共查询到20条相似文献，搜索用时 62 毫秒
1.
2.
基于单一特征的匹配办法在多源遥感影像匹配中往往不适用的问题,提出了一种结合拓扑信息和SIFT特征的自动多源遥感影像匹配方法。该方法首先在两幅影像中使用SIFT算法在尺度空间上提取特征向量,其次对这些特征点使用最近邻提取1：N的多个可能的匹配点对,然后结合位置信息和拓扑信息对这些可能的匹配点对进行剔除,并使用RANSAC方法剔除粗差,最终得到同名匹配点。试验结果表明,相比于计算机视觉领域常用的SIFT算法,本文方法可有效地提高匹配正确率,并获得更多正确的同名点。 相似文献
3.
影像匹配是无人机遥感影像拼接和三维建模的基础和关键步骤。结合不同算法的优势，本文提出一种基于特征组合与RANSAC算法的无人机遥感影像匹配方法。该匹配方法首先采用AKAZE算法检测影像的特征点，然后利用SIFT描述符描述特征向量并获取特征点的主方向，最后基于单映射变换矩阵的RANSAC算法进行精准匹配。本文对基于特征组合与RANSAC算法的匹配效果进行了试验对比分析，试验结果表明：与常用匹配方法的匹配效果相比，本文的匹配方法继承了AKAZE算法的快速匹配能力，匹配总耗时介于AKAZE算法和SIFT算法之间，约为BRISK算法匹配耗时的20%；同时，该匹配方法继承了SIFT算法的多匹配点对性能，从整体匹配效果来看，本文的匹配方法优于AKAZE、SIFT、BRISK算法。 相似文献
4.
5.
随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。 相似文献
6.
7.
基于NSCT和SURF的遥感图像匹配 总被引：2，自引：0，他引：2
SURF(Speed Up Robust Features)算法是对尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法的一种改进,应用到遥感图像匹配领域中可以大大提高匹配速度,但是匹配精度略有下降。为此,本文提出一种基于无下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和SURF的遥感图像匹配算法。首先使用NSCT分别分解参考图像和待匹配图像,得到各自对应的低频分量;然后把这两幅低频分量图像作为SURF算法的输入图像进行预匹配,降低高频噪声对匹配结果的影响;最后利用预匹配结果求解变换模型的参数,并采用随机抽样一致RANSAC(Random Sample Consensus)算法剔除误匹配点对,解决了SURF算法存在的错误匹配问题。实验结果表明,与SIFT算法、SURF算法相比,本文算法具有更高的匹配精度和更快的匹配速度,且抗旋转、噪声、亮度变化能力更强。 相似文献
8.
提出一种基于SIFT特征的抗差图像匹配算法。算法分为两个阶段:①初始匹配,综合利用SIFT特征匹配方法和基于SIFT特征尺度和方位信息的自适应归一化互相关(normalized cross correlation,NCC)方法建立初始相关,并基于几何关系一致性检测剔除误匹配;②匹配传播,在初始相关的基础上,利用自适应NCC和局部单应约束进行匹配传播,迭代产生更多的匹配点并采用几何关系一致性检测剔除可能的误匹配。初始单应采用最小二乘匹配方法估计得到,并采用自适应NCC为其提供良好的初始值。与现有的基于SIFT特征的图像配准方法相比,算法在抗几何变形和配准精度等方面具有优越性。 相似文献
9.
在海洋应用中,大面积水体的同名点匹配相比陆地更加困难,制约了无人机遥感图像的配准精度和收敛速度。本文提出了一种改进算法适用于海洋无人机遥感应用,采用主成分分析（PCA）和水体阈值方法去除水体,获得图像中非水体区域的分块图像,然后利用仿射-尺度不变特征变换算法（ASIFT）进行图像的特征点提取和重叠图像非水体区域的同名点匹配。通过海岛、海岸线的无人机遥感试验结果表明,基于改进算法,在不增加时间开销的情况下,可以增加30%~50%的同名点数量,精度提高约5%~10%。文中方法适应用于海洋无人机遥感的序列图像配准,为海岛、海岸线的遥感监测提供了有效的技术支持。 相似文献
10.
研究基于点特征的匹配算法,结合现有影像匹配算子的优缺点,提出一种适用于低空遥感影像特征点的自动提取与匹配方法。首先在简化的高斯尺度空间中检测Harris角点,使该特征点具有尺度不变性;然后采用Forstner算子对关键点精确定位,精度达到子像素级;最后通过简化特征点描述符实现算法简化。在特征点匹配阶段,采用BBF-KD初匹配和二次精匹配提高匹配精度。以低空遥感影像为实验数据测评SIFT算法和文中方法在提取速度、匹配正确率、稳定性等方面的性能。实验结果表明,相对于传统的SIFT算法,处理影像清晰的低空遥感数据时本方法有更高精度和更快速度。 相似文献
11.
为解决多光谱遥感图像间非线性灰度差异造成的配准困难问题,提出了一种基于局部自相似的自动配准方法。该方法首先引入局部自相似(local self-similarity, LSS)特征,并在对数极坐标系下建立反映图像内在几何布局和形状属性的特征描述子。之后结合LSS和归一化相关系数构建一种形状相似性测度,并通过模板匹配的策略实现图像的配准。试验结果表明,该方法能够较好地抵抗图像间的非线性灰度差异,并获得了可靠的配准精度,而且相比于传统方法,在顾及计算效率的同时获得了更高的匹配正确率。 相似文献
12.
异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。 相似文献
13.
由于成像条件变化造成的遥感图像之间的几何形变和灰度差异给影像匹配带来了困难,深入研究了SIFT特征描述符的生成方法,针对SIFT特征维数过高的问题进行改进,利用特征点邻域的圆形区域构造新的描述符,增强了描述符自身的抗旋转性,并降低了特征描述符的维数。实验表明,改进的特征描述符是可行有效的,在遥感影像目标匹配中取得满意的实验结果。 相似文献
14.
15.
基于SIFT特征的多源遥感影像自动匹配方法 总被引：2，自引：1，他引：1
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。 相似文献
16.
17.
遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。 相似文献
18.
无人机遥感影像存在像幅小、数量多、基线短、重叠度不规则且倾角过大等问题,传统的灰度匹配很难胜任无人机遥感影像的匹配。SIFT特征具有旋转、微小仿射的不变性。本文分析SIFT特征的优点,指出其存在的问题,结合灰度匹配、最小二乘匹配及影像金字塔策略,提出了一套适合无人机遥感影像的匹配算法流程。 相似文献
19.
针对BRISK特征检测算法在遥感影像中匹配时同名点对冗余度高和全局性差等特点,考虑BRISK特征检测算法能获取大量无人机遥感影像特征点,Delaunay三角网算法能够利用影像的BRISK特征点的粗匹配点对构建三角网,本文综合两种算法的优点,提出了一种结合BRISK特征检测算法和Delaunay三角网算法的剔除无人机遥感影像误匹配点对方法。该方法利用两张影像的BRISK粗匹配特征点构建Delaunay三角网,利用遍历两张影像三角网中的三角形相似度剔除错误匹配点对,并利用摄影不变量原理进一步剔除误匹配点对,提高了两张影像的精度;对比分析了Delaunay三角网的射影不变量算法,RANSAC算法分别剔除原始影像组、加入椒盐噪声影像组及旋转影像组的BRISK特征误匹配点对的效果。试验结果表明,3组影像分别利用结合BRISK特征和Delaunay三角网的射影不变量算法的无人机遥感影像匹配方法获得的正确特征匹配点对冗余度低、全局性优。 相似文献