基于点特征的多源遥感影像高精度自动配准方法

提出了一种基于点特征的多源遥感影像高精度自动配准方法。该方法采用了由粗到精的配准策略。首先利用SIFT算子和一次多项式实现影像的粗配准,粗配准后的影像和参考影像将处于同一尺度（像素采样间隔）和参考坐标系下。其次在粗配准后的影像上提取分布均匀的特征点,根据前一步得到的影像间的坐标关系,在参考影像上确定一个较小的搜索范围,使用相关系数匹配出同名点,同时用Baarda数据探测法剔除粗差。最后根据同名点构建三角网对影像进行精配准。实验结果表明:该方法能够实现多源遥感影像的高精度配准。     

基于SURF描述子的遥感影像配准

针对多源遥感影像的配准问题,提出一种基于SURF描述子的匹配算法,该算法具有稳健及高精度特性,采用SURF匹配算法得到同名点,利用一次多项式、Forstner算子和最小二乘原理由粗及精地剔除残差较大的同名点,利用提取的密集同名点构建三角网,对影像进行分块精确纠正。实验结果表明,该算法能够实现多源遥感影像的高精度配准。     

基于SIFT与互信息筛选优化的遥感影像配准

针对多源多尺度影像配准中存在误匹配率较高和配准精度较低的问题,提出了一种基于（Scale-Invariant Feature Transform SIFT）与互信息筛选优化的影像配准算法。首先,采用SIFT算法进行特征点提取,通过快速最近邻逼近搜索（Fast Approximate Nearest Neighbors Search Library,FLANN）算法完成待配准影像的粗匹配,其次,在初始匹配点周围建立4×4邻域,计算匹配点之间的互信息值,对互信息值较小的匹配点进行剔除,寻求筛选优化后的最优变换矩阵,最后输出与基准影像互信息值最大的配准后影像作为最佳配准结果。实验结果表明：该方法与SIFT算法相比可以有效地剔除误匹配点并提高了配准精度。该方法可以应用于多源多尺度遥感影像配准,能够有效地提高配准精度。     

一种遥感图象自动配准方法

遥感图象的配准是多项重要的图象处理工作(如图象融合、图象比较、图象计算等)的前提。该文提出了一种简单可靠的遥感图象自动配准方法,该方法利用待配准图象之间的灰度相关性,首先采用改进的有利算子(兴趣算子)自动地在基准图象上搜寻特征点,然后进行特征点匹配,在待配准图象上搜寻特征点的同名点,并按相关性的大小从中筛选出有效的控制点,构成不规则三角网(TIN),最后对三角网中的每一个三角形进行多项式拟合和插值变换。与传统的人工输入控制点方法相比,该文提出的方法具有更高的精确度,而且节省了人力和时间,实验证明具有一定的实用性。     

基于边缘特征的多源高分辨率影像配准

针对多源高分辨率影像之间较大的非线性辐射差异和局部几何变形造成较差配准精度的问题,提出一种基于边缘特征的多源高分辨率影像配准方法。该方法首先通过各向异性扩散滤波构造输入影像的非线性尺度空间,在此基础上计算每一尺度的扩展相位一致性最大矩以获取丰富的边缘特征,并利用基于分块策略的FAST检测器提取稳定的特征点;其次利用多尺度多方向LogGabor滤波生成主方向索引图（Main Orientated Index Map,MOIM）,并结合高斯加权构建一种稳健的特征描述子;最后采用巴氏距离和快速采样一致（Fast Sample Consensus,FSC）方法获取同名点。选择多组多源高分辨率影像进行实验,结果表明：该方法能够有效克服多源高分辨率影像间非线性辐射差异和局部几何变形,配准效果好于其他相关方法,并且平均配准精度优于1个像素。     

多尺度、多角度异源遥感影像配准方法研究

针对具有显著尺度和角度差异的异源遥感影像配准中存在的问题,引入具有角度不变性和同一尺度的空间辅助圆,克服角度和尺度偏差;选取对异源影像的光谱差异具有高鲁棒性的归一化互信息测度,基于空间辅助圆提取统计特征进行区域配准。该方法还将同名特征点的搜索范围限制在辅助圆内,在保证算法搜索效率的同时提高了配准的精度。选取具有较大尺度和角度偏差的异源遥感影像进行实验,通过与基于空间辅助面的配准方法相比较,证明基于空间辅助圆的归一化互信息配准方法对角度和光谱偏差具有较高的鲁棒性,配准模型的精度小于一个像素。     

基于SIFT点特征和Canny边缘特征匹配的多源遥感影像配准研究

针对多源遥感影像的配准,提出了一种结合SIFT点特征和Canny边缘特征匹配的配准算法。该算法首先采用SIF7算法提取点特征并进行影像粗配准,在获得初始仿射变换参数后,采用Canny算法提取边缘特征,并采用成本函数法进行边缘点匹配,经粗差滤除后得到有效的匹配特征点对,随之进行影像精配准。该算法结合了SIFT、算法和Canny算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。     

基于SIFT和NCC的多源遥感影像配准方法

针对多源遥感影像的配准,提出了一种结合SIFT算法和归一化互相关（NCC）匹配算法的配准方法。该方法采用SIFT算法提取特征点并进行匹配得到一定数量的特征点对后,利用SIFT特征点的尺度和方向信息对NCC进行改进,进一步从未能匹配的特征点中获取匹配点对,经粗差滤除后得到有效的匹配特征点对,随之进行影像配准。方法结合了SIFT算法和NCC算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。     

初-精结合和多特征融合的多源遥感图像配准

针对多源遥感图像纹理、灰度差异大、数据量大的特点,以及传统配准方法易出现误匹配和低效率问题,提出一种初-精结合的多源遥感图像自动配准方法。首先用最大极值区域检测图像的有效特征区域,再依据区域灰度均方差确定每块区域特征点数量,采用Harris提取区域特征角点。MSER-Harris方法保证了角点分布的均匀和非冗余性。其次对图像作Contourlet变换,在分解的低频子带上构造多尺度高斯组合矩对图像进行初匹配,在高频子带上构造表征图像纹理特征的多方向灰度共生矩完成精匹配,实现同名特征点的配准。对多源遥感图像进行配准实验的结果表明,该方法在特征点数量、分布均匀度及配准精度等方面具有显著的优势,可为后期研究提供参考。     

初-精结合和多特征融合的多源遥感图像配准

针对多源遥感图像纹理、灰度差异大、数据量大的特点,以及传统配准方法易出现误匹配和低效率问题,提出一种初-精结合的多源遥感图像自动配准方法。首先用最大极值区域检测图像的有效特征区域,再依据区域灰度均方差确定每块区域特征点数量,采用Harris提取区域特征角点。MSER-Harris方法保证了角点分布的均匀和非冗余性。其次对图像作Contourlet变换,在分解的低频子带上构造多尺度高斯组合矩对图像进行初匹配,在高频子带上构造表征图像纹理特征的多方向灰度共生矩完成精匹配,实现同名特征点的配准。对多源遥感图像进行配准实验的结果表明,该方法在特征点数量、分布均匀度及配准精度等方面具有显著的优势,可为后期研究提供参考。     

多时相星载SAR图像精配准技术研究

介绍了一种多时相星载SAR精配准的技术方法，首先根据人工粗配准解决图像的旋转和尺度不一致，然后采用特征点提取算子和图像匹配的方法检测两时相SAR图像上的同名特征点，根据特征点构建不规则三角网最终实现图像的精确配准。通过多对星载SAR图像进行了精配准处理，采用定性和定量检验，表明该方法能达到很高的配准效果，配准精度优于一个像素。

     

多源遥感影像多项式配准精度影响因素分析

影响遥感影像配准精度的因素众多,基于多项式配准模型在遥感影像配准中的应用,针对地形起伏、控制点分布、多项式配准模型次数、配准影像的多源异质性等影响多源遥感影像配准精度的因素,采用TM、SPOT和SAR等多源遥感影像进行了广泛的多项式配准实验分析,总结得出了上述各因素对多源遥感影像多项式配准精度的影响规律,为多源遥感影像的多项式配准实践提供一定的指导。     

小物体3维重建中影像与几何模型的配准

目的 近景摄影测量中的目标几何形状复杂,且拍摄影像的角度变化大,给影像与几何模型的配准带来了困难。传统单幅影像与几何模型配准的做法,由于缺乏自动粗配准的方法,效率相对较低。将多视影像首先统一坐标系的做法,在近景目标的复杂背景下也难以实现。方法 为此,将近景目标置于平面标定板上,利用相机标定的方法同时解算出影像的内外方位元素,实现多视影像坐标系的统一。然后人工选取3组以上同名点,做多视影像与几何模型的绝对定向,得到初始配准参数。最后使用多视影像与几何模型漫反射渲染图之间的归一化互信息作为相似性测度,用Powell非线性优化方法得到配准参数的精确值。结果 实验结果表明,使用标定板可以稳定地获取多视影像的内外方位元素,用绝对定向得到的配准参数进行影像和几何模型的交替显示仍然可以看到明显的裂缝,在经过互信息优化后裂缝现象得到明显改善。结论 多视影像与几何模型配准相比传统单幅影像与几何模型配准,人工选取同名点的工作量大大减少,由于人工选点存在误差,影响绝对定向的精度,使用归一化互信息作为测度进行非线性优化,可以获得更高的精度。     

一种改进的无人机航空影像配准方法

针对目前无人机航空影像非同源、畸变大、处理量多的问题,提出一种改进的无人机航空影像配准方法;首先利用传统SIFT方法得到特征点,其次利用C均值聚类方法可实现准确的非监督分类的特点,对传统SIFT方法得到的特征点进行筛选,从而得出同名点;最后根据得到的同名点完成待匹配图像的投影变换完成配准;通过实验仿真证明该方法精度有较大提高,且可自适应处理不同图像,是一种有效的无人机航空影像匹配改良方法.     

基于自适应尺度的遥感影像渐进配准

图像配准是遥感图像处理中的基本问题.本文针对多源多时相遥感影像的特点,提出了一种基于自适应尺度的渐进配准方法,在从粗到细的迭代配准过程中,可以通过上一次配准结果的几何定位误差来确定本次匹配的尺度,并按该尺度提取特征角点和特征邻域进行匹配,与常规金字塔渐进配准方法相比,减少了匹配次数,提高了配准效率.另外,特征提取和匹配过程中提出一种基于Harris-Laplace算法和相位相关算法的遥感影像配准算法,利用Harris-Laplace角点代替原始图像,能够综合区域和特征的优点,对亚像元偏移、旋转、尺度变化具有不变性,同时对对比度和灰度的变化不敏感,具有很强的抗噪性.在特征检测和匹配的过程中采用限定搜索区域、抽稀角点等多种优化策略来提高算法的性能.实验证明,算法具有很好的精度,对几何攻击具有很好的鲁棒性,该算法已经应用于CBERS-02B星3级数据的批量自动化生产,具有很好的应用效果.     

一种改进的基于深度学习的遥感影像拼接方法

针对遥感影像拼接的两个主要过程：图像配准和点变换,分别进行了深入研究。对遥感影像拼接中的特征点匹配问题,提出了一种利用分层卷积特征进行图像配准的方法。该方法利用卷积神经网络（Convolutional Neural Networks,CNN）自适应地提取特征点的分层卷积特征,通过相关滤波器（Correlation Filter,CF）对不同深度的卷积特征逐层进行相关性分析,进而综合计算特征点的位置。然后对传统的点变换方法进行简化,提出十字点集变换方法。根据配准的特征点计算变换参数,实现遥感影像的拼接。实验结果表明,该方法与传统的基于SIFT（Scale Invariant Feature Transform）的拼接方法相比,精度较高且具有较好的鲁棒性。     

利用稠密结构特征的航空影像与LiDAR数据配准北大核心CSCD

针对航空影像与激光雷达点云数据间存在显著的几何畸变和辐射差异导致难以精确配准的问题,提出了一种基于几何约束和稠密结构特征的自动配准方法。该方法包括粗配准和精配准两个阶段。粗配准通过基于分块FAST算子的特征点提取和局部几何校正两个步骤,消除影像间明显的尺度和旋转差异。在精配准阶段,首先构建了一个结合一阶和二阶梯度信息的新描述符(second-and first-order channel features of orientated gradients,S-CFOG)来提取影像间稠密的结构特征,然后在频率域采用三维相位相关作为相似性度量进行同名点匹配。最后,利用同名点对外方位元素进行精化,实现对这两类数据的精配准。通过两组不同覆盖场景的数据进行实验,结果表明,该方法可达到1~2个像素的配准精度。     

基于边缘特征点互信息熵的医学图像配准方法

基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。     

结合SURF描述符和广义近邻图的图像配准算法

针对传统互信息配准方法计算量较大且未利用图像空间信息的缺点,提出了一种结合SURF描述符和广义近邻图的图像配准算法。该算法用SURF从图像中提取尺度空间特征点并获得特征点描述子,然后用广义近邻图来估计Rényi熵与互信息。该算法结合了SURF描述子的鲁棒性和广义近邻图估计Rényi熵的高效性。实验结果表明,对于真实遥感图像,该算法在配准准确度、鲁棒性和速度上都明显优于几种传统配准方法。     

高分辨率SAR影像同名点自动匹配技术

由于SAR工作原理跟光学遥感成像技术截然不同，而经典同名点匹配方法已不能完全满足SAR自动配准需要。为了快速有效地进行SAR影像配准，基于SAR影像自动配准技术的发展，提出了一种新颖的高分辨率SAR影像同名点自动匹配算法，该算法首先创建金字塔影像，同时在金字塔影像上回溯搜索，以确定初始变换函数类型及相应的变换参数；然后通过分层回溯逐层加密控制点来解求最佳变换函数类型及相应变换参数；最后在原始影像分辨率下修正同名点坐标，以获取最终匹配同名点对。这种分层回溯策略不仅很好地解决了同名点搜索计算复杂度问题，使获取的同名点对分布更趋均匀、精度更高，而且能确保每层变换函数达到全局最小二乘最优。另外，以高分辨率SAR影像为实验数据进行的实验结果表明，该同名点搜索算法不仅计算时间可由221s缩短至34s，而且可达到0．284636 pixels的配准精度。