基于Harris和SURF的遥感图像匹配方法研究

针对多源遥感图像匹配正确率低的问题,本文首先采用点空间约束的Harris角点检测算法,得到分布比较均匀的角点;接着构建Voronoi图进行图像分块;然后应用分块SURF特征点检测和匹配得到仿射变换参数;再利用灰度积相关算法实现同名点搜索;最后辅以两点对空间约束剔除误匹配。实验结果表明,本文采用的基于Harris和SURF的方法在遥感图像匹配正确率和效率上优于SURF算法。     

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。     

基于动态自适应调整阈值的SURF改进匹配算法

相比于SIFT算法,在图像匹配速度上SURF算法具有明显优势,但其错误匹配率较高,因而选择合适的距离比阈值可有效提高匹配的准确度。由于影像的纹理结构各不相同,以RANSAC算法优化后的点对结果与SURF直接匹配得到的结果的比值作为动态调整的依据,提出了基于动态自适应调整阈值的SURF改进匹配算法。实验表明,自适应调整的阈值能使匹配正确率提高到95%以上。     

特征提取和特征匹配改进方法的研究

在分析了几种常用的特征提取和图像匹配算法的基础上,针对影像上纹理特征稀少、影像对比度不明显的问题,提出先用高斯差分方法突出图像特征,再用Harris特征点提取算法进行特征提取的方法;针对如同建筑物等相似特征较多的情况,利用双向特征匹配、经过斜率约束得到的结果计算视差,再进行图像匹配,可以将特征匹配限制在相关的小范围内,由此得到的同名点对比较可靠,并且提高了效率。实验证明该算法适合特征稀少不明显区域、建筑物等相似特征较多的图像匹配,具有一定的实际意义。     

基于SURF的图像配准改进算法

针对传统的加速鲁棒性特征(speeded-up robust features,SURF)算法在图像配准中的应用现状,结合图像分块策略和相对距离理论,提出一种基于SURF的图像配准改进算法。通过图像分块策略改善提取特征点分布的均匀性;在SURF算法初匹配基础上,引用相对距离理论剔除异常匹配点,从而提高特征点匹配的精度和可靠性。选取覆盖重庆市沙坪坝实验区的Quick Bird卫星数据,以特征点正确匹配率和均方根误差RMSE为量化指标,对所提出的SURF改进算法的图像配准效果进行验证。实验结果表明,改进后的SURF算法的特征点正确匹配率达到88%以上,高于传统SURF算法的76%。通过相对距离剔除误匹配点后,最终配准结果的RMSE达到2.69个像元,符合图像配准的基本需求(RMSE在2个像元左右),具有一定的应用推广价值。     

多景近景摄影测量的特征匹配

提出一种多景近景摄影测量图像特征点匹配算法,并在该算法的基础上形成构建近景图的图像匹配算法。此算法采用Harris角点提取算子等进行特征点提取,可为其分配特征描述符,并且比较各特征提取算子之间的精度。在进行相邻图片的特征比对时,提出一种特征索引算法,提高搜索效率。     

基于SURF算法和改进RANSAC算法的无人机影像匹配

影像匹配是诸多遥感影像处理和影像分析的一个关键环节,结合加速鲁棒性特征(SURF)算法和随机采样一致性(RANSAC)算法对影像进行处理,得到特征稳定、匹配点可靠的配准影像。首先提取影像的SURF特征,利用特征点的欧式距离比来完成影像之间的粗匹配;然后使用RANSAC算法对粗匹配点进行筛选;最后计算出图像间的变换矩阵,完成匹配。文中选择某城郊地区的无人机航拍影像,结合SURF算法,并改进RANSAC算法来对影像进行处理,实现影像的匹配,验证文中方法的可行性。     

结合改进特征算法和狄洛尼三角网的图像匹配方法

针对加速的具有鲁棒性特征算法导致匹配图像丢失颜色信息成分的问题,该文从图像匹配的效率和精度出发,提出了一种基于改进加速的具有鲁棒性特征算法和狄洛尼三角网的图像匹配方法。该方法在原有加速的具有鲁棒性特征算法的基础上,引入颜色不变量模型和狄洛尼三角网、三角形相似函数及摄影不变量等约束条件,有效保留了图像的颜色信息,减少特征点错误的匹配率。实验表明:本算法具有匹配速率高、提取的特征点多且分布均匀以及匹配率高等特点。     

基于SURF算法的雪地图像特征提取与配准

设计了一种针对雪地图像特征提取与配准的方案,首先基于SURF算法提取图像特征点,然后通过MSAC算法进行匹配点对提纯,并通过SVD分解实现矩阵的求解,最后依据求解结果进行了图像的配准,并从重投影误差、转换矩阵、不同算法匹配性能对比等方面对设计方案进行了验证、分析。实验结果表明:SURF算法提取的内点数分别占2幅图像提取特征总数的16.03%和20.03%;在相同的像素阈值下,投影变换由于考虑了图像的旋转、平移、缩放、切变和射影等参数,与仿射变换和相似变换相比,能够比较全面地反映倾斜摄影图像间的内在变换关系;本方案获得的拼接图像无明显错位,色彩过渡自然,无拼接缝。     

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。