[发明专利]基于区域划分的机载下视异构图像匹配方法

说明书

本发明提供基于区域划分的机载下视异构图像匹配方法，属于图像匹配技术领域。本发明首先使用方向直方图的标准差STD确定目标图像的纹理特征；若为丰富纹理图像，分别对目标图像和实时图像使用Meanshift图像分割算法进行分割，分割成若干区域，并生成相应的掩模图像；若为非丰富纹理图像，将实时图像进行划分，形成若干区域块；然后使用SIFT特征匹配方法，分别将每一个实时图像区域与所有目标图像区域进行一致性匹配；最后利用基于方向直方图的评价函数对各个匹配的结果进行评价，选取最优的匹配区域作为匹配结果。本发明解决了现有针对复杂且异构的机载图像匹配准确率不高的问题。本发明可用于无人机的异构图像匹配。

技术领域

本发明涉及机载下视异构图像匹配方法，属于图像匹配技术领域。

背景技术

随着无人机技术的提升，无人机技术吸引了大量的生产者和使用者，这使得无人机相关技术具有广泛的市场。基于无人机的异构图像匹配是将来自无人机的实时图像和来自卫星的目标图像进行对齐的过程，该技术在无人机导航、无人机着陆、无人机攻击和空间飞行器的导航等方面有广泛的应用。然而，机载下视图像具有复杂的结构特征，机载下视异构图像的精确匹配成为无人机应用中的关键技术，具有重要意义。

在无人机目标定位中，目标图像是非实时的，而定位图像是实时的，这就使得目标图像和定位图像具有不同的图像结构。实时图像将会非常复杂，通常包括尺度变化图像、旋转变化图像、季节变化图像、模糊图像、遮挡图像和SAR(Synthetic Aperture Radar，合成孔径雷达)图像等。这使得机载下视异构图像匹配成为具有挑战性的问题，经典的图像匹配方法难以满足无人机异构图像匹配的应用需求。

目前最经典的图像匹配方法是基于SIFT(Scale-invariant feature transform尺度不变特征变换)特征图像匹配方法。吴刚等人发明了一种基于轮廓提取的建筑物图像匹配与融合方法，该方法首先提取物体轮廓，在轮廓图上提取直线，使用直线匹配算法，按照直线特征对两幅图像进行匹配，对最优匹配对集合内直线夹角进行计算，得到夹角矩阵，并对夹角矩阵进行相似度计算。张浩鹏等人发明了一种空间目标图像匹配方法，利用GMS(Grid-based Motion Statistics基于网格的运动估计)匹配算法对空间目标的三视图图像进行粗匹配，引入误差阈值算法NFA剔除误匹配点对，使算法自适应性更强。王爽等人发明了基于深度学习的异源图像匹配方法，该方法首先制作异源图像块数据集，进行图像预处理，获取图像块特征图，通过特征图得到特征向量，对特征图进行融合并归一化，训练图像匹配网络，预测匹配概率，有效的解决了图像匹配过拟合问题。以上提到的图像匹配方法都比较成熟，通常情况也能够达到比较高的图像匹配准确率，但实际情况下，机载下视图像往往比较复杂，如图1、图2、图3、图4、图5、图6、图7所示；针对复杂且异构的机载图像，这些方法还达不到较好的效果，仍需寻求能够达到更高匹配准确率的技术。

发明内容

本发明为解决现有技术针对复杂且异构的机载图像匹配准确率不高的问题，提供了基于区域划分的机载下视异构图像匹配方法。

本发明所述基于区域划分的机载下视异构图像匹配方法，通过以下技术方案实现：

(1)使用方向直方图的标准差STD作为参数确定目标图像的纹理特征：如果标准差STD大于阈值S，则判定目标图像为丰富纹理图像；如果标准差STD小于等于阈值S，则判定目标图像为非丰富纹理图像；

(2)若目标图像为丰富纹理图像，分别对目标图像和实时图像使用Meanshift均值偏移图像分割算法进行分割，分割成若干区域，并分别将分割的目标图像区域和实时图像区域分层生成相应的掩模图像；

若目标图像为非丰富纹理图像，将实时图像进行划分，形成若干区域块，目标图像整体视为一个区域；

(3)若目标图像为丰富纹理图像时，使用SIFT特征匹配方法，分别将每一个掩膜实时图像区域与所有掩膜目标图像区域进行一致性匹配；