亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于局部哈希學(xué)習(xí)的大面陣CCD航拍圖像匹配方法

        2019-03-23 03:33:02陳蘇婷郭子燁張艷艷
        應(yīng)用光學(xué) 2019年2期
        關(guān)鍵詞:特征描述哈希航拍

        陳蘇婷,郭子燁,張艷艷

        (南京信息工程大學(xué) 江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210044)

        引言

        大面陣CCD數(shù)字成像技術(shù)以其幾何性能好、對(duì)平臺(tái)穩(wěn)定度要求較低、應(yīng)用處理便捷等優(yōu)點(diǎn)[1],已逐漸成為獲取對(duì)地觀測(cè)信息數(shù)據(jù)來源的主要途徑,隨著航拍影像成像技術(shù)和計(jì)算機(jī)技術(shù)的高速發(fā)展,超高分辨率CCD航拍相機(jī)相繼問世。隨著大面陣CCD圖像的數(shù)據(jù)量劇增,如何實(shí)現(xiàn)快速有效的特征點(diǎn)匹配是近年來CCD圖像處理技術(shù)的研究熱點(diǎn)。為實(shí)現(xiàn)航拍影像的特征點(diǎn)匹配,首先需采用特征檢測(cè)算法提取特征點(diǎn)并構(gòu)建特征描述子;在此基礎(chǔ)上,根據(jù)相似性度量實(shí)現(xiàn)匹配。其中,特征描述子構(gòu)建是實(shí)現(xiàn)快速匹配的關(guān)鍵[1-5]。針對(duì)特征描述子構(gòu)建,文獻(xiàn)[6]提出將SIFT(scale-invariant feature transform)[7]與KDES-G(gradient kernel descriptor)特征[8]進(jìn)行級(jí)聯(lián)融合獲取聯(lián)合向量,以提高特征描述子的魯棒性。SURF(speed up robust features)算法[9]針對(duì)SIFT算子實(shí)時(shí)性不高、并且對(duì)于邊緣光滑目標(biāo)的特征點(diǎn)提取能力較弱等問題,通過使用Hessian矩陣檢測(cè)特征值可精確定位特征點(diǎn)。上述基于浮點(diǎn)型的特征描述子匹配準(zhǔn)確率較高,但過高的計(jì)算復(fù)雜度不適合海量高分辨率航拍影像的實(shí)時(shí)匹配。為此,二值型特征描述子如BRIEF(binary robust independent elementary features)算子[10]則可大大降低特征描述向量的維度。ORB(oriented FAST and rotated BRIEF)算法[11]則將FAST(features from accelenated segment test)特征點(diǎn)的檢測(cè)方法[12]與BRIEF特征描述子結(jié)合,進(jìn)一步提高匹配速度,但也導(dǎo)致了匹配準(zhǔn)確率大大降低。

        相對(duì)手工設(shè)計(jì)的特征描述子,近期在機(jī)器學(xué)習(xí)的研究熱潮推動(dòng)下,基于學(xué)習(xí)方法構(gòu)建的特征描述子正成為值得期待的探索研究方向,其中,哈希學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn),得到國內(nèi)外研究學(xué)者的高度關(guān)注[13-15]。然而,哈希學(xué)習(xí)目前主要用于整幅圖像的信息檢索,無法直接應(yīng)用于海量高分辨率航拍圖像的特征匹配。

        針對(duì)上述圖像匹配中存在的計(jì)算復(fù)雜度和匹配速度間的矛盾,本文提出了局部多特征哈希(LMFH)匹配算法,通過局部匹配區(qū)域構(gòu)建、局部哈希學(xué)習(xí)方法、目標(biāo)函數(shù)構(gòu)建及參數(shù)優(yōu)化等關(guān)鍵問題研究,實(shí)現(xiàn)了航拍影像特征點(diǎn)的高效匹配,為航拍影像快速匹配實(shí)現(xiàn)提供新思路,對(duì)超高分辨率航拍影像數(shù)據(jù)處理及應(yīng)用領(lǐng)域具有重要意義。

        1 CCD航拍圖像匹配方法

        本文提出的LMFH匹配算法分為3部分:局部多特征描述子構(gòu)建、哈希學(xué)習(xí)算法和哈希匹配算法,算法流程如圖1所示。首先對(duì)獲取的CCD航拍圖像進(jìn)行特征點(diǎn)檢測(cè),構(gòu)建局部多特征描述子;針對(duì)該特征描述子,提出了LMFH算法構(gòu)建局部哈希學(xué)習(xí)函數(shù);將該函數(shù)獲得的二進(jìn)制哈希代碼映射到漢明距離,實(shí)現(xiàn)快速哈希匹配。

        圖1 大面陣CCD圖像特征點(diǎn)匹配方案Fig.1 Feature points matching scheme of large array CDD aerial images

        2 基于局部多特征的CCD航拍圖像哈希匹配

        2.1 局部多特征描述子

        一般來說,待匹配的兩幅航拍圖像之間重疊度較高,為減少計(jì)算復(fù)雜度,提出了基于預(yù)測(cè)區(qū)域的特征描述子構(gòu)建方法。

        首先,根據(jù)航拍圖像重疊率估計(jì)預(yù)測(cè)區(qū)域;然后,通過構(gòu)建尺度空間金字塔,在每個(gè)尺度圖像上,采用FAST算法[12]進(jìn)行興趣點(diǎn)檢測(cè),使得檢測(cè)到的角點(diǎn)具有尺度不變性;對(duì)提取到的特征點(diǎn),以特征點(diǎn)為中心選取鄰域,確定特征點(diǎn)的主方向,并將中心鄰域旋轉(zhuǎn)至主方向上,以實(shí)現(xiàn)特征的旋轉(zhuǎn)不變性;在鄰域內(nèi),提取多種特征信息,包括:梯度特征、平均強(qiáng)度特征、方向特征和局部紋理特征,組合多種特征,得到高維特征點(diǎn)描述向量fi∈RD。

        2.2 局部多特征哈希學(xué)習(xí)

        LMFH算法的主要任務(wù)是學(xué)習(xí)特征描述子的二元表示。首先,特征向量fi表示成矩陣形式Fi;然后采用雙線性投影矩陣Θ1、Θ2定義哈希方程H(Fi);為保留特征點(diǎn)的相似性關(guān)系,定義相似性標(biāo)簽,并根據(jù)標(biāo)簽信息構(gòu)建目標(biāo)優(yōu)化函數(shù),實(shí)現(xiàn)哈希函數(shù)參數(shù)的獲??;最后,使用交替迭代算法學(xué)習(xí)映射矩陣{Θ1、Θ2},實(shí)現(xiàn)框圖如圖2所示。針對(duì)圖2,本文提出的局部哈希學(xué)習(xí)算法的具體實(shí)現(xiàn)流程如表1所示。

        圖2 多特征哈希學(xué)習(xí)方法Fig.2 Multiple features hash learning method

        算法:LMFH哈希函數(shù)學(xué)習(xí)算法輸入:訓(xùn)練特征點(diǎn)集{F1,F2,…,FN}。輸出:雙線性投影矩陣Θ1、Θ21) 預(yù)處理:中心化數(shù)據(jù)集fi←1NNj=1fj),i=1,…,N;2) 將所有的特征向量fi轉(zhuǎn)換為矩陣形式Fi,i=1,…,N;3) 構(gòu)建局部特征點(diǎn)對(duì)的集合P,獲取特征點(diǎn)對(duì)間的標(biāo)簽信息lij;4) 計(jì)算相似性權(quán)重Wij;5) 初始化投影矩陣Θ1、Θ2;6) 選代以下過程;7) Θ1←M1(Θ1);8) Θ2←M2(Θ2);9) 目標(biāo)函數(shù)L(Θ1,Θ2)收斂;10) 返回投影矩陣Θ1、Θ2。

        2.3 快速哈希匹配

        通過哈希函數(shù)構(gòu)建,高維特征向量會(huì)被映射到緊湊的二進(jìn)制哈希編碼。匹配之前,通過構(gòu)建漢明查找表來建立哈希編碼和特征點(diǎn)信息間的索引。匹配階段,在待匹配圖像上根據(jù)漢明距離尋找對(duì)應(yīng)匹配點(diǎn),實(shí)現(xiàn)圖像快速匹配,如圖3所示。

        圖3 基于漢明查找表的航拍圖像特征匹配Fig.3 Aerial image feature matching based on Hamming lookup table

        3 實(shí)驗(yàn)結(jié)果與分析

        從實(shí)拍的UAV航拍圖像[16]中選取3組航拍圖像做對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖4所示。用提出的LMFH算法和經(jīng)典的ORB[7]、BRIEF[6]和SURF[5]算法作重復(fù)率、匹配準(zhǔn)確率、匹配時(shí)間方面的比較。

        圖4 分組的航拍圖像匹配結(jié)果比較Fig.4 Comparison of matching results of aerial images in group

        3.1 重復(fù)率比較

        重復(fù)率表示每組圖像之間對(duì)應(yīng)的特征點(diǎn)數(shù)量與經(jīng)過特征點(diǎn)檢測(cè)算法后得到的較少特征點(diǎn)數(shù)量之比,定義如下:

        (1)

        不同算法的3組航拍圖像重復(fù)率對(duì)比結(jié)果如表2所示。

        表2 重復(fù)率比較Table 2 Comparison of repetition rate

        從表2中可知,LMFH算法在特征檢測(cè)部分重復(fù)率最高,在3組航拍圖像中,平均重復(fù)率為83.9%;BRIEF算子的平均重復(fù)率為49.7%,相比LMFH算法減小約34.2%;ORB算子的平均重復(fù)率為57.7%,相比LMFH算法減小約26.2%;SURF算子的平均重復(fù)率為82.4%,相比LMFH算法減小約1.5%。綜上所述,將LMFH算法用于實(shí)際航拍圖像特征提取時(shí),檢測(cè)到的特征點(diǎn)重復(fù)率最高,性能穩(wěn)定。

        3.2 匹配正確率比較

        正確率表示每組圖像中正確匹配的特征點(diǎn)數(shù)量與兩幅圖像間對(duì)應(yīng)的總的匹配點(diǎn)數(shù)量之比,定義如下:

        (2)

        3組圖像的具體實(shí)驗(yàn)數(shù)據(jù)如表3所示。

        表3 匹配正確率比較分析Table 3 Comparison analysis of matching accuracy

        續(xù)表

        從表3中可以看出,在第1組匹配實(shí)驗(yàn)中,LMFH算法正確率為75.8%,相比于ORB算子高40%,相比于BRIEF算子高34%,相比于SURF算子高10%;在第2組匹配實(shí)驗(yàn)中,LMFH算法的正確率為71.5%,相比于ORB、BRIEF和SURF算子分別高33%、31%和10%;在第3組匹配實(shí)驗(yàn)中,LMFH算法的匹配正確率為65.6%,相比于ORB、BRIEF和SURF算子分別高23%、24%和12%。從3組匹配實(shí)驗(yàn)結(jié)果可知,在實(shí)際CCD航拍圖像特征匹配中,本文提出算法的匹配正確率最高,BRIEF算子的匹配正確率最低。

        3.3 匹配速度比較

        匹配速度表示從開始對(duì)圖像進(jìn)行處理到匹配出正確的特征點(diǎn)對(duì)時(shí)所用的時(shí)間。匹配速度越快,算法的運(yùn)行效率也就越高。通過比較匹配時(shí)間,比較各算法的匹配效率。3組航拍圖像的匹配時(shí)間對(duì)比如圖5所示。

        圖5 匹配速度比較結(jié)果Fig.5 Comparison result of matching speed

        從圖5可知,在匹配速度方面,二值型特征描述算子的匹配時(shí)間最少,如ORB和BRIEF;相比之下,SURF算子的匹配時(shí)間最長(zhǎng),約為二值型特征描述算子的兩倍,原因在于:在SURF算法中,特征描述子為高維浮點(diǎn)型特征向量,匹配時(shí)根據(jù)向量間的歐式距離進(jìn)行比較,計(jì)算量大;LMFH算法的匹配時(shí)間介于兩者之間,原因在于:LMFH算法在特征描述子構(gòu)建和局部哈希學(xué)習(xí)部分耗費(fèi)較多時(shí)間,但在匹配階段,本文采用學(xué)習(xí)到的哈希函數(shù),將高維的特征描述向量映射為二進(jìn)制哈希編碼形式,通過漢明距離即可實(shí)現(xiàn)特征間的快速匹配。除此之外,本文在匹配策略方面采用分段匹配方案,可進(jìn)一步提高匹配速度。

        4 結(jié)論

        本文提出基于LMFH算法實(shí)現(xiàn)大面陣CCD航拍圖像精準(zhǔn)快速匹配,和許多傳統(tǒng)的算法相似,LMFH算法使用各種各樣的具有高精準(zhǔn)度的統(tǒng)計(jì)特征來保證匹配準(zhǔn)確度。然而,LMFH算法通過使用高效率的哈希目標(biāo)函數(shù)并沒有產(chǎn)生處理大量特征而帶來的低效率問題。實(shí)驗(yàn)結(jié)果表明:LMFH算法的檢測(cè)準(zhǔn)確率相比于普通的手動(dòng)設(shè)計(jì)的二值型特征描述算子如SURF算子、ORB和BRIEF算法,分別提高約10%、40%和34%,同時(shí)重復(fù)率最高,匹配速度最快?;贚MFH算法的匹配方案在確保特征匹配的準(zhǔn)確率的同時(shí)實(shí)現(xiàn)特征的快速匹配。

        猜你喜歡
        特征描述哈希航拍
        In the Zoo
        船舶尾流圖像的數(shù)字化處理和特征描述技術(shù)
        航拍下的苗圃與農(nóng)場(chǎng)
        中外文摘(2021年10期)2021-05-31 12:10:40
        難忘的航拍
        《航拍中國》美得讓人想哭
        目標(biāo)魯棒識(shí)別的抗旋轉(zhuǎn)HDO 局部特征描述
        陜西畫報(bào)航拍
        基于OpenCV與均值哈希算法的人臉相似識(shí)別系統(tǒng)
        基于維度分解的哈希多維快速流分類算法
        基于差異的圖像特征描述及其在絕緣子識(shí)別中的應(yīng)用
        少妇无码av无码专线区大牛影院| 国产不卡视频一区二区在线观看| 亚洲午夜精品国产一区二区三区 | 欧美韩国精品另类综合| 婷婷色在线视频中文字幕| 亚洲自拍偷拍色图综合| 国产福利视频一区二区| 呻吟国产av久久一区二区| 无码啪啪人妻| 色和尚色视频在线看网站| 久久青青草原精品国产app| 抽插丰满内射高潮视频| 国产AV秘 无码一区二区三区 | 国产极品美女高潮抽搐免费网站| 大地资源中文在线观看官网第二页| 第十色丰满无码| 国产亚洲3p一区二区| 国产精品久久久亚洲| 亚洲欧洲精品成人久久曰影片| 2017天天爽夜夜爽精品视频| 玩弄放荡人妻一区二区三区| 亚洲精品国产成人久久av| 国产伦理一区二区| 亚洲依依成人亚洲社区| 高h视频在线免费观看| 一区二区三区日韩蜜桃| 国精品人妻无码一区二区三区性色| 国产小受呻吟gv视频在线观看| AV无码系列一区二区三区| 日本美女在线一区二区| 欧美真人性野外做爰| 免费看操片| 国产av一区二区内射| 久久久麻豆精亚洲av麻花| 国精品午夜福利视频不卡| 中文字幕第1页中文字幕在| 成人一区二区三区蜜桃| 本道天堂成在人线av无码免费 | 青草蜜桃视频在线观看| 亚洲av调教捆绑一区二区三区| 国产二区交换配乱婬|