点特征和小波金字塔技术的遥感图像快速匹配技术
基于小波变换的医学图像特征点互信息配准
关 键词 ： 医学图像配准； 小波变换； 特征点互信息； 粒子群算法
１ 前 言
医学图像配准是 医学 图像 处理领域 中的一项重要 技术 ， 对 临床诊断和治疗起着越来越重要 的作用 。尽管医学图像配准研 究 已经开展多年 ， 但是 目前的主要 方法仍然存在不足 ， 需进一步 改进 ， 才能使其更好地应用于临床。 医学 图像 配 准是 指对 于一 幅 医学 图 像 寻 求 一 种 （ 一 系列 ） 或 空 间变换 ，使它与另外一 幅医学 图像上的对应点达到空间上的 致 。 目前 提 出 的 图像 配 准 算 法 大 多 可 分 为 基 于 灰 度 的 配 准 方 法 和基 于 特 征 的 配 准 方法 ， 方法 各 有 利 弊 。 于 图像 像 素 ｆ 两类 基 体 素） 相似性 的配 准具有较 高的精度 ， 但这 种方法计算量 过大 ， 配 准速度较慢 ， 而配准时间过长在临床上是不能被接受的。 基于图 像特征 的配准 ， 通过特征提取 ， 把待处理的图像数据减少为少量 的相似性特征点 、 线或面 ， 配准速度快 ， 缺点主要在 于图像 特征 提取过程复杂 ， 图像 配 准 精 度 受 图像 特 征 提 取 精 度 的 影 响 。 如何有效融合两类方法 ，将 图像边缘信息结合到互信息量 当中， 保证 精 度 并 兼 顾 速 度 ， 为 近 年 来 医 学 图 像 配 准 领 域 的 热 成 点之一 。１９ ９９年 Ｒ ｎａａ ｎ等对待配准的两 幅图像提取出形状 ａ ｇｒｊ ａ 特征点 的集合 ，然后利用互信息法来进行配准。在特征点提取 中， 文献 中采用 Ｃ ｎ ｙ边缘检测算法得到 图像 的边缘 ，然后 作 ａｎ 聚类分析得 到形状特征点 。这一方法 的应用存在局 限性，尤其 对 ＭＲ 图像 。ＭＲ 图像 的特 点 在 于 能 够 较好 地 分 辨 出头 部 软 组 Ｉ Ｉ 织，图像 内部包含较多细节 。 经边缘提取得到的边缘线较密集， 因而聚类得到的特征 点分 布随机性较强 。互信息的计算易受这 种 随机性的干扰， 响最终配准精度。 ０ ２年周永新 、 影 ２０ 罗述谦等 对 该 法 进 行 了一 定 的 简化 和修 正 ， 引入 人 机 交 互 ， 短 了 优 化 过 缩 程， 避免了局部极值 。 本 文 在 对 小 波 变换 进 行 研 究 的基 础 上 ，提 出 了 一 种 基 于 小 波 多尺度积特征点互信息 的配准新方法 。多尺度小波系数 由于 其相关性在去噪中得 到应用 ，本文利用小波多尺度积来最大限 度 的抑 制 噪 声 ， 到 准 确 的图 像 边 缘及 特征 点 ， 图 像 的 特 征 信 得 将 息与互信息结合起来 ， 它只需针对提取 出来 的特征点进行计算 ， 计 算 量 大 大 减 少 。实 验证 明 ， 方 法 避 免 了人 机 交 互 过 程 ， 准 该 能 确地实现多模态医学图像 的配准 ， 并具 有较快 的配准速度 。 ２ 小 波 变 换 多 尺 度 积提 取 图像 特 征 点 传 统 的 几 种 边 缘 检测 算 子 在 抗 噪 性 和 边 缘 定 位 等 方 面 往 往 不 尽 如 人 意 ， 主要 是 边 缘 和 噪 声 都 是 高频 信 号 ， 难 在 噪 声 和 这 很 边 缘 中取 舍 。 小 波 变 换 可 以从 能量 方 面来 区分 边 缘 和 噪声 ， 而 使 得小波变换在抗 噪和边缘定位方面有独特的优势。 １８ ９ ５年 ， ｌ ｔ 析 了 由 Ｃ ｏ ｉ ，ｓ ｂｎ和 Ｇ ｌ ｄ提 出 的 Ｍａａ 分 ｌ ｒ ｓ ｒＥ ｔ ａ ｉｅ ｅ ａｎ ａ 用 于数 字 电话 的正 交 镜 像 滤 波器 （ ｕｄａ ｒ ｉｏ ｉ ｒ Ｑ ａ ｒｔ ｅ Ｍ ｒ ｒ Ｆｌ ， ｕ ｒ ｔ ｅ Ｑ ） 由 Ｂ ｆ和 Ａ ｅ ｏ 出的用于数字 图像处理 的金 字塔算 ＭＦ ， ｕ ｄｌ ｎ提 ｓ
点特征和小波金字塔技术的遥感图像快速匹配技术
关
键
词 ： 像 匹配 ；Ｈａｒ 图 ｒｉ 子 ；小波 金 字塔 ｓ算
文献标识码 ： Ａ 文 章 编 号 ： ０ ８ ９ ９ （ ０ ７ ０ —４ ５ ０ １０ — ４ ７ ２ ０ ） ４ ６ — ４
中 图分 类 号 ： ３ １ ＴＰ ９
甜
ｍ
坤． ＝
Ⅲ． ¨
Ｋｅ ｒ ｓ：ｉ ａ ａ ｃ ｙ ｗｏ ｄ ｍ ｇｅ ｍ ｔ ｈ；Ｈ ａｒ ｉ ｐｅ ａｔ ； ｗａ ｌｔｐｙｒ ｍ ｉ ｒｓ ｏ ｒ ｏｒ ｖｅｅ ａ ｄ
性 一直 是一 个非 常 棘 手 的 问 题． 于 灰度 的 图像 匹 基 配 方法 中遍 历搜 索 和基 于特 征 的图像 匹配方 法 中特 征 的 匹配都 是 比较 耗 时 的运 算 ． 当待 匹 配 的 图像 如 尺 寸变 大 时 ， 图像 数 据 量 增 大 ， 征 点 数 量 随 之 增 特 多， 特征 匹 配的 计算 量更 是呈几 何 级数增 长 ， 在这种 情况 下要 实现 高 精 度 的 匹配 ， 然 占用 较 长 的运算 必 时 间． 高 匹配精 度 和 降 低 匹 配 时 间也 是 当前 图像 提 匹配 领域 迫切 的研究 任务 ．
点 特 征 和 小 波 金 字 塔 技 术 的遥 感 图像 快 速 匹配 技术
张 登 荣 ，俞 乐 ， 志 刚 蔡
（ 江 大 学 地 球 科 学 系 ，浙 江 杭 州 ３ ０ ２ ） 浙 １ ０ ７
Ｇ＿ ～． ｕ一 Ｃ ．¨ｊ Ｄｇ三 一＂Ｍ ～ 缸 ，州 ～Ⅱ 一豫 ，一 （ ～蚕 一ｊ ． ｄ； 帆耐 叩一 ｍ． 啊～ ｗ＿ ＇ 一Ⅲ ｑ． ， ～ ～猢 主＝ ．巾 差吕 莲打 一＿ 三 ｍ ～ 』 蚕 暑 ｇ 富 ¨
如下 ：
方法 被证 明所 花费 的时 间大约 为传 统模板 匹配 方法 的 ２ ］ 但与 基 于特征 的 匹 配方 法相 比效 率仍 有 ５ ， 差距 ； 金字塔 方法 （ ｙａ ｄ ， Ｐ ｒｍｉ） 采用 影 像 金 字塔 数 据
特征 图像匹配算法
特征图像匹配算法1. 简介特征图像匹配算法是一种计算机视觉中常用的算法，用于在两幅图像之间找到相对应的特征点，并将它们匹配起来。
这种算法在多个应用领域都有广泛的应用，包括图像检索、三维重建、目标跟踪等。
特征图像匹配算法的核心思想是通过提取图像中的关键特征点，然后计算这些特征点的描述子，在不同图像中进行匹配，找到相对应的特征点。
这些特征点通常是图像中的角点、边缘或者纹理等具有区分性的部分。
2. 特征提取在特征图像匹配算法中，特征点的提取是首要任务。
常用的特征点提取算法包括Harris角点检测、SIFT（Scale-Invariant Feature Transform）、SURF （Speeded-Up Robust Features）等。
•Harris角点检测是一种通过计算图像中像素点周围的灰度变化来检测图像中的角点的算法。
它主要是通过计算图像中每个像素点的窗口内的像素梯度的方差来确定是否为角点。
•SIFT是一种尺度不变特征变换的算法，它可以在不同大小和旋转角度的图像中匹配特征点。
SIFT算法首先通过高斯滤波器进行图像平滑，然后通过DoG（Difference of Gaussians）算子检测图像中的极值点作为特征点。
•SURF是一种类似于SIFT的特征提取算法，但它具有更快的计算速度和更好的旋转不变性。
SURF算法通过检测图像中的极值点，并计算它们的Haar小波特征来提取特征点。
3. 特征描述在特征提取之后，需要对特征点进行描述，以便在不同图像中进行匹配。
常用的特征描述算法包括ORB（Oriented FAST and Rotated BRIEF）、BRISK（Binary Robust Invariant Scalable Keypoints）等。
•ORB是一种具有旋转不变性和尺度不变性的特征描述算法。
它通过计算特征点周围的像素点在不同方向上的灰度变化来生成特征点的描述子。
最后，ORB算法将描述子通过二进制编码，以降低计算复杂度。
卫星遥感图像处理的关键技术与应用
卫星遥感图像处理的关键技术与应用随着科技的不断进步，卫星遥感技术已经成为一种非常重要的手段，用于获取地球表面的相关信息。
卫星遥感图像处理技术是对卫星获取的图像进行处理和分析，以获得更准确和清晰的地球表面信息。
本文将重点探讨卫星遥感图像处理的关键技术与应用。
一、关键技术1. 遥感图像的预处理遥感图像的预处理是卫星遥感图像处理的第一步，包括图像增强、噪声去除、几何校正、辐射校准等。
图像增强技术旨在提高图像的质量和可视性，常用的增强技术包括直方图均衡化、空间滤波等。
噪声去除技术通过降低图像中的噪声水平，改善图像的质量。
几何校正是为了消除图像中由于地表坡度、地球曲率等因素造成的形变影响，使图像在空间上具有准确的几何性质。
辐射校准是调整图像的辐射亮度，以使其能够反映地表上不同物质的辐射特性。
2. 特征提取与目标识别特征提取与目标识别是卫星遥感图像处理中的关键环节。
特征提取是指通过计算和分析图像中的纹理、形状、颜色等特征来描述地物。
常用的特征提取方法包括灰度共生矩阵、小波变换、主成分分析等。
目标识别是指根据提取到的特征，将图像中的地物进行分类和识别。
常见的目标识别方法包括支持向量机、人工神经网络等。
3. 数据融合与时序分析数据融合是指将多源、多尺度、多时相的遥感数据进行融合，以获取更全面和准确的地表信息。
常用的数据融合方法包括像素级数据融合、特征级数据融合和决策级数据融合。
时序分析是利用多时相的遥感影像进行变化检测和监测，以了解地表变化的情况。
常见的时序分析方法包括差异图像法、频域分析法等。
二、应用领域1. 环境监测与灾害评估卫星遥感图像处理技术在环境监测与灾害评估方面具有重要的应用价值。
通过对遥感图像进行处理和分析，可以实时监测和评估地表水质、土地利用、植被覆盖等环境因素的变化情况，为环境保护、资源管理等提供可靠的数据支持。
同时，在自然灾害的预警和应急响应中，卫星遥感图像处理技术可以提供灾害范围、类型和程度等关键信息，为抢救和救援工作提供科学依据。
如何利用图像处理技术进行多视角图像融合
如何利用图像处理技术进行多视角图像融合图像融合是计算机视觉领域中的重要技术之一，它能够将多个视角的图像信息融合为一个更为准确和完整的图像。
图像融合技术在许多应用领域具有广泛的应用，例如航空航天、地质勘探、医学影像等。
其中，利用图像处理技术进行多视角图像融合是一种常见且有效的方法。
本文将介绍如何利用图像处理技术进行多视角图像融合。
多视角图像融合的基本原理是通过对多幅图像进行配准和融合，从而得到更为准确和全面的图像信息。
图像配准是指将多幅图像进行对齐，使得它们在相对位置和尺度上保持一致。
图像融合是指将多幅配准后的图像进行加权或融合，得到一幅综合的图像。
下面将逐步介绍多视角图像融合的具体过程。
第一步是图像配准。
图像配准可以采用特征点匹配的方法，通过检测图像中的特征点，并找出它们之间的对应关系。
常用的特征点包括角点、斑点、边缘等。
一旦找到了特征点的对应关系，就可以通过应用几何变换，如仿射变换或投影变换，将图像进行对齐。
图像对齐后，它们的尺度、旋转和平移关系将一致，为后续的图像融合奠定基础。
第二步是图像融合。
在图像融合过程中，可以采用像素级融合或特征级融合的方法。
像素级融合是指通过调整图像的亮度、对比度和颜色等属性，使得它们在空间上平滑过渡，并融合为一幅全新的图像。
常用的像素级融合方法包括加权平均、Laplace金字塔融合和小波变换融合等。
特征级融合是指将图像中的特征提取出来，再进行融合。
常用的特征级融合方法包括特征加权融合、特征匹配融合和特征拼接融合等。
在进行图像融合时，还需要考虑到图像质量的评估和优化。
图像质量评估是指通过一些客观的指标，如均方误差、峰值信噪比和结构相似性指标等，对融合后的图像进行质量评估。
根据评估结果，可以对融合过程进行优化，以得到更好的图像融合效果。
除了基本的图像处理技术，还有一些高级的技术可以用于多视角图像融合。
例如，通过深度学习方法，可以学习图像的特征表示和融合权重，以得到更准确和自然的图像融合结果。
影像融合技术介绍
影像融合技术介绍影像融合技术是指将不同传感器或不同源的图像信息进行综合处理，以得到更全面、准确和丰富的图像信息的一种技术。
它通过将多幅图像进行特征提取、匹配和合成，使得融合后的图像具有更高的清晰度、更丰富的颜色和更多的细节信息。
影像融合技术在军事侦察、环境监测、资源管理、城市规划等领域具有广泛的应用前景。
单尺度融合是指将同一时刻、同一地点拍摄的多幅图像进行融合，提高图像的质量和信息量。
常见的方法包括加权平均法、最大值法和小波变换法。
加权平均法是将多个相同分辨率的图像进行加权平均处理，其中权重取决于图像的亮度或对比度。
这种方法不仅能够减少噪声，还能够提高图像的对比度和细节。
然而，它并不能处理不同分辨率的图像，也无法保留图像中的边缘信息。
最大值法是选择多个图像中像素值最大的那一个作为最终的像素值。
这种方法能够增强图像的边缘，但容易导致图像的亮度过高或过低。
此外，它也不能处理不同分辨率的图像。
小波变换法是将多个图像进行小波变换，然后进行小波系数的融合，再进行逆变换得到最终的融合图像。
小波变换法能够在多个分辨率上提取图像的细节信息，并保留图像的边缘信息，适用于处理不同分辨率的图像。
多尺度融合是指将不同分辨率的图像进行融合，以得到更全面、准确和细节丰富的图像信息。
常见的方法包括金字塔融合法和基于分块的融合法。
金字塔融合法是将多个分辨率的图像进行金字塔分解，然后进行融合。
这种方法能够提取图像在不同尺度上的特征信息，并保留图像的细节和边缘。
但它存在计算复杂度高的问题。
基于分块的融合法是将多个图像分成不同的块，然后通过像素匹配和像素修复的方法进行融合，最后将融合后的块拼接成完整的图像。
这种方法能够保持图像的整体性和一致性，但需要对图像进行分割和匹配处理，计算复杂度较高。
除了以上的方法，还有基于深度学习的影像融合技术，它利用深度卷积神经网络对图像进行特征提取和融合，有效地提高了融合效果。
总之，影像融合技术是将不同传感器或不同源的图像进行综合处理，以得到更全面、准确和丰富的图像信息的一种技术。
计算机视觉中的图像匹配技术研究
计算机视觉中的图像匹配技术研究计算机视觉是计算机科学中的一个重要方向，它致力于使计算机看懂和理解图像或视频中的内容。
而图像匹配技术又是计算机视觉中的一个重要子领域。
它通过对两幅或多幅图像进行特征提取和比对，来判断它们是否是同一物体或场景。
现在，我们就来一起探究一下图像匹配技术的研究发展和应用情况。
1. 特征提取在对两幅或多幅图像进行匹配之前，需要先对它们进行特征提取。
特征是图像中最具有代表性的、最具有区分度的部分。
因此，特征提取的好坏直接影响到图像匹配的精度和效率。
常用的图像特征有：SIFT（尺度不变特征转换）、SURF（加速稳健特征）、ORB（旋转不变性特征）、BRISK（加速稳健特征）、FAST（高速角点检测算法）等。
它们通过不同的算法来提取图像中的关键点和对应的描述子。
可以根据实际需要选择合适的特征算法。
2. 特征匹配特征匹配是通过比较两幅图像中的特征点，找到一一对应的匹配点。
特征点的匹配是通过计算它们的描述子之间的距离或相似度，来判断它们是否匹配。
如果匹配点的数量足够多，就可以计算出两幅图像之间的变换矩阵，从而完成图像配准。
常用的特征匹配算法有：暴力匹配算法、基于k-d树的最近邻匹配算法、基于FLANN的最近邻匹配算法、基于RANSAC的特征匹配算法等。
它们在匹配速度、准确性、鲁棒性和对噪声的处理能力方面有所不同。
3. 图像拼接图像拼接是图像匹配技术的一个重要应用，它可以将多幅图像拼接成一幅大图。
图像拼接常用的方法有：基于平面投影变换的拼接、基于柱面投影变换的拼接、基于球面投影变换的拼接、基于全景图像拼接的拼接等。
图像拼接的核心是图像配准，而图像配准的精度和鲁棒性取决于特征提取和特征匹配的效果。
对于大场景的图像拼接，需要选择合适的算法和技术来提高图像配准的精度和鲁棒性。
4. 目标跟踪目标跟踪是将自动跟踪目标进行跟踪，以便在未来的帧上追踪目标。
它的应用范围广泛，包括视频监控、自动驾驶、虚拟现实等领域。
计算机视觉中的图像特征描述与匹配算法
计算机视觉中的图像特征描述与匹配算法计算机视觉是一门研究如何使计算机“看”的学科，它主要涉及图像处理、图像分析、模式识别等领域。
图像特征描述与匹配算法是计算机视觉中的一个重要研究方向，它主要用于图像的特征提取和匹配。
本文将介绍图像特征描述与匹配算法的基本概念、常用方法和应用，希望能够帮助读者对该领域有一个初步的了解。
一、图像特征描述图像特征描述是指将图像中的一些局部特征进行提取，以便后续的图像匹配、物体识别等任务。
图像特征可以分为全局特征和局部特征两大类。
全局特征是指对整幅图像的描述，如颜色直方图、纹理特征等；而局部特征是指对图像中的局部区域进行描述，如角点、边缘等。
由于局部特征在不同光照、旋转、尺度变化下具有不变性，因此在实际应用中更为广泛。
1.角点检测角点是图像中灰度变化较大的点，在图像中具有很强的鲁棒性和判别性。
角点检测算法常用的有哈里斯角点检测、Shi-Tomasi角点检测等。
哈里斯角点检测算法是基于图像的灰度变化强度来寻找角点，它计算图像中每个像素点的角点响应函数，然后选取响应函数最大的点作为角点。
Shi-Tomasi角点检测算法是对哈里斯角点检测算法的改进，它使用了更稳定的角点响应函数来寻找角点。
2.边缘检测边缘是图像中灰度变化较大的区域，它通常用来表示物体的轮廓和形状。
常用的边缘检测算法有Sobel算子、Prewitt算子、Canny边缘检测算法等。
这些算法都是基于图像灰度的变化来检测边缘的，它们可以有效地提取图像中的边缘信息。
3.尺度不变特征变换（SIFT）SIFT是一种局部特征描述算法，它可以在不同尺度和旋转下对图像进行特征描述，并且对光照、噪声等因素有一定的鲁棒性。
SIFT特征描述算法一般包括以下几个步骤：尺度空间极值点检测、关键点定位、方向分配和特征描述。
SIFT特征描述算法在图像匹配、物体识别等领域有着广泛的应用。
4.加速稳健特征（SURF）SURF是一种基于SIFT的改进算法，它主要针对SIFT算法在计算速度和对图像噪声的稳健性方面的不足进行了改进。
找特征点的算法SIFT和SURF算法
找特征点的算法SIFT和SURF算法SIFT算法和SURF算法是用于图像特征点的检测与描述的两种经典算法。
它们在图像处理、计算机视觉和模式识别等领域得到广泛应用。
下面将分别介绍SIFT算法和SURF算法，并对其原理和应用进行详细阐述。
一、SIFT算法（Scale-Invariant Feature Transform）SIFT算法是由Lowe于1999年提出的一种用于图像特征点检测与描述的算法。
它通过分析图像的局部特征来提取与尺度无关的特征点，具有尺度不变性、旋转不变性和仿射不变性等优点。
1.特征点检测SIFT算法首先通过高斯差分金字塔来检测图像中的特征点。
高斯差分金字塔是由一系列模糊后再进行差分操作得到的，通过不同尺度的高斯核函数对图像进行卷积，然后对结果进行差分运算，得到图像的拉普拉斯金字塔。
在拉普拉斯金字塔上，通过寻找局部最大值和最小值来确定特征点的位置。
2.特征点描述在确定特征点的位置后，SIFT算法使用梯度直方图表示特征点的局部特征。
首先，计算特征点周围邻域内每个像素点的梯度幅值和方向，然后将邻域分为若干个子区域，并统计每个子区域内的梯度幅值和方向的分布，最后将这些统计结果组合成一个向量作为特征点的描述子。
3.特征点匹配SIFT算法通过计算特征点描述子之间的欧式距离来进行特征点的匹配。
欧式距离越小表示两个特征点越相似，因此选择距离最近的两个特征点作为匹配对。
二、SURF算法（Speeded Up Robust Features）SURF算法是由Bay等人于2024年提出的一种在SIFT算法的基础上进行改进的图像特征点检测与描述算法。
它通过加速特征点的计算速度和增强特征点的稳定性来提高算法的实时性和鲁棒性。
1.特征点检测SURF算法使用Hessian矩阵来检测图像中的特征点。
Hessian矩阵是图像的二阶导数矩阵，通过计算Hessian矩阵的行列式和迹来确定图像的局部最大值和最小值，从而找到特征点的位置。
基于金字塔结构的图像特征提取与匹配研究
基于金字塔结构的图像特征提取与匹配研究在计算机视觉领域中，图像特征提取和匹配是关键的研究方向之一。
基于金字塔结构的图像特征提取和匹配算法是目前应用广泛和效果优良的一种方法。
一、图像金字塔图像金字塔是图像处理中常用的一种技术。
它可以将一副图像按照不同的尺度进行划分，使得同一物体在不同尺度下都能被准确检测和匹配。
在图像处理中，金字塔结构可分为高斯金字塔和拉普拉斯金字塔。
高斯金字塔是通过不断向下采样得到的，其上一层图像的尺寸是下一层图像的两倍，像素值满足高斯分布。
拉普拉斯金字塔则是通过向下采样和向上采样得到，是高斯金字塔的差分图。
图像金字塔结构的生成可以使用循环卷积的方法或者快速傅里叶变换的方法，具体实现时需要根据不同情况选择合适的方法。
使用金字塔结构对图像进行处理可以避免图像尺度发生变化对结果的影响，从而提高图像处理的准确性。
二、SIFT算法SIFT算法是一种广泛使用的图像特征提取和匹配算法，其主要思想是通过寻找尺度空间上的极值点来提取图像特征。
在SIFT算法中，首先需要使用高斯金字塔对图像进行尺度变换，然后在每个尺度下利用DoG算法求出关键点。
最后对每个关键点周围的像素进行梯度计算，生成图像特征描述子。
SIFT算法的优点在于具有旋转不变性和尺度不变性，能够对不同方向和尺度的物体进行准确匹配。
但是SIFT算法处理速度较慢，存在过多的计算消耗和存储空间的问题。
三、SURF算法SURF算法是一种将SIFT算法进行优化的算法。
在SURF算法中，采用快速Laplacian算法对图像进行建模，利用Haar小波对图像快速特征提取，通过积分图像快速计算图像特征描述子。
与SIFT算法相比，SURF算法的计算速度更快，在处理大型图像时更具优势。
但是SURF算法对于旋转和尺度不变性的处理并不十分稳定，可能会出现一些误匹配的情况。
四、ORB算法ORB算法是一种将FAST特征点检测和BRIEF特征描述结合的算法。
在ORB算法中，首先使用FAST算法选取特征点，然后使用BRIEF算法对特征点进行描述。
基于小波图像金字塔的SSDA快速模板匹配算法
中图分类号 ：Ｔ ２ Ｐ４
文献标识码：Ａ
文章编号 ：１ ７ 一１９ 一 ２ ０ ） — ０ ８ Ｏ ６ １ ， ２ （０ ７ １ ０ １ 一 ３ ７ １
Ａｂ ｔ ｃ ： ｈ ｍ ｇ ｓ ｍ ｔ ｈ ｎ ｈ ｏ ｙ ｓ ｗ ｄ ｌ ｐ ｌ ｅ ｎ ｔ ｅ ｉ ａ ｅ ｒ ｃ ｇ ｉ ｉ ｎ ａ ｄ ｕ ｄ ｒ ｔ ｎ ｎ Ｆ ｉ ａ ｅ ｓｒ ｔ Ｔ ｅ ｉ ａ ｅ ａ ｃ ｉ ｇ ｔ ｅ ｒ ｉ ｉ ｅ Ｙ ａ ｐ ｌ ｄ ｉ ｈ ｍ ｇ ｅ ｏ ｎ ｔ ｏ ｎ ｎ ｅ ｓ ａ ｄｉ ｇ． ｈ ｓ ｐ ｐ ｒ ａ
摘
要：图像 匹配理论在 图像识别和理解 中应用广泛。本 文介绍 了一种基于小波金字塔的 Ｓ Ｄ Ｓ Ａ快速模板 匹配算法，它
对传统 Ｓ Ｄ Ｓ Ａ算法进行 改进 ，采用 了一种 自 应阈值 Ｓ Ｄ 适 Ｓ Ａ算法 ，不断对 阈值进行 自适应更新来减少运算量。通过大量试验
对 比验 证 了此 算 法 的 实 时 性和 可 靠 性 。 关键词： 图像 匹配：小波 金 字塔 ： Ｓ Ａ：实 时性 ＳＤ
ｐ ｓ ｏｒ ａｒ ａ ａｓ ｉ ｇ ｍ ｃｈｉ ａ ｏ ｔ ｍ Ｓ ＤＡ ａｓ ｏ ｗ ｅ１ ｐｙ ｍｉ ｕｔ ｆ ｗ ｄ ｆ ｔ ｍａ ｅ ａｔ ｎｇ ｌｇ ｒｉ ｈ ｏＦ Ｓ ｂ ｅ ｎ ａｖ ｅｔ ｒａ ｄ． Ｗｅ ｍ ｏｖ ｔｈ ｔｒ ｄｉｔ ｏｎ ｉ ｐｒ ｅ ｅ ａ ｉ ＳＳ ＤＡ
进行改进， 最后提 出了一种基于小波金字塔的Ｓ Ｄ 快速模 板 ＳＡ
随着科学技术的迅猛 发展，图像匹配技术成为近代信息 处理，特别是数字图像处理 中的一项关键技术，国内外学者 进行 了大量的研究 …，是模 板匹配中最常用的一个匹配方
法。 它在 目标识别和跟踪 、 天气预报、立体视觉 、 雷达跟踪、
图像配准_精品文档
简单分割→迭代分割（亚像素 精度）→大尺度→使用距离变 换的虚拟圆思想→基于Harris 角点检测器及边缘的仿射不变
领域→MSER
一、特征检测（Feature detection）
线特征（Line features）
检测方法
特征实例
演化
Canny 检测器
general line segments, object contours, coastal lines, roads or elongated anatomic structures in medical imaging
轮廓点的切线斜率，线长的直方图、最小圆半径、重 心、邻域形变类型、轮廓链码
—— 几何方向
线 ——
线特征点的角度直方图 最长结构和角度、MVLT
计算旋转角度 可用于所有特征
二、特征匹配（Feature matching）
2.3 松弛法（Relaxation methods）
解决一致标志问题，可对线特征、角特征使用该方法，此外还 有回溯法（Backtracking）
三、变换模型估计（Transform model
1 全局匹配模型（ Global mapping models ）
它是使用最小二乘法对所有控制点来估计匹配函数及其参 数，亦称形状保持匹配，对旋转、平移和尺度保持不变；
一般模型（两个控制点）：
三、变换模型估计（Transform model
1 全局匹配模型（ Global mapping models ）
图像配准的方法可大致分为两大类
一、特征检测（Feature detection） 二、特征匹配（Feature matching） 三、变换模型估计（Transform model estimation） 四、图像重采样和变换（ Image resampling and
基于小波金字塔和轮廓特征的医学图像配准
减少精配准过程中所需的时间 ， 有效地降低 了配准过程所需 的计 算量 。由实 验结果可 以看 出 ， 配准结 果精确 ， 实现速度快 ，
因此是一种实用的多模态配准算法。 关键词： 医学图像 配准 ； 力矩 主轴 法； 小波金字塔 ； 交叉相关
中 图 分 类 号 ：Ｐ ０ ． Ｔ ３ １６ 文 献 标 识 码 ： Ｂ
Ａ ｕ ｏ ａ ｉ ｇ ｓ ｒ ｔｏ ｏ ｅ ｃ ｌＩ ａ ｅ Ｂａ ｅ ｏ ｔ ｍ ｔｃ Ｒｅ ｉｔ ａ ｉ ｎ ｆＭ ｄｉ ａ ｍ ｇ ｓ ｄ ｎ
Ｗ ａ ｌｔＰｙ ａ ｉ ｎｄ Ｃｏ ｔ ｕ ａ ｕ ｅ ｖｅｅ ｒ ｍ ｄ ａ ｎ ｏ ｒ Ｆｅ ｔ ｒ
（ 东北 大学信息科 学与工程学院 ， 辽宁 沈 阳 ｌ０ ０ ） １０ ４
摘要 ： 提出一种快速而精确的 自动医学图像配准算法 。先提取 图像 的轮廓 ， 根据力矩主轴法计算初步配 准变换参数 的值 ， 实
现参考图像和待配准图像的初步配准 ； 然后在此基础上 ， 利用小波 分解 图像 ， 提取图像 的边 缘特征点 ， 用小波金 字塔分层 采 搜索的策略在一个相对较小的范 围对变换参数进行迭 代搜 索 ， 最终实现 图像 的精确 配准。不但提 高了配准 的精度 ， 而且 可
维普资讯
第２卷 第５ ５ 期
文章编号 ：０ ６—９ ４ （０ ８ ０ ０ ０ １０ ３ ８ ２ ０ ）５— ２ ５—０ ５
VSLAM基础(一)————常见特征点提取算法及匹配优化
VSLAM基础（一）————常见特征点提取算法及匹配优化Visual SLAM（Visual Simultaneous Localization and Mapping，视觉同时定位与建图）是一种利用摄像机观测环境特征点进行定位和建图的技术。
在Visual SLAM中，特征点提取算法和匹配优化是实现高精度和鲁棒性的关键。
特征点（Feature Point）是图像中具有独特性的点，可以用于图像对齐、定位和建图。
常见的特征点提取算法有SIFT（Scale-Invariant Feature Transform，尺度不变特征转换）、SURF（Speeded Up Robust Features，快速稳健特征）和ORB（Oriented FAST and Rotated BRIEF，方向自适应FAST关键点和旋转的BRIEF特征描述子）。
这些算法通过不同的方式检测图像中的角点、边缘和斑点等特征。
SIFT算法通过多尺度图像金字塔构建，并通过高斯差分金字塔寻找关键点。
然后，对每个关键点计算其尺度和方向不变的特征描述子。
SURF算法也使用多尺度图像金字塔，但是通过Haar小波快速计算图像的积分图像，从而加速特征点提取过程。
ORB算法则使用FAST角点检测器检测图像中的关键点，并计算具有旋转不变性的BRIEF特征描述子。
在特征点提取后，需要对提取的特征点进行匹配优化。
常见的匹配优化算法有最近邻法（Nearest Neighbor），RANSAC（RANdom SAmple Consensus）和基于光流法的连续匹配。
最近邻法是一种简单的匹配算法，它将每个特征点在两幅图像中寻找最近的匹配点。
然而，这种算法容易受到噪声的干扰，并且无法处理遮挡和动态场景等问题。
为了解决这些问题，RANSAC算法被广泛应用于特征点匹配优化。
RANSAC算法通过随机采样一组特征点对，计算这些点对之间的变换矩阵，并通过对内点进行优化来估计最佳的模型。
图像配准
line intersections, road crossings, centroids of water regions, oil and gas pads, high wavelet variance points, local curvature transform， Harris detector， discontinuities, inflection points SUSAN method of curves, local extrema of wavelet transform, the most distinctive points , and corners
三、变换模型估计（Transform model
1 全尿匹配模型（ Global mapping models ）
它是使用最小二乘法对所有控制点来估计匹配函数及其参 数，亦称形状保持匹配，对旋转、平移和尺度保持丌变；
一般模型（两个控制点）：
三、变换模型估计（Transform model
1.相关法（及归一化相关法）
2.互信息法 3. （变换域）Fourier变换法 二、基于特征的方法 1.固定特征描述子法
2.金字塔法
3.小波变换法
图像配准的方法可大致分为两大类
一、特征检测（Feature detection） 二、特征匹配（Feature matching） 三、变换模型估计（Transform model estimation） 四、图像重采样和变换（ Image resampling and transformation ）
二、特征匹配（Feature matching）
如何进行遥感影像增强与处理
如何进行遥感影像增强与处理遥感影像是通过航空或卫星等方式获取的地球表面的图像数据。
由于拍摄条件、设备性能以及环境因素的限制，遥感影像常常存在一些问题，如图像模糊、噪声干扰等。
为了提高遥感影像的质量和准确性，需要进行增强和处理。
本文将介绍如何进行遥感影像增强与处理的方法和技巧。
一、图像增强的目的和方法图像增强是指通过一系列的处理方法，改善图像的视觉效果和质量。
其目的是提高图像的对比度，减少噪声，增强图像细节，以便更好地进行分析和解译。
1、直方图均衡化直方图均衡化是一种常用的图像增强方法。
它通过调整图像像素值的分布，使得图像的亮度和对比度得到均衡。
具体步骤是：首先计算图像的灰度直方图，然后根据直方图进行像素值的调整。
直方图均衡化能够有效地增强图像的细节和对比度，使得图像更易于解译。
2、滤波器增强滤波器增强方法主要是通过应用不同类型的滤波器来抑制图像中的噪声和其他干扰。
常用的滤波器有均值滤波器、中值滤波器和锐化滤波器等。
均值滤波器可以平滑图像，中值滤波器可以有效地去除椒盐噪声，而锐化滤波器可以增强图像的边缘。
3、多尺度分析多尺度分析是一种结合不同尺度的信息来进行图像增强的方法。
通过分析图像在不同尺度上的特征，可以更好地理解图像的内容。
常用的多尺度分析方法有小波变换和特征金字塔等。
小波变换能够将图像分解为不同频率的子图像，从而提取出图像的细节信息。
特征金字塔则是一种层次化的图像表示方法，可以在不同尺度上检测出图像的边缘和纹理等特征。
二、图像分割和分类的方法图像分割是指将图像分成若干个具有相同特征的区域的过程。
图像分类是指将图像分配到不同的类别或标签中的过程。
图像分割和分类是遥感影像处理中重要的一步，它可以用于自动提取和识别图像中的目标或区域。
1、基于颜色和亮度的分割方法基于颜色和亮度的分割方法是最常用的一种图像分割方法。
它通过分析图像中像素的颜色和亮度信息，将图像分成不同的区域。
常用的方法有阈值分割、区域生长和分水岭算法等。
图像编码中的多尺度处理方法研究(二)
图像编码中的多尺度处理方法研究引言：随着数字技术和图像处理技术的快速发展，图像编码技术在如今的数字媒体领域扮演着至关重要的角色。
图像编码是将图像数据转换为更高效的表示形式的过程，从而减少存储和传输所需的数据量。
多尺度处理方法是图像编码中一种常见且重要的技术，在本文中将探讨该方法的研究进展。
一、多尺度分析与图像编码多尺度处理方法是指将图像分解成不同尺度的子图像，以便于对图像进行分析和编码。
通常采用的多尺度分析方法包括小波变换、金字塔变换等。
这些方法能够将图像的不同频率分量表示在不同的尺度上，从而提取出图像的局部特征。
二、小波变换在图像编码中的应用小波变换是一种分析信号的数学工具，它能够将信号划分成不同频率的分量，并且在多尺度上对这些分量进行分析。
在图像编码中，小波变换常常用来处理图像的高频细节信息，从而提高图像的压缩效率。
通过对小波系数进行量化和编码，可以实现对图像的高效压缩和重建。
三、金字塔变换在图像编码中的应用金字塔变换是一种基于空间分解的多尺度处理方法，它将图像分解为不同分辨率的子图像，并且通过逐级降采样得到不同尺度的图像。
金字塔变换在图像编码中的主要应用是实现图像的分层压缩。
通过逐级降低图像的分辨率，可以减少图像的冗余信息，从而实现对图像的高效编码。
四、多尺度处理方法的局限性与改进尽管多尺度处理方法在图像编码中有很多优势，但也存在一些局限性。
例如，小波变换和金字塔变换都无法处理图像的旋转和尺度变化。
为了克服这些问题，研究者们提出了一些改进的方法，如基于局部特征的多尺度编码和基于自适应调整的多尺度编码等。
这些方法能够更好地处理图像的不同尺度和旋转变换，从而提高了图像编码的性能。
结论：多尺度处理方法在图像编码中发挥着重要作用，能够有效地提取并表示图像的局部特征。
小波变换和金字塔变换作为常用的多尺度分析方法，已经被广泛应用于图像编码领域。
然而，多尺度处理方法仍然存在一些局限性，需要不断改进和完善。
基于小波影像金字塔的影像自动匹配
字 图像 而 言 ， 于 小 渡 影 像 金 字 塔 的 匹 配 成 功 率 基 最 高 ， 次 是 平 均 影 像 金 字 塔 和 拉 普 拉 斯 影 像 金 其 字 塔 。文 中 采 用 小 波 变 换 生 成 影 像 金 字 塔 。 设 十 代 表 原 始 影 像 ． ｄ 、 是 原 始 一 一、 、 ｄ 影 像 经 小 渡 变 换 得 到 的 ４幅 子 图像 ， 由
ｌ 小 波 影 像 金 字 塔 的 生 成 算 法 基于金 字塔 的多级 影像匹 配具有 速度快 、 可
其 中 ． 、ｇ ｝为 滤 波 算 子 图 像 ｈ ｛
分 量 的 含 义 为 ： 集 中 了原 始 影像 ｃ 中的 主 要 低 频 成 分 ； 对 应 Ｃ 中 垂 直 方 向 的 高频 边 缘 信 息 ； ｄ 对 应 ｃ 中 水 平 方 向的 高 频 边 缘 信 息 ， ｊ对 应 ｄ。 中 ４ 。 向 的高 频 边 缘 信 息 。 ５方 由 ｃ、 “、 。 也 可 以 重 构 ‘ｄ 、 为 ， 建 公 式 重
《 一告 ∑ ． （ ：
一 ＾． ∈ Ｚ ｆ
一∑ ： ｚ 一一
∈ｚ
∑
＋∑ 嘏ｒｚ 一）（） ； ２
靠 性 高 的 特 点 ， 同 的 影 像 金 字 塔 均 可 以 实 现 由 不 粗 到 精 的 匹 配 策 略 提 高 匹 配 的 效 率 ． 不 同 的 影 但
成 ｆ、 、 、 的 分 解 公 式 为 ｄ ｄ ｄ
一
，
分 解 形
征 点 的 视 差 值 控 制 影 像 匹 配 生 成 ＤＥＭ 的 方 案 ，
喜∑ｃ 。 ｈ
遥感图像配准技术与精度评定方法
遥感图像配准技术与精度评定方法引言：遥感图像是通过卫星、飞机等空中平台获取的地球表面的影像数据，它在各个学科领域中有着广泛的应用。
在实际应用中，遥感图像配准技术是一项关键的技术，它能够将多幅图像进行几何校正，以确保它们在同一坐标系下具有一致的几何特征，进而提高遥感影像的解译和分析的准确性。
本文将介绍遥感图像配准技术的原理和方法，并探讨相应的精度评定方法。
一、遥感图像配准技术原理遥感图像配准技术的基本原理是通过提取图像中的特征点，并通过匹配这些特征点来实现图像的几何校正。
根据匹配的原理和方法的不同，遥感图像配准技术可以分为点特征匹配法、区域特征匹配法和基于控制点的配准法等。
1. 点特征匹配法点特征匹配法是基于图像中的离散像素点进行配准的方法。
它通过寻找同一地物的相应像素点，并计算它们之间的几何变换关系来实现图像配准。
这种方法的优点是计算简单，但对于遥感图像中存在复杂地物和纹理的情况，点特征匹配法的效果较差。
2. 区域特征匹配法区域特征匹配法是基于图像中的纹理和结构信息进行配准的方法。
它通过提取图像中的区域特征，并计算它们之间的相似性来实现图像配准。
这种方法的优点是对遥感图像中的复杂地物和纹理有较好的适应性，但计算复杂度较高。
3. 基于控制点的配准法基于控制点的配准法是通过已知位置的控制点来实现图像配准。
它通过提取图像和参考影像中的控制点，并计算它们之间的变换关系来实现图像配准。
这种方法的优点是精度较高，但需要准确的控制点信息。
二、遥感图像配准技术方法遥感图像配准技术的方法多种多样，下面将介绍几种常用的方法。
1. 特征点提取与匹配该方法通过使用特征点检测算法（如SIFT、SURF等）来提取图像中的特征点，再使用特征点匹配算法（如RANSAC等）来进行特征点的匹配，以实现图像的配准。
2. 多尺度配准该方法通过使用金字塔多尺度图像处理方法，将原始图像金字塔进行分解，然后将不同层次的图像进行配准，逐步实现图像的几何校正。
遥感影像配准方法
遥感影像配准方法一、引言遥感影像配准是指将不同时间、不同分辨率或不同传感器获取的遥感影像进行几何校正，使其在同一坐标系下对应位置一致，以便进行后续的图像分析和应用。
遥感影像配准是遥感技术中的重要环节，广泛应用于地质勘探、环境监测、农业和城市规划等领域。
本文将介绍几种常见的遥感影像配准方法。
二、特征点匹配法特征点匹配法是一种常见且有效的遥感影像配准方法。
该方法通过提取影像中的特征点，如角点、边缘等，然后通过特征点间的相似性度量来确定匹配关系。
特征点匹配法的优点是计算简单，适用于大尺度的遥感影像配准。
然而，该方法对于一些低纹理、重复纹理的影像区域效果较差。
三、基于区域的配准方法基于区域的配准方法是通过比较影像区域的相似性来进行配准的。
该方法先将影像划分为若干个区域，然后比较各区域之间的相似性，通过优化算法找到最佳的配准变换参数。
基于区域的配准方法相对于特征点匹配法而言，对于纹理丰富的影像区域有更好的适应性。
然而，该方法在计算复杂度和计算时间方面较高。
四、基于控制点的配准方法基于控制点的配准方法是通过已知的地面控制点来进行影像配准的。
该方法需要事先采集一些具有高精度地理位置信息的控制点，并在影像中定位这些控制点。
然后通过求解方程组，计算出配准变换参数。
基于控制点的配准方法适用于需要高精度配准的应用，如地理信息系统(GIS)和制图等。
然而，该方法需要事先采集控制点，工作量较大。
五、基于影像配准标志物的配准方法基于影像配准标志物的配准方法是通过在影像中设置一些具有高辨识度的标志物，如人工标志、自然标志等，来进行影像配准。
该方法需要在拍摄或获取遥感影像时设置标志物，并在后续处理中利用这些标志物进行配准。
该方法适用于对影像位置精度要求较高的应用，如航空摄影和地形测绘等。
然而，该方法对于标志物的要求较高，且需要较多的人工操作。
六、总结遥感影像配准是遥感技术中的重要环节，不同的配准方法适用于不同的应用场景。
特征点匹配法适用于大尺度的遥感影像配准；基于区域的配准方法对纹理丰富的影像区域有更好的适应性；基于控制点的配准方法适用于需要高精度配准的应用；基于影像配准标志物的配准方法适用于对影像位置精度要求较高的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第34卷第4期2007年7月浙 江 大 学 学 报(理学版)Journal of Zhejiang U niversity(Science Edition)http :///sciVol.34No.4J ul.2007收稿日期:2006203220.基金项目:国家863计划项目(2005AA131021).作者简介:张登荣(1966-),男,副教授,博士,主要从事遥感图像处理与地理信息系统的开发与应用研究.点特征和小波金字塔技术的遥感图像快速匹配技术张登荣,俞 乐,蔡志刚(浙江大学地球科学系,浙江杭州310027)摘 要:提出了一种基于Harris 特征点提取和小波金字塔的遥感图像快速匹配技术.在对多分辨率遥感图像进行完预处理的基础上,先利用Harris 算子提取待匹配图像的特征点,然后利用小波金字塔完成匹配.通过杭州地区TM 和SPO T 遥感影像的配准实验,表明该算法减少了人工干预,提高了运算速度,又保持了匹配精度.关 键 词:图像匹配;Harris 算子;小波金字塔中图分类号:TP391 文献标识码:A 文章编号:1008-9497(2007)04-465-04ZHAN G Deng 2rong ,YU Le ,CAI Zhi 2gang (De partment of Earth Sciences ,Zhej iang Universit y ,Hangz hou 310027,China )Matching method b ased on H arris operator and w avelet pyramid.Journal of Zhejiang University (Science Edition ),2007,34(4):465～468Abstract :A matching method for remote sensing images based on Harris operator and wavelet pyramid is proposed.After the multi 2resolution remote sensing images have been pre 2processed ,Harris operator is employed as a corner detector for extracting feature points.Subsequently ,image 2pyramids are constructed by wavelet transform ,and then performed matching to images is performed.The experiment in matching Hangzhou TM and SPO T images demonstrates an exactness and speediness result.K ey w ords :image match ;Harris operator ;wavelet pyramid0 引 言图像匹配技术是当代信息处理,特别是图像信息处理领域中的一项非常重要的技术,它可以代替作业人员实现数字地面模型数据采集的自动化,并在计算机视觉、航空摄影测量、遥感图像处理、医学图像匹配、飞行器巡航制导等领域得到了广泛的应用.随着信息获取技术的发展,对图像匹配提出了更高要求.在遥感研究领域,随着近几年来各种新型传感器的出现,人们现在可以获取更高空间分辨率、多角度、高光谱的遥感数据,为各种遥感研究和应用提供了更多的数据,同时也是对传统的遥感图像匹配方法的挑战.目前遥感图像匹配的难点之一就是不同分辨率、不同角度、不同波段以及不同时相的图像之间的匹配.在遥感、军事及自动化领域的图像匹配中,实时性一直是一个非常棘手的问题.基于灰度的图像匹配方法中遍历搜索和基于特征的图像匹配方法中特征的匹配都是比较耗时的运算.如当待匹配的图像尺寸变大时,图像数据量增大,特征点数量随之增多,特征匹配的计算量更是呈几何级数增长,在这种情况下要实现高精度的匹配,必然占用较长的运算时间.提高匹配精度和降低匹配时间也是当前图像匹配领域迫切的研究任务.针对以上两个问题,当前的主要解决思路是先对多分辨率图像进行预处理以纠正较大的角度,平移,分辨率之间的差异,然后进行匹配运算.一般意义下的匹配包括:提取特征,相似性测度,确定搜索策略,选取变换模型等4个步骤,其中的搜索策略是提高匹配效率的关键.目前快速匹配算法主要有:BARN EA 等人提出的序惯相似性检测算法[1](SS 2DA ,Sequential Similarity Detection Algorit hm ),此方法被证明所花费的时间大约为传统模板匹配方法的25%[2],但与基于特征的匹配方法相比效率仍有差距;金字塔方法(Pyramid ),采用影像金字塔数据结构逐层搜索实现由粗到细的匹配[3],改进了搜索策略,提高了匹配效率;遗传算法(GA ,Generic Al 2gorit hm ),是一种有效而实用的优化算法,在图像的配准,特征提取以及图像压缩方面有所应用[4],GA 能优化搜索算法但存在编码形式难以确定等难点;不变矩(Moment Invariant )方法,对目标图像的旋转、对比度调整、尺度缩放具有很好的稳定性[5],采用直方图不变矩进行匹配能大幅度提高运算速度[6],但仍难以达到实时性的要求.出于对效率和精度的考虑,本文采用点特征和小波金字塔技术给出了一种遥感图像快速匹配方法,具体流程如图1所示.图1 匹配流程图Fig.1 Flow chat of the matching method1 点特征提取点特征是最常见的一种图像特征,常用的提取方法有边缘点提取法、角点检测法、兴趣算子法等,方法虽然不同,但基本原则都是选择局部灰度变化最大点作为特征点,这样可以保持特征点领域内的纹理细节,减少后续的误匹配率.这里采用了Harris 算子[7]进行特征提取.Harris 特征点提取算法因为其算法简单、稳定性高,已被广泛使用于计算机视觉领域.不少学者也提出了改进Harris 算法的方法,如Oergaard 提出了不同于传统的响应函数来达到类似甚至更好的效果[8],谢东海等把Harris 算子和Fo st ner 算子结合起来作为Harris 改进算子,使定位精度达到了子像素级[9].Harris 算子的计算公式如下:M =G (s )g x2g y g x g x g yg y2,I =det (M )-kt r 2(M ), k =0.04,(1)式(1)中g x 为x 方向的梯度,g y 为y 方向的梯度,G (s )为高斯模板,det (M )为矩阵的行列式,t r 为矩阵的直迹,k 为默认常数.Harris 算子中只用到灰度的一阶差分以及滤波,计算简单.同时,由于Harris 算子特征点的检测不需设置阈值,因此还可以满足自动化的要求.实验表明,在纹理信息丰富的区域(山区),Harris 算子可以从卫星遥感图像上提取出大量有用的特征点,而在纹理信息少的区域(平原),提取的特征点则较少,特征点的分布具有很好的合理性.特别地,即使图像发生一定的旋转、有一定的灰度差异或噪音影响,所提取的特征点也具有一定的稳定性,而且不涉及阈值.由于Harris 算子需要对整块影像进行差分和滤波处理,所以对于大图像,程序运行时会有很大的计算量.为了提高计算速度,在研究中首先对影像进行分块,然后逐块计算每个像元点的Harris 值并排序,取Harris 最大的一定数量的点作为特征点,这样做进一步保证了特征点分布的均匀性.从本文采用Harris 算子对遥感图像进行特征提取的效果来看,无论是精度还是特征点的数量都能满足匹配要求.2 小波金字塔的建立金字塔是一种减少匹配搜索时间的有效方法,通过从低分辨率图像开始模板匹配,找粗匹配点,逐步找到原始图像(即最高分辨率图像)的精确匹配点.对数字影像而言,基于小波影像金字塔的匹配成功率最高,其次是平均影像金字塔和拉普拉斯影像金字塔[10].小波分析是1986年以来由于MEYER Y,MALLA T S 及DAUB ECH IES 等的奠基工作而迅速发展起来的一门应用数学学科[11].小波分析在遥感图像压缩、多遥感影像融合、影像去噪、影像边缘检测与纹理信息提取等方面都有应用[12].在遥感影像处理中涉及最多的二维小波变换,其中Haar 小波是最简单的正交小波,利用Haar 小波构造的2维小波滤波器如文献[13]所示.一幅二维图像通过一次小波分解,可以得到四幅子图,即低频图像h A ,水平方向的高频图像h D 1,垂直方向的高664浙江大学学报(理学版) 第34卷 频图像h D2,对角线方向的高频图像h D3.这里h A是对原图像的近似(总是位于图像的左上角),分辨率降为原来的1/2,h D1、h D2和h D3分别描述水平、垂直和对角线方向上的纹理特征.经过多次小波正变换后将得到一系列不同分辨率的遥感影像,形成影像金字塔.3 特征点向上映射本步骤是将从底层图像提取的特征点逐级映射到上级金字塔影像.需要注意的问题是,当特征点过于密集或者影像金字塔建的层数比较高时,会出现上层特征点与下层特征点的一对多的对应关系,这时需要把每一对关系都保存下来,为的是不使特征点在建金字塔后大量消失.4 特征点全图匹配在顶层,将特征点作为模板的中心,去另外一幅遥感影像全图范围内寻找对应点.采用相关系数C(x,y)作为对应关系是否成立的度量.C(x,y)=1δ1δ2(M+1)2∑Mc,r=-Mf1(x,y)-u1)×[f2(x′+c,y′+r)-u2],(2)式中,f1(x,y)为遥感影像A的特征点(x,y)处像素灰度,f2(x′,y′)为影像B的(x′,y′)处像素灰度, u1、u2为模板窗口内像素灰度均值,δ1、δ2为模板窗口内像素灰度方差,M为模板窗口半径.采用相关系数法对遥感影像进行匹配可消除影像间的灰度线性畸变.但还存在着一些因素可能引起误匹配,例如阴影、地物遮掩会使影像在局部区域产生不一致性.5 匹配点对向下映射顶层形成的点与点之间的匹配关系需要通过向下映射计算才能反映到金字塔底层图像(即原图)上.这里有两点需要注意,一是从上层映射到下层必定会因分辨率的提高而导致的匹配关系的小范围变化,因此需要在控制点邻域内继续调整其匹配关系;二是对于先前因为一对多关系而保存的点此时需要分离,全部投入匹配.完成本层匹配后继续执行向下一层的映射,直到底层结束.6 实验结果与结论本次实验采用的数据是杭州地区SPO T全色影像和TM多光谱影像.在预处理(此时SPO T被重采样到30m)过程结束后施行匹配.TM影像作为待匹配图像,其大小为4001×3903像素.首先对TM影像采用Harris特征点提取,耗时32.9s提取特征点311975个,然后实行小波金字塔匹配,耗时105.5s.对于所有得到的匹配点对,作者通过最小二乘拟合使特征点提取精度达到子像元级,在实际试验中,将提取到的特征点中凡超过一个象素的均给予剔除,然后重新拟合,通常拟合偏差小于0.5像素.为了便于查看以及后续操作,故以三角网形式显示匹配点结果.图2是TM影像特征点提取结果,图3是根据匹配得到的SPO T影像特征点结果.图2 TM遥感影像Fig.2 TM image and its feature points TIN.图3 SPO T遥感影像Fig.3 SPO T image and its feature points TIN.在遥感影像处理的应用中,几何纠正是一项重要的处理工作.由于当前成熟的遥感图像处理软件还没有自动匹配的功能模块,传统的做法是手工选764 第4期张登荣,等:点特征和小波金字塔技术的遥感图像快速匹配技术取控制点,这种方式下的匹配不仅精度低而且速度慢.本文提出的这种包含特征点提取,小波金字塔建立,特征点向上映射,特征点全图匹配,特征点向下映射,误差拟合等一系列步骤的匹配流程都不需要人工干预,能够满足多源遥感影像的业务化配准的精度和速度要求.参考文献(R eferences):[1] B ERN EA D I,SIL V ERMAN H F.A class of algo2rithms for fast digital registration[J].IEEE T ransComputer,1972,21:1792186.[2] 罗钟铉,刘成明.灰度图像匹配的快速算法[J].计算机辅助设计与图形学学报,2005,17(5):9662970.L UO Zhong2xuan,L IU Cheng2ming.Fast algorithm of image matching[J].J of Computer2Aided Design& Computer G raphics,2005,17(5):9662970.[3] 李国胜,张继贤,宋卫东,等.遥感影像配准中控制点的自动提取[J].辽宁工程技术大学学报,2005,24(1);41244.L I Guo2sheng,ZHAN G Ji2xian,SON G Wei2dong,etal.Automatic selection of control point based on imagematching[J].J of Liaoning T echnical U niversity,2005,24(1);41244.[4] 徐建斌,洪文,吴一戎.基于小波变换和遗传算法的遥感影像匹配方法的研究[J].电子与信息学报,2005,27(2):2832285.XU Jian2bin,HON G Wen,WU Y i2rong.The study ofremote sensing images matching method based onwavelet transform and genetic algorithms[J].J of E2 lectronics&I nform ation T echnology,2005,27(2):2832285.[5] 陈宇玺,韩崇昭,王明军,等.基于小波变换与图像不变矩的遥感图像匹配研究[J].电波科学学报,2004,8:4442447.CH EN Yu2xi,HAN Chong2zhao,WAN G Ming2jun,et al.A study of remote sensing image matching basedon combination of wavelet transformation and imageinvariant moment[J].Chinese J of R adio Science,2004,8:4442447.[6] 严柏军,郑链,王克勇.基于不变矩特征匹配的快速目标检测算法[J].红外技术,2001,23(6):8212.YAN Bo2jun,ZH EN G Lian,WAN G Ke2yong.Fasttarget2detecting algorithm based on invariant moment[J].I nfrared T echnology,2001,23(6):8212.[7] HARRIS C G,STEP H ENS M J.A combined cornerand edge detector[C]∥Proceedings Fourth Alvey Vi2sion Conference.Manchester:University of Manches2ter Press.1988:1472151.[8] O ER GAARD N C.On a modification to the Harriscorner detector[C]∥Symposium Svensk a S allskapet forBild analys.Stockholm:Stockholm University.2003:627.[9] 谢东海,詹总谦,江万寿.改进Harris算子用于点特征的精确定位[J].测绘信息与工程,2003,28(2):22223.XIE Dong2hai,ZHAN Z ong2qian,J IAN G Wan2shou.Improving Harris corner detector[J].J of G eom atics, 2003,28(2):22223.[10] 曹闻,李弼程,邓子建.一种基于小波变换的图像配准方法[J].测绘通报,2004,2:16219.CAO Wen,L I Bi2cheng,DEN G Zi2jian.An imageregistration method based on wavelet transformation[J].Bulletin of Surveying and Mapping,2004,2:16219.[11] 曹怀信,赵建伟.小波分析发展综述[J].咸阳师范学院报,2002,17(6):528.CAO Huai2xin,ZHAO Jian2wei.A survey of devel2opments of wavelet analysis[J].J of Xianyang N orm alCollege,2002,17(6):528.[12] 王贤敏,关泽群.小波在遥感图像分析中的应用综述[J].遥感技术与应用,2002,17(5):2762283.WAN G Xian2min,GUAN G Ze2qun.Summarizationof the application of wavelet transform in remotesensing image analyzing[J].R emote Sensing T echnol2ogy and Application,2002,17(5):2762283.[13] 姜挺,龚志辉,江刚武,等.基于三线阵航天遥感影像的DEM自动生成[J].测绘学院学报,2004,21(3):1782183.J IAN G Ting,GON G Zhi2hui,J IAN G Gang2wu,etal.Automatic generation of DEM based on space2borne three2line imagery[J].J of Institute of Survey2ing and Mapping,2004,21(3):1782183.(责任编辑 寿彩丽)864浙江大学学报(理学版) 第34卷 。