[发明专利]一种描述子邻域自适应的弱纹理遥感影像配准方法

说明书

本发明公开了一种弱纹理遥感影像配准方法，分为混合空间生成与特征提取、描述子构建、匹配及融合等三部分。首先，实现双域混合影像空间构建，即采用双边滤波建立空间域尺度空间，通过加权最小二乘滤波融合相位一致性计算建立频率域尺度空间，最后将两个影像空间结果合并成双域混合影像空间，并在该混合空间中采用FAST算法提取特征点。其次，构建邻域自适应的对数极坐标描述子，先构建对数归一化强度指标，用于自适应确立描述子的邻域窗口，通过这些邻域窗口得到不同特征点的极坐标描述子。最后，采用欧氏距离进行最近邻特征点匹配并利用快速样本共识算法剔除误匹配，最终计算出的影像变换矩阵进行融合，完成影像配准。

技术领域

本发明属于遥感影像处理方法，具体涉及一种混合空间特征提取与描述子邻域自适应的弱纹理遥感影像配准方法。

背景技术

弱纹理遥感影像通常是指如水域、沙漠、森林和雪地等特征不显著区域所获取的影像，该区域一般具有反射率较低，相邻像素点相似度高，区域间差异不明显等特点。此类影像往往难以检测甚至不存在角点、边界以及局部极值点等显著的纹理特征，导致弱纹理遥感影像配准存在同名点提取较少，配准难度大，甚至一些情况下直接配准失败等问题。但弱纹理遥感影像在自然灾害评估、救灾搜索、变化检测、图像拼接、空中三角测量及三维重建等领域又发挥着重要作用。故对此展开研究十分必要。

随着计算机视觉、图像处理技术的不断发展，遥感影像配准方法大致可以分为三类，即基于区域的方法、基于特征的方法和基于深度学习的方法。基于区域的配准方法主要采用域变换后的原始像素强度或信息进行相似性度量来配准两幅影像。借助预定义的滑动窗口或整个影像来实现的，而不试图检测任何显著对象。基于特征的方法首先从两幅影像中检测出显著的特征，然后在局部影像描述符下建立可靠的对应关系。基于深度学习的方法则主要是将深度学习技术应用于图像信息表示、相似性度量和参数回归等领域，近年来得到了快速发展。因此，上述三类方法都有不同的适应场景。然而，当前基于弱纹理特征的研究主要集中在弱纹理目标检测、立体匹配及定位等方面。诸如：局部对称性特征点检测、边界匹配、特征描述子优化以及基于宽基线弱纹理匹配等方法。尽管在弱纹理影像配准中具有一定的效果，但受制于算法复杂度与鲁棒性的影响，在弱纹理遥感影像配准依然存在较大困难。

综上所述，弱纹理遥感影像仍然面临(弱纹理遥感像的特征点提取难度大，和描述子描述不稳健等)两方面的挑战。基于此，本发明提出了一种混合空间特征提取与描述子邻域自适应的弱纹理遥感影像配准方法，来实现弱纹理遥感影像的有效配准。

发明内容

本发明提出一种混合空间特征提取与描述子邻域自适应弱纹理遥感影像配准方法，用来解决弱纹理遥感影像的配准问题。

本发明所采用的技术方案是：混合空间特征提取与描述子邻域自适应的弱纹理遥感影像配准方法，包括以下步骤：

步骤1：初始化弱纹理遥感影像配准的计算参数，将双域混合影像空间构建过程分为影像双域解算和双域混合影像空间集成两部分。

步骤2：通过双边滤波计算影像的空间域特征，利用相位一致性计算获取影像的频率域特征，输出解算结果。

步骤3：利用加权最小二乘滤波计算双域特征信息，推导双域混合空间之间的关系。依次完成对应图层的双域混合影像空间的计算，输出最终弱纹理遥感影像双域混合空间结果。

步骤4：利用低通巴特沃斯滤波计算弱纹理遥感影像空间在梯度和方向上的变化，获取双域混合影像的梯度和幅度。

步骤5：利用FAST算法提取初始弱纹理遥感影像的特征点，通过设置特征点检测阈值确定最终特征点集。

步骤6：构建对数归一化影像强度值指标，计算特征描述子的自适应邻域。

步骤7：根据获取的自适应邻域，计算每个特征点的对数极坐标描述子，输出特征点的描述子向量集。