[发明专利]一种基于双向邻域过滤策略的遥感图像配准方法

说明书

技术领域

本发明属于图像处理领域，涉及一种图像配准方法，具体涉及一种基于双向邻域过滤策略的遥感图像配准方法。

背景技术

图像配准作为图像分析中一项重要的预处理技术，广泛地应用于图像融合、计算机视觉和目标识别等领域。图像配准的步骤主要包括：特征提取、特征匹配、变换模型参数估计、图像重采样以及反变换。其中，特征匹配的目的是保证待配准的图像特征之间形成一个可靠的映射关系，是图像配准中的一个关键步骤。

由于遥感图像的特殊性，遥感图像在配准过程具有较多的干扰因素。首先，遥感图像来源丰富，当待配准的遥感图像为异源图像时，由于成像机理不同，同一场景在异源图像中呈现不同的灰度特性；其次，遥感图像通常是远距离、大视场下成像所得，不同时刻获取的遥感图像之间存在较大仿射变换，并且场景中具有相似图案的可能性较大。

现有图像特征点匹配的方法主要有基于灰度特征和基于空间结构两大类方法。基于灰度特征的方法利用灰度特征的相关性进行特征匹配，例如SIFT（Scale-Invariant Feature Transform，尺度不变特征转换）算法。目前大部分特征提取方法在待配准的图像之间存在较大仿射变换时不具有稳定性。另外，由于异源图像灰度不相关、场景中有相似图案，造成基于灰度特征的匹配方法精确度降低。基于空间结构的配准方法主要是利用空间结构上的特性进行特征匹配，例如RANSAC算法，但是由于RANSAN算法在判断误配点时有较强的约束条件，造成较多的误配点无法剔除，从而降低了配准精度。

综上所述，针对遥感图像存在较大仿射变换、异源图像、场景中存在相似图案三方面的问题，现有的图像配准方法很难实现高精度的配准。

发明内容

本发明的目的在于提出一种基于双向邻域过滤策略的遥感图像配准方法，将灰度特征与特征点的空间结构特性相结合，以基于灰度特征的匹配结果作为初始匹配点对，以特征点的邻域结构特性作为约束，通过双向邻域结构的差异性，迭代得到具有相同双向邻域结构的匹配点对，并且采用双向邻域过滤策略恢复迭代过程中错误剔除的候选误配点对。该方法适用于待配准图像之间存在较大仿射变换、待配准图像为异源图像、图像场景中存在相似图案的情况，能够在无人工参与的条件下提高配准的精度。

为了达到上述目的，本发明的技术方案是提供一种基于双向邻域过滤策略的遥感图像配准方法，其包括以下步骤：

步骤1：采用SIFT算子提取待配准图像中所有的SIFT特征点及其各自对应的SIFT特征向量，通过SIFT特征向量之间的欧式距离比较，为一个图像中的每一点选择其在另一个图像中具有最大欧式距离的点进行对应，从而在这两个点之间形成初始匹配点对，进而获得待配准图像中所有初始匹配点对的集合；

步骤2：为所有初始匹配点对构造双向邻域结构，并根据对应构造的双向邻域差异矩阵来剔除差异最大的点对作为候选误配点对，通过迭代形成具有相同双向邻域结构的匹配点对集合；

步骤3：根据双向邻域过滤策略重新检查所有剔除的候选误配点对，判断是否有需要恢复的候选误配点对，有需要恢复的候选误配点对则转向步骤2；无则迭代结束，将剩余的匹配点对作为最终匹配点对。

步骤4：采用最小二乘法根据最终匹配点对估算仿射变换参数，将待配准的图像进行仿射反变换，获得相互匹配的图像。

所述步骤2中，构造双向邻域结构的过程是：分别在每个待配准的图像中，将距离各点最近的前K个点作为K近邻点，建立从各点到其各自的K近邻点的有向边，则任意一点的双向邻域结构是由与该点相连的有向边和该点的K近邻点共同构成。

所述步骤2中，具有相同双向邻域结构的匹配点对集合形成的过程如下：

步骤2-1，分别构造各个匹配点对集合在双向邻域矩阵中的前向邻域矩阵                                                和后向邻域矩阵；

设点和点是任意一个所述匹配点对集合中的两点，当点是点的K近邻点时，该匹配点对集合的前向邻域矩阵，后向邻域矩阵；当点不是点的K近邻点时，该匹配点对集合的前向矩阵和后向矩阵均为0；所述匹配点对集合是指步骤1之后获得的初始匹配点对的集合，或者是经过步骤2任意一次迭代得到更新的匹配点对的集合；

步骤2-2，针对各个匹配点对集合中相应的前向邻域矩阵，和相应的后向邻域矩阵，分别进行异或运算得到双向邻域差异矩阵和；

步骤2-3，根据，在双向邻域差异矩阵中选择双向邻域差异最大的点对作为候选误配点对进行剔除，其中是当前匹配点对的总数；