成果信息
本課題首先利用BFF算法結(jié)合雙向匹配改進(jìn)算法對(duì)提取的SIFT特征點(diǎn)進(jìn)行匹配,,接著利用SIFT描述子的尺度以及梯度方向信息建立最小鄰域匹配剔除誤匹配點(diǎn),接著利用RANSAC算法進(jìn)一步篩選匹配得到內(nèi)點(diǎn),,并利用最小二乘法估計(jì)出初步變換矩陣,,最后利用局部均方誤差對(duì)提取的特征點(diǎn)進(jìn)行映射矩陣客觀評(píng)價(jià),利用得到的參數(shù)篩除導(dǎo)致匹配效果不佳的關(guān)鍵誤匹配點(diǎn),,進(jìn)行多項(xiàng)式近似幾何矯正迭代出高精確的變換矩陣,,直到最終計(jì)算出符合評(píng)價(jià)指標(biāo)的最優(yōu)變換矩陣,該方法提高了大幅復(fù)雜圖像在少量重合區(qū)域時(shí)的配準(zhǔn)精度,,可以達(dá)到亞像素級(jí)配準(zhǔn)精度,。)
背景介紹
由于受圖像噪聲影響大、利用圖像景物特征配準(zhǔn)時(shí)獲取區(qū)域和邊緣困難,、或圖像缺乏必需的地面特征點(diǎn)等的限制,,亞像素級(jí)精度的圖像配準(zhǔn)難度增大。)
應(yīng)用前景
多源圖像配準(zhǔn)作為圖像融合,、運(yùn)動(dòng)檢測(cè),、立體視覺等應(yīng)用的前提步驟,其精度將直接影響后續(xù)操作的效果,。如多源遙感圖像融合,,其配準(zhǔn)誤差通常都要求亞像素級(jí)、甚至深亞像素級(jí),,否則會(huì)使小目標(biāo),、細(xì)線目標(biāo)等多源識(shí)別失效,融合圖像邊緣模糊,。但在實(shí)際的研究中,,由于受圖像噪聲影響大、利用圖像景物特征配準(zhǔn)時(shí)獲取區(qū)域和邊緣困難,、或圖像缺乏必需的地面特征點(diǎn)等的限制,,高精度的圖像配準(zhǔn)難度增大。本課題成果可以應(yīng)用于遙感,、軍事,、醫(yī)學(xué)、計(jì)算機(jī)視覺等領(lǐng)域,如圖像融合,、醫(yī)學(xué)圖像分析,、目標(biāo)變化檢測(cè)、目標(biāo)識(shí)別等方面,。)