[发明专利]一种鲁棒SURF无人机彩色遥感图像配准方法

说明书

技术领域

本发明涉及无人机像配准技术，尤其是一种遥感图像配准方法。

背景技术

SURF(Speeded Up Robust Features)算法是一种具有鲁棒性的局部特征检测算法，该算法不仅具有重复性高的检测器和可区分性强的描述符，此外具有很强的鲁棒性及较高的运算速度；在精度上能达到亚像素级别，且在尺度缩放、亮度变化、旋转、遮挡和噪声等情况下均能保证从图像中提取出的特征描述子具有良好不变性，目前该算法已被广泛应用于图像配准技术中。但由于无人机遥感图像像幅小、数量多，对于配准精度的要求极其苛刻。如何增强彩色图像特征点显著性，从而进一步提高配准精度，尤其是特征相似度较高的彩色遥感图像精确配准一直是亟待解决的难题。

一些研究人员提出了将RGB分量的强度归一化后再用SURF算法来处理彩色遥感图像的方法和基于SURF的颜色不变特征的方法，但第一种方法在描述色彩不变特征时有局限性，无法对彩色信息进行充分利用，第二种方法耗时较长，实时性差，均不能满足实际要求。

发明内容

要解决的技术问题

本发明针对无人机彩色遥感图像使用SURF算法配准时仅利用图像亮度信息忽视彩色信息使得配准精度降低的问题，提出一种鲁棒SURF无人机彩色遥感图像配准方法。

技术方案

一种鲁棒SURF无人机彩色遥感图像配准方法，其特征在于步骤如下：

步骤1：对获取的无人机彩色遥感参考图像image1、待配准图像image2进行灰度处理变为灰度图像，对灰度图像进行高斯平滑处理完成尺度空间构建，采用特征检测算子Hessian矩阵的行列式进行特征点提取，获取image1、image2的所有特征点分别记为目标集{p_i},i＝1,2,……,n和基准集{q_j},j＝1,2,……,m；

步骤2：对于得到的目标集{p_i}和基准集{q_j}，以每个特征点为中心确定边长为20s的正方形区域，其中s表示不同尺度空间下的采样间隔，将其周围邻域信息分成4×4个子区域，每个小区域又分为5×5个采样点，最后用Harr小波计算每个小区域垂直和水平方向的响应及模值dx,|dx|,dy,|dy|，并统计5×5个采样点的总响应∑dx,∑|dx|,∑dy,∑|dy|，可得到特征点的64维SURF特征描述符：

V＝(∑dx,∑|dx|,∑dy,∑|dy|)

则特征点的SURF描述符在水平或垂直方向上定义为：

V_gray＝(V₁,V₂,V₃,V₄,...,V₁₆)

其中，V_i,i＝1,2,3,...,15,16表示16个子区域所对应的描述向量；由此可得目标集{p_i}和基准集{q_j}中所有的特征点的64维SURF特征描述符；

步骤3：对于坐标为(x,y)特征点，其在RGB颜色空间表示为R_(x,y)、G_(x,y)、B_(x,y)，将其进行颜色空间转换，转换到YIQ颜色空间为Y_(x,y)、I_(x,y)、Q_(x,y)；

RGB颜色空间变换到YIQ颜色空间表示为：

将其增加到原始算法描述符中，得到新的彩色描述符如下：

对上式进行归一化处理：

其中i_k,k＝1,2,3,...,63,64代表经典SURF算法中特征点的64维描述向量；由此可得目标集{p_i}和基准集{q_j}中各个特征点的67维描述向量；

步骤4：特征点双向匹配

步骤4a：使用欧氏距离公式计算参考图像image1中的特征点p1在image1中正向的最近欧式距离d_nt和次近欧式距离d_snt；

使用欧氏距离公式计算参考图像image1中的特征点p1在image2中正向的最近欧式距离d1_nt和次近欧式距离d1_snt的特征点分别为p2_nt和p2_snt；