一种用于大规模影像高精度自适应特征点匹配方法组成比例

本发明专利技术公开了一种用于大规模影像高精度自适应特征点匹配方法，包括步骤：接收一组原始影像资料，对原始影像进行预处理；对经过预处理的影像进行自适应的特征点检测；根据特征点检测结果对影像进行特征点匹配。预处理过程包括，获取原始影像及其对应的RPC文件，对原始影像中的主影像分块，通过RPC文件获取不同影像中的重叠区域。在对原始影像中的主影像分块后，保留分块后不同块的角点像方坐标，通过角点的像方坐标与影像的RPC信息，获取不同影像间的重叠区域。间的重叠区域。间的重叠区域。

【技术实现步骤摘要】
一种用于大规模影像高精度自适应特征点匹配方法


[0001]本专利技术属于图像处理
，特别涉及一种用于大规模影像高精度自适应特征点匹配方法。

技术介绍

[0002]在对图像影像的处理过程中，影像特征点匹配作为变化检测、图像融合、图像拼接和三维重建等方法的基础，其中涉及的同名点匹配的数量与精度将直接影响以上方法的最终精度。目前，对于合成孔径雷达(Synthetic Aperture Radar，SAR)遥感影像的图像匹配处理，主要存在两大难点：一是SAR影像存在相干斑噪声导致匹配精度不高；二是由于SAR影像过大直接匹配导致效率低下。

技术实现思路

[0003]本公开实施例之一，一种用于大规模影像高精度自适应高效的特征点匹配方法。该方法包括，
[0004]输入不同影像和对应的RPC文件，对主影像分块，并通过RPC获取在不同影像中的重叠区域，在构建的尺度空间中采用Shi
‑
Tomas角点检测算法构建响应函数，在提取特征点检测部分采用Laplace算子和多尺度的极值判断得出初始特征点，并同步使用SUSAN算子剔除受相干斑噪声影响较大的特征点，最终在构建特征描述子时采用多尺度多方向的GLOH描述子构建策略，使得描述子更具鲁棒性和独特性。
[0005]本公开实施例中，对于大规模影像的特征点提取算法经过上述过程优化，与原始SAR
‑
SIFT算法相比精度有了较大提高，同时为了提升大规模影像数据的特征点提取效率，采用CPU多线程和GPU加速相结合的方法，缩短算法构建尺度空间的时间，提升算法的运行效率。
附图说明
[0006]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：
[0007]图1根据本专利技术实施例之一的影像特征点匹配方法总体流程示意图。
[0008]图2根据本专利技术实施例之一的多线程和GPU加速尺度空间构建示意图。
[0009]图3根据本专利技术实施例之一的特征描述子示意图。
具体实施方式
[0010]影像匹配主要有两类方法，即基于区域的方法和基于特征的方法。具体说明如下。
[0011]基于区域的方法是通过相似性准则对影像进行配准，常用的相似性准则主要有互相关和互信息以及在此基础上发展出来的一系列改进方法。基于区域的方法大多通过计算
模板影像的信息熵和目标影像的信息熵，然后利用两张影像的互信息作为相似性准则估计匹配参数，并使得互信息达到最大化，将匹配问题转化为最优化问题。该类方法主要的缺陷是最优化搜索消耗大量时间导致匹配效率较低。
[0012]基于特征的方法是通过提取影像的特征,依据提取出的特征寻找同名点，常用的特征有点、线和面等，其中基于点的特征方法有较高的精度和有效性，更多的运用于影像匹配。
[0013]而在SAR影像处理中，大多数基于SIFT算法的改进算法在建立高斯差分金字塔时放大了SAR影像中的相干斑噪声，导致在提取特征点过程中存在较多的伪特征点。在SAR
‑
SIFT中，虽然进行一些改进但仍有一部分伪特征点未能剔除。同时，在大范围的遥感影像匹配中，由于卫星重叠区域部分较小，整张影像使用特征提取算法时，往往因为提取出的特征点不在重叠区域中影响后续匹配的效率。
[0014]本公开为了解决上述问题，提出了一种用于大规模影像高精度自适应高效的特征点匹配方法，基于数字高程模型和遥感影像几何纠正RPC模型获取多景影像的重叠区域，并使用Shi
‑
Tomas、SUSAN和多尺度特征点检测方法提升特征点精度，采用CPU和GPU共同加速的方法提升算法运行效率，最终采用多尺度和多方向的描述子用于后续的特征点匹配。
[0015]根据一个或者多个实施例，一种用于大规模影像高精度自适应高效的特征点匹配方法，包括以下步骤：
[0016](1)获取原始影像与其对应的RPC文件，对主影像分块，并保留分块后不同块的角点像方坐标，通过角点的像方坐标与影像的RPC信息，获取不同影像间的重叠区域。
[0017](2)对重叠区域影像构建多尺度空间，采用Shi
‑
Tomas角点检测算法构建尺度层对应的响应函数。
[0018](3)使用响应函数确定初始特征点，随后采用SUAN和多尺度特征点检测方法，剔除受相干斑噪声影响较大且不具有尺度不变性的特征点。
[0019](4)使用OpenMP开辟多个线程运行不同的尺度层，尺度层之中的响应函数的计算采用GPU实现，通过CPU多线程和GPU的加速提升运行效率。
[0020](5)使用多尺度和多方向的GLOH描述子构建方法，得到鲁棒性更强和独特性更高的描述子。
[0021]在步骤(1)中，对于重叠区域的确定，采用以下步骤：
[0022](2.1)根据所述分块影像的左上、右上、左下和右下四个角的角点像方坐标(r,c)以及所述RPC文件的参数建立RFM模型，并利用参考DEM的初始高程值H0获取四个角点对应的经纬度信息(B,L)。
[0023](2.2)通过经纬度(B,L)与不同影像的RPC信息建立对应的RFM模型计算得出不同影像中对应的四个角点的像点坐标(r0,c0)，根据像点坐标中的最大值，划分重叠区域。
[0024]在步骤(2)中，Shi
‑
Tomas角点检测公式如下：
[0025][0026]R＝min(λ1，λ2)
[0027]其中，M为自相关函数矩阵，A为像素点x方向梯度的平方，C为x方向梯度与y方向梯度的乘积，B为y方向梯度的平方，R为角点检测分数，λ1，λ2为矩阵的特征值。
[0028]在步骤(3)中，SUAN算子公式与多尺度特征点检测方法如下：
[0029][0030][0031][0032]其中，表示SUAN掩膜的中心像素，表示掩膜内其他的像素，t为像素差异阈值，为掩膜内像素值之和，g为阈值，一般取
[0033]此算法过程中，通过比较当前层特征点的拉普拉斯响应值是否大于相邻层特征点的拉普拉斯响应值对不具有尺度不变性的特征点进行剔除；特征点在最顶层时，与次顶层的值比较；特征点在最底层时，与次底层比较。
[0034]在步骤(4)中，同时采用OpenMP和CUDA对尺度空间进行加速，不同的尺度层采用不同的线程进行运算，同时每个线程都将影像传递给CUDA开辟的空间中，使用CUDA计算出不同层的像素点响应值，CPU多线程与CUDA同时进行运算，大大加速原本耗时的尺度空间构建。
[0035]在步骤(5)中，描述子构建的方法是，将SAR
‑
SIFT方法构建的特征描述子中内圆划分成八个方向，在每一个bin中取8个特征矢量，共形成24*8＝192维特征矢量，是对比不同GLOH方法构建的描述子。
[0036]在构建特征描述子时，首先通过对当前尺度特征点邻域的梯度幅度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影像特征点匹配方法，其特征在，该方法包括以下步骤：接收一组原始影像资料，对原始影像进行预处理；对经过预处理的影像进行特征点检测；根据特征点检测结果对影像进行特征点匹配。2.根据权利要求1所述的方法，其特征在于，所述的预处理过程包括，获取原始影像及其对应的RPC文件，对原始影像中的主影像分块，通过RPC文件获取不同影像中的重叠区域。3.根据权利要求2所述的方法，其特征在于，在对原始影像中的主影像分块后，保留分块后不同块的角点像方坐标，通过角点的像方坐标与影像的RPC信息，获取不同影像间的重叠区域。4.根据权利要求1所述的方法，其特征在于，所述特征点检测包括，对重叠区域影像构建多尺度空间，采用Shi
‑
Tomas角点检测算法构建尺度层对应的响应函数；使用响应函数确定初始特征点，不再依赖人工设置的参数得出初始特征点，自适应得到精度与数量最优的特征点，采用SUAN和多尺度特征点检测方法筛选特征点；构建多尺度和多方向的GLOH描述子。5.根据权利要求4所述的方法，其特征在于，在特征点检测中，在采用Shi<...

【专利技术属性】
技术研发人员：洪中华，陆煜，周汝雁，潘海燕，马振玲，张云，韩彦岭，王静，杨树瑚，徐利军，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：