配策略方面对其进行改进。首先运用Gabor核函数对图像进行滤波处理,并在滤波图像上提取SIFT特征点,得到参考图像与待匹配图像的初步转换关系及特征点的尺度比均值;然后对参考图像与待匹配图像进行SIFT特征匹配,将尺度比作为相似性测度,并结合坐标偏移阈值约束获取同名点对。相较于传统SIFT算法,实验表明该方法在获取更多的同名点对同时,能够有效减少误匹配,匹配精度也有显著提升。     

多源高分辨率遥感影像自动匹配算法

提出一种基于同名直线约束的多源高分辨率遥感影像自动匹配方法。对影像建立高斯滤波模型去噪,然后进行边缘检测,在边缘影像上进行Hough变换,通过端点检测的方法来获取直线;通过粗匹配参数进行同名直线粗匹配,应用梯度模型对同名直线进行精匹配;对影像提取特征点,特征点经过同名直线约束后,在对应影像上利用同名直线约束建立匹配范围。采用最小欧式距离准则在给定范围内提取初始同名点;利用RANSAC算法剔除错误同名点对,以获取最终的匹配结果。实验结果表明,与传统的SIFT匹配算法比较,方法具有可靠性好、提取同名点数量多的优点。     

基于非线性尺度空间的多源遥感影像匹配

针对遥感影像匹配中经典SIFT算法提取特征点时,高斯分解易造成边缘模糊和纹理细节信息丢失,从而使得边缘匹配稳定性差和误匹配点多的问题,文章引入最新的基于非线性尺度空间的KAZE算法并提出了限以空间约束的方法进行多源遥感影像匹配:通过特征点优选并进行特征匹配来计算几何变换模型,并对匹配点的搜索空间进行约束来提高匹配速度和精度,最后通过均方根误差迭代剔除误配点。实验结果表明KAZE算法提取特征点比SIFT稳定性高,易于后期误配点剔除;限以空间约束的匹配策略优于传统匹配策略;对于细节及纹理模糊的影像,KAZE算法相比SIFT算法有独特的优势。     

基于改进粗糙集和NSCT的红外遥感图像增强

提出了一种基于改进粗糙集和NSCT的红外遥感图像增强方法。该方法首先利用NSCT对图像进行分解,得到多层多方向子带系数;然后根据相邻尺度和不同方向的子带中图像噪声、脆弱边缘等不同成分的系数分布,使用粗糙集对其进行分块,并制定合理的决策规则;再通过集合运算对系数中不同子块采用不同的处理方法,一方面抑制噪声,另一方面保护图像中的脆弱边缘结构,并采用增强函数对其进行不同程度的增强;最后对处理过的NSCT系数进行重构,获得增强后的红外图像。实验表明,该算法相对于其他传统红外遥感图像增强算法具有较好效果。     

一种结合SIFT和边缘信息的多源遥感影像匹配方法

针对多源遥感影像间几何变形和灰度差异造成的匹配困难问题,提出一种结合SIFT和边缘信息的影像匹配方法。首先在高斯差分尺度空间进行特征点检测,并采用相位一致性提取可靠的边缘信息;然后结合改进的SIFT和形状上下文对特征点进行描述;最后将欧氏距离和χ2统计作为相似性测度获取同名点。相比于SIFT算法,本文方法可有效地提高匹配正确率,并获得更多的同名点。     

基于Contourlet域Hausdorff距离和粒子群的多源遥感图像匹配

为了进一步提高多源遥感图像的匹配精度和运算效率,本文提出了一种利用Contourlet变换、Hausdorff距离和改进粒子群的遥感图像匹配算法。在分别对目标图像和参考图像进行Contourlet分解的基础上,采用小波模极大值法提取低频图像的边缘信息,以LTS-HD作为图像匹配的相似性度量准则,并利用一种带极值扰动的简化粒子群优化算法对低频边缘图像进行匹配操作,得到粗匹配点;然后根据粗匹配点的位置反演计算到原始图像,进行精匹配,最终实现全分辨率情况下遥感图像的匹配。实验结果表明,该算法与目前常用的遥感图像匹配算法相比,不仅具有更高的匹配精度和运算效率,还有较强的鲁棒性。     

利用特征组合检测算法的无人机遥感影像匹配研究

影像匹配是无人机遥感影像拼接和三维建模的基础和关键步骤。结合不同算法的优势,本文提出一种基于特征组合与RANSAC算法的无人机遥感影像匹配方法。该匹配方法首先采用AKAZE算法检测影像的特征点,然后利用SIFT描述符描述特征向量并获取特征点的主方向,最后基于单映射变换矩阵的RANSAC算法进行精准匹配。本文对基于特征组合与RANSAC算法的匹配效果进行了试验对比分析,试验结果表明：与常用匹配方法的匹配效果相比,本文的匹配方法继承了AKAZE算法的快速匹配能力,匹配总耗时介于AKAZE算法和SIFT算法之间,约为BRISK算法匹配耗时的20%;同时,该匹配方法继承了SIFT算法的多匹配点对性能,从整体匹配效果来看,本文的匹配方法优于AKAZE、SIFT、BRISK算法。     

光学卫星影像配准同名点快速提取方法

针对多源高分辨率遥感图像控制点提取时存在错误匹配点多、分布不均匀、大幅面图像特征提取效率低等问题,该文基于传统的尺度不变特征变换(SIFT)算法提出了一种改进的高分辨率遥感图像配准同名点快速提取方法.该方法首先将待配准图像按网格分块为子图像,并基于地理信息约束得到各子图像对应参考子图像;然后将Shi_Tomasi角点和SIFT描述子结合,在每一对子图像上进行特征点的提取与特征匹配;再利用随机采样一致性(RANSAC)算法和最小二乘迭代法剔除错误匹配点,并基于贪心算法剔除冗余的控制点,最终得到分布均匀的配准同名点.利用平原和山区两组典型多源遥感图像进行了实验,并利用提取的同名点进行图像配准,结果表明,跟传统SIFT方法、采用分区策略的SIFT方法相比,该文算法在同名点数量、匹配点对分布的均匀程度、匹配速度以及配准精度上都有较大的提高,能满足大幅面图像配准的需求.     

利用改进的SIFT算法检测桥梁拉索表面缺陷

设计了一种分布式机器视觉检测系统对斜拉桥拉索表面的损伤缺陷进行自动无损检测。该系统采用4个CCD摄像头分布在拉索表面一周获取图像,一个缺陷有可能分布在几幅图像中。为了快速有效地获得完整的拉索表面缺陷,本文提出了改进的尺度不变特征变换(SIFT)特征匹配算法对缺陷图像进行自动拼接。首先,采用简洁有效的Harris算子提取特征点;然后,根据检测系统采集的缺陷图像的特点,简化SIFT算子的特征点主方向分配和匹配图像旋转等算法步骤,对特征点进行描述和匹配;最后,融合匹配图像,得到相对完整的缺陷图像。实验结果表明,利用改进的SIFT算法对拉索表面缺陷图像进行自动拼接,降低了算法的复杂度,提高了桥梁拉索表面缺陷检测的完整性。     

一种基于格网索引优化的遥感影像自动配准算法

针对SIFT算法在遥感影像配准过程中捕获配准点对数量较少和误匹配较多等问题,提出了一种基于格网索引的遥感影像自动配准的算法.首先,采用SIFT算法提取特征点和特征向量,并通过欧氏距离进行匹配;其次,建立格网索引剔除部分误匹配点对,从而提高了随机抽样一致算法的精度;最后,使用多项式几何纠正算法实现遥感影像的精确配准.实验...     

基于改进ORB算法的遥感图像自动配准方法

针对遥感图像自动配准的问题,提出了一种基于改进定向二进制简单描述符(oriented brief,ORB)算法的遥感图像自动配准方法.该方法主要由3个步骤组成:首先是特征匹配,利用改进的ORB算法提取特征点,并建立描述符进行匹配,获取初始控制点;然后采用随机采样一致性方法,结合变换参数估计,剔除可能的错误匹配;最后利用最小二乘法估计的变换参数,对图像进行几何纠正.分别利用2组卫星光学遥感图像和1组SAR图像进行基于改进ORB算法的自动配准方法试验,并与基于尺度不变特征变换(scale-invariant feature tramsform,SIFT)算法和加速鲁棒性特征(speeded up robust features,SURF)算法的自动配准方法进行了比较.试验结果表明,该方法能获得与SIFT算法和SURF算法相当或者更高的配准精度,并在配准效率上有较大提高.     

基于ED-SIFT算法的高分辨率遥感图像快速拼接

基于特征点检测的高分辨率图像拼接运算量大、速度慢,改进后可以提高效率。从减少参与SIFT计算的数据量和优化算法两方面实现图像拼接加速。建立基于ED-SIFT的图像拼接算法,图像边缘检测优选Soble算子;使用Python+OpenCV,对WorldView3切片数据进行拼接实验,平均耗时为0.96 s;与传统基于SIFT的图像拼接算法相比,在保证一定数目的特征点同时,速度加快9.47倍。使用该算法对重叠率为20%、65%、80%的切片数据拼接成功,平均耗时都在0.96～1.08 s。继续用OpenCV+Numba并行运算实现该算法,对运算提速已不明显。基于ED-SIFT的图像拼接算法对高分辨率遥感图像拼接提速明显,对不同重叠率图像拼接皆有效。     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术,其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像,本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法,该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配,然后使用RANSAC算法消除误匹配点并获取投影变换矩阵,从而获得图像序列间的亚像素级的运动信息;采用一组低分辨率序列图像进行试验,基于上述运动估计算法,采用迭代反投影进行超分辨率重建。试验结果表明,运动估计精度较高,重建影像具有较好的视觉效果,尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

一种利用零交叉点理论的改进SIFT特征提取算法

提出了一种利用零交叉点特征提取的改进SIFT算子用于遥感影像的自动匹配.将图像几何特征引入到尺度空间探测中,获得了重复性更高、更稳定的特征.采用近景数码大旋角数码立体像对和低空航摄立体像对进行了算法测试.实验表明,改进后的SIFT算子应用于遥感影像自动匹配,在特征提取重复率、匹配正确点数、匹配正确率上均有明显提升.     

一种基于改进SIFT算法的遥感影像配准方法

本文首先分析了传统SIFT算法在遥感影像配准应用中存在的不足,从特征点匹配精度上进行了改进。通过分析SIFT特征点匹配的主要误差来源,逐步消除可能误差,提取尽可能多且精准的匹配点对。接下来利用该匹配点对作为配准用控制点对,分别对不同时相、不同分辨率遥感影像进行仿射变换和小面元微分纠正配准。最后与传统SIFT算法进行比较,试验结果表明本文算法具有更高的匹配精度。     

基于SURF算法的无人机遥感影像拼接技术

在影像匹配的研究上,SIFT算法在特征匹配方面的应用一直是国内外学者关注的热点之一。最近几年,有研究者提出了SURF算法,该算法是在SIFT算法基础上作了一些改进后得到的新算法。为了比较这两种算法在影像特征点提取上的优劣性,本文开发了相应的软件程序,并采用无人机遥感影像数据进行了算法的实例验证。发现相比于SIFT算法,SURF算法在影像特征点提取中无论是运算速度还是提取的特征点数量都有较大进步。基于此将SURF算法应用到无人机遥感影像拼接中,并通过高斯滤波对拼接影像进行平滑处理,获得了令人满意的拼接影像。     

一种结合拓扑信息和SIFT特征的多源遥感影像自动匹配方法

基于单一特征的匹配办法在多源遥感影像匹配中往往不适用的问题,提出了一种结合拓扑信息和SIFT特征的自动多源遥感影像匹配方法。该方法首先在两幅影像中使用SIFT算法在尺度空间上提取特征向量,其次对这些特征点使用最近邻提取1：N的多个可能的匹配点对,然后结合位置信息和拓扑信息对这些可能的匹配点对进行剔除,并使用RANSAC方法剔除粗差,最终得到同名匹配点。试验结果表明,相比于计算机视觉领域常用的SIFT算法,本文方法可有效地提高匹配正确率,并获得更多正确的同名点。