成果信息
本課題首先利用BFF算法結(jié)合雙向匹配改進(jìn)算法對(duì)提取的SIFT特征點(diǎn)進(jìn)行匹配,接著利用SIFT描述子的尺度以及梯度方向信息建立最小鄰域匹配剔除誤匹配點(diǎn),接著利用RANSAC算法進(jìn)一步篩選匹配得到內(nèi)點(diǎn),并利用最小二乘法估計(jì)出初步變換矩陣,最后利用局部均方誤差對(duì)提取的特征點(diǎn)進(jìn)行映射矩陣客觀評(píng)價(jià),利用得到的參數(shù)篩除導(dǎo)致匹配效果不佳的關(guān)鍵誤匹配點(diǎn),進(jìn)行多項(xiàng)式近似幾何矯正迭代出高精確的變換矩陣,直到最終計(jì)算出符合評(píng)價(jià)指標(biāo)的最優(yōu)變換矩陣,該方法提高了大幅復(fù)雜圖像在少量重合區(qū)域時(shí)的配準(zhǔn)精度,可以達(dá)到亞像素級(jí)配準(zhǔn)精度。)
背景介紹
由于受圖像噪聲影響大、利用圖像景物特征配準(zhǔn)時(shí)獲取區(qū)域和邊緣困難、或圖像缺乏必需的地面特征點(diǎn)等的限制,亞像素級(jí)精度的圖像配準(zhǔn)難度增大。)
應(yīng)用前景
多源圖像配準(zhǔn)作為圖像融合、運(yùn)動(dòng)檢測(cè)、立體視覺等應(yīng)用的前提步驟,其精度將直接影響后續(xù)操作的效果。如多源遙感圖像融合,其配準(zhǔn)誤差通常都要求亞像素級(jí)、甚至深亞像素級(jí),否則會(huì)使小目標(biāo)、細(xì)線目標(biāo)等多源識(shí)別失效,融合圖像邊緣模糊。但在實(shí)際的研究中,由于受圖像噪聲影響大、利用圖像景物特征配準(zhǔn)時(shí)獲取區(qū)域和邊緣困難、或圖像缺乏必需的地面特征點(diǎn)等的限制,高精度的圖像配準(zhǔn)難度增大。本課題成果可以應(yīng)用于遙感、軍事、醫(yī)學(xué)、計(jì)算機(jī)視覺等領(lǐng)域,如圖像融合、醫(yī)學(xué)圖像分析、目標(biāo)變化檢測(cè)、目標(biāo)識(shí)別等方面。)