[发明专利]一种利用空间显著性筛选关键点的方法

说明书

本发明提供一种利用空间显著性筛选关键点的方法，属于无人机图像匹配领域。其首先用SIFT算法对一组像对进行特征提取，得到关键点的位置和尺度。然后计算每个关键点的局部空间显著性，结果作为关键点的分数，分数越大认为关键点质量越好，最后将图像网格化，对于每个网格单元，计算网格单元内的关键点分数的平均值，然后筛选出在平均值以上的关键点作为最后的关键点，为最后的关键点计算描述符。本发明通过对冗余的关键点进行筛选，剔除可能产生错误匹配或不产生匹配的关键点，能明显降低光束法平差后的平均重投影误差。

技术领域

本发明涉及无人机图像匹配领域，具体为利用关键点的局部空间显著性，来预测关键点参与图像匹配时的能力并依此剔除可能产生错误匹配或不产生匹配的关键点。

背景技术

无人机（UAV）的发展使其成为一种低成本、灵活可行的图像采集系统，可用于许多摄影测量和遥感应用。无人机图像可用于生成各种数字产品，如高密度点云、物体三维模型、马赛克图像、地籍图和高分辨率正射影像。无人机摄影测量产品的质量主要取决于从图像中提取的关键点的准确性和完整性。

现有的基于特征的匹配算法能够提取到大量的关键点，但是无人机图像通常使用不精确的非量测相机拍摄，因此容易获得大量错误匹配或根本不产生任何匹配的关键点，此外，检测到的大量关键点使得匹配过程耗时且容易出错。

在匹配过程中，可以使用更严格的或自适应的阈值，减少提取的关键点的数量。通过设置更严格的或动态更新的阈值来控制关键点的数量，从而提取更少但更可重复和稳定的关键点。但是无法提供分布良好的关键点。

发明内容

本发明的主要目的是在特征算法提取到的大量关键点中，通过利用关键点的局部空间显著性来预测关键点参与图像匹配时的能力，剔除可能产生错误匹配或不产生匹配的关键点，减少匹配运算量。

本发明的技术方案是：一种利用空间显著性筛选关键点的方法，包括如下基本步骤：

步骤1：用特征检测算法提取图像的关键点；

步骤2：计算图像的空间显著性，得到显著性图；

步骤3：在显著性图上计算关键点的局部空间显著性，以此作为评价关键点优劣的分数；

步骤4：筛选关键点；

进一步的，上述的一种利用空间显著性筛选关键点的方法：所述步骤1中采用尺度不变特征变换（SIFT变换）来检测关键点，得到关键点的位置和尺度σ。

进一步的，上述的一种利用空间显著性筛选关键点的方法：所述步骤2中，采用了加权最大相位对齐模型来获取关键点的局部空间显著性Saliency；该模型利用输入数据的局部相位和能量信息，通过对每个颜色通道的每个像素的加权最大相位对齐测量的积分来获得显著性图，包括如下步骤：

步骤2.1：获取原始图像的RGB三个颜色通道的灰度图像；

步骤2.2：为RGB三个颜色通道的灰度图像建立各自的高斯差分金字塔，八度和层数与步骤1中的SIFT算法中使用的八度和层数一致；

步骤2.3：根据关键点的高斯平滑尺度σ，在三个颜色通道的高斯差分金字塔里找到与该尺度σ最接近的三幅高斯差分图像；

步骤2.4：对步骤2.3的三幅高斯差分图像的每个像素做加权最大相位对齐测量，加权最大相位对齐测量值可由如下计算公式得到：

其中S是进行单演滤波时的尺度的个数，

是第i尺度的单演信号：

是像素中的局部能量矢量：

是向量和向量的夹角，该角度表示第i个尺度上单演信号的局部相位相对于像素中的局部能量矢量的偏差，为权重系数；

步骤2.5：将步骤2.4得到的三个颜色通道下的加权最大相位对齐测量图相加，得到相应的显著性图；

其中c为颜色通道序号。