[发明专利]一种基于共现滤波算法的多模态遥感图像匹配方法

说明书

本发明公开了一种基于共现滤波算法的多模态遥感图像匹配方法，该方法分为尺度空间生成、描述子构建和匹配三部分。首先，基于共现滤波构建新的遥感图像的共现尺度空间，在新尺度空间中采用改进的图像梯度提取特征点。其次，通过重新划分对数极坐标格网，构建了新的多模态遥感图像特征描述子。最后，建立位置优化的距离匹配函数，即计算特征点在水平和垂直方向的位移误差来优化匹配距离函数。最终对优化结果进行重匹配，并利用快速样本共识算法剔除误匹配。本发明对大量的多模态遥感图像数据进行实验，结果证明发明提出的匹配方法效果显著，能提取出足够的同名点数目，并一定程度上保持较好的匹配精度，算法具有较好的适用性和鲁棒性。

技术领域

本发明涉及遥感图像处理方法技术领域，尤其涉及一种基于共现滤波算法的多模态遥感图像匹配方法。

背景技术

从单一传感器到多源传感器的不断发展，使多模态遥感图像具有丰富多样的影像类型，但这些图像因成像机理的不同，具有显著的非线性畸变差异和几何差异，往往不能提取足够多的同名点，导致多模态遥感图像匹配困难，效果不佳。而多模态遥感图像匹配又是遥感图像处理的关键环节，被广泛应用到图像拼接、空中三角测量、目标检测、灾害评估、国土资源变化监测、三维重建等领域并发挥着重要作用，故对此展开研究也势在必行。

图像匹配主要集中在强度与特征两个方面。基于图像强度的方法，如：形状上下文、互信息、像素强度等，这些方法对图像强度差异较为敏感，当图像强度差异较大时，效果不佳。基于图像特征的方法，如SIFT、SURF、ORB 等以及增强特征匹配算法、快速样本共识算法及模式搜索等，这些方法从尺度稳健性，旋转不变性，二进制描述优化，图像非线性扩散等方面对影像匹配进行了研究，其中SIFT算法最稳定。因此，特征匹配方法应用也更为广泛，但在时间、几何变化较大等情况下，上述算法表现欠佳。尤其在多模态遥感图像匹配时，非线性畸变较大的多模态遥感图像对灰度和梯度变化又比较敏感，这种差异会降低图像对应之间的相关性，使得先用匹配方法的优势在多模态遥感图像匹配中无法体现，难以提取可靠的共有特征，往往不能得到足够的同名点数目，导致多模态遥感图像匹配效果不佳。而同名点数目和匹配精度是保证匹配成功的重要关键。

因此，为了匹配出足够多的同名点并一定程度上较好地保证精度，本发明提出一种共现滤波算法的多模态遥感图像匹配方法。在多模态遥感图像匹配过程中，在共现滤波构建的尺度空间基础上有效提取图像的共有特征进行匹配，从而增加匹配同名点的数目，并保证多模态遥感图像匹配的精度。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于共现滤波算法的多模态遥感图像匹配方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种共现滤波算法的多模态遥感图像匹配方法，该方法包括以下步骤：

步骤1：输入多模态遥感图像，初始化多模态遥感图像尺度空间计算的参数，将尺度空间构建过程分为共现矩阵解算和共现矩阵窗口推导两部分；

步骤2：通过对多模态遥感图像进行共现矩阵解算，输出当前多模态遥感图像的尺度空间的共现滤波结果；

步骤3：利用初始窗口大小和图层间的尺度推导下一图层的共现矩阵窗口大小，依次计算共现滤波，输出多模态遥感图像共现尺度空间结果；

步骤4：利用低通巴特沃斯滤波计算多模态遥感图像共现尺度空间结果在梯度幅值和方向上的变化，生成新的图像梯度幅值和梯度方向；

步骤5：在新图像梯度幅值和方向上，利用Shi-Tomasi算法提取初始多模态遥感图像特征点，通过位置重复性检测，删除冗余特征点，输出最终特征点集；

步骤6：根据最终特征点集，重新划分多模态遥感图像特征点邻域子区域格网，输出新的对数极坐标描述子；