论文部分内容阅读
图像配准是在不同的条件下对同一场景拍摄的图像进行对齐和叠加的过程。由于不同成像方式的广泛应用,从不同传感器获取的异源图像所提供的互补或冗余信息,可以直接提供或者补充可见光谱中没有的信息,比任何单个传感器图像都能更好地解释场景。将来自不同传感器的图像信息进行整合,可以得到图像中更复杂和细节的信息,而配准结果可进一步应用于计算机视觉、图像处理等重要领域。但是,由于不同传感器的物理特性不同,异源图像配准往往比较复杂。一方面,一个传感器图像中的视觉特征可能不会出现在其他传感器中,所以寻找异源图像中相似度高的特征成为一个难题。另一方面,由于异源图像具有不同的灰度特性,且两幅图像的特征往往得不到很好的保留,所以提取的特征还要具有稳定性。此外,目前存在的很多异源图像配准方法的特征描述符维度较高,且在匹配的过程中存在大量外点造成误匹配,匹配质量和算法鲁棒性有待提高。本文主要围绕异源图像配准过程中特征提取和特征匹配两部分进行研究。首先本文结合相位一致性和改进的SIFT算法在异源图像配准中提取可靠且稳定的特征,为了缩短算法匹配时间,提出了一种基于分层区域的描述符对特征向量降维。然后为了解决异源图像配准中配准质量差的问题,本文采用NNDR方法先匹配,并提出一种JEED方法再匹配,最后采用MS-SIFT方法优化匹配点对来提高图像配准质量。本文主要研究内容如下:(1)为了在异源图像配准过程中选取可靠又稳定的特征,本文首先采用同态滤波在频域内对图像进行预处理,去掉图像中的部分噪声和不感兴趣的部分。接着在频域内利用相位一致性进行边缘和点特征的提取,再基于SIFT算法对图像进行特征点提取,使提取到的特征点数量较多且准确度高。其中在描述符部分提出了一种基于分层区域的描述符,将SIFT算法中128维的描述符降低至48维,从而降低算法复杂度,缩短算法匹配时间。(2)为了解决异源图像配准过程中匹配效率低、匹配质量差等问题,在匹配环节,本文先采用最近邻距离比(NNDR)方法对特征点进行初匹配,并在此基础上提出了一个结合每个特征点的位置误差、尺度误差、方向误差以及欧氏距离的量度JEED进行二次匹配(本文称为JEED方法),以增加对应匹配点对的数目。最后采用一种模式搜索(MS-SIFT)方法对匹配点对进行优化,以消除误匹配,提高匹配质量。另外,本文通过验证实验和对比实验分析对比了本文所用方法在异源图像配准方面的可行性和优越性。该论文有图25幅,表2个,参考文献114篇。