文摘
为了解决图像特征匹配的效率低的问题在传统的遥感影像数据库,提出了特征匹配优化多媒体遥感图像多尺度边缘提取的基础上,阐述了多尺度边缘的基本理论,然后注册多媒体遥感图像基于最优控制点的选择。摘要100年遥感图像大小为3619825年,分辨率为30米被选中作为实验数据。电脑配置了2.9 ghz CPU, 16 g内存和i7处理器。研究主要包括两个部分:图像匹配效率分析的多尺度模型;匹配精度分析的多尺度模型和模型参数的公式。结果表明,当图像数据量大,特征匹配需要更多的时间。与采样率的增加,图像数据的数量迅速减少,和特征匹配时间也迅速缩短,它提供了一种理论依据多尺度模型提高匹配效率。数据的大小是一样的,3619×1825,这使得图像之间的匹配时间几乎没有区别。因此,匹配时间线性增长的数量的增加数据库中的图像。当数据库中的图像数据量大,应该使用更高的层数;当数据库中的图像数据量很小,应该减少模型的层数,确保匹配的准确性。 The availability of the proposed method is proved.
1。介绍
随着遥感技术的迅速发展,航空摄影,无人机,和车辆移动测量系统,可以获得各种图像数据快速反映自然和人类活动的特点,大规模动态,(1]。图像包含丰富信息的优点,直觉、形象,容易理解。他们发挥着极其重要的作用在人类感知外部世界的2]。在现实中,人们提取物理特性和客观世界中各种目标对象的空间信息通过图像来研究空间位置、形状、属性,改变,与周边环境的关系。因此,研究图像处理技术一直是最重要的摄影测量领域的研究内容,遥感、计算机视觉。由于大气折射等一系列因素的影响,地形起伏,和内部和外部的变化方向传感器的元素,获得的图像的质量降低或缺乏有用的信息,这给图像处理和目标识别带来了困难。很难依靠应用处理。多尺度分析方法是一种有效的手段(3]。通过图像在不同尺度的多尺度分解技术,图像特征信息可以表达不同程度在不同的尺度,这有利于更好地理解图像的细节,充分提取图像特征信息,并获得理想结果的过程中图像匹配和目标识别。多尺度图像特征信息提取和基于重学习过程如图1(4]。
2。文献综述
为了解决该研究问题,任等人提出了一个由一个灰色方法提取特征点的方法(5]。Lv等人提出了一种新的操作员Forstner基于最小二乘法原理和测量的点灰色误差椭圆(6];奎罗斯等人提出的筛选操作符,即变率不变的特征点(8];杨等人改善Moravec运营商同样的想法和提议Plessey角点检测算子(9]。Forstner Dongand林哈里斯相比,农夫,和其他运营商,认为Forstner运营商的影响仅次于哈里斯运营商(10]。许等人相比普莱西,Forstner susan-2d运营商和得出结论,Forstner运营商实现最好的结果综合比较清晰、不变性、稳定性、唯一性、可解释性。然而,在应用程序中,它是发现哈里斯角落图像比例尺的变化非常敏感。图像大小不一致时,哈里斯角落里不是一个好结果。基本上,所有的点特征提取算子有这样的问题11]。陈等人使用微分几何中提取线性目标图像,包括直线和曲线(12]。马等人结合最小二乘法和卡尔曼滤波,使用灰色部分垂直于路方向路跟踪。由于同一目标在不同分辨率图像的不同表现,多分辨率分析可以结合两者的优势来获得更好的识别结果(13]。姚等人分析了多尺度分析理论在道路提取中的应用,给了一个理论框架,详细的道路提取基于多尺度分析的指导意义(14]。
3所示。方法
3.1。多尺度边缘的基本理论
小波分析是傅里叶分析后出生。小波基时被认为是稀疏表示奇异点,但它不适合代表线奇异的目标。因此,很难使用小波表示边缘信息的基础。强制使用小波基础描述边缘线性目标将振铃现象图像去噪的实验结果(15]。Donoho提出了边缘变换学习时恢复嘈杂的图像数据。weldlet变换可以近似最优描述“水平模型。“Donoho发现weldlet分解基于成本函数估计可以达到极小极大风险。当代表图像与大量的线性边缘,weldlet失真率非常小,几乎可以实现最优近似(16]。
3.2。基于最优多媒体遥感图像配准控制点的选择
3.2.1之上。解决最优解决方案基于最小二乘法的投影变化
我们使用投影变换H(地形)来描述匹配两个控制点图像对之间的关系。让 和 代表一对匹配的控制点的坐标对测试图像C和D分别为(17]。根据投影变换关系:
为了获得投影变换矩阵 ,至少需要4对匹配控制点对和解决8参数。考虑到有匹配的控制点对误差分布和在实际工程应用中,如果4对匹配控制点对直接用于计算,将大匹配错误。因此,该方法使用multipair(大于4)控制点匹配近似计算投影变换参数和通过最小二乘法。让 代表的坐标控制点, 代表的坐标控制点匹配 在(18]。
当n决定,H理想的近似解,控制点之间的平均距离的两个图片是最小的。N是输入控制点的数量对。根据最小二乘法的思想提出了在这一章,最低的价值n是4。实验表明,当n6或7,该算法可以达到一个很好的妥协登记的准确性和效率。的控制点映射到通过投影变换,和平均距离控制点是
根据逆矩阵 ,的控制点被映射到通过投影变换,和平均距离控制点是
3.2.2。选择和调整控制点对
控制点对的选择和自动匹配是投影变换的两个关键点。首先,算法的输入测试的控制点对图像和参考图像根据人类视觉和图像功能,可确保所选择的特征点的分布位置和区域测试图像和参考图像相对一致和均匀分布的图像,以奠定一个好的基础建立控制点的精确匹配。
控制点以来首次手动输入不一定是真正的极端点的图像,如图2测试的控制点图像需要纠正分发他们的极端点的图像以提高匹配的稳定性和提高抗噪声能力19]。在该算法中,高斯差分函数的泰勒展开式(狗)是用于查找附近的极端点通过线性插值控制点测试图像,以便输入控制点分布在极端点更加稳定和较高的位置精度。
设定值作为已知的输入控制点,用点估计的值附近的一个极端的观点B,并设置 作为偏移量的点B相对于a。根据泰勒扩张的狗函数(拟合函数):
通过推导,使(4)等于零,极端点的偏移量可以获得如下:
的偏移量在任何尺寸大于0.5,这表明,极端点接近邻点C的一个。更新点a到点C并继续迭代,直到抵消任何维度的小于0.5,迭代过程结束。添加当前点获得的确切位置控制点(20.]。
3.2.3。匹配的控制点对
根据方程(2)和(3),初始匹配错误和的控制点可以计算。的初始值和需要进一步减少通过调整控制点(21]。因为测试的控制点图像接近理想的极端点被狗运营商处理后,该算法主要调整相应的控制点的位置的参考图像。根据标记序列的控制点对,它会自动根据设置移动一步年代在上,下,左,右的方向,分别和搜索最佳匹配位置的参考图像控制点原则的基础上获得的最小值和(22]。假设n对控制点在测试图像和参考图像,输入N以实验6或7。测试的控制点影像纠正的狗运营商和自动搜索算法的匹配控制点对应参考图像:计算初始错误:计算匹配错误和最初的控制点根据(2);迭代调整的参考图像控制点:其他控制点的位置是固定的。为我控制点,根据步骤移动坐标年代。当和不再减少,此时控制点的位置是它的最佳位置,然后依次调整下控制点的位置(23];迭代终止:当控制点的匹配距离误差对测试图像和参考图像小于预设阈值,迭代中止,算法结束。
如何定义是一个非常重要的问题。的定义太小,匹配的控制点对将偏离实际的图像的特征点,和理想的注册效果无法实现;太多的定义将导致登记错误。通过实验分析,发现当分布在(0.3,0.5),图像配准的效果是理想的24]。
3.2.4。算法实现过程
为了解决的问题登记不同模态遥感图像的准确性,本章提出了一种多通道图像配准算法的基础上,选择最优匹配点。算法的流程如下:
初始化算法,迭代阈值参数 ,和调整步长年代;手动输入n对测试图像的控制点和参考图像 :
狗操作符用于调整控制点的测试图像,这样它位于极端点获得稳定和准确的控制点;利用投影变换,H和计算基于控制点的坐标,然后呢H和代入方程(2)和(3)获得初始匹配错误和控制点对;为 ,控制点的位置自动调整逐点,调整步骤年代,和重新计算;当 和 ,自动调整过程结束;计算h基于控制点对的位置坐标;使用H,遍历所有像素的 ,构建和项目形象 ,和注册算法结束25]。
4所示。结果和分析
摘要100年遥感图像大小为3619825年,分辨率为30米被选中作为实验数据。电脑配置了2.9 Ghz CPU, 16 g内存和i7处理器。研究主要包括两个部分:图像匹配效率分析的多尺度模型;匹配精度分析的多尺度模型和模型参数的公式。
4.1。多尺度模型的图像匹配效率分析
(1)匹配率和图像采样率之间的相关性选择两幅图像进行匹配计算,图像匹配和另一个作为目标图像,并重新取样图像匹配的不同程度。表1显示图像匹配时间和采样率的变化。图3显示图像匹配时间和采样率的变化。从图可以看出,随着采样率的增加,图像匹配时间迅速减少,然后轻轻逐渐变化。这种变化规律表明,当图像数据量大,特征匹配需要更多的时间。与采样率的增加,图像数据的数量迅速减少,迅速和特性匹配时间也缩短。这提供了一种多尺度模型的理论基础来提高匹配的效率。(2)多尺度模型之间的匹配效率和单层图像数据库
相比为了进一步比较和分析特性的差异之间的匹配效率多尺度模型和传统的单层图像数据库,五组的图像创建数据库,并在数据库中图像的总数是40岁,50岁,60岁,70年,80年,90年和100年,分别。多尺度模型构建为7组的数据库。7组图像数据库的特性匹配时间下不同的方法如表所示2。图4显示了效率差异在不同图像的特征点匹配方法。它可以发现匹配的时间拟合方程具有线性特征:匹配时间的原因是线性相关的图片总数是遥感图像在实验中选择有相同的分辨率和数据大小是相同的,这是3619×1825,这使得图像之间的匹配时间几乎没有区别。因此,匹配时间线性增长的数量的增加数据库中的图像。在实际应用中,图像大小是不同的。因此,在实际应用中,不一定有良好的线性关系之间的匹配时间和图像的总数。
当图像的总数是一样的,多尺度模型的特性匹配时间总是低于单层数据库,和多尺度模型的优点是更明显的总数的增加图片。因此,图像的总数的增加,两种方法之间的匹配效率的差异逐渐增大。在实际应用中,数据库通常包含成百上千的遥感图像。在这个时候,多尺度模型的匹配效率将远远高于单层图像数据库。
4.2。多尺度模型的图像匹配精度
本文研究了多尺度模型的匹配精度通过改变图像的大小。流程如下:(1)100图像分为5组,每组20个图像,图像大小的组中是相同的和团体之间的图像大小不同;(2)每个图像分为五层,和多尺度模型用于特征匹配;(3)记录当前层数在每组真正的图像匹配是错误地消除,减少层数,直到真正的匹配图像获得准确的匹配位置,并记录最好的最后匹配精度最高的层数(26]。5组数据的实验结果如表所示3。它可以从表中找到3图像尺寸的减小,最佳层数也减少,当图像尺寸减少到226×114,正确的匹配结果不能通过使用多尺度模型特性匹配。这是因为当的图像数据量很小,从图像中提取特征点的总数很小,和一个小数量的特征点不能完全确保图像的匹配精度。因此,当图像数据库构建多尺度模型在实际应用中,图像数据的数量在最高的层次上应该大于226×114。
表中的数据3是线性拟合得到的平均数据量之间的功能关系数据库图像和最佳层数。如图5,可以发现,当数据库中的图像数据量大,应该采用更高的层数;当数据库中的图像数据量很小,应该减少模型的层数,确保匹配的准确性。使用数据库图像的对数函数方程和最佳的层数,图像数据库的最佳层数可以获得实际应用,以确保数据库图像的特征匹配的准确性。
5。结论
在这篇文章中,一个功能匹配优化多媒体遥感图像提出了基于多尺度边缘提取。该算法不仅可以有效地完成特征点之间的匹配操作图片还可以准确地屏幕最好的从数据库中匹配的图像;随着图像的总数的增加在数据库中,这种方法的优点是更加明显。本研究将提供有效的可能性、实时和动态匹配的遥感影像数据库。多尺度方法也有缺陷,因为当地的图像的特征存在于一定规模范围内,所以一个特征点在同一时间可能有几个不同的特征尺度,从而增加后续匹配的难度。在未来,有必要找到一种方法使地方特色由代表性的特征点。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
1。陕西省西安科技项目,分析和评价生物多样性在陕西省秦巴山区,中国(2020 kjwl23)。2。西安文理学院生物与环境工程学院院长基金的背景下数字双智慧公园建筑三维模型快速生成关键技术研究(项目编号:YZJJ202111)。3所示。陕西省自然科学基金(青年),气溶胶光学厚度反演在汾河和境内渭河平原基于国内高分辨率卫星,金桥(2020 - 978)。