[发明专利]一种基于邻接关系一致的图像特征点误匹配剔除方法

说明书

本发明属于图像处理方法，具体涉及一种基于邻接关系一致的图像特征点误匹配剔除方法。它包括下述步骤，步骤1：提取特征点；提取特征点，构建描述向量；步骤2：特征点匹配；步骤3：得到内点集；步骤4：构建邻域关系；步骤5：计算；步骤6：计算恢复的内点集；步骤7：得到完整的内点集。本发明的显著效果是：(1)基于Delaunay剖分算法构建稳定的局部邻接关系。(2)基于Delaunay三角网的几何性，为邻接关系一致模型增强了几何约束和稳定性。(3)增加了一项决策，进行了外点预过滤。提高了算法在非刚性形变、异常高外点率(高于90％)数据下的鲁棒性。(4)提出了一种基于三角形相似度的全局描述方法，提高了算法的召回率。

技术领域

本发明属于图像处理方法，具体涉及一种基于邻接关系一致的图像特征点误匹配剔除方法。

背景技术

遥感图像配准指的是对两幅具有重叠区域的遥感图像进行对准操作的过程。待配准的两幅图像之间产生错位的原因通常是视角不同、传感器不同、数据获取时间不同等。在遥感图像处理领域,影像的精确配准是对观测区域进行有效分析的重要前提,是多源遥感影像融合、变化检测、影像镶嵌等遥感影像处理技术的重要前置步骤,因此图像配准在遥感图像处理过程中起着非常重要的作用,是遥感信息处理领域研究的热点之一,广泛应用于需要综合利用多个图像中信息的场景。基于点特征的配准方法由于其良好的可重复性与鲁棒性，成为图像配准的主流方法。对于图像配准而言，需要找到数量足够多、分布均匀、匹配正确的特征点。相比于普通图像，遥感影像由于其尺度大、成像过程复杂、获取数据的方式不同，往往存在局部辐射与几何畸变、纹理复杂多变，匹配图像重叠区域少、成像视角不同的情况，导致图像特征的初始匹配结果中存在大量的错误匹配对。因此，研究一种遥感图像误匹配剔除方法非常重要。

基于点特征的图像配准需要对点特征进行匹配，点特征匹配包括 4个步骤：点特征检测、点特征描述、点特征描述子匹配和误匹配剔除。目前对误匹配进行剔除的方法主要是随机采样一致性算法(random sampling consensus，RANSAC)算法。该算法是基于全局几何约束思想，通过多次随机采样和计算一个全局单应性矩阵，并根据内点的个数来确定变换模型并删除误匹配点。该算法在图像满足全局单应性矩阵变换时结果较为准确，但在图像变换关系更加复杂时，会造成局部区域点对筛选不准确，而且极易陷入局部最大值求解不出全局最优参数模型。

董杨等人在文献“主成分分析的匹配点对提纯方法”中引入了主成分分析的方法来剔除误匹配。与RANSAC不同的是，该方法作为初始输入的不是最小点集而是整体点集，通过逐步的方法稳健求解出全局最优解。但是该方法只在中低外点比例的数据中具有比RANSAC更好的性能，在高外点比例的情况下劣于RANSAC。该方法同样依赖于预先设定的全局变换模型，对于无法定义全局变换模型的非刚性图像匹配不适用。

Ma等人在文献“Locality Preserving Matching”中提出了一种基于局部保持(LPM)的误匹配剔除方法，该方法利用空间变化连续性的原理，提出了正确的匹配局部邻接关系保持不变的假设，基于该假设构建了局部保持模型进行误匹配剔除。该方法简单有效且不依赖任何预先定义的全局变换模型，在图像发生了非刚性形变时仍然适用。但LPM只使用了局部信息，采取了一个较弱的局部几何约束——邻接关系，而且K近邻构建的局部关系稳定性较差，极易受在外点比例过高时LPM的准确率会骤降。

Bian等人在文献“GMS:Grid-based Motion Statistics for Fast,Ultra-RobustFeature Correspondence”中提出了一种基于网格的运动统计方法(GMS)方法，该方法首先将图像分割成小网格，并计算网格内匹配数，然后使用统计可能性来区分内点和外点。该方法在刚性图像的误匹配剔除上取得了优异的性能，但是GMS采取的几何约束关系比较弱，较为依赖描述子的可靠性。当图像是复杂纹理或者弱纹理场景时，描述子变得不可靠，产生大量运动方向一致的错误匹配时，GMS往往会失效，在遥感图像的匹配应用中效果较差。