中低分辨率遥感影像控制点对自动提取方法

遥感影像配准是遥感影像融合与校正的基础,而控制点提取是遥感影像配准的关键。针对中低分辨率遥感影像配准时产生的控制点少且分布不均匀、正确匹配率低等问题进行研究,提出了一种自动提取其控制点对的方法。该方法采用区域匹配策略,首先将参考影像与待配准影像的公共区域进行网格划分,对2幅影像中相同地理范围的小区域进行一致编号,接着建立影像的多尺度空间,对每一个尺度影像区域块采用Harris进行角点检测,用SIFT特征描述符描述Harris角点的特征向量,最后利用区域匹配策略进行特征点的匹配。实验表明,该方法能提取出均匀分布且精度高的控制点对,有利于提高中低分辨率遥感影像配准的精度。     

基于尺度空间约束的融合特征点匹配方法

本文提出一种多尺度特征匹配的空间约束机制,Combinative Feature based on Constraint in scale space(CFCS SIFT),该约束机制以SIFT特征点的尺度为基础,对多尺度空间中检测到的DOG特征点与Harris角点提供匹配空间约束,以提高正确匹配点对的数量.基于该约束机制,构造了一种融合DOG特征提取、Harris角点提取原理的SIFT描述符提取与匹配方法,该方法在多尺度空间中提取DOG特征点、Harris角点,并根据特征点的空间、坐标参数获取SIF T描述符.在将DOG特征点和Harris角点相融合并生成SIFT描述符的基础上,设定尺度阈值,根据尺度阈值对检测范围进行空间约束,在约束范围内查找特征点,采用BBF(Best Bin First)算法,并用欧氏距离作为度量函数进行特征点的匹配,最后用RANSAC对匹配点对进行筛选纠错.通过大量实验证明,该算法能够找到更多匹配点对,正确匹配点对相对于不具有空间约束的融合特征点匹配方法增加了15%左右.     

基于改进SIFT算法的目标识别

针对目标识别过程中识别精度不高、实时性不好的问题,提出基于尺度不变特征转换(SIFT)算法的改进算法,该算法通过研究传统的SIFT算法特征匹配正确率不高、匹配耗时过长的问题,结合Harris算子角点检测特性提出改进,在高斯差分尺度空间内直接检测角点,使得提取的特征点数目减少,计算量降低,特征点提取的显著性提高;同时使用RANSANC方法进行特征匹配约束,减少误匹配,进一步提升目标识别的正确率。为了验证提出算法的有效性,通过MATLAB对算法在尺度变化和噪声等复杂情况下的匹配效果进行实验验证,结果表明,改进的SIFT算法匹配用时大大降低、误匹配较少,匹配正确率提高,具有较强的鲁棒性,可以准确识别目标,具有良好的目标识别能力。     

基于海量遥感影像数据的影像快速校正试验研究

地面控制点的选取是遥感影像处理过程中的一项基础工作,当待校正影像数据量较大时手动选点的效率较低。为提高地面控制点提取的效率,以台湾省台中市为研究区,对云端瓦片影像数据进行挖掘,测试SIFT(scale invariant feature transform)算法并用它来开展自动提取地面控制点的试验。首先,分别提取目标影像和参考影像的特征点;然后,通过特征点匹配和错误匹配剔除,计算特征匹配点相对于参考影像特征点的地理坐标;最后,生成目标图像与参考图像特征点的地面控制点文件。实验结果表明：SIFT算法能够自动提取地面控制点,且精度达99%以上,实现了用较低分辨率校正较高分辨率的影像,表明采用SIFT算法挖掘云端遥感影像特征,可以智能、快速地提取待校正遥感影像的地面控制点,对遥感影像智能化处理具有重要意义。     

改进SIFT的图像匹配算法

针对SIFT(Scale-Invarivant Feature Transform)算法存在的不足,提出Harris算法与SIFT算法相结合的方法。选用Harris算法检测出的角点邻域范围内的SIFT特征点作为特征点,利用高斯圆形窗口对特征点建立64维描述向量。实验证明,该算法在保证匹配精度的同时,有效提高了匹配速度。     

基于SIFT的新特征提取匹配算法

针对传统的图像匹配算法特征点不稳定和匹配时间慢的问题,提出了一种改进的尺度不变特征变换(SIFT)图像匹配算法。首先对传统的Harris角点构造高斯多尺度空间,使角点具备多尺度不变性;然后采用Canny边缘提取算法修饰Harris角点以增加稳定特征点数量;最后构造SIFT特征描述符,计算多幅图像中对应特征点描述子的欧式距离,完成特征点对的匹配。实验结果表明:相比于传统的SIFT算法和SURF算法,研究所提出的方法能够有效地提高特征点匹配精度,减少图像匹配时间。     

SIFT辅助角点匹配的快速图像匹配算法

采用Harris角点检测算法进行图像特征检测.使用快速SIFT图像匹配方法进行图像匹配并计算基础矩阵,去除误匹配点后用SIFT图像匹配的结果对Harris角点进行定位,并用ZNCC算法对角点进行增量匹配.该算法有效地弥补了SIFT图像匹配算法的特征点只分布于非边缘区域的问题,相比单纯SIFT算法可获得更多的匹配点,并且算法时间增加较少.     

一种SIFT虹膜匹配算法

尺度不变特征变换(scale invariant feature transform,SIFT)算法是目前图像研究领域的热点,它具有良好的尺度、旋转、光照、噪声等不变特性.在特征提取方法上,利用SIFT算法提取虹膜纹理的特征向量,由于提取出来的虹膜特征向量是128维,占用内存空间大,因此提出用Harris角点对初始特征点进行筛选,选择高对比度的点作为最终的虹膜特征向量;在匹配方法上,使用街区距离进行虹膜图像特征匹配,进一步提高虹膜图像匹配的速度.实验结果表明,改进的算法在保持鲁棒性的同时,提高了SIFT特征匹配效率,能够为一些快速应用提供保障.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换(SIFT)算法的精度和稳定性都不够,而加速鲁棒特性(SURF)算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFT算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于高分影像和ASIFT算法的滑坡位移场监测方法

针对利用高分遥感影像和SIFT算法进行大变形滑坡位移场监测时存在的不足,引入了一种具备完全仿射不变性的图像特征匹配算法(ASIFT),对不同时相高分遥感影像进行特征点提取与匹配,并在抚顺西露天矿特大型滑坡的位移场监测中进行了应用.结果表明,与SIFT算法相比,ASIFT算法弥补了特征提取算法在仿射不变性上的不足,增加了特征匹配点,提高了滑坡空间位移矢量场标定精度,且自动化程度高、成本低,非常适合于特大型滑坡的大变形位移场监测.     

SIFT、ORB及KAZE算法的分析和比较

特征点提取和匹配是影像处理与分析的基础,目前主要是利用各种算法对影像进行特征点提取与描述。介绍了SIFT、ORB及KAZE算法的原理及步骤,并利用这3种算法对影像进行特征点提取及匹配实验,从运行时间和匹配率上定量地分析这3种算法的优异性。实验结果表明:在影像特征点提取实验,ORB算法提取特征点的速度最快,所用的时间最少,SIFT、KAZE算法其次;在影像特征点匹配实验,KAZE算法的匹配率最高,达39.00%,SIFT、ORB其次。     

基于Harris角点与SIFT的快速图像匹配算法

针对基于局部特征的图像匹配算法,当图像发生较大的旋转变化时此算法会发生匹配率下降的问题,并且随着时间、场景、遮挡、光线的变化,图像的特征会发生模糊变化,这将严重影响匹配率,因此提出了一种基于Harris角点与SIFT的快速图像匹配算法,该算法用Harris检测图像的角点,在角点邻域内筛选SIFT特征点,并且利用高斯圆形窗口对筛选过的特征点建立低维描述子.该算法不仅具备了Harris算法的高稳定性而且兼顾了SIFT算法对于旋转变化较大的图像也有着高匹配率的特性.仿真结果表明,与SIFT算法相比,本文提出的算法不仅匹配速度快,而且在图像发生模糊变化、旋转变化的情况下可得到高匹配率.     

基于无人机航拍图像拼接算法的优化

目的为了提高无人机航拍图像拼接的精度,深入研究了航拍图像拼接中提取特征点的算法,并对原算法加以优化.方法在图像特征点提取的SIFT算法中,设计了一种将Harris角点检测算子融入SIFT特征点提取的优化算法,优化后可以突显获取到的特征点的独特性.结果利用优化算法获取图像特征角点,可以降低实验过程中所消耗的检测时间,有效地改善了SIFT算法中匹配数据量大及过程繁琐的弱点,同时优化算法简化了图像特征点匹配的计算过程,降低了计算量,提高了实验效率.结论优化算法可以去除大量的类匹配点,使图像特征点的独特性更加明显;也提高了图像的配准精度,增强了关键点的稳定性,在关键点的匹配速度和准确率上有积极的影响.     

基于改进SIFT算法的无人机影像匹配

针对SIFT算法特征描述符计算复杂、时间效率较低的问题,提出了一种改进的SIFT算法,并将其应用于无人机倾斜影像匹配.算法首先利用SIFT算法进行特征点检测,基于BRISK描述符对提取的特征点进行描述生成其特征描述符,并基于Hamming距离作为特征匹配的相似性测度,在此基础上,利用比值提纯法(NNDR)进行粗匹配,最后采用RANSAC算法并结合均方根误差(RMSE)进行约束,对粗匹配结果进行筛选,剔除错误匹配点对,得到精确匹配结果.为了验证该算法的有效性,利用4组无人机影像数据进行实验并与SIFT算法和SURF算法进行比较,结果表明:算法在保证较高准确率的同时能够得到亚像素级的精度,且能够有效地提升时间效率,具有较好的稳定性.     

应用于无人机视频影像密集匹配的特征描述方法

为了降低无人机视频影像密集匹配的消耗时间, 提高处理效率, 提出快速的特征描述和特征匹配方法。该方法首先利用Harris算子检测角点, 然后通过特征描述符simplified-DASIY(S-DASIY)对检测角点进行特征描述, 生成该点的25维特征描述符。根据相应的匹配准则对影像对特征点进行匹配, 得到影像对的匹配点。实验表明, 该方法能够显著减少特征点的生成和匹配时间。     

基于薄板样条的遥感影像非刚性配准方法

提出一种基于薄板样条的遥感影像非刚性配准方法。首先,根据SIFT算法分别在参考影像与待配准影像中提取特征点;然后,对特征点进行匹配,并利用RANSAC一致性分级检验方法,由粗至精分级排除错误匹配点;最后,利用同名匹配点构建薄板样条配准模型,并完成图像配准结果。实验结果表明,文中方法能有效解决遥感影像在时相变化、几何变形等条件下的配准,具有较高的实用性。     

基于Harris与改进SIFT算法的图像匹配算法

提出一种新的Harris与改进SIFT算法相结合的算法.首先用Harris算子提取图像的角点作为特征点,然后采用基于同心圆形窗口的64维向量有效地表征一个特征点.实验结果说明,算法在保持很好匹配率的同时能降低计算复杂度.     

基于分块Harris特征的航拍视频拼接方法

针对现有航拍视频拼接算法处理速度慢、准确性不高等问题, 提出一种基于分块Harris特征的航拍视频拼接方法, 改进了传统基于SIFT特征提取算法的不足, 缩短了匹配时间, 提高了匹配准确性。首先采用分块Harris角点提取的方法均匀提取图像中的角点, 然后采用金字塔光流算法进行角点匹配, 最后通过改进的RANSAC方法求出仿射变换参数。实验表明, 该方法能够实时对航拍视频进行拼接, 具有更高的准确性。     

基于分块Harris特征的航拍视频拼接方法

针对现有航拍视频拼接算法处理速度慢、准确性不高等问题,提出一种基于分块Harris特征的航拍视频拼接方法,改进了传统基于SIFT特征提取算法的不足,缩短了匹配时间,提高了匹配准确性。首先采用分块Harris角点提取的方法均匀提取图像中的角点,然后采用金字塔光流算法进行角点匹配,最后通过改进的RANSAC方法求出仿射变换参数。实验表明,该方法能够实时对航拍视频进行拼接,具有更高的准确性。     

基于改进SIFT算法的无人机遥感影像快速拼接

近几十年来,无人机遥感在地球观测领域发展十分迅速,然而,无人机影像快速拼接是阻碍其应用的难题.针对无人机遥感影像的特点与SIFT(scale invariant feature transform)拼接算法的缺点,该文提出了一种基于随机抽样一致性算法RANSAC(random sample consensus)和最小二乘匹配改进的SIFT影像拼接算法.首先采用随机采样法RANSAC进行粗略匹配数据的提纯,剔除伪特征点对,以减少特征点数量,降低时耗;然后再以最小二乘匹配进行更加精确的匹配,最终实现了无人机影像的自动拼接.实验结果表明：基于RANSAC和最小二乘匹配改进的SIFT拼接算法的平均正确匹配率为92.8%,拼接精度由1个像元提高到0.1个像元,同时拼接运算效率也得到了较大的提升.经改进的SIFT拼接算法在海量特征数据库中可以进行快速、准确的匹配、甚至可以达到实时的要求,具有更强的鲁棒性,可以满足低空遥感影像的相对定向高度自动化的需要,应用前景广阔.