一种星载遥感图像匹配方法
【专利摘要】本发明公开了一种星载遥感图像匹配方法，该方法包括以下步骤：获取当前星载遥感图像与历史星载遥感图像的重叠区域，作为输入图像和参考图像；提取输入图像和参考图像的显著目标区域；在显著目标区域中提取显著特征；为输入图像显著目标区域中每个尺度不变角点特征在参考图像上寻找一匹配点，得到候选匹配点对集合；剔除其中的误匹配点对；去除其中的外点并根据匹配点对计算得到星载遥感图像变换参数。本发明基于目标显著区域内的特征进行匹配，过滤了大量冗余信息，提高了匹配性能，大大减少了计算量；利用渐进最小中位方差法去除外点，提高了对复杂图像匹配的鲁棒性。本发明可广泛应用于星载遥感图像配准、目标监测等诸多应用系统中。
【专利说明】一种星载遥感图像匹配方法
【技术领域】
[0001]本发明涉及图像处理和图像配准等【技术领域】，特别是一种星载遥感图像的匹配方法。
【背景技术】
[0002]图像配准是将同一地点、不同时间或不同传感器拍摄的两幅图像(一幅为参考图像，另一幅为输入图像)进行几何匹配的过程。图像配准是图像融合、变化检测等应用的前提和基础，图像配准的精度对后续的应用具有重要的影响。
[0003]目前的图像匹配算法大都是针对普通计算机和地面处理系统设计的。然而，由于卫星计算资源及网络带宽的限制，很多紧急任务无法在卫星上实时完成；等数据下传到地面后，由于多源遥感数据的海量性，现有地面处理系统很难及时的将有用、紧急数据推送给相关部门或系统，从而导致大量数据长期积存在数据库里。这种现状不仅远远不能满足实际应用尤其是紧急任务的需求，还大大浪费了存储资源和网络资源。针对星载系统在线应用的特殊需求，设计星载图像在线匹配算法是解决上述问题的关键，但目前还没有有效的相关算法。
[0004]星载图像在线匹配与传统的图像匹配原理基本相同，区别主要在于计算资源的有效性、计算效率的高效性和算法的自动性，即星载图像在线匹配需要在比普通计算机更少的计算资源上以更高的效率、以无需人工干预的自动处理方式完成各种复杂图像的可靠匹配。
[0005]与传统的图像匹配相比，星载图像在线匹配有一些可以利用的先验信息，如图像的分辨率差异等。另外，有一些约束也可以用以减少星载图像在线匹配的复杂度和计算量。
【发明内容】
[0006]本发明的目的是针对星载图像在线匹配的特殊性，提供一种有效的星载遥感图像匹配方法。
[0007]为了实现上述目的，本发明提出一种星载遥感图像匹配方法，该方法包括如下步骤:
[0008]步骤SI，根据位置信息获取当前星载遥感图像与历史星载遥感图像的重叠区域，从当前星载遥感图像和历史星载遥感图像中取出的重叠区域图像分别作为输入图像和参考图像；
[0009]步骤S2，分别提取所述输入图像和参考图像的显著目标区域；
[0010]步骤S3，在所述输入图像和参考图像的显著目标区域中分别提取显著特征；
[0011]步骤S4，根据最近邻匹配原则为所述输入图像显著目标区域中的每一个尺度不变角点特征在所述参考图像上寻找一个匹配点，得到候选匹配点对集合；
[0012]步骤S5，剔除所述候选匹配点对集合中的误匹配点对；
[0013]步骤S6:去除所述候选匹配点对集合中的外点并根据匹配点对计算得到星载遥感图像变换参数。
[0014]本发明所述方法对于星载图像处理系统具有重要的意义，其主要优点如下:
[0015]本发明只在目标显著区域内进行特征提取、匹配，过滤了大量冗余信息，提高了匹配性能，大大减少了计算量，适合星载遥感图像在线匹配；
[0016]利用散列表结构进行特征匹配，加快了匹配速度，减少了内存要求；
[0017]在利用匹配点对于显著区域的一致对应关系剔除误匹配的基础上，利用渐进最小中位方差法去除外点，提高了对复杂图像匹配的鲁棒性、稳定性和自动性。
[0018]得益于上述优点，本发明极大地提高了现有星载遥感图像匹配的精度，可广泛应用于星载遥感图像目标识别、目标监测等系统中。
【专利附图】
【附图说明】
[0019]图1是本发明星载遥感图像匹配方法的流程图。
[0020]图2是根据本发明一实施例的尺度不变角点特征选择的示意图。
[0021]图3是根据本发明一实施例的角点特征亚像素定位的示意图。
[0022]图4是根据本发明一实施例的确定角点特征主方向的示例图。
[0023]图5是根据本发明一实施例构造角点特征描述向量的示意图。
【具体实施方式】
[0024]为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0025]图1是本发明星载遥感图像匹配方法的流程图，如图1所示，所述方法包括以下步骤:
[0026]步骤SI，根据位置信息获取当前星载遥感图像与历史星载遥感图像的重叠区域，从当前星载遥感图像和历史星载遥感图像中取出的重叠区域图像分别作为输入图像和参考图像；
[0027]为减少计算量并提高图像匹配的正确率，首先根据当前星载遥感图像和历史星载遥感图像的位置信息，比如经纬度信息获取两幅图像的大致重叠区域，具体过程如下:取出当前星载遥感图像和历史星载遥感图像的左上角和右下角的经纬度的交集即公共经纬度，然后根据公共经纬度推导出当前星载遥感图像和历史星载遥感图像的重叠区域的像素坐标。从当前星载遥感图像和历史星载遥感图像中取出的重叠区域图像分别作为输入图像和参考图像，后续的显著目标区域及特征提取、特征匹配都基于输入图像和参考图像进行。
[0028]步骤S2，分别提取所述输入图像和参考图像的显著目标区域；
[0029]该步骤中，以图像灰度的离散余弦变换的符号函数为目标显著性度量标准来提取显著目标区域。具体地，所述步骤S2进一步包括以下步骤:
[0030]步骤S21，对于所述输入图像或参考图像I，计算其显著特征图像/ = I]K'T{sign(I)(!'(/)))，其中，DCT(.)和IDCT(.)分别表示离散余弦变换和离散余弦逆变换操作；
[0031]步骤S22，基于所述显著特征图像计算得到显著特征映射图像？ =y*(7 7),其中，O为Hadamard点乘运算符，g表示高斯核函数，*表示卷积运算；
[0032]步骤S23，基于所述显著特征映射图像，分别提取得到所述输入图像和参考图像的显著目标区域。
[0033]该步骤中，首先对于所述显著特征映射图像^进行直方图统计，在本发明一实施例中，直方图的灰度级数取为3。将直方图中频数较多对应的像素部分认为是背景，频数较少对应的像素组成的区域认为是显著目标区域。
[0034]步骤S3，在所述输入图像和参考图像的显著目标区域中分别提取显著特征；
[0035]在本发明一实施例中，所述显著特征包括多尺度角点特征及对应的描述向量，所述步骤S3进一步包括以下步骤:
[0036]步骤S31，构建所述输入图像和参考图像的高斯金字塔；
[0037]所述输入图像或参考图像I的高斯金字塔中第k层高斯图像表示为L(x，y，k σ )
=G(x, y, k O )*1 (X，y),其中
【权利要求】
1.一种星载遥感图像匹配方法，其特征在于，该方法包括以下步骤: 步骤Si，根据位置信息获取当前星载遥感图像与历史星载遥感图像的重叠区域，从当前星载遥感图像和历史星载遥感图像中取出的重叠区域图像分别作为输入图像和参考图像； 步骤S2，分别提取所述输入图像和参考图像的显著目标区域； 步骤S3，在所述输入图像和参考图像的显著目标区域中分别提取显著特征； 步骤S4，根据最近邻匹配原则为所述输入图像显著目标区域中的每一个尺度不变角点特征在所述参考图像上 寻找一个匹配点，得到候选匹配点对集合； 步骤S5，剔除所述候选匹配点对集合中的误匹配点对； 步骤S6:去除所述候选匹配点对集合中的外点并根据匹配点对计算得到星载遥感图像变换参数。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括以下步骤: 步骤S21，对于所述输入图像或参考图像I，计算其显著特征图像I=IDCT(sign(DCT(I))),其中，DCT(.)和IDCT(.)分别表示离散余弦变换和离散余弦逆变换操作； 步骤S22，基于所述显著特征图像计算得到显著特征映射图像丨=yK7.7),其中，。为Hadamard点乘运算符，g表示高斯核函数，*表示卷积运算； 步骤S23，基于所述显著特征映射图像，分别提取得到所述输入图像和参考图像的显著目标区域。
3.根据权利要求2所述的方法，其特征在于，所述步骤S23中，通过对于所述显著特征映射图像I进行直方图统计得到所述输入图像和参考图像的显著目标区域。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤: 步骤S31，构建所述输入图像和参考图像的高斯金字塔； 步骤S32，在所述高斯金字塔的每层上提取所述显著目标区域内的角点特征，得到角点特征集合； 步骤S33，从所述角点特征集合中选择尺度不变角点特征； 步骤S34，计算所述尺度不变角点特征的亚像素级别的空间位置； 步骤S35，确定所述尺度不变角点特征的主方向，其中，所述主方向是指与以所述尺度不变角点特征为中心的邻域内的梯度方向直方图的峰值对应的梯度方向； 步骤S36，为所述尺度不变角点特征构造描述向量，其中，所述描述向量是用于刻画该尺度不变角点特征周围图像块统计特征的、由梯度方向直方图构成的向量。
5.根据权利要求4所述的方法，其特征在于，所述步骤S33中，利用多尺度的特征强度极值点来从所述角点特征集合中选择尺度不变角点特征。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4中，令Ia和Ib分别表示所述输入图像和参考图像显著目标区域的尺度不变角点特征集合，集合中元素的个数分别为Na和Nb，对应的描述向量集合为A和B，以集合B作为参考集合，对集合A中的每一个特征向量，通过查询其在参考集合B中的最近邻点和次近邻点来得到参考集合B中相应的匹配点。
7.根据权利要求6所述的方法，其特征在于，所述步骤S4进一步包括以下步骤: 步骤S41，计算参考集合B在每一维上的数据分布； 步骤S42，建立索引结构和散列桶，以通过索引结构将集合A和集合B中相似的特征向量快速投影到同一个散列桶中； 步骤S43，对集合A中的每个尺度不变角点特征，根据索引结构进行投影得到散列桶的编号，从集合B中挑选具有相同散列桶编号的尺度不变角点特征子集并在其中查找集合A中尺度不变角点特征的最近邻特征点和次近邻特征点； 步骤S44，在集合B中为集合A中的每一个尺度不变角点特征q搜寻得到候选匹配点对。
8.根据权利要求7所述的方法，其特征在于，所述步骤S42进一步包括以下步骤: 步骤S421，确定索引结构的关键维和关键值； 步骤S422，计算集合B中各特征向量点的散列值； 步骤S423，将集合B中的数据点投影到散列桶中去。
9.根据权利要求1所述的方法，其特征在于，利用匹配点对与目标显著区域的一致对应关系来进行误匹配点 对的剔除。
10.根据权利要求1所述的方法，其特征在于，利用渐进最小中位方差法去除所述候选匹配点对集合中的外点。
【文档编号】G06T7/00GK104077782SQ201410331398
【公开日】2014年10月1日 申请日期:2014年7月11日 优先权日:2014年7月11日
【发明者】霍春雷, 潘春洪, 周志鑫 申请人:中国科学院自动化研究所