一种基于SiftGPU的遥感影像匹配方法

针对已有的遥感影像匹配方法难以同时满足高精度、可靠性和高效率要求的问题,该文提出一种基于分块策略的尺度不变特征变换快速匹配方法。首先对两幅待匹配影像进行分块,根据影像的坐标信息建立参考影像与搜索影像上每个分块的对应关系,并进行量化级数转换;然后对每一对分块影像采用尺度不变特征变换算子进行匹配,同时采用GPU进行加速;最后对得到的所有匹配点进行误匹配点剔除。为验证该方法的有效性,采用经过正射纠正的ALOS影像和经过传感器校正的资源三号正视影像进行匹配实验。实验结果表明,该方法能够得到较多高精度的同名点,并且能在短时间内完成大数据量的处理。     

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。     

局部相位特征描述的多源遥感影像自动匹配

由于影像间显著的几何和辐射差异,多源遥感影像自动匹配一直是目前研究的难点问题。首先引入具有光照和对比度不变性的相位一致性模型,并对其进行扩展,构建相位一致性的特征方向信息,然后借助于梯度方向直方图的模板结构,利用其特征值和特征方向,建立一种局部特征描述符——局部相位一致性方向直方图（local histogram of orientated phase congruency,LHOPC）,最后利用欧氏距离作为匹配测度进行同点名识别。对四组多源遥感影像进行试验,其结果表明,相比于尺度不变特征转换和加速鲁棒性特征算法,LHOPC能更为有效的抵抗影像间的辐射差异,提高了匹配性能。     

基于特征点的影像匹配方法探讨

基于特征点的图像匹配方法是高精度、快速有效和适用性广的匹配算法,它包括特征提取和特征匹配2个步骤。本文在对这一问题进行研究分析的基础上,对相关文献进行综述,介绍并分析了几种典型特征点提取算子的原理和优缺点,为不同应用目的的特征点提取方法选取提供借鉴;特征匹配方面总结了基于特征点匹配的常用方法,就SIFT这一热点做了详细介绍,并进行了实验;最后对匹配中有待进一步研究的问题给出了意见。     

带匹配支持度的多源遥感影像SIFT匹配方法

通过将匹配支持度的相似性测度引入SIFT特征匹配算法,提出了一种能够应用于不同源遥感影像的自动匹配方法。首先,建立待匹配影像中特征点的SIFT特征描述符;然后,以待匹配点与参考点间的欧氏距离为相似性测度,挑选一定数量的距离最为接近的匹配点作为候选点;最后,分别计算候选匹配点间的匹配支持度,并通过松弛法剔除误匹配点以完成影像的自动匹配。实验结果表明,与传统的灰度匹配及经典的SIFT特征匹配相比,此算法可明显提高影像匹配的成功率和可靠性。     

基于SGM的遥感影像自动匹配

遥感影像的自动匹配是数字摄影测量产品生产的重要过程,匹配结果的好坏直接影响摄影测量产品的质量。将计算机视觉中SGM算法应用于遥感影像的自动匹配问题中,对航天和航空遥感影像在城市地区、阴影区域及纹理特征不明显的情况下进行的大量试验表明,该方法具有稳定、可靠的特点。     

重力匹配辅助导航误匹配消除方法研究

在重力匹配数据处理中引入粗差探测理论,利用相邻匹配点之间的几何约束关系发现误匹配,并对误匹配点的真实位置进行估计,消除了误匹配,提高了匹配导航的可靠性和精度.     

基于主方向的SIFT误匹配点剔除方法

针对RANSAC方法在剔除SIFT误匹配点方面的不足,提出了一种基于主方向的SIFT误匹配点剔除方法。结果表明,该算法与RANSAC相比,耗时较少,剔除效果更好,保留的正确匹配点数更多,且当误匹配点数量多于正确匹配点时也能得到很好的剔除效果。     

基于SIFT特征的多源遥感影像自动匹配方法

本文提出一种基于SIFT特征的不同源遥感影像自动匹配方法。首先利用Harris算子结合SIFT特征提取影像上均匀分布的特征点,建立高维SIFT特征描述符;然后以待匹配点与参考点间的欧氏距离为相似性测度,实施两种不同源遥感影像的特征匹配;最后将SIFT特征匹配结果作为初始值,采用将搜索范围扩大到尺度空间后的改进最小二乘影像匹配方法对SIFT特征匹配获得的同名像点进行精匹配。经对同一地区SPOT-5 HRG全色影像与航空摄影影像的匹配试验,取得了较好的结果。     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

一种改进的航空遥感影像阴影自动检测方法

针对航空遥感影像阴影检测中与阴影具有相似特性的绿地、亮度较暗的非阴影区域和亮度较高的阴影区域容易出现错检、漏检的问题,结合HSV变换和区域生长原理,提出了一种改进的阴影检测方法。首先在HSV色彩空间通过图像增强构建了一种新的阴影指数,并引入了双阈值法,剔除了植被和亮度较暗的非阴影区域的影响;接着通过区域生长得到了包含较亮阴影的完整阴影区域。经过对比试验表明,该方法能够有效地提取较亮阴影,对绿地和较暗的非阴影区具有较好的区分能力,可以有效提高检测精度。     

多源遥感影像误匹配点剔除的粗糙模糊C-均值方法

简要概述了遥感影像匹配中,误匹配点剔除的常用方法.对SIFT特征描述子生成及其匹配、粗糙模糊C-均值方法聚类分析的原理方法进行了详细论述.针对SIFT方法匹配出的大量点对,将不同时相,不同传感器、不同分辨率影像广义划分为同分辨率和不同分辨率.基于同分辨率影像匹配点对问连线具有相同的距离及斜率、不同分辨率影像匹配点对间连线的延长线交于一点的几何约束条件,利用粗糙模糊C-均值模型聚类分析方法对点对快速剔除误匹配点后,对剔除的结果利用最小二乘方法进行精匹配,结果达到亚像素.最后,通过对不同时相、不同分辨率、不同传感器的多源遥感影像实验分析验证了该方法的适用性、可靠性及精确性.     

融合多特征的遥感影像变化检测方法

本文提出了一种面向对象的多特征融合的变化检测方法。首先通过影像分割获取像斑,然后统计各像斑的光谱直方图和LBP(local binary patterns)纹理直方图,利用G统计量计算不同时期像斑之间的光谱距离和纹理距离,采用自适应的方法将光谱距离和纹理距离加权构建像斑的异质性,最后结合EM(expectation maximization)算法和贝叶斯最小错误率理论获取像斑的变化类别。在QuickBird影像上的实验表明该方法能够充分融合光谱特征和纹理特征,从而提高变化检测的精度。     

不同分辨率遥感图像变化检测研究

变化检测是遥感图像应用的重要方面之一,变化检测一般采用同类传感器获得的图像.由于图像获取的条件有限,也可以用不同分辨率的传感器图像进行变化检测.本文讨论了不同分辨率遥感图像用于变化检测的方法与过程,并利用具体图像进行了变化检测.     

基于IR-MAD的高分辨率遥感影像交叉融合变化检测方法

高分辨率遥感影像数据在带来丰富地物信息的同时,也对变化检测提出了新的问题和挑战。本文从高分辨率遥感影像数据的空间结构特征和光谱分布信息入手,针对多光谱数据交叉融合的变化检测方法展开研究。采用基于GSA(Gram-Schmidt Adaptive Pansharpening Algorithm)法对全色和多光谱影像数据处理,生成四幅交叉融合影像;将迭代加权多元变化检测(Iteratively Regularized Multivariate Alteration Detection,IR-MAD)算法应用于高分辨率融合影像,提取变化信息。结果表明,本研究方法能够有效提取变化信息,并降低数据配准不一致所造成的误检测。     

基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。     

航空遥感影像阴影的自动检测与补偿

通过对阴影特性进行分析,选取能够有效检测阴影的特征组合,改进了Otsu阈值算法,可以自动获取各特征的合适阈值,实现阴影的自动检测;同时提出了改进的Wallis滤波阴影补偿策略,突出阴影区域的地物信息。实验结果表明,该检测算法阴影补偿效果明显,真实再现了被阴影遮蔽的地物细节。     

一种基于彩色模型的遥感影像阴影检测方法

依据遥感影像阴影的属性,提出一种基于彩色模型的遥感影像阴影检测方法,以提高阴影检测精度。阴影检测过程中,首先将影像转换到HSV空间, 根据阴影区域亮度值低和饱和度高的特性, 新定义M=（S-V）/(H+S+V),并结合小区域去除和数学形态学处理,提取阴影区域;其次依据散射理论对蓝光的影响,提出结合C1C2C3空间的C3分量和RGB空间的B分量进行双阈值阴影检测;为降低阈值选择的主观性,提出将上述两种方法进行与运算进行阴影提取。最后对多幅带有阴影的遥感影像进行实验,结果表明所提出的方法明显优于传统的直方图阈值法和形态学检测法,克服了阈值选择的主观性,提高了阴影检测精度。