基于相关系数法分区影像匹配的研究

合集下载

基于相位相关的图像匹配算法研究

基于相位相关的图像匹配算法研究胡海;罗桂娥【摘要】提出一种基于相位相关的图像匹配方法.针对仅有位移变换的图像,给出基于相位相关的模板匹配方法,并进行了改进,然后利用人工平移的方式进行实验验证.结合Fourier-Mellin变换理论,给出解决旋转问题的图像匹配方法,并利用人工旋转的方式进行了实验验证.实验结果表明,本方法在精度和速度上都能取得比较满意的效果.【期刊名称】《微型机与应用》【年(卷),期】2013(032)007【总页数】3页(P5-7)【关键词】相位相关;傅里叶-梅林变换;模板匹配【作者】胡海;罗桂娥【作者单位】中南大学信息科学与工程学院,湖南长沙410083;中南大学信息科学与工程学院,湖南长沙410083【正文语种】中文【中图分类】TP391图像匹配是评价两幅或多幅图像的相似性以确定同名点的过程。

图像匹配算法就是设法建立两幅图像之间的对应关系，确定相应几何变换参数，对两幅图像中的一幅进行几何变换的方法。

图像匹配是图像分析和处理过程中的基本问题。

它在航空影像自动制图、图像三维重构、计算机视觉、遥感融合、模式识别、医学图像处理、影像分析等领域都有十分重要的应用。

目前图像匹配算法分为基于图像特征和基于图像灰度两大类。

在诸多现有的图像匹配算法中，基于相位相关的方法以其计算量小、抗噪声等优点得到广泛关注。

本文提出的基于相位相关的模板匹配方法不但有很高的匹配精度而且能精确地测量出相对图像对之间的相对平移量，但它对旋转变换很敏感。

为了能够准确实现图像匹配，本文结合Fourier-Mellin变换求取图像的旋转量，并对图像进行匹配[1-5]。

1 Fourier变换位移理论基于频域傅里叶变换相位相关法描述如下：f1（x，y），f2（x，y）是定义在空间 R2的两幅图像，假定f1（x，y）是参考图像，图像 f2（x，y）是 f1（x，y）平移（x0，y0）后的观测图像，两者之间的关系可表示为：根据傅里叶变换的性质有：则两幅图像的互功率谱为：式中，F（ξ，η）为 F1（ξ，η）的复共轭。

本文基于相关性分析来实现图像匹配.

本文基于相关性分析来实现图像匹配第一步：读取图像。

分别读取以下两幅相似的图片，显示效果如下：第二步：选择一副图像的子区域。

用户可以通过鼠标选择需要截取的图像部分，用于匹配。

随机选取图片的一块区域，如下图：第三步：使用相关性分析两幅图像采用协方差的方式计算相关系数，分析图片的相似性。

1．协方差与相关系数的概念对于二维随机变量(,)X Y ，除了关心它的各个分量的数学期望和方差外，还需要知道这两个分量之间的相互关系，这种关系无法从各个分量的期望和方差来说明，这就需要引进描述这两个分量之间相互关系的数字特征——协方差及相关系数。

若X Y 与相互独立,则()()0Y E X EX Y EY σ--⎡⎤⎣⎦=≠;若()()0E X EX Y EY --≠⎡⎤⎣⎦,则表示X 与Y 不独立,X 与Y 之间存在着一定的关系设 (,)X Y 是二维随机变量，则称()()E X EX Y EY --⎡⎤⎣⎦为X 与Y 的协方差（Covariance ），记为 ()cov ,X Y 或XY σ，即()()()cov ,XY X Y E X EX Y EY σ==--⎡⎤⎣⎦若0X σ=≠且0Y σ=≠，则称XY XY X Y σρσσ== 为X 与Y 的相关系数（Correlation Coefficient ）。

()c o v ,X Y 是有量纲的量，而XY ρ则是无量纲的量．协方差常用下列公式计算()()=-⋅cov,X Y E XY EX EY2．用全搜索和协方差计算截取图片与另外一幅图片的各点的相似度。

c=normxcorr2(sub_I1(:,:,1),I2(:,:,1));第四步：找到整幅图像的偏移。

[max_c,imax]=max(abs(c(:)));[ypeak,xpeak]=ind2sub(size(c),imax(1));[m,n]=size(sub_I1);xbegin=xpeak-n+1;ybegin=ypeak-m+1;xend=xpeak;yend=ypeak;从原图像提取匹配到的图像extracted_I1=I2(ybegin:yend,xbegin:xend,:);第五步：显示匹配结果。

基于普通数码像片的相关系数影像匹配方法探讨

置的数目。
设搜索区域为正方形ＡＣ边长为Ｌ个像ＢＤ，元，四个顶点的相关系数值为Ｐ＇Ｐ，。四个ＡＰ，ｃＰ，
顶点的像片坐标为Ａ（，，，（，）ＣＩ，ｃ，ＩＪ）ＢＩＪ，（Ｊ）ａａｂｂｃＤＩ，）如图１（Ｊ，ｄｄ所示。中Ｅ、、Ｈ为ＡＤ图ＦＧ、Ｂ、Ｃ、
相关系数满足（，）１在［１１绝对尺ｃｒＩ，一，］度范围之间衡量两者之问的相似性。相关系数刻
划了两者之间的近似程度的线性描述。一般来说，（，）接近１两者越近似的有线性关系。Ｐｃｒ越，
相关系数值都比较小。（）４相关系数的值，于一介１
和＋之问，个值反映了两者的相似程度，以１这可
［稿日期】２０－２１收０６１— ９
【作者简介］杨立君，，１７一，男（９７）黑龙江七台河人，南京邮电大学计算机学院助教。
［关键词］数字摄影测量
普通数码相机
相关系数匹配
［中图分类号］Ｐ０２４
［文献标识码］Ｂ
［文章编号］１０ — ００２０）２４０７３０（０７０－
目前数码相机广泛应用于近景摄影测量领
ｍ￣（ｎ目标窗口的像元总数）。若ｐｃｒｐ。阈ｆ，＞为Ｊ
值）则，就是匹配点。，ｒ

基于相关性的遥感图像融合方法研究

Research and Exploration |研究与探索.生产与管理基于相关性的遥感图像融合方法研究丁宏毅，周致迎，李开端(海军航空工程学院青岛校区，山东青岛266041 )摘要：本文提出了一种基于影像相关性的遥感图像融合方法。

实验结果分析表明，与任意选取波段影像进行融合相比, 有选择性地选取波段组合可以减少冗余数据，提高图像融合质量和增强图像解译能力。

关键词：互相关；自相关；图像融合中图分类号：TP751 文献标识码：A文章编号：1671-0711 (2017) 02 (下）-0024-02相关技术是近年来发展起来的一种测试与分析技术，在遥感图像处理领域有着广泛的应用。

随着遥感传感器的波段数不断增加和光谱分辨率逐渐提高，传感器的分辨率和信噪比也得到了提高，但图像获取时像元间经常存在一些扰动，在空间域像元间或光谱维波段间都可能相互影响，这是由遥感图像的相关特性导致的。

这种现象虽然对遥感图像的处理和分析不利，但是可以通过分析遥感图像的相关特征，优化融合方法，来尽可能减少噪声，从而提高图像质量。

本文实验研究采用IK O N O S影像，IK O N O S是世界上第一颗高分辨率商用卫星，它同时提供具有lm空间分辨率的全色影像和具有4m空间分辨率的多光谱影像。

在对卫星遥感图像的实际应用中，经常需要对多波段图像进行比较和分析，利用相关性分析和计算影像信息，通过分析各波段影像相关性，选择最佳融合方法，从而减少影像的相关性，提高图像解译能力。

1影像相关原理1.1影像相关碰字图像处理中，影像匹配又称为立体匹配，目的是在立体像对上自动确定同名像点，从而代替传统的人工双眼观测。

影像匹配实质上是在两幅（或多幅）图像之间识别同名点，它是计算机视觉及遥感数字图像制图的核心问题。

由于早期的研究一般使用相关技术解决影像匹配问题，所以影像匹配常常被称为影像相关。

影像相关就是利用两个影像信号的相关函数评价它们之间的相似性以确定同名点的过程。

基于相关系数的影像高速匹配

基于相关系数的影像高速匹配作者：夏远鑫梁亚舟来源：《中国新通信》2012年第14期1引言目前，全世界越来越开始关注遥感影像的应用，在军、事、气象、环境监测等诸多方面世界各国都投入了大量的人力、物力、财力。

而影像匹配在该技术的地位正逐步攀高，各国技术人员投入了大量的精力用于研究快速、高效的匹配算法，各类算法可说是层出不穷。

其中有代表性的包括基于图像灰度的相关算法、基于图像特征的算法、人工智能影像匹配法（包括基于神经网络、遗传算法等方法）[1]。

在图像特征提取相关算法中，基于movavec算子的特征提取方法是最快的。

而在影像匹配相关算法里，基于图像灰度的算法准确度最高，虽然相应计算量很大，对灰度变化、旋转、形变以及遮挡等比较敏感，在适应性上要差于基于图像特征的算法，但在精度上基于图像灰度的算法却明显高于后者。

而基于人工智能的影像匹配算法又刚刚兴起，不够成熟[2]。

鉴于以上因素，笔者选择了基于moravec算子进行影像特征提取并利用影像灰度计算特征点间的相关系数进而匹配影像的方法。

考虑到工作量的影响，对相关系数计算公式进行了适当的简化，在保证一定匹配精度情况下，尽可能地提高匹配速度。

2匹配基本原理介绍2.1moravec算子特征提取计算以像素（x，y）为中心四个主要方向（0°、45°、90°、135°）相邻像素灰度差的平方和，取其中最小者作为该像素兴趣值，同时给定一经验阈值，将兴趣值大于阈值的点（即兴趣值计算窗口的中心点）作为候选点，选取候选点中兴趣值最大的作为特征点[3]。

2.2基于相关系数影像匹配[3]假设进行匹配计算的窗口大小为m×n，以Lx，y表示参考图像中以（x，y）为中心点的窗口内的灰度分布（离散的），Rx，y则为目标图像对应窗口内的灰度分布（对应窗口通过估计特征点在右片的同名点可能存在的范围确定）。

两窗口相关系数的计算公式定义为：籽x，y=σ（Lx，y，Rx，y）/DLx，y×DRx，y姨3解求相关系数方法改进实际运算中，由于每次兴趣窗口只在行向或列向移动一个像素大小的距离，因而相邻的窗口相关系数值有很相似的成分。

影像匹配实习报告

影像匹配实习报告实习目的：1、掌握影像匹配的原理和基本思想，加深对各种影像匹配算法的理解；2、能够利用编程实现影像匹配的算法，提高自己的编程能力；3、通过实习能够体会各种影像匹配算法的特点和优劣；实验原理：影像匹配的实质就是在两幅（或多幅）影像之间识别同名点。

同名点的确定是以匹配测度为基础的，基于不同的理论或不同的思想可以定义各种不同的匹配测度，因而形成了各种影像匹配方法及相应的实现算法。

常见的有五种基本的匹配算法，即相关函数法、协方差函数法、相关系数法、差平方和法和差绝对值和法。

本次试验采用的是相关系数法。

相关系数法影像匹配的基本思想：若影像匹配的目标窗口灰度矩阵为G(g)，窗口大小为m×n，与G对应的灰度函数为g(x,y)；搜索区的灰度矩阵为G’=(g’)，矩阵的大小为k×l，k与l分别是矩阵G’的行数和列数，与G’相应的灰度函数为g’(x,y)。

G’中任意一个m行n列的子快（搜索窗口）记为：'',,()r c i r j c G g ++= （i=1,2,…,m, j=1,2,…,n ）(r=INT(m/2)+1,…,k-INT(m/2) c=INT(n/2)+1,…,l-INT(n/2)) 相关系数法就是寻找使得目标窗口和搜索窗口中相关系数取得最大值的点作为同名点的方法，即它是用相关系数作为匹配测度的。

它是标准化的协方差函数，协方差函数除以两信号的方差即得相关系数。

g(x,y)与g ’(x ’,y ’)的相关系数为：()(,),C p q p q ρ= 考虑到实际计算中的工作量，相关系数的实用公式为： ()'',,,,1()()(),m n m n m n i j i r j c i j i r j c g g g g m n c r ρ++++•-•=∑∑∑∑∑∑实验步骤：1、提取特征点为了提高影像匹配的精度，我们可以从影像上提取变化比较明显的点进行匹配，这样可以取得比较好的匹配效果。

医学影像配准与分割技术研究

医学影像配准与分割技术研究引言：随着医学影像技术的发展和进步，医学影像的配准与分割成为了医学图像处理领域的重要课题。

医学影像配准是指将不同时间点或不同模态的医学影像对齐，以便医生能够进行比较和分析。

医学影像分割是指将影像中的器官或结构进行分离和分类，从而提取有用的信息。

本文将对医学影像配准与分割技术的研究进行探讨，并介绍一些相关的方法和应用。

一、医学影像配准技术1. 什么是医学影像配准？医学影像配准是指将不同时间点或不同模态的医学影像进行对准和对齐，使它们在空间上吻合。

通过配准，医生可以进行图像的定位、分析和对比，从而更好地理解病变情况。

2. 医学影像配准的方法医学影像配准的方法主要包括基于特征的方法和基于形变场的方法。

基于特征的方法通过提取影像中的特征点或特征描述子，然后利用特征之间的匹配关系进行对准。

常用的特征包括边缘、角点和纹理等。

基于形变场的方法则通过寻找隐含在影像中的形变场，将一个影像映射到另一个影像的空间坐标。

3. 医学影像配准的应用医学影像配准的应用广泛，包括但不限于：辅助疾病诊断、手术导航、治疗评估和病例研究等。

通过配准技术，医生可以将不同时间点的影像进行比较，观察病变的演变情况，并可利用配准结果进行手术规划和治疗评估。

二、医学影像分割技术1. 什么是医学影像分割？医学影像分割是指将医学影像中的感兴趣区域进行区分和提取，以便进行病变分析和定量评估。

医学影像分割可以对影像进行像素级别的分类，将其分为不同的组织类型或器官结构。

2. 医学影像分割的方法医学影像分割的方法有很多，常用的方法包括基于阈值的分割、区域增长法、边缘检测法、图割法等。

基于阈值的方法是一种简单直接的分割方法，根据像素灰度值与预设阈值的关系，将像素分为不同的类别。

区域增长法则按照预设的生长规则，根据像素之间的相似性，将像素逐步合并成一个区域。

边缘检测法是通过检测影像中的边缘信息，得到两个不同区域之间的分界线。

图割法则依靠图论和最小割等概念，将影像分割任务转化为图的分割问题，通过最优化得到分割结果。

基于相关系数影像匹配实习报告

j = iter->x;
pBits[i*_width+j] = 255;
pBits[i*_width+j+1] = 255;
pBits[i*_width+j-1] = 255;
pBits[(i+1)*_width+j] = 255;
pBits[(i-1)*_width+j] = 255;
pBits[i*_width+j+2] = 255;
}
else if (biBitCount == 24)
{
bmfh.bfOffBits = sizeof(BITMAPFILEHEADER) + sizeof(BITMAPINFOHEADER);
bmfh.bfSize = sizeof(BITMAPFILEHEADER) + sizeof(BITMAPINFOHEADER) + byteCount;
pBits2[(i+2)*_width2+j] = 255;
pBits2[(i-2)*_width2+j] = 255;
pBits1[i*_width1+j+2] = 255;
pBits1[i*_width1+j-2] = 255;
pBits1[(i+2)*_width1+j] = 255;
pBits1[(i-2)*_width1+j] = 255;
i = iter->y2;
j = iter->x2;
pBits2[i*_width2+j] = 255;//
pSrcFileRight = fopen(srcFileRight,"rb");

基于像素灰度的相关系数的影像匹配

２０１３年
பைடு நூலகம்
第４期
影
像
技
术
基于像素灰度的相关系数的影像匹配
韩晓玲．白立波
（新疆生产建设兵团勘测规划设计研究院，乌鲁木齐８３０００２）
摘要：数字影像匹配的基本算法实则就是影像相关，利用左右影像上两个像点信号的相关函数，评价它们的相
基元．进而用于特征匹配。匹配速度较快，但匹配精度不高
３相关系数匹配测度
相关系数算法就是以相关系数作为匹配测度．判断左右两张影像中一定大小的像素窗口间的相似性．选取相关系数最大且大于设定阈值的一对像素窗口的中心像素作为提取的同名点。ｇ（ｘ，ｙ）－￣ｇｘ－，ｙ，）的相关系数定义为：
（ＰｌａｎｎｉｎｇａｎｄＤｅｓｉｇｎＳｕｒｖｅｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＸｉｎｊｉａｎｇＰｒｏｄｕｃｔｉｏｎａｎｄＣｏｎｓｔｒｕｃｔｉｏｎＣｏｒｐｓ，
ＴｈｅＰｉｘｅｌＧｒａｙｓｃａｌｅＣｏｒｒｅｌａｔｉｏｎＣｏｅｉｃｆｉｅｎｔ－ＢａｓｅｄＩｍａｇｅＭａｔｃｈｉｎｇＨＡＮＸｉａｏ－ｌｉｎｇ，ＢＡＩＬｉ－ｂｏ
ｃｏｒｒｅｌａｔｉｏｎｃｏｅｉｃｆｉｅｎｔｍａｔｃｈｉｎｇｍｅｔｈｏｄａｎｄｉｔｓｌｇａｏｒｉｔｈｍ，ｆａｓｔｍａｔｃｈｉｎｇｏｆｄｉｇｉｔｌａｉｍａｇｅｓ．

快速图像匹配相关系数算法及实现

快速图像匹配相关系数算法及实现
刘红侠;杨靓;黄巾;黄士坦
【期刊名称】《微电子学与计算机》
【年(卷),期】2007(24)2
【摘要】最大归一互相关图像匹配算法是图像匹配中的常用算法,其关键是解算活动图与基准图间的相关系数。

针对相关系数计算量大的特点,分析了FFT的基与FFT处理速度之间的关系以及基16FFT算法特点,提出用基16FFT算法计算相关系数,相关系数的处理时间大幅减小;同时针对高基蝶形单元设计复杂、使用不灵活等特点,提出采用级连思想实现主基16蝶形单元,使处理器的设计复杂度降低。

实验证明,将主基16FFT处理器用于相关系数的计算中,使最大归一互相关图像匹配处理速度达到国际领先水平。

【总页数】4页(P32-35)
【关键词】最大归一互相关算法;主基16FFT算法;相关系数计算;主基16FFT处理器
【作者】刘红侠;杨靓;黄巾;黄士坦
【作者单位】西安微电子技术研究所
【正文语种】中文
【中图分类】TP311.1;TP338.7
【相关文献】
1.基于NProd相关系数和人工免疫的激光图像匹配算法 [J], 强钲捷;张合新;孟飞;张腾飞
2.基于小波变换的快速图像匹配算法与实现 [J], 范新南;朱佳媛
3.基于相关系数的快速图像匹配研究 [J], 李卓;邱慧娟
4.图像匹配中NCC算法的一种快速实现方法 [J], 黄真宝;陈阳
5.基于归一化互相关系数的图像匹配的连续消算法 [J], 邓汉华;杨靓;黄士坦
因版权原因，仅展示原文概要，查看原文内容请购买。

利用金字塔以相关系数为测度的影像匹配方法的研究

利用金字塔以相关系数为测度的影像匹配方法的研究摘要：本文对F算子和利用金字塔影像进行编程分析研究。

通过F算子在特征点提取中的应用，提出了一种简便优化思想—先划区后提取特征点，优化效果明显；在金字塔影像想下层进行传递时加以扩展，将匹配点的数目从5个/张提高到22个/张，采用相关系数递变方法将匹配点的数目从22个/张提高到33个/张。

通过实验对比得出了结论：1）金字塔影像进行下一层传递时应加以扩展；2）相关系数在不同金字塔影像层应采用渐变进行确定。

关键字：特征点提取，F算子，金字塔影像，影像匹配1简介点特征是图像的重要特征, 在各种图像特征中, 它具有旋转不变性和随光照条件变化较小的优点。

利用点特征进行处理既可以减少计算量又不会损失重要的灰度信息。

在图像匹配中点特征也有很重要的应用, 利用点特征可以大大提高匹配速度。

特征点的提取是利用某种算法从影像中提取我们感兴趣的一类点，即有利于某种目的的点。

影像匹配是利用计算机技术在基于灰度或者其他特征理论对同一特征点（地物）在不同张影像之间进行查找。

由于同一地物在不同像片上成像，所对应的不同影像上该点灰度信息是具有一定相关性的，利用这种灰度的相关性，通过一定的测度进行分离提取，即能够获得同名点。

特征点提取和影像匹配是摄影测量的所有后续计算的基础，在数字摄影测量阶段更扮演者至关重要的作用，所以这两步的精度直接影响着后续空三解算、数字产品的精度。

2 基本原理特征点的提取是数字摄影测量的一个基础，特征点的提取精度不仅决定提取同名点的精度，而还直接影响着最终成果精度。

特征点提取的方法众多，如Moravec算子、Forster 算子、Plessey算子、SUSAN算子、Tajkovi算子等等，算法众多。

由于摄影测量中存在的转换特点，选择Forster 算子为后续的实验算子。

2.1 金字塔影像通过金字塔影像可以加快在影像匹配过程中的速度，通过减小影像的像素量来达到在匹配时逐层匹配的原理。

医学影像处理和分析中的图像配准和分割方法研究

医学影像处理和分析中的图像配准和分割方法研究医学影像处理和分析是医学领域中重要的研究方向之一，图像配准和分割是医学影像处理中的关键技术。

本文将介绍医学影像处理和分析中的图像配准和分割方法的研究进展，并探讨其在医学领域中的应用前景。

首先，我们来了解一下医学影像处理和分析中的图像配准方法。

图像配准是将多个不同时间、不同成像模态或不同位置下获得的医学影像进行对齐的过程。

其主要目的是实现不同影像之间的对比和融合，以提高影像的可视化和诊断能力。

在医学图像配准中，常用的方法包括基于特征的配准方法、基于相似度的配准方法和基于变换模型的配准方法。

基于特征的配准方法是通过提取医学影像中的特征点或特征区域，然后进行匹配和对齐。

常见的特征包括边缘、角点、斑点等。

该方法的优点是对噪声和干扰具有一定的鲁棒性，但其局限性在于对医学影像中的特征提取和匹配过程存在一定难度。

基于相似度的配准方法是通过定义相似度度量准则，通过最小化相似度度量准则来实现图像的对齐。

常见的相似度度量准则包括互信息、均方差、互相关系数等。

该方法的优点是可以实现全局和局部的图像对齐，但其对噪声和图像变形敏感。

基于变换模型的配准方法是通过定义一种变换模型，将源图像映射到目标图像的坐标系中，从而实现图像的对齐。

常见的变换模型包括刚体变换、仿射变换和弹性变换。

该方法的优点是可以处理图像的尺度变化、旋转变化和形变等，但其计算复杂度较高。

接下来，我们来了解一下医学影像处理和分析中的图像分割方法。

图像分割是将医学影像分成不同的组织、器官或病变区域的过程，其主要目的是实现对感兴趣区域的定量分析和定位。

在医学图像分割中，常用的方法包括阈值分割法、区域生长法、边缘检测法和基于机器学习的分割方法。

阈值分割法是一种简单而常用的图像分割方法，其原理是通过设定合适的阈值，将图像中的像素根据其灰度值进行分割。

这种方法适用于具有明显灰度差异的医学影像，如X光片和CT图像。

区域生长法是一种基于像素的图像分割方法，其原理是通过从种子像素开始，逐渐生长形成具有相似特征的区域。

基于相关系数影像匹配

• • • • •
S1 /= 10000; S2 /= 10000; S3 /= 10000; S4 /= 10000; S5 /= 10000;
• • • • • • •
• }
double a1 = (S4 * S4) / (M * N); double a2 = (S5 * S5) / (M * N); double a3 = (S2 - a1) * (S3 - a2); double te = sqrt(a3); double a4 = S1 - (S4 * S5) / (M * N); double temp = a4 / te; return temp;
• • • • • • • • • • • • • • • • •
double S1 = 0 , S2 = 0 , S3 = 0 , S4 =0 , S5 = 0; for ( int i = 1 ; i < M ; i++) { for ( int j = 1 ; j < N ; j++) { double temp1 = *(lpBits1 + M * j + i); double temp2 = *(lpBits2 + M * j + i); double a = temp1 * temp2; double b = temp1 * temp1; double c = temp2 * temp2; S1 += a; S2 += b; S3 += c; S4 += temp1; S5 += temp2; } }
基本步骤
读入左右影像确定目标窗口大小确定目标点的位置预测右影像搜索范围逐窗口计算相关系数并保存相应的储存单元 6. 比较相关系数，取最大相关系数作为匹配点 1. 2. 3. 4. 5.

基于相关系数的遥感图像拼接线检测算法

基于相关系数的遥感图像拼接线检测算法王军;朱宝山;朱述龙;晋克宇;汤志强【期刊名称】《测绘与空间地理信息》【年(卷),期】2011(034)003【摘要】This paper proposed a novel algorithm based on cross correlation function for detecting a stitching line in remote sensing images. The algorithm determines the texture differences among pixels based on the correlation of the pixels which belong to the overlap of the two images. Two sets of images were used to validate our method, and the experimental results showed the stitching line detected by cross correlation function was much better than that detected by normal method, which verified the feasibility and validity of the proposed method.%提出了一种基于相关系数方法的遥感影像最佳拼接线的检测算法.该算法根据影像重叠区域内两幅影像对应像素的相关性来判别像素之间纹理差异,结合了影像亮度差异的信息,检测出的镶嵌线优于平分线法检测出的镶嵌线.以4幅相邻影像自动寻找镶嵌线为例进行了实验,取得了良好的效果,验证了算法的实用性与有效性.【总页数】3页(P151-153)【作者】王军;朱宝山;朱述龙;晋克宇;汤志强【作者单位】信息工程大学溯绘学院,河南郑州450052;69027部队,新疆乌鲁木齐831400;信息工程大学溯绘学院,河南郑州450052;信息工程大学溯绘学院,河南郑州450052;69027部队,新疆乌鲁木齐831400;96633 部队，北京100096【正文语种】中文【中图分类】TP75【相关文献】1.基于全局优化相关系数的边缘检测算法 [J], 杨朝辉2.基于DSM的遥感图像拼接线自动生成技术 [J], 范永弘;万惠琼;靳建立;曾令沙3.FAGNet:基于MAFPN和GVR的遥感图像多尺度目标检测算法 [J], 郑哲;雷琳;孙浩;匡纲要4.基于SSD改进的遥感图像目标检测算法 [J], 卢启祥5.一种基于小波去噪的遥感图像显著性区域检测算法 [J], 杨雅芳因版权原因，仅展示原文概要，查看原文内容请购买。

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)。

－
1 m·n
(
mn
∑∑g
i = 1j = 1
i，j )
(
mn
∑∑g'
i = 1j = 1
i
+
r，j +
c
)
槡[ ] [ ] m n i∑= 1j∑= 1g2i，j
－
1 m·n
(
mn
∑∑g
i = 1j = 1
i，j )
2
mn
i∑= 1j∑= 1g'2i + r，j + c
－
1 m·n
(
mn
∑∑g'
i = 1j = 1
右影像灰度函数为 g'（ x，y），搜索窗口中心像素为（ i +
r，j + c），则两窗口间相关系数的值为：
mn
ρ（ c，r） =
∑∑（
i = 1j = 1
gi，j
－珔g）（
g'i + r，j + c
－珔g'）
mn
mn
槡∑∑（ i = 1j = 1
gi，j
－珔g） 2·∑∑（ i = 1j = 1
1前言
影像匹配实质上是在两幅或多幅影像上识别同名点的过程，同名点的确定是以匹配测度为基础的。目前，影像匹配的算法主要分为基于灰度的匹配和基于特征的匹配。相关系数法是一种基于灰度的匹配［1］，它还可作为其他匹配如最小二乘法等算法的初匹配［2］。这种方法基于统计理论，对像点进行灰度检测，并利用一定的算法进行相似性度量，即计算相关系数。当相关系数最大时，就认为是同名像点。采用核线影像作为数据源时，这种方法计算量更小，简单易行，且其匹配精度可达到一个像素。但是，相关系数法影像匹配常采用整体影像匹配方式，匹配精度容易受到两幅（或多幅）影像灰度及纹理不一致的影响，笔者在试验的基础上，采用分区影像匹配的方式，提高了相关系数法影像匹配的精度。
* 收稿日期： 2012—05—09 作者简介：周惠慧（ 1991—），女，大学本科学生，专业：遥感信息工程学院摄影测量与遥感方向。
62
但数量还是较多，如图 1 所示。
城市勘测
2012 年 12 月
若目标区小，搜索区大，会出现很大的粗差。为了获得较高的精度，应选择小的目标区与搜索区［7］。
（ 5）特征点分布较密集的区域，一些同名点受到相关系数更大的同名点的抑制，没有被提取出来。
图 1 不同灰度影像 Moravec 算子特征提取结果
再采用相关系数法对左右影像进行灰度匹配，如图 2 所示。
图 2 相关系数法影像匹配同名点分布对比图
从图 1 的左右像片来看，左片的反差较大，纹理信息更为丰富，右片的特征点应包含在左片的特征点之内，理论上来说，采用相关系数影像匹配提取的同名点数量与分布应该与右片的特征点基本一致。图 2 中左片为图 1 中的右片，作为参照影像，右片为采用相关系数法对图 1 中左右影像进行灰度匹配提取的同名点影像。由图 2 可以看出，右像中大量特征点没有满足与参照影像对应同名点相匹配的要求，最终满足要求成为匹配点的点比参照影像本来的特征点数量要少得多。比如，参照影像中房屋集中区域提取出了比较多的特征点，但右像中得到的匹配点却很少，道路沿线及山坡纹理信息丰富的一些特征明显的地区也没有满足要求的点。经分析有如下原因：
2012 年 12 月第6 期
城市勘测 Urban Geotechnical Investigation ＆ Surveying
文章编号： 1672 － 8262( 2012) 06 － 61 － 03
中图分类号： P231． 1
Dec． 2012 No． 6
文献标识码： B
基于相关系数法分区影像匹配的研究
2 相关系数法的原理
相关系数是标准化的协方差函数，协方差函数除
以两信号的方差即得相关系数。相关系数法就是以相
关系数为匹配测度，判断左右影像中一定大小窗口中
像素的相似性，若相关系数符合一定的判断条件，则窗口内的中心像素被提取为一对同名点［3］。若左影像的
灰度函数为 g（ x，y），目标窗口中心像素坐标为（ i，j），
i
+
r，j +
c
)
2
当选取窗口的相关系数最大且大于设定的阈值，则搜索区窗口的中心像素为求得的同名点。对于一维相关，r≡0。
相关系数是灰度线性变换的不变量，因此，采用相关系数法可以克服影像线性畸变的影响。
3 算法的设计与实现
在核线影像上，只需进行一维搜索。只需在目标点所在核线的同名核线上逐像素计算。但是，若目标区太长，灰度信号的重心与几何重心并不重合，且影像存在几何变形，就会产生相关误差。因此一维相关目标区的选取实际上与二维相同，一般情况下，搜索区为
（ 1）算法的结果与相关系数的阈值选择有关［5］，右像亮度较大，地物起伏不明显区域内像素的相关系数的值整体偏低。而阈值越高，则所得同名点越少，正确率也越高。但若降低阈值，则只在局部范围内同名点的数量有增加，难以做到整幅影像均匀分布；
g'i + r，j + c
－珔g'r，c ）
2
式中：
珔 g;
i = 1j = 1
i
+
r，j +
c
；
珔 g =
1 m·n
mn
i∑= 1j∑= 1gi，j
考虑到计算量，相关系数的实用公式为：
ρ（ c，r） =
mn
∑∑（
i = 1j = 1
gi，j ·g' i + r，j + c ）
右像核线及其上下一到两行像素的灰度阵列。本试验先在像对中分别利用 Moravec 算子提取一
定数量特征点，然后逐对计算位于同名核线上特征点的相关系数。具体实现时，目标区和搜索区的每个窗口平均灰度只需计算一次［4］。这两项措施可以减少计算量，提高运行速度。
4 结果分析
为了说明问题，对左右影像的灰度和纹理差进行了调整，使右片的灰度质量和纹理清晰度明显低于左片，利用 Moravec 算子提取出左右影像的特征点（红色为特征点，以下同），可见右片的特征点明显少于左片，
周惠慧*
（武汉大学遥感信息工程学院，湖北武汉 430079）摘要：基于相关系数的灰度匹配是以相关系数作为相似性测度的灰度匹配。相关系数匹配是众多匹配方法中最简单，速度最快也是最成熟的方法。本文介绍了相关系数影像匹配方法的原理、算法的设计与实现，利用核线影像对作为数据源，进行了影像匹配试验，提出了简单易行的分区匹配方法，并进行了比较分析，得出了有益的结论。关键词：影像匹配; 相关系数法; 同名点; 同名核线; 分区匹配