一种适合于航空摄影飞行质量自动检查的影像匹配方法
【专利摘要】本发明公开了一种适合于航空摄影飞行质量自动检查的影像匹配方法，包括步骤：一、图像预处理：对待匹配的两幅数字影像分别进行去噪和滤波处理，待匹配的两幅数字影像为采用航空摄影测量方法获取的两幅被测量区域的数字影像；两幅所述数字影像均为二维图像；二、SIFT特征提取：采用所述数据处理器对两幅所述数字影像分别进行SIFT特征提取，获得两幅所述数字影像的所有特征点及各特征点的SIFT特征描述子；三、构建kd树双向搜索确定匹配点；四、粗差剔除：采用RANSAC算法进行粗差剔除。本发明方法步骤简单、设计合理、实现方便且鲁棒性好、使用效果好，能有效解决现有匹配方法容易造成匹配失败或误匹配的问题。
【专利说明】一种适合于航空摄影飞行质量自动检查的影像匹配方法
【技术领域】
[0001]本发明属于航空摄影测量处理【技术领域】，尤其是涉及一种适合于航空摄影飞行质量自动检查的影像匹配方法。
【背景技术】
[0002]影像匹配是指通过一定的影像匹配算法在两幅或多幅影像之间识别同名点。影像匹配可以用于不用的领域中，如摄影测量处理、数字图像处理、医学图像处理、遥感影像数据处理等方面，不同的应用领域对影像匹配有不同的要求。对航空摄影飞行质量自动检查的影像匹配来说，要求匹配点的正确度高，而精度达到2个像素以内即可。在实际应用中匹配算法往往受到影像噪声、影像旋转和影像变形的影响，尤其是在航空摄影中，由于地形起伏、中心投影的摄影方式及飞行环境的影响，使航空摄影像旋转及变形较大，因此需要通过影像匹配的方法进行航空摄影飞行质量自动检查，但是现有的匹配方法在自动处理过程中容易造成匹配失败或误匹配的问题。
[0003]因而，现如今缺少一种方法步骤简单、设计合理、实现方便且鲁棒性好、使用效果好的适合于航空摄影飞行质量自动检查的影像匹配方法，其能对航空摄影的飞行质量进行检查，并且正确度高，能有效解决现有的匹配方法在自动处理过程中容易造成匹配失败或误匹配的问题。
【发明内容】
[0004]本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种适合于航空摄影飞行质量自动检查的影像匹配方法，其方法步骤简单、设计合理、实现方便且鲁棒性好、使用效果好，能解决现有匹配方法容易造成匹配失败或误匹配的问题。
[0005]为解决上述技术问题，本发明采用的技术方案是:一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于该方法包括以下步骤:
[0006]步骤一、图像预处理:采用数据处理器对待匹配的两幅数字影像分别进行去噪和滤波处理，待匹配的两幅数字影像为采用航空摄影测量方法获取的两幅被测量区域的数字影像；两幅所述数字影像均为二维图像；两幅所述数字影像分别为第一影像和第二影像；
[0007]步骤二、SIFT特征提取:采用所述数据处理器对两幅所述数字影像分别进行SIFT特征提取，获得两幅所述数字影像的所有特征点及各特征点的SIFT特征描述子；
[0008]步骤三、构建kd树双向搜索确定匹配点:采用所述数据处理器构建kd树并进行双向搜索，过程如下:
[0009]步骤301、第一次匹配，包括以下步骤:
[0010]步骤3011、构建kd树:将所述第二影像作为待匹配的基准图像，并将所述第二影像的所有特征点的SIFT特征描述子构建kd树；
[0011]步骤3012、特征匹配:利用步骤3011中所构建的kd树，且采用最邻近算法对步骤二中提取的所述第一影像的所有特征点的SIFT特征描述子进行特征匹配，找出所述第二影像中与所述第一影像匹配的所有特征点，所述第二影像中与所述第一影像匹配的特征点为匹配点；
[0012]步骤302、第二次匹配，包括以下步骤:
[0013]步骤3021、构建kd树:将所述第一影像作为待匹配的基准图像，并将所述第一影像的所有特征点的SIFT特征描述子构建kd树；
[0014]步骤3022、特征匹配:利用步骤3011中所构建的kd树，且采用最邻近算法对步骤3012中匹配得出的所有匹配点进行特征匹配，找出所述第一影像中与所述第二影像匹配的所有特征点，所述第一影像中与所述第二影像匹配的特征点为可靠匹配点；
[0015]步骤四、粗差剔除:通过所述数据处理器且采用RANSAC算法，对步骤3022中匹配得出的所有可靠匹配点进行粗差剔除。
[0016]上述一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征是:步骤一中对所述数字图像进行去噪和滤波处理时，先对所述数字影像进行高斯平滑滤波，再对高斯平滑滤波后的影像进行Wallis滤波处理。
[0017]上述一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征是:步骤二中对所述数字影像进行SIFT特征提取时，过程如下:
[0018]步骤201、高斯核卷积处理:根据公式L (χ, y, σ m) =G (x, y, σ m) X I (χ, y)，对待提取数字影像进行M次高斯核卷积处理，获得待提取数字影像的多尺度空间，所述多尺度空间包
含待提取数字影像的M个高斯金字塔空间L(x，y，σω)=
【权利要求】
1.一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于该方法包括以下步骤: 步骤一、图像预处理:采用数据处理器对待匹配的两幅数字影像分别进行去噪和滤波处理，待匹配的两幅数字影像为采用航空摄影测量方法获取的两幅被测量区域的数字影像；两幅所述数字影像均为二维图像；两幅所述数字影像分别为第一影像和第二影像； 步骤二、SIFT特征提取:采用所述数据处理器对两幅所述数字影像分别进行SIFT特征提取，获得两幅所述数字影像的所有特征点及各特征点的SIFT特征描述子； 步骤三、构建kd树双向搜索确定匹配点:采用所述数据处理器构建kd树并进行双向搜索，过程如下: 步骤301、第一次匹配，包括以下步骤: 步骤3011、构建kd树:将所述第二影像作为待匹配的基准图像，并将所述第二影像的所有特征点的SIFT特征描述子构建kd树； 步骤3012、特征匹配:利用步骤3011中所构建的kd树，且采用最邻近算法对步骤二中提取的所述第一影像的所有特征点的SIFT特征描述子进行特征匹配，找出所述第二影像中与所述第一影像匹配的所有特征点，所述第二影像中与所述第一影像匹配的特征点为匹配点； 步骤302、第二次匹配，包括以下步骤: 步骤3021、构建kd树:将所述第一影像作为待匹配的基准图像，并将所述第一影像的所有特征点的SIFT特征描述子构建kd树； 步骤3022、特征匹配:利用步骤3011中所构建的kd树，且采用最邻近算法对步骤3012中匹配得出的所有匹配点进行特征匹配，找出所述第一影像中与所述第二影像匹配的所有特征点，所述第一影像中与所述第二影像匹配的特征点为可靠匹配点； 步骤四、粗差剔除:通过所述数据处理器且采用RANSAC算法，对步骤3022中匹配得出的所有可靠匹配点进行粗差剔除。
2.按照权利要求1所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤一中对所述数字图像进行去噪和滤波处理时，先对所述数字影像进行高斯平滑滤波，再对高斯平滑滤波后的影像进行Wallis滤波处理。
3.按照权利要求1或2所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤二中对所述数字影像进行SIFT特征提取时，过程如下: 步骤201、高斯核卷积处理:根据公式L (X，y, σ m) =G (x, y, σ m) X I (χ, y)，对待提取数字影像进行M次高斯核卷积处理，获得待提取数字影像的多尺度空间，所述多尺度空间包含待提取数字影像的M个高斯金字塔空间L(x，y，σω);其中=，
2πσ?(χ, y)为二维图像的像素点位置坐标，I (X，y)为所述待提取数字影像，OmS高斯正态分布的方差；m为高斯核卷积处理次数，m为正整数且m=l、2.....M;M为正整数且M> 3 ； 步骤202、高斯差处理及极值点检测:首先，按照高斯差分函数:
D (χ, y, σ H) = [G (χ, y, k σ ^1) -G (x, y, σ ^1) ] X I (x, y) =L (x, y, σ J -L (χ, y, σ ^1)，对相邻两个高斯金字塔空间L(x，y，σω)进行高斯差处理，得到M-1个高斯残差金字塔空间，并检测得出各高斯残差金字塔空间的极值点；其中i为正整数且i=2、3.....M ;其中，
4.按照权利要求1或2所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤一中两幅所述数字影像的分辨率相同。
5.按照权利要求1或2所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤3012中采用最邻近算法对步骤二中提取的所述第一影像的所有特征点的SIFT特征描述子进行特征匹配时，将所述第一影像的各特征点分别在步骤3011中所构建的kd树进行近似最近邻搜索，找出所述第二影像中与所述第一影像匹配的所有特征占.步骤3022中采用最邻近算法对步骤3012中匹配得出的所有匹配点进行特征匹配时，将步骤3012中匹配得出的所有匹配点分别在步骤3021中所构建的kd树进行近似最近邻搜索，找出所述第一影像中与所述第二影像匹配的所有特征点。
6.按照权利要求1或2所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤204中进行特征点主方向确定之前，还需采用拟合三维二次曲线的方法对步骤203中筛选出的各特征点的位置进行确定。
7.按照权利要求2所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤一中对所述数字影像进行高斯平滑滤波处理时，选取NXN窗口进行滤波，其中N为奇数且N > 3。
8.按照权利要求3所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤205中对步骤203中筛选出的任一个特征点的SIFT特征描述子进行生成时，先以该特征点为中心取16X 16像素大小的窗口，再将此窗口划分为16个4X4像素大小的图像小块，并计算每个图像小块上8个梯度方向上的累计梯度幅值，且沿8个梯度方向绘制梯度方向直方图，最终生成4X4X8共128维的SIFT特征向量；所述SIFT特征向量由梯度模m(x, y)和梯度方向θ (χ, y)组成；每个图像小块作为一个种子点,所述SIFT特征描述子由16个种子点组成。
9.按照权利要求3所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤204中对任一个特征点的主方向进行确定时，以待确定特征点的梯度模m(x，y)为纵坐标且 以其梯度方向θ (x, y)为横坐标绘制梯度方向直方图，所绘制梯度方向直方图中最高梯度模对应的梯度方向为该特征点的主方向；其中，梯度模
10.按照权利要求3所述的一种适合于航空摄影飞行质量自动检查的影像匹配方法，其特征在于:步骤204中利用局部影像特征对各特征点的主方向进行确定时，特征点的主方向是指该特征 点周围8个像素点中最高梯度模对应的梯度方向。
【文档编号】G06T7/00GK103886611SQ201410139272
【公开日】2014年6月25日 申请日期:2014年4月8日 优先权日:2014年4月8日
【发明者】彭桂辉, 梁菲, 赵铁梅, 左涛, 刘敏, 郭永春, 姚春雨, 王慧芳, 宋袁龙 申请人:西安煤航信息产业有限公司