一种基于AKAZA的卫星遥感像对的特征匹配方法
阅读：649发布：2020-05-08
专利汇可以提供一种基于AKAZA的卫星遥感像对的特征匹配方法专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种基于AKAZA的卫星遥感像对的特征匹配方法，属于图形图像转换领域。本发明首先选取目标遥感 立体像对 ，对其进行预处理；然后利用AKAZA 算法 对立体像对的左右影像进行特征点提取；然后对左右影像进行粗匹配；再利用GMS算法进行精匹配，得到生成DEM模型的连接点。将普通特征提取和匹配的方法应用到传统遥感图像连接点选取当中，避免了手动选取连接点的过程，克服了传统方法的弊端，在保证 精度 的情况下节约时间成本，解决了生成DEM过程中需要的连接点问题。，下面是一种基于AKAZA的卫星遥感像对的特征匹配方法专利的具体信息内容。
1.一种基于AKAZA的卫星遥感像对的特征匹配方法，其特征在于包括如下步骤：
步骤1：选取目标遥感立体像对，对其进行预处理；
步骤2：利用AKAZA算法对上述立体像对的左右影像进行特征点提取；
步骤3：对左右影像进行粗匹配；
步骤4、利用GMS算法对步骤3的结果进行精匹配，得到同名点，将同名点作为生成DEM模型的连接点。
2.根据权利要求1所述的一种基于AKAZA的卫星遥感像对的特征匹配方法，其特征在于所述步骤2的分步骤如下：
2.1）在左右图像中选定关键点，以选取的关键点为圆心，半径为12，其中为非线性尺度参数，将此圆兴趣与作为关键点的邻域，再对其进行参数为2.5的高斯加权，然后将其均匀等分成5个圆环区域，其中圆环宽度为4，且圆环之间有宽度的重叠环；取关键点两个方向一阶导数的加权；
如果产生响应，再取区域内的扇形所有结果求取矢量和，其中模最大的向量方向就定义为主方向；
2.2）计算步骤2.1中圆环区域中的8维描述向量d：
其中，为立体像对左右图像在x方向的一阶微分，为在y方向的一阶微分，为在x方向的二阶微分，为在y方向的二阶微分，而，，，为对应的微分绝对值；
将所述8维描述向量d化成单位向量，组合形成40维的描述符；
2.3）定义街道距离为：
定义棋盘距离为：
定义欧氏距离为:
其中定义如下：
其中n为给定向量的维度，当左右图像中相对应的关键点之间的L2在规定范围内时，将此对关键点选为特征点。
3.根据权利要求1所述的一种基于AKAZA的卫星遥感像对的特征匹配方法，其特征在于所述步骤3粗匹配的具体方法为：用m-SURF描述符代替步骤2中得到的特征点，产生单位向量，再利用单位向量间的欧式距离遍历左右图像，如果两个特征之间的欧式距离值小于给定阈值，则判定这对特征点是同名像点。
4.根据权利要求1所述的一种基于AKAZA的卫星遥感像对的特征匹配方法，其特征在于所述步骤1中的预处理为：先将遥感像对用参数为的高斯函数进行滤波，然后把遥感像对的尺度空间以2为底取对数，使影像变成o组s层金字塔状结构，接着，利用AOS技术构建非线性尺度空间，最后利用Hessian二阶行列式对非线性尺度空间进行归一化处理。
一种基于AKAZA的卫星遥感像对的特征匹配方法
技术领域：
[0001] 本发明属于图形图像转换领域，具体为一种基于AKAZA的卫星遥感像对的特征匹配方法。技术背景：
[0002] 随着遥感和航天技术的高速发展，高分辨卫星影像成为获取地球表面信息的重要工具。随着卫星数量和分辨率的提高，利用高分辨卫星影像获取数字高程模型(Digital Elevation Model，DEM)或者对地面目标进行三维重建成为可能。在利用遥感技术对高分辨率卫星广义立体像对生成DEM的过程中，连接点的选取决定了最终结果DEM的精度。
[0003] 传统遥感技术中的连接点选取一般是手动选取，不仅误差较大，而且浪费时间，因此需要进行改进。发明内容：
[0004] 为解决上述技术问题，本发明提供了一种基于AKAZA的卫星遥感像对的特征匹配方法，将普通特征提取和匹配的方法应用到传统遥感图像连接点选取当中，避免了手动选取连接点的过程，克服了传统方法的弊端，在保证精度的情况下节约时间成本，解决了生成DEM过程中需要的连接点问题。
[0005] 本发明技术方案为：一种基于AKAZA的卫星遥感像对的特征匹配方法，包括如下步骤：
[0006] 步骤1：选取目标遥感立体像对，对其进行预处理；
[0008] 步骤3：对左右影像进行粗匹配；
[0009] 步骤4、利用GMS算法对步骤3的结果进行精匹配，得到同名点，将同名点作为生成DEM模型的连接点。
[0010] 所述步骤2的分步骤如下：
[0011] 2.1)在左右图像中选定关键点，以选取的关键点为圆心，半径为12σi，其中σi为非线性尺度参数，将此圆兴趣与作为关键点的邻域，再对其进行参数为2.5σi的高斯加权，然后将其均匀等分成5个圆环区域，其中圆环宽度为4σi，且圆环之间有σi宽度的重叠环；取关键点两个方向一阶导数的加权。如果产生响应，再取π/3区域内的扇形所有结果求取矢量和，其中模最大的向量方向就定义为主方向；
[0012] 2.2)计算步骤2.1中圆环区域中的8维描述向量d：
[0013] d＝(∑Lx，∑Ly，∑|Lx|，∑|Ly|，∑Lxx，∑Lyy，∑|Lxx|，∑|Lyy|)[0014] 其中，Lx为立体像对左右图像在x方向的一阶微分，Ly为在y方向的一阶微分，Lxx为在x方向的二阶微分，Lyy为在y方向的二阶微分，而|Lx|，|Ly|，|Lxx|，|Lyy|为对应的微分绝对值；
[0015] 将所述8维描述向量d化成单位向量，组合形成40维的描述符；
[0016] 2.3)定义街道距离L1为：
[0017]
[0018] 定义棋盘距离L∞为：
[0019]
[0020] 定义欧氏距离为：
[0021] L2＝αL1+βL∞
[0022] 其中α，β定义如下：
[0023]
[0024] 其中n为给定向量的维度，当左右图像中相对应的关键点之间的L2在规定范围内时，将此对关键点选为特征点。
[0025] 所述步骤3粗匹配的具体方法为：用m-SURF描述符代替步骤2中得到的特征点，产生单位向量，再利用单位向量间的欧式距离遍历左右图像，如果两个特征之间的欧式距离值小于给定阈值，则判定这对特征点是同名像点。
[0026] 所述步骤1中的预处理为：先将遥感像对用参数为σ0的高斯函数进行滤波，然后把遥感像对的尺度空间以2为底取对数，使影像变成o组s层金字塔状结构，接着，利用AOS技术构建非线性尺度空间，最后利用Hessian二阶行列式对非线性尺度空间进行归一化处理。
[0027] 本发明使用AKAZA算法，即改进KAZA算法，进行特征提取，GMS算法进行特征点精匹配，得到同名点，将同名点作为后续生成DEM过程中需要的连接点，以此用来得到卫星像对的DEM。
[0028] 本发明取得的有益效果为：
[0029] 1、使用AKAZA算法进行特征提取，对KAZA算法进行了改进，使得提取时间缩短，节约了时间成本；
[0030] 2、本发明采用了粗匹配和精匹配两种匹配方法，使得匹配更加精确，结果精度更高；
[0032] 图1为本发明的流程图；
[0033] 图2为AKAZA算法的流程图；
[0034] 图3为高分一号左右影像图；
[0035] 图4为高分二号左右影像图；
[0036] 图5为Pleiades左右影像图；
[0037] 图6为QuickBird和WorldView-2左右影像图；
[0038] 图7为WorldView-3左右影像图；
[0039] 图8为AKAZA算法提取高分一号像对特征点图；
[0040] 图9为AKAZA算法提取高分二号像对特征点图；
[0041] 图10为AKAZA算法提取Pleiades像对特征点图；
[0042] 图11为AKAZA算法提取QuickBird和WorldView-2像对特征点图；
[0043] 图12为AKAZA算法提取WorldView-3立体像对特征点图；
[0044] 图13为高分一号像对粗匹配结果图；
[0045] 图14为高分二号像对粗匹配结果图；
[0046] 图15为Pleiades像对粗匹配结果图；
[0047] 图16为QuickBird和WorldView-2像对粗匹配结果图；
[0048] 图17为WorldView-3立体像对粗匹配结果图；
[0049] 图18为高分一号像对使用GMS算法精匹配结果图；
[0050] 图19为高分二号像对使用GMS算法精匹配结果图；
[0051] 图20为Pleiades像对使用GMS算法精匹配结果图；
[0052] 图21为QuickBird和WorldView-2像对使用GMS算法精匹配结果图；
[0053] 图22为WorldView-3立体像对使用GMS算法精匹配结果图。
[0054] 具体实施步骤
[0055] 如图1所示，一种基于AKAZA的卫星遥感像对的特征匹配方法，包括如下步骤：
[0056] 步骤1：选取目标遥感立体像对，对其进行预处理；
[0057] 步骤2：利用AKAZA算法对上述立体像对的左右影像进行特征点提取；
[0058] 步骤3：对左右影像进行粗匹配；
[0059] 步骤4：利用GMS算法对步骤3的结果进行精匹配，得到同名点，将同名点作为生成DEM模型的连接点。
[0060] 步骤1中，两幅遥感立体像对的选取需要满足以下条件：(1)两幅影像有相同的覆盖区域；(2)两幅影像的获取时间基本一致，影像覆盖区域基本没有变化；(3)影像分辨率较好；(4)影像云量和积雪较少。
[0061] 对立体像对进行的预处理为：用参数为σ0的高斯函数进行滤波，这一步的目的是消除噪声以及阴影。
[0062] 然后，计算新得到的图像的梯度直方图，把遥感像对的尺度空间以2为底取对数，使影像变成o组s层金字塔状结构，但它不改变图像的分辨率，不需要降采样，只需要使用图像本身的分辨率即可。
[0063] 接着，设置参数k，给出ti，利用AOS技术构建非线性尺度空间。
[0064] 最后，利用Hessian二阶行列式对非线性尺度空间进行归一化处理。做这一步的原因是因为图像导数的模会随尺度变化而变化。
[0065] 步骤2是本发明的核心内容，这一步采用了AKAZA算法，AKAZA算法为改进KAZA算法。先介绍下KAZA算法和AKAZA算法的区别与联系。
[0066] KAZE算法具有旋转不变性，所以需要检测到兴趣点特定步长邻域内的主方向。该算法中，设非线性尺度参数为σi，选取一个半径为6σi的扇形区域，检测步长为σi，沿着一个方向对整个区域进行采样，取关键点两个方向一阶导数的加权。如果产生响应，这就是我们要的结果，然后取π/3区域内的扇形所有结果求取矢量和，其中模最大的向量方向就定义为主方向。然后，建立描述符。KAZE采用的描述符是m-SURF，这个描述符切合非线性扩散滤波。如果当前非线性参数为σi，就在24σi×24σi正方形区域内计算两个方向的一阶导数。再将大正方形分成4×4个小区域，其面积为9σi×9σi，每个小区域之间有2σi的重叠。对各个小区域的中心进行高斯加权使用它们的一阶导数响应，权值为σ1＝2.5σi，再去求和，这就是我们需要的描述符dv＝(∑Lx，∑Ly，∑|Lx|，∑|Ly|)。接着，使用参数σ2＝1.5σi对各个小区域加权，高斯滤波窗口大小为4×4。最后，将维度为64的描述符化成单位向量。
[0067] KAZE算法引入非线性尺度空间，其最大的特点就是提取的特征点稳定，但是这样做会导致算法运行时间过长。特征点的描述符向量是m-SURF，为了让KAZE算法具有旋转不变这一特性，特征点所在的邻域建立一个扇形，然后采样整个圆，再计算整个邻域里的一阶导数响应，得到64维的描述符向量。这样做会导致重复采样圆形邻域，显然这是运行速度慢的首要原因。另外描述符向量的维数过大，匹配时搜索所有向量，然后比较它们的欧式距离，这也会导致过多不必要的计算。
[0068] 所以，本发明对KAZA算法做出如下改进：1、增加关键点邻域的二阶导数，丰富描述符信息；2、选取关键点周围圆形区域而不是矩形区域，将64维描述符减少到40维；3、使用欧式距离以外的距离进行特征点相似度判断。
[0069] 使用AKAZA算法提取特征点，在保证特征提取准确性的同时提高了效率。
[0070] 步骤2具体分为以下分步骤：
[0071] 2.1)在左右图像中选定关键点，以选取的关键点为圆心，半径为12σi，其中σi为非线性尺度参数，新建立的这个圆当成关键点的邻域，再对其进行参数为2.5σi的高斯加权，这样做的目的是让离特征点近的像素点在描述符中占有更重要的位置，然后将其均匀等分成5个圆环区域，其中圆环宽度为4σi，且圆环之间有σi宽度的重叠环。取关键点两个方向一阶导数的加权。如果产生响应，再取π/3区域内的扇形所有结果求取矢量和，其中模最大的向量方向就定义为主方向。
[0072] 2.1)计算步骤2.1中这些圆环小区域中的8维描述向量d：
[0073] d＝(∑Lx，∑Ly，∑|Lx|，∑|Ly|，∑Lxx，∑Lyy，∑|Lxx|，∑|Lyy|)[0074] 其中，Lx为立体像对左右图像在x方向的一阶微分，Ly为在y方向的一阶微分，Lxx为在x方向的二阶微分，Lyy为在y方向的二阶微分，而|Lx|，|Ly|，|Lxx|，|Lyy|为对应的微分绝对值；
[0075] 经过上述步骤，就能产生5个8维子向量，将这些向量化成单位向量，组合到一起就能得到一个40维的描述符。本文使用圆也是因为圆具有旋转不变的特点，而且对应的关键点改进前后的邻域信息没有发生改变，主方向可以让所有的邻域处在同一个方向，两种方法本质上没有区别。当然，改进中用到了图像的二阶梯度，因为二阶导数能反映更多的图像信息。在实验中可以看出，使用二阶导数会增加算法的运行时间，但是这个时间是线性低阶项，对整体的时间影响并不大。
[0076] 2.3)在特征点进行匹配时，大部分算法采用两个向量的欧式距离(单位为pixel)作为两个描述符是否匹配的度量。在n维空间中，欧氏距离L2定义如下：
[0077]
[0078] 本算法中还定义街道距离L1为：
[0079]
[0080] 定义棋盘距离L∞为：
[0081]
[0082] 假设两个向量同维，则L1，L∞计算要比L2简单，同时这三个距离之间的数学关系满足L∞＜L2＜L1，所有可以用L1，L∞的加权来表示L2，它的数学解释是，在给定维度空间中使用多面体去近似逼近某个球体。利用L1，L∞两种距离的线性组合αL1+βL∞来近似L2，而α，β的最优解保证了单系数法作为相似性度量和欧氏距离具有相同的匹配正确率。近似定义欧氏距离为：
[0083] L2＝αL1+βL∞
[0084] 其中α，β定义如下：
[0085]
[0086] 其中n为给定向量的维度，本文改进算法的特征点维度为40，建议n取为0.035。
[0087] 当左右图像中相对应的关键点之间的L2在规定范围内时，将此对关键点选为特征点。
[0088] 如图2所示利用AKAZA算法进行特征提取的过程。
[0089] 所述步骤3粗匹配的具体方法为：用m-SURF描述符代替步骤2中得到的特征点，产生单位向量，再利用单位向量间的欧式距离遍历左右图像，如果两个特征之间的欧式距离值小于给定阈值，则判定这对特征点是同名像点。
[0090] 所述步骤4利用GMS算法对步骤3的结果进行精匹配，得到同名点，将同名点作为生成DEM模型的连接点。
[0091] GMS的思想是，将运动时的平滑约束定义为拒绝错误匹配的原始统计量，利用相应匹配点所在的邻域内原始统计量的大小来去除错误匹配，为了达到实时匹配的目的，GMS算法开发了一种高效的，基于特征网格的分离数估计方法。假设运动时，特征是平滑的，特征会和邻域一起移动，我们可以大胆的确定：通过运动时候的平滑度，我们能在正确匹配周围的一个足够小的邻域内，观察到两幅图像相同的位置。同样，错误匹配周围的邻域能够以几何方式查看到不同的三维位置。
[0092] 这里，邻域被定义为一对区域{a，b}。上述假设意味着两个图像中共享许多类似的特征。这就导致了图像邻域里有许多匹配的竞争。相比之下，错误匹配领域可以查看不同的3D区域，并且具有的相似功能要少得多，这就减少了匹配支持，将这种现象封装到一个称为GMS的统计框架中，从而可靠地区分正确匹配和错误匹配。
[0093] 下面通过具体的实施例来介绍本发明的算法。
[0094] 步骤一、按照广义立体像对的要求选取遥感图像，图3-7为所选取的高分一号、高分二号、P1eiades、QuickBird和WorldView-2、WorldView-3立体像对。对这五幅图片进行滤波降噪预处理；
[0095] 步骤二、利用AKAZA算法对上述滤波降噪后的五幅图片的左右影像进行特征点提取。图8-12所示为五幅像对提取的特征点。
[0096] 将改进JAZA算法与原来的KAZA算法进行效率比较。
[0097] 设KAZE算法关键点邻域正方形边长为k1σi(pixel)，那么该区域的面积为k12σi2，对于AKAZA算法，选取的是圆，不妨设圆的半径为k2σi，那么圆的面积为 而对关键点邻域内对每个像素点所做的运算时间假设设为t，因为计算二阶导数会比一阶导数多一部分运算时间，但由于图像的二阶导数计算只涉及加减运算，可以认为一阶导数和二阶导数运算时间差为常数t1，t1用来分析改进前后的时间差，那么改进前后的时间差为：其中c为大于0的常数，而t也为常数，那么ΔT的大小只
和尺度参数σi有关，当σi较小时，改进的算法和原算法运行时间相比没有明显的提升，但是当σi较大时，AKAZA算法运行速度明显优于原算法。这些会在后续的实验结果中体现。
和尺度参数σi有关，当σi较小时，改进的算法和原算法运行时间相比没有明显的提升，但是当σi较大时，AKAZA算法运行速度明显优于原算法。这些会在后续的实验结果中体现。
[0098] 为了体现本算法的优越性，将本发明使用的影像用SIFT、SURF、KAZE和改进KAZE算法进行特征点检测，并进行分析对比。另外利用trees、wall、bark和leuven数据集，比较算法在光照、模糊噪声、视角、缩放、旋转等条件下的优劣性，其中，trees检测高斯模糊对算法的影响，wall检测视角大小对算法的影响，bark检测旋转缩放对算法的影响，leuven检测光照对算法的影响。
[0099] 使用AKAZA算法进行特征提取，高分一号像对提取的特征点数分别为5553、6738，高分二号像对提取的特征点数分别为643、823；Pleiades像对提取的特征点数分别为1625、4973，QuickBird和WorldView-2像对提取的特征点数分别为4071、6766；WorldView-3立体像对提取的特征点数分别为7409、6289。图8-13为各影像特征点提取结果。
[0100] 对高分一号、高分二号、Pleiades、QuickBird和WorldView-2和WorldView-3卫星影像使用了SIFT，SURF和KAZE和AKAZA算法进行特征点提取，算法提取到的特征点和运行的时间如表1所示。
[0101] 表1算法结果
[0102] (a)SIFT特征点检测
[0103]
[0104]
[0105] (b)SURF特征点检测
[0106]
[0107] (c)KAZE特征点检测
[0108]
[0109]
[0110] (d)AKAZA特征点检测
[0111]
[0112] 从表1(a)和(b)可以看出，对于高分一号像对，SIFT算法提取两幅影像的特征点分别为13536和16354，时间分别为23.28ms和24.81ms。右影像比左影像多了3000左右个点，SURF提取两幅影像的点数分别为9634和9995，时间分别为7.677ms和7.682ms。SIFT虽然比SURF提取到的特征点多了几千，但是这些特征点已经足够匹配使用了，而在速度上SURF比SIFT快了3倍左右。另外，KAZE算法提取到的特征点分别为5242和6586，时间为43.56ms和43.98。AKAZA算法提取到的特征点分别为5553和6738，时间分别为40.91ms和41.25ms。明显看出两种算法对高分一号影像提取特征点数量和运行时间大致一样，说明AKAZA算法对高分一号影像的提取时间效率改进的不明显。
[0113] 对于高分二号像对，SIFT和SURF算法对A影像提取的特征点都在1600左右，而对B影像提取的特征点分别为2534，1951，差了600左右，但是在时间上，SIFT算法对两幅高分影像都在3-4ms，SURF算法是1.8-1.9ms，可以看出同样的图像，SURF大约比SIFT的运行时间快了一倍。另外，KAZE算法提取到的特征点分别为723和1112，时间分别为4.974ms和4.007ms，AKAZA算法提取到的特征点分别为643和823，时间分别为2.490ms和2.546ms，AKAZA算法提取到的特征点要稍微少于KAZE算法，但是在时间效率上AKAZA算法要比KAZE算法快1倍左右，AKAZA算法适用于高分二号影像。
[0114] 对于Pleiades像对，SIFT算法对左影像(Pleiades-1)提取的特征点比SURF算法少了4000左右，但是时间上SURF还是快了接近一倍。从图像上看，右影像((Pleiades-2)比左影像(Pleiades-1)要亮很多，SURF算法对图像亮度敏感，SIFT算法对左影像提取的特征点比SURF算法多了8000左右，但是时间上SURF还是快了接近一倍。另外，KAZE算法提取到的特征点分别为1544和4446，时间分别为31.32ms和33.14ms，AKAZA算法提取的特征点分别为1625和4973，时间分别为20.10ms和22.83ms，可以看出AKAZA算法要比KAZE算法提取的特征点略多，但是时间上对于两幅影像AKAZA算法要比KAZE算法快1/3左右，时间提升幅度低于高分二号影像。
[0115] 对于QuickBird和WorldView-2像对，SIFT和SURF对同一影像提取的特征点数差距不大，时间效率上SURF算法比SIFT算法快两倍。另外，AKAZA算法提取到的特征点分别为3945和6735，时间分别为43.53ms和45.07ms，AKAZA算法提取到的特征点分别为4671和
6766，时间分别为35.57ms和36.82ms，两种算法提取到是特征点数比较接近，在时间效率上，AKAZA算法比KAZE算法快1/4左右，提升幅度低于高分二号影像。
6766，时间分别为35.57ms和36.82ms，两种算法提取到是特征点数比较接近，在时间效率上，AKAZA算法比KAZE算法快1/4左右，提升幅度低于高分二号影像。
[0116] WorldView-3由于是立体像对，结果比较完美，在提取的特征点数接近的情况下，SURF优于SIFT，效率上SURF优于SIFT两倍。另外，KAZE算法提取到的特征点分别为7064和5969，时间分别为47.36ms和46.21ms，AKAZA算法提取到的特征点分别为7409和6289，时间分别为45.27ms和44.18ms，两种算法提取到的特征点数接近，而花费的时间也接近，AKAZA算法只比KAZE算法快了2ms，说明AKAZA算法对WorldView-3影像没有明显的提升。
[0117] 综上所述，SIFT在尺度和旋转性方面优于SURF，而SURF在亮度变化和模糊度方面优于SIFT，而且由于SURF使用了积分图像等快速算法，速度上要比SIFT快很多，其中本发明中高分一号影像SURF算法比SIFT快3倍左右，而其他的影像对都在2倍左右，这些结论与本发明实验数据相符。从理论上来说AKAZA算法运行时间比KAZE算法要快，这是因为本发明对KAZE主方向、特征描述符(将KAZE算法64维向量改为40维向量)进行了改进。KAZE算法和AKAZA算法都使用了非线性扩散滤波建立非线性尺度空间，其中的运算量大于SIFT和SURF算法的线性尺度空间，但是提取到的特征点更加稳定，也就是说，在很多情况下对一幅影像使用KAZE算法和改进算法提取特征点，它的数量浮动范围要比SIFT和SURF算法低，另外KAZE算法和AKAZA算法提取的特征点数量已经足够后续的匹配工作了。
[0118] 对于本发明中的影像数据，AKAZA算法在时间效率上，高分二号影像Pleiades影像QuickBird和WorldView-2影像WorldView-3和高分一号影像，这是由于改进算法效率受非线性扩散滤波中的σ参数影响，本发明中效果较好的是高分二号影像和Pleiades影像。
[0119] 步骤3、对左右影像用m-SURF描述符去代替特征向量，产生一个单位向量。做完这一步后，利用欧式距离遍历两幅待匹配图像，如果它们的值小于给定阈值时，判定这对点是同名像点，这就完成了两幅遥感影像的粗匹配工作。图13-17为5对遥感影像像对粗匹配结果。
[0120] 步骤4、利用GMS算法对步骤3的结果进行精匹配，得到同名点，将同名点作为生成DEM模型的连接点。
[0121] GMS可以通过运动的平滑约束代替原始统计量，这样的方式可以去除粗匹配时错误匹配到的点对，这样得到的结果不仅与使用的特征提取算法有关，更关注了匹配本身还有图像本身。要想获取比原来数量多的关键点，可以适当放松阈值的大小，比如减少AKAZA的t以及滤波参数。
[0122] 但是为了在统一的条件下进行不同遥感影像的对比，本算法中的所有阈值取值相同。做完匹配这一步后，就能得到我们想要的同名像点。图18-22为5对遥感影像像对精匹配结果。匹配结果图中，粗匹配结果图中的匹配连接线杂乱无章代表匹配结果不好，精匹配结果图中的匹配连接线基本平行代表匹配结果较好。
[0123] 本发明使用AKAZA算法提取到两幅图像的特征点，然后利用GMS算法匹配不同高分辨卫星影像，得到了卫星广义立体像对的同名点，可以作为DEM生成过程中需要的连接点。本发明将图像特征提取和匹配的过程应用到卫星广义立体像对生成DEM的过程中，避免了手动选取DEM的繁琐过程，节约时间成本，也保证了精度。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 机器人系统、机器人的校准治具、机器人的校准方法 | 2020-05-08 | 795 |
| 一种耕地现场边云协同的三维重建方法 | 2020-05-08 | 452 |
| 一种3D测量人类表型的数据库系统 | 2020-05-08 | 114 |
| 体积测算方法、装置及用户终端 | 2020-05-11 | 238 |
| 基于双目视觉的高低分辨率融合立体匹配方法 | 2020-05-08 | 1021 |
| 一种基于AKAZA的卫星遥感像对的特征匹配方法 | 2020-05-08 | 649 |
| 三维跟踪的手势观测似然建模方法及装置 | 2020-05-08 | 38 |
| 机器人 | 2020-05-08 | 159 |
| 一种红外和可见光的融合方法 | 2020-05-08 | 409 |
| 一种校园立体防控系统 | 2020-05-08 | 219 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
立体像对热门专利
QQ群二维码
意见反馈
意见反馈